【正文】 遺傳算法以生物進化過程中的 “適者生存，優(yōu)勝劣汰 ”的思想，作為控制規(guī)則去尋找較好 PID 參數(shù)來執(zhí) 行控制。計算速度主要由編碼方式、進化代數(shù)和運行參數(shù)決定?；谶z傳算法的 PID 控制器參數(shù)優(yōu)化，選取合適的運行參數(shù)來實現(xiàn)應(yīng)用遺傳算法調(diào)整控制器參數(shù)。但 PID 控制器的參數(shù)與系統(tǒng)所處的穩(wěn)態(tài)工況有關(guān)。但 PID 參數(shù)復(fù) 雜繁瑣的整定過程一直困擾著工程技術(shù)人員。 目前， PID 參數(shù)的優(yōu)化方法主要有間接尋優(yōu)法、爬山法和單純形法。數(shù)學(xué)中的變分法，拉格朗日乘子法和最大值原理，動態(tài)規(guī)劃等都是解析法，所以也都是間接尋優(yōu)法。 (2) 爬山法 爬山法是指經(jīng)過評價當(dāng)前的問題狀態(tài)后，限于條件，不是去縮小，而是去增加這一狀態(tài)與目標(biāo)狀態(tài)的差異，經(jīng)過迂回前進 ,最終達到解決問題的總目標(biāo)。可以說 ,爬山法是一種 “以退為進 ”的方法，往往具有 “退一步進兩步 ”的作用，后退乃是為了更有效地前進。 (3) 單純形法 3 單純形法是 求解 線性規(guī)劃 問題的通用方法。頂點所對應(yīng)的可行解稱為基本可行解。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。 雖然以上方法都可以對控制器參數(shù)進行優(yōu)化，但都存在著某些弊端，所以本設(shè)計采用了算法簡單、可進行并行處理同時能得到全局最優(yōu)解的遺傳算法作為控制器參數(shù)的優(yōu)化方法。雖然這些尋優(yōu)方法都有比較良好的尋優(yōu)特性，但總是存在著某些弊端。 運用遺傳算法對 PID 控制器參數(shù)的優(yōu)化可以提高系統(tǒng)的動態(tài)性能和穩(wěn)態(tài)性能，從而解決了 PID 控制器參數(shù)整定難的問題。 隨著遺傳算法的廣泛應(yīng)用，遺傳算法有關(guān)最優(yōu)參數(shù)的確定，約束條件最優(yōu)處理等，已經(jīng)得到了較深入的研究。通過交叉、變異兩種基因操作產(chǎn)生出新的一代更適應(yīng)環(huán)境的 “染色體 ”群。 Delphi開發(fā)平臺 課題中控制器參數(shù)優(yōu)化軟件 的開發(fā)平臺是 Delphi， Delphi是著名的 Borland(現(xiàn)在已與 Inprise合并 )公司開發(fā)的可視化軟件開發(fā)工具。 Delphi被稱為第四代編程語言，它具有簡單、高效、功能強大的特點?？梢哉f Delphi同時兼?zhèn)淞?VC功能強大和 VB簡單易學(xué)的特點。 Delphi具有以下 的特性：基于窗體和面向?qū)ο蟮姆椒ǎ咚俚木幾g器，強大的數(shù)據(jù)庫支持，與 Windows編程緊密結(jié)合，強大而成熟的組件技術(shù)。 Object Pascal語言是在 Pascal語言的基礎(chǔ)上發(fā)展起來的，簡單易學(xué)。除此之外，還允許用戶掛接其它的應(yīng)用程序開發(fā)工具，如 Borland公司的資源編輯器 (Resourse Workshop)。 Delphi發(fā)展至今，從 Delphi Delphi2到現(xiàn)在的 Delphi2021，不斷添加和改進各種特性，功能越來越強大。 Delphi 5 功能十分完善和強大，本欄目將以它為基礎(chǔ)，介紹 Delphi的開發(fā)環(huán)境、基本概念、控件的使用、常用的編程方法和編程技巧。與以前的 Delphi版本相比， Delphi ，效率也更高。 Delphi使用的 Microsoft Windows圖形用戶界面的許多先進特性和設(shè)計思想，采用了彈性可重復(fù)利用的完整的面向?qū)ο蟪绦蛘Z言 (ObjectOriented Language)、當(dāng)今世界上最快的編譯器、最為領(lǐng)先的數(shù)據(jù)庫技術(shù)。 Delphi擁有一個可視化的集成開發(fā)環(huán)境 (IDE)，采用面向?qū)ο蟮木幊陶Z言O(shè)bjectPascal和基于部件的開發(fā)結(jié)構(gòu)框架。開發(fā)人員也可以根據(jù)自己的需要修改部件或用 Delphi本身編寫自己的部件。它模擬達爾文的自然進化論和孟代爾的遺傳變異理論，具有堅實的生物學(xué)基礎(chǔ)；它提供從智能生成過程觀點對生物智能的模擬，具有鮮明的認(rèn)知學(xué)意義；它適合與無表達或有表達的任何函數(shù)，具有可實現(xiàn)的并行計算行為；它能解決任何類實際問題，具有廣泛的應(yīng)用價值。 (2) 遺傳算法只需利用目標(biāo)的取值信息，而無需梯度等高價值信息， 因而適用于任何大規(guī)模、高度非線性的不連續(xù)多峰值函數(shù)的優(yōu)化以及無解析表達式的目標(biāo)函數(shù)的優(yōu)化，具有很強的通用性。 (4) 遺傳算法操作的可行解集是經(jīng)過編碼化的 (通常采用二進制編碼 )，目標(biāo)函數(shù)解釋為編碼化個體 (可行解 )的適應(yīng)度，因而具有良好的可操作性和簡單性。對于一些非線性、多模型、多目標(biāo)的函數(shù)優(yōu)化問題，用其它優(yōu)化方法較難求解，而遺傳算法可以方便的得到較好的結(jié)果。對這類復(fù)雜的問題，人們已經(jīng)意識到應(yīng)把主要精力放在尋求滿意解上，而遺傳算法是尋求這種滿意解的最佳工具之一。例如遺傳算法已經(jīng)在求解旅行商問題、 背包問題、裝箱問題、圖形劃分問題等方面得到成功的應(yīng)用。 (3) 生產(chǎn)調(diào)度問題 生產(chǎn)調(diào)度問題在許多情況下所建立起來的數(shù)學(xué) 模型難以精確求解，即是經(jīng)過一些簡化后可以進行求解，也會因簡化太多而使得求解結(jié)果與實際相差太遠。遺傳算法已成為解決復(fù)雜問題的有效工具，在單位生產(chǎn)調(diào)度、流水線生產(chǎn)車間調(diào)度、生產(chǎn)規(guī)劃、任務(wù)分配等方面遺傳算法都得到了有效的應(yīng)用。例如用遺傳算法進行航空系統(tǒng)的優(yōu)化、給予遺傳算法的模糊控制器優(yōu)化、給予遺傳算法的參數(shù)辨識、利用遺傳算法進行人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)化設(shè)計和 權(quán)值學(xué)習(xí)，都顯示了遺傳算法在這些領(lǐng)域中應(yīng)用的可能性。例如遺傳算法已經(jīng)在移動機器人路徑規(guī)劃、關(guān)節(jié)機器人運動軌跡規(guī)劃、機器人逆運動學(xué)求解、細胞機器人的結(jié)構(gòu)優(yōu)化和行動協(xié)調(diào)等方面得到研究和應(yīng)用。在圖像處理過程 8 中，如掃描、特征提取、圖像分割等不可避免的會產(chǎn)生一些誤差，這 些誤差會影響到圖像處理和識別的效果。遺傳算法在圖像處理中的優(yōu)化計算方面是完全勝任的。 (7) 人工生命 人工生命使用計算機等人工媒體模擬或構(gòu)造出具有自然生物系統(tǒng)特有行為的人造系統(tǒng)。人工生命與遺傳算法有著密切的關(guān)系，基于遺傳算法的進化模型是研究人工生面現(xiàn)象的重要理論基礎(chǔ)?？梢灶A(yù)見，遺傳算法在人工生命及復(fù)雜及復(fù)雜姿勢因系統(tǒng)的模擬與設(shè)計、復(fù)雜系統(tǒng)圖線性理論研究中，得到更為深入的發(fā)展。雖然遺傳程序設(shè)計的理論尚未成熟應(yīng)有一些限制，但它已經(jīng)有一些成功的應(yīng)用?；谶z傳算法的機器學(xué)習(xí)，特別是分類器系統(tǒng)，在許多領(lǐng)域的到了應(yīng)用?；谶z傳算法的機器學(xué)習(xí)可用于調(diào)整人工神經(jīng)網(wǎng)絡(luò)的連接權(quán)也用于神經(jīng)網(wǎng)絡(luò)的優(yōu)化設(shè)計。 遺傳算法的適應(yīng)性 標(biāo)準(zhǔn)遺傳算法的應(yīng)用采用的都是固定參數(shù)，由于遺傳算法從本質(zhì)上說是一種動態(tài)自適應(yīng)的進化過程，因此固定的參數(shù)設(shè)置則是對遺傳算法性能的一種局限和束縛。其次，在算法搜索后期由于種群內(nèi)個體接近，多樣度低，使算法收斂速度降低而影響了優(yōu)化效率，同時可能導(dǎo)致算法收斂于局部最優(yōu)解。因此，用一類固定的操作及其參數(shù)來控制搜索過程顯然是不妥的。 下面分別對三種經(jīng)典操作算子的自適應(yīng)方法做簡要描述 。在選擇中，優(yōu)勢個體以較大的概率被復(fù)制到下一代，而劣勢個體則要面對一定的 “選擇壓力 ”。但由于在遺傳算法執(zhí)行的不同階段，個體間差異也不同，若用相同的選擇策略可能會導(dǎo)致問題的出現(xiàn)： ① 當(dāng)個體差異較大時，高選擇壓力可能在淘汰掉劣勢個體的同時也遺失了存在于劣勢個體中的部分優(yōu)良基因。因此 ，應(yīng)采用一種隨算法的執(zhí)行、種群和個體地變化而動態(tài)變化的自適應(yīng)選擇策略。通常用罰函數(shù)來實現(xiàn)適值評價策略。 各種自適應(yīng)選擇策略基于不同的角度選取不同的方法，所以也適用于不同的問題特征，選擇該算子時主要應(yīng)考慮到計算復(fù)雜性限制、解精度要求等問題間的權(quán)衡。 (2) 交叉算子 交叉在遺傳算法中主要起到全局搜索的作用。 SGA中的單點雜交算子過于簡單，首先它的交叉位只有一個，交叉面積不夠大，限制了其產(chǎn)生新基因的作用。對于種群中個體的分布變化的觀察可以發(fā)現(xiàn)，在進化初期個體間差異大，種群多樣度高，因此有利于搜索和進化，所以這時交叉位數(shù)要少，交叉概率要低以限制交叉的影響。另一方面，從個體的角度看，所有個體在交叉上應(yīng)具有相同的概率，從而使 GA在搜索空間具有各個方向的均勻性。這個模糊規(guī)則是基于對個體性狀改變的實時觀察得出的。 另外，也可使用穩(wěn)態(tài)自適應(yīng)調(diào)整，較簡單的一組模型是根據(jù)當(dāng)前進化代數(shù)和最大進化代數(shù)之間的函數(shù)關(guān)系來確定變異概率，這種交叉概率的調(diào)整是基于對 GA算法的宏觀靜態(tài)預(yù)測得到的。 (3) 變異算子 在 SGA中的變異算子是在一個確定值的概率下對某個隨機產(chǎn)生基因位進行單點取反變異。 在種群進化過程的不同階段，其個體差異是不同的。由于其本身已經(jīng)處于最優(yōu)解的某個領(lǐng)域內(nèi)，因此對其進行的變異不能使其適值改變過大而產(chǎn)生振蕩。因此，對優(yōu)勢個體采用較小概率的變異而對劣勢個體采用較大概率的變異是很直觀的。以二進制編碼為例，若優(yōu)化函數(shù)為 ?x [0， 31]，編碼對 (11111， 11110)和 (11111， 01111)的 Hamming距離均為 1，但個體適值差卻相差很大。顯然，大權(quán)值基因位對于個體的適值影響更大。而對劣勢個體則相反，除采用大概率變異外，對權(quán)值越大的基因位，相應(yīng)的變異概率也越大。而基因位上的變異概率調(diào)整由于要以已知的各基因位權(quán)值為前提， 而計算每一個個體上的每一位基因上的權(quán)值比較復(fù)雜，而且費時，可以用下述策略代替：將確定要變異的個體與當(dāng)代最優(yōu)個體進行逐位比較，相同則賦以較小的變異概率，不同則賦以稍大的概率。由于在進化后期，種群內(nèi)個體的多樣性大幅度減小，適應(yīng)值接近，因此選擇操作的選擇壓可能不夠，致使算法接近隨機搜索狀態(tài)。但當(dāng)種群內(nèi)個體聚集于解空間 中的某一鄰域附近時，個體差異下降，適應(yīng)值接近，此時選擇壓不夠，當(dāng)然，同時交叉概率和變異概率的過大一起造成了算法的解在某一鄰域內(nèi)振蕩。 而自適應(yīng)遺傳算法由于改進了各遺傳算子，使得算法能夠適應(yīng)于種群進化各個階段的特征，也使得算法的優(yōu)化效率得到提高，所以解的質(zhì)量也得到了穩(wěn)定。 遺傳算法的操作 遺傳算法的工作流程 設(shè) 置 參 數(shù)編 碼 和 種 群 的 生 成交 叉變 異種 群 適 應(yīng) 度 估 計選 擇 圖 21 遺傳算法過程流程圖 遺傳算法為什么能夠進行有導(dǎo)向性的搜索？僅僅利用適應(yīng)值進行的搜索中，算法是利用了什么信息來引導(dǎo)和改善它的搜索呢？為了解釋這些問題，發(fā)現(xiàn)遺傳 12 算法的啟發(fā)式工作原理，現(xiàn)在對遺傳算法的工作機理進行研究和討論。 遺傳算法的基本步驟 我們已經(jīng)知道遺傳算法的一般構(gòu)造步驟為： (1) 確定決策變量及其各種約束條件，即確定出個體的表現(xiàn)型 x 和問題的解空間； (2) 建立優(yōu)化模型，即 確定出目標(biāo)函數(shù)的類型（求目標(biāo)函數(shù)最大值還是最小值）及其數(shù)學(xué)描述形式或量化方法； (3) 確定表示可行解的染色體編碼方法，即確定出個體的基因型 x 及遺傳算法的搜索空間； (4) 確定解碼方法，及確定出由個體基因型 x 到個體表現(xiàn)型 x 的對應(yīng)關(guān)系或轉(zhuǎn)換方法； (5) 確定個體適應(yīng)度的量化評價方法，即確定出由目標(biāo)函數(shù)值 f(x)到個體適應(yīng)度 F(x)的轉(zhuǎn)換規(guī)則； (6) 設(shè)計遺傳算子，即確定出選擇運算、交叉運算、變異運算等遺傳算子的具體操作方法； (7) 確定遺傳算法的有關(guān)運行參數(shù)，即 M， T， Pc， Pm等參數(shù)。 20 3. 基于遺傳算法的 PID控制器參數(shù)優(yōu)化 PID控制器參數(shù)優(yōu)化 PID控制的原理和特點 隨著工業(yè)化的日益興起，控制理論的發(fā)展也經(jīng)歷了古典控制理論、現(xiàn)代控制理論和智能控制理論三個階段。自動控制系統(tǒng)可分為開環(huán)控制系統(tǒng)和閉環(huán)控制系統(tǒng)?？刂破鞯妮敵鼋?jīng)過輸出接口﹑執(zhí)行機構(gòu)，加到被控系統(tǒng)上；控制系統(tǒng)的被控量，經(jīng)過傳感器，變送器，通過 輸入接口送到控制器。比如壓力控制系統(tǒng)要采用壓力傳感器。目前， PID 控制及其控制器或智能 PID 控制器 (儀表 )已經(jīng)很多，產(chǎn)品已在工程實際中得到了廣泛的應(yīng)用，有各種各樣的 PID控制器產(chǎn)品，各大公司均開發(fā)了具有 PID參數(shù)自整定功能的智能調(diào)節(jié)器 (Iintelligent Regulator)，其中 PID 控制器參數(shù)的自動調(diào)整是通過智能化調(diào)整或自校正、自適應(yīng)算法來實現(xiàn)。可編程控制器 (PLC)是利用其閉環(huán)控制模塊來實現(xiàn) PID控制，而可編程控制器 (PLC)可以直接與 ControlNet 相連，如 Rockwell 的 PLC5等。 (1) 開環(huán)控制系統(tǒng) 開環(huán)控制系統(tǒng) (Openloop Control System)是指被控對象的輸出 (被控制量 )對控制器 (Controller)的輸出沒有影響。 (2) 閉環(huán)控制系統(tǒng) 閉環(huán)控制系統(tǒng) (Closedloop Control System)的特點是系統(tǒng)被控對象的輸出 (被控制量 )會反送回來影響控制器的輸出，形成一個或多個閉環(huán)。閉環(huán)控制系統(tǒng)的例子很多。如果沒有眼睛，就沒有了反饋回路，也就成了一個開環(huán)控制系統(tǒng)。 (3) 階躍響應(yīng) 階躍響應(yīng)是指將一個階躍輸入 (Step Function)加到系統(tǒng)上時，系統(tǒng)的輸出。控制系統(tǒng)的性能可以用穩(wěn)、準(zhǔn)、快三個字來描述。 (4) PID 控制的原理和特點 在工程實際中，應(yīng)用最為廣泛的調(diào)節(jié)器控制規(guī)律為比例、積分、微分控制，簡稱 PID 控制，又稱 PID 調(diào)節(jié)。當(dāng)被控對象的結(jié)構(gòu)和參數(shù)不能完全掌握，或得不到精確的數(shù)學(xué)模型時，控制理論的其它技術(shù)難以采用時，系統(tǒng)控制器的結(jié)構(gòu)和參數(shù)必須依靠經(jīng)驗和現(xiàn)場調(diào)試來確定，這時應(yīng)用 PID控制技術(shù)最為方便。 PID控制，實際中也有 PI和 PD控制。如圖 31 所示的是 PID 控制的結(jié)構(gòu)框圖。其控制器的輸出與輸入誤差信號成比例關(guān)系。 (2) 積分 (I)控制 在積分控制中，控制器 的輸出與輸入誤差信號的積分成正比關(guān)系。為了消除穩(wěn)態(tài)誤差，在控制器中必須引入 “積分項 ”。這樣，即便誤