数字仿真在控制与管理系统参数优化应用.ppt

12．3．2 遗传算法 1．遗传算法的基本思想 1975年Holland受生物进化论的启发提出了遗传算法(genetic algorithms，简称GA)，GA是基于“适者生存”的一种高度并行、随机和自适应的优化算法，它将问题的求解表示成“染色体”的适者生存过程，通过“染色体”群的一代代不断进化，包括复制、交叉和变异等操作，最终收敛到“最适应环境”的个体，从而求得问题的最优解。GA是一种通用的优化算法，其编码技术和遗传操作比较简单，优化不受限制性条件的约束。 2．遗传算法的基本步骤 遗传算法是一类随机优化算法，但它不是简单的随机比较搜索而是通过对染色体的评价和对染色体中基因的作用，有效的利用已有信息来指导搜索有希望改善优化质量的状态。标准遗传算法的主要步骤如下： (1)随机产生一组初始个体构成初始种群，评价每一个体的适配值。 (2)判断算法收敛准则是否满足，若满足，则输出搜索结果；否则，执行下一步。 (3)根据适配值的大小以一定方式执行复制操作。 (4)按交叉概率执行交叉操作，生成新个体。 (5)按变异概率执行变异操作，生成新个体。 (6)由交叉和变异产生新一代的种群，返回步骤(2)。 标准遗传算法的流程图如图12.13所示。 根据确定a1、a2方法的不同，单变量寻优一般有Fibonacci法、黄金分割法。 1．Fibonacci法 该方法是按Fibonacci数列的规律进行的区间缩减的一种搜索方法。Fibonacci数列是由以下差分方程递推产生的： 2．黄金分割法 我们已知 ，如果每次缩短的区间均均为0.618，既每次迭代[an，bn]的长度与[an+1，bn+1]的长度之比均为0.618，这种方法称为黄金分割法。 12．2．2 差值法 差值法的基本思想就是先按照某种规律确定若干点并计算出这些点的目标函数值，然后通过这些点的某一类型曲线来近似目标函数的曲线，最后消去不需要的区间，在新的区间继续进行搜索。 二次差值法是最为常用的差值法，该方法是用二次多项式来逼近Q(a)的。 12．3 多变量寻优技术 多变量寻优就是在多维空间寻优，即搜索a*＝(a1*，a2*，…，an*)，其中n为被寻参数的维数。首先需要确定寻优方向P(k)(其中k表示第k步搜索)，然后确定在该方向上的步长h(k)。 12．3．1 单纯形法 1．单纯形法的基本思想 上面介绍的最速下降法和共扼梯度法都是以梯度为基础的多变量寻优方法，均需计算目标函数的梯度。但在实际问题中目标函数的梯度往往很难求得，而且误差比较大。 为了避免计算目标函数的梯度，产生了许多只计算目标函数的寻优方法，就是直接依据目标函数的信息来确定寻优方向的方法，即模式寻优法。单纯形法是使用最为广泛的模式寻优法。 单纯形法多维寻优是利用单纯形的顶点计算目标函数的值，按一定的规则进行探索性搜索，并对搜索区单纯形顶点的函数值进行比较，判断目标函数的变化趋势，确定有利的搜索方向和步长。 2．单纯形法的步骤 3．应用单纯形法需要解决的问题 4．单纯形法应用举例 单纯形法寻优过程不必计算梯度，只需不断地进行顶点函数值的计算比较。因而算法简单，易于编程实现。下面用单纯形法对火力发电机组主汽温串级控制系统进行PID参数寻优。 主汽温串级控制系统工艺流程图如图12．9所示。 第12章 数字仿真在控制系统参数优化中的应用 12．1 系统仿真与参数优化 在控制系统的设计过程中，通常需要考虑最优化的问题，也就是如何使控制系统在满足一定约束条件下使得某些指标达到最优值。一类是控制系统参数优化；另一类是控制系统函数优化，也就是控制器优化。控制系统参数最优化一般是指，控制对象是已知的，控制器的结构、形式也已确定，需要通过调整或找出控制器的某些参数，使得系统的性能在某种性能指标意义下达到最佳。这一章我们主要来研究控制系统的参数优化问题。 12．1．1 目标函数 衡量控制系统调节品质的指标一般概括为：稳定性、准确性、快速性。但是通常情况下，这三种调节品质指标是互相矛盾的，譬如，为了提高系统的稳定性，往往会引起被调量的动态及静态偏差加大。在保证调节系统具有一定的稳定裕度的情况下，应尽量提高系统的准确性和快速性。 控制系统参数优化需要解决两方面的问题：怎样把上述的三个指标归结为一个目标函数：在目标函数确定后如何通过改变系统参数来使其达到最小值(最大值)。 若目标函数用Q来表示，需要寻优的参数用a来表示，则对于数学模型