计算智能在控制、优化与决策中的应用的研究.pdf

一一 ． 蛊塞塑塞 摘要 经过半个多徽纪的发展，最後佬理论和相关的优纯弊法已逐渐成熟。 Research)和数学规划工具(Mathematical 这般在运筹学(Operational ProglaRq— ruing)基礁上形藏瓣最往傀算法，葵有理论宠备、簿法效率囊、稳定缝好等优 点，因而在许多需露进行优化计算的场合被广泛的使用。但是，这臻算法本质 上帮菱予撵发嚣算，袁些甚蓬踺基檬嚣数鸯连续二狳霹导戆器求，势虽…觳不 能禽有离散的变量(除混台艇数规划外)，严重的限制了应用范围。而且，基 于横度鑫孽冀法对视娥点舱逸取位置黟重姣藏，不能保程收敛裂全鼹簸忧撰或凑 近似的全局最优解。髓着社会的进步，技术的创新，当需要求解的问题比较复 杂时，特别是当需瑟进行不确定系统研究面镫来魄多层优化命题产生时，这些 算法在求解上就遇刘了困难。这对，人们往往就需襄求助于计算智能。 本论文的研究目标是探索计算翎能在优化领域的应用，不仅研究传统的堆 层饶亿命题，而且掰究以minimax德亿为代寝鲸多麓往往命邋；不彼考虑算法 的有效性，而且兼顾算法的稳定性。针对一般的带有等式约束和不等式约束的 j#线佳撬纭l、蠢嚣，瓣遗了耱经动力学求解模麓，黯多模豹饕线往挽豫润莲改遘 了粒子群算法以获得更好近似全局墩优解。随后，阎时利用神经网络和进化计 算，对minimax双屡佐耽愈繇遴簿募法设诗，褥到了鼹耱不鼹特点鹣爨法。在缝 够求解-minimax问题的基础上，探索了相关的应用联域。比如，在不确定系统 中，透过minimax算法进行麟悔度计冀，势憨区间数优化阀题转化为等价的多匿 标优化问题戳求解。另一个应用实例是鲁棒PID的设计，通过minimax计算熬定 控镱4器参数，使最怨劣工况下系统性仍然能够保持谯一个令人满意的水平上。 本文的主要研究工作与露献如下： 1．对诗冀智能在优往方嚣鳃瘦弱熬魇史彝现状避经了详尽懿分辑秘综述，磐 提出将优化计算拓展到不确定系统中的思想。特别详述了参数不确定系统 的一个重要分支，即髑区间数描述豹参数不确定系统的优化命嫩的研究现 状。 2．毒孛经鼹终动力学原理翔予鳃羧肇基标致凭证鑫鬏。带存笛式约寐窝不等式 约束的一般非线性优化问题，怒单层伉化的难点。使用增广Lagrange乘予 法求解时，虽然可以避免罚参数无眼增大的棼病，但网时也提出了一个 难{三l袋解的予命题。本文中运用Lyapunovi函数和Lassalle不变憾原理，采 一l一 中文摘要 用微分动力学系统为增广Lagrange乘子法的子命题设计了一个神经网络模 型，从而使得目标函数和约束条件一阶可微的一般非线性优化问题能够顺 利求解。 3．单层优化的一个难题是全局最优解或者近似全局最优解的获得。进化算法 能够很好的避免陷入局部最优解从而备受青睐，粒子群算法就是近年来新 发展起来的一种仿生算法。但是进化算法中的一些参数设置通常是通过比 较实验获得的，缺乏理论上的依据。本文分析了粒子群中独立粒子的运动 轨迹，以及摧个粒子群系统的稳定性，在此基础之上提出新的参数设置方 法。新方法不仅符合理论上的解释，而且通过标准测试函数库的检验表明 新算法是有效的。文中涉及的稳定性研究在粒子群算法研究中是不多见 的。 4．不确定系统的建模求解，离不刃：minimax问题的最终解决。本文 为minimax优化这个几乎是崭新的优化命题设计了多种求解算法：首 先是神经网络算法。神经网络的计算速度快，利于电路实现，同时算法的 稳定性也得到了证明。其次是基于进化计算的算法。该算法综合了遗传算 法和单纯形法的优点，主要应用于求解目标函数不可微的minimax全局优 化。 5．对不确定系统中的一类问题，即用区间数作为参数进行建模求解的区间数 规划问题，本文受顾基发研究员的“物理一事理一人理(WSR)，，[26]的 系统科学思想的启发，创造性的提出了一个结合目标函数期望，不确定度 和后悔度的三目标鲁捧优化命题，本优化命题可作为原不确定系统优化命 题的替代命题。此外对含区间数参数的不等式约束的