基于遗传算法的控制技术.ppt

第七章 基于遗传算法的控制技术 7.1 遗传算法的基本原理 7.2 遗传算法的模式理论 7.3 遗传算法应用中的一些基本问题 7.4 高级遗传算法 7.5 微种群和双种群遗传算法 7.6 基于遗传算法的系统在线辨识 7.7 基于遗传算法的模糊控制 7.1 遗传算法的基本原理 结论： 虽然仅进行一代遗传操作，但种群适值的平均值和最大值却比初始种群有了很大的提高，平均适值由293变到493，最大值由576变到729。这说明随着遗传运算的进行，种群正向着优化的方向发展。 遗传算法的执行策略 遗传算法与模拟退火算法的结合 遗传算法与局部优化方法的结合 并行遗传算法 共存演化遗传算法 混乱遗传算法 7.2 遗传算法的模式理论 一个模式(Schemata)就是一个描述种群中在位串的某些确定位置上具有相似性的一组符号串。 三元素符号表{0，1,*}可以构造出任意一种模式： 模式*111*可以和{01110，01111，11110，11111}中的任何一个位串相匹配 位串数量： k l 模式位数O(H),定义长度 ： H=011 * 1 * *，则 O(H)＝4 ， =4 7.3 遗传算法应用中的一些基本问题 目标函数值到适值形式的映射 适值的调整 编码原则 多参数级联定点映射编码 7.4 高级遗传算法 7.5 微种群和双种群遗传算法 改进算法的目的：为了提高简单遗传算法的收敛速度，并防止陷入成熟前的收敛以获取最优解 简单遗传算法的规模大致为30～200 7.6 基于遗传算法的系统在线辨识 遗传算法在参数辨识中的应用 1．离散系统参数估计 2．多参数级联定点映射编码 3．目标函数到适值形式的映射 7.7 基于遗传算法的模糊控制 1.0 dij 共享度S(d) dij=|| xi-xj || * *