第一节遗传算法概述.ppt

10.1 遗传算法的基本原理 以下是在遗传算法发展进程中一些关键人物所做出的主要贡献： （1）J.H.Holland 20世纪70年代初，Holland教授提出了遗传算法的基本定理—模式定理，从而奠定了遗传算法的理论基础。模式定理揭示了群体中优良个体（较好的模式）的样本数将以指数级规律增长，从理论上保证了遗传算法用于寻求最优可行解的优化过程。1975年，Holland出版了第一本系统论述遗传算法和人工自适应系统的专著《自然系统和人工系统的自适应性》。20世纪80年代，Holland教授实现了第一个基于遗传算法的机器学习系统—分类器系统，开创了基于遗传算法的机器学习的新概念。 （2）J.D.Bagley 1967年，Holland的学生Bagley在其博士论文中首次提出了“遗传算法”一词，并发表了遗传算法应用方面的第一篇论文。他发展了复制、交叉、变异、显性、倒位等遗传算子，在个体编码上使用了双倍体的编码方法。在遗传算法的不同阶段采用了不同的概率，从而创立了自适应遗传算法的概念。 （3）K.A.De Jong 1975年，De Jong博士在其博士论文中结合模式定理进行了大量纯数值函数优化计算实验，树立了遗传算法的工作框架。他推荐了在大多数优化问题中都较适用的遗传算法的参数，建立了著名的De Jong五函数测试平台，定义了评价遗传算法性能的在线指标和离线指标。 （4）D.J.Goldberg 1989年，Goldberg出版了专著《搜索、优化和机器学习中的遗传算法》，该书全面地论述了遗传算法的基本原理及其应用，奠定了现代遗传算法的科学基础。 （5）L.Davis 1991年，Davis编辑出版了《遗传算法手册》一书，为推广和普及遗传算法的应用起到了重要的指导作用。 （6）J.R.Koza 1992年，Koza将遗传算法应用于计算机程序的优化设计及自动生成，提出了遗传编程的概念，并成功地将遗传编程的方法应用于人工智能、机器学习和符号处理等方面。 （7）人工生命 人工生命是用计算机、机械等人工媒体模拟或构造出的具有生物系统特有行为的人造系统。人工生命与遗传算法有着密切的联系，基于遗传算法的进化模型是研究人工生命现象的重要基础理论。遗传算法为人工生命的研究提供了一个有效的工具。 （8）遗传编程 遗传算法已成功地应用于人工智能、机器学习等领域的编程。 （9）机器学习 基于遗传算法的机器学习在很多领域都得到了应用。例如，采用遗传算法实现模糊控制规则的优化，可以改进模糊系统的性能；遗传算法可用于神经网络连接权的调整和结构的优化；采用遗传算法设计的分类器系统可用于学习式多机器人路径规划。 10.7 基于遗传算法的伺服系统静态摩擦参数辨识 摩擦分为静摩擦和动摩擦，它们之间的区别就是看两个物体之间的接触面有没有相对位移，分为三种情况：如果没有相对位移，也没有位移的趋势，则是没有摩擦力；如果没有相对位移，但是有位移的趋势，则为静摩擦力；如果有相对位移，则为动摩擦。 摩擦现象是一种复杂的、非线性的、具有不确定性的自然现象。在高精度、超低速伺服系统中，由于非线性摩擦环节的存在，使系统的动态及静态性能受到很大程度的影响，主要表现为低速时出现爬行现象，稳态时有较大的静差或出现极限环振荡。克服这一问题的有效方法是进行摩擦辨识，从而进行有效的补偿。 10.7.1 伺服系统的静态摩擦模型 基于SISO的伺服系统可描述为 （10.7） 其中 为转动惯量， 为转角， 为控制输入力矩，F为摩擦力矩。 许多伺服系统在低速情况下存在静摩擦现象。静摩擦力矩与转速之间的稳态对应关系为： （10.8） 其中 、 、 、 为静态摩擦参数， 为库仑摩擦， 为静摩擦， 为粘性摩擦系数， 为切换速度。 伺服系统在正反转动速度方向运行时，其静态摩擦力矩的静态参数通常为不同的值。当 时，静态参数的值为 、 、