【正文】 進了群體，適應(yīng)值，選擇，交叉等基本概念。Smith在1980年首次提出使用變長位串的概念。比較成功的案例如下：（1）遺傳學(xué)習(xí)將遺傳算法用于知識獲取，構(gòu)成以遺傳算法為核心的機器學(xué)習(xí)系統(tǒng)，其中群體由一組產(chǎn)生規(guī)則組成。(2) 群體（population）：個體的集合稱為群體，串是群體的元素。(6) 基因特征值（gene feature）：在用串表示整數(shù)時，基因的特征值與二進制的權(quán)一致；例如在串s=1011中，基因位置3中的1，它的基因特征值是2。 遺傳算法的基本原理及特點遺傳算法(Genetic Algorithms GA)是以自然選擇和基因遺傳理論為基礎(chǔ)，將生物進化過程中的適者生存規(guī)則與群體內(nèi)部染色體的隨機信息交換機制相結(jié)合，在問題解空間內(nèi)進行全局并行、隨機的搜索，其結(jié)果是向全局最優(yōu)方向收斂。遺傳算法同時處理群體中的多個個體，即對搜索空間中的多個解進行評估，減少了陷入局部最優(yōu)解的風(fēng)險，同時算法本身易于實現(xiàn)并行化。一般把問題的各種參數(shù)用編碼構(gòu)成子串，然后把子串并接成染色體串。在選擇時，以適應(yīng)度為選擇原則。對于問題求解角度來講，就是選擇出和最優(yōu)解比較接近的中間解。在變異時，對要執(zhí)行變異的位求反，就是把1變成0，把0變成1。非冗余性(nonredundancy):染色體和候選解一一對應(yīng)。遺傳算法在搜索進化過程中一般不需要其他外部信息，僅用評估函數(shù)來評估個體或解的優(yōu)劣，并作為以后遺傳操作的依據(jù)。群體大小太小時難以求出最優(yōu)解，太大則增長收斂時間。第3章 遺傳算法的Matllab實現(xiàn)第3章 遺傳算法的MATLAB實現(xiàn)MATLAB是一種開放式軟件，經(jīng)過一定的程序可以將開發(fā)的優(yōu)秀的應(yīng)用程序集加入到MATLAB工具的行列。遺傳算法有許多算子(如選擇、交叉、變異等)，都是針對所謂的染色體進行的，染色體實質(zhì)上就是一個向量，可以將其看成一個的矩陣，因此這些算子的運算實質(zhì)上就是一些矩陣的運算。（2）．crtbp功能：創(chuàng)建一個初始種群。最后的結(jié)果矩陣phen包含著與種群相應(yīng)的顯型。選擇scale(i)=1是對數(shù)采樣。如果subpop被忽略或者取值為nan， 則subpop=1。適應(yīng)值顯示每一個個體的預(yù)期的可能性。格式：newchrix=sus(fitnv，nsel)描述：sus選擇nsel中的個體為了根據(jù)它們的適應(yīng)值重新產(chǎn)生，fitnv在當(dāng)前種群中。recint只適用于實值變量的種群。因此種群組織成臨近的需要交配的一對。mutopt是變異概率。insopt是一個任意的向量，兩個參數(shù)中的最大值。本文在仿真實驗中既利用了遺傳算法工具箱本身提供的m函數(shù)文件，也將改進的遺傳算法編成m文件在Matlab中運行，通過仿真圖能夠直觀地反映遺傳算法與其他傳統(tǒng)尋優(yōu)方法相比，具有明顯優(yōu)勢。方法三：單純形法。這樣，一個最優(yōu)解能在整個由約束條件所確定的可行區(qū)域內(nèi)使目標(biāo)函數(shù)達到最大值（或最小值）。 用單純形法求解線性規(guī)劃問題所需的迭代次數(shù)主要取決于約束條件的個數(shù)。在群體所有微粒經(jīng)歷過的最好位置記作Gbest。w為權(quán)函數(shù)。方法五：差分進化算法差分進化(DE)算法是一種采用浮點矢量編碼的在連續(xù)空間中進行隨機搜索的優(yōu)化算法[15]。xbest，G為當(dāng)前種群中最優(yōu)個體，則對于當(dāng)前群體中的每一個個體xi，G(i=1，2，…，M)，基本的DE算法按照如下方法產(chǎn)生新個體為:vi，G+1=xi，G+λ(xbest，Gxi，G)+F(xr2，Gxr3，G) 收縮因子λ=F為(0，1)之間的常數(shù)。比較ui，G和xi，G的適應(yīng)值，選擇適應(yīng)度小的做為下一代個體xi，G+1，即 (45)基于DE算法多目標(biāo)PID優(yōu)化設(shè)計[16]（1） 編碼PID控制器中，待優(yōu)化的參數(shù)為KP，TI和TD，DE算法采用浮點數(shù)編碼，可以直接將(KP，TI，TD)作為一個個體矢量。則多目標(biāo)適應(yīng)度函數(shù)為: (47)通過對權(quán)重系數(shù)的調(diào)整，可以改變系統(tǒng)對快速性和穩(wěn)定性的要求。否則轉(zhuǎn)到Step2?；谏鲜鏊枷氲纳窠?jīng)網(wǎng)絡(luò)PID參數(shù)優(yōu)化方法主要有兩種:基于神經(jīng)網(wǎng)絡(luò)的單步預(yù)測PID參數(shù)優(yōu)化方法和基于神經(jīng)網(wǎng)絡(luò)的多步預(yù)測PID參數(shù)優(yōu)化方法。文獻[21]指出，神經(jīng)網(wǎng)絡(luò)并聯(lián)辨識只在滿足一定條件下才是收斂的。柴油機內(nèi)的狀態(tài)變量不止一個，但在實際設(shè)計中采用高階模型則較為困難。許多被控對象一般被辨識成一階加延時、二階加延時或積分加一階加延時等數(shù)學(xué)模型?？刂葡到y(tǒng)的性能指標(biāo)包括多個方面，例如：信號誤差，能量消耗，上升時間，超調(diào)量，等等。通過數(shù)值仿真，檢驗其是否滿足性能指標(biāo)最優(yōu)的要求：這由些參數(shù)確定的PID 控制器應(yīng)用于系統(tǒng)，檢驗其是否滿足實際應(yīng)用的要求，是否會使得其它的性能指標(biāo)嚴(yán)重變壞。交叉算子為：中間重組雙點交叉。采用整定后的二進制遺傳算法優(yōu)化PID階躍響應(yīng)如圖55所示。本文完成了以下幾點工作：（1）介紹了PID控制器和遺傳算法的基本理論，給出了遺傳算法的基本步驟。對于遺傳算法，還需要進一步研究其數(shù)學(xué)基礎(chǔ)理論，還需要在理論上證明它與其他優(yōu)化技術(shù)的優(yōu)劣及原因，還需要研究硬件化的遺傳算法，以及遺傳算法的通用編程的形式等?？紤]到在線整定的實時性，遺傳算法只進行了100次的迭代，因此準(zhǔn)確度可能不能滿足所有的應(yīng)用場合，一個有效的解決方法是：先按經(jīng)驗選取一組參數(shù)，然后在這組參數(shù)的周圍利用遺傳算法進行設(shè)計，從而大大提高尋優(yōu)的盲目性，節(jié)約計算量，使控制器的實時性得到提高。本設(shè)計應(yīng)用遺傳算法對PID控制器進行參數(shù)尋優(yōu)，遺傳算法是全局優(yōu)化算法，該方法是一種不需要任何初始信息并可以尋求全局最優(yōu)解的、高效的優(yōu)化組合方法，遺傳算法在不需要給出調(diào)節(jié)器初始參數(shù)的情況下，仍能尋找到合適的參數(shù)，使控制目標(biāo)滿足要求，它具有操作方便、速度快的優(yōu)點，不需要復(fù)雜的規(guī)則，只通過字串進行簡單的復(fù)制、交叉、變異，便可達到尋優(yōu)。為了防止控制能量過大，在目標(biāo)函數(shù)中加入控制輸入的平方項。由于，查閱文獻，計算得=0. 2s，取k=200，則柴油機的傳遞函數(shù)為：（54）本文運用遺傳算法對柴油機調(diào)速系統(tǒng)的PID參數(shù)進行優(yōu)化，遺傳算法是一種簡單高效的尋優(yōu)算法，與傳統(tǒng)的尋優(yōu)方法相比明顯地改善了控制系統(tǒng)的動態(tài)性能。包括編碼方式，初始群體的數(shù)目，交叉和變異概率，終止條件等。遺傳算法優(yōu)化的PID控制器框圖如圖52所示。 控制器 常規(guī)PID控制器的控制作用的一般形式為： , （43）式中)分別為其輸入變量偏差、偏差和與偏差變化，分別為表征其比例（P）、積分（I）和微分（D）作用的參數(shù)。柴油機屬于壓縮點火式發(fā)動機，它又常以主要發(fā)明者狄塞爾的名字被稱為狄塞爾引擎。正如文獻[19]提到的，當(dāng)對象響應(yīng)較慢，即不能在短短幾個周期內(nèi)使輸出達到給定值，將不斷增大，以加快響應(yīng)速度，其結(jié)果是不僅不能使被控對象很快達到給定值，而且會使調(diào)節(jié)過程的超調(diào)量增大，動態(tài)品質(zhì)變差。PID對象NNI優(yōu)化算法學(xué)習(xí)算法r(t)y(t)u(t)++否圖42 神經(jīng)網(wǎng)絡(luò)智能PID控制系統(tǒng)方框圖在網(wǎng)絡(luò)經(jīng)過學(xué)習(xí)后，神經(jīng)網(wǎng)絡(luò)辨識器的輸出便可以很好地跟蹤被控對象的輸出。Step2:根據(jù)式(1)對群體中的每個個體矢量進行變異操作。設(shè)σ=(|ypyref|/yref)100%為系統(tǒng)的超調(diào)量，yp和yref分別為輸出峰值和輸入?yún)⒖贾?。為了增加群體的多樣性，將新個體vi，G+1和父代個體xi，G進行交叉生成試驗個體ui，G=(ui1，G， ui2，G，…，uiD，G)。DE算法的實現(xiàn)步驟如下:（1）.初始化。那么粒子i經(jīng)過飛行將出現(xiàn)一個新的位置，如圖41所示，新位置的計算公式為：YXVkSk+1SkVpbestVgbestOVk+1圖41 PSO算法方向示意圖sk+1i=ski+vk+1i此外，微粒的速度Vi被一個最大速度Vmax所限制。rand1但是它比遺傳算法規(guī)則更為簡單，它沒有遺傳算法的“交叉”(Crossover) 和“變異”(Mutation) 操作。（2）若基本可行解不存在，即約束條件有矛盾，則問題無解。因基本可行解的個數(shù)有限，故經(jīng)有限次轉(zhuǎn)換必能得出問題的最優(yōu)解。方法一：ZieglerNichols設(shè)定方法Ziegler與Nichols(1942)提出了調(diào)節(jié)PID控制器的參數(shù)的經(jīng)驗公式[11]，這一調(diào)節(jié)器可根據(jù)帶有時滯環(huán)節(jié)的一階近似模型的階躍響應(yīng)或頻率響應(yīng)數(shù)據(jù)來設(shè)定。objvsel是一個包含了selch中的個體目標(biāo)函數(shù)值的行向量，objvsel是必須的如果后代的數(shù)目大于將要被重新插入的后代的數(shù)目，在這種情況下，將根據(jù)后代的適應(yīng)度來選擇將要被重新插入的后代。Selch和chrom中的每一行都對應(yīng)了一個個體。之后返回一個新的個體。Newchrom，oldchrom包含了當(dāng)前種群中的染色體，每一行與一個個體相對應(yīng)。返回值newchrix是一個用來繁殖而被選擇的個體的索引。subpop是一個參數(shù)，它決定了chrom中的后代的數(shù)目。格式：　　selch=select(sel_f，chrom，fitnv)selch=select(sel_f，chrom，fitnv，ggap)selch=select(sel_f，chrom，fitnv，ggap，subpop)描述：select函數(shù)是從種群中選擇出個體，chrom返回的是從種群中選擇出來的個體，Selch。（4）．ranking功能：按適應(yīng)度等級排序。選擇code(i)=0是標(biāo)準(zhǔn)二進制。在這種情況下，二次爭論就忽略了，chrom=crtbp(nind，basev)[chrom，lind，basev]=crtbp(nind，basev)=crtbp(nind，basev)也是返回一個染色體結(jié)構(gòu)的長度lind，和基于染色體軌跡的向量basev。下面是對在程序中用到遺傳算法工具箱函數(shù)的詳細說明：（1）．Rep功能：矩陣復(fù)制。例如：信號處理工具箱、圖象處理工具箱、通信處理工具箱、優(yōu)化工具箱、遺傳算法工具箱等，而且這些工具箱還在不斷的擴展中。一般來講，初始群體的設(shè)定可采取如下的策略: （1） 根據(jù)問題固有知識，設(shè)法把握最優(yōu)解所占空間在整個問題空間中的分布范圍，然后，在此分布范圍內(nèi)設(shè)定初始群體。適應(yīng)度函數(shù)設(shè)計直接影響到遺傳算法的性能。它具有以下特點:（1） 簡單易行；（2） 符合最小字符集編碼原則；（3） 便于用模式定理進行分析，因為模式定理就是以基礎(chǔ)的。(4) 初始種群的產(chǎn)生為保證在整個解空間進行搜索，采用隨機產(chǎn)生初始種群。交叉算子是指對2個相互配對的染色體按某種方式相互交換其部分基因，從而形成2個新的個體。其基本思想是：各個個體被選中的概率與其適應(yīng)度大小成正比例關(guān)系。n是位的二進制數(shù)?！　?4) 遺傳算法不是采用確定性規(guī)則，而是采用概率的變遷規(guī)則來指導(dǎo)他的搜索方向。這是遺傳算法與傳統(tǒng)優(yōu)化算法的極大區(qū)別。串結(jié)構(gòu)空間對應(yīng)于遺傳學(xué)中的基因型的集合。它們的值稱為等位基因。另外，GA在故障診斷和機器人行走路徑中的應(yīng)用也取得了成功。隨著Internet技術(shù)的發(fā)展和普及應(yīng)用，遺傳算法的有關(guān)研究單位建立了大量的專題網(wǎng)站，其中最為著名的是由美國海軍人工智能應(yīng)用研究中心建立的GA_Archives檢索網(wǎng)站，歷年來的公開發(fā)表的論文和報告，有關(guān)國際會議消息，典型應(yīng)用案例和程序的源代碼等。Holland及其數(shù)位博士堅持了這一方向的研究。因此，Holland試圖建立適應(yīng)過程的一般描述模型，并在計算機上進行模擬試驗研究，分析自然系統(tǒng)或者人工系統(tǒng)對環(huán)境變化的適應(yīng)性現(xiàn)象，其中遺傳算法僅僅是一種具體的算法形式。經(jīng)過幾十年的發(fā)展，GA算法的研究日漸成熟。隨著現(xiàn)代控制理論的建立和不斷發(fā)展完善，對過程控制提出了新的方法和思路，同日寸也由于生產(chǎn)工藝不斷地改進提高，對過程控制也提出了高要求。PID調(diào)節(jié)器是最早發(fā)展起來的控制策略之一，因為它所涉及的設(shè)計算法和控制結(jié)構(gòu)都是簡單的，并且十分適用于工程應(yīng)用背景，此外PID控制方案并不要求精確的受控對象的數(shù)學(xué)模型，且采用PID控制的控制效果一般是比較令人滿意的，所以在工業(yè)實際應(yīng)用中，PID調(diào)節(jié)器是應(yīng)用最為廣泛的一種控制策略，也是歷史最久、生命力最強的基本控制方式。（5） 遺傳算法不能解決那些“大海撈針”的問題，所謂“大海撈針”問題就是沒有一個確切的適應(yīng)度函數(shù)表征個體好壞的問題，遺傳算法對這類問題無法找到收斂的路。 當(dāng)前研究存在的問題（1）遺傳算法在適應(yīng)度函數(shù)選擇不當(dāng)?shù)那闆r下有可能收斂于局部最優(yōu)，而不能達到全局最優(yōu)。（Adjacency based crossover），這個算子是特別針對用序號表示基因的個體的交叉，并將其應(yīng)用到了TSP問題中，通過實驗對其進行了驗證。PID參數(shù)在線自整定方法比較典型的有改進型ZieglerNichols臨界比例度法、基于過程模型辨識的參數(shù)自整定、基于經(jīng)驗的專家法參數(shù)自整定、模糊型PID調(diào)節(jié)器等。正是由于PID控制算法具有以上多種優(yōu)點，所以這種算法仍將在現(xiàn)場控制中居于主導(dǎo)地位隨著現(xiàn)代控制理論的建立和不斷發(fā)展完善，對過程控制提出了新的方法和思路，同時也由于生產(chǎn)工藝不斷地改進提高，對過程控制也提出了高要求。 to achieve the purpose of increasing search space。周 次1—4周5—8周9—12周13—16周17—18周應(yīng)完成的內(nèi)容調(diào)研 收集資料掌握遺傳算法的基本理論確定總體方案模型確立 方案分析算法研究軟件設(shè)計及調(diào)試 設(shè)計總結(jié)撰寫論文準(zhǔn)備答辯 指導(dǎo)教師：劉莉職稱：副教授 2010 年 12 月25 日系級教學(xué)單位審批： 年 月 日摘要摘要本文提出了一種新的PID參數(shù)設(shè)計方法，它以誤差積分型性能指標(biāo)為目標(biāo)函數(shù)，以設(shè)計參數(shù)的取值范圍為約束條件建立了優(yōu)化數(shù)學(xué)模型。本科畢業(yè)設(shè)計（論文）遺傳算法的PID控制器的設(shè)計姜山