遺傳算法在自動控制領(lǐng)域的實際應用

1、遺傳算法在自動控制領(lǐng)域的應用信息與控制學院 10自動化2班 宋曉莉20101336048一、引言隨著現(xiàn)代控制理論和計算機技術(shù)的持續(xù)快速發(fā)展，控制工程師面 臨著越來越嚴峻的挑戰(zhàn)：選擇適合的控制器結(jié)構(gòu)然后優(yōu)化其參數(shù)以滿 足特定實際應用的性能要求。實際上，控制系統(tǒng)的建模和設(shè)計都是在 具有噪聲情況下的多?？臻g中的多維優(yōu)化任務。由于在實際應用當 中，傳統(tǒng)的解析和數(shù)值方法需要的目標函數(shù)的優(yōu)良特性已經(jīng)不再存 在，因而傳統(tǒng)優(yōu)化方法都不能輕易或準確地進行這一多維多模優(yōu)化任 務。同傳統(tǒng)的基于微積分的方法和窮舉法等算法相比， 遺傳算法（GA） 是一種成熟的具有極高魯棒性和廣泛適用性的全局優(yōu)化方法。由于 GA具有不受

2、問題性質(zhì)（如連續(xù)性，可微性）的限制，能夠處理傳統(tǒng)優(yōu) 化算法難以解決的復雜問題等優(yōu)點，顯示了它在解決控制系統(tǒng)優(yōu)化方 面的巨大潛力，因而引起了控制領(lǐng)域的極大關(guān)注。 近年來在自動控制 領(lǐng)域，遺傳算法在PID控制、線性和非線性、最優(yōu)、魯棒、自適應、 滑模、模糊邏輯、神經(jīng)網(wǎng)絡、參數(shù)估計和系統(tǒng)辨識、模型線性化和控 制器降階機器人手臂控制和軌跡規(guī)劃等方面得到了廣泛的應用。矚慫潤厲釤瘞睞櫪廡賴。二、遺傳算法及其改進遺傳算法是基于自然選擇和基因遺傳學原理的隨機搜索算法。圖 1給出了 GA的一般框架圖I 遺傳冀法的-股框架它將適者生存這一基本的進化理論引入串結(jié)構(gòu)，使用復制、交叉和變異等基因操作，在串之同進行有組織

3、但又隨機的信息交換。 伴隨著算 法的運行，優(yōu)良的品質(zhì)被逐漸不斷地繼承下來，壞的特性被逐漸淘 汰.新一代個體中既包含著上一代個體的大量信息，又不斷地在總體特性上勝過舊一代，從而使整個群體向前進化發(fā)展。 對于GA所優(yōu)化 的問題，也就是不斷地接近于最優(yōu)解 。聞創(chuàng)溝燴鐺險愛氌譴凈。過去的十幾年中，人們對如何改進GA的性能進行了大量的研究.除了比例選擇策略外，又研究了基于排序的選擇、精英選擇、穩(wěn) 態(tài)選擇和競爭選擇等新的復制機制提出了兩點、多點和一致變異作為 傳統(tǒng)一點變異的改進和補充；應用格霄碼和動態(tài)編碼克服定點十進制 整殘騖樓諍錈瀨濟溆塹籟。數(shù)編碼所就帶來的問題；提出自適應技術(shù)動態(tài)改變 GA控制參數(shù)克服

4、 采取傳統(tǒng)的靜態(tài)控制參數(shù)策略引起的多樣性和收斂性不均衡問題；研究用梯度方法、單純型法或模擬遇火方法精細調(diào)整的混臺GA，以提高算法的收斂速度；提出用均勻分布的初始群體代替隨機產(chǎn)生的初始 種群，以及交叉位置非等概率選取和具有大變異操作的GA ;研究了分布式 GA、遷徙 GA和并GA。釅錒極額閉鎮(zhèn)檜豬訣錐。三、GA在控制領(lǐng)域中的應用遺傳算法在自動控制領(lǐng)域中的應用可以粗略的概括為兩類，即離 線設(shè)計分析和在線自適應調(diào)節(jié)。其離線應用又可以分為直接設(shè)計法和 間接設(shè)計法.在直接設(shè)計法中，GA可被用來作為搜索和優(yōu)化引擎， 例如對一個已知的被控對象選擇一個適臺的控制結(jié)構(gòu)或優(yōu)化一個特 定控制器的參數(shù)設(shè)置以滿足性能指

5、標的要求. 在間接設(shè)計法中，用傳 統(tǒng)的綜臺設(shè)計方法如極點和特征結(jié)構(gòu)配置、H*魯棒控制系統(tǒng)設(shè)計、定量反饋理論或綜合等進行控制系統(tǒng)的設(shè)計，而GA為其提供優(yōu)化參 數(shù)如加權(quán)函數(shù)矩陣、GA的在線應用也可以分為兩種情況，一種是 GA被用來作為一種學習機制辨識未知或時變系統(tǒng)的特征參數(shù)，用于 自適應控制器的調(diào)整；另一種是用GA直接優(yōu)化控制器的參數(shù)，此時 也可以用傳統(tǒng)的辨識方法估計系統(tǒng)的狀態(tài)， 構(gòu)成由GA作為自適應優(yōu) 化機制的自適應控制器 。 彈貿(mào)攝爾霽斃攬磚鹵廡。3. 1系統(tǒng)辨識和模型降階系統(tǒng)辨識是控制系統(tǒng)設(shè)計的基礎(chǔ)有許多有效的方法.但是這些技術(shù) 的絕大部分所處理的都是參數(shù)的線性模型，并且基于搜索空間是連續(xù)

6、和可微的假設(shè).目前的在線辨識方法都是離線方法（如最小二乘法、極大似自然等方法）的遞歸實現(xiàn).這些遞推方法本質(zhì)上都是使用梯度 技術(shù)的局部搜索方法。在搜索空間不可微或參數(shù)非線性時， 這些方法 都不容易找到全局最優(yōu)解。另外傳統(tǒng)的辨識方法一般是先確定模型結(jié) 構(gòu)，再確定模型的參數(shù).而系統(tǒng)結(jié)構(gòu)的確定往往需要許多先驗知識， 當結(jié)構(gòu)不理想時，需要重新確定結(jié)構(gòu)，再進行參數(shù)辨識這使得辨識 要經(jīng)歷從確定結(jié)構(gòu)到確定參數(shù)的多次反復。遺傳算法不需要假設(shè)搜索空間是可微或蓮續(xù)的.在每一代，它同時搜索參數(shù)空間的不同區(qū)域， 并將搜索方向指向具有較高概率找到更優(yōu)解的區(qū)域。它同時處理搜索空間中的多個點，增加了收斂到全局最優(yōu)解的可能性。

7、GA為非線性系統(tǒng)的辨識提供了一種簡單有效的方法.謀養(yǎng)摶篋飆鐸懟類蔣薔。3. 2最優(yōu)控制許多控制問題都可以歸結(jié)為求解對應不同系統(tǒng)狀態(tài)的一組最優(yōu)控 制作用。傳統(tǒng)的尋優(yōu)方法通常都是沿著指標函數(shù)的梯度方向搜索，普遍存在著對輸人初值敏感，迭代收斂速度慢，容易陷入局部極小等缺 點。遺傳算法在最優(yōu)控制方面也得到了廣泛的應用，KrishnakumarDa 將用GA設(shè)計的兩個反饋控制系統(tǒng)與傳統(tǒng)設(shè)計方法的結(jié)果進行了比 較，說明GA的結(jié)果是好的。Michalewicz應用改進的浮點數(shù)編碼 GA 對離散時同最優(yōu)控制問題進行了研究。線性二次型問題、收獲問廈礴懇蹣駢時盡繼價騷。題、手推車問題的成功例子說明了 GA在最優(yōu)控

8、制問題的應用潛力。 陳根社提出用GA求解Riccati方程，并將該方法用于飛船控制系統(tǒng) 的最優(yōu)設(shè)計之中.Takahashi研究了采用由系統(tǒng)擾動和參考輸人到控 制輸出傳遞函數(shù)的H和H。范數(shù)作為優(yōu)化準則的PID優(yōu)化設(shè)計，結(jié) 出了遺傳優(yōu)化和傳統(tǒng)梯度優(yōu)化的對比結(jié)果.基于最優(yōu)控制原理，Potter研究了高度交互動力學多變量復雜系統(tǒng)的一種多變量數(shù)字PID控制方案，使用GA調(diào)節(jié)方案中的矩陣集臺，該方案可以推廣到其它系 統(tǒng).Ge將GA與Lyapunov方法相結(jié)合，設(shè)計出了穩(wěn)定的閉環(huán)系統(tǒng)， 同時 煢楨廣鰳鯡選塊網(wǎng)羈淚。又達到了滿意的性能指標。3. 3非線性系統(tǒng)控制在控制系統(tǒng)設(shè)計中，許多控制問題可以包括在優(yōu)化的框

9、架內(nèi).通常這種優(yōu)化任務需要在多維空間中同時確定若干個參數(shù).由于實際問題往往帶有嚴格的約束和非線性，同時指標函數(shù)可能既不連續(xù)又不可 微，不同的參數(shù)組臺可能得到相同的控制作用. 傳統(tǒng)優(yōu)化方法對初始 值的選取都很敏感，很容易陷入初始解附近的局部極值. 遺傳算法為 非線性控制系統(tǒng)的優(yōu)化提供了一種有效途徑。徐滇生討論了利用GA進行控制器參數(shù)優(yōu)化問題，研究了利用 GA確定具有特定結(jié)構(gòu)的 鵝婭 盡損鶴慘歷蘢鴛賴。非線性系統(tǒng)的參數(shù)值.指出在實現(xiàn)給定的性能指標下，可獲得全局最 優(yōu)的控制器參數(shù).高曉智在Michie的倒立擺控制BOXES方案的基礎(chǔ) 上，利用GA對每個BOX中的控制作用進行了尋優(yōu)，結(jié)果表明 GA 可

10、以有效的解決倒立擺的平衡問題+金希東口”針對遺傳算法的早熟 問題.提出進一步模擬自然界中的災變現(xiàn)象，以提高遺傳算法的性能+將遺傳災變算法應用于非線性系統(tǒng) PID控制器的參數(shù)優(yōu)化.陳根社 Jig將GA用于綜合火力/飛行控制系統(tǒng)的參數(shù)設(shè)計中.在 籟叢媽羥為贍債蟶練淨。某高速殲擊機數(shù)學模型的基礎(chǔ)上，采用GA自動調(diào)節(jié)參數(shù)獲得了滿意 的性能.現(xiàn)有的基于仿真的計算機輔助設(shè)計 CAD軟件包可以模擬受約束 系統(tǒng)的特性并計算幾乎任何類型的性能指標.Li Yun以一個帶有時滯 的線性對象和一個沒有經(jīng)過線性化的對象為例子說明如何在仿真的基礎(chǔ)上，應用GA根據(jù)系統(tǒng)的性能要求設(shè)計線性控制器.Christopher預頌圣鉉

11、儐歲齦訝驊糴。以A 4飛機的穩(wěn)定控制系統(tǒng)為對象，將遺傳算法用于控制系統(tǒng)的分析 與設(shè)計的研究，顯示了反饋控制系統(tǒng)結(jié)構(gòu)和參數(shù)一體化設(shè)計的可行 性.因為GA不需要指標函數(shù)的微分，所以基于遺傳算法和性能分析 的設(shè)計自動化方法，能夠考慮實際系統(tǒng)的許多性能要求. 并可以直接 設(shè)計非線性對象的線性控制器，而不需要先將對象進行線性化。實踐 證明這是控制系統(tǒng)設(shè)計的一種有效方法。滲釤嗆儼勻諤鱉調(diào)硯錦。37神經(jīng)網(wǎng)絡控制遺傳算法在神經(jīng)網(wǎng)絡優(yōu)化方面的應用，是近來的一個非常重要的 應用方向.由于神經(jīng)網(wǎng)絡所具有的能充分逼近任意復雜的非線性關(guān) 系、很強的棒性和容錯性、犬規(guī)模并行性和能學習與適應嚴重不確定 系統(tǒng)的動態(tài)特性等優(yōu)勢

12、，從而引起了控制領(lǐng)域的極大關(guān)注.神經(jīng)網(wǎng)絡 應用于控制系統(tǒng)的研究異?；钴S，并得到了相當?shù)倪M展神經(jīng)網(wǎng)絡應用于控制領(lǐng)域，采用最普遍的是多層前饋神經(jīng)網(wǎng)絡模型，它具有廣泛的從輸入到輸出的映射能力.但由于采用反向傳播算法常常需要很 長的時間才能收斂，而且不可避免地會遇到局部極小問題. 同優(yōu)化模 糊控制系統(tǒng)類似，用GA對神經(jīng)網(wǎng)絡進行優(yōu)化也可以分為： 優(yōu)化同絡 結(jié)構(gòu)、優(yōu)化權(quán)系數(shù)和同時優(yōu)化結(jié)構(gòu)和參數(shù)三個方面.Steve432將GA應用于神經(jīng)網(wǎng)絡中，通過 GA對神經(jīng)網(wǎng)絡的權(quán)值進行訓練.劉寶坤 研究了用改進的GA來優(yōu)化神經(jīng)網(wǎng)絡辨識器和控制器的參數(shù)，以期提 高控制系統(tǒng)的性能.廖俊應用先驗知識確定參數(shù)變化范圍，針對一&

13、#39;s模糊模型的神經(jīng)網(wǎng)絡表示，用 GA進行了模糊神經(jīng)同絡權(quán)值的優(yōu)化.很多文獻也進行了這方面的研究.仿真結(jié)果表明，采用GA學習的神經(jīng)網(wǎng)絡控制器兼有神經(jīng)網(wǎng)絡的廣泛映射能力和遺傳算法快速 收斂以及增強式學習等性能 。鐃誅臥瀉噦圣騁貺頂廡。3. 8多目標優(yōu)化由于現(xiàn)代非線性控制器具有大量可調(diào)控參數(shù)，在控制系統(tǒng)結(jié)構(gòu)和性能 要求確定的情況下，多目標遺傳算法為參數(shù)調(diào)整提供了一個高效的選 擇方法。CarlosC “研究了一種處理多目標、多約束條件問題的遺傳 算法.該算法采用 Paerto排序的適應值分配策略處理多目標優(yōu)化問 題，應用小生境形成技術(shù)提高候選解的多樣性.算法應用于發(fā)動機低壓腔速度控制器的設(shè)計，展

14、示了多目標GA優(yōu)化技術(shù)在控制系統(tǒng)設(shè)計 方面的優(yōu)勢。TrebiC借鑒模糊集合和模糊推理的概念，提出一種基 于遺傳算法的多目標模糊優(yōu)化方法，該方法用隸屬度權(quán)重策略確定一 個優(yōu)化目標的相對重要性.給出了遙控操作水下船只的深度控擁締鳳襪備訊顎輪爛薔。制系統(tǒng)輸八輸出線性化滑模控制器的參數(shù)優(yōu)化設(shè)計例子.王廣雄運用基于排序計算適應值的多目標遺傳算法對伺服系統(tǒng)的干擾抑制聯(lián) 合 綜合進行了設(shè)計尋優(yōu).其結(jié)果從多目標優(yōu)化的角度，表明遺傳算 法能成功地搜索出伺服系統(tǒng)干擾抑制設(shè)計的性能極限，同時說明采用低階的性能權(quán)函數(shù)便可以使設(shè)計達到最好性能 。贓熱俁閫歲匱閶鄴鎵騷。很多結(jié)果表明，遺傳設(shè)計方法能夠縮短設(shè)計時間，改善系統(tǒng)

15、性能， 提高精度.使用GA進行制系統(tǒng)優(yōu)化的主要缺點是需要很大的計算 量.但實際上，對于多目標優(yōu)化，計算量大這一點就顯得不明顯了， 因為它減少了從復雜的設(shè)計參數(shù)空間選擇設(shè)計方案的難度.對多目標優(yōu)化的能力使GA成為設(shè)計工程師的有力工具.壇搏鄉(xiāng)囂懺蔞鍥鈴氈淚。3. 9實時和自適應控制將GA用于實時控制所遇到的兩個最主要的問題是： 每一代的執(zhí)行 時間是否能足夠短；是否能保證在每一代產(chǎn)生穩(wěn)定的控制律。執(zhí)行時間同題可以通過并行 GA、增量GA和匕GA部分解決。增量 GA 在每一代只產(chǎn)生一個或兩個新個體，因而可以縮短每代的循環(huán)時間以 及內(nèi)存需求，但是可能產(chǎn)生不了滿意的新個體。GA使用很小的種群， 能產(chǎn)生更多

16、的個體，但缺乏基因的多樣性.保證在每一代都形成滿意 的控制律是一個更難于解決的問題.例如，一個不敏感的控制器可能 有很多參數(shù)組合都是滿意的控制律.因此GA很可能產(chǎn)生了滿意的控 制律，但由于此控制律導致控制器參數(shù)極大的變化， 而帶來穩(wěn)定性問 題。 蠟變黲癟報倀鉉錨鈰贅。4討論與展望遺傳算法得到了迅猛發(fā)展，并在各學科領(lǐng)域得到了廣泛的應用. 然而 遺傳算法還遠非十分完美，還存在一些有待解決的問題，主要表現(xiàn)在 以下幾個方面：算法存在著早熟問題；算法存在著收斂速度低的 問題，特別在處理高維且復雜程度較高的問題時， 這個問題尤為突出； 算法自身參數(shù)選取存在困難。遺傳算法在自動控制方面的應用多數(shù) 處于理論性

17、仿真研究階段3，實際控制系統(tǒng)中的應用還比較少.如 何針對控制系統(tǒng)的特點選擇適用于控制系統(tǒng)分析和設(shè)計的GA或其變形結(jié)構(gòu)是今后需要進一步研究的內(nèi)容. 將GA應用于自動控制領(lǐng)域 應該解決的問題主要有：買鯛鴯譖曇膚遙閆擷凄。 如何將實際控制系統(tǒng)需要解決的問題合理地轉(zhuǎn)化為用遺傳算法能夠處理和解決的優(yōu)化問題。這依賴于設(shè)計者對實際工程問題以及控制 理論的理解、熟悉和掌握程度 。綾鏑鯛駕櫬鶘蹤韋轔糴。 編碼機制的確定，即怎樣合理地進行編碼以組成染色體， 是使用二進制、整數(shù)、實數(shù)還是對數(shù)編碼，是否采用加速基因、方向因子和結(jié) 構(gòu)控制基因.編碼機制是GA表示優(yōu)化問題變量的結(jié)構(gòu)基礎(chǔ)， 與被優(yōu) 化問題和被優(yōu)化問題的變量特性息息相關(guān)。驅(qū)躓髏彥浹綏譎飴憂錦。 如何有效地處理約束條件，是采用染色體修補、懲罰函數(shù)還是將約 束考慮在對象仿真模型當中.實際控制系統(tǒng)含有大量的約束條件，如 何有效地處理約束條件，是 GA急需解決的問題之一 。 貓蠆驢繪燈鮒誅髏貺廡。 怎樣有效地解決多目標優(yōu)化問題.由于傳統(tǒng)的GA本質(zhì)上是無約束、單目標的優(yōu)化算法，而實際系統(tǒng)經(jīng)常有多個性能指標，怎樣有效 地解決多目標優(yōu)化問題 是目前GA除了理論研究以外最熱門的問題 之一。鍬籟饗逕瑣筆襖鷗婭薔。5結(jié)論本文詳細綜述了近年來 GA在自動控制領(lǐng)域中的應用.由于 G