基于非线性控制系统优化的遗传算法研究.docVIP

　　基于非线性控制系统优化的遗传算法研究|第1 ，这些方法大多是基于估计目标函数对优化变量的梯度信息进行优化。而对非线性控制系统参数优化问题，由于控制系统具有非线性特性，基于估计目标函数对优化变量的梯度信息进行优化的方法就显得无能为力了。 遗传算法是最新兴起的智能计算技术，是一种借鉴生物界自然选择和自然遗传机制的高度并行、随机自适应搜索算法，具有能快速有效地搜索复杂、高度非线性的多维空间的特点，通过反复迭代，最终能够找到全局最优。由于遗传算法是在解空间的多个区域内进行搜索，能以较大的概率跳出局部最优，因此可找到整体最优解。仿真结果表明，该方法是一种有效的方法。它主要用于处理最优化问题和机器学习。隐含并行性和有效利用全局信息是遗传算法的两大显著特点，前者使遗传算法只须检测少量的结构就能反映搜索空间的大量区域；后者使遗传算法具有稳健性。遗传算法尤其适于处理传统搜索方法解决不了的复杂的非线性问题。 本文提出的仿真优化方法采用了实数编码方案，确定了适应值函数的度量，选择了群体规模、代数、遗传算子及其概率参数、停止准则等控制参数初始值，并给出了仿真实例。结果表明，该方法是一种有效的非线性控制系统参数优化方法。 １ 问题的描述 1.1 函数优化问题的描述 函数优化问题可以描述为： 500)this.style.ouseg(this) 这里500)this.style.ouseg(this)称为搜索空间，f:S→R称为目标函数,(1)式描述的优化问题称为极大化问题，(2)式描述的称为极小化问题。 定义１　对最优化问题(1)式，设x·∈S，若存在δ＞0,使得当x∈S∩{x:‖x-x·‖＜δ}时有 500)this.style.ouseg(this) 则称x是f在S上的一个局部最优点，解f(x·)称为一个局部最优值。若(3)式中的严格不等式成立，则x·和f(x·)分别称为严格局部最优点和严格局部最优值。 定义２　对最优化问题(1)式，设x·∈S，若存在δ＞0,使得对任意x·∈S都有 500)this.style.ouseg(this) 则称x·是f在S上的一个全局极大点或整体最优点，f(x·)称为整体最优值。若(4)式中的严格不等式成立，则x·和f(x·)分别称为严格整体最优点和严格整体最优值。 1.2 遗传算法的描述 遗传算法是从任一初始化的群体出发，通过随机选择、杂交和变异等遗传操作，使群体一代一代地进化到搜索空间中越来越好的区域，直至抵达最优解点，即高适应值点。该算法可表述为： 500)this.style.ouseg(this) 表示适应值越大的个体进入子代且机会越多，执行选择的概率就越高。 遗传操作的杂交可描述为： 500)this.style.ouseg(this) 如果随机实数小于杂交率500)this.style.ouseg(this)，则执行杂交，否则执行复制。 遗传操作的变异可描述为 500)this.style.ouseg(this) 如果随机实数小于变异率500)this.style.ouseg(this)，则产生一随机整数r，并在第r位执行变异。 ２ 基于非线性控制系统优化的遗传算法 非线性控制系统参数优化问题属于非线性优化问题。对于非线性优化问题，只有在函数性质比较好（可微、驻点能解析地计算等）的情况下，才能获得满意的结果。对于复杂的函数优化问题，一般只能采用基于迭代原理的数值解法，但这些解法通常难以找到全局最优解，而且仍然要对求解函数的性质作诸多的限制。而遗传算法在解决这类问题时通常能发挥它的优势。500)this.style.ouseg(this) 当遗传算法用于求解非线性控制系统参数优化问题时，需要解决两个问题：非线性控制系统的模型仿真和遗传算法的设计。两者联系的纽带是目标函数的获取以及目标函数转换成适应值函数。在非线性控制系统参数优化方法中，目标函数可采用多种定义，如误差平方积分、时间乘误差平方积分、误差绝对值积分及加权二次型性能指标等，它取决于非线性控制系统的误差。非线性控制系统参数优化的前提是希望产生的误差最小，求解目标很自然地被表示成某个目标函数f(x)的极小化，而不是某个适应值函数F(x)的极大化。因此，常常需要通过一次或多次变换把目标函数f(x)转化为适应值函数F(x)。目前经常用到的适应值函数变换方法有：线性比例变换、幂比例变换、指数比例变换及引入某一比例参数等。一旦获得了适应值函数，即可进行遗传操作，所以，非线性控制系统的模型仿真是不能独立于遗传算法的设计的，两者应统一起来考虑。其程序流程图如图１所示。 首先随机生成一初始群体，并确定编码方案及遗传算法初始化参数接着对群体中的个体进行译码，该译码值即为非线性控制系统的寻优参数，这样就可