复件 基于遗传算法最优化设计.doc

基于遗传算法最优化设计 0 引言 近50年来，科学技术的迅速发展，对许多被控对象如宇宙飞船、导弹、卫星和现代工业设备与生产过程的性能提出了更高的要求，在许多情况下要求系统的某种性能指标为最优。这就要求人们对控制问题都必须从最优控制的角度进行研究分析和设计。 所谓最优化问题，就是寻找一个最优控制方案或者最优控制规律，使所研究的对象（或系统）能最优地达到预期地目标。例如：在控制发射N级火箭时，如何规划各级火箭地质量使得火箭地总质量为最小；或在雷达高炮随动系统中，当发现敌机后，如何以最快地速度跟踪目标而将敌机击落。也就是说，最优化问题就是依据各种不同的研究对象以及人们预期达到的目的，寻找出一个最优控制规律或者设计出一个最优控制方案或者最优控制系统。 最优化的问题的求解的基本方法可分为间接法和直接法，有无约束优化问题和有约束优化问题等等，此设计采用智能优化算法——遗传算法进行优化设计，遗传算法具有通用性、智能性、鲁棒性、全局性和并行性的特点,与很多优化方法相比具有明显的优势，从以下几点简单分析其优点： （1）与单纯形法相比，遗传算法同样具有良好的寻优特性，且它克服了单纯形法参数初值的敏感性。在初始条件选择不当的情况下，遗传算法在不需要给出调节器初始参数的情况下，仍能寻找到合适的参数，使控制目标满足要求。同时单纯形法难以解决多值函数问题以及在多参数寻优（如串级系统）中，容易造成寻优失败或时间过长，而遗传算法的特性决定了它能很好地克服以上问题。 （2）与专家整定法相比，它具有操作方便、速度快的优点，不需要复杂的规则，只通过字串进行简单地复制、交叉、变异，便可达到寻优。避免了专家整定法中前期大量的知识库整理工作及大量的仿真实验。 （3）遗传算法是从许多点开始并行操作，在解空间进行高效启发式搜索，克服了从单点出发的弊端及搜索的盲目性，从而使寻优速度更快，避免了过早陷入局部最优解。 （4）遗传算法不仅适用于单目标寻优，而且也适用于多目标寻优。根据不同的控制系统，针对一个或多个目标，遗传算法均能在规定的范围内寻找到合适参数。 遗传算法作为一种全局优化算法，得到越来越广泛的应用。近年来，遗传算法在控制上的应用日益增多。 1遗传算法的应用简述和基本原理 1.1 遗传算法的应用简述 遗传算法提供了一种求解复杂系统优化问题的通用框架，它不依赖于问题的具体领域，对问题的种类有很强的鲁棒性，所 以广泛应用于很多学科。下面是遗传算法的一些主要应用领域 : (1)函数优化 函数优化是遗传算法的经典应用领域，也是对遗传算法进行性能评价的常用算例。很多人构造出了各种各样的复杂形式的测试函数，有连续函数也有离散函数，有凸函数也有凹函数，有低维函数也有高维函数，有确定函数也有随机函数，有单峰函数也有多峰函数等，人们用这些几何特性各异的函数来评价遗传算法的性能。而对 于一些非线性、多模型、多 目标的函数优化问题，用其他优化方法较难求解，遗传算法却可 以方便地得到较好的结果 。 (2)组合优化 随着问题规模的扩大，组合优化问题的搜索空间急剧扩大，有时在目前的计算机上用枚举法很难或者甚至不可能得到其精确最优解。对于这类复杂 问题，人们 已意识到应把精力放在寻求其满意解上，而遗传算法则是寻求这种满意解的最佳工具之一。实践证明，遗传算法对于组合优化中的 NP完全问题非常有效。例如，遗传算法 已经在求解旅行商 问题、背包问题、装箱问题、图形划分问题等方面得到成功的应用。 (3)生产调度问题 生产调度问题在许多情况下所建立起来的数学模型难以精确求解，气即使经过一些简化之后可以进行求解，也会因简化太多而使得求解结果与实际相差甚远。因此，目前在现实生产中也主要靠一些经验进行调度。遗传算法已成为解决复杂调度问题的有效工具，在单件生产车间调度、流水线生产车间调度、生产规划、任务分配等方面遗传算法都得到了有效的应用。 (4)自动撞制 在自动控制领域中许多与优化相关的问题需要求解，遗传算法的应用 日益增加，并显示了良好的效果。例如用遗传算法进行航空控制系统的优化、基于遗传算法的模糊控制器优化设计、基于遗传算法的参数辨识、利用遗传算法进行人工神经网络的结构优化设计和权值学习，都显示出了遗传算法在这些领域中应用的可能性。 (5)机器人智能控制 机器人是一类复杂的难以精确建模的人工系统，而遗传算法的起源就来自于对人工自适应系统的研究，所以机器人智能控制理所当然地成为遗传算法的一个重要应用领域。例如遗传算法 已经在移动机器人路径规划、关节机器人运动轨迹规划、机器人逆运动学求解、细胞机器人的结构优化和行动协调等方面得到研究和应用。 (6)图像处理和模式识 图像处理和模式识别是计算机视觉中的一个重要研究领域。在图像处理过程中，如扫描、特征提取、图像分割等