基于遗传算法的非确定性目标优化.PDFVIP

((冶金 自动化》2004年增刊 基于遗传算法的非确定性目标优化 王志宏 ，‘王 斌 “ (1.河北科技大学 电气信息学院，河北石家庄050054;2.西安交通大学) 摘〔 要〕在分析遗传算法和非确定性目标的基础上，给出了模糊适应度函数，改进了模糊遗传算法并用于非确定性目标 的搜索，研究了其算法结构。最后给出用于工业过程中非确定性参数的寻优实例。 关〔健词〕遗传算法;非确定性目标;适应度 0 引言 自然界的生物体在遗传、变异和选择的作用下优胜劣汰，不断由低级到高级的进化和发展，人们模拟 这种适者生存，不适者淘汰的规律提出了遗传算法。它是一种以个体的适应度为依据的概率搜索算法， 具有智能性、并行性和强鲁棒的优点，已成功地应用于知识发现、组合优化、机器学习、信号处理和人工生 命等领域仁卜2〕。通常遗传算法搜索的目标是确定的，如最大值、最小值，即使目标很复杂也有准确的适应 度函数[31。而对于非确定性目标，如较“小参数”、较“大偏移”、“误差接近于零”等，很难建立数学模型和 适应度函数。传统的遗传算法在此显得很苍白，因此本文引入了擅长描述非确定性问题的模糊理论[41 与现有的模糊遗传算法不同的是本文把模糊理论和遗传算法结合起来[51，用于非确定性目标的搜索。 1模糊遗传算法及其结构 ‘ 模糊遗传算法，即融合模糊思想的遗传算法，把模糊和遗传算法优点结合起来，构成一种设计方法， 其目的是利用模糊设计的优点，克服一般遗传算法设计存在的不足，从而使得系统的优化设计更灵活、方 便，取得好的设计效果[[61。本文采用CHC遗传算法和模糊适应度函数相结合的算法，实现了对系统非确 定性目标的优化。模糊适应度函数，即用隶属函数，来表示遗传算法的非确定性约束条件，多个约束条 件的模糊关系通过模糊运算，得出个体相对于搜索目标的隶属度，并把它作为该个体的适应度。这样约 束条件能够得到更容易地表达，又能够保证遗传子代的选择中能够拥有更广泛的群体组成，个体与搜索 目标越接近，其适应度越大，其选择的概率也越大，反之亦然。其算法结构如下。 FCHC ( ) {建立非确定性目标的模糊适应度函数; k=0; d=L/4; 尸(k)初始化; 通过模糊适应度函数评价种群P(k)中各个体; while未满足终止条件do {k=k+1; 复制P(k一1)，与P(k)混合后产生混合种群C(k); C(k)中实行交叉，形成新种群C(k); 通过模糊适应度函数评价种群C(k)中各个体; 从C(k)和P(k一1)中实行选择; if P(k)=P(k一1) 弋d=d一1; if d [收稿日期〕2004-06-16 作〔者简介〕王志宏(1975一)，女，河北行唐人，讲师，硕士，主要从事计算机控制方面的研究工作。 《冶金 自动化》2004年增刊 {尸(k)的一部分个体实行初始化; d=r(1一r)L; } } } 其中N为种群的大小，L为个体的长度，k为世代数，d为海明距离阀值，r为扩散率。 2 在过程控制中的应用 在过程控制中，为了整定某些参数经常需要人工由小到大确定一个比例参数，使系统接近于等幅振 荡。由于过程控制具有大滞后、输出又可能窜人随机干扰，尤其有些时候系统不允许多次试凑改变比例 参数，使得参数的确定就愈加困难[71。为了减少系统调节的次数，针对该非确定参数，本文应用模糊遗传 算法，可智能地在线寻优，方法如下。 (1)编码。非确定性参数K的遗传算法表现形式变量为实数x。从表现型到基因型的映射采用二 进制编码，参数估计区间为昨,25]，求解的精度为3位小数，故二进制串的长度为15位。 (2)产生初始种群。随机产生大小为20的种群。 (3)模糊适应度的计算。由于等幅震荡的振幅、周期都是不确定量，本文选取了。,(3两个衡量指标来 描述等幅震荡，令: 门 州 2 ， 、 ，