遗传算法的在工业控制中的应用.docx

遗传算法的在工业控制中的应用ronggang导语：遗传算法是一种模拟自然界生物进化经过中选择和遗传的机理而构造出的一种优化搜索算法摘要：遗传算法是一种模拟自然界生物进化经过中选择和遗传的机理而构造出的一种优化搜索算法。但是，简单遗传算法的收敛速度较慢、稳定性较差。针对这些同题，本文提出了几种方法来改善遗传算法性能的操纵，在文中分别讨论了该操纵的思路，实现的方法。并给出了它在工业控制中的应用。关键字：工业控制遗传算法穿插遗传操纵1.前言优化算法和程序是是当今计算机时代科学和工程问题研究中最重要的工具之一。一个好的优化算法应具备两个根本特征设以求全局最大主峰为例：一是要找到主峰而不是诸多的次峰;二是爬峰速度要快。此外，它还应具有通用性，最好能用于“黑箱问题的寻优。如能有一种优化算法既可保存上述两种根本算法的简单和通用特征，而又有高的寻优准确度和效率，显然是人们梦寐以求的。遗传算法GA为此开拓了一条诱人的道路。遗传算法是由美国密执安大学Holland等人，经过20余年的努力而开展起来的，它将描绘自然界生物进化的达尔文学讲“物尽天择，适者生存的原理引入到算法中。十分是近十年，由于计算机性能的进步，以及并行分布式计算的推广，遗传算法由于自身独特的上风而越来越受到人们的重视。进入21世纪，遗传算法已成为国际上的一个研究热门，围绕遗传算法，有一大批学者在从事以下方面的研究：遗传算法的机理、算法的收敛性和复杂度、编码方法、选择方法、杂交和变异方法、遗传的操纵方式等。到目前为止，对各种问题的研究尚未有定论，正由于很多问题的存在鼓励着人们进展不断的探究和研究。2.简单遗传算法简介简单遗传算法的根本思想是把待优化问题的参数编码成二进制位串的形式，然后由假设干个位串形成一个初始种群作为待求问题的候选解，经过选择、穿插、变异的迭代搜索经过，最终收敛于最优状态。算法经过如下：步骤1：初始化，随机产生一个规模为P的初始种群，其中每个个体为二进制位串的形式，也就是染色体，每个二进制为称为基因。步骤2：计算适应度，计算种群中每个个体的适应度。步骤3：选择，选择是指从群体中选择优良的个体并淘汰劣质个体的操纵。它建立在适应函数评估的根底上。适应度越大的个体，被选择的可能性就越大，它的下一代的个数就越多。选择出来的个体放入配对库中。步骤4：穿插，从种群中随机选择两个染色体，按一定的穿插概率进展基因交换，交换位置的选取也可以是随机的。步骤5：变异，从种群中随机选择一个染色体，按一定的变异概率进展基因变异。步骤6：假设发现最优解或到达迭代次数，那么算法停顿。否那么，转步骤2。3.进步遗传算法收敛速度的策略初始种群的选择初始种群的优劣对算法的效率和结果都有重要的影响，要搜索全局最优解，初始种群不仅要规模相当而且应该在解空间均匀分布。根本遗传算法是按照随机方法在最优解分布范围内产生一定数目的个体组成初始种群。本文按照一定的形式选择种群。将种群分成几类。例如，假如我们选择初始种群为100个，那么将种群按照不同的形式均匀分成10类。每个类中的染色体有一样的形式。由下面的操纵可知，这样做可以保证了群体的多样性。适应度比例法的改良在遗传算法的运行经过中，每一代都会产生一些优良个体。假如按照传统的选择方法，它们的优良形式有可能被后面的遗传操纵破坏，就会降低群体的平均适应度，这样对进化是不好的。所以我们改良的目的是保证最优解的生存。最优个体这里的最优个体来自全体染色体的10%不按比例进展复制，直接保存到下一代中。由于复制的结果轻易使遗传算法陷入部分最优解。导致各个个体间的适应度趋于一致。详细操纵经过为：1找出每个形式中适应度最高的个体。该个体不进展穿插和变异。2对同一形式中其它个体进展遗传操纵。即穿插和变异是在同一个形式中的不同个体最优的除外之间进展。3在每个形式中，经过穿插和变异后的每个个体进展适应度比拟。仍然保存最优的个体。最优保存策略是选择操纵的一局部，它可以保证不能破坏优良形式。也是遗传算法收敛性的一个重要保证条件。该策略与下面表达的穿插和变异操纵结合在一起，可以得到良好的效果。穿插方式的改良穿插是指把两个父代个体的局部构造加以交换重组而生成新个体的操纵。穿插的目的是为了可以在下一代产生新的个体。通过穿插操纵，遗传算法的搜索才能得以飞跃性的进步。穿插是遗传算法获取新优良个体的最重要手段。穿插的概率一般选择的都很大。本文的穿插概率是根据穿插结果来决定的。无论是选择单点穿插还是多点穿插或其它穿插方式，改良的目的是保证子代的适应度大于父代。我们选用的穿插方法是：所有个体除去最优的10%中每两个组成一对，全部进展穿插。根据穿插结果选择此次穿插是否进展。假如一对染色体，我们假设为A和B，再假设穿插的结果为A1和B1，那么会出现四种情况，1A1>A，B1>B;2A1B;3A1>A，B1变异方式的改良变异就是以很小的概率即变异率随机地改变群体中个体染色体的某些基因的值。变异操纵的根本经过是：对于穿插操纵中产生的后代个体的每一基因值，产生一个0，1之间的伪随机数，假如这个伪随机数小于变异概率，就进展变异操纵。在二进制编码方式中，变异算子随机地将某个基因值取反，即0变成1，或者1变为0。变异本身是一种部分随机搜索，与选择、穿插算子结合在一起，就能防止由于选择和穿插算子而引起的某些信息的永久性丧失。保证了遗传算法的有效性，使遗传算法具有部分的随机搜索才能。同时使得遗传算法保持群体的多样性，以防止出现未成熟收敛。在变异操纵中，变异率不能取的太大，假如大于0.5，遗传算法就退化为随机搜索，而遗传算法的一些重要的数学特性和搜索才能也就不复存在了。本文使用的变异概率是根据是由穿插方式的结果断定的。在穿插方式中，每个形式都可能出现不良个体，假如不良个体数目大于50%，那么讲明此形式不良，应该进展淘汰。我们采用的方法是对此形式进展变异。引进新的形式。假如不良个体数目小于50%，那么就对这些不良个体进展变异。在不影响形式的前提下，进展变异。即在每个染色体的基因上，随机的选择一位，使之变异。至此，新的一代产生了。4.算法经过算法的流程图如图1。align=center图1改良的遗传算法程序框图/align5.在工业控制中的应用遗传算法应用与工业控制可以做到以下几个方面：1控制经过的监控;在工业控制监控经过中，有些系统会产生大量的随机的数据和不确定的因素，因此准确建模比拟困难。也是由于数据的随机性和不确定性因素，造成工业监控系统难以准确控制。利用遗传算法进展经过监控，首先建立控制系统的理论控制模型，然后利用遗传算法能在大量数据上的寻优上风，提供监控方案。并且遗传算法也能进展自适应控制来随时调整控制模型，到达监控的优化并且使系统更趋于稳定。2控制经过故障诊断提供决策方案;把遗传算法理论与技术应用于控制经过故障诊断可以模拟专家系统实现对控制器的故障检查。故障检测经过中的参数一般都具有非线性特征，假如使用确定性的方法，很难建立其数学模型。遗传算法应用在智能诊断中，可以解决多变量非线性系统问题。而且系统的鲁棒性好，对参数变化不敏感，并且可以做出决策供维护人员参考。3系统参数辩识参数优化;随着工业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，这就对工业控制系统提出了更高的要求。大量的参数构成了整个工业控制经过，原来的工业控制系统实时处理数据的才能很强，但是后期数据的处理才能显得有些力不从心，遗传算法在大量数据的处理方面拥有较多上风，在参数优化方面也有着其他算法不可比较的优越性，如PID参数控制等。所以自从90年代以来在我国的工业控制系统中的应用也越来越广泛。遗传算法和工业控制系统的结合，不仅使当今的自动化更具灵敏性、完好性、经济性和平安性，而且为信息集成和自动化系统提供了新的构造，具有良好的开展前景。4控制器的优化设计。遗传算法在很多领域得到了较好的应用，运用遗传算法设计的控制器实时性好、响应快,并具有自适应调节功能,且准确、控制平稳,能知足较高要求,具有较高性价比。6.结论本论文的创新点在于针对工业控制中经常使用的控制方式方法，使用我们改良的遗传算法，使得它能在工业控制中更好的使用。系统的运行结果跟程序本身有关也跟机器的性能有关。视情况不同而不同。对于不同的控制函数模型本文的遗传算法并不是特别优秀。但是对于某些控制模型来讲，还是有一些上风。在控制系统常用的非线性函数的情况下，本文的算法比标准的遗传算法有更好的结果。在实验阶段处理简单的函数的问题上，也具有相当的上风。到目前为止，还没有找到一种能合适所有类型函数的遗传算法。目前对遗传算法的改良大多数集中在选择、穿插、变异、适应度等的参数选择上，而这些改良也没有统一的形式。本文的算法在穿插问题处理上，看上去似乎烦琐些，实验结果说明，它可以减少遗传的迭代次数。这种改良只合适某些特定的函数。所以对遗传算法的研究和改良还需要做大量的工作。1司徒浩臻等.基于遗传算法的多序列比对算法研究.微计算机信息，2006，6-2：222A.H.Wright.Geneticalgorithmsforrealparameteroptimization,Amer:Sci,19913K.DebandH.-G.Beyer,Self-adaptationinreal-parametergeneticalgorithmswithsimulatedbinaryCrossover,Proc.ofthegeneticandEvolutionaryComputation,1999.4Chiba,T,Okado,S,Fujii,I,andItami,K.1996b.“Optimumsupportarrangementofpipingsystemsusinggeneticalgorithm.J.PressureVesselTechno.118,507512.5Nolle,L.,Armstrong,D.A.,Hopwood,A.A.andWare,J.A.,SimulatedAnnealingandGeneticAlgorithmsAppliedtoFinishingMillOptimizationforHotRollingofWideSteelStrip",InternationalofKnowledge-BasedIntelligentEngineeringSystem,6,2,104-111,2002.