遗传算法在自动控制领域中的应用综述.docxVIP

遗传算法在自动控制领域中的应用综述 摘要：在这个智能化技术高速发展的时代，各种各样的智能控制设备已经成为生产生活中不可或缺的必需品，各个行业对智能控制自动化控制的需求也越来越广泛，目前国内外关于智能控制的研究也越来越多，都神经网络控制，遗传算法控制，人工智能控制等杂，本文主要是论述自动控制中的遗传算法现在控制方法和理论中的应用，介绍了遗传算法控制工程各个方面的应用成果。 关键词：自动控制遗传算法应用 1引言 遗传算法(GeneticAlgorithms简称GA)是通过编码串模拟达尔文进化论。遗传算法通过模拟自然界中生物遗传的自然选择和自然淘汰的进化过程来找寻最优解。由美国密执根(Michigan)大学的J.Holland教授于1975年首先提出。遗传算法在基于达尔文进化论的基础上通过数学模式模拟该择优过程，它通过保持一定规模的由竞争假设组成多样化群体，在下一次迭代中，挑选出当前群体中适应度最高的个体来产生下一代，替换掉当前群体中适应度最差的个体。 2遗传算法理论与技术 2.1基本原理 遗传算法首先需要建立数学模型，它将被解问题的可能解表示为基因（如常用的二进制编码串），然后由适应函数计算出目前阶段中适应环境的个体，通过淘汰不好的基因，把适应度较好的基因保留下来，通过基因间的交叉、基因突变等遗传算子产生新一代基因。最后根据被解问题的各种收敛条件，一步步的逼近最优解，最后收敛到最适应被解问题的解上，求得被解问题的最优解。 2.2生物遗传学概念与遗传算法中概念的对应关系 生物遗传学概念遗传算法中的作用适者生存在算法停止时，最优目标值的解有最大的可能被留住个体（individual）目标函数的解染色体（chromosome）解的编码（向量）基因（gene）解中的每一分量的特征（或值）适应性（fitness）适应度函数群体（population）被选定的一组解（其中解的个数为群体的规模）种群reproduction）根据适应函数选取的一组解交配（crossover）按交配原则产生一组新解的过程变异（mutation）编码的某些分量发生变化的过程 2.3遗传算法过程 遗传算法是基于码串来工作的，编码的目的就在于将解空间用码串来表达，然后通过复制、交叉、变异等遗传算子来迭代搜索过程，最终收敛于最优状态。算法过程如下： （1）系统随机挑选一定数目的解做为搜索出发点，这些解被称为染色体，这些随机产生的解组成一个种群，而这些染色体的个数就构成了种群的规模或大小(pop-size)o (2)基于特定问题构建适应度函数，用这个函数计算出的值(称为适应度)来评价每个染色体的好坏(即对环境的适应度)，并以此作为挑选的依据。 根据特定问题构建选择策略，一般按最优保存策略方式来实现选择，从当前种群中根据适应度的好坏，选择一定数量的染色体进行遗传产生新一代的染色体。 对被选择的染色体进行交叉操作，变异操作生成了新一代染色体。其中变异操作使得种群中的个体有多样性，防止变异后的染色体一直在一个局部最优的范围内。经过这些算子后的染色体群(种群)称为后代。 最后算法需要判定是否达到了最后，或者到达了预订的迭达次数，如果是，整个算法结束，否则调到2进入下一轮迭代操作。 3在自动控制中的应用 遗传算法经过四十多年的研究与发展，逐渐应用到当今社会的各个方面。其应用涉及从工程科学到社会科学的诸多领域。遗传算法在控制领域应用主要包括：可靠性设计、超大规模、非线性系统优化，控制器的优化设计问题，机器自学习等等。遗传算法应用在自动控制领域主要是如下几大方面: 控制过程监控;在实际的监控过程中，某些系统会有很多不确定的因素，而且可能产生大量的随机数据，因此通过建立传统的控制模型比较困难。也是因为数据的随机性和不确定性因素，造成监控系统难以准确控制。遗传算法进行过程监控时，由于不需要精确的控制模型，而是在运行过程中逐步找到最优解，反倒能够做到精确控制。 控制过程故障诊断（提供决策方案）。故障检测过程中的参数一般都具有非线性特征，同样如果利用传统的控制理论和方法建立控制模型，很难建立准确的控制模型。遗传算法应用在故障诊断中，可以解决很多非线性系统问题。而且整个控制系统的鲁棒性比较急好。 系统参数辩识（参数优化）；随着自动控制规模的不断加大和时间的不断积累，需要保存和后期处理的数据越来越庞大，这就对自动控制系统提出了更高的要求。大量的参数构成了整个自动控制过程，原来的自动控制系统实时处理数据的能力很强，但是后期数据的处理能力显得有些力不从心，遗传算法在大量数据的处理方面拥有较多优势，在参数优化方面也有着其他算法不可比拟的优越性，如PID参数控制等。 控制器的优化设计。遗传算法可用于各种优化问题。既包括数量优化问题，也包括组合优化问题，特别是在控制器的优化设计方面，通过遗传算法优化设计的控制