遺傳算法的pid控制器的設(shè)計.doc

上傳人:good****022 文檔編號:116776025 上傳時間:2022-07-06 格式:DOC 頁數(shù):81 大?。?.33MB
收藏 版權(quán)申訴 舉報 下載
遺傳算法的pid控制器的設(shè)計.doc_第1頁
第1頁 / 共81頁
遺傳算法的pid控制器的設(shè)計.doc_第2頁
第2頁 / 共81頁
遺傳算法的pid控制器的設(shè)計.doc_第3頁
第3頁 / 共81頁

下載文檔到電腦,查找使用更方便

10 積分

下載資源

還剩頁未讀,繼續(xù)閱讀

資源描述:

《遺傳算法的pid控制器的設(shè)計.doc》由會員分享,可在線閱讀,更多相關(guān)《遺傳算法的pid控制器的設(shè)計.doc(81頁珍藏版)》請在裝配圖網(wǎng)上搜索。

1、本科畢業(yè)設(shè)計(論文)遺傳算法的PID控制器的設(shè)計姜山燕 山 大 學2011年 6月本科畢業(yè)設(shè)計(論文)遺傳算法的PID控制器的設(shè)計學院(系):里仁學院 專 業(yè):測控技術(shù)與儀器 學生 姓名:姜山 學 號:071203021060 指導 教師:劉莉 答辯 日期:2011年6月19日 燕山大學畢業(yè)設(shè)計(論文)任務(wù)書學院:電氣工程學院 系級教學單位:自動化儀表系 學號071203021060學生姓名姜山專 業(yè)班 級儀表07-2題目題目名稱遺傳算法的PID控制器的設(shè)計題目性質(zhì)1.理工類:工程設(shè)計 ( );工程技術(shù)實驗研究型( );理論研究型( );計算機軟件型( );綜合型( )。2.文管類( );3.

2、外語類( );4.藝術(shù)類( )。題目類型1.畢業(yè)設(shè)計( ) 2.論文( )題目來源科研課題( ) 生產(chǎn)實際( )自選題目( ) 主要內(nèi)容遺傳算法是一種有效的搜索算法,用于復雜問題的優(yōu)化可以達到良好的控制效果。內(nèi)容:1、學習遺傳算法的基本原理,2、設(shè)計完整的優(yōu)化控制方案,3、算法研究,4、應(yīng)用研究,5、仿真研究?;疽?、閱讀國內(nèi)外有關(guān)資料;畢業(yè)設(shè)計期間遵守紀律;2、獨立進行畢業(yè)設(shè)計工作,培養(yǎng)科研工作能力;3、完整給出設(shè)計說明書一份(不少于2萬字),A1圖紙一張;英文資料翻譯不少于3千字;說明書要求條理清晰,文字通順,符合畢業(yè)設(shè)計撰寫規(guī)范的要求;論文及圖紙中的文字符號符合國家現(xiàn)行標準。4、完成

3、算法研究和應(yīng)用研究參考資料 周明.遺傳算法原理及其應(yīng)用.北京: 人民郵電出版社,1999 劉勇.非數(shù)值并行算法-遺傳算法.北京;科學出版社,1995 李敏強.遺傳算法的基本理論與應(yīng)用.北京:機械工業(yè)出版社,2002 李國勇. 智能控制及其MATLAB實現(xiàn). 電子工業(yè)出版社. 2005年。周 次14周58周912周1316周1718周應(yīng)完成的內(nèi)容調(diào)研 收集資料掌握遺傳算法的基本理論確定總體方案模型確立 方案分析算法研究軟件設(shè)計及調(diào)試 設(shè)計總結(jié)撰寫論文準備答辯 指導教師:劉莉職稱:副教授 2010 年 12 月25 日系級教學單位審批: 年 月 日摘要摘要本文提出了一種新的PID參數(shù)設(shè)計方法,它以

4、誤差積分型性能指標為目標函數(shù),以設(shè)計參數(shù)的取值范圍為約束條件建立了優(yōu)化數(shù)學模型。之后,在Matlab環(huán)境下,將遺傳算法同Simulink:仿真技術(shù)有機融合來求解該優(yōu)化模型,數(shù)值實驗表明:本方法簡單直觀,通用性強,所設(shè)計的PID性能優(yōu)異,十分適合于工程應(yīng)用。PID調(diào)節(jié)器是最早發(fā)展起來的控制策略之一,遺傳算法是一種借鑒生物界自然選擇和自然遺傳學機理上的迭代自適應(yīng)概率性搜索算法。本文提出了一種基于遺傳算法的PID控制器參數(shù)優(yōu)化設(shè)計。遺傳算法模仿生物進化的步驟,在優(yōu)化過程中引入了選擇,交叉,變異等算子,選擇是從父代種群中將適應(yīng)度較高的個體選擇出來,以優(yōu)化種群;交叉是從種群中隨機地抽取一對個體,并隨機地

5、選擇多位進行交叉,生成新樣本,達到增大搜索空間的目的;變異是為了防止選擇和交叉丟失重要的遺傳信息,它對個體按位進行操作,以提高GA的搜索效率和全局搜索能力。通過適應(yīng)度函數(shù)來確定尋優(yōu)方向,與其他一些常規(guī)整定方法相比,遺傳算法比較簡便,整定精度較高。本文用遺傳算法對柴油機調(diào)速系統(tǒng)的PID參數(shù)進行了優(yōu)化,對該系統(tǒng)進行了仿真,實驗結(jié)果表明該種算法的有效性,也表明遺傳算法是一種簡單高效的尋優(yōu)算法,與傳統(tǒng)的尋優(yōu)方法相比明顯地改善了控制系統(tǒng)的動態(tài)性能。關(guān)鍵詞: 遺傳算法;PID控制器;參數(shù)優(yōu)化;仿真I 燕山大學本科生畢業(yè)設(shè)計(論文)AbstractThis paper puts forward a new

6、method of designing the parameters of PID controller.Adopting error integral criterion as the objective function along with the constraints described by the minimal gain and phase margin and the parameter ranges,we get the mathematical model for optimization.A genetic algorithm developed under Matla

7、b environment is well combined with Simulink techniques to solve the optimization problem.The numerical experiment shows that though the method is simple and perspicuous,it gives PID of high performance.Thus it is a very suitable method for designing PID in engineering application.PID regulator is o

8、ne of the first developed one of the control strategy, genetic algorithm is a kind of natural selection from biological genetics and natural mechanism of the iterative adaptive probabilistic search algorithm. In this paper, a genetic algorithm based on the Optimal Design of PID controller parameters

9、. Genetic algorithms to imitate the steps of biological evolution, in the optimization process of the introduction of selection, crossover and mutation operators, etc., choose from the parent population will adapt to a higher degree of individual choice in order to optimize the population; to achiev

10、e the purpose of increasing search space; variation is to prevent the loss of choice and cross-important genetic information. In this paper, genetic algorithm of the PID speed control system of diesel engine parameters are optimized, the system simulation, experimental results show that the algorith

11、m also shows that the genetic algorithm is a simple and efficient optimization algorithm, with the traditional optimization methods significantly improved the control system dynamic performance. Key words: genetic algorithm;PID controller;parameter optimization;simulationIII目 錄摘要IAbstractII第1章 緒論11.

12、1 課題背景11.2 國內(nèi)外研究現(xiàn)狀及成果21.3 當前研究存在的問題41.4 本文研究的目的和意義51.5 本論文主要工作6第2章 遺傳算法72.1 遺傳算法的簡介72.1.1 遺傳算法的歷史和發(fā)展72.1.2 遺傳算法的應(yīng)用領(lǐng)域92.1.3 遺傳學的概念92.2 遺傳算法的基本原理及特點102.3 遺傳算法的基本步驟112.4 遺傳算法的應(yīng)用關(guān)鍵132.5本章小結(jié)15第3章 遺傳算法的MATLAB實現(xiàn)163.1 遺傳算法工具箱總體介紹163.2 遺傳算法工具箱函數(shù)應(yīng)用173.3 本章小結(jié)22第4章 PID控制器模型244.1 PID參數(shù)優(yōu)化方法綜述244.2 柴油機PID控制器模型334.

13、2.1 測速環(huán)節(jié)334.2.2柴油機334.2.3 執(zhí)行器344.2.4 控制器344.3本章小結(jié)34第5章 遺傳算法的PID參數(shù)優(yōu)化設(shè)計及仿真355.1 遺傳算法的PID參數(shù)優(yōu)化策略355.2 PID控制器在SIMULINK中的仿真框圖365.3 基于遺傳算法優(yōu)化柴油機調(diào)速系統(tǒng)PID參數(shù)375.4 柴油機調(diào)速系統(tǒng)仿真實驗395.5 本章小結(jié)42結(jié)論43參考文獻44致謝46附錄1 開題報告47附錄2 文獻綜述52附錄3 外文翻譯56附錄4 (程序清單)6469第1章 緒論第1章 緒論1.1 課題背景PID調(diào)節(jié)器是最早發(fā)展起來的控制策略之一,因為它所涉及的設(shè)計算法和控制結(jié)構(gòu)都是簡單的,并且十分適

14、用于工程應(yīng)用背景,此外PID控制方案并不要求精確的受控對象的數(shù)學模型,且采用PID控制的控制效果一般是比較令人滿意的,所以在工業(yè)實際應(yīng)用中,PID調(diào)節(jié)器是應(yīng)用最為廣泛的一種控制策略,也是歷史最久、生命力最強的基本控制方式。調(diào)查結(jié)果表明在當今使用的控制方式中,PID型占84.5%,優(yōu)化PID型占6.8%,現(xiàn)代控制型占有1.5%,手動控制型6.6%,人工智能(AI)型占0. 6%。如果把PID型和優(yōu)化PID型二者加起來則占90%以上,這說明PID控制方式占絕大多數(shù),如果把手動控制型再與上述兩種加在一起,則占97. 5%,這說明古典控制占絕大多數(shù)。就連科學技術(shù)高度發(fā)達的日本,PID控制的使用率也高達

15、84.%。這是由于理論分析及實際運行經(jīng)驗已經(jīng)證明了PID調(diào)節(jié)器對于相當多的工業(yè)過程能夠起到較為滿足的控制效果。它結(jié)構(gòu)簡單、適用面廣、魯棒性強、參數(shù)易于調(diào)整、在實際中容易被理解和實現(xiàn)、在長期應(yīng)用中已積累了豐富的經(jīng)驗。特別在工業(yè)過程中,由于控制對象的精確數(shù)學模型難以建立,系統(tǒng)的參數(shù)又經(jīng)常發(fā)生變化,運用現(xiàn)代控制理論分析綜合要耗費很大的代價進行模型辨識,但往往不能達到預(yù)期的效果,所以不論常規(guī)調(diào)節(jié)儀表還是數(shù)字智能儀表都廣泛采用這種調(diào)節(jié)方式。正是由于PID控制算法具有以上多種優(yōu)點,所以這種算法仍將在現(xiàn)場控制中居于主導地位隨著現(xiàn)代控制理論的建立和不斷發(fā)展完善,對過程控制提出了新的方法和思路,同時也由于生產(chǎn)工

16、藝不斷地改進提高,對過程控制也提出了高要求??蒲腥藛T在不斷探索新方法的同時,也對傳統(tǒng)的PID控制的改進做了大量的研究。因為PID控制有其固有的優(yōu)點,使得PID控制在今后仍會大量使用,如何進一步提高PID控制算法的能力或者依據(jù)新的現(xiàn)代控制理論來設(shè)計PID控制算法是一個非常吸引人的課題。科研人員在這一領(lǐng)域做的工作主要有以下兩方面。(1)PID參數(shù)自整定。由于受控對象存在著大量不可知因素,如隨機擾動、系統(tǒng)時變、敏感誤差等,這些不可知因素的作用常會導致受控對象參數(shù)的改變。在一個PID反饋控制回路中,受控對象參數(shù)的變化就會造成原來的PID參數(shù)控制性能的降低,為了克服這個問題人們提出了PID參數(shù)自整定,也

17、就是隨著受控對象的變化PID調(diào)節(jié)器自我調(diào)整和重新設(shè)定PID參數(shù),科研人員根據(jù)古典控制理論和現(xiàn)代控制理論提出了許多種PID參數(shù)的在線自整定的方法。至今仍有人在這方面繼續(xù)作研究。PID參數(shù)在線自整定方法比較典型的有改進型Ziegler-Nichols臨界比例度法、基于過程模型辨識的參數(shù)自整定、基于經(jīng)驗的專家法參數(shù)自整定、模糊型PID調(diào)節(jié)器等。(2)PID參數(shù)優(yōu)化。PID參數(shù)優(yōu)化是指依據(jù)一定的控制目標和給定的生產(chǎn)過程的模型通過理論計算得到最優(yōu)的PID參數(shù),PID參數(shù)優(yōu)化在PID控制應(yīng)用之初人們就開始作了大量研究工作,已經(jīng)提出了許多種方法,如粒子群優(yōu)化算法,免疫算法,單純形法,差分進化算法,神經(jīng)網(wǎng)絡(luò)算

18、法,遺傳算法等。 本文就是應(yīng)用遺傳算法對柴油機調(diào)速體統(tǒng)的PID參數(shù)進行優(yōu)化,使系統(tǒng)具有更好的性能。1.2 國內(nèi)外研究現(xiàn)狀及成果進入90年代,遺傳算法迎來了興盛發(fā)展時期,無論是理論研究還是應(yīng)用研究都成了十分熱門的課題。尤其是遺傳算法的應(yīng)用研究顯得格外活躍,不但它的應(yīng)用領(lǐng)域擴大,而且利用遺傳算法進行優(yōu)化和規(guī)則學習的能力也顯著提高,同時產(chǎn)業(yè)應(yīng)用方面的研究也在摸索之中。此外一些新的理論和方法在應(yīng)用研究中亦得到了迅速的發(fā)展,這些無疑均給遺傳算法增添了新的活力。遺傳算法的應(yīng)用研究已從初期的組合優(yōu)化求解擴展到了許多更新、更工程化的應(yīng)用方面。1991年D.Whitey在他的論文中提出了基于領(lǐng)域交叉的交叉算子(

19、Adjacency based crossover),這個算子是特別針對用序號表示基因的個體的交叉,并將其應(yīng)用到了TSP問題中,通過實驗對其進行了驗證。 D.H.Ackley等提出了隨即迭代遺傳爬山法(Stochastic Iterated Genetic Hill-climbing,SIGH)采用了一種復雜的概率選舉機制,此機制中由m個“投票者”來共同決定新個體的值(m表示群體的大?。嶒灲Y(jié)果表明,SIGH與單點交叉、均勻交叉的神經(jīng)遺傳算法相比,所測試的六個函數(shù)中有四個表現(xiàn)出更好的性能,而且總體來講,SIGH比現(xiàn)存的許多算法在求解速度方面更有競爭力。 H.Bersini和G.Seront將

20、遺傳算法與單一方法(simplex method)結(jié)合起來,形成了一種叫單一操作的多親交叉算子(simplex crossover),該算子在根據(jù)兩個母體以及一個額外的個體產(chǎn)生新個體,事實上他的交叉結(jié)果與對三個個體用選舉交叉產(chǎn)生的結(jié)果一致。同時,文獻還將三者交叉算子與點交叉、均勻交叉做了比較,結(jié)果表明,三者交叉算子比其余兩個有更好的性能。 2002年,戴曉明等應(yīng)用多種群遺傳并行進化的思想,對不同種群基于不同的遺傳策略,如變異概率,不同的變異算子等來搜索變量空間,并利用種群間遷移算子來進行遺傳信息交流,以解決經(jīng)典遺傳算法的收斂到局部最優(yōu)值問題 2004年,趙宏立等針對簡單遺傳算法在較大規(guī)模組合優(yōu)

21、化問題上搜索效率不高的現(xiàn)象,提出了一種用基因塊編碼的并行遺傳算法(Building-block Coded Parallel GA,BCPGA)。該方法以粗粒度并行遺傳算法為基本框架,在染色體群體中識別出可能的基因塊,然后用基因塊作為新的基因單位對染色體重新編碼,產(chǎn)生長度較短的染色體,在用重新編碼的染色體群體作為下一輪以相同方式演化的初始群體。 2005年,江雷等針對并行遺傳算法求解TSP問題,探討了使用彈性策略來維持群體的多樣性,使得算法跨過局部收斂的障礙,向全局最優(yōu)解方向進化。1.3 當前研究存在的問題(1)遺傳算法在適應(yīng)度函數(shù)選擇不當?shù)那闆r下有可能收斂于局部最優(yōu),而不能達到全局最優(yōu)。(2

22、) 對于動態(tài)數(shù)據(jù),用遺傳算法求最優(yōu)解比較困難,因為染色體種群很可能過早地收斂,而對以后變化了的數(shù)據(jù)不再產(chǎn)生變化。對于這個問題,研究者提出了一些方法增加基因的多樣性,從而防止過早的收斂。其中一種是所謂觸發(fā)式超級變異,就是當染色體群體的質(zhì)量下降(彼此的區(qū)別減少)時增加變異概率;另一種叫隨機外來染色體,是偶爾加入一些全新的隨機生成的染色體個體,從而增加染色體多樣性。(3) 選擇過程很重要,但交叉和變異的重要性存在爭議。一種觀點認為交叉比變異更重要,因為變異僅僅是保證不丟失某些可能的解;而另一種觀點則認為交叉 過程的作用只不過是在種群中推廣變異過程所造成的更新,對于初期的種群來說,交叉幾乎等效于一個非

23、常大的變異率,而這么大的變異很可能影響進化過程。(4) 遺傳算法并不一定總是最好的優(yōu)化策略,優(yōu)化問題要具體情況具體分析。所以在使用遺傳算法的同時,也可以嘗試其他算法,互相補充,甚至根本不用遺傳算法。(5) 遺傳算法不能解決那些“大海撈針”的問題,所謂“大海撈針”問題就是沒有一個確切的適應(yīng)度函數(shù)表征個體好壞的問題,遺傳算法對這類問題無法找到收斂的路。(6) 對于任何一個具體的優(yōu)化問題,調(diào)節(jié)遺傳算法的參數(shù)可能會有利于更好的更快的收斂,這些參數(shù)包括個體數(shù)目、交叉律和變異律。例如太大的變異律會導致丟失最優(yōu)解,而過小的變異律會導致算法過早的收斂于局部最優(yōu)點。對于這些參數(shù)的選擇,現(xiàn)在還沒有實用的上下限。(

24、7) 適應(yīng)度函數(shù)對于算法的速度和效果也很重要。1.4 本文研究的目的和意義近年來,我國在遺傳算法理論與應(yīng)用方面取得了巨大的成就,目前的研究課題主要集中在以下幾個方面:一是算法的數(shù)學基礎(chǔ);二是算法與其他優(yōu)化技術(shù)的比較和融合;三是算法的改進與深化;四是算法的并行化研究等。遺傳算法已被成功地應(yīng)用于工業(yè)、經(jīng)濟答理、交通運輸、工業(yè)設(shè)計等不同領(lǐng)域,解決了許多問題。對我國科技的進步與經(jīng)濟的發(fā)展產(chǎn)生了不可估量的作用。PID調(diào)節(jié)器是最早發(fā)展起來的控制策略之一,因為它所涉及的設(shè)計算法和控制結(jié)構(gòu)都是簡單的,并且十分適用于工程應(yīng)用背景,此外PID控制方案并不要求精確的受控對象的數(shù)學模型,且采用PID控制的控制效果一般

25、是比較令人滿意的,所以在工業(yè)實際應(yīng)用中,PID調(diào)節(jié)器是應(yīng)用最為廣泛的一種控制策略,也是歷史最久、生命力最強的基本控制方式。調(diào)查結(jié)果表明在當今使用的控制方式中,PID型占84.5%,優(yōu)化PID型占6.8%,現(xiàn)代控制型占有1.5%,手動控制型6.6%,人工智能(AI)型占0. 6%。如果把PID型和優(yōu)化PID型二者加起來則占90%以上,這說明PID控制方式占絕大多數(shù),如果把手動控制型再與上述兩種加在一起,則占97. 5%,這說明古典控制占絕大多數(shù)。就連科學技術(shù)高度發(fā)達的日本,PID控制的使用率也高達84.%。這是由于理論分析及實際運行經(jīng)驗已經(jīng)證明了PID調(diào)節(jié)器對于相當多的工業(yè)過程能夠起到較為滿足的

26、控制效果。它結(jié)構(gòu)簡單、適用面廣、魯棒性強、參數(shù)易于調(diào)整、在實際中容易被理解和實現(xiàn)、在長期應(yīng)用中已積累了豐富的經(jīng)驗。特別在工業(yè)過程中,由于控制對象的精確數(shù)學模型難以建立,系統(tǒng)的參數(shù)又經(jīng)常發(fā)生變化,運用現(xiàn)代控制理論分析綜合要耗費很大的代價進行模型辨識,但往往不能達到預(yù)期的效果,所以不論常規(guī)調(diào)節(jié)儀表還是數(shù)字智能儀表都廣泛采用這種調(diào)節(jié)方式。正是PID控制算法具有以上多種優(yōu)點,所以這種算法仍將在現(xiàn)場控制中居于主導地位。隨著現(xiàn)代控制理論的建立和不斷發(fā)展完善,對過程控制提出了新的方法和思路,同日寸也由于生產(chǎn)工藝不斷地改進提高,對過程控制也提出了高要求??蒲腥藛T在不斷探索新方法的同時,也對傳統(tǒng)的PID控制的改

27、進做了大量的研究。因為PID控制有其固有的優(yōu)點,使得PID控制在今后仍會大量使用,如何進一步提高PID控制算法的能力或者依據(jù)新的現(xiàn)代控制理論來設(shè)計PID控制算法是一個非常吸引人的課題。1.5 本論文主要工作本論文的主要工作是研究利用遺傳算法對柴油機調(diào)速系統(tǒng)的PID參數(shù)進行優(yōu)化,并且使用Matlab和Simulink對柴油機調(diào)速系統(tǒng)的PID 控制系統(tǒng)進行仿真。 首先,對遺傳算法進行了介紹,包括遺傳學的概念,遺傳算法的歷史和發(fā)展,遺傳算法的基本原理,遺傳算法的基本步驟和遺傳算法的應(yīng)用關(guān)鍵;其次,以柴油機調(diào)速系統(tǒng)為模型,利用遺傳算法對其PID參數(shù)進行優(yōu)化,并且利用 Matlab和Simulink工具

28、對柴油機調(diào)速系統(tǒng)的PID參數(shù)進行優(yōu)化控制的仿真研究。最后對論文的工作進行了。第2章 遺傳算法第2章 遺傳算法2.1 遺傳算法的簡介遺傳算法(GA),是1962年由美國的J.H.Holland提出的一種模仿生物進化過程的最優(yōu)化方法。是以自然選擇與遺傳理論為基礎(chǔ),將生物進化過程中適者生存與群體內(nèi)部染色體的隨機信息交換機制相結(jié)合的全局搜索算法。經(jīng)過幾十年的發(fā)展,GA算法的研究日漸成熟。與傳統(tǒng)的優(yōu)化算法相比,GA具有如下優(yōu)點:(1)不是從單點,而是從多點開始搜索;(2)在搜索最優(yōu)解時,不受問題性質(zhì)(連續(xù)性、可微性)的限制只需由目標函數(shù)值轉(zhuǎn)換成適應(yīng)度即可;(3)搜索過程不易陷入局部最優(yōu)值。其基本思想是把

29、GA待優(yōu)化的參數(shù)編碼成二進制位串形式,然后由若干個位串形成一個初始種群作為待求問題的候選解,使用選擇(select)、交叉(crossover)、變異(mutation)進行操作,不斷迭代優(yōu)化,直到找到最優(yōu)解。遺傳算法是模仿自然界生物進化論思想而得出的一種全局優(yōu)化算法。它對所優(yōu)化目標的經(jīng)驗知識要求甚少,一般只需要知道其數(shù)值關(guān)系即可。同時由于遺傳算法群體的多樣性,使其盡可能在全方向上搜索,達到全局最優(yōu)。2.1.1 遺傳算法的歷史和發(fā)展Holland的早期工作主要集中于生物學,控制工程,人工智能等領(lǐng)域中的中一類動態(tài)系統(tǒng)的適應(yīng)性問題,其中適應(yīng)性概念在環(huán)境表現(xiàn)出較好行為和性能的系統(tǒng)結(jié)構(gòu)的漸進改變過程,

30、簡稱系統(tǒng)的適應(yīng)過程。Holland認為:通過簡單的模擬機制可以描述復雜的適應(yīng)性現(xiàn)象。因此,Holland試圖建立適應(yīng)過程的一般描述模型,并在計算機上進行模擬試驗研究,分析自然系統(tǒng)或者人工系統(tǒng)對環(huán)境變化的適應(yīng)性現(xiàn)象,其中遺傳算法僅僅是一種具體的算法形式。Bremermann,De Jong等人則注重遺傳算法應(yīng)用于參數(shù)優(yōu)化問題,極大的促進了遺傳算法的應(yīng)用。所以,遺傳算法既是一種自然進化系統(tǒng)的計算模型,也是一種通用的求解優(yōu)化問題的適應(yīng)性搜索方法。1962年,John Holland在“Outline for a Logic Theory Adaptive Systems”一文中,提出了所謂的監(jiān)控程序

31、的概念,即利用群體進化模擬適應(yīng)性系統(tǒng)的思想。在這篇文章中盡管它沒有給出實現(xiàn)這些思想的具體技術(shù),但卻引進了群體,適應(yīng)值,選擇,交叉等基本概念。1966年,F(xiàn)ogel等人也提出了類似的思想,但是其重點是放在變異算子而不是采用交叉算子。1967年,Holland的學生J.D.Bagley通過對跳棋游戲參數(shù)的研究,其博士論文中首次提出了“遺傳算法”一詞。在20世紀60年代中期至70年代末期,基于自然進化的思想遭到了懷疑和反對。Holland及其數(shù)位博士堅持了這一方向的研究。1975年,Holland出版了專著自然與人工系統(tǒng)中的適應(yīng)性行為(Adaptation in Natural and Artifi

32、cial Systems),該書系統(tǒng)的闡述了遺傳算法的基本理論和方法,提出了對遺傳算法和理論發(fā)展極為重要的模式理論,其中首次確認了選擇,交叉,變異等遺傳算子,以及遺傳算法的隱并行性,并將遺傳算法應(yīng)用于適應(yīng)性系統(tǒng)模擬,函數(shù)優(yōu)化,機器學習,自動控制等領(lǐng)域。1975年以后,遺傳算法作為函數(shù)優(yōu)化器不但在各個領(lǐng)域的得到了廣泛應(yīng)用,而且還豐富和發(fā)展了若干遺傳算法的基本理論。1980年,Bethke對函數(shù)優(yōu)化GA進行了研究,包括應(yīng)用研究和數(shù)學分析。Smith在1980年首次提出使用變長位串的概念。這在某種程度上為以后的遺傳規(guī)劃奠定了基礎(chǔ)。1989年,David Goldberg出版了Genetic Algo

33、rithms in Search Optimization and Machine Learning一書,這是第一本遺傳算法的教科書,它是對當時關(guān)于遺傳算法領(lǐng)域研究工作的全面而系統(tǒng)的總結(jié),因而也成為引用最多的參考書之一。隨著遺傳算法研究和應(yīng)用的不斷深入與擴展,1985年,在美國召開了第一屆遺傳算法國際會議,即ICGA(International Conference on Genetic Algorithm)這次會議是遺傳算法發(fā)展的重要里程碑,此會以后每隔一年舉行一次。隨著Internet技術(shù)的發(fā)展和普及應(yīng)用,遺傳算法的有關(guān)研究單位建立了大量的專題網(wǎng)站,其中最為著名的是由美國海軍人工智能應(yīng)用研

34、究中心建立的GA_Archives檢索網(wǎng)站http:/www.aic.nrl.navy.mil/galist/它包括了世界范圍內(nèi)的開展遺傳算法和進化計算研究的大學和機構(gòu),歷年來的公開發(fā)表的論文和報告,有關(guān)國際會議消息,典型應(yīng)用案例和程序的源代碼等。這些眾多的研究單位和頻繁的國際學術(shù)活動集中反映了遺傳算法的學術(shù)意義的應(yīng)用價值。目前,遺傳算法已經(jīng)成為一個多學科、多領(lǐng)域的重要研究方向。2.1.2 遺傳算法的應(yīng)用領(lǐng)域遺傳算法作為一種有效的全局搜索方法,從產(chǎn)生至今不斷應(yīng)用領(lǐng)域,比如工程設(shè)計,制造業(yè),人工智能,計算機科學,生物工程,自動控制,社會科學,商業(yè)和金融等,同時應(yīng)用實踐又促進了遺傳算法的發(fā)展和完善

35、。比較成功的案例如下:(1)遺傳學習將遺傳算法用于知識獲取,構(gòu)成以遺傳算法為核心的機器學習系統(tǒng),其中群體由一組產(chǎn)生規(guī)則組成。比較典型的適Holland設(shè)計的用于序列決策學習的分類器系統(tǒng),以及機器人規(guī)劃,模式識別,概念學習。(2)自動控制領(lǐng)域遺傳算法適用于求解復雜的參數(shù)辨識問題。Maclay等人用遺傳算法求解電車模型參數(shù)辨識問題,取得了很好的效果;Karr采用遺傳算法設(shè)計自適應(yīng)模糊邏輯控制器,取得了顯著的效果;Freeman等人提出了應(yīng)用遺傳算法精調(diào)控制中的由人定義的模糊邏輯集合概念。另外,GA在故障診斷和機器人行走路徑中的應(yīng)用也取得了成功。(3)人工智能與計算機科學GA 在人工智能與計算機科學

36、領(lǐng)域中的應(yīng)用包括:數(shù)據(jù)挖掘和知識獲取,數(shù)據(jù)庫優(yōu)化查詢,人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)優(yōu)化,模式識別,專家系統(tǒng)等。另外,很多專家學者將GA應(yīng)用于各自所從事的工程領(lǐng)域,比如VLSI設(shè)計,運輸規(guī)劃,設(shè)備布局,土木工程,生物工程等,對解決具體實踐問題起到了極大的促進作用。2.1.3 遺傳學的概念(1) 串(string):它是個體的形式,在算法中為二進制,并且對應(yīng)遺傳學中的染色體。(2) 群體(population):個體的集合稱為群體,串是群體的元素。(3) 群體大小(population size):在群體中個體的數(shù)量稱為群體的大小。(4)基因(gene):基因是串中的元素,基因用于表示個體的特征。例如有

37、一個s=1011,則其中的1,0,1,1這4個元素分別稱為基因。它們的值稱為等位基因。(5) 基因位置(gene position):一個基因在串中的位置稱為基因位置,有時也稱為基因位。基因位置由串的左向右計算,例如在串s=1101中,0的基因位置是3。基因位置對應(yīng)于遺傳學中的地點。(6) 基因特征值(gene feature):在用串表示整數(shù)時,基因的特征值與二進制的權(quán)一致;例如在串s=1011中,基因位置3中的1,它的基因特征值是2。基因位置1中的1,它的基因特征值是8。(7) 串結(jié)構(gòu)空間ss:在串中,基因任意組合所構(gòu)成的串的集合?;虿僮魇窃诮Y(jié)構(gòu)空間中進行的。串結(jié)構(gòu)空間對應(yīng)于遺傳學中的基

38、因型的集合。(8) 參數(shù)空間sp:這是串空間在物理系統(tǒng)中的映射,它對應(yīng)于遺傳學中的表現(xiàn)型的集合。(9) 非線性:它對應(yīng)遺傳學中的異位顯性。(10) 適應(yīng)度(fitness):表示某一個體對于環(huán)境的適應(yīng)程度。2.2 遺傳算法的基本原理及特點遺傳算法(Genetic Algorithms GA)是以自然選擇和基因遺傳理論為基礎(chǔ),將生物進化過程中的適者生存規(guī)則與群體內(nèi)部染色體的隨機信息交換機制相結(jié)合,在問題解空間內(nèi)進行全局并行、隨機的搜索,其結(jié)果是向全局最優(yōu)方向收斂。遺傳算法模仿生物進化的步驟,引入選擇,交叉,變異等算子。繁殖是在父母代種群中將適應(yīng)度較高的個體選擇出來,根據(jù)適者生存原理,淘汰適應(yīng)度較

39、低的個體,以優(yōu)化種群;交叉是從種群中隨機地抽取一對個體,并隨機地選擇一位交叉位進行交叉,生成新樣本,達到增大搜索空間的目的;變異是模仿生物的基因突變,為了防止繁殖和交叉丟失重要的遺傳信息;它對個體按位進行操作,以提高遺傳算法的搜索效率和全局搜索能力10。遺傳算法具有以下幾方面的特點:(1) 遺傳算法從問題解的串集開始嫂索,而不是從單個解開始。這是遺傳算法與傳統(tǒng)優(yōu)化算法的極大區(qū)別。傳統(tǒng)優(yōu)化算法是從單個初始值迭代求最優(yōu)解的;容易誤入局部最優(yōu)解。遺傳算法從串集開始搜索,覆蓋面大,利于全局擇優(yōu)。(2) 許多傳統(tǒng)搜索算法都是單點搜索算法,容易陷入局部的最優(yōu)解。遺傳算法同時處理群體中的多個個體,即對搜索空

40、間中的多個解進行評估,減少了陷入局部最優(yōu)解的風險,同時算法本身易于實現(xiàn)并行化。 (3) 遺傳算法基本上不用搜索空間的知識或其它輔助信息,而僅用適應(yīng)度函數(shù)值來評估個體,在此基礎(chǔ)上進行遺傳操作。適應(yīng)度函數(shù)不僅不受連續(xù)可微的約束,而且其定義域可以任意設(shè)定。這一特點使得遺傳算法的應(yīng)用范圍大大擴展。(4) 遺傳算法不是采用確定性規(guī)則,而是采用概率的變遷規(guī)則來指導他的搜索方向。(5) 具有自組織、自適應(yīng)和自學習性。遺傳算法利用進化過程獲得的信息自行組織搜索時,適應(yīng)度大的個體具有較高的生存概率,并獲得更適應(yīng)環(huán)境的基因結(jié)構(gòu)。2.3 遺傳算法的基本步驟步驟一:參數(shù)編碼和解碼在遺傳算法中如何描述問題的可行解,即把

41、一個問題的可行解從其解空間轉(zhuǎn)換到遺傳算法所能處理的搜索空間的轉(zhuǎn)換方法稱為編碼。一般把問題的各種參數(shù)用編碼構(gòu)成子串,然后把子串并接成染色體串。二進制編碼方法是遺傳算法中最常用的一種編碼方法。本文中采用的編碼方式就是二進制編碼。PID 中三個參數(shù)Kp,Ki和Kd作為編碼對象,采用如下公式進行編碼:其中,u是編碼對象,和是U的取值范圍,是二進制編碼的長度。n是位的二進制數(shù)。步驟二:適應(yīng)度函數(shù)的選擇適應(yīng)度函數(shù)表明個體對環(huán)境適應(yīng)能力的強弱,它與所選取的目標函數(shù)有關(guān)。本文采用了絕對誤差積分模型: (2.1) 定義適應(yīng)度函數(shù)f為: (2.2) 本文中應(yīng)用Simulink完成適應(yīng)度函數(shù)的選擇。步驟三:遺傳算法

42、(1) 選擇(selection operator)遺傳算法使用選擇算子來對群體中的個體進行優(yōu)勝劣汰操作。在選擇時,以適應(yīng)度為選擇原則。適應(yīng)度準則體現(xiàn)了適者生存,不適應(yīng)者被淘汰的自然法則。適應(yīng)度較高的個體被遺傳到下一代群體中的概率較大,適應(yīng)度較低的個體被遺傳到下一代群體中的概率較小。最常用的選擇算子是基本遺傳算法中的比例選擇算子,本文采用的就是這種方法。其基本思想是:各個個體被選中的概率與其適應(yīng)度大小成正比例關(guān)系。設(shè)群體大小為,個體的適應(yīng)度為,則個體被選中的概率如公式2.3 (2.3)從上式就可以看出:適應(yīng)度高的個體,繁殖下一代的數(shù)目比較多。適應(yīng)度低的個體,繁殖下一代的數(shù)目比較少,甚至被淘汰。

43、這樣,就產(chǎn)生了對環(huán)境適應(yīng)能力比較強的后代。對于問題求解角度來講,就是選擇出和最優(yōu)解比較接近的中間解。(2) 交叉(crossover operator)對于選中用于繁殖下一代的個體,隨機的選擇兩個個體的相同位置,按交叉概率p在選中的位置實行交換。這個過程反映了隨機信息交換;目的在于產(chǎn)生新的基因組合,也即產(chǎn)生新的個體。交叉時,可以執(zhí)行單點交叉和多點交叉。交叉算子是指對2個相互配對的染色體按某種方式相互交換其部分基因,從而形成2個新的個體。本文采用中間重組雙點交叉法,即在群體中隨機選取2個個體,并在個體編碼串中只隨機設(shè)置2個交叉點,然后在該點以一定的概率Pc相互交換2個配對個體的部分染色體。一般P

44、c的經(jīng)驗取值范圍是0.500.99。(3) 變異(mutation operator)根據(jù)生物遺傳中的基因變異的原理,以變異概率pm對某些個體的某些位執(zhí)行變異。在變異時,對要執(zhí)行變異的位求反,就是把1變成0,把0變成1。變異概率Pm與生物變異極小的情況一致,變異運算是指將個體染色體編碼串中某些基因座上的基因值用該基因座的其它等位基因來替換,形成一個新的個體。本文采用的變異操作是高位變異。一般Pm的經(jīng)驗取值范圍是0.00010.1變異可使遺傳算法具有局部隨機搜索功能,又可維持群體的多樣性,避免出現(xiàn)初期收斂問題,也就是說變異增加了全局優(yōu)化的可能性。(4) 初始種群的產(chǎn)生為保證在整個解空間進行搜索,

45、采用隨機產(chǎn)生初始種群。(5) 遺傳操作迭代終止的條件2.4 遺傳算法的應(yīng)用關(guān)鍵遺傳算法在應(yīng)用中最關(guān)鍵的問題有如下3個:串的編碼方式:遺傳算法不能直接處理問題空間的參數(shù),必須把它們轉(zhuǎn)換成遺傳空間的由基因按一定結(jié)構(gòu)組成的染色體或個體,這一轉(zhuǎn)換操作就叫做編碼。評估編碼策略常采用以下3個規(guī)范:完備性(completeness):問題空間中的所有點(候選解)都能作為GA空間中的點(染色體)表現(xiàn)。 健全性(soundness): GA空間中的染色體能對應(yīng)所有問題空間中的候選解。非冗余性(nonredundancy):染色體和候選解一一對應(yīng)。目前的幾種常用的編碼技術(shù)有二進制編碼,浮點數(shù)編碼,字符編碼,變成編

46、碼等。而二進值編碼是目前遺傳算法中最常用的編碼方法。即是由二進值字符集0, 1產(chǎn)生通常的0, 1字符串來表示問題空間的候選解。它具有以下特點:(1) 簡單易行;(2) 符合最小字符集編碼原則;(3) 便于用模式定理進行分析,因為模式定理就是以基礎(chǔ)的。一般把問題的各種參數(shù)用二進制編碼構(gòu)成子串,然后把子串拼接成染色體串(串的長度及編碼形式對算法收斂影響很大)。適應(yīng)度函數(shù)的確定:進化論中的適應(yīng)度,是表示某一個體對環(huán)境的適應(yīng)能力,也表示該個體繁殖后代的能力。遺傳算法的適應(yīng)度函數(shù)也叫評價函數(shù),是用來判斷群體中的個體的優(yōu)劣程度的指標,它是根據(jù)所求問題的目標函數(shù)來進行評估的。遺傳算法在搜索進化過程中一般不需

47、要其他外部信息,僅用評估函數(shù)來評估個體或解的優(yōu)劣,并作為以后遺傳操作的依據(jù)。由于遺傳算法中,適應(yīng)度函數(shù)要比較排序并在此基礎(chǔ)上計算選擇概率,所以適應(yīng)度函數(shù)的值要取正值.由此可見,在不少場合,將目標函數(shù)映射成求最大值形式且函數(shù)值非負的適應(yīng)度函數(shù)是必要的。 適應(yīng)度函數(shù)的設(shè)計主要滿足以下條件:(1) 單值、連續(xù)、非負、最大化;(2) 合理、一致性;(3) 計算量?。唬?) 通用性強。在具體應(yīng)用中,適應(yīng)度函數(shù)的設(shè)計要結(jié)合求解問題本身的要求而定。適應(yīng)度函數(shù)設(shè)計直接影響到遺傳算法的性能。適應(yīng)函數(shù)也稱為對象函數(shù),這是問題求解品質(zhì)的測量函數(shù),往往也稱為問題的“環(huán)境” 。一般可以把問題的模型函數(shù)作為對象函數(shù),但有

48、時也需要另行構(gòu)造。遺傳算法自身參數(shù)設(shè)定:遺傳算法自身參數(shù)有3個,即群體大小、交叉概率和變異概率。群體大小太小時難以求出最優(yōu)解,太大則增長收斂時間。交叉概率太小時難以向前搜索,太大則容易破壞高適應(yīng)值的結(jié)構(gòu)。交叉概率太小難以產(chǎn)生新的基因結(jié)構(gòu),太大會使遺傳算法成了單純的隨機搜索。遺傳算法中初始群體中的個體是隨機產(chǎn)生的。一般來講,初始群體的設(shè)定可采取如下的策略: (1) 根據(jù)問題固有知識,設(shè)法把握最優(yōu)解所占空間在整個問題空間中的分布范圍,然后,在此分布范圍內(nèi)設(shè)定初始群體。 (2) 先隨機生成一定數(shù)目的個體,然后從中挑出最好的個體加到初始群體中。這種過程不斷迭代,直到初始群體中個體數(shù)達到了預(yù)先確定的規(guī)模

49、。2.5本章小結(jié)本章主要介紹了遺傳算法的原理及特點以及它的應(yīng)用關(guān)鍵和基本步驟,通過對本章的學習可以對遺傳算法有一個比較完整的了解,對遺傳算法應(yīng)用中的一些關(guān)鍵技術(shù)和存在的問題有了較為全面的認識,為下文遺傳算法的編碼,適應(yīng)度函數(shù)的選定,遺傳算法自身參數(shù)的設(shè)定奠定了基礎(chǔ)。第3章 遺傳算法的Matllab實現(xiàn)第3章 遺傳算法的MATLAB實現(xiàn)MATLAB是一種開放式軟件,經(jīng)過一定的程序可以將開發(fā)的優(yōu)秀的應(yīng)用程序集加入到MATLAB工具的行列。Matlab作為一種擁有高性能數(shù)值計算能力的通用科技計算機語言在其簡單易用的操作環(huán)境中集成了數(shù)值分析、矩陣計算、圖視能力、可視化建模仿真和實時控制能力,適合多學科

50、和多部門的發(fā)展。這樣,許多領(lǐng)域前沿的研究者和科學家都可以將自己的成果集成到MATLAB中,被全人類繼承和利用。因此,MATLAB中含有諸多的面向不同應(yīng)用領(lǐng)域的工具箱。例如:信號處理工具箱、圖象處理工具箱、通信處理工具箱、優(yōu)化工具箱、遺傳算法工具箱等,而且這些工具箱還在不斷的擴展中。本文將重點講述遺傳算法工具箱函數(shù)及其功能。3.1 遺傳算法工具箱總體介紹根據(jù)Matlab的強大的數(shù)值計算能力、大量的內(nèi)建輔助函數(shù)和開放、可擴展的體系結(jié)構(gòu)這些性質(zhì),將Matlab引入遺傳算法,在Matlab平臺上開發(fā)遺傳算法工具箱,可幫助人們更好地認識和了解遺傳算法,并為進一步開發(fā)遺傳算法提供基礎(chǔ)和幫助。它給出了各種M

51、ATLAB的高級語言并將這點與MATLAB的發(fā)展、數(shù)據(jù)分析、形象化工具、專用應(yīng)用領(lǐng)域工具箱和那些被提供用來探索遺傳算法潛能的一種相同的環(huán)境相符合。遺傳算法有許多算子(如選擇、交叉、變異等),都是針對所謂的染色體進行的,染色體實質(zhì)上就是一個向量,可以將其看成一個的矩陣,因此這些算子的運算實質(zhì)上就是一些矩陣的運算。而Matlab的基本數(shù)據(jù)單元就是一個維數(shù)不加限制的矩陣,在這種環(huán)境下,用戶無需考慮大量有關(guān)矩陣算法的復雜運算問題,更不必深入了解相應(yīng)算法的具體細節(jié),因而利用Matlab編程可以節(jié)省大量的時間和精力。遺傳算法工具箱使用MATLAB基本功能,為實現(xiàn)廣泛遺傳算法創(chuàng)建遺傳算法工具箱使用MATLA

52、B基本功能,為實現(xiàn)廣泛遺傳算法創(chuàng)建了一套多用途的工具,它是常規(guī)性的收索,主要利用編寫M文件,這是遺傳算法中最主要的功能。3.2 遺傳算法工具箱函數(shù)應(yīng)用本文運用遺傳算法工具箱函數(shù)在MATLAB運行環(huán)境下進行程序編寫,以達到對PID參數(shù)尋優(yōu)的目的。下面是對在程序中用到遺傳算法工具箱函數(shù)的詳細說明:(1)Rep功能:矩陣復制。格式:matout=rep(matin,repn)描述:rep是一個低位復制函數(shù),通常不直接應(yīng)用,rep被遺傳算法工具箱的許多函數(shù)調(diào)用。rep執(zhí)行的是一個矩陣的復制,matin是repn指定的數(shù)值,隨后返回一個復制的矩陣,matout。repn包含了各個方向的復制,repn(1

53、)指定了垂直方向的復制的數(shù)值,repn(2)指定了水平方向的復制的數(shù)值。(2)crtbp功能:創(chuàng)建一個初始種群。格式:chrom,lind,basev=crtbp(nind,lind)chrom,lind,basev=crtbp(nind,lind,base)chrom,lind,basev=crtbp(nind,basev)描述:遺傳算法的第一步是創(chuàng)建一個由隨機產(chǎn)生的染色體組成初始化種群,crtbp產(chǎn)生一個矩陣chrom,元素中包含隨機產(chǎn)生的值。chrom=crtbp(nind,lind)創(chuàng)建一個大小為nindlind的隨機二進制矩陣,其中nind指定種群中個體的數(shù)量,lind指定個體的長度

54、,另外,chrom=crtbp(nind,lind)可以用來指定染色體矩陣的維數(shù)。chrom,lind,basev=crtbp(nind,lind,base)產(chǎn)生一個染色體矩陣base,如果base是一個向量,base中元素的值就指定為base中染色體的軌跡。在這種情況下,二次爭論就忽略了,chrom=crtbp(nind,basev)chrom,lind,basev=crtbp(nind,basev)=crtbp(nind,basev)也是返回一個染色體結(jié)構(gòu)的長度lind,和基于染色體軌跡的向量basev。(3)bs2rv目的:二進制數(shù)轉(zhuǎn)化為實值。功能:phen=bs2rv(chrom,fi

55、eldd)格式:phen=bs2rv(chrom,fieldd)是把用二進制的表示方法表示種群chrom轉(zhuǎn)化成實值。染色體被看作是已經(jīng)給出長度的二進制串,用標準二進制或者是灰色二進制解碼到實值矩陣fieldd。最后的結(jié)果矩陣phen包含著與種群相應(yīng)的顯型。矩陣fieldd的結(jié)構(gòu)如下:矩陣的行由以下組成:len,一個在染色體中包含每一個子串長度的行向量。注意:sum (len) =length (chrom)lb和ub是包含了每一個使用的變量的上,下限范圍的行向量。code是指定每一個子串的解碼方式的二進制行向量。選擇code(i)=0是標準二進制。選擇code(i)=1是灰色二進制。scale

56、是指定對于每一個子串是用算術(shù)采樣還是用對數(shù)采樣的二進制行向量。選擇scale(i)=0是算術(shù)采樣。選擇scale(i)=1是對數(shù)采樣。lbin和ubinshi1是指定要不要包含每一個表示范圍的上下限。選擇l|ubin(i)=0 是從表示范圍中排除l|ub(i)。lbinubinl|ubin(i)=1 把l|ub(i)包含在表示范圍中。(4)ranking功能:按適應(yīng)度等級排序。格式:fitnv=ranking (objv)fitnv=rank(objv,rfun)fitnv=rank(objv,rfun,subpop)描述:ranking是根據(jù)它們的目標函數(shù)值分等級的,objv返回一個包含個體

57、適應(yīng)度函數(shù)值的列向量,fitnv,這個函數(shù)按個體等級排序。rfun是一個隨機的向量1,2或者length(objv)參數(shù)。subpop是一個任意的參數(shù)并且在objv中指定了后代的個數(shù)。如果subpop被忽略或者取值為nan, 則subpop=1。所有在subpop中的后代必須由相同的類型。如果ranking被多余一個個體調(diào)用,它也將只執(zhí)行一個后代的操作。(5)select功能:從種群中選擇出個體(高位選擇)。格式:selch=select(sel_f,chrom,fitnv)selch=select(sel_f,chrom,fitnv,ggap)selch=select(sel_f,chrom

58、,fitnv,ggap,subpop)描述:select函數(shù)是從種群中選擇出個體,chrom返回的是從種群中選擇出來的個體,Selch。Chrom中的每一列和selch與每一個個體相對應(yīng)。sel_f是一個串,它包含了低位選擇函數(shù)的名稱,比如rws或者sus。Fitnv是一個列向量,它包含了chrom中的個體的適應(yīng)度。適應(yīng)值顯示每一個個體的預(yù)期的可能性。ggap是一個指定一代與一代差距的任意的參數(shù),種群的片斷被重新生成。如果ggap被忽略或者取值nan,則ggap=1.0(100%),ggap也可能比1大,也就是說可以產(chǎn)生比父代多的后代。如果chrom由多余一個后代組成,ggap就指定了相對于后

59、代的大小的每一個后代中的即將被選擇的個體的數(shù)目。subpop是一個參數(shù),它決定了chrom中的后代的數(shù)目。如果subpop被忽略或者取值為nan,則subpop=1。所有chrom 中的后代必須由相同的大小。(6)sus功能:隨機全局采樣。格式:newchrix=sus(fitnv,nsel)描述:sus選擇nsel中的個體為了根據(jù)它們的適應(yīng)值重新產(chǎn)生,fitnv在當前種群中。newchrix=rws(fitnv,nsel)從種群中使用隨機全局采樣來選擇nsel個體。Fitnv是一個包含著種群中每一個個體的表示方法的列向量。用函數(shù)ranking或者scaling取給每一個個體分配適應(yīng)值也可以達

60、到上面的目的。返回值newchrix是一個用來繁殖而被選擇的個體的索引。在它們被選擇的規(guī)則下,被選擇的個體可以通過評價chrom(newchrix,:)而被恢復。(7)recint功能:中間重組。格式:newchrom=recint(oldchrom)描述:recint操作是對當前種群中的個體進行中間重組,oldchrom,之后在一個新的種群中返回newchrom,chrom中的每一行和newchrom與一個個體相對應(yīng)。recint只適用于實值變量的種群。染色體成對進行交叉,奇數(shù)列和下一個偶數(shù)列進行交叉,如果舊的染色體矩陣中的列是奇數(shù)的話,那么最后一列將不進行交叉操作,而把舊的染色體中的最后一

61、列加在新染色體中。(8)Xovdp功能:雙點交叉。格式:newchrom=xovsp(oldchrom,xovr)描述:xovdp操作是在當前種群中的一對個體上進行雙點交叉,oldchrom,根據(jù)交叉的可能性,xovr返回一個變異之后的新的種群。Newchrom,oldchrom包含了當前種群中的染色體,每一行與一個個體相對應(yīng)。染色體的各種表示方法都可以應(yīng)用。xovr是指定了交叉概率的參數(shù)。一般取0.7交配是由規(guī)則決定的:奇數(shù)行和下一個偶數(shù)行,如果矩陣是奇數(shù)行的話,最后一行就不能交配。因此種群組織成臨近的需要交配的一對。xovdp是一個低位交叉函數(shù)通常也把它叫做recombin。(9).mut

62、ate功能:離散變異操作。格式:newchrom=mutate(mut_f,oldchrom,fielddr)newchrom=mutate(mut_f,oldchrom,fielddr,mutopt)newchrom=mutate(mut_f,oldchrom,fielddr,mutopt,subpop)描述:mutate是對當前種群的個體進行變異操作。之后返回一個新的個體。舊種群和新種群的每一列都對應(yīng)一個個體。mut_f是低位變異函數(shù)的名稱。fielddr是變量的上下限。mutopt是變異概率。subpop是一個隨機參數(shù),表示的是舊染色體中子代的個數(shù)。(10).reins功能:在種群中重新插入后代。格式:chrom=reins(chrom,selch)chrom=reins(chrom,selch,subpop)chrom=reins(chrom,selch,subpop,insop

展開閱讀全文
溫馨提示:
1: 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
2: 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
3.本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
5. 裝配圖網(wǎng)僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

相關(guān)資源

更多
正為您匹配相似的精品文檔
關(guān)于我們 - 網(wǎng)站聲明 - 網(wǎng)站地圖 - 資源地圖 - 友情鏈接 - 網(wǎng)站客服 - 聯(lián)系我們

copyright@ 2023-2025  zhuangpeitu.com 裝配圖網(wǎng)版權(quán)所有   聯(lián)系電話:18123376007

備案號:ICP2024067431-1 川公網(wǎng)安備51140202000466號


本站為文檔C2C交易模式,即用戶上傳的文檔直接被用戶下載,本站只是中間服務(wù)平臺,本站所有文檔下載所得的收益歸上傳人(含作者)所有。裝配圖網(wǎng)僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對上載內(nèi)容本身不做任何修改或編輯。若文檔所含內(nèi)容侵犯了您的版權(quán)或隱私,請立即通知裝配圖網(wǎng),我們立即給予刪除!