基于遗传算法的自适应控制技术研究

10.16638/ki.1671-7988.2020.08.015基于遗传PID算法的自适应巡航控制许设1,2，卢炽华1,2*（1.武汉理工大学现代汽车零部件技术湖北省重点实验室，湖北武汉430070；2.汽车零部件技术湖北省协同创新中心，湖北武汉430070）摘要：随着高级驾驶辅助系统（ADAS）成本的下降，ADAS系统逐渐被下放到普通家用车上。

自适应巡航系统（ACC）作为ADAS的重要组成部分，深受广大消费者的关注。

文章设计了基于遗传算法和PID算法的上位控制器和基于模糊控制的下位控制器。

使用Carsim和Simulink仿真后结果显示，基于遗传PID算法的自适应巡航控制具有更好的控制精度和控制效率。

关键词：ACC控制；遗传PID控制；模糊控制；Carsim/Simulink仿真中图分类号：U471.15 文献标识码：A 文章编号：1671-7988(2020)08-45-06Adaptive cruise control based on genetic PID algorithmXu She1,2, Lu Chihua1,2*( 1.Hubei Key Laboratory of Advanced Technology for Automotive Components, Wuhan University of Technology, Hubei Wuhan 430070; 2.Hubei Collaborative Innovation Center for Automotive Components Technology,Wuhan University of Technology, Hubei Wuhan 430070 )Abstract: With the decrease of the cost of Advanced Driving Assistance System，the ADAS system has been gradually transferred to the ordinary family car. As an important part of ADAS, adaptive cruise system has attracted the attention of consumers. In order to improve the control accuracy of ACC system, the upper controller based on genetic algorithm and PID algorithm and the lower controller based on fuzzy control are designed in this paper. The simulation results using Carsim and Simulink show that the adaptive cruise control based on genetic PID algorithm has better control accuracy and efficiency. Keywords: ACC control; Genetic PID control; Fuzzy control; Carsim/Simulink simulationCLC NO.: U471.15 Document Code: A Article ID: 1671-7988(2020)08-45-06引言高级驾驶辅助系统（简称ADAS），不断利用车载传感器（包括单双目摄像头、GPS、激光雷达等）进行环境感知，收集侦测到的动静态物体信息，结合地图数据，由控制系统进行分析和运算，然后对车辆进行控制。

基于人工智能的自适应控制系统研究现代科技日新月异，人工智能作为数字化技术的核心内容之一，在智能制造、自动化控制等领域中扮演着越来越重要的角色。

自适应控制系统是在工业自动化控制领域中应用人工智能实现优化控制与自适应调控的重要方法。

本文将探讨基于人工智能技术的自适应控制系统相关的研究进行论述。

一、自适应控制系统的概述自适应控制系统是指能够实现自动的、快速的、准确的自适应控制方法，并能够从过程中学习、改变控制策略，避免外部环境的干扰，提高系统响应速度和精度的新型控制系统。

结合当前信息时代的背景下，智能工厂、智能城市等各种场景下的自适应控制系统都得到了广泛的应用，并发挥了重要的作用。

二、基于人工智能的自适应控制系统技术在自适应控制系统领域中，人工智能技术是实现系统自学习、预测、优化、决策等重要道具。

人工智能技术的主要分类包括神经网络、模糊逻辑、基因算法、支持向量机等。

这些技术在智能控制领域中都发挥了重要的作用。

1.神经网络技术神经网络技术是一种模仿人类神经系统工作原理而发展起来的一种算法，通过网络中许多神经元之间的连接，来实现数据处理和信息识别，并为其他自适应控制算法的实现提供基础支持。

2.模糊控制技术模糊控制技术是一种解决现实问题的数学与信息学方法，它将专家知识与数学思维相结合，面对模糊、不确定、不精确的问题，应用规则库、模糊集合与推理机制来实现自适应控制。

3.遗传算法技术遗传算法能够实现有效的参数优化和控制策略搜索，该算法通过进化和自适应搜索机制，模拟自然进化过程并通过自我学习和改进机制来改善系统性能。

4.支持向量机技术支持向量机技术是一种分类算法，它通过将不同类别的数据进行映射并分割，实现自适应控制目标。

该方法通过学习训练样本的模型参数，并通过对未知样本的模型分类，实现控制目标的自适应调节。

三、自适应控制系统的应用基于人工智能技术的自适应控制系统在工业自动化、智能医疗、物流管理等领域应用广泛，下面将着重探讨基于人工智能技术的自适应控制系统在智能制造领域的具体应用。

自适应控制理论的研究与应用随着计算机技术和控制理论的不断发展，自适应控制理论变得越来越重要，并被广泛应用于数控技术、物联网、机器人及许多其他领域。

自适应控制理论是一种能够让控制系统动态地自我调整的方法，能够适应环境的变化，降低系统的误差，提高系统性能，并保证系统的稳定性。

本文将介绍自适应控制理论的原理、分类、发展历程、应用以及未来发展方向。

一、自适应控制理论的原理自适应控制系统的核心思想是根据系统的输入和输出数据，对控制器进行调整，以提高系统对外部环境的适应能力。

自适应控制系统根据不同的系统性质，可以应用不同的算法，实现自我优化。

其基本原理为负反馈控制和参数调整，即预设系统控制目标和误差范围，当系统输出数据偏离预期值时，控制器会自动对参数进行调整，以达到期望的系统输出效果。

自适应控制理论可用于实时控制领域，也可用于长时间运行、高精度控制等领域。

二、自适应控制理论的分类根据调整方法不同，自适应控制理论可分为以下不同的分类。

1. 基于模型的自适应控制：基于数学模型和先验知识的自适应控制方法。

该方法需要建立一个准确的数学模型，并根据这个模型调整控制器参数以达到稳定控制的效果。

其中包括模型参考自适应控制、模型预测自适应控制、自适应模型识别控制等。

2. 基于神经网络的自适应控制：利用人工神经网络技术进行建模，并使用反向传播算法对神经网络进行训练，进行自适应控制。

该方法应用广泛，可以对复杂系统进行非线性建模，对控制器进行调整，以达到期望的控制效果。

3. 基于遗传算法的自适应控制：利用启发式算法，在变量空间内搜索最优解，并对参数进行优化。

该方法适用于非线性系统和多变量系统，控制器可以根据实时数据进行调整，准确的追踪系统反馈量。

三、自适应控制理论的发展历程自适应控制理论的发展可以追溯到20世纪50年代。

早期的自适应控制理论主要是用于电子电路自适应滤波和自适应平衡控制。

60年代中期，自适应控制理论逐步应用于工业控制领域。

基于遗传算法的基本研究遗传算法是一种自然进化过程中的适应性和自适应性的数学理论，如今已广泛应用于优化问题的研究和解决方案的设计。

遗传算法模拟了生物进化过程中基因的变异、交叉和选择机制，经过数代进化不断优化，从而能够自主地应对复杂的问题并给出较好的解决方案。

遗传算法的基本原理包括种群初始化、选择、交叉、变异和适应度评估。

种群初始化是指生成一定数量的随机解集合，这些解集合称为种群。

选择是指从种群中选出一些较优解作为下一代解的基础。

交叉是指对两个或多个解进行有控制的交换操作，以生成新的解。

变异是指对解进行随机的改变，以产生新的解。

适应度评估是指根据问题特点和目标函数，对每个解的质量进行评价，从而标识每个解的潜在能力和适应性。

遗传算法具有较强的应用性。

它可以高效地解决很多传统的、难以解决的复杂问题，如组合优化问题、求解最优路径问题、图像识别问题、机器学习问题等。

同时，它也是一种重要的优化工具，能够有效地寻找复杂非线性系统的最优解，提高系统的性能和效率。

为了实现更好的遗传算法算法设计，可以考虑以下几个方面：(1)变异和交叉的设计。

变异和交叉是遗传算法中最为重要的操作，它们的设计决定着遗传算法的性能。

变异和交叉应该根据待解决问题的特点来进行设计，可以采用多种不同的变异和交叉策略，并进行测试和比较。

(2)种群大小的选择。

种群大小的选择与算法的收敛速度和稳定性密切相关。

一般来说，种群大小越大，遗传算法的收敛性越好，但是同时也会增加计算时间和计算资源的消耗。

因此，在实际应用中，应该综合考虑种群大小和算法效率之间的平衡。

(3)适应度函数的设计。

适应度函数是遗传算法评价求解的质量的关键因素之一。

应该根据问题的特点设计不同的适应度函数，以反映问题的特性和求解的目标。

总的来说，遗传算法具有很好的应用前景，可以应用于各种复杂问题的求解和优化。

但是，遗传算法的性能也取决于算法的设计和实现方法，因此需要在实际应用中进行试验和比较，以得到最佳的结果。

自适应控制算法研究近年来，自适应控制算法被广泛应用于各种领域，如自动化控制、机器人控制、电力系统控制等，其作用不可忽视。

自适应控制算法是指针对被控系统的特性和参数进行自适应调整的控制技术。

随着现代科技的不断发展，自适应控制算法不断完善，其应用范围也越来越广泛。

一、自适应控制算法的概念自适应控制算法是指在控制器中添加一种自适应环节，对被控对象进行实时检测、分析和调整，使控制系统具有自我修正和自我调节的能力，以实现对被控对象的准确控制。

自适应控制算法的应用从传统的模型预测控制、自适应PID控制到现在的神经网络控制、遗传算法控制等，自适应控制算法的发展经历了从定常模型到动态非线性模型的转变，从传统算法到智能算法的转变。

二、自适应控制算法的应用领域1.自动化控制领域自适应控制算法在自动化控制领域的应用非常广泛，可以使自动化控制系统从传统的定值控制向调整控制转变。

如温控系统、液位控制系统、机床控制系统等，不同的被控对象需要不同的控制策略，自适应控制算法正好能够满足这种要求。

2.机器人控制领域机器人控制领域是自适应控制算法的又一重要应用领域。

机器人系统的控制需要考虑到不同的环境变化，自适应控制算法能够针对不同环境进行自适应调整，使得机器人系统具备智能化和自适应化的特点。

如自适应模糊控制算法、自适应神经网络控制算法等，可为机器人控制提供更高效、更精确的控制方法。

3.电力系统控制领域在电力系统控制领域，采用自适应控制算法可以提高控制系统的可靠性和稳定性。

如传统的功率控制策略中，对于变频电力电缆进行电气控制往往使用PID控制方法，但在进行自适应控制处理后，能够针对不同的负载变化和电缆参数变化进行自适应调节，使电力系统控制更加精确和高效。

三、自适应控制算法的发展趋势1.深度学习算法深度学习算法是指一种多层次的神经网络模型，其逐层提取高级抽象特征的能力使其在很多领域的表现非常出色。

在自适应控制算法中，深度学习算法可以用来进行非线性建模和自适应控制，能够更加准确地处理控制系统中的信号和物理现象。