下载文档原格式
基于遗传算法的PID控制器参数优化基于遗传算法的PID控制器参数优化是一种智能化调节方法，通过遗传算法的优化过程，可以自动得到最佳的PID参数组合，并实现对控制系统的自动调节。
以下将详细介绍基于遗传算法的PID控制器参数优化的原理、步骤和应用情况。
一、基于遗传算法的PID控制器参数优化原理遗传算法是一种模拟自然选择和遗传的数学模型，通过模拟生物进化的过程，利用优胜劣汰的原则逐步优化求解问题。
在PID控制器参数优化中，可以将PID参数看作个体（染色体），通过遗传算法的选择、交叉和变异等操作，不断优化个体的适应度，最终得到最佳的PID参数组合。
二、基于遗传算法的PID控制器参数优化步骤（1）初始化种群：随机生成一组PID参数作为初始种群，设置种群大小和迭代次数。
（2）适应度函数定义：根据所需控制效果，定义适应度函数来评估每个个体的优劣程度。
（3）选择操作：根据适应度函数的值选择优秀的个体，采用轮盘赌等选择策略，将优秀的个体复制并加入下一代种群中。
（4）交叉操作：从选择的个体中，选取两个个体进行交叉操作，通过交叉操作生成新的个体，并加入下一代种群中。
（5）变异操作：对下一代种群中的一些个体进行变异操作，改变其染色体的一些位，以保持种群的多样性。
（6）重复上述步骤：迭代执行选择、交叉和变异操作，直到达到预定的迭代次数或找到满意的PID参数组合。
（7）输出最佳解：最终输出具有最佳适应度的PID参数组合，作为优化后的参数。
三、基于遗传算法的PID控制器参数优化应用情况（1）机械控制系统：如电机驱动、自动化装配线等，通过优化PID 参数可以提高系统的控制精度和动态性能。
（2）能源系统：如电力系统、风力发电等，通过优化PID参数可以实现能源的高效利用和稳定运行。
（3）化工过程控制：如温度控制、压力控制等，通过优化PID参数可以提高产品质量和生产效率。
（4）交通管理系统：如城市交通信号控制、车辆行驶控制等，通过优化PID参数可以实现交通流畅和事故减少。
基于遗传算法的PID控制器参数优化遗传算法是一种模拟生物进化过程的智能算法，适用于解决优化问题。
在PID控制器设计中，参数的选择对控制系统的性能和稳定性有很大影响。
使用遗传算法对PID控制器参数进行优化，能够自动找到最优参数组合，提高系统的控制性能。
PID控制器由比例（P）、积分（I）、微分（D）三个部分组成，其输出是通过对误差的线性组合得到的。
参数的选择直接影响控制器的稳定性、动态响应和抗干扰能力。
传统的方法通常是通过试错法进行参数整定，这种方法的缺点是效率低、调试过程繁琐且容易出错。
遗传算法是一种模拟自然界进化过程的智能优化算法，其中每个个体代表一组可能的参数，通过适应度函数来衡量个体的适应度，并选择适应度较高的个体进行遗传和变异操作，最终找到适应度最优的个体。
将遗传算法应用于PID控制器参数优化的步骤如下：1.确定优化目标：通过设置适应度函数来度量控制系统的性能指标，如超调量、调整时间和稳定性。
2.初始化种群：随机生成一组初始参数作为初始种群，并利用适应度函数来评估每个个体的适应度。
3.选择操作：根据适应度选择一部分适应度较高的个体作为父代，通过选择操作进行选择。
4.交叉操作：将选中的父代进行交叉操作，生成新的子代个体。
5.变异操作：对子代进行变异操作，引入新的个体差异。
6.评估适应度：利用适应度函数评估新生成的子代个体的适应度。
7.判断终止条件：判断是否满足终止条件，如达到最大迭代次数或找到满足条件的解。
8.更新种群：根据选择、交叉和变异操作的结果，更新种群。
9.重复步骤3-8，直到满足终止条件。
10.输出最优解：输出适应度最好的个体参数作为PID控制器的优化参数。
使用遗传算法进行PID控制器参数优化有如下优点：1.自动化：遗传算法能够自动寻找最优参数组合，减少了人工试错的过程。
2.全局：遗传算法具有全局的能力，能够参数空间的各个角落，找到更好的解决方案。
3.鲁棒性：遗传算法能够处理多变量、多模态和不连续的问题，具有较好的鲁棒性。
改进遗传算法在PID参数寻优中的研究余荣川;彭建盛【摘要】In the problem of automatic controller parameters, the optimization of PID parameters is very common but very important problem.Most of the traditional methods of setting the PID parameters are optimized by experiment and experience.These methods often require a lot of time and the accuracy will be Limited.By using the idea of Monte Carlo to establish a random population, then selected mutation probability as an example, using the improved genetic algorithm to optimize the PID parameter of the known mathematical model.We can get two sets of PID parameters with the simulation of the traditional genetic algorithm and improved genetic algorithm under Simulink environment.The results show that the response curve of the improved genetic algorithm is better than that of traditional genetic algorithm.%在研究自动控制器参数优化问题中,PID 参数优化问题是很常见却又非常重要的问题.在传统设置PID参数方法中,多数是通过实验和经验的方法人为地进行优化,这种方法需要大量的时间且准确性有限.利用蒙特卡洛方法的思想建立一个随机群体,然后以分段选取变异概率为例,利用改进遗传算法对已知数学模型的PID参数进行优化,通过在Simulink环境下对传统遗传算法和改进遗传算法所得到的两组PID参数进行仿真,由仿真实验结果得出,改进遗传算法比传统遗传算法有更好的响应曲线,说明改进遗传算法达到了优化参数的目的.【期刊名称】《河池学院学报》【年(卷),期】2017(037)002【总页数】5页(P84-88)【关键词】蒙特卡洛方法;改进遗传算法;PID;优化【作者】余荣川;彭建盛【作者单位】广西科技大学电气与信息工程学院,广西柳州 545006;广西科技大学电气与信息工程学院,广西柳州 545006;河池学院物理与机电工程学院,广西宜州546300【正文语种】中文【中图分类】O59作为一种经典的控制方法，PID(Proportion Integral Derivative)控制自诞生以来，经历了几十年的发展和完善，因其具有优越的控制性能，越来越多的企业和研究机构在系统控制过程中用到PID控制，例如过程控制和运动控制。
基于ITAE指标的PID参数整定方法比较研究一、本文概述随着工业自动化程度的日益提高，PID（比例-积分-微分）控制器作为最常用的工业过程控制器之一，其参数整定方法的研究显得尤为重要。
在实际应用中，PID控制器的性能优劣直接影响到工业过程的稳定性和生产效率。
因此，寻找一种有效的PID参数整定方法，以提高控制器的性能，一直是工业控制领域的研究热点。
本文旨在探讨基于ITAE（积分绝对误差）指标的PID参数整定方法，并通过比较研究，分析不同整定方法的优缺点。
文章将简要介绍PID控制器的基本原理和参数整定的意义。
然后，重点阐述基于ITAE指标的PID参数整定方法，包括ITAE指标的定义、计算方法以及如何在参数整定过程中应用ITAE指标。
接下来，文章将通过实验仿真或实际应用案例，对不同整定方法进行比较研究，分析它们在控制性能、稳定性、鲁棒性等方面的表现。
文章将总结各种方法的优缺点，并提出改进意见或建议，为工业控制领域的实践应用提供参考。
通过本文的研究，期望能够为PID控制器的参数整定提供一种新的思路和方法，以提高控制器的性能，促进工业自动化技术的发展。
二、PID控制器的基本原理与参数整定PID（比例-积分-微分）控制器是一种广泛应用的线性控制器，其基本原理是通过对系统误差的比例、积分和微分进行线性组合，生成控制量以调整被控对象。
PID控制器的输出u(t)可以表示为：u(t) = Kp * e(t) + Ki * ∫e(t)dt + Kd * de(t)/dt其中，Kp是比例系数，Ki是积分系数，Kd是微分系数，e(t)是系统误差（设定值与实际值的差）。
比例项Kpe(t)是对系统误差的直接反应，比例系数Kp决定了控制器对误差的敏感度；积分项Ki∫e(t)dt是对误差的累积，积分系数Ki决定了控制器对误差累积的补偿程度；微分项Kd*de(t)/dt是对误差变化的预测，微分系数Kd决定了控制器对未来误差变化的预测和抑制。
摘要：研究自动控制器参数整定问题，PID参数整定是自动控制领域研究的重要内容，系统参数选择决定控制的稳定性和快速性，也可保证系统的可靠性。
传统的PID参数多采用试验加试凑的方式由人工进行优化，往往费时而且难以满足控制的实时要求。
为了解决控制参数优化，改善系统性能，提出一种遗传算法的PID 参数整定策略。
在本文里，通过介绍了遗传算法的基本原理，并针对简单遗传算法在PID控制中存在的问题进行了分析，提出在不同情况下采用不同的变异概率的方法，并对其进行了实验仿真。
结果表明，用遗传算法来整定PID参数，可以提高优化性能，对控制系统具有良好的控制精度、动态性能和鲁棒性。
关键词：PID控制器;遗传算法;整定PID1 引言传统的比例、积分、微分控制，即PID控制具有算法简单、鲁棒性好和可靠性高等优点，已经被广泛用于工业生产过程。
但工程实际中，PID控制器的比例、积分和微分调节参数往往采用实验加试凑的方法由人工整定。
这不仅需要熟练的技巧，往往还相当费时。
更为重要的是，当被控对象特性发生变化，需要控制器参数作相应调整时，PID控制器没有自适应能力，只能依靠人工重新整定参数，由于经验缺乏，整定结果往往达不到最优值，难以满足实际控制的要求。
考虑生产过程的连续性以及参数整定费事费力，这种整定实际很难进行。
所以，人们从工业生产实际需要出发，基于常规PID控制器的基本原理，对其进行了各种各样的改进。
近年来许多学者提出了基于各种智能算法的PID整定策略，如模糊PID，神经元网络PID等…，但这些先进算法都要求对被控对象有很多的先验知识，在实际应用中往往难于做到。
随着计算技术的发展，遗传算法有了很大的发展。
将遗传算法用于控制器参数整定，已成为遗传算法的重要应用之一。
本文介绍基于遗传算法的PID参数整定设计方法。
这是一种寻求全局最优的控制器优化方法，且无需对目标函数微分，可提高参数优化效果，简化计算过程。
仿真实例表明该方法与其他传统寻优方法相比，在优化效果上具有一定的优势。
基于遗传算法优化的模糊pid控制研究及其仿真随着工业生产自动化和精密控制的发展，PID控制器已成为控制系统中最常用的控制技术之一。
传统的PID控制方法具有一定的稳定性和可靠性，但也存在一定的缺陷，例如参数设置困难、优化效率低等问题。
为了解决这些问题，研究人员提出了基于遗传算法的模糊PID控制研究方法。
遗传算法是一种以自然选择为基础的模仿自然进化和模拟计算思想，由John Holland于1960年代提出，它能够自动调节参数并为优化问题提供有效解决方案。
它大大简化了传统PID控制中的参数设定和优化过程，使PID控制系统更加精确和可靠。
方法基于遗传算法的模糊PID控制研究方法，主要分为以下几个步骤：（1）首先，根据模糊控制的原理，为模糊PID控制器设定优化目标。
（2）确定遗传算法的迭代次数和基因池的大小。
（3）根据模糊逻辑和技术，使用遗传算法的特性建立一个模糊系统，利用遗传算法计算模糊系统参数。
（4）将计算出的参数应用到PID控制器中，进行系统仿真。
（5）根据仿真结果，对模糊系统参数进行调整，使系统性能更加稳定可靠。
结果和讨论通过基于遗传算法的模糊PID控制研究，可以得到较佳的控制系统参数，使系统稳定性和可靠性得到很大的提高。
仿真结果表明，基于遗传算法优化的模糊PID控制器在系统参数设置和稳定性方面有着良好的优势。
结论是，在工业生产自动化和精密控制中，基于遗传算法优化的模糊PID控制是一种有效的控制策略，它能够有效改善系统性能，提高系统稳定性和可靠性。
结论基于遗传算法优化的模糊PID控制是一种有效的控制策略，能够提高其稳定性和可靠性，从而有效改善系统性能。
但是，需要指出的是，以上研究主要集中在参数设计和优化上，而对系统动态和实时应用方面尚未有深入研究，仍有许多工作需要去完善。
基于遗传优化算法对离散PID控制器参数的优化设计摘要PID控制作为一种经典的控制方法，从诞生至今，历经数十年的发展和完善，因其优越的控制性能业已成为过程控制领域最为广泛的控制方法；PID控制器具有结构简单、适应性强、不依赖于被控对象的精确模型、鲁棒性较强等优点，其控制性能直接关系到生产过程的平稳高效运行，因此对PID控制器设计和参数整定问题的研究不但具有理论价值更具有很大的实践意义，遗传算法是一种借鉴生物界自然选择和自然遗传学机理上的迭代自适应概率性搜索算法。
本论文主要应用遗传算法对PID调节器参数进行优化。
关键词：遗传优化算法PID控制器参数优化1.前言PID调节器是最早发展起来的控制策略之一，因为它所涉及的设计算法和控制结构都是简单的，并且十分适用于工程应用背景，此外PID控制方案并不要求精确的受控对象的数学模型，且采用PID控制的控制效果一般是比较令人满意的，所以在工业实际应用中，PID调节器是应用最为广泛的一种控制策略，也是历史最久、生命力最强的基本控制方式。
调查结果表明: 在当今使用的控制方式中，PID型占84. 5% ，优化PID型占68%，现代控制型占有15%，手动控制型66%，人工智能(AI)型占0.6% 。
如果把PID型和优化PID型二者加起来，则占90% 以上，这说明PID控制方式占绝大多数，如果把手动控制型再与上述两种加在一起，则占97.5% ，这说明古典控制占绝大多数。
就连科学技术高度发达的日本，PID控制的使用率也高达84.5%。
这是由于理论分析及实际运行经验已经证明了PID调节器对于相当多的工业过程能够起到较为满足的控制效果。
它结构简单、适用面广、鲁棒性强、参数易于调整、在实际中容易被理解和实现、在长期应用中己积累了丰富的经验。
特别在工业过程中，由于控制对象的精确数学模型难以建立，系统的参数又经常发生变化，运用现代控制理论分析综合要耗费很大的代价进行模型辨识，但往往不能达到预期的效果，所以不论常规调节仪表还是数字智能仪表都广泛采用这种调节方式。
控制系统参数优化算法的综述及比较引言：控制系统参数优化是控制理论与应用中的重要研究方向之一。
通过调整控制系统中的参数，可以改善系统的性能指标，提高系统的稳定性、响应速度和抗干扰能力。
针对不同的控制系统和性能需求，研究者提出了许多参数优化算法。
本文将综述常用的控制系统参数优化算法，并进行比较分析，旨在为研究者提供选择合适算法的参考。
一、PID算法PID（比例-积分-微分）算法是目前最常用的控制系统参数优化算法之一。
PID算法根据系统的误差、偏差和变化率进行计算，通过调整比例、积分和微分增益参数，可以实现系统的稳定控制和良好的响应速度。
PID算法简单易懂，计算速度快，但对于非线性系统和时变系统效果有限。
二、遗传算法遗传算法是一种模拟生物进化过程的优化算法，通过模拟遗传、变异和选择等操作，在参数空间中搜索最优解。
遗传算法具有全局优化能力，适用于非线性、多约束的复杂系统。
遗传算法的优点是可以通过引入随机性来避免陷入局部最优解，但算法收敛速度较慢，需要大量的计算资源。
三、模糊控制算法模糊控制算法模拟人类的模糊推理过程，基于模糊逻辑进行控制规则的设计。
模糊控制算法适用于具有模糊规则和模糊输入输出的系统，可以处理一些非精确性和模糊性较强的问题。
模糊控制算法的优点是简化了控制系统的建模过程，但在应对高精度控制和复杂的非线性系统时表现一般。
四、人工神经网络算法人工神经网络算法模拟人脑的神经网络结构和工作方式，通过学习和适应来进行参数优化。
人工神经网络算法适用于非线性、时变的系统，能够处理大量的输入输出数据。
人工神经网络算法的优点是具有自适应能力和非线性逼近能力，但需要大量训练数据和较长的训练时间。
五、粒子群优化算法粒子群优化算法模拟鸟群觅食行为，并通过互相通信和合作来搜索最优解。
粒子群优化算法具有简单、快速和全局搜索能力的优点，对于参数优化问题具有一定的适应性。
但在处理高维参数空间和复杂约束时效果较差。
六、灰色系统理论灰色系统理论通过将数据处理为灰色数列，利用灰色关联度分析和灰色预测等方法来进行参数优化。
基于遗传算法的PID控制器参数优化研究谭顺学(柳州职业技术学院，广西柳州 545006)【摘 要】针对PID控制器在不同的应用系统，需要动态调整PID控制参数的问题，提出了基于遗传算法的PID自适应参数优化方案。
该方案通过将PID控制器产生的误差作为目标函数，利用遗传算法实现对PID控制器参数的自动调整。
为了提高参数的优化效率，文章通过对交叉算子和变异算子的自适应处理，提高了PID控制器的性能。
实验测试表明，文章设计的PID 参数优化策略比普通的基于遗传算法优化策略效率平均高14.7%。
【关键词】遗传算法；PID；参数优化；交叉算法；变异算子【中图分类号】TP18【文献标识码】B【文章编号】1008-1151(2013)05-0031-04 Research on PID parameter optimization based on genetic algorithm Abstract:In different application system, PID controlling parameters need to be dynamically adjusted by PID controller. So PID adaptive parameter optimization scheme based on genetic algorithm is presented. It makes the errors of PID controller as objective function, using genetic algorithm to automatically adjust PID controller parameters. To improve the optimization efficiency of parameters, the assay improved the performance of PID controller by the adaptive processing of crossover operator and mutation operator. The experimental tests indicate that the efficiency of PID parameter optimization is 14.7% above that of general genetic algorithm parameters optimization.Keyword: Genetic algorithm; PID; parameter optimization; crossover operator; mutation operator1前言PID控制器广泛应用于工业控制领域，PID控制器在实际应用过程中，如何设定PID控制器的控制参数，是PID实际应用过程中面临的一大难题，目前针对PID控制器参数整定的研究方法有很多，既有基于实践经验的参数设定方法，也有基于逻辑推理和一些人工智能，如神经网络理论等展开的相关研究、基于遗传算法，通过模拟进化论的思想在通过不断地一代接一代的遗传采取优胜劣汰的优化原则，最终对这类解空间不确定的问题，寻找到最似最优解应用于遗传算法[1-4]。
对PID参数整定的相关研究主要有：牛芗洁，王玉洁，唐剑等人为了解决PID控制器参数优化的问题，提高PID参数优化精度，提出一种遗传算法的PID参数优化策略。
优化过程中通过对PID控制器参数建模，将PID参数作为遗传算法中的个体，采用控制误差绝对值时间积分函数作为优化目标，实现了对PID的三个控制参数的动态调整[5]。
曹建秋，徐凯针对变风量空调系统的不确定性和参数整定的需求，提出了一种基于遗传算法的PID参数优化方法，在优化过程中采用模糊控制和变论域模糊的新方法，分别用于提高PID参数动态调整的性能和对阶跃信号的稳态调整性能，有效提高了PID参数优化的精度和稳定性[6]。
郭旭红，芮延年，李军涛等人提出基于模糊子系统和遗传算法子系统的PID参数调整系统,并利用Matlab软件对基于遗传算法模糊智能空调系统进行了仿真，设计过程中以舒适度为目标函数,通过遗传算法实现了PID参数的最优化调整[7]。
然而，在直接应用于遗传算法对PID参数整定过程中，经过实践检验存在两大问题，其一是计算复杂度较高，为了寻找到最优解，往往需要尽可能的让种群具备的多样性，扩大种群的个体数目，种群的规模越大，进行一轮遗传算法复杂度越高，而且，为了找到遗传最优解，遗传算法的代数一般设的比较大，以得到更多可能接近最优解的个体。
另一方面遗传算法本身就有一些难以解释的现象，以生物学的进化论为例，生物的进化并不是沿着一个线性均匀的规律进行种群的演化[8－9]。
而且，近年大量研究表明，物种的进化实际是在种群产生的初期进化初期进化最快，中后期比较慢，而且在进化过程中不同的基因发生遗传和变异的几率不一样，对物种表征最重要的一些基因，这些基因在遗传过程中，在遗传过程中发生的变异的概率极低。
而一些对物种表征不明显的基因，则更容易发生变异，种种这些规律，用传统的遗传总第15卷165期 大 众 科 技 Vol.15 No.5 2013年5月 Popular Science & Technology May 2013【收稿日期】2013-04-17【基金项目】广西教育厅科研项目“开放式可重构数控系统设计”（201204LX581）。
【作者简介】谭顺学（1974－），男，广西合山人，柳州职业技术学院讲师，从事工业电气自动化方向研究。
- 31 -- 32 -算法是不能够模拟的，因此，用模拟遗传算法解决各种现实问题求解的过程中，也必须对遗传算法进行一定的改定，使得遗传算法能够更好地模拟真实的遗传过程，加快在一个庞大的解空间中，寻找到近似最优解的速度，而且应该尽可能的避免近似最优解陷入局部最优解的局限[10－11]。
为此，文章设计使用遗传算法的PID 参数整定并反而催参数针对过程中的特点对遗传算法的改进和优化。
2 基于遗传算法的PID 参数整定使用遗传算法对PID 参数进行整定的原理图，如图1所示，从图1可以看出，在对PID 参数进行整定时，首先，需要对PID 控制器以及PID 控制器的控制对象，进行建模，建立PID 控制器输入和输出之间的模型关系。
然后，根据对PID 控制器设定的输入量，也即进行PID 控制时的控制预期量，输入量输入PID 控制器之后，对目标系统进行实际的控制，根据实际的控制结果进行采样，得到通过PID 控制器对目标系统的实际控制效果。
采样值与预期设定的初始输入量之间进行对比，之间的差值就是PID 控制器的控制误差[12]。
一个理想的PID 控制器应该尽可能建立控制误差，而且，理想的PID 控制器还应该具备很强的对节约信号的响应能力，即当PID 控制器在实际控制过程中，如果目标系统受到外部的一些干扰信号，或者造成信号的影响，对目标系统的实际控制结果应该和预期的设定值基本一致。
目标系统在可控的范围内，无论受到哪一种类型的干扰，系统都能够保证稳定的运行。
PID 控制器为了实现这一效果，需要动态的对PID 控制器的控制参数进行调整[13]。
对PID 控制参数的调整则是本文的研究重点。
如图1所示，运用遗传算法对PID 控制器的输入量和实际控制过程中产生的误差进行分析，经过遗传算法进行若干代的遗传计算，求解到PID 控制器当前最优的参数设置，并实现对PID 控制器的参数设定，从而实现整个PID 控制器稳定的运行。
采样图1 基于遗传算法的PID 参数整定原理根据对PID 控制器的工作原理分析，PID 控制器的内部有三个控制器所组成，分别是比例控制器、积分控制器和微分控制器，因此，结合在一起，可以形成灵活多样的控制效果，由此，也可得到PID 控制器的模型可以用式1表示。
PID 控制的模型：)11(*)()(s sx P s G ++= （式1） 目标函数：),......,2,1())()(()(122n i xi I xi O xi E gk k kg =−=∑= （式2）式2中g 表示遗传算法已经经历过的遗传代数，k 为记录从开始遗传到当前位置的代数，)(xi O k 表示在第k 代遗传时，作用在被控对象的实际输出值，)(xi I k 表示在第k 代遗传时，作用在被控对象的输入预期值。
适应度函数：),......,2,1()))(min())((max(*)())())((max()(n i xi E xi E g h xi E xi E xi F g g g g g =−+−=（式3）式3中)(g h 为在第k 代遗传时的历史累计偏差调节因子，该因子是随着遗传代数的变化动态调整，调整为式4：∑=−−+−−=gk g h g G g g G g h g h 1)()11(*11*)1()( （式4） 式中G 总的遗传代数，g 表示遗传算法已经经历过的遗传代数，)1(−g h 代表上一代的遗传算法使用的累计偏差调节因子。
该式表明了历史累计偏差在遗传早期起较重要的作用，在遗传后期的作用权重逐步降低。
利用遗传算法对PID 控制器参数整定的过程如下。
（1）初始种群的确定。
初始种群的确定是遗传算法开展运算的前提和基础，为了使得遗传算法能够更快的求解得到近似最优解，初始种群应该尽可能取接近于最优解的可能情况。
当然，在实际的工程应用过程中，由用户直接去设定接近最优解的情况并不是太容易，但是一般可以根据工程经验设定目标系统的可能最优解。
另一方面，初始种群的个体、数目直接影响着遗传算法的计算性能。
如果初始种群的数目过少，则遗传算法可能在短时间内陷入局部最优解的情况。
如果初始种群的个数过于庞大，则遗传算法的计算复杂度过高。
计算过程中需要耗费大量的时间。
文章在设计基于遗传算法的P 参数整定过程中，初始种群根据工程经验对三个参数分别选取了三个可能的近似最优解。
然后，在这三个参数的基础上，进行±5%、±10%和±15%的变形。
通过这种变形之后，每个参数就形成了七个可能的取值，对三个参数所有七种可能取值进行排列组合，共形成343种可能的排列，这343种排列，即形成遗传算法的初始种群。
（2）个体评价。
建立初始种群之后，根据式3所示的适应度行数，对初始种群中的每个个体计算其适应度的值。
其适应度值作为个体评价的依据。
适应度值越高，则认为该个体在整个种群中更占优势，属于更优秀的品种。
适应度值较低的个体，则被淘汰的可能性越高。
（3）选择函数。
遗传算法计算的关键过程是，遗传是从当前一代的个体遗传到下一代，而在遗传过程中，究竟哪些个体应该被选择作为遗传的父节点，则依靠选择函数来确定。
