智能控制解析.ppt

South China University of Technology 智 能 控 制 课时安排(32学时,每周4学时) 内容提要 第10章 遗传算法及其应用 10.1 遗传算法的基本原理 10.2 遗传算法的特点 10.3 遗传算法的发展及应用 10.4 遗传算法的优化设计 10.5 遗传算法求函数极大值 10.6 基于GA优化的RBF网络逼近 10.7 基于遗传算法的静摩擦参数辨识 10.8 基于遗传算法的TSP问题优化 10.1 遗传算法的基本原理 10.2 遗传算法的特点 10.3 遗传算法的发展及应用 10.3 遗传算法的发展及应用 10.4 遗传算法的优化设计 10.4 遗传算法的优化设计 10.5 遗传算法求函数极大值 10.5 遗传算法求函数极大值 10.5 遗传算法求函数极大值 10.5 遗传算法求函数极大值 10.6 基于遗传算法优化的RBF网络逼近 10.6 基于遗传算法优化的RBF网络逼近 10.7 基于遗传算法的静摩擦参数辨识 10.7 基于遗传算法的静摩擦参数辨识 10.7 基于遗传算法的静摩擦参数辨识 10.8 基于遗传算法的TSP问题优化 10.8 基于遗传算法的TSP问题优化 * * 自动化科学与工程学院，叶涛 地址：北校区3号楼206室 E-mail: yetao@scut.edu.cn 课时安排 第7章 典型神经网络 5 课程考试 8 第10章 遗传算法及其应用 7 第9章 神经网络控制 6 第4章、第6章 神经网络的理论基础 4 第4章 模糊控制 3 第3章 模糊控制的理论基础 2 第1章、第2章 绪论、专家控制 1 章节编号 讲课内容 周次 考核方法：平时成绩占30%（考勤10% ，2个作业20%），期末成绩占70% 内容提要 遗传算法（Genetic Algorithm, GA）：是一种模拟自然界遗传机制和生物进化论的并行随机搜索最优化方法。最早于1962年由美国Michigan大学Holland教授提出来。“Outline for a logical theory of adaptive systems” 遗传算法将“优胜劣汰，适者生存”的生物进化原理引入优化参数形成的编码串联群体中，按所选择的适应度函数（Fitness Function）并通过遗传机制中的复制、交叉及变异对个体进行筛选，使适应度高的个体被保留下来，组成新的群体，新的群体既继承了上一代的信息，又优于上一代。 遗传算法的基本操作： （1）选择算子（Selection Operator），选择（复制）是从一个旧种群中选择生命力强的个体位串产生新种群的过程。适应度比例法模拟适者生存理论。 （2）交叉算子（Crossover Operator），交叉模拟了生物进化过程中的繁殖现象，通过两个染色体的交换组合，来产生新的优良品种。 （3）变异算子（Mutation Operator），变异运算用来模拟生物在自然的遗传环境中由于偶然因素引起的基因突变，它以很小的概率随机地改变遗传基因（表示染色体的符号串的某一位）的值。 第10章 遗传算法及其应用 遗传算法的特点： （1）遗传算法是对参数的编码进行操作，而非对参数本身，这使得我们在优化计算过程中可以借鉴生物学中染色体和基因等概念。 （2）遗传算法同时使用多个搜索点的搜索信息进行并行式搜索。 （3）遗传算法直接以目标函数(适应度函数)作为搜索信息，无需计算目标函数的导数值信息。 （4）遗传算法使用概率搜索技术。算法的选择、交叉、变异等运算都是以一种概率的方式来进行的，这使其搜索过程具有很好的灵活性。 （5）遗传算法在解空间进行高效启发式搜索，而非盲目地穷举或完全随机搜索。 （6）遗传算法对于待寻优的函数基本无限制，它不要求函数连续或可微，既可以是解析的数学显函数，也可以是映射矩阵，甚至可以是神经网络表示的隐函数。 （7）遗传算法具有并行计算的特点，可极大提高计算速度，适合大规模复杂问题的优化。 第10章 遗传算法及其应用 10.3.1 遗传算法的发展 遗传算法起源于对生物系统所进行的计算机模拟研究。以下是在遗传算法发展进程中的一些关键人物及其主要贡献： （1）J. H. Holland 1962年最早提出遗传算法的思想。20世纪70年代初，提出遗传算法的基本定理——模式定理。1975年，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《Adaptation in Natural and Artificial Systems》。80年代，实现了第一个基于遗传算法的机器学习系统。 （2）J. D. Bagley 1967年，首次使用“遗传算法”一词，并发表了