6.3智能控制的优化算法.pptVIP

第六章 智能控制的集成技术 6.3智能控制的优化算法 遗传算法 美国的J. Holland教授于1975年提出 在遗传学的基础上利用计算机来模拟生物的进化过程，从而实现复杂问题的优化求解。 模拟生物染色体的运作（复制、交叉、变异），是一种随机化搜索算法 三、智能控制的优化算法 步骤 10 群体的初始化； 20 评价群体中每一个体的性能； 30 选择下一代个体； 40 执行简单的操作算子（如交叉、变异）； 50 评价下一代群体的性能； 60 判断终止条件满足否？若不，则转(3)继续；若满足，则结束。 三、智能控制的优化算法 需要解决的问题 编码机制； 选择机制； 控制参数选择； 二进制字符串的群体构成； 适应度函数的计算 遗传算子（交叉、变异）的定义。 三、智能控制的优化算法 遗传学习算法的操作算子 编码机制 (Encoding mechanism) 适应度函数(Fitness function) 选择机制(Selection mechanism) 交叉算子(Crossover) 变异算子(Mutation) 三、智能控制的优化算法 编码机制 二进制编码 每一个位（ 0或1 ）－基因 字符串－染色体 多值编码方法 实数编码 三、智能控制的优化算法 适应度函数 优化问题的目标函数 “适应度值”的计算直接通过将目标函数经一定的线性变换映射到的［0，1］区间内的