进化控制介绍分析报告.ppt

GA在函数优化中的应用 下面简单讨论函数优化的GA 算例. 算例 用CGA求解如下函数优化问题 在该算例中,为简单便于说明起见,选择: 个体编码长度为5位二进制 群体个数为4 适应度函数直接为函数值 交叉概率1.0,变异概率0.75(通常变异概率应非常小) GA计算结果为 * GA在函数优化中的应用 初始群体与第一次选择 编号 群体 变量 函数值x2 选择百分比 期望复制数目 实际复制数目 1 2 3 4 01101 11000 01000 10011 13 24 8 19 169 576 64 361 0.1444 0.4923 0.0547 0.3085 0.5778 1.9692 0.2188 1.2342 1 2 0 1 和 平均值 最大值 1170 292.5 576 1 0.25000.4923 4 1 1.9692 4 1 2 * GA在函数优化中的应用 第一次交叉 编号 交配池 交配对 交配位置 新的群体 变量 函数值x2 1 2 3 4 0110 | 1 11 | 000 1100 | 0 10 | 011 {1,3} {2,4} 4 2 01100 11001 11011 10000 12 25 27 16 144 625 729 256 和 平均值 最大值 (随机产生) (随机产生) 1754 439 729 * GA在函数优化中的应用 第一次变异 编号 交配池 变异位置 新的群体 变量 函数值x2 1 2 3 4 0110 | 0 110 | 01 11011 1 | 0000 4 3 无 1 01110 11101 11011 00000 14 29 27 0 196 841 729 0 和 平均值 最大值 (随机产生) 1766 441.5 841 * GA在函数优化中的应用 第二次选择 编号 群体 变量 函数值x2 选择百分比 期望复制数目 实际复制数目 1 2 3 4 01110 11101 11011 00000 14 29 27 0 196 841 729 0 0.1110 0.4762 0.4128 0 0.4439 1.9048 1.6512 0 0 2 2 0 和 平均值 最大值 1766 441.5 841 1 0.25000.4762 4 1 1.9048 4 1 2 * GA在函数优化中的应用 第二次交叉 编号 交配池 交配对 交配位置 新的群体 变量 函数值x2 1 2 3 4 111 | 01 1 | 1101 110 | 11 1 | 1011 {1,3} {2,4} 3 1 11111 11101 11001 11011 31 29 25 27 961 841 625 729 和 平均值 最大值 (随机产生) (随机产生) 3156 789 961 * 进化控制原理与系统结构 进化控制及基本思想 进化机制与反馈控制机制的结合 进化控制系统的基本结构 参考 模型 控制器 受控 对象 GA算法 进化控制器 + - 系统 系统状态 系统 模型 控制器 控制输入 + - + - (a) (b) 5.5 进化控制简介 * 进化控制系统的结构和形式化描述 Ta 转换 人机接口 适应度函数 问题解空间表示 进化操作 广义被控对象 进化控制器 性能评价 U YU 进化控制基本原理 5.5 进化控制简介 * 遗传算法用于神经网络的权值优化：在神经网络用于系统建模和控制时，它要利用神经网络的函数估计及分类功能。设计神经网络的关键是如何确定神经网络的结构和连接权系数。它实质上也是一个优化问题，其优化的目标是使得所设计的神经网络功能具有尽可能好的函数估计及分类功能。遗传算法可以用于神经网络的设计。 5.6 进化控制应用举例 * 将神经网络中所有神经元的连接权值编码成二进制码串或实数码串表示的个体，随机生成这些码串的初始群体，即可进行常规的遗传算法优化计算。 每进行一代计算后，将码串解码为权值构成新的神经网络，通过对所有训练样本进行计算得到神经网络输出的均方误差从而确定每个个体的适应度。经过若干代计算，神经网络将进化到误差全局最小。 5.6 进化控制应用举例 * 例4.1 倒立摆的遗传神经网络控制。设被控对象为图示的单倒立摆系统 其动力学方程为 5.6 进化控制应用举例 * 5.6 进化控制应用举例 控制系统采用下图所示结构，其中NNC为神经网络控制器，该控制器的输入为θ、 、x、 ，输出为控制量u。控制器采用3层前馈神经网络实现，为了避免陷入局部极小，采用遗传算法确定网络的权值。 * 1）神经网络控制器的结构设计 神经网络输入层有4个节点，分别对应于4个输入分量θ、 、x、 ；输出层设1个节点，对应于控制量u；隐层设