遗传算法(Genetic Algorithm ,GA) 是一种基于自然选择和基因遗传学原理的随机并行搜索算法,是一种寻求全局最优解而不需要任何初始化信息的高效优化方法[1 ] ,其在神经网络、系统辨识及控制器设计等领域中已得到广泛地应用. 遗传算法具有较强的全局优化能力和鲁棒性,但常规遗传算法(Simple Genetic Algorithm ,SGA) 在解决一些复杂问题时,存在着早熟、收敛速度慢及优化解精度低的缺陷,特别在解决被优化参数相互关联的优化问题时其优化效率明显减弱.为克服常规遗传算法的这些缺陷,目前相关的研究工作主要集中在改进算法的遗传机制如修改算法的遗传算子,使用小生境技术等;和融合其它传统方法如差分进化算法、单纯形法等构成混合遗传算法( Hybrid Genetic Algorithm ,HGA) .
国 内 外 设计方法以工程设计法为主,参数调整大多数采用人工经验指导下的实验试凑方式,如典型的Ziegler Nichols方法,这种方法简单实用,但系统的超调量大,以此构筑的PID控制系统虽然能使生产正常进行,但很难保证是在优化的状况下进行,而且当生产环境、原材料和工艺变化时,PID缺乏自适应性,造成质量不稳定和资源无形的巨大浪费。其他一些改进方法,如间接寻优法、梯度法、爬山法等,而在热工系统中单纯形法、专家整定法则应用较广。虽然这些方法都具有良好的寻优特性,但却存在着一些弊端最优化解, 造成寻优失败。单纯形法对初值比较敏感,容易陷入局部 专家整定法则需要太多的经验,不同的目标函数对应不同的经验,而整理知识库则是一项长时间的工程。这些方法可使系统性能有所改善,但有的不能在全局范围内达到最优、有的设计过于理论化,不适合工程应用;因此我们选取了遗传算法来进行参数寻 优,该方法是一种不需要任何初始信息并可以寻求全局最优解的、高效的优化组合方法。正如Thomas等人指出,遗传算法处理多维且多峰的非线性优化问题具有很强的灵活性、鲁棒性、适应性、有效性。它是一种随机数值算法,嵌入优化问题的过程简单,不需要对问题本身有深入的数学了解,非常适合于计算机数值运算。神经网络和模糊逻辑也是求解优化问题的有效方法,但对不同的问题要有不同的设计规则,需要有专家的帮助,而且普遍认为遗传算法寻求全局最优解的能力优于神经网络和模糊逻辑,因而基于遗传算法的控制器设计与现场调节更有实用性和品质优势。从 掌 握 的资料看,遗传算法在控制系统优化设计中的应用研究可分为静态设计和动态自适应优化设计两大部分。 |