论文部分内容阅读
摘要： 在科技不断发展的现代，智能化、自动化已经成为生产和生活中重要的应用。各个领域对自动控制的需求不断扩大，而自动控制需要处理的问题较为复杂，控制程序也随之增大。遗传算法能够为自动控制提供应用广泛的通用优化方法，具有良好的应用价值。
关键词： 遗传算法；自动控制；应用
中图分类号：TP311 文献标识码：A 文章编号：1671－7597（2011）0520146－01
遗传算法（geneticalgorithms，GA）是基于达尔文的进化论，在微型计算机上模拟生物自然进化机制而发展起来的一门新兴学科，是人工智能新的重要分支。它是一种宏观意义上的仿生算法，体现了“优胜劣汰、适者生存”的竞争机制。对许多采用传统数学难以解决或明显失效的复杂问题，特别是最优化问题，GA提供了一个行之有效的新途径。近年来，由于遗传算法求解复杂问题的巨大潜力及其在工业控制工程领域的成功应用，使其受到了广泛的关注。
1 遗传算法的基本原理和特点
自然界生物体通过自身的演化就能适应于特定的生存环境。而遗传算法就是一种基于生物遗传和进化机制的适合复杂系统计算的自适用概率优化技术。遗传算法的发展过程基本上分为三个阶段：20世纪70年代的起步阶段，80年代的发展阶段和90年代的高潮阶段。进入90年代后，遗传算法已发展成为一种实用、高效、鲁棒性强的优化技术。所谓鲁棒性（robust
Ness）是指能在许多不同的环境中通过概率及功能之问的协调平衡以求生存的能力，人工系统很难达到如生物系统那样的鲁棒性。遗传算法正是吸取了自然界中生物系统“适者生存”的遗传进化机理，从而使它能够提供一个在复杂空间中进行鲁棒搜索的方法。遗传算法是一种更为宏观意义上的仿生算法，它模仿一切生命与智能的产生与进化过程，并通过模拟达尔文“优胜劣汰、适者生存”的原理，激励并保持好的结构；通过模拟孟德尔遗传变异理论在迭代过程中保持已有的结构，同时寻找更好的结构。遗传算法是由随机确定的个体组成群体的集体学习过程。其中每个个体表示给定问题搜索空间中的一点。遗传算法从任意初始的群体出发，通过随机选择、交叉和变异等操作，使群体进化到搜索空间中越来越好的可行解域。选择使群体中适应性好的个体保留下来，交叉是将父代的信息结合在一起并将它们传送到子代个体，变异在群体中引入了新的物种。尽管它是一种基于生物自然选择与遗传机理的随机搜索算法，也被广泛地应用于各行各业，但其数学理论基础被认为是不完善的，如引起过早收敛等。
根据达尔文的进化论，生物在遗传、变异和选择3种因素的总和作用过程中不断地向前发展和进化。遗传算法正是吸取了自然生物系统“适者生存、优胜劣汰”的进化原理，从而使它能够提供一个在复杂空间中随机搜索的方法，为解决许多传统的优化方法难以解决的优化问题提供了新的途径。遗传算法将生物进化原理引入待优化参数形成的编码串群体中，按一定的适值函数及一系列遗传操作对各个个体进行筛选，从而使适值高的个体保存下来，组成新的群体。新群体包含上一代的大量信息，并且引入了新的优于上一代的个体。这样周而复始，群体中各个体的适值不断提高，直至满足一定的极限条件。此时，群体中适值最高的个体即为待优化参数的最优解。遗传算法能够在复杂空间进行全局优化搜索，并且具有较强的鲁棒性；此外，对于搜索空间，遗传算法基本上不需要什么限制性的假设。
与常规优化算法相比，遗传算法有以下特点：1）遗传算法是对参数的编码进行操作，而非参数本身。它是对一个参数编程群体进行操作，所提供的参数信息量大，优化效果好。2）遗传算法是从许多点开始并行操作，并非局限于一点，可有效防止搜索过程收敛于局部最优解。3）遗传算法通过目标函数来计算适值，并不需要其他推导和附加信息，因而对问题的依赖性较小。4）遗传算法的寻优规则是由概率决定的，而非确定性的。5）遗传算法对所解空间进行高效启发式搜索，而非盲目地穷举或完全随机搜索。6）遗传算法对所解的优化问题没有太多的数学要求。7）遗传算法具有并行计算的特点，因而可以通过大规模并行计算来提高计算速度。
2 基于遗传算法的模糊控制
遗传算法是一种基于自然选择和自然遗传学机理进行全局搜索的学习算法，遗传算法对进一步提高模糊控制器的动态和静态性能具有重要的应用价值。可利用遗传算法在固定模糊隶属函数的前提下自动调整模糊控制规则，其主要操作过程如下：1）种群大小。在使用遗传算法时，首先需要解决的是确定种群大小。若种群太小，则不能保证种群中个体的多样性，寻优空间小，导致提前收敛；若种群太大，则增加计算负担，降低了遗传算法的效率。2）参数编码。对模糊控制规则采用自然数编码。3）复制。采用不同的复制方法，即一般复制法、稳态复制法、代沟法和选择种子法，以期对寻优速度和寻优精度进行比较。4）交叉和变异。交叉操作是产生新个体并增大搜索空间的重要手段，但同时容易造成对有效模式的破坏。变异能克服由于交叉、复制操作造成的有效基因的丢失，使搜索在尽可能大的寻优空间中进行。5）适值调整。为防止种群进化过程中提前收敛以及提高进化后期的收敛速度，扩大寻优空间和提高寻优精度，采用窗口法和函数归一化进行适值调整。6）个体目标函数估计。个体是模糊控制器参数的编码，个体目标函数用来估价控制器的性能。7）寻优过程中期望输入的选择。采用变期望输入的方法，使控制器在寻优过程中能够对系统绝大部分状态变化做出响应。遗传算法进一步提高模糊控制器的动静态性具有重要的应用价值。
3 遗传算法在自动控制中的应用
遗传算法在自动控制领域中的应用可以粗略地概括为两类，即离线设计分析和在线自适应调节。其离线应用又可以分为直接设计法和间接设计法。在直接设计法中，GA可被用来作为搜索和优化引擎，例如对一个已知的被控对象选择一个适合的控制结构或优化一个特定控制器的参数设置以满足性能指标的要求。在间接设计法中，用传统的综合设计方法如极点和特征结构配置、H∞鲁棒控制系统设计、定量反馈理论或L综合等进行控制系统的设计，而GA为其提供优化参数如加权函数矩阵。GA的在线应用也可以分为两种情况，一种是GA被用来作为一种学习机制辨识未知或时变系统的特征参数，用于自适应控制器的调整；另一种是用GA直接优化控制器的参数，此时也可以用传统的辨识方法估计系统的状态，构成由GA作为自适应优化机制的自适应控制器。
3.1 遺传算法在电力系统中的应用
对于微型水电站（发电机装机容量小于100kW），通常采用电子负荷调节器作为其稳速装置，使用它可以简化水轮机结构，省去机械调速器，便于运行维护，大大降低成本，这种电子负荷调节器的工作机理就是通过调节发电机输出侧的平衡负载来实现输入和输出的力矩平衡，从而达到控制机组转速稳定的目的，它只在实际负载小于发电机出力的情况下工作。以前的电子负荷调节器仅采用单纯的PID控制，虽然基本满足控制要求，但是其主要存在以下问题，开机和负荷出现较大扰动时，机组转速超调量较大，频率波动范围较大，这就导致机组大的振动，严重影响机组的寿命，同时，大的频率波动也将导致电压不稳，严重影响用电安全和电气设备的寿命。据此，引入遗传算法来对电子负荷调节器PID控制的性能进行优化。遗传算法只需要目标函数的取值信息，因而适用于大规模、非线性的不连续波的多峰函数的优化及无解析表达式的目标函数的优化，具有很强的通用性。电力系统各元件的工作特性是复杂的，系统负载具有很大的时变不确定性和非线性，所以采用单纯的PID控制效果不太理想，系统在有扰动量时会产生较大的超调量，不能达到理想的控制要求。采用遗传算法对参数进行编码，再经改进的遗传操作（选择、交叉、变异），对目标函数采取惩罚功能，就可以较好地避免被控变量出现超调量。并且，经MATLAB仿真效果较为理想。
3.2 遗传算法在模糊控制中的应用
模糊控制是基于模糊集合论，模拟人的近似推理和决策过程的一种实用的控制方法，但是模糊控制是依靠一些固定的推理规则来进行控制的，因而缺乏自学习或自适应能力。将遗传算法和模糊控制相结合，能使模糊推理规则根据实际情况作出相应的变化，从而赋予模糊控制器自动获取模糊推理知识的能力。将遗传算法应用于模糊推理时，根据应用的情况可分为三类：应用于推理规则的前件；应用于推理规则的后件；应用于推理规则的前后件。神经网络用于控制系统时，多采用多层前向神经网络模型。当采用BP算法对神经网络进行训练时，由于需要提供教师信号对网络训练，对时变系统这种训练难以达到很高精度。此外，由于BP算法属于梯度算法，容易陷入局部极小。采用遗传算法对神经网络的各层权系数进行学习，不仅发挥了神经网络的泛化的映射能力，而且，由于采用遗传算法也使网络具有快速收敛性以及较强的学习功能。基于遗传算法寻优的模糊控制器主要是将新近发展起来的遗传算法技术和神经元网络，与模糊控制技术相结合，即利用多层神经网络构筑一类模糊控制器，由遗传算法学习优化网络隐层节点的激发函数，从而实现模糊控制器在线自寻优。
4 结束语
随着人类科学研究、技术探索以及生产活动环境与水平的变化和提高，智能化控制技术将成为未来自动化领域中重要的发展方向之一，这也必将推动材料成型中的焊接自动化技术迈向一个崭新的阶段。而遗传算法是智能自动化控制的重要优化方法，能够为自动化复杂系统的优化提供良好的应用框架，还具有不局限于具体问题的重要特性，对于问题处理由良好的鲁棒性，在自动控制领域有较好的应用效果。
参考文献：
[1]张绍红、王尚旭、宁书年，模拟退火法和遗传算法联合优化技术及在反演解释中的应用[J].煤炭学报，2004（01）.
[2]万月珍、廖成旺，用遗传算法对自动控制系统数学模型寻优[J].地壳形变与地震，2001（02）.
[3]张绍红、王尚旭、宁书年，模拟退火法和遗传算法联合优化技术及在反演解释中的应用[J].煤炭学报，2004（01）.
关键词： 遗传算法；自动控制；应用
中图分类号：TP311 文献标识码：A 文章编号：1671－7597（2011）0520146－01
遗传算法（geneticalgorithms，GA）是基于达尔文的进化论，在微型计算机上模拟生物自然进化机制而发展起来的一门新兴学科，是人工智能新的重要分支。它是一种宏观意义上的仿生算法，体现了“优胜劣汰、适者生存”的竞争机制。对许多采用传统数学难以解决或明显失效的复杂问题，特别是最优化问题，GA提供了一个行之有效的新途径。近年来，由于遗传算法求解复杂问题的巨大潜力及其在工业控制工程领域的成功应用，使其受到了广泛的关注。
1 遗传算法的基本原理和特点
自然界生物体通过自身的演化就能适应于特定的生存环境。而遗传算法就是一种基于生物遗传和进化机制的适合复杂系统计算的自适用概率优化技术。遗传算法的发展过程基本上分为三个阶段：20世纪70年代的起步阶段，80年代的发展阶段和90年代的高潮阶段。进入90年代后，遗传算法已发展成为一种实用、高效、鲁棒性强的优化技术。所谓鲁棒性（robust
Ness）是指能在许多不同的环境中通过概率及功能之问的协调平衡以求生存的能力，人工系统很难达到如生物系统那样的鲁棒性。遗传算法正是吸取了自然界中生物系统“适者生存”的遗传进化机理，从而使它能够提供一个在复杂空间中进行鲁棒搜索的方法。遗传算法是一种更为宏观意义上的仿生算法，它模仿一切生命与智能的产生与进化过程，并通过模拟达尔文“优胜劣汰、适者生存”的原理，激励并保持好的结构；通过模拟孟德尔遗传变异理论在迭代过程中保持已有的结构，同时寻找更好的结构。遗传算法是由随机确定的个体组成群体的集体学习过程。其中每个个体表示给定问题搜索空间中的一点。遗传算法从任意初始的群体出发，通过随机选择、交叉和变异等操作，使群体进化到搜索空间中越来越好的可行解域。选择使群体中适应性好的个体保留下来，交叉是将父代的信息结合在一起并将它们传送到子代个体，变异在群体中引入了新的物种。尽管它是一种基于生物自然选择与遗传机理的随机搜索算法，也被广泛地应用于各行各业，但其数学理论基础被认为是不完善的，如引起过早收敛等。
根据达尔文的进化论，生物在遗传、变异和选择3种因素的总和作用过程中不断地向前发展和进化。遗传算法正是吸取了自然生物系统“适者生存、优胜劣汰”的进化原理，从而使它能够提供一个在复杂空间中随机搜索的方法，为解决许多传统的优化方法难以解决的优化问题提供了新的途径。遗传算法将生物进化原理引入待优化参数形成的编码串群体中，按一定的适值函数及一系列遗传操作对各个个体进行筛选，从而使适值高的个体保存下来，组成新的群体。新群体包含上一代的大量信息，并且引入了新的优于上一代的个体。这样周而复始，群体中各个体的适值不断提高，直至满足一定的极限条件。此时，群体中适值最高的个体即为待优化参数的最优解。遗传算法能够在复杂空间进行全局优化搜索，并且具有较强的鲁棒性；此外，对于搜索空间，遗传算法基本上不需要什么限制性的假设。
与常规优化算法相比，遗传算法有以下特点：1）遗传算法是对参数的编码进行操作，而非参数本身。它是对一个参数编程群体进行操作，所提供的参数信息量大，优化效果好。2）遗传算法是从许多点开始并行操作，并非局限于一点，可有效防止搜索过程收敛于局部最优解。3）遗传算法通过目标函数来计算适值，并不需要其他推导和附加信息，因而对问题的依赖性较小。4）遗传算法的寻优规则是由概率决定的，而非确定性的。5）遗传算法对所解空间进行高效启发式搜索，而非盲目地穷举或完全随机搜索。6）遗传算法对所解的优化问题没有太多的数学要求。7）遗传算法具有并行计算的特点，因而可以通过大规模并行计算来提高计算速度。
2 基于遗传算法的模糊控制
遗传算法是一种基于自然选择和自然遗传学机理进行全局搜索的学习算法，遗传算法对进一步提高模糊控制器的动态和静态性能具有重要的应用价值。可利用遗传算法在固定模糊隶属函数的前提下自动调整模糊控制规则，其主要操作过程如下：1）种群大小。在使用遗传算法时，首先需要解决的是确定种群大小。若种群太小，则不能保证种群中个体的多样性，寻优空间小，导致提前收敛；若种群太大，则增加计算负担，降低了遗传算法的效率。2）参数编码。对模糊控制规则采用自然数编码。3）复制。采用不同的复制方法，即一般复制法、稳态复制法、代沟法和选择种子法，以期对寻优速度和寻优精度进行比较。4）交叉和变异。交叉操作是产生新个体并增大搜索空间的重要手段，但同时容易造成对有效模式的破坏。变异能克服由于交叉、复制操作造成的有效基因的丢失，使搜索在尽可能大的寻优空间中进行。5）适值调整。为防止种群进化过程中提前收敛以及提高进化后期的收敛速度，扩大寻优空间和提高寻优精度，采用窗口法和函数归一化进行适值调整。6）个体目标函数估计。个体是模糊控制器参数的编码，个体目标函数用来估价控制器的性能。7）寻优过程中期望输入的选择。采用变期望输入的方法，使控制器在寻优过程中能够对系统绝大部分状态变化做出响应。遗传算法进一步提高模糊控制器的动静态性具有重要的应用价值。
3 遗传算法在自动控制中的应用
遗传算法在自动控制领域中的应用可以粗略地概括为两类，即离线设计分析和在线自适应调节。其离线应用又可以分为直接设计法和间接设计法。在直接设计法中，GA可被用来作为搜索和优化引擎，例如对一个已知的被控对象选择一个适合的控制结构或优化一个特定控制器的参数设置以满足性能指标的要求。在间接设计法中，用传统的综合设计方法如极点和特征结构配置、H∞鲁棒控制系统设计、定量反馈理论或L综合等进行控制系统的设计，而GA为其提供优化参数如加权函数矩阵。GA的在线应用也可以分为两种情况，一种是GA被用来作为一种学习机制辨识未知或时变系统的特征参数，用于自适应控制器的调整；另一种是用GA直接优化控制器的参数，此时也可以用传统的辨识方法估计系统的状态，构成由GA作为自适应优化机制的自适应控制器。
3.1 遺传算法在电力系统中的应用
对于微型水电站（发电机装机容量小于100kW），通常采用电子负荷调节器作为其稳速装置，使用它可以简化水轮机结构，省去机械调速器，便于运行维护，大大降低成本，这种电子负荷调节器的工作机理就是通过调节发电机输出侧的平衡负载来实现输入和输出的力矩平衡，从而达到控制机组转速稳定的目的，它只在实际负载小于发电机出力的情况下工作。以前的电子负荷调节器仅采用单纯的PID控制，虽然基本满足控制要求，但是其主要存在以下问题，开机和负荷出现较大扰动时，机组转速超调量较大，频率波动范围较大，这就导致机组大的振动，严重影响机组的寿命，同时，大的频率波动也将导致电压不稳，严重影响用电安全和电气设备的寿命。据此，引入遗传算法来对电子负荷调节器PID控制的性能进行优化。遗传算法只需要目标函数的取值信息，因而适用于大规模、非线性的不连续波的多峰函数的优化及无解析表达式的目标函数的优化，具有很强的通用性。电力系统各元件的工作特性是复杂的，系统负载具有很大的时变不确定性和非线性，所以采用单纯的PID控制效果不太理想，系统在有扰动量时会产生较大的超调量，不能达到理想的控制要求。采用遗传算法对参数进行编码，再经改进的遗传操作（选择、交叉、变异），对目标函数采取惩罚功能，就可以较好地避免被控变量出现超调量。并且，经MATLAB仿真效果较为理想。
3.2 遗传算法在模糊控制中的应用
模糊控制是基于模糊集合论，模拟人的近似推理和决策过程的一种实用的控制方法，但是模糊控制是依靠一些固定的推理规则来进行控制的，因而缺乏自学习或自适应能力。将遗传算法和模糊控制相结合，能使模糊推理规则根据实际情况作出相应的变化，从而赋予模糊控制器自动获取模糊推理知识的能力。将遗传算法应用于模糊推理时，根据应用的情况可分为三类：应用于推理规则的前件；应用于推理规则的后件；应用于推理规则的前后件。神经网络用于控制系统时，多采用多层前向神经网络模型。当采用BP算法对神经网络进行训练时，由于需要提供教师信号对网络训练，对时变系统这种训练难以达到很高精度。此外，由于BP算法属于梯度算法，容易陷入局部极小。采用遗传算法对神经网络的各层权系数进行学习，不仅发挥了神经网络的泛化的映射能力，而且，由于采用遗传算法也使网络具有快速收敛性以及较强的学习功能。基于遗传算法寻优的模糊控制器主要是将新近发展起来的遗传算法技术和神经元网络，与模糊控制技术相结合，即利用多层神经网络构筑一类模糊控制器，由遗传算法学习优化网络隐层节点的激发函数，从而实现模糊控制器在线自寻优。
4 结束语
随着人类科学研究、技术探索以及生产活动环境与水平的变化和提高，智能化控制技术将成为未来自动化领域中重要的发展方向之一，这也必将推动材料成型中的焊接自动化技术迈向一个崭新的阶段。而遗传算法是智能自动化控制的重要优化方法，能够为自动化复杂系统的优化提供良好的应用框架，还具有不局限于具体问题的重要特性，对于问题处理由良好的鲁棒性，在自动控制领域有较好的应用效果。
参考文献：
[1]张绍红、王尚旭、宁书年，模拟退火法和遗传算法联合优化技术及在反演解释中的应用[J].煤炭学报，2004（01）.
[2]万月珍、廖成旺，用遗传算法对自动控制系统数学模型寻优[J].地壳形变与地震，2001（02）.
[3]张绍红、王尚旭、宁书年，模拟退火法和遗传算法联合优化技术及在反演解释中的应用[J].煤炭学报，2004（01）.