浅谈自动控制领域中遗传算法应用.docVIP

浅谈自动控制领域中遗传算法应用 　　摘 要：在当今社会科学技术不断发展的今天，办公自动化，生产智能化已经成为社会发展，工作生产日常生活中重要组成部分。从产品研发到生产车间对于自动控制的要求越来越高，而与此同时自动控制要解决处理的问题越来越复杂，程序量也随之加大。在自动控制领域面临着严重考验的情况下，遗传算法为其提供了最优化的方法。 　　关键词：遗传算法 自动控制 优化设计 　　中图分类号：TP311 文献标识码：A 文章编号：1672-3791（2013）02（a）-0020-01 　　遗传算法是近些年来发展迅速的一门新兴学科，其根本原理是从达尔文的进化轮中得以衍生，是在微型计算机上进行生物自然进化机制的模拟，也是人工智能的一大分支。其根本原则遵循“优胜略汰，适者生存”的良性循环体系。再此计算机制下，很多传统数学无法解决的问题或无法精确使结果失效的问题以及最优化求解等问题，该算法能够有效地进行解决。在遗传算法广泛应用的同时，其在实际运行中产生的巨大价值与无限潜力受到了业界认识的广泛关注与研究。 　　1 遗传算法（GA） 　　遗传算法指的是生物的遗传基因和其本身所具有的进化机制为根本的随机搜索算法。而遗传算法的形成与发展主要经历了以下几个阶段：初期，20世纪中末期是遗传算法的起步阶段，而在末期该算法已经成为一种高效率，低失误的的鲁棒性强的优化先进技术。鲁棒性（RobustNess）指的是在众多环境迥异却可以通过概率与功能之间有效协调与平衡来寻求生存的能力。而鲁棒性的最有发展空间是在生物系统中，人工系统很难达到该状态。鲁棒算法的的宏观定义为仿生算法，也就是说他在模仿生命存在智能发展的进化过程，而自然界的规律“优胜劣汰，适者生存”亦被其遵循。遗传算法是由在样本中随机抽取个体组成的集体学习模式。其中的单独个体表示定向问题中空间搜索的一点，遗传算法则从初始全体进行探究，通过进行交叉，变异和随机选择来进行操作。使该群体进化到整个搜索空间中越来越好的结果域。选择使群体中个性较强的得以保留，而交叉则是教父辈的优良信息有效的结合在一起传授到子代群体，而变异正是??体在演变过程中的新物种的诞生。 　　遗传算法虽然是一种基于生物界的一种算法，但是当代，人们也将其广泛的运用到各行各业。正是因为遗传算法吸收了自然界生物系统的进化原理，从而能够在较为复杂的空间中进行搜索。解决了许多传统算法都难以解决的优化问题。例如，遗传算法将生物进化原理复制到待优化参数的形成编码中，按照其需要值及其遗传操作进行对每个个体的筛选。被筛选出的个体又组成新的群体。而新的群体不仅保留了上一代的信息，并且得到了优化的个体。如此循环往复，群体的适应值不断提高，直到满足实验需求，得到最优解。 　　2 遗传算法特点 　　遗传算法能够在复杂的空间进行有效地全局优化，并且具有较强的鲁棒性，那么，与传统算法相比较，遗传算法有哪些优势呢？首先，从参数角度来说，遗传算法是对赋予参数本身的编码进行的操作与筛选，而非参数的本身。解除了传统算法的局限性。而对一个编程群体来进行操作，所得出数据的信息量将更加庞大，具有最优的效果。然后，遗传算法的开始不仅是从一个点进行操作，而是很多个点共同进行操作的，解除了传统算法局限于一点的局限性。有效地预防了在搜索过程中的局部最优解的收敛。其次，遗传算法针对带求解空间进行的是高效性启发式的搜索模式，而非传统算法中的盲目穷举和随机搜索。最后，遗传算法针对于传统算法来说降低了对数学的要求，还可以通过并行计算的方式，来进行大规模的并行计算，从而大大提高了计算速度与计算时间。 　　3 遗传算法在自动控制领域的应用 　　根据其特点遗传算法在自动控制领域的应用又可以大致的分为两类：第一类是离线设计分析；第二类是在线自动适应调节。在离线设计分析中，我们又可将其细为直接设计法和间接设计法。在直接设计法中，遗传算法就被用作为优化引擎和优化搜索。而在间接设计法中，遗传算法则起到为各个配置设计提供优化参数如加权函数矩阵，而遗传计算函数的在线应用也被分为两种情况：一种是遗传算法用于自适应控制器的调整；另一种是遗传算法的直接优化控制器的参数，也可用传统的辨识方法估计系统的状态。 　　3.1 电力系统中遗传算法的应用 　　对于微型水电站来说，其稳速装置通常采用电子负荷调节器。该结构可以转化水轮机的结构，省去机械调速器的使用，便于进行维护，大大地降低了成本，而电子负荷调节器的工作原理就是调控发电机的输出侧的平衡负载来实现输入和输出的力矩平衡关系，来进行转速稳定的控制。并且其工作环境只在实际负载小于发电机出力的情况下进行有效运转。而以前的电子负荷调节器采用的是单纯的PID控制，但是该控制仅仅满足其基本的控制要求。但是其问题也是显而易见的，在开关机和机组负荷较大的扰动时，机