2022年遗传算法在神经网络控制中的应用与实现 .pdf

《2022年遗传算法在神经网络控制中的应用与实现 .pdf》由会员分享，可在线阅读，更多相关《2022年遗传算法在神经网络控制中的应用与实现 .pdf（4页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第 13 卷第 5 期系统仿真学报Vol.13 No.5 2001 年 9月JOURNAL OF SYSTEM SIMULATION Sept.2001 文章编号哈尔滨工业大学航天学院,哈尔滨 150001比较了遗传算法与神经网络的特点同时阐明了遗传算法和神经网络结合的必要性该方法采用多层前向神经网络作为遗传搜索表示方式的思想用遗传算法来学习神经网络的权系数又具有神经网络的鲁棒性和自学习能力分析了遗传算法基本参数及神经网络结构设计了用遗传算法学习神经网络权系数的软件实现方法仿真结果显示了遗传算法快速学习神经网络权系数的能力有效地提高了多层前向神经网络权系数的学习效率与收敛精度克服了多层前向神经

2、网络传统的 学习算法精度低容易陷入局部极小的缺陷关键词神经网络适应度函数中图分类号A Applying and Realizing of Genetic Algorithm in Neural Networks Control YANG Guo-jun,CUI Ping-yuan,LI Lin-lin(School of Astronautics,Harbin Institute of Technology,Harbin 150001,China)Abstract:The characteristics of neural networks and genetic algorithm are

3、described.The possibility and the method of the application of genetic algorithm to the multi-layer forward neural networks are discussed.The necessity of combining neural networks with genetic algorithm is demonstrated.A kind of neural networks control method is proposed in which genetic algorithm

4、and neural networks are mixed.In this method,the notion of using the multi-layer forward neural networks as the representation method of the genetic searching technique is introduced,and the weighs of neural networks are trained by genetic algorithm.So the method remains the global stochastically se

5、arching ability of genetic algorithm and the robustness and self-learning ability of neural networks.After the neural networks with genetic algorithm are combined organically,the selection of the basic parameters in genetic algorithm and the structure of neural networks and the nodes of the hidden l

6、ayer and the output layer are all analyzed.The software in which the weights of neural networks are learned by genetic algorithm is designed.The inverse kinematics solution of the robot manipulators and the inverted pendulum control are successfully realized by the combination of genetic algorithm a

7、nd neural networks.The simulation results indicate the capability of the new method in fast learning of neural networks and guarantee a rapid global convergence.Moreover,the premature convergence in genetic algorithm is restrained effectively,and the learning efficiency and the convergent precision

8、for the weights of the multi-layer forward neural networks are improved greatly.The motivation of this approach is to overcome the shortcomings of traditional error back propagation algorithm for updating the weights of the multi-layer forward neural networks,such as the low precision of the solutio

9、ns,the slow search speed and easy convergence to the local minimum points.These results show the proposed method in this paper is feasible and effective.Keywords:genetic algorithm;neural networks;nonlinear control;fitness function 1 引言1神经网络是一个具有高度非线性的超大规模连续时间自适应信息处理系统并在智能控制机器人控制等领域取得了令人鼓舞的进展1?3?11?￥

10、?3?-?y3收稿日期男神经网络采用反向传播算法及其改进算法来学习平方误差函数而且学习时间长难以解决应用问题的实例规模与网络规模之间的矛盾遗传算法在一定程度上可以克服 BP 算法的局限性在计算机上模拟生物进化机制的自适应概率性全局寻优搜索算法GA 在寻优过程中由适应度函数来指导搜索方向搜索区域广名师资料总结-精品资料欢迎下载-名师精心整理-第 1 页，共 4 页 -系统仿真学报 2001年 9 月?568?搜索效率高因而其目标函数不受限制上述特点使 GA 成为一种全局性快速性的优化方法可以广泛应用于工程技术中提出了一种融合遗传算法的神经网络控制方法首先研究了GA 实现中的一些问题适应度函数的选

11、择及调整设计了软件的实行方法2 遗传算法在神经网络学习中的应用与实现2.1 GA 在 NN 中应用的可行性和必要性GA 和 NN 都是将生物学原理用于科学研究的仿生学理论成果已成为当前研究的热点却也存在某些不足对于某一具体问题迄今尚没有系统的规则可循通过试验设计网络不仅浪费大量的时间和资源满足实际需要的神经网络因此NN 需要高效的自动的设计方法网络层数神经元的互连方式设计一个网络,实质上就是根据某个性能评价准则搜索确定适合于解决某个问题或某类问题的这些参数的组合完成这项工作就很困难1BP 算法由于其结构简单但它是一种沿梯度下降来指导搜索的方法 2?3?o2?3?2?D?o2?对绝大多数应用由于

12、这些原因如随机法模拟退火法等Holland 的模式定理证明了遗传算法有解决这些问题的能力2.2 GA 在 NN 学习中的应用利用 GA 设计 NN 的关键问题是选择待编码的参数选择 GA 控制参数1DD?2?yD a?-?3?2?y?GA 的搜索空间加大因此神经网络中究竟有那些参数需要GA 来学习为了保证这一方法能够真正地投入工程应用仅用 GA 确定其余参数然后用 GA 去学习网络的权系数编码方式常见的编码方式主要包括二进制编码在二进制编码中存在量化误差而实数值编码是对原参数直接进行遗传操作加快了寻优速度本文采用实数值编码方式适应度函数GA 的适应度函数是遗传算法指导搜索的唯一信息适应度函数要

13、能有效地指导搜索沿着面向优化参数组合的方向而不会导致搜索不收敛或陷入局部最优解这个函数也应该易于计算MSE)(ky和)(?ky分别为网络理想输出与实际输出还需进行适应值调整1 3?y?3?3?3?2在 GA 运行后期而这时种群中大多数个体都有很高的适应值使选择变成了近乎随机的过程了采用线性调整法来调整适应度baff+=(3)名师资料总结-精品资料欢迎下载-名师精心整理-第 2 页，共 4 页 -第 13 卷第 5 期杨国军等f为原适应度c是种群最优成员的期望复制选c=1.22?-=-=-=2min2maxmin1max1/)0.1(/)(/)(/)0.1(他其avgff-=max1?4?2?o

14、?3?o?D?|?2 D?o?1y3?o?D?2?1?D?o?本文采用适应度比例法与最优保留策略进行繁殖操作jf 为种群中各个体适应值之和先计算出当前种群中的jf并将满足下列条件的第 m 个位串加入到匹配池直至匹配池中包含N个位串为止是遗传算法区别于其他传统优化方法的重要标志首先按一定的交叉概率随机地从匹配池中取出要匹配的两个位串产生一对新的位串两点交叉尽管选择和交叉很重要需进行变异操作对于选中的个体本文采用单点交叉=-=-=4maxmax23maxmax1)(/)()(/)(kpffffkpkpffffkpmmcccffffffffcc(8)其中5.0,0.14231=kkkkf为需变异位串

15、的适应值对于性能好的解帮助 GA 快速收敛令cp和mp是取高一些2.3 GA 学习 NN 的流程图遗传算法设计神经网络的流程可见图1?D?a?1?ay3.1 两自由度机械手图 2 为一两杆平面机械手机械手的前向运动学方程为)(coscos2111+=x (9a)sin(sin2112+=x (9b)其中1x1图 3 给出了两杆机械手所要达到的期望运动轨迹采用三层前向神经网络建立机械手逆运动学模型评价网络网络性能是否收敛到指定的精度范围内图 2 两杆平面机械手模型表 1 两杆平面机械手参数名师资料总结-精品资料欢迎下载-名师精心整理-第 3 页，共 4 页 -系统仿真学报 2001年 9 月?5

16、70?神经网络结构为2,5,2N2x?o y?a)1(1xe-+,-连续取值的机械手连杆转角网络的权系数为27 个经过近1500 代的学习图 4给出了每代中的最大适应度maxf随迭代次数T 变化的曲线3.2 倒立摆图 5 为一级倒立摆系统其顶端用铰链系一刚性摆同时摆可在垂直平面内自由运动该系统的状态可由四个变量描述小车平移速度X&该系统运动方程如下倒立摆的质量m=0.21 kg忽略小车对地及倒立摆对小车的摩擦F 为神经网络控制器输出的控制力控制的目的小车一个初始位置在尽可能长的时间内如内即不超过一预先定义好的垂直偏离角度范围10输入层四个节点分别接收倒立摆系统的4 个状态值输出层的激发函数为)1()1(10)(xxeexF+-+-=?+511.5 之间0000,XX&=-2,-0.1,0,0?1?o?2?40的状态满足控制要求实现了机械手逆运动学求解问题及倒立摆的控制采用遗传算法学习神经网络权系数的方法可以避免传统的 BP 算法易陷于局部极小点的缺点参考文献名师资料总结-精品资料欢迎下载-名师精心整理-第 4 页，共 4 页 -