下载文档原格式
控制系统中的智能优化与决策研究 随着科技的不断发展和应用的深入，控制系统中的智能优化与决策研究越来越引人关注。智能优化与决策研究是为了提高自动控制系统性能、提高效率和降低成本而进行的一项重要工作。本文将围绕这一主题展开，探讨智能优化与决策在控制系统中的应用以及相关研究的最新进展。
一、智能优化技术在控制系统中的应用 1.1 遗传算法在控制系统中的应用 遗传算法是一种模拟生物遗传和进化过程的优化方法。在控制系统中，遗传算法可以用于寻找系统最优控制策略，通过对控制对象的自适应优化，实现对系统性能的提高。遗传算法的优势在于可以处理高度非线性的系统，适应性强，具有全局寻优能力。
1.2 神经网络在控制系统中的应用 神经网络是一种模拟人类神经系统的计算模型。在控制系统中，神经网络可以用于模拟系统的非线性特性，实现对系统的自适应控制。神经网络具有学习和记忆能力，在一定程度上可以提高系统的鲁棒性和适应性。
1.3 模糊控制在控制系统中的应用 模糊控制是一种基于模糊逻辑的控制方法，能够有效处理系统模型不确定、非精确和非线性等问题。在控制系统中，模糊控制可以根据系统输入和输出的模糊信息，通过一系列的模糊规则进行控制决策，实现对系统的优化。
二、智能决策技术在控制系统中的应用 2.1 强化学习在控制系统中的应用 强化学习是一种通过智能体与环境的交互来学习最优行为的方法。在控制系统中，强化学习可以应用于动态控制环境中的决策问题，通过学习和调整控制策略，优化系统的性能。
2.2 推理技术在控制系统中的应用 推理技术是一种基于逻辑推理和推断的智能决策方法。在控制系统中，推理技术可以应用于故障诊断、异常检测和系统状态预测等方面，以提高系统的稳定性和可靠性。
2.3 协同决策技术在控制系统中的应用 协同决策技术将多个决策者的决策过程进行协同和合作。在控制系统中，协同决策技术可以应用于多个子系统之间的决策协调，实现系统整体性能的优化。
2.遗传算法随着优化理论的发展，一些新的智能算法得到了迅速发展和广泛应用，成为解决传统系统辨识问题的新方法，如遗传算法、蚁群算法、粒子群算法、差分进化算法等。
这些算法丰富了系统辨识技术，这些优化算法都是通过模拟揭示自然现象和过程来实现的，其优点和机制的独特，为具有非线性系统的辨识问题提供了切实可行的解决方案。
本章介绍遗传算法解决参数辨识问题。
2.1 遗传算法的基本原理遗传算法简称GA（Genetic Algorithms），是1962年由美国密歇根大学Holland 教授提出的模拟自然界遗传机制和生物进化论而成的一种并行随机搜索最优化方法。
遗传算法是以达尔文的自然选择学说为基础发展起来的。
自然学说包括以下3个方面。
（1）遗传这是生物的普遍特征，亲代把生物信息交给子代，子代按照所得信息而发育、分化，因而下代总是和亲代具有相同或相似的性状。
生物有了这个特征，物种才能稳定存在。
（2）变异亲代和子代之间及子代的不同个体之间总有些差异，这种现象成为变异。
变异是随机发生的，变异的选择和积累是生命多样性的根源。
（3）生存斗争和适者生存自然选择来自繁殖过剩和生存斗争。
由于弱肉强食的生存斗争不断的进行，其结果是适者生存，既具有适用性变异的个体被保存下来，不具有适应性变异的个体被淘汰，通过一代代的生存环境的选择作用，性状逐渐与祖先有所不同，演变为新的物种。
这种自然选择是一个长期的、缓慢的、连续的过程。
遗传算法将“优胜劣汰，适者生存”的生物进化原理引入优化参数形成的编码串联群体中，按所选择的适配值函数并通过遗传中复制、交叉以及变异对个体进行筛选，使适配值高的个体被保留下来，组成新的群体，新的群体既继承了上一代的信息，又优于上一代。
这样周而复始，群体中个体适应度不断提高，直到满足一定的条件。
遗传算法的算法简单，可并行处理，并能得到全局最优解。
遗传算法的基本操作分为如下三种：（1）复制（Reproduction Operator）复制是从一个旧种群中选择生命力强的个体位串产生新种群的过程。
滤波器的自适应控制和参数调节技术滤波器是一种广泛应用于信号处理领域的关键组件，用于去除信号中的噪声或者对信号进行频率响应的调节。
传统的滤波器设计需要事先确定好参数，一旦确定就不可更改，而随着信号环境的变化，传统滤波器无法适应新的信号特性，从而导致滤波效果下降。
为了解决这个问题，研究人员提出了自适应控制和参数调节技术。
1. 自适应滤波器概述自适应滤波器是一种能够根据输入信号的统计特性自动调整滤波器参数的信号处理器。
它不依赖于事先给定的模型或者特定算法，而是根据实际输入信号的特性进行调节，从而达到最佳的滤波效果。
自适应滤波器的关键在于算法的选择和参数的更新规则。
2. 自适应滤波器的算法自适应滤波器常用的算法包括最小均方误差（LMS）算法、最小二乘（RLS）算法和卡尔曼滤波器等。
2.1 最小均方误差（LMS）算法LMS算法是一种最简单和最常用的自适应滤波器算法。
其基本思想是通过调整滤波器的权值，使滤波器的输出误差最小化。
LMS算法通过迭代的方式逐步调整权值，以逼近最小化误差的目标，从而实现自适应滤波。
2.2 最小二乘（RLS）算法最小二乘（RLS）算法是一种针对信号统计特性强相关情况下的自适应滤波器算法。
它通过对输入信号序列进行统计建模，并使用线性回归的方式进行参数估计和调整。
RLS算法的特点是能够更好地适应信号的非平稳和相关特性，但计算复杂度较高。
2.3 卡尔曼滤波器卡尔曼滤波器是一种基于状态空间模型的自适应滤波器。
它通过对系统状态进行预测和更新，进而对信号进行滤波和估计。
卡尔曼滤波器在估计问题上有很好的性能，并且能够利用过去的观测值和系统模型进行优化。
3. 滤波器参数调节技术除了自适应滤波器算法，滤波器参数调节也是提高滤波性能的关键。
常用的滤波器参数调节技术包括基于遗传算法的优化方法、模糊控制方法和神经网络方法等。
3.1 基于遗传算法的优化方法基于遗传算法的优化方法通过模拟进化过程，逐步调整滤波器参数，以达到滤波器性能的最优化。
基于智能模糊遗传算法的锅炉自动控制技术研究摘要:锅炉燃烧过程是一个具有大惯性、大时延、变参数的多输入多输出复杂过程,传统的锅炉燃烧控制多采用PID控制,但PID控制是无法为具有大惯性、大时延和变参数的过程提供高质量的控制,本文提出了基于遗传算法的模糊PID控制可以大大提高系统的控制质量,以达到节能的目的。
关键词:锅炉燃烧控制PID控制模糊控制锅炉是国民经济中重要的热能供应设备。
目前,我国现有锅炉几十万台,是国家的一个耗能大户。
由于技术落后,设备陈旧,操作水平低,目前大部分锅炉还存在着热效率低、能耗高的问题。
锅炉燃烧过程是一个具有大惯性、大时延、变参数的多输入多输出复杂过程,传统的锅炉燃烧控制多采用PID控制,但PID控制无法为具有大惯性、大时延和变参数的过程提供高质量的控制,解决此问题的方法是采用比PID更为有效的控制技术。
锅炉燃烧智能控制技术可以利用锅炉运行数据和集散控制系统(DCS),通过一系列先进建模、优化和控制技术的应用,提高锅炉运行效率,改善控制效果。
这种技术投资少,能够充分提高锅炉控制的自动化程度,使锅炉处于更理想的运行工况,提高锅炉运行系统的安全性,因而受到广泛关注。
1 锅炉燃烧的自动控制任务燃煤蒸汽锅炉的生产任务是根据负荷设备的要求,生产具有一定参数的蒸汽,为了满足负荷设备的要求,保证锅炉本身运行的安全性和经济性,工业锅炉控制主要有下列自动调节任务:(1)保持汽包水位范围。
汽包水位是锅炉正常运行的主要指标,关系着汽水分离的速度和生产蒸汽的质量,也是确保安全生产的重要参数。
水位过高会影响汽水分离,产生蒸汽带液现象;水位过低会影响汽水循环,严重时会使个别上水管内的流动停滞,致使金属管壁局部过热而爆管,导致重大事故。
因此,必须对汽包水位进行自动调节,使水位严格控制在规定范围内。
(2)维持蒸汽压力在预定值。
蒸汽压力是衡量锅炉的蒸汽生产量与负荷设备的蒸汽消耗量是否平衡的重要指标,是蒸汽锅炉的重要工艺参数。
第２４卷第２期Ｖ０１．２４Ｎｏ．２广东教育学院学报ＪｏｕｒｎａｌｏｆＧｕａｎｇｄｏｎｇＥｄｕｃａｔｉｏｎＩｎｓｔｉｔｕｔｅ２００４年５月
Ｍａｖ２００４
基于遗传算法的模糊控制调整寻优方法姚．玲英（广东教育学院物理系，广东广州５１０３１０）
摘要：利用遗传算法对模糊控制输入隶属度函数、模糊控制解析式以及棒形输出隶属度函数进行调整寻优，实现了贴近经验的模糊控制，提高了响应速度、控制精度以及稳定性，用于窑炉控制的实验仿真获得了满意的结果．关键词：模糊控制；遗传算法；隶属度函数；解析式中图分类号：ＴＰ２７３＋．４文献标识码：Ａ文章编号：１００７—８７５４（２００４）０２一Ｏ１０５一０４
模糊控制无需知道被控对象的精确数学模型，鲁棒性好，简单实用，因此应用广泛．但是，模糊控制模糊化不够准确，模糊控制器的设计很大程度上依赖于设计者的实践经验，而且模糊控制表一旦确定之后，模糊控制规则也就固定不变，不易调整，无法参与运算，对于非线性、时变的复杂系统来说。不能获得令人满意的控制效果．针对这些特点，本文提出了一种基于遗传算法‘１１的模糊控制调整寻优方法．
１基于遗传算法的模糊控制方法模糊控制器是由描述控制器动态行为的一组规则集构成的，其规则的获取和隶属度函数参数的确定一直以来是设计模糊控制器的瓶颈问题．本文提出利用遗传算法对模糊控制输入隶属度函数、多参数模糊控制解析式以及输出棒形隶属函数参数进行调整寻优．基于遗传算法的模糊控制原理框图如图１所示，其中ｇ是给定值，ｙ是被控量，Ｐ７是被控量与目标值之问的偏差，△表示微分符号，ｃ７指偏差变化，Ｐ、ｃ分别是偏差与偏差变化离散量，Ｅ，Ｃ，ｕ分别是偏差，偏差变化和控制量的模糊量．鉴于正态分布曲线较为接近人的思维，一般选择较接近正态分布曲线的等腰三角形隶属曲线作为输入变量的隶属函数，便于计算．但是，实际系统是复杂多变的，如果选用对称、均匀
图１基于遗传算法的模糊控制原理图分布的等腰三角形是很难同时满足动态响应和稳态精度要求的．为此，本文构造出一个随动三角形输入隶属度函数［２］，即采用遗传算法自动调整三角形顶点的位置，同时底边跟随顶点移动，达到改善控制质量的目的．随动三角形输入隶属度函数用正负６档（即大、次大、中、此中、小、次小）模糊化，正负１２级离散化，为了避免顶点重叠，左右移动的距离ｄ必须限制在正负一级以内，这里规定为±Ｏ．７级（“＋”代表右移，“一”代表左移），ｏ点处ＺＯ曲线的顶点不变，边界点即正负１２级处也
收稿日期：２００４一０２—２７作者简介：姚玲英（１９７６一），女，湖北孝感人，广东教育学院物理系助教．
万方数据１０６广东教育学院学报第２４卷
参与遗传算法的寻优．１．１编码输人三角形隶属度函数顶点的移动距离ｄ用四位二进制编码表示，编码与顶点的实际位移对应关系如表１所示：表１输入隶属函数顶点移动距离编码表编码Ｏ０００ｏｏＯ【００１０００１１０１０００１０ｌ０１１０
０１】１
输入包含两个变量：偏差Ｅ和偏差变化Ｃ，对Ｅ、Ｃ同时进行编码，其编码形式为：”。”。订。…‰ｍ，ｍ。，共４８位，前２４位为偏差Ｅ的编码，后２４位为偏差变化Ｃ的编码．根据上述编码规则，随机抽取四种方案作为染色体进行遗传优化操作．】．２适应度函数为对个体进行定量评价，必须设定一个适应度函数作为评价标准，这里选取个体适应度函数为
厂。一（１＋Ｑ）／（１＋∑ＩＰ，Ｉ）．（１）式中ｑ为对某个体实施模糊控制第Ｊ次采样所得的偏差，Ⅲ为采样次数；Ｑ为理想控制状态下给定的累汁偏差．１．３遗传操作…复制操作：随机产生Ｎ组串形编码字符串。Ｎ为染色体个数，形成Ｎ个个体组成的初始群体，求取每个个体的适应度＾（ｉ一１，２，…，Ｎ），并按Ｎ７·＾／∑＾决定第ｉ个个体在下一代中应复制其自身的数目，Ｎ７为参与复制的种群数目．交叉操作：随机选取初始群体中的两个个体，随机产生一个交换位置点，将两个体交叉位置右边的编码对换，则得两个下一代染色体．交叉操作能够创造新的染色体，从而允许对搜索空间中的新点进行测试．变异操作：随机地改变字符串中某一位的值，使其由１变为０，或由。变为１．通过变异操作，可确保群体中遗传基因类型的多样性，避免陷入局部解．
ｄ≮缸鬻鎏
霆、
媳
滁了、泌
，２（庀一１）。２七ＪＬ２ｆ庀＋）ｎ。（ｎｊ
图２随动三角形输入隶属度函数图
ｐＥ。一
随动三角形隶属函数如图２所示，其中ｄ志表示第是档三角形隶属函数顶点调整量代数值，Ｉ以｝≤ｏ．７，（是一一６，一５，一４，一３，一２，一１，１，２，３，４，５，６），Ｏ档的不变，可以记为ｄ。一０．由图２及相似三角形比例关系可分别得到偏差巳与偏差变化ｃ，所属档值Ｅ、Ｃ及对应档值的隶属度∥Ｆ、即．例如：若２（愚一１）＋以一ｌ≤Ｐ，≤２走＋ｄ＾（是一一５，一４，一３，一２，～１，０，１，２，３，４，５，６），则Ｅ，一是一１，Ｅ，一是，
２走＋ｄ＋一［２（走一１）＋矗卜，］２＋以一巩一。
偏差变化ｃ，的模糊档值量及相应隶属度求法与此类似．
万方数据第２期姚玲英：基于遗传算法的模糊控制调整寻优方法１０？
基本模糊控制解析式Ｕ一厂（Ｅ，Ｃ，ａ）是一种单参数控制解析式，仅当口参数一定模糊控制规则就固定不变，而实际控制中不同状态对控制规则中变量权重有不同的要求．为此．本文提出一种多参数模糊控制解析式ｒ２’３］：【，＝厂（Ｅ，Ｃ俩，口。，ａ。ｍ；，口ｓ），即如式（３）所示．通过式（３）可分别得到对应的控制量：．Ｕ…Ｕｔ。，Ｕ：。，Ｕ：：．Ｕ。＝＝一＜ａｌＥ·ＩＥｆＩ／训＋ａ２Ｅｆ＋∞Ｃ，·』ＧＩ／训＋∞Ｇ＋∞ｆＥ·Ｇｌ·ｙ／ｗ＞，（ｉ＝１，２；歹＝１，２）．（３）其中Ｅｔ，Ｅ：，Ｃ。，Ｃ２由Ｐ，ｃ得到，＜＞为四舍五入取整符号，ｙ—Ｅ／ｆＥ』，（』Ｅｆ≥ｆＣｆ）；ｙ＝＝（：／ｆＣｌ，（ＩＥ』＜ＩＣｆ），调节因子埘根据经验选取．考虑到溢出问题，设定当Ｌ，。＞６时，取【，。一
６；当Ｕ。＜一６时，取Ｌ，ｉ＝一６．ａｔ（走一１，２，３，４，５）为模糊控制解析式参数，运用遗传算法对该组参数进行在线调整寻优，按五个参数顺序编码，各参数均采用四位二进制码，编码形式为帆弛砜…矾。ｍ１９，忱。，编码与参数取值对应关系如表２所示表２解析式参数编码表
根据上述编码规则，随机抽取四种方案作为染色体进行遗传优化操作．遗传操作及适应度函数选取同输入隶属函数．运用“保守决策”与“大胆决策”相结合的加权推理方法㈠１求取对应模糊控制量的隶属度，如公式（４）．
产（“ｉ）一（１一Ａ）（∥‘＾∥‘ｊ）＋Ａ（卢‘Ｖ产‘ｊ），（ｉ＝１·２；Ｊ一１，２）．（４）式中Ａ表示加权协调因子，是可变的人工调整量，显然当Ａ—ｏ时为“保守决策”，Ａ一１时为“大胆决策”，ｏ＜Ａ＜１时为混合决策．在实际控制中一般希望在偏差大时，以“大胆决策”为主，当偏差小时，以“保守决策”为主．输出控制量直接调节被控对象，作用效果显著，需最后进行微调，这里仍然利用遗传算法对除。位棒以外的棒进行微调整寻优，由于阀门开度有限，需去掉最左边和最右边的位移量，以免溢出．遗传算法选用三位二进制码，编码形式为：九，行。门。…‰以，，‰，按照表３所示的编码规则进行编码．表３棒形输出位移编码表
根据上述编码规则，随机抽取四种方案作为染色体进行遗传优化操作．遗传操作及适应度函数选取仍同输入隶属函数．最后利用重心法ｈ５３求取输出控制级数，计算如公式（５）．
∑∑∥（“ｉ）·［，２（“４）＋印］”（缎）一三竖Ｌ—ＦＴ————一．
（５）
∑∑肛（“ｉ）
式中”（“。）为模糊控制量经反模糊化后所得的对应控制量，单位为级，盯ｉ为该级经遗传算法调整寻优的位移．
２仿真实例分析目前窑炉温度控制系统一般采用高速喷嘴燃烧，窑内温度十分均匀，滞后现象十分微弱，其实验模型可以用下面三阶系统表示：
万方数据１０８广东教育学院学报第２４卷Ｆ一３ｒ
ｄ，、一一！！：！！量±！！：！！ｆ融””７Ｓ３＋３．８５Ｓ２＋２９．２５Ｓ＋１６．２５’
…
对上述模型验证运用基于遗传算法的模糊控制调整方法实现的隶属函数优化、控制解析式参数优化及棒形输出优化，仿真结果如图３所示．图３中“１”表示随动三角形隶属函数仿真曲线，“２”表示多参数控制解析式遗传算法调整寻优响应曲线，“３”表示是棒形输出调整响应曲线．由川仿真图可见，经用遗传算法寻优后系统响应加快，超调减图３基于遗传算法的模糊控制方法仿真曲线小，稳态误差减小，控制质量得到明显的改善．
３结束语基于遗传算法的模糊控制．适用于多级多档的模糊控制，易贴近经验表控制值，计算容易，调节方便，且有利于实施模糊控制的自调整、自修正．当然，实验仿真是建立在经过辨识得到的被控对象的近似模型基础上的，通过对近似模型的仿真结果实验性的调整各参数，然后试运行该系统，最后经正式投产运行后积累大量实测数据进行在线分析、比较，从而实现对控制系统的在线调整与修正功能．分析及仿真表明，此调整方法有利于提高系统的控制精度及稳定性，改善控制质量，增强鲁棒性，具有一定的推广应用价值．
参考文献：［１］李敏强．遗传算法的基本理论与应用［Ｍ］．北京：科学出版社，２００２．２５—３３．［２］陈理君，姚玲英，李晓辉．适用于窑炉的多参数解析式模糊控制方法［Ｊ］．中国建材科技，Ｖｏｌ２６，Ｎ０１５６，２００３，（６）：４ｌ一４６．【３ＹＡＮＧＩ。ｉ，ＣＨＥＮＬｉ—ｊｕｎ．ＡＮｅｗｓＡＩＣｏｎｔｒｏｌａｎｄＡｐｐＩｉｃａｔｉｏｎｔｏＳｈｕｔｔｌｅＫｉｌｎ
ＴｅｍｐｅｒａｔｕｒｅＣｏｎｔｒｏｌＳｙｓｔｅｍ［Ｊ］．ＰｒｏｃｏｆＩＣＡＩＥ，ＣＨＩＮＡ，１９９８．１４５—１４８．［４］陈理君，沈丽．模糊控制规则表和控制解析式的研究［Ａ］．工业控制系统应用［Ｃ］．太原：山西经济出版社，２０００．３０２—３０６．［５］陈理君，刘雨青，李晓辉，等．基于遗传算法的模糊控制调整方法［Ａ］．工业控制系统应用［Ｃ］．太原：兵器工业出版社，２００２．１０７—１１２．
ＴｈｅＡｄｊ
ｕｓｔｉｎｇａｎｄｏｐｔｉｍｉｚｉｎｇＭｅｔｈｏｄｏｆＴｕｎｎｅｌ
Ｋｉｌｎ
ＦｕｚｚｙＣｏｎｔｒｏｌＢａｓｅｄｏｎＧｅｎｅｔｉｃＡｒｉｔｈｍｅｔｉｃ
ＹＡＯＬｉｎｇ—ｙｉｎｇ
（队ｐｔ．ｏｆｐｈｙｓｉｃｓ，ＧｕａｎｇｄｏｎｇＥｄｕｃａｔｉｏｎＩｎｓｔｉｔｕｔｅ，Ｇｕａｎｇｚｌｌｏｕ，Ｇｕａｎｇｄｏｎｇ，５１０３１０，Ｐ．Ｒｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：ＧｅｎｅｔｉｃＡｒｉｔｈｍｅｔｉｃｉｓｄｒａｗｎｉｎｔｏｆｕｚｚｙｃｏｎｔｒｏｌｔｏａｄｊｕｓｔａｎｄｏｐｔｉｍｉｚｅｉｎｐｕｔ
ｐｒｏｂａｂｉｌｉｔｙｆｕｎｃｔｉｏｎ，ｃｏｎｔｒｏＩｆｏｒｍｕｌａａｎｄｏｕｔｐｕｔｄｅｃｉｓｉｏｎ—ｍａｋｉｎｇ，ｓｏｔｈａｔｆｕｚｚｙｃｏｎｔｒｏＩ
ｇｅｔｓｃｌｏｓｅｒｔｏｔｈｅｅｘｐｅｒｉｅｎｃｅ．Ｆｕｒｔｈｅｒｍｏｒｅｔｈｉｓｍｅｔｈｏｄｉｓｕｓｅｆｕｌ
