遗传算法在自动控制领域的应用.docVIP

遗传算法在自动控制领域的应用 信息与控制学院 10自动化2班 宋晓莉 20101336048 一、引言 随着现代控制理论和计算机技术的持续快速发展，控制工程师面临着越来越严峻的挑战：选择适合的控制器结构然后优化其参数以满足特定实际应用的性能要求。实际上，控制系统的建模和设计都是在具有噪声情况下的多模空间中的多维优化任务。由于在实际应用当中，传统的解析和数值方法需要的目标函数的优良特性已经不再存在，因而传统优化方法都不能轻易或准确地进行这一多维多模优化任务。 同传统的基于微积分的方法和穷举法等算法相比，遗传算法(GA)是一种成熟的具有极高鲁棒性和广泛适用性的全局优化方法。由于GA具有不受问题性质(如连续性，可微性)的限制，能够处理传统优化算法难以解决的复杂问题等优点，显示了它在解决控制系统优化方面的巨大潜力，因而引起了控制领域的极大关注。近年来在自动控制领域，遗传算法在PID控制、线性和非线性、最优、鲁棒、自适应、滑模、模糊逻辑、神经网络、参数估计和系统辨识、模型线性化和控制器降阶机器人手臂控制和轨迹规划等方面得到了广泛的应用。 二、遗传算法及其改进 遗传算法是基于自然选择和基因遗传学原理的随机搜索算法。图1给出了GA的一般框架。 它将适者生存这一基本的进化理论引入串结构，使用复制、交叉和变异等基因操作，在串之同进行有组织但又随机的信息交换。伴随着算法的运行，优良的品质被逐渐不断地继承下来，坏的特性被逐渐淘汰．新一代个体中既包含着上一代个体的大量信息，又不断地在总体特性上胜过旧一代，从而使整个群体向前进化发展。对于GA所优化的问题，也就是不断地接近于最优解。 过去的十几年中，人们对如何改进GA的性能进行了大量的研究．除了比例选择策略外，又研究了基于排序的选择、精英选择、稳态选择和竞争选择等新的复制机制提出了两点、多点和一致变异作为传统一点变异的改进和补充；应用格霄码和动态编码克服定点十进制整 数编码所就带来的问题；提出自适应技术动态改变GA控制参数克服采取传统的静态控制参数策略引起的多样性和收敛性不均衡问题；研究用梯度方法、单纯型法或模拟遇火方法精细调整的混台GA，以提高算法的收敛速度；提出用均匀分布的初始群体代替随机产生的初始种群，以及交叉位置非等概率选取和具有大变异操作的GA；研究了分布式GA、迁徙GA和并GA。 三、GA在控制领域中的应用 遗传算法在自动控制领域中的应用可以粗略的概括为两类，即离线设计分析和在线自适应调节。其离线应用又可以分为直接设计法和间接设计法．在直接设计法中，GA可被用来作为搜索和优化引擎，例如对一个已知的被控对象选择一个适台的控制结构或优化一个特定控制器的参数设置以满足性能指标的要求．在间接设计法中，用传统的综台设计方法如极点和特征结构配置、H*鲁棒控制系统设计、定量反馈理论或综合等进行控制系统的设计，而GA为其提供优化参数如加权函数矩阵、GA的在线应用也可以分为两种情况，一种是GA被用来作为一种学习机制辨识未知或时变系统的特征参数，用于自适应控制器的调整；另一种是用GA直接优化控制器的参数，此时也可以用传统的辨识方法估计系统的状态，构成由GA作为自适应优化机制的自适应控制器。 3．1 系统辨识和模型降阶 系统辨识是控制系统设计的基础 有许多有效的方法．但是这些技术的绝大部分所处理的都是参数的线性模型，并且基于搜索空间是连续和可微的假设．目前的在线辨识方法都是离线方法(如最小二乘法、极大似自然等方法)的递归实现．这些递推方法本质上都是使用梯度技术的局部搜索方法。在搜索空间不可微或参数非线性时，这些方法都不容易找到全局最优解。另外传统的辨识方法一般是先确定模型结构，再确定模型的参数．而系统结构的确定往往需要许多先验知识，当结构不理想时，需要重新确定结构，再进行参数辨识 这使得辨识要经历从确定结构到确定参数的多次反复。遗传算法不需要假设搜索空间是可微或莲续的．在每一代，它同时搜索参数空间的不同区域，并将搜索方向指向具有较高概率找到更优解的区域。它同时处理搜索空间中的多个点，增加了收敛到全局最优解的可能性。GA为非线性系统的辨识提供了一种简单有效的方法． 3．2最优控制 许多控制问题都可以归结为求解对应不同系统状态的一组最优控制作用。传统的寻优方法通常都是沿着指标函数的梯度方向搜索，普遍存在着对输人初值敏感，迭代收敛速度慢，容易陷入局部极小等缺点。遗传算法在最优控制方面也得到了广泛的应用，KrishnakumarDa]将用GA设计的两个反馈控制系统与传统设计方法的结果进行了比较，说明GA的结果是好的。Michalewicz 应用改进的浮点数编码GA对离散时同最优控制问题进行了研究。线性二次型问题、收获问 题、手推车问题的成功例子说明了GA在最优控制问题的应用