【正文】 頻繁的國際學(xué)術(shù)活動集中反映了遺傳算法的學(xué)術(shù)意義的應(yīng)用價值。隨著遺傳算法研究和應(yīng)用的不斷深入與擴展，1985年，在美國召開了第一屆遺傳算法國際會議，即ICGA(International Conference on Genetic Algorithm)這次會議是遺傳算法發(fā)展的重要里程碑，此會以后每隔一年舉行一次。這在某種程度上為以后的遺傳規(guī)劃奠定了基礎(chǔ)。1980年，Bethke對函數(shù)優(yōu)化GA進行了研究，包括應(yīng)用研究和數(shù)學(xué)分析。1975年，Holland出版了專著《自然與人工系統(tǒng)中的適應(yīng)性行為》（Adaptation in Natural and Artificial Systems），該書系統(tǒng)的闡述了遺傳算法的基本理論和方法，提出了對遺傳算法和理論發(fā)展極為重要的模式理論，其中首次確認(rèn)了選擇，交叉，變異等遺傳算子，以及遺傳算法的隱并行性，并將遺傳算法應(yīng)用于適應(yīng)性系統(tǒng)模擬，函數(shù)優(yōu)化，機器學(xué)習(xí)，自動控制等領(lǐng)域。在20世紀(jì)60年代中期至70年代末期，基于自然進化的思想遭到了懷疑和反對。1966年，F(xiàn)ogel等人也提出了類似的思想，但是其重點是放在變異算子而不是采用交叉算子。1962年，John Holland在“Outline for a Logic Theory Adaptive Systems”一文中，提出了所謂的監(jiān)控程序的概念，即利用群體進化模擬適應(yīng)性系統(tǒng)的思想。Bremermann，De Jong等人則注重遺傳算法應(yīng)用于參數(shù)優(yōu)化問題，極大的促進了遺傳算法的應(yīng)用。Holland認(rèn)為：通過簡單的模擬機制可以描述復(fù)雜的適應(yīng)性現(xiàn)象。同時由于遺傳算法群體的多樣性，使其盡可能在全方向上搜索，達到全局最優(yōu)。遺傳算法是模仿自然界生物進化論思想而得出的一種全局優(yōu)化算法。與傳統(tǒng)的優(yōu)化算法相比，GA具有如下優(yōu)點：(1)不是從單點，而是從多點開始搜索；(2)在搜索最優(yōu)解時，不受問題性質(zhì)(連續(xù)性、可微性)的限制只需由目標(biāo)函數(shù)值轉(zhuǎn)換成適應(yīng)度即可；(3)搜索過程不易陷入局部最優(yōu)值。是以自然選擇與遺傳理論為基礎(chǔ)，將生物進化過程中適者生存與群體內(nèi)部染色體的隨機信息交換機制相結(jié)合的全局搜索算法。最后對論文的工作進行了。 本論文主要工作本論文的主要工作是研究利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，并且使用Matlab和Simulink對柴油機調(diào)速系統(tǒng)的PID 控制系統(tǒng)進行仿真。科研人員在不斷探索新方法的同時，也對傳統(tǒng)的PID控制的改進做了大量的研究。正是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。它結(jié)構(gòu)簡單、適用面廣、魯棒性強、參數(shù)易于調(diào)整、在實際中容易被理解和實現(xiàn)、在長期應(yīng)用中已積累了豐富的經(jīng)驗。就連科學(xué)技術(shù)高度發(fā)達的日本，PID控制的使用率也高達84.%。調(diào)查結(jié)果表明在當(dāng)今使用的控制方式中，%，%，%，%，人工智能(AI)型占0. 6%。對我國科技的進步與經(jīng)濟的發(fā)展產(chǎn)生了不可估量的作用。 本文研究的目的和意義近年來，我國在遺傳算法理論與應(yīng)用方面取得了巨大的成就，目前的研究課題主要集中在以下幾個方面:一是算法的數(shù)學(xué)基礎(chǔ)；二是算法與其他優(yōu)化技術(shù)的比較和融合；三是算法的改進與深化；四是算法的并行化研究等。對于這些參數(shù)的選擇，現(xiàn)在還沒有實用的上下限。（6） 對于任何一個具體的優(yōu)化問題，調(diào)節(jié)遺傳算法的參數(shù)可能會有利于更好的更快的收斂，這些參數(shù)包括個體數(shù)目、交叉律和變異律。所以在使用遺傳算法的同時，也可以嘗試其他算法，互相補充，甚至根本不用遺傳算法。一種觀點認(rèn)為交叉比變異更重要，因為變異僅僅是保證不丟失某些可能的解；而另一種觀點則認(rèn)為交叉 過程的作用只不過是在種群中推廣變異過程所造成的更新，對于初期的種群來說，交叉幾乎等效于一個非常大的變異率，而這么大的變異很可能影響進化過程。其中一種是所謂觸發(fā)式超級變異，就是當(dāng)染色體群體的質(zhì)量下降（彼此的區(qū)別減少）時增加變異概率；另一種叫隨機外來染色體，是偶爾加入一些全新的隨機生成的染色體個體，從而增加染色體多樣性。（2） 對于動態(tài)數(shù)據(jù)，用遺傳算法求最優(yōu)解比較困難，因為染色體種群很可能過早地收斂，而對以后變化了的數(shù)據(jù)不再產(chǎn)生變化。 2005年，江雷等針對并行遺傳算法求解TSP問題,探討了使用彈性策略來維持群體的多樣性,使得算法跨過局部收斂的障礙,向全局最優(yōu)解方向進化。 2002年，戴曉明等應(yīng)用多種群遺傳并行進化的思想，對不同種群基于不同的遺傳策略，如變異概率，不同的變異算子等來搜索變量空間，并利用種群間遷移算子來進行遺傳信息交流，以解決經(jīng)典遺傳算法的收斂到局部最優(yōu)值問題 2004年，趙宏立等針對簡單遺傳算法在較大規(guī)模組合優(yōu)化問題上搜索效率不高的現(xiàn)象，提出了一種用基因塊編碼的并行遺傳算法（Buildingblock Coded Parallel GA，BCPGA）。 （simplex method）結(jié)合起來，形成了一種叫單一操作的多親交叉算子（simplex crossover），該算子在根據(jù)兩個母體以及一個額外的個體產(chǎn)生新個體，事實上他的交叉結(jié)果與對三個個體用選舉交叉產(chǎn)生的結(jié)果一致。 （Stochastic Iterated Genetic Hillclimbing，SIGH）采用了一種復(fù)雜的概率選舉機制，此機制中由m個“投票者”來共同決定新個體的值（m表示群體的大?。?。遺傳算法的應(yīng)用研究已從初期的組合優(yōu)化求解擴展到了許多更新、更工程化的應(yīng)用方面。尤其是遺傳算法的應(yīng)用研究顯得格外活躍，不但它的應(yīng)用領(lǐng)域擴大，而且利用遺傳算法進行優(yōu)化和規(guī)則學(xué)習(xí)的能力也顯著提高，同時產(chǎn)業(yè)應(yīng)用方面的研究也在摸索之中。 本文就是應(yīng)用遺傳算法對柴油機調(diào)速體統(tǒng)的PID參數(shù)進行優(yōu)化，使系統(tǒng)具有更好的性能。（2）PID參數(shù)優(yōu)化。至今仍有人在這方面繼續(xù)作研究。由于受控對象存在著大量不可知因素，如隨機擾動、系統(tǒng)時變、敏感誤差等，這些不可知因素的作用常會導(dǎo)致受控對象參數(shù)的改變?？蒲腥藛T在這一領(lǐng)域做的工作主要有以下兩方面?？蒲腥藛T在不斷探索新方法的同時，也對傳統(tǒng)的PID控制的改進做了大量的研究。特別在工業(yè)過程中，由于控制對象的精確數(shù)學(xué)模型難以建立，系統(tǒng)的參數(shù)又經(jīng)常發(fā)生變化，運用現(xiàn)代控制理論分析綜合要耗費很大的代價進行模型辨識，但往往不能達到預(yù)期的效果，所以不論常規(guī)調(diào)節(jié)儀表還是數(shù)字智能儀表都廣泛采用這種調(diào)節(jié)方式。這是由于理論分析及實際運行經(jīng)驗已經(jīng)證明了PID調(diào)節(jié)器對于相當(dāng)多的工業(yè)過程能夠起到較為滿足的控制效果。如果把PID型和優(yōu)化PID型二者加起來則占90%以上，這說明PID控制方式占絕大多數(shù)，如果把手動控制型再與上述兩種加在一起，則占97. 5%，這說明古典控制占絕大多數(shù)。遺傳算法的PID控制器的設(shè)計畢業(yè)論文目 錄摘要 IAbstract II第1章 緒論 1 課題背景 1 國內(nèi)外研究現(xiàn)狀及成果 2 當(dāng)前研究存在的問題 4 本文研究的目的和意義 5 本論文主要工作 6第2章 遺傳算法 7 遺傳算法的簡介 7 遺傳算法的歷史和發(fā)展 7 遺傳算法的應(yīng)用領(lǐng)域 9 遺傳學(xué)的概念 9 遺傳算法的基本原理及特點 10 遺傳算法的基本步驟 11 遺傳算法的應(yīng)用關(guān)鍵 13 15第3章 遺傳算法的MATLAB實現(xiàn) 16 遺傳算法工具箱總體介紹 16 遺傳算法工具箱函數(shù)應(yīng)用 17 本章小結(jié) 22第4章 PID控制器模型 24 PID參數(shù)優(yōu)化方法綜述 24 柴油機PID控制器模型 33 測速環(huán)節(jié) 33 33 執(zhí)行器 34 控制器 34 34第5章 遺傳算法的PID參數(shù)優(yōu)化設(shè)計及仿真 35 遺傳算法的PID參數(shù)優(yōu)化策略 35 PID控制器在SIMULINK中的仿真框圖 36 基于遺傳算法優(yōu)化柴油機調(diào)速系統(tǒng)PID參數(shù) 37 柴油機調(diào)速系統(tǒng)仿真實驗 39 本章小結(jié) 42結(jié)論 43參考文獻 44致謝 46附錄1 開題報告 47附錄2 文獻綜述 52附錄3 外文翻譯 56附錄4 (程序清單) 6469第1章 緒論第1章 緒論 課題背景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。調(diào)查結(jié)果表明在當(dāng)今使用的控制方式中，%，%，%，%，人工智能(AI)型占0. 6%。就連科學(xué)技術(shù)高度發(fā)達的日本，PID控制的使用率也高達84.%。它結(jié)構(gòu)簡單、適用面廣、魯棒性強、參數(shù)易于調(diào)整、在實際中容易被理解和實現(xiàn)、在長期應(yīng)用中已積累了豐富的經(jīng)驗。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。因為PID控制有其固有的優(yōu)點，使得PID控制在今后仍會大量使用，如何進一步提高PID控制算法的能力或者依據(jù)新的現(xiàn)代控制理論來設(shè)計PID控制算法是一個非常吸引人的課題。（1）PID參數(shù)自整定。在一個PID反饋控制回路中，受控對象參數(shù)的變化就會造成原來的PID參數(shù)控制性能的降低，為了克服這個問題人們提出了PID參數(shù)自整定，也就是隨著受控對象的變化PID調(diào)節(jié)器自我調(diào)整和重新設(shè)定PID參數(shù)，科研人員根據(jù)古典控制理論和現(xiàn)代控制理論提出了許多種PID參數(shù)的在線自整定的方法。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。PID參數(shù)優(yōu)化是指依據(jù)一定的控制目標(biāo)和給定的生產(chǎn)過程的模型通過理論計算得到最優(yōu)的PID參數(shù)，PID參數(shù)優(yōu)化在PID控制應(yīng)用之初人們就開始作了大量研究工作，已經(jīng)提出了許多種方法，如粒子群優(yōu)化算法，免疫算法，單純形法，差分進化算法，神經(jīng)網(wǎng)絡(luò)算法，遺傳算法等。 國內(nèi)外研究現(xiàn)狀及成果進入90年代，遺傳算法迎來了興盛發(fā)展時期，無論是理論研究還是應(yīng)用研究都成了十分熱門的課題。此外一些新的理論和方法在應(yīng)用研究中亦得到了迅速的發(fā)展，這些無疑均給遺傳算法增添了新的活力。（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。實驗結(jié)果表明，SIGH與單點交叉、均勻交叉的神經(jīng)遺傳算法相比，所測試的六個函數(shù)中有四個表現(xiàn)出更好的性能，而且總體來講，SIGH比現(xiàn)存的許多算法在求解速度方面更有競爭力。同時，文獻還將三者交叉算子與點交叉、均勻交叉做了比較，結(jié)果表明，三者交叉算子比其余兩個有更好的性能。該方法以粗粒度并行遺傳算法為基本框架，在染色體群體中識別出可能的基因塊，然后用基因塊作為新的基因單位對染色體重新編碼，產(chǎn)生長度較短的染色體，在用重新編碼的染色體群體作為下一輪以相同方式演化的初始群體。 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)。對于這個問題，研究者提出了一些方法增加基因的多樣性，從而防止過早的收斂。（3） 選擇過程很重要，但交叉和變異的重要性存在爭議。（4） 遺傳算法并不一定總是最好的優(yōu)化策略，優(yōu)化問題要具體情況具體分析。（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。例如太大的變異律會導(dǎo)致丟失最優(yōu)解，而過小的變異律會導(dǎo)致算法過早的收斂于局部最優(yōu)點。（7） 適應(yīng)度函數(shù)對于算法的速度和效果也很重要。遺傳算法已被成功地應(yīng)用于工業(yè)、經(jīng)濟答理、交通運輸、工業(yè)設(shè)計等不同領(lǐng)域，解決了許多問題。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。如果把PID型和優(yōu)化PID型二者加起來則占90%以上，這說明PID控制方式占絕大多數(shù)，如果把手動控制型再與上述兩種加在一起，則占97. 5%，這說明古典控制占絕大多數(shù)。這是由于理論分析及實際運行經(jīng)驗已經(jīng)證明了PID調(diào)節(jié)器對于相當(dāng)多的工業(yè)過程能夠起到較為滿足的控制效果。特別在工業(yè)過程中，由于控制對象的精確數(shù)學(xué)模型難以建立，系統(tǒng)的參數(shù)又經(jīng)常發(fā)生變化，運用現(xiàn)代控制理論分析綜合要耗費很大的代價進行模型辨識，但往往不能達到預(yù)期的效果，所以不論常規(guī)調(diào)節(jié)儀表還是數(shù)字智能儀表都廣泛采用這種調(diào)節(jié)方式。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。因為PID控制有其固有的優(yōu)點，使得PID控制在今后仍會大量使用，如何進一步提高PID控制算法的能力或者依據(jù)新的現(xiàn)代控制理論來設(shè)計PID控制算法是一個非常吸引人的課題。 首先，對遺傳算法進行了介紹，包括遺傳學(xué)的概念，遺傳算法的歷史和發(fā)展，遺傳算法的基本原理，遺傳算法的基本步驟和遺傳算法的應(yīng)用關(guān)鍵；其次，以柴油機調(diào)速系統(tǒng)為模型，利用遺傳算法對其PID參數(shù)進行優(yōu)化，并且利用 Matlab和Simulink工具對柴油機調(diào)速系統(tǒng)的PID參數(shù)進行優(yōu)化控制的仿真研究。第2章 遺傳算法第2章 遺傳算法 遺傳算法的簡介遺傳算法(GA)。經(jīng)過幾十年的發(fā)展，GA算法的研究日漸成熟。其基本思想是把GA待優(yōu)化的參數(shù)編碼成二進制位串形式，然后由若干個位串形成一個初始種群作為待求問題的候選解，使用選擇(select)、交叉(crossover)、變異(mutation)進行操作，不斷迭代優(yōu)化，直到找到最優(yōu)解。它對所優(yōu)化目標(biāo)的經(jīng)驗知識要求甚少，一般只需要知道其數(shù)值關(guān)系即可。 遺傳算法的歷史和發(fā)展Holland的早期工作主要集中于生物學(xué)，控制工程，人工智能等領(lǐng)域中的中一類動態(tài)系統(tǒng)的適應(yīng)性