一种实现模糊规则优化的自适应调整遗传算法ATGA.pdfVIP

孙红金吴驮锋 E海大学计算机学院上海．加田72 ■要：本文给出了—十洋擒睁唪|舯觥的性目射}际，租I匕基础E提出了—种I瞎现见和^自适应舶苣的遗传算法衄m．(^d叫陀 1啊雌Ga·由c^I羽劬m)．并通过函数优化随睡的求解说明了JⅡ泓的良好特性。文章匿R啸^田3A和作者提出的—些抽特的进 化j臼备，对基于摸静唯剜唰删身蜊过穗|立摆系统掰亍了摸嬲规划的优化。仿真结果表明，本文提出的加默和进出釉軎既保 证了迸髓锺藿中群体的多榉性，又大失目喃了系统的收敛速度，具有进—步虚呻均剡日啪景。 J J 0 关悯：蕾地算洼．毒避蛊雌，囊魄艟删位化，增强型 wh slln蜘inGc咖 sd瑚10fco叫蛐可h班娜jng锄dsd∞∞轴髓毋正Lh曲∞时岛岫g埘20吣72．腿c BM向：I凸础@蜗由l曲l皿 _岫IⅪd血坷Ⅻr吐∞madL K曙_吣G∞咄aI群d血呱ad蛳m曲晦{Ilzzy￡lib呷thni翻妇，把Ⅻh疆哪t 1．引言 近年来，模糊控制规刚的优化越来越来引起^们的注意。从开始的语义规则的自组织【1】到利用神经网络 实现模期规则优化圆圈都取得了令人满意的结果。而利用后—种方法设计的控制器不仅具有神经网络的学习 和记忆功能，又具有模㈣『器易于描述结构化知识、推理清晰的特点【3】，越来越得到^们的青睐。 遗传算法因其相映不同非线性问题的鲁辅}性、全局最傀性、不依赖于问题蟮《型的特征(不要求问题连续 性以及可导性)、可并行性和高效率等优点，正不断被应用于模糊神经网络的学习中【4】。但许多研究显示遗传 算法白：应用于复杂优化问题及多峰值函数t蝴题时，往往由于日舶好的个体在氆H挝程中得撇大的复铜概 率而很鳍翔擀中相似的染色崩相睐越多，最终稿^局部极值点。因JH伪了保证理昨凇的全局收敛性，歙必须 维持群体的多样性，避免有效基因的丢失；另—方面，为了加快收敛速度，必须使群体较快地向最优解转移， 这又会在—定程度E减少群体的多样性，从而陷^局部极值点。为了解决t述矛盾，本文提出了一种自适应调 不阿付啪交叉概事岛和!燕j牵杯擎‰静怍自适盛}-瞄．从而尢燃了j断始嘲啪搜索极力以及I喇媳度。 新惘遗传算法进行神经网络结内进化时，染色体编码通常采用直接§鹇方寨四，但这种蜀l码用于模糊 神经网络时，崔盔会产生—寸’前提可目晡多僦的矛j莺规则，为此车I文提出了—种间接绷g；方案，较好她解 决了b捌岛匮。此外，作者纠．列基于增强型学习的模期控制嚣丧翟悟聊呻鼬蝴勘崩睁对犬的映点．设计了—种有 效的适应度评估方法，即在进行千体评估过程中动杰调整系统失腴的条件，及时中Ib性昭襁耐较差的千体评估， 从而大大减步了群体钾椎耐间。 本文内容组织如下：第二部分具体介绍了J船^算法及萁牲瞻；第兰邮介绍了皿吼在模糊规则进化中 的应用；最后给出了仿真试验结果及结论。 理论E已证明只用复制、交叉和变异操作的简单遗传算法(so～)是不lIi瞰的嘲，在Sc认基础皓}有最 优保留的遗传算法(1虹A)才船啦噶￡到最傀解。嗣咕椿留通，}呵表述为：角魄解以概率1保留蓟下—代。即进 化过程中的最优个体始终参与当前群体进化，从而保匹了群体进化过程中的最优解序列保持单调递增，最终达 到全局最优点。 安更概率儿和变异概率％的选取对算法的性能有重大影响：交叉期薄；太小不利于基因重组，太大叉容易 破璐眭拍较诧的个体；变异概率太小，有效基因缺失同题不易解决，太大又易导致已有的有效基西丢失，当变 异概率达列晒时，搜索匣成为脏F蠼索。E(执中儿和‰的值蹴的，为了保证算法的稳定％—般邛嬗很 小，因此利用B[认实现复杂搜索时，经常出现不成熟收敛现象即陷^局音暇值点。为了使群体眺出局部极值 点，—种解央办法就是在达到局部极值点时采用灾变算法明，即在保持一定优秀个体的同时将靠突然变化到 n品但这种算法必然导致群体恢复为随机分布，寻优过程不断反复，从而增加寻优时间。本文提出的皿毯 赠在进行最倪保留的同时，利甩个体特性以及群体特性(引^群体分布特性m，见下文)对染色俸个体的交叉 撬率佴和变异概率^进行自适应调整，使得群皋酗曾佰斟啪中始终保持多日啦，具体公式如下： r， 一，’