第十五章 遗传算法的应用 智能系统课件.ppt

第十五章 遗传算法的应用 15.1 采用遗传算法提高神经网络模型辨识的精度 15.2 模糊神经网络和遗传算法相结合的控制策略 15.1 采用遗传算法提高神经网络模型辨识的精度 15.1.2 改进的遗传的算法 15.1.3 实例验证 15.2 模糊神经网络和遗传算法相结合的控制策略 15.2.1 引言 15.2.2 优化控制系统的结构 15.2.3 优化仿真结果的对比和分析 * 1）编码 采用直观的实数编码，以每一权重值的每一自然数字作为基因，所有权重值的顺序排列组成一个染色体。 2）遗传操作 遗传操作主要包括复制、交换、和突变，其目的是将当代群体变为下一代群体。 在遗传操作过程中，适应值一直起着衡量操作结果优劣的评判标准。 为了保持解的多样性，并防止早熟现象，在辨识过程中，对遗传操作进行了如下改进：在复制过程中，在N个个体中将小于平均适应度的个体，复制下来，淘汰高于平均适应度的劣值个体n个，被淘汰的n个体的空缺，采用随机取数方式进行增补，当n小于(1/4)N时，随机增补的个体数取为(1/4)N。 为了确保搜索的全局最优，将本代中的最优解直接进化到下一代中。 由于搜索空间的性质和随机值的优劣，在进化过程中，仅靠交换往往会现早期陷入局部解而中止进化。配合有效的变异操作可防止其出现。 为了获得有效的动态性能的辨识，人工神经网络的结构采用双输入、单输出，双输入分别为力矩以及输出的一阶延迟信号。 网络节点结构取为（2 - 5 - 1），隐含层中采用S型函数，输出层为线性函数。 选取群体数N = 50，在最大进化代数200完成以后，误差平方和达到0.0042 图15.1 用于辨识的人工神经网络的结构图 图15.2 辨识后的网络输出与实际对象输出 作为对比，对同一对象采用带有自适应学习速率的反向传播(BP)法进行辨识。在经过2000次循环训练后，所达误差平方和为0.0088。 表15.1 两种寻优方法的对比结果 0.0042 200（代） 改进GA 0.0088 2000 自适应BP 达到最小误差和 训练次数 算 法 首先，采用人工神经网络实现模糊逻辑控制的全过程，从而使神经网络的结构具有模糊逻辑控制的功能，同时每一个参数均具有明确的模糊逻辑意义；其次，利用人工神经网络对信息处理具有自学习和自适应的特性对其参数和结构同时进行优化处理，而达到在最简结构下获得最优控制效果的目的。 控制器的训练是通过使GNFC与NNP相串联，连接成负反馈控 制回路，并采用遗传算法，使目标函数 来求得最优的代表隶属函数和控制规则的权重值。 图15.3 优化控制系统的结构图 1）具有模糊逻辑功能的神经网络控制器GNFC 具有模糊逻辑功能的神经网络控制器GNFC的结构如图15.3中虚框所示。可以看出它是一个具有输入层、中间层和输出层的三层神经网络。 功能上，该网络的三层节点是严格对应于模糊逻辑控制的模糊化、规则推理和逆模糊三个步骤的，因而具有明确的模糊逻辑意义。 GNFC的输入/输出关系可以归结如下： 2）用于过程模型辨识NNP 期望输出与实际系统输出之差的平方和作为目标函数。采用含有一个隐含层且带有输出一阶延迟的回馈的前向网络，网络内部结构分别采用S型和线性转移函数，并通过实验选取最少的5个隐含节点。 网络的训练采用具有自适应学习速率的BP算法，训练后的网络在一定的误差范围内具有实际被控过程的输入/输出特性。 对于GNFC的训练可以采用BP算法，但是由于其中间层是一乘法器，故必须对BP算法作进行修正后方可使用，而修正后的BP算法不仅收敛速度慢，而且很容易陷入局部极小值，因此决定采用遗传算法（GA）进行优化。 3）改进的寻优遗传算法 编码：首先定义包含所求变量的个体。 适配度：适配度Fi采用系统的期望输出与实际系统的输出之差的平方和来定义，即： 遗传操作：在复制操作中，淘汰0.25N个低于平均适应度的劣解，并以随机取数的方式补齐，以保持群体交换过程中解的多样性。 随机数，如“2”，即 0.5327 和 -1.2712，变异成“3”，则形成新一代个体中的变量: 0.5337 和 -1.3713，变异操作在越接近最优值、交换操作趋于一致而不再有变化时，越能体现出它的重要性。 327 例如：个体中两个变量分别为0.5712和-1.2 ，当它们 以一定方式被选中后，取后三位小数进行交换，形成新的 数0.5 327 和 -1.2712，然后通过变异操作又将其中的某一 通过以上处理，控制系统的参数优化过程可以归纳如下： （1）训练得到被控对象的网络模型NNP； （2）根据模糊逻辑控制的最少模糊子集及控制规则构造 神经