遗传算法在模糊控制规则优化中的应用

格式：pdf
大小：181.93 KB
文档页数：4

下载文档原格式

/ 4

遗传算法的原理及其应用

遗传算法的原理及其应用1. 介绍遗传算法是一种模拟生物进化过程的优化算法，它通过模拟遗传、变异和选择等基本生物学机制，搜索优化问题的解空间。

本文将介绍遗传算法的基本原理，并探讨它在不同领域的应用。

2. 遗传算法的原理遗传算法的基本原理包括编码、初始化种群、选择、交叉、变异和更新种群等步骤。

2.1 编码在遗传算法中，问题的解被编码成染色体，通常使用二进制串来表示。

编码方式可以根据问题的特点进行设计，常见的编码方式包括二进制编码、实数编码和排列编码等。

2.2 初始化种群遗传算法首先需要初始化一个种群，其中每个个体代表一个潜在解。

初始种群的大小和个体的编码方式都是根据具体问题进行选择的。

2.3 选择在每一代中，根据适应度函数的评价结果，从当前种群中选择一部分个体作为父代，用于产生下一代个体。

较优秀的个体将有更高的概率被选择。

2.4 交叉通过交叉操作，从父代个体中产生子代个体。

交叉操作通常通过交换染色体中的基因片段来实现。

交叉点的选择可以按照固定比例随机选取，也可以根据染色体的特点进行选择。

2.5 变异为了增加种群的多样性和避免陷入局部最优解，遗传算法引入了变异操作。

变异操作通常通过改变染色体中的一个或多个基因来实现。

变异操作的概率可以根据问题的特性进行调节。

2.6 更新种群经过选择、交叉和变异等操作后，得到新一代的个体，用于替代上一代的个体。

新个体将继续进入下一代的选择、交叉和变异等操作，直到满足终止条件。

3. 遗传算法的应用遗传算法具有广泛的应用领域，以下是其中几个常见的应用：3.1 组合优化问题遗传算法在组合优化问题中广泛应用，如旅行商问题（TSP）、背包问题和任务调度等。

通过合适的编码和适应度函数设计，遗传算法能够搜索出较优的组合方案。

3.2 函数优化问题遗传算法可以用于函数优化问题，如寻找函数的最大值或最小值。

通过优化函数的适应度函数，遗传算法能够在解空间中搜索到全局最优解或近似最优解。

3.3 机器学习遗传算法在机器学习中的应用也很广泛，如优化神经网络的权重和结构，参数调优和特征选择等。

遗传算法在模糊控制规模优化中的应用

术和应用价值。遗传算法以其优良的寻优特性被用于模糊规则的自动生成。
题、问题结构类型等领域＿。根据编码方式的不９Ｊ
同，传算法主要分为二进制编码遗传算法和实遗数编码遗传算法两种形式。二进制编码遗传算法
繁殖意味着有较高对象函数值的个体有较大的概
率在下一代提供一个或多个后代。
中，推理方法的选取、属函数形状及参数的选隶
取、相关权重的确定以及规则库的确定，均是由专家根据实际经验指定的，也曾被认为是模糊系这
』
！
！
— — — — —— — — — — — 一
Ｉｅ０２Ｕ０Ｂ２
文章编号：０７＿１４２０）３０４—０１０４Ｘ（０２０ —０３３
遗传算法在模糊控制规则优化中的应用
施青平
（武汉理工大学自动化学院，湖北武汉４０７）３００
遗传算法是近年来发展起来的基于生物界自然选择和自然遗传机制的随机化搜索算法。它属
于直接法，其主要特点是群体搜索策略和群体中个体之间的信息交换，索不依赖于梯度信搜
息… 。它尤其适用于处理传统方法难于解决的复杂和非线性问题，广泛应用于结构优化设可计［机器学习、算机网络【自适应控制、、计、
摘

遗传算法在MDF热压模糊控制规则优化中的应用

ＡｂｔａｔＴｅｈｔｐｅｓｇｆｚｙｏｔｌｒｄｌｇｆｄｕｄｎｉｂｒｏｒ Ⅵ ｒｗｓｓｂｉｅｎｅｓｒｃ：ｈｏ－ｒｓｉｚｎｒｌｅｉｉｍｅｓｙｆｅｂａｄ仃Ｄ）ａｔｌｈｄａｄｔｎｕｃｏｅｍｏｎｏｍｅｔｉｅａｓｈ
ＴｈｉｕａｉｎｒｓｌｈｗｅａｅｏｔｉｅｚｙｃｎｒｌｅａｅｃａａｔｒｆｕｃｅｓｏｓｎｍａｌｒｏｅｓｏｔｎｅｓｍｌｔｏｅｕｔｓｏｄｔｔｈｐｍｚｄｆｚｏｔｌｒｈｓｈｃｅｉｋｒｒｐｎｅａｄｓｌｖｒｈｏｓｈｔｉｕｏｈｔｒｏｑｅｅｉｃｍｐｅｔｏｅｏｎｅｔｎｚｙｃｎｏｌｒＴｅｄｎｍｉｅｆｒｎｅａｄｓａｌｒｏｅａｓｒｖｄｏａｄｗｉｔｓｆｏｖｎｉａｆｚｏｔｌ．ｈｙａｃｐｒｏｍａｃｔｂｅｅｒｒａｏｉｒｈｈｃｏｌｕｒｅｎｒｌｍｐｏｅ．
ＣＳ和ＢＳ／／模式都有各自的优缺点，这也决定了其
应用场合有所不同。从综合方面来看，／模式更适合ＣＳ于实际的木材干燥远程控制系统，这主要是因为ＣＳ／模
式可完成较复杂功能，能较好满足木材干燥的技术要
求，其数据传输量小，实时性好，协议定义灵活，与数据
ｂｎｒ — ｏｅｓｈｍｅｗａｍｐｏｅｎｏｅｔｅＧＡｈｏｓｍｅＴｅｈｅａｃｉａｅｅｉｇｒｔｍｓｃａｇｅｃｎｒｌｅｅｉａｙｃｄｃｅｓｅｌｙｄｔｅｃｄｃｒｍｏｏ．ｈｉｒｈｃｌｎｔｃａｏｉｏｈｒｇｌｈｈｎｅｔｏｔｏｎｈｇ

基于自适应遗传算法优化的模糊PID控制在实验轧机中的应用研究

ｃｎｒｌｕｅｅｅｔｅｋｙｔｔｏｔｌｒｄｐｉｅｅｉａｏｔｍ（Ｇｏｔｌｗｒｈｅｅｃｎｒｌ．ＡａｔｅｇｎｔｇｒｈＡＡ）ｗｓｐｌｄｔｏｔｉｅｒｌｓｈｉｕａｏ — ｏｒｓｏｈｏｅｖｃｌｉａｐｉｐｉｚｔｅ．Ｔｅｓｌｔｎｒａｅｏｍｅｈｕｍｉｅ
ＷＥＮａｇＬｉｎ，ＹＡＮＧｎｇｏＭｉｇｕ，ＨＥＸｉｏｅｇａｆｎ，ＬＵＯｉｎ，ＣＨＥＮｉＬａｇＷｅ。
（．ａｈｎｎｖｒｔｏｃｎｅａｄＴｃｎｌｇ，Ｗｕａｕｅ４０７，Ｃｉａ１ＨｕｚｏｇＵｉｅｓｙｆｉｃｎｅｈｏｙｉＳｅｏｈｎＨｂｉ３０４ｈｎ；
２Ｎｖｌｅｒｓｎａｖｆｃａｊｎｐｃｒｕ，ＸａｇｎＨｕｅ４２０，Ｃｉ）．ａａＲｐｅｅｔｉＯｅｉＳｎｉｇＳａｅＧｏｐｉａｂｉ３１０ｈｎｔｅｉｎａｏａ
ＡｂｔａｔＲｌｎｌｇｕｅｃｎｒｌｙｔｍｓｎｎｉｅｒａｄｔ — ａｙｎ．Ｉ’ ｄｆｃｌｆｒＰＤｃｎｒｌｒｏｇｔｓｔｆｃｏｙｃｎｓｒｃ：ｏｌｇｍｉａｇｏｔｓｉｌｏｓｅｉｏｌａｎｉｖｒｉｇｔｉｕｔｏＩｏｔｌｅａｉａｔｒｏ — ｎｍｅＳｉｏｅｔｓｔｌｅｆｃ．Ｔｅｓｍｐｉｅｔｄｌｏｌ０ｘｅｉｎａｏｌｇｍｉｓｂｉｎｕｚ — ＩｏｔｏａｎｒｄｃｄＦｚｙｒｆｔｏｅｈｉｌｉｄｍａｈｍｏｅｆＨｉｅ１０ｅｐｒｆｌｍｅｔｌｒｌｎｌｗａｕｌａｄｆｚｙＰＤｃｎｒｌｗｓｉｔｕｅ．ｕｚｉｌｔｏ

基于遗传算法优化的磨机负荷模糊控制

确的数学模型且鲁棒性强，因此对于处理磨机运行过程很好的控制效果。但是模糊逻辑控制器的控制规则、隶属度函数和语言变量的模糊化都需由领域专家的经验确定，有很大程度的主观性和随意性。为了弥补这方面的缺陷，引入遗传算法来优化模糊控制器。
１磨机负荷特性
‘
磨机负荷的动态特性如图１所示。
磨机吸用功率先是随着磨机负荷的增加而增大，当负荷
增至口点时，磨机吸用功率达到最大值，过了。点后，随着磨机负荷的增大磨机吸用功率反而减小。工艺分析表明，当磨机吸用功率达到最大时，磨机的工作效率也最大，因此，点口就是磨机的最佳工作点。在磨机负荷的控制中就是保证磨机工作在最佳负荷状态，以期磨机的产量最大。在实际生产中，
０引言
磨机负荷是磨矿分级作业的重要组成，是影响整个磨矿过程技术指标的重要因素。磨机负荷控制的目
的是当物料易磨性、粒度和球磨机参数发生改变时，在保证稳定运行的前提下，能够始终保证磨机的产量最高，防止磨机出现 “ 闷磨 ” 或“ 空磨” 状态。近年来，相关技术人员都在研究磨机最佳工作点的优化问题 ¨ 。
一
…
…
一
荷
…
图２基于遗传算法的磨机负荷模糊控制系统结构图
一
一一值＿＿．．．际值模的偏差、该控制系统中，用电流信号来表征实际的磨机负荷，模糊控制器根据负荷设定与实偏差

基于遗传算法优化的汽车巡航模糊控制策略

摘要：研究汽车巡航控制系统中采用模糊控制。模糊控制中的隶属函数和模糊推理规则的选取专家或者技术人员的经验，
但人工经验具有随机性和主观性，使得其控制性能往往达不到理想的效果。针对上述问题，采用一种基于遗传算法的模糊控制策略，利用遗传算法并对隶属函数和模糊推理规则进行优化，从而使隶属函数和模糊推理规则的确定摆脱了人为经验的局限，提高了模糊控制的自适应能力。实验结果表明优化后的控制器可以使汽车巡航系统取得较满意的效果。关键词：巡航控制系统；遗传算法；模糊控制；仿真
１引言
汽车巡航控制系统是一种辅助驾驶系统。它根据设定
足之处在于隶属函数和模糊规则的获取一般凭专家和工作
人员的经验获取，人工经验的随机性和主观性，而因此很难
的车速和实际车辆行驶车速的差，运用相关的控制算法进行计算，产生节气门的控制信号，过改变节气门开度来跟踪通目标车速并保持稳定车速。这就使得驾驶人员的脚在车辆处于巡航状态时得以解放，减轻了因长时间控制油门而产生的疲劳，提高了驾驶舒适性＿。此外，ｌｊ使用ＣＳ可使汽车的Ｃ
第２卷第７７期
文章编号：０６—９４（００００８０１０３８２１）７— ２５— ３
计
算
机
仿
真
２１年７００月
基于遗传算法优化的汽车巡航模糊控制策略
刘洪玮，石红瑞

遗传算法在模糊控制中的应用案例

遗传算法在模糊控制中的应用案例近年来，随着人工智能技术的飞速发展，遗传算法作为一种优化算法，被广泛应用于各个领域，其中包括模糊控制。

模糊控制是一种基于模糊逻辑的控制方法，通过将模糊集合和模糊规则应用于控制系统中，实现对复杂系统的控制。

本文将介绍遗传算法在模糊控制中的应用案例，并探讨其优势和局限性。

一、遗传算法简介遗传算法是一种模拟生物进化过程的优化算法，其基本思想是通过模拟自然选择、交叉和变异等过程，不断优化解决问题的方案。

遗传算法的核心是个体编码、适应度评价、选择、交叉和变异等操作。

通过这些操作，遗传算法能够在大规模的解空间中搜索到最优的解。

二、1. 温度控制系统温度控制系统是一个常见的控制问题。

传统的控制方法往往需要事先建立准确的数学模型，但在实际应用中，系统模型往往是复杂且不确定的。

遗传算法可以通过优化模糊控制器的参数，使其能够适应不确定的系统模型。

通过对温度控制系统进行仿真实验，结果表明，遗传算法能够有效地优化模糊控制器的性能，提高控制系统的稳定性和鲁棒性。

2. 机器人路径规划机器人路径规划是一个典型的优化问题。

在复杂环境中，机器人需要找到一条最短路径来完成任务。

传统的路径规划方法往往需要建立精确的地图模型，但在实际应用中，地图模型往往是不完全的或者存在噪声。

遗传算法可以通过优化模糊规则和隶属函数，使得机器人能够在不完全的地图模型中找到最优路径。

通过对机器人路径规划问题进行仿真实验，结果表明，遗传算法能够有效地优化模糊规则和隶属函数，提高机器人路径规划的准确性和鲁棒性。

三、遗传算法在模糊控制中的优势和局限性1. 优势遗传算法具有全局搜索能力，能够在大规模的解空间中搜索到最优解。

在模糊控制中，遗传算法能够优化模糊规则和隶属函数，提高控制系统的性能。

此外，遗传算法还能够适应不确定的系统模型和环境变化，具有较强的鲁棒性。

2. 局限性遗传算法的计算复杂度较高，需要大量的计算资源和时间。

此外，遗传算法的结果往往是近似解，无法保证找到全局最优解。

遗传算法在模糊逻辑控制中的应用现状

维普资讯
Ｖｏ＿３Ｎｏ３ｌ２．
Ｍａ２ｙ．００７
科技通报
ＢＵＬＴＮ０ＦＳＩＬＥＩＣＥＮＣＥＡＮＤＴＥＣＨＮ０Ｌ０ＧＹ
第２３卷第３期
２００７年５月
遗传算法在模糊逻辑控制中的应用现状
２ＡｔｔｎＩｓｔｔ，ａｔｈｎｎｖｒｔｏＳｉｎｅａｄＴｃｎｌｇ，ｈｎｈｉ０２７Ｃｉ）．ｕｏｉｎｔｕｅＥｓＣｉＵｉｓｙｆｃｅｃｎｅｈｏｏｙＳａｇａ２０３，ｈｎｍａｏｉａｅｉａ
Ａｂｔａｔｈｅａｐｉａｉｎｏｅｅｉｇｒｈｉｈｕｚｏｉｏｔｌｒａｅｎｉｔｄｃｄｔｏｏｇｌｒｍｍｂｒｓｒｃ：Ｔｐｌｔｆｎｔａｏｔｍｎｔｅｆｚｙｌｇｃｃｎｒｌｓｂｅｎｒｕｅｈｒｕｈｙｆｏｍｅｅ－ｃｏｇｃｌｉｏｅｈｏ
Ｋｅｒｓｅｎｔｌｏｉｍ；ｕｚｇｃｃｎｒｌｃｎｏｌ；ｍｂｒｈｐｆｎｔｎｙｗｏｄ：ｇｅｉａｇｒｈｆｚｙｌｉｏｔ；ｏｔｌｅｍｅｅｉｃｉｃｔｏｏｒｒｕｓｕｏ
具有很大的主观性，出的模糊隶属函数表有时得
何宏，钱锋
（．海师范大学机械与电子工程学院，海２１１；．东理工大学自动化研究所，海２０３）１上上０４８２华上０２７

基于遗传算法的模糊控制器的优化设计——采用模糊数据挖掘技术

设计模糊控制器的核心问题是模糊控制规则的获取和隶属度函数参数的确定，计过程往往依赖于系统专家的经验和设知识，是这种先验知识往往是不够全面的，了解决这一问但为题．人们一直在研究自动生成以及优化隶属度函数和控制规则的方法与技术＿近年来．ｌ＿。由数据设计一个模糊控制系统来拟合
ｒｃｌｒｍｏａｈｒｄｉｐｔｏｔｕａａＴｅｐｏｏｅｍｅｈｄｃｎｐｃｐｆｚｙｒｌｍｏｅｓａｄｄｔｒｎｈａｅｔｆｏｓｍｅｇｔｅｅｎｕ－ｕｐｔｄｔ．ｈｒｐｓｄｙｔｏａｉｋｕｕｚｕｅｄｌｎｅｅｍｉｅｔｅｐ — ｒｍｅｅｓｆａｔｒｏｍｅｅｓｉｆｎｔｎｏａｈｎｕａａｌａｔｍａｉａｌｆｍｄｑａｅｄｔｍ、ｄｉｃｎｐｉｚｉｔ — ｍｂｒｈｐｕｃｉｓｆｅｃｉｐｔｖｒｂｅｕｏｔｌｒｏｉｃｙｏａｅｕｔａｕＡｎｔａｏｔｍｉｅｎｅｇａｅｈａａｔｒｆｍｅｅｓｉｕｃｉｎｕｉｇｅｌｃｄｄｒｔｄｔｅｐｒｍｅｅｓｏｍｂｒｈｐｆｎｔｓｓｎａｒａｏｅＧｅｅｉＡｇｒｈ．ｉａｌａｙｉａｆｎｔｎｏｏ — ｏｎｔｃｌｏｔｍｓＦｎｌｉｙ，ｔｐｃｌｕｃｉｆｎｎｏ

遗传优化模糊控制方法及其在液压动力系统控制中的应用研究

关键词：遗传算法；模糊控制器；液压系统；节能
中图分类号：ＴＰ２７３文献标识码：Ａ文章编号：１００１ — ３８８１（２０１３）１３— ０２９— ５
ＯｐｔｉｍｉｚａｔｉｏｎｏｆＦｕｚｚｙＬｏｇｉｃＣｏｎｔｒｏｌｌｅｒＢａｓｅｄｏｎＩｍｐｒｏｖｅｄＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍａｎｄＩｔｓＡｐｐｌｉｃａｔｉｏｎｉｎｔｈｅＣｏｎｔｒｏｌｏｆＨｙｄｒａｕｌｉｃＳｙｓｔｅｍ
遗传优化模糊控制方法及其在液压动力系统控制中的应用研究
马玉，谷立臣（西安建筑科技大学机电学院，陕西西安７１００５５）
摘要：节能和精确控制是液压控制追求的两大目标。针对传统液压系统存在的高能耗、低响应速度的特点，采用节能型液压动力源永磁伺服电机直接驱动定量泵，取代原有的异步电机驱动液压动力源，形成一种新型节能、响应快速、易实现闭环控制的液压动力系统。鉴于负载变化过程中流量和压力的耦合特性，设计了流量、压力双闭环反馈控制液压系统，基于变频调速理论实现对液压源流量的精准控制，同时通过比例溢流阀模拟负载实现了对系统压力的精确控制。针对上述液压系统，提出一种改进遗传算法优化的模糊控制策略，同时对系统流量、压力进行精准控制。仿真和实验结果表明：采用该改进遗传算法优化的模糊控制策略较传统液压控制方法具有更好的控制性能和节能效果。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

对于给定的传递函数为 G ( S ) 为 1. 5/ [ ( 5 S
+ 1) ( S + 1) (3 S + 1) ]的控制对象 ,采用模糊控制器对其进行控制 ,其中模糊控制器的控制规则采
用上述遗传算法进行寻优。
表 1 群体进化表
序号
1 2 3
初始群体
30. 63 58. 15 76. 21
第 20 代 11. 98 13. 80 14. 08
随机地互换部分串位形成后代串。变异。以一定的概率 Pm 改变串的某个位置
的值。
3 用于模糊控制规则寻优的基本步骤
3. 1 模糊控制规则寻优操作流程根据遗传算法的运行过程可知 , 群体 X ( t)
在遗传算子的作用下变为群体 X ( t + 1) , 因此 , 可将遗传算法看作如图 1 所示的系统。
其中 , f ( x ) 为适值函数 ; q 为遗传算法的控制参数集合 ,如交叉概率、变异概率等 ; N = | X | 为群体大小。
简单遗传算法的操作流程如图 2 所示。当用于模糊控制规则寻优时 ,其操作流程如下 :
3. 2 模糊规则的编码译码一组模糊规则可看作一组输入输出变量模糊
度的排列组合。一个 n - 规则模糊系统 (指有 n 个规则的系统 ,且规则数目不大于最大可列规则数 ε) ,输入变量为 n 个 ,每一输入变量 x i 有εi 档语言变量 , 则可列举的规则组合数为ε1ε2 …εn ,在输入变量的模糊度组合排列次序确定的情况下 , 只需记录输出变量在该组合排列次序下的模糊规则结论的模糊度。而输出变量的模糊度很容易用
第 40 代 6. 53 7. 04 7. 24
初始群体通过随机方式确定参数 ,初始化群体的个数 N = 50 ,采样周期 T = 0. 1 s。将初始状态以及进化到第 20 代和第 40 代时的适应值在前几位的目标函数和阶跃响应曲线 (1 ,2 ,3 分别为前 3 位的响应曲线) 分别表示在表 1 及图 3 、4 中。
[4 ] Potts J C , Gidens T D , Yadav S B. The Development and Evaluation of an Improved Genetic Algorit hm Based on Migrtion and Artificial Selection [J ] . IEEE Trans. on Systems , Man , and Cybemetics. 1994 , 24 (1) :73 - 86.
⑦由最大适值的样本解码 ,得到优化的控制规则。
4 模糊控制系统仿真实例
从图 3 、4 以及表 1 可知 ,采用遗传算法寻优 , 对象的阶跃响应可以很快收敛于稳定值。而且进化到第 20 代时相对于初始种群控制效果已明显提高 ,进化到第 40 代时已经达到很好的效果。
5 结束语
在介绍了遗传算法的基本原理的同时 ,采用遗传算法进行模糊控制规则的寻扰。并通过实验表明 ,遗传算法作为一种有效的优化技术运用于规则自学习取得了良好的效果。
36 武汉理工大学学报·信息与管理工程版 2002 年 6 月
代的种群 ,然后计算出各样本的目标函数值及其最大值和适值 ;
⑤计算新一代种群的适值总和、最大值、平均值、最小值及最大值样本序号 ;
⑥判断是否满足终止条件 (一般迭代 20 次则种群稳定) ,在次选择终止条件为迭代 40 次 ,若不满足 ,则返回到 ③;
∫ 此选择的目标函数为 : J = t | e | d t ,考虑到目
标函数优化方向应对应适值增加的方向 ,可以将目标函数 J 转换成如下适值函数 :
F = FMAX - J
式中 , FMAX表示本生育代目标函数 J 的最大值。 3. 4 计算过程
程序框图与简单遗传算法流程图类似。 ①随机初始化初始群体的参数 ,初始群体的个数取 N = 20 ,根据目标函数计算出目标函数值 J 及相应的适值 ; ②计算出初始群种的适值总和、最大值、平均值、最小值及最大值样本序号 ; ③繁殖操作。根据优胜劣汰原则 ,计算出每个样本的适值与平均适值之比 ,将其四舍五入取整 ,如果小于 1 则淘汰 ,反之 ,则用最大适值的样本繁殖 ,最后保持种群样本个数不变 ,即 N = 20 不变 ; ④交叉和变异操作。从上一代种群中随机的两两配对 ,以交叉概率为 0. 8 随机地选取交叉位进行交叉操作 ,变异概率为 0. 01 。由此产生新一
文章编号 :1007 - 144X(2002) 03 - 0034 - 03
遗传算法在模糊控制规则优化中的应用
施青平
(武汉理工大学自动化学院 ,湖北武汉 430070)
摘要 :对于给出的一种模糊控制系统 ,基于遗传算法 ,对模糊规则进行了优化。并通过仿真表明 ,采用遗传算法寻优能获得较好的控制效果。关键词 :遗传算法 ;模糊控制 ;规则优化中图法分类号 : TP 273. 4 文献标识码 :A
目前遗传算法的研究主要分为工作原理[5 ] 、计算模型[6 ] 、编码方式[7 ] 、操作符[8 ] 、早熟收敛问题、问题结构类型等领域[9 ] 。根据编码方式的不同 ,遗传算法主要分为二进制编码遗传算法和实数编码遗传算法两种形式。二进制编码遗传算法适合用在组合优化方面 ,而实数编码主要适用于方程优化。
二进制数来表示 ,因此 ,一组模糊规则可用一个二进制数串来表示。例如 ,对于 2 输入 1 输出的模糊控制器 ,每个变量分别划分为 3 个模糊度 ( S , M , L ) , S , M , L 可分别用二进制数 01 ,10 ,11 来表示。9 条规则可转化为一长度为 18 的二进制串 ,同样给定一长度为 18 的二进制串可转化为 9 条模糊规则。在规则转化为二进制串的过程中 , 只需将相应的模糊规则一一串联即可。例如 ,模糊规则串 111001010111101011 表示的模糊规则组合为
模糊控制是以模糊数学为基础的新型智能控制方法[10 ] 。模糊系统是对人类处理模糊性概念机及其推理机制的模拟。最初在模糊系统的设计中 ,推理方法的选取、隶属函数形状及参数的选取、相关权重的确定以及规则库的确定 ,均是由专家根据实际经验指定的 ,这也曾被认为是模糊系
统较之经典解析模型的一大优点。但是人们也发现 ,对设计好的模糊系统中的一些参数基于数据进行调谐可以大大提高模糊系统的性能 ,同时大量学者研究了基于经典优化的模糊系统训练学习 ,大部分可归纳入模糊神经网络框架。遗传算法与模糊系统的相互融合也是今天人们所关注的话题。遗传算法已应用于隶属函数形状与参数设计 ,系统相关权重的优化等方面。
[ 7 ] Louis S J , Fang Z. Doman Knowledge for Genetic Slgorit hms [ R ] . Nevada : Department of Computer and Science , Mackay School of Mines , University of Nevada ,Reno - NV89557 ,1989.
1 前言
遗传算法是近年来发展起来的基于生物界自然选择和自然遗传机制的随机化搜索算法。它属于直接法 ,其主要特点是群体搜索策略和群体中个体之间的信息交换 , 搜索不依赖于梯度信息[1 ] 。它尤其适用于处理传统方法难于解决的复杂和非线性问题 ,可广泛应用于结构优化设计[2 ] 、机器学习[3 ] 、计算机网络[4 ] 、自适应控制、规划设计和人工生命的领域。它是模拟自然界中的进化过程或演变过程的算法模型 ,它把适者生存与结构化 ,随机化的信息交换结合在一起 ,形成一种搜索算法。它与传统搜索算法有很多不同之处 ,主要是遗传算法直接使用问题参数的适当编码 ,从问题的解组成的群体开始搜索寻找最优解 , 使用目标函数值的信息进行搜索而不考虑目标函数的数学特性并以一定的概率使用三种遗传操作进行搜索而不用确定规则。
[ 3 ] Louis S J . Working from Blueprints : Evolutionary Learning for Design [ R ] . Nevada : Department of Computer Science , Unigersity of Negad , Reng 89557 ,1989. 1 - 13.
第 24 卷第 3 期武汉理工大学学报·信息与管理工程版 Vol. 24 No. 3 2002 年 6 月 JOURNAL OF WU T ( INFORMA TION & MANA GEMEN T EN GIN EERIN G) J u法 ,庄镇泉 ,王东生. 遗传算法及其应用[ M ] . 北京 :人民邮电出版社 ,1996.
[ 2 ] Louis S J . Genetic Algorit hm as a Computational Tool for Design[ D ] . Indiana :Department of Computer Sci2 ence , Indiana Unigersity ,1993.
模糊规则的设定是模糊控制器开发的核心 , 但对于 2 个以上输入或每个输入超过 3 个模糊度的控制对象 ,人工设定模糊规则是很困难的。目前 ,在模糊控制推理中大多采用 min 、max 、重心法 ,但这种方法由于使用 min 、max 这种非线性很强的运算 ,推理过程不一定满足直感的推断 ,因此 ,提出了用代数积代替 min 、用加法代替 max 的代数积 - 加法 - 重心法等模糊推理算法。近年来 ,为了简化计算和分析 ,提出了函数型推理等简化算法。研究模糊规则的自动生成有着重要的学术和应用价值。遗传算法以其优良的寻优特性被用于模糊规则的自动生成。