智能控制技術(shù)在電氣工程自動化中的應(yīng)用--遺傳算法-文庫吧資料
2025-06-13 01:34本頁面
【正文】 方法、最優(yōu)保留法、期望值方法、排序選擇方法、聯(lián)賽選擇方法、排擠方法[3]。選擇算子有時又稱為再生算子。三個基本遺傳算子的操作方法或操作策略隨具體求解問題的不同而相異，更具體地講，是與個體的編碼方式直接相關(guān)。這三個遺傳算子有如下特點[2]: 這三個遺傳算子的操作都是在隨機擾動下情況進(jìn)行，換句話說，遺傳操作是隨機操作，因此群體中個體向最優(yōu)解遷移的規(guī)則是隨機的。 四．遺傳操作遺傳操作是模擬生物基因遺傳的操作，在遺傳算法中，通過編碼組成初始群體后，遺傳操作的任務(wù)就是對群體的個體，按照它們環(huán)境適應(yīng)程度施加一定操作，從而實現(xiàn)優(yōu)勝劣汰的進(jìn)化過程，從優(yōu)化搜索而言，遺傳操作可使問題的解，一代又一代的優(yōu)化，并逼近最優(yōu)解。三．適應(yīng)度函數(shù)遺傳算法在搜索進(jìn)化過程中一般不考慮其它外部信息，僅用評估函數(shù)值即適應(yīng)度函數(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)，評估函數(shù)值又稱作適應(yīng)度，遺傳算法的適應(yīng)度函數(shù)不受連續(xù)可微的約束，定義域為任一集合。在種群初始生成 圖31 遺傳算法基本流程圖過程中，種群大小對遺傳算法效能發(fā)揮有重大影響。遺傳算法采用的編碼機制很多，如實數(shù)編碼、二進(jìn)制編碼和格雷碼編碼等。遺傳算法空間是指由基因型個體所組成的空間。所以遺傳算法不能直接處理問題空間的參數(shù)，必須把它們轉(zhuǎn)換成基因型串結(jié)構(gòu)數(shù)據(jù) ,這個轉(zhuǎn)換操作叫編碼。這五個要素構(gòu)成了遺傳算法核心。選擇、交叉和變異是遺傳算法的三個主要遺傳算子，它們構(gòu)成了所謂的遺傳操作，使遺傳算法具有了其它傳統(tǒng)方法所沒有的特性。它的處理流程圖如圖31所示。若只有選擇和交叉，而沒有變異，則無法在初始基因組合以外的空間進(jìn)行搜索，使進(jìn)化過程在早期就陷入局部解而進(jìn)入終止過程，必須采用變異操作。它是染色體切斷點有一處，例:A：101100 1110101100 0101B: 001010 0101001010 1110(3) 變異(Mutation Operator).變異運算用來模擬生物在自然的遺傳環(huán)境中由于各種偶然因素引起的基因突變，它以很小的概率隨機的改變遺傳基因(表示染色體的符號串的某一位)的值。交叉有一點交叉、多點交叉，還有一致交叉、順序交叉和周期交叉。交換雙親染色體交換點右邊的部分，即可得到兩個新的染色體數(shù)字串。而交叉模擬了生物進(jìn)化中的繁殖現(xiàn)象，通過兩個染色體的交換組合，產(chǎn)生新的優(yōu)良品種。適應(yīng)度比例法較常用。若用計算機程序來實現(xiàn)，可考慮首先產(chǎn)生01之間均勻分布的隨機數(shù)，若某串的復(fù)制概率為40%，該串被復(fù)制，否則被淘汰。它模仿了自然現(xiàn)象，應(yīng)用了達(dá)爾文的適者生存理論。遺傳算法的基本操作如下:(1)復(fù)制(Reproduction Orator)復(fù)制是從一個舊種群中選擇生命力強的個體位串產(chǎn)生新種群的過程。基于這個共同特點，Goldberg總結(jié)出了一種統(tǒng)一的最基本的遺傳算法基本遺傳算法(Simple Genetic Algorithms，簡稱SGA)。這樣，由不同的編碼方法和不同的遺傳算子就構(gòu)成了各種不同的遺傳算法。這個過程將導(dǎo)致種群象自然進(jìn)化一樣，后生代種群比前代更加適應(yīng)于環(huán)境，末代種群的最優(yōu)個體經(jīng)過解碼，可以作為問題的近似最優(yōu)解。在每一代，根據(jù)問題域中個體的適應(yīng)度大小選擇個體。因此，在一開始要實現(xiàn)從表現(xiàn)型到基因型的編碼工作。引用了這些術(shù)語，可以更好的描述遺傳算法，遺傳算法也就是從代表問題的可能潛在解集的一個種群出發(fā)，而一個種群則由基因編碼的一定數(shù)目個體組成每個個體其實是染色體帶有特征的實體。編碼:遺傳編碼可看成是從表現(xiàn)型向基因型的映射。交叉:兩個染色體之間通過交叉而重組形成新的染色體。選擇: 指決定以一定概率從種群中選擇若千個體的操作。群體中個體數(shù)目大小稱為群體大小，也叫群體規(guī)模。個體: 指染色體帶有特征的實體?；? 遺傳基因在染色體中占據(jù)的位置?；蛐? 遺傳因子組合的模型，是性狀染色體的內(nèi)部表現(xiàn)。染色體: 是遺傳物質(zhì)的主要載體，由多個遺傳因子基因組成。 既然遺傳算法基于自然選擇的生物進(jìn)化，是一種模仿生物進(jìn)化過程的隨機方法。遺傳能使生物的性狀不斷的傳遞給后代，因此保持了物種的特性。遺傳指的是父代與子代之間，以及子代的個體之間，在性狀上或多或少的存在相似性的現(xiàn)象。達(dá)爾文把這種適者生存不適者淘汰的過程稱之為自然選擇。在生存斗爭中，具有有利變異的個體容易存活下來，并且有更多機會將有利變異傳給后代:具有不利變異的個體就容易淘汰，產(chǎn)生后代的機會也少得多。. 遺傳算法的基本原理遺傳算法(Genetic Algorithms)，簡稱GA，是一類借鑒生物界自然選擇和自然遺傳機制的隨機優(yōu)化搜索算法，是一種近似算法。3 遺傳算法遺傳算法是一種不依賴具體問題的直接搜索方法，它在模式識別、神經(jīng)網(wǎng)絡(luò)、圖像處理、機器學(xué)習(xí)、工業(yè)優(yōu)化控制、自適應(yīng)控制、生物科學(xué)、社會科學(xué)等方面都得到應(yīng)用。被選中的概率越大。蟻群算法的基本思想:當(dāng)一只螞蟻在給定點進(jìn)行路徑選擇時。遺傳算法依照所選擇的適配值函數(shù),通過遺傳中的復(fù)制、交叉及變異對個體進(jìn)行篩選,使適配值高的個體被保留下來,組成新的群體,新群體既繼承了上一代的信息,又優(yōu)于上一代,這樣周而復(fù)始,群體中個體適應(yīng)度不斷提高,直到滿足一定的條件。另一方面是將智能控制技術(shù)與傳統(tǒng)控制理論結(jié)合,形成智能復(fù)合型控制器,如模糊PID 控制、神經(jīng)元PID控制、模糊滑?？刂?、神經(jīng)網(wǎng)絡(luò)最優(yōu)控制等。 神經(jīng)網(wǎng)絡(luò)控制神經(jīng)網(wǎng)絡(luò)模擬人腦神經(jīng)元的活動,利用神經(jīng)元之間的聯(lián)結(jié)與權(quán)值的分布來表示特定的信息,通過不斷修正連接的權(quán)值進(jìn)行自我學(xué)習(xí),以逼近理論為依據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)建模,并以直接自校正控制、間接自校正控制、神經(jīng)網(wǎng)絡(luò)預(yù)測控制等方式實現(xiàn)智能控制?？赏ㄟ^調(diào)整控制器的參數(shù),適應(yīng)對象特性及環(huán)境的變化,適應(yīng)性好。主體由知識庫和推理機構(gòu)組成,通過對知識的獲取與組織,按某種策略適時選用恰當(dāng)?shù)囊?guī)則進(jìn)行推理,以實現(xiàn)對控制對象的控制。它的造成核心是具有智能性的模糊控制器，這也是它與其它控制系統(tǒng)的不同之處。在實現(xiàn)模糊控制時主要考慮模糊變量的隸屬度函數(shù)的確定,以及控制規(guī)則的制定。 人工智能控制技術(shù)的主要方法 模糊控制 模糊控制以模糊集合、模糊語言變量、模糊推理為其理論基礎(chǔ),以先驗知識和專家經(jīng)驗作為控制規(guī)則 。其研究的主要內(nèi)容有對圖像和語言的識別、專家系統(tǒng)、語言處理以及機器人等系統(tǒng)。同時在電動機和發(fā)電機等方面,人工智能診斷故障技術(shù)也有了長足的發(fā)展。在電力系統(tǒng)之中, 變壓器因為重要的地位而受到很多研究者的關(guān)注。電氣設(shè)備的故障征兆和故障之間有著很多必然和偶然的關(guān)系,具有非線性、不確定性的特點, 它的優(yōu)勢能夠通過人工智能的方式得到最大的發(fā)揮。其中的遺傳算法是一種優(yōu)化的先進(jìn)算法,在產(chǎn)品的設(shè)計優(yōu)化上有舉足輕重的作用。尤其是在引進(jìn)了人工智能技術(shù)之后,更加促進(jìn)了CAD技術(shù)的發(fā)展,大大提高了設(shè)計產(chǎn)品的質(zhì)量和效率。這樣的設(shè)計過程
公司管理相關(guān)推薦
鄂ICP備17016276號-1