智能控制技術(shù)在電氣工程自動(dòng)化中的應(yīng)用-遺傳算法

1、PAGE 大連理工大學(xué)網(wǎng)絡(luò)教育學(xué)院畢業(yè)論文（設(shè)計(jì)）模板PAGE PAGE II 網(wǎng)絡(luò)教育學(xué)院本 科 生 畢 業(yè) 論 文（設(shè) 計(jì)） 題 目： 智能控制技術(shù)在電氣工程自動(dòng)化中的應(yīng)用 智能控制技術(shù)在電氣工程自動(dòng)化中的應(yīng)用智能控制技術(shù)在電氣工程自動(dòng)化中的應(yīng)用PAGE I內(nèi)容摘要 智能控制技術(shù)在電氣工程自動(dòng)化控制中應(yīng)用可以發(fā)揮很大的作用，能有效促進(jìn)電氣的優(yōu)化設(shè)計(jì)，智能化技術(shù)能充分發(fā)揮作用，促進(jìn)電氣優(yōu)化的設(shè)計(jì)，及時(shí)診斷故障，并且還可實(shí)現(xiàn)智能控制。本文主要分析了人工智能技術(shù)及其在電氣工程自動(dòng)化控制中的應(yīng)用。文章就是利用遺傳算法對某一電機(jī)控制系統(tǒng)的PID參數(shù)進(jìn)行優(yōu)化，以提高控制系統(tǒng)的性能指標(biāo)。文章的最后給出了

2、仿真實(shí)例，證明了本文方法的正確性和實(shí)用。關(guān)鍵詞：人工智能；電氣工程；遺傳算法目 錄 TOC o 1-3 h z u HYPERLINK l _Toc6143 內(nèi)容摘要 PAGEREF _Toc6143 I HYPERLINK l _Toc21672 1 緒論 PAGEREF _Toc21672 1 HYPERLINK l _Toc3200 1.1 人工智能簡介 PAGEREF _Toc3200 1 HYPERLINK l _Toc52 1.2 人工智能研究的領(lǐng)域及應(yīng)用 PAGEREF _Toc52 1 HYPERLINK l _Toc25939 1.3 人工智能的應(yīng)用現(xiàn)狀 PAGEREF _T

3、oc25939 1 HYPERLINK l _Toc32623 1.4 人工智能在電氣工程領(lǐng)域的發(fā)展 PAGEREF _Toc32623 2 HYPERLINK l _Toc30240 2 人工智能理論概述 PAGEREF _Toc30240 3 HYPERLINK l _Toc7858 2.1 人工智能的基本概念 PAGEREF _Toc7858 3 HYPERLINK l _Toc11258 2.2 人工智能控制技術(shù)的主要方法 PAGEREF _Toc11258 3 HYPERLINK l _Toc10333 2.3 人工智能控制技術(shù)常用的優(yōu)化算法 PAGEREF _Toc10333 4

4、HYPERLINK l _Toc23284 3 遺傳算法 PAGEREF _Toc23284 5 HYPERLINK l _Toc20124 3.1. 遺傳算法的基本原理 PAGEREF _Toc20124 5 HYPERLINK l _Toc2381 3.2 遺傳算法的基本實(shí)現(xiàn)技術(shù) PAGEREF _Toc2381 6 HYPERLINK l _Toc12401 3.3 遺傳算法的構(gòu)成要素 PAGEREF _Toc12401 7 HYPERLINK l _Toc11470 4 遺傳算法在電氣工程自動(dòng)化領(lǐng)域的應(yīng)用情況 PAGEREF _Toc11470 12 HYPERLINK l _Toc1

5、5368 4.1 遺傳算法的應(yīng)用研究 PAGEREF _Toc15368 12 HYPERLINK l _Toc13401 4.2 電動(dòng)機(jī)控制中的遺傳算法PID參數(shù)優(yōu)化 PAGEREF _Toc13401 14 HYPERLINK l _Toc151 5 結(jié)論 PAGEREF _Toc151 18 HYPERLINK l _Toc18108 參考文獻(xiàn) PAGEREF _Toc18108 19PAGE 201 緒論1.1 人工智能簡介 人工智能技術(shù)作為計(jì)算機(jī)科學(xué)的一個(gè)重要分支將智能的本質(zhì)闡述了出來，生產(chǎn)出一種具有人類智能的機(jī)器。其研究的主要內(nèi)容有對圖像和語言的識(shí)別、專家系統(tǒng)、語言處理以及機(jī)器人等

6、系統(tǒng)。1.2 人工智能研究的領(lǐng)域及應(yīng)用在上個(gè)世紀(jì)五十年代人工智能概念被首次提出來之后， 一直處于良好的發(fā)展?fàn)顟B(tài)中，逐漸形成了一套以計(jì)算機(jī)作為核心，包含了心理學(xué)、生物學(xué)、控制論、自動(dòng)化、信息論、醫(yī)學(xué)、哲學(xué)以及數(shù)理邏輯等的一門綜合性的科學(xué)。通過研究，使得機(jī)器系統(tǒng)能和人的智慧媲美，幾乎能夠完成人類完成的工作。而人工智能理論是研究和開發(fā)怎樣實(shí)現(xiàn)對人的智能進(jìn)行模擬和延伸的科學(xué)理論。人工智能技術(shù)是計(jì)算機(jī)科學(xué)的一個(gè)重要分支，它對智能的本質(zhì)進(jìn)行了闡述，并生產(chǎn)了一種和人類智能機(jī)器相似的機(jī)器。實(shí)現(xiàn)了多方面的研究。伴隨著科技的不斷發(fā)展和進(jìn)步，我們?nèi)粘５纳a(chǎn)和生活中已經(jīng)離不開計(jì)算機(jī)技術(shù)了。計(jì)算機(jī)編程技術(shù)促進(jìn)了傳播和自

7、動(dòng)化運(yùn)輸?shù)陌l(fā)展和進(jìn)步。通過計(jì)算機(jī)可以編程可以實(shí)現(xiàn)對人類的大腦進(jìn)行模仿，比如收集、分析、處理、交換以及回饋信息，因此計(jì)算機(jī)通過對人類大腦的模仿會(huì)在很大程度上帶動(dòng)了電氣工程自動(dòng)化的快速發(fā)展。在我們?nèi)粘５纳a(chǎn)、交換、流通和分配中，無時(shí)無刻都需要電氣工程自動(dòng)化的控制，通過自動(dòng)化控制，可以實(shí)現(xiàn)自動(dòng)化的電氣工程，這樣可以節(jié)約人力資源，提高工作效率，進(jìn)而使得生產(chǎn)和工作的總體效率得到提高。1.3 人工智能的應(yīng)用現(xiàn)狀 目前能夠用來研究人工智能的主要物質(zhì)基礎(chǔ)以及能夠?qū)崿F(xiàn)人工智能技術(shù)平臺(tái)的機(jī)器就是計(jì)算機(jī)，人工智能的發(fā)展歷史是和計(jì)算機(jī)科學(xué)技術(shù)的發(fā)展史聯(lián)系在一起的。除了計(jì)算機(jī)科學(xué)以外，人工智能還涉及信息論、控制論、自動(dòng)

8、化、仿生學(xué)、生物學(xué)、心理學(xué)、數(shù)理邏輯、語言學(xué)、醫(yī)學(xué)和哲學(xué)等多門學(xué)科。人工智能學(xué)科研究的主要內(nèi)容包括：知識(shí)表示、自動(dòng)推理和搜索方法、機(jī)器學(xué)習(xí)和知識(shí)獲取、知識(shí)處理系統(tǒng)、自然語言理解、計(jì)算機(jī)視覺、智能機(jī)器人、自動(dòng)程序設(shè)計(jì)等方面。 1.4 人工智能在電氣工程領(lǐng)域的發(fā)展 隨著人工智能技術(shù)的不斷發(fā)展, 很多研究人員展開了針對人工智能在電氣工程自動(dòng)化控制方面的研究,例如:應(yīng)該如何將人工智能系統(tǒng)應(yīng)用于故障的診斷和預(yù)測、電氣產(chǎn)品設(shè)計(jì)優(yōu)化和保護(hù)與控制等領(lǐng)域。在優(yōu)化設(shè)計(jì)方面, 設(shè)計(jì)電氣設(shè)備是很繁瑣的工作。它需要對電磁場、電路、電器電機(jī)等學(xué)科的知識(shí)綜合性的運(yùn)用, 同時(shí)還要使用以往設(shè)計(jì)中的經(jīng)驗(yàn)。設(shè)計(jì)以往的產(chǎn)品時(shí),通常是

9、在根據(jù)經(jīng)驗(yàn)和實(shí)驗(yàn)的基礎(chǔ)上, 通過手工的方式開展的。這樣的設(shè)計(jì)過程很難取得最優(yōu)的設(shè)計(jì)方案。電氣產(chǎn)品的設(shè)計(jì)隨著計(jì)算機(jī)技術(shù)的發(fā)展, 逐漸由手工設(shè)計(jì)向計(jì)算機(jī)輔助設(shè)計(jì)不斷轉(zhuǎn)變, 使開發(fā)產(chǎn)品的周期大大減少。尤其是在引進(jìn)了人工智能技術(shù)之后,更加促進(jìn)了CAD技術(shù)的發(fā)展,大大提高了設(shè)計(jì)產(chǎn)品的質(zhì)量和效率。人工智能技術(shù)在電氣設(shè)計(jì)方面的應(yīng)用主要包括專家系統(tǒng)和遺傳算法。其中的遺傳算法是一種優(yōu)化的先進(jìn)算法,在產(chǎn)品的設(shè)計(jì)優(yōu)化上有舉足輕重的作用。因此電氣產(chǎn)品的人工智能化設(shè)計(jì)很多都采用了這種方式進(jìn)行優(yōu)化。電氣設(shè)備的故障征兆和故障之間有著很多必然和偶然的關(guān)系,具有非線性、不確定性的特點(diǎn), 它的優(yōu)勢能夠通過人工智能的方式得到最大的

10、發(fā)揮。人工智能技術(shù)在電氣設(shè)備診斷故障方面的應(yīng)用主要由:專家系統(tǒng)、模糊邏輯和神經(jīng)網(wǎng)絡(luò)等。在電力系統(tǒng)之中, 變壓器因?yàn)橹匾牡匚欢艿胶芏嘌芯空叩年P(guān)注。目前診斷變壓器故障的常用方法主要是分析變壓器油中分解出來的氣體, 通過這種氣體分析找出變壓器的故障范圍。同時(shí)在電動(dòng)機(jī)和發(fā)電機(jī)等方面,人工智能診斷故障技術(shù)也有了長足的發(fā)展。2 人工智能理論概述2.1 人工智能的基本概念 人工智能技術(shù)作為計(jì)算機(jī)科學(xué)的一個(gè)重要分支將智能的本質(zhì)闡述了出來，生產(chǎn)出一種具有人類智能的機(jī)器。其研究的主要內(nèi)容有對圖像和語言的識(shí)別、專家系統(tǒng)、語言處理以及機(jī)器人等系統(tǒng)。人工智能控制技術(shù)的主要方法有模糊控制、基于知識(shí)的專家控制、神經(jīng)網(wǎng)絡(luò)

11、控制和集成智能控制等,以及常用優(yōu)化算法有:遺傳算法、蟻群算法、免疫算法等。2.2 人工智能控制技術(shù)的主要方法2.2.1 模糊控制 模糊控制以模糊集合、模糊語言變量、模糊推理為其理論基礎(chǔ),以先驗(yàn)知識(shí)和專家經(jīng)驗(yàn)作為控制規(guī)則 。其基本思想是用機(jī)器模擬人對系統(tǒng)的控制,就是在被控對象的模糊模型的基礎(chǔ)上運(yùn)用模糊控制器近似推理等手段,實(shí)現(xiàn)系統(tǒng)控制。在實(shí)現(xiàn)模糊控制時(shí)主要考慮模糊變量的隸屬度函數(shù)的確定,以及控制規(guī)則的制定。模糊控制系統(tǒng)是一種自動(dòng)控制系統(tǒng)，它是以模糊數(shù)學(xué)、模糊語言形式的知識(shí)表示以及模糊邏輯的推理規(guī)則為理論基礎(chǔ)，采用計(jì)算機(jī)控制技術(shù)構(gòu)成的一種具有反饋通道的閉環(huán)結(jié)構(gòu)的數(shù)字控制系統(tǒng)。它的造成核心是具有智能

12、性的模糊控制器，這也是它與其它控制系統(tǒng)的不同之處。2.2.2 專家控制 專家控制是將專家系統(tǒng)的理論技術(shù)與控制理論技術(shù)相結(jié)合,仿效專家的經(jīng)驗(yàn),實(shí)現(xiàn)對系統(tǒng)控制的一種智能控制。主體由知識(shí)庫和推理機(jī)構(gòu)組成,通過對知識(shí)的獲取與組織,按某種策略適時(shí)選用恰當(dāng)?shù)囊?guī)則進(jìn)行推理,以實(shí)現(xiàn)對控制對象的控制。 專家控制可以靈活地選取控制率,靈活性高;可通過調(diào)整控制器的參數(shù),適應(yīng)對象特性及環(huán)境的變化,適應(yīng)性好;通過專家規(guī)則,系統(tǒng)可以在非線性、大偏差的情況下可靠地工作,魯棒性強(qiáng)。2.2.3 神經(jīng)網(wǎng)絡(luò)控制神經(jīng)網(wǎng)絡(luò)模擬人腦神經(jīng)元的活動(dòng),利用神經(jīng)元之間的聯(lián)結(jié)與權(quán)值的分布來表示特定的信息,通過不斷修正連接的權(quán)值進(jìn)行自我學(xué)習(xí),以逼近

13、理論為依據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)建模,并以直接自校正控制、間接自校正控制、神經(jīng)網(wǎng)絡(luò)預(yù)測控制等方式實(shí)現(xiàn)智能控制。2.2.4 集成智能控制智能控制技術(shù)的集成包括兩方面:一方面是將幾種智能控制方法或機(jī)理融合在一起,構(gòu)成高級混合智能控制系統(tǒng),如模糊神經(jīng)( FNN)控制系統(tǒng)、基于遺傳算法的模糊控制系統(tǒng)、模糊專家系統(tǒng)等;另一方面是將智能控制技術(shù)與傳統(tǒng)控制理論結(jié)合,形成智能復(fù)合型控制器,如模糊PID 控制、神經(jīng)元PID控制、模糊滑?？刂?、神經(jīng)網(wǎng)絡(luò)最優(yōu)控制等。2.3 人工智能控制技術(shù)常用的優(yōu)化算法2.3.1 遺傳算法遺傳算法(GA)是一種基于模擬遺傳機(jī)制和進(jìn)化論的并行隨機(jī)搜索優(yōu)化算法。遺傳算法依照所選擇的適配值函數(shù),通

14、過遺傳中的復(fù)制、交叉及變異對個(gè)體進(jìn)行篩選,使適配值高的個(gè)體被保留下來,組成新的群體,新群體既繼承了上一代的信息,又優(yōu)于上一代,這樣周而復(fù)始,群體中個(gè)體適應(yīng)度不斷提高,直到滿足一定的條件。2.3.2 蟻群算法蟻群算法是群體智能的典型實(shí)現(xiàn),是一種基于種群尋優(yōu)的啟發(fā)式搜索算法。蟻群算法的基本思想:當(dāng)一只螞蟻在給定點(diǎn)進(jìn)行路徑選擇時(shí)。被先行螞蟻選擇次數(shù)越多的路徑。被選中的概率越大。蟻群算法不僅能夠智能搜索、全局優(yōu)化, 而且具有魯棒性、正反饋、分布式計(jì)算、易與其它算法結(jié)合等特點(diǎn)。3 遺傳算法遺傳算法是一種不依賴具體問題的直接搜索方法，它在模式識(shí)別、神經(jīng)網(wǎng)絡(luò)、圖像處理、機(jī)器學(xué)習(xí)、工業(yè)優(yōu)化控制、自適應(yīng)控制、生

15、物科學(xué)、社會(huì)科學(xué)等方面都得到應(yīng)用。本章主要介紹遺傳算法的基本原理以及改進(jìn)的操作方法。3.1. 遺傳算法的基本原理遺傳算法(Genetic Algorithms)，簡稱GA，是一類借鑒生物界自然選擇和自然遺傳機(jī)制的隨機(jī)優(yōu)化搜索算法，是一種近似算法。達(dá)爾文的自然選擇學(xué)說認(rèn)為18:所有的生物發(fā)展都是經(jīng)歷了從低級簡單逐漸到高級復(fù)雜的過程，生物要生存下去就必須進(jìn)行生存斗爭。在生存斗爭中，具有有利變異的個(gè)體容易存活下來，并且有更多機(jī)會(huì)將有利變異傳給后代:具有不利變異的個(gè)體就容易淘汰，產(chǎn)生后代的機(jī)會(huì)也少得多。因此在生存斗爭中獲勝的個(gè)體都是對環(huán)境適應(yīng)性比較強(qiáng)的個(gè)體。達(dá)爾文把這種適者生存不適者淘汰的過程稱之為自

16、然選擇。達(dá)爾文的自然選擇學(xué)說表明，遺傳和變異是決定生物進(jìn)化的內(nèi)在因素。遺傳指的是父代與子代之間，以及子代的個(gè)體之間，在性狀上或多或少的存在相似性的現(xiàn)象。在生物體內(nèi)，遺傳和變異關(guān)系十分密切，一個(gè)生物體的遺傳性狀往往會(huì)發(fā)生變異，而變異的性狀有的又可以遺傳。遺傳能使生物的性狀不斷的傳遞給后代，因此保持了物種的特性;變異能使生物性狀發(fā)生改變，從而產(chǎn)生新個(gè)體，適應(yīng)新環(huán)境，不斷向前發(fā)展。 既然遺傳算法基于自然選擇的生物進(jìn)化，是一種模仿生物進(jìn)化過程的隨機(jī)方法。下面給出幾個(gè)生物學(xué)的基本概念與術(shù)語，這對于理解遺傳算法是非常重要的。染色體: 是遺傳物質(zhì)的主要載體，由多個(gè)遺傳因子基因組成。遺傳因子: 染色體中一定位

17、置的基本遺傳單位，也稱基因。基因型: 遺傳因子組合的模型，是性狀染色體的內(nèi)部表現(xiàn)。表現(xiàn)型: 由染色體決定性狀的外部表現(xiàn)?；? 遺傳基因在染色體中占據(jù)的位置。等位基因: 同一基因座它可能有的全部基因稱為等位基因。個(gè)體: 指染色體帶有特征的實(shí)體。種群: 染色體帶有特征的個(gè)體組成了種群。群體中個(gè)體數(shù)目大小稱為群體大小，也叫群體規(guī)模。適應(yīng)度: 各個(gè)體對環(huán)境適應(yīng)程度。選擇: 指決定以一定概率從種群中選擇若千個(gè)體的操作。一般而言選擇過程是一種基于適應(yīng)度的優(yōu)勝劣汰的過程。交叉:兩個(gè)染色體之間通過交叉而重組形成新的染色體。變異:染色體的某一基因發(fā)生變化，產(chǎn)生新的染色體，表現(xiàn)出新的性狀。編碼:遺傳編碼可看成是

18、從表現(xiàn)型向基因型的映射。解碼:是基因型向表現(xiàn)型的映射。引用了這些術(shù)語，可以更好的描述遺傳算法，遺傳算法也就是從代表問題的可能潛在解集的一個(gè)種群出發(fā)，而一個(gè)種群則由基因編碼的一定數(shù)目個(gè)體組成每個(gè)個(gè)體其實(shí)是染色體帶有特征的實(shí)體。染色體作為遺傳物質(zhì)的主要載體，即多個(gè)基因的集合，其內(nèi)部表現(xiàn)是某種基因的組合，它決定了個(gè)體的外部表現(xiàn)形狀。因此，在一開始要實(shí)現(xiàn)從表現(xiàn)型到基因型的編碼工作。由于仿照基因編碼工作很復(fù)雜，往往采取簡化形式，如二進(jìn)制編碼，初代種群產(chǎn)生后，按照適者生存和優(yōu)勝劣汰的原理，逐代演化出越來越好的近似解。在每一代，根據(jù)問題域中個(gè)體的適應(yīng)度大小選擇個(gè)體。并借助于自然遺傳學(xué)的遺傳算子進(jìn)行組合交叉和

19、變異產(chǎn)生出代表新的解集的種群。這個(gè)過程將導(dǎo)致種群象自然進(jìn)化一樣，后生代種群比前代更加適應(yīng)于環(huán)境，末代種群的最優(yōu)個(gè)體經(jīng)過解碼，可以作為問題的近似最優(yōu)解。3.2 遺傳算法的基本實(shí)現(xiàn)技術(shù)基于對自然界中生物遺傳與進(jìn)化機(jī)理的模仿，針對不同的問題，很多學(xué)者設(shè)計(jì)了許多不同的編碼方法來表示問題的可行解，開發(fā)出了許多種不同的遺傳算子來模仿不同環(huán)境下的生物遺傳特性。這樣，由不同的編碼方法和不同的遺傳算子就構(gòu)成了各種不同的遺傳算法。但這些遺傳算法都有共同的特點(diǎn)，即通過對生物遺傳和進(jìn)化過程中選擇、交叉、變異機(jī)理的模仿，來完成對問題最優(yōu)解的自適應(yīng)搜索過程?；谶@個(gè)共同特點(diǎn)，Goldberg總結(jié)出了一種統(tǒng)一的最基本的遺傳

20、算法-基本遺傳算法(Simple Genetic Algorithms，簡稱SGA)?；具z傳算法只使用選擇算子、交叉算子和變異算子這三種基本遺傳算子，其遺傳進(jìn)化操作過程簡單，容易理解，是其他一些遺傳算法的雛形和基礎(chǔ)，它不僅給各種遺傳算法提供了一個(gè)基本框架，同時(shí)也具有一定的應(yīng)用價(jià)值。遺傳算法的基本操作如下:(1)復(fù)制(Reproduction Orator)復(fù)制是從一個(gè)舊種群中選擇生命力強(qiáng)的個(gè)體位串產(chǎn)生新種群的過程。根據(jù)位串的適配值復(fù)制，也就是指具有高適配值的位串更有可能在下一代中產(chǎn)生一個(gè)或多個(gè)子孫。它模仿了自然現(xiàn)象，應(yīng)用了達(dá)爾文的適者生存理論。復(fù)制操作可以通過隨機(jī)方法來實(shí)現(xiàn)。若用計(jì)算機(jī)程序來

21、實(shí)現(xiàn)，可考慮首先產(chǎn)生0-1之間均勻分布的隨機(jī)數(shù)，若某串的復(fù)制概率為40%，則當(dāng)產(chǎn)生的隨機(jī)數(shù)在0.40月1.0之間時(shí)，該串被復(fù)制，否則被淘汰。此外，還可以通過計(jì)算方法實(shí)現(xiàn)，其中較典型的幾種方法為適應(yīng)度比例法、期望值法、排位次法等。適應(yīng)度比例法較常用。(2) 交叉(Crossover Operator)復(fù)制操作能從舊群體中選擇出優(yōu)秀者，但不能創(chuàng)造新的染色體。而交叉模擬了生物進(jìn)化中的繁殖現(xiàn)象，通過兩個(gè)染色體的交換組合，產(chǎn)生新的優(yōu)良品種。它的過程為:在匹配值中任意選兩個(gè)染色體，隨即選擇一點(diǎn)或多點(diǎn)交換點(diǎn)位置;交換雙親染色體交換點(diǎn)右邊的部分，即可得到兩個(gè)新的染色體數(shù)字串。交換體現(xiàn)了自然界中信息交換的思想。

22、交叉有一點(diǎn)交叉、多點(diǎn)交叉，還有一致交叉、順序交叉和周期交叉。一點(diǎn)交叉是最基本的方法，應(yīng)用較廣。它是染色體切斷點(diǎn)有一處，例:A：101100 1110-101100 0101B: 001010 0101-001010 1110(3) 變異(Mutation Operator).變異運(yùn)算用來模擬生物在自然的遺傳環(huán)境中由于各種偶然因素引起的基因突變，它以很小的概率隨機(jī)的改變遺傳基因(表示染色體的符號串的某一位)的值。在染色體以二進(jìn)制編碼的系統(tǒng)中，它隨即地將染色體的某一個(gè)基因由1變?yōu)?，或由0變?yōu)?。若只有選擇和交叉，而沒有變異，則無法在初始基因組合以外的空間進(jìn)行搜索，使進(jìn)化過程在早期就陷入局部解而進(jìn)

23、入終止過程，從而影響解的質(zhì)量.為了在盡可能大的空間中獲得較高的優(yōu)化解，必須采用變異操作。3.3 遺傳算法的構(gòu)成要素遺傳算法是具有“生成+檢測”的迭代過程搜索算法。它的處理流程圖如圖3-1所示。由基本處理流程圖可見，遺傳算法是一種群體型操作，該操作以群體中的所有個(gè)體為對象。選擇、交叉和變異是遺傳算法的三個(gè)主要遺傳算子，它們構(gòu)成了所謂的遺傳操作，使遺傳算法具有了其它傳統(tǒng)方法所沒有的特性。遺傳算法中包含如下五個(gè)基本要素19:參數(shù)編碼、群體設(shè)定、適應(yīng)度函數(shù)設(shè)計(jì)、遺傳操作設(shè)計(jì)、控制參數(shù)設(shè)定(主要指群體大小和使用遺傳算子的概率)。這五個(gè)要素構(gòu)成了遺傳算法核心。一編碼開始染色體編碼初始化種群以Pc概率交叉計(jì)

24、算適應(yīng)度值下一世代以Pm概率變異選擇染色體解碼結(jié)束NY進(jìn)化結(jié)束遺傳算法主要是通過遺傳操作對種群中具有某種結(jié)構(gòu)形式的個(gè)體施加結(jié)構(gòu)重組處理，從而不斷地搜索出群體中個(gè)體間的結(jié)構(gòu)相似性，形成并優(yōu)化積木塊以逐漸逼近最優(yōu)解。所以遺傳算法不能直接處理問題空間的參數(shù)，必須把它們轉(zhuǎn)換成基因型串結(jié)構(gòu)數(shù)據(jù) ,這個(gè)轉(zhuǎn)換操作叫編碼。問題空間指由遺傳算法表現(xiàn)型個(gè)體(有效候選解)集所組成的空間。遺傳算法空間是指由基因型個(gè)體所組成的空間。由問題空間向GA空間的映射稱作編碼，由遺傳算法空間向問題空間的映射稱作譯碼1。遺傳算法采用的編碼機(jī)制很多，如實(shí)數(shù)編碼、二進(jìn)制編碼和格雷碼編碼等。 二初始種群生成遺傳操作是對多個(gè)個(gè)體同時(shí)進(jìn)行，

25、這眾多個(gè)體組成了群體，在遺傳算法處理流程中，續(xù)編碼設(shè)計(jì)后的任務(wù)是初始群體設(shè)定，并以此為起點(diǎn)，一代代進(jìn)化直到按某種進(jìn)化準(zhǔn)則終止進(jìn)化過程，由此得出最后一個(gè)種群。在種群初始生成 圖3-1 遺傳算法基本流程圖過程中，種群大小對遺傳算法效能發(fā)揮有重大影響。一般來說，遺傳算法中初始群體中的個(gè)體均為隨機(jī)產(chǎn)生，群體規(guī)模的設(shè)定既要保證種群中個(gè)體多樣性， 又要考慮到計(jì)算量問題。三適應(yīng)度函數(shù)遺傳算法在搜索進(jìn)化過程中一般不考慮其它外部信息，僅用評估函數(shù)值即適應(yīng)度函數(shù)來評估個(gè)體或解的優(yōu)劣，并作為以后遺傳操作的依據(jù)，評估函數(shù)值又稱作適應(yīng)度，遺傳算法的適應(yīng)度函數(shù)不受連續(xù)可微的約束，定義域?yàn)槿我患?。對適應(yīng)度函數(shù)唯一要求是輸

26、入可計(jì)算出能加以比較的非負(fù)結(jié)果。 四遺傳操作遺傳操作是模擬生物基因遺傳的操作，在遺傳算法中，通過編碼組成初始群體后，遺傳操作的任務(wù)就是對群體的個(gè)體，按照它們環(huán)境適應(yīng)程度施加一定操作，從而實(shí)現(xiàn)優(yōu)勝劣汰的進(jìn)化過程，從優(yōu)化搜索而言，遺傳操作可使問題的解，一代又一代的優(yōu)化，并逼近最優(yōu)解。遺傳操作包含三個(gè)基本遺傳算子:選擇、交叉、變異。這三個(gè)遺傳算子有如下特點(diǎn)2: 這三個(gè)遺傳算子的操作都是在隨機(jī)擾動(dòng)下情況進(jìn)行，換句話說，遺傳操作是隨機(jī)操作，因此群體中個(gè)體向最優(yōu)解遷移的規(guī)則是隨機(jī)的。遺傳操作效果和上述三個(gè)遺傳算子所取操作概率、編碼方法、群體大小、初始群體以及適應(yīng)度函數(shù)設(shè)定，密切相關(guān)。三個(gè)基本遺傳算子的操作

27、方法或操作策略隨具體求解問題的不同而相異，更具體地講，是與個(gè)體的編碼方式直接相關(guān)。(1) 選 擇從群體中選擇優(yōu)勝個(gè)體，淘汰劣質(zhì)個(gè)體的操作叫選擇。選擇算子有時(shí)又稱為再生算子。選擇的目的是把優(yōu)勝的個(gè)體直接傳到下一代或通過交叉配對再遺傳到下一代。選擇操作是建立在群體中個(gè)體適應(yīng)度評估的基礎(chǔ)之上，即個(gè)體適應(yīng)度越高，其被選擇的機(jī)會(huì)就越多，日前常用的選擇算子有:適應(yīng)度比例方法、最優(yōu)保留法、期望值方法、排序選擇方法、聯(lián)賽選擇方法、排擠方法3。本文采用的是最優(yōu)保留法。該方法的思想是把群體中適應(yīng)度最好的個(gè)體不進(jìn)行配對，直接復(fù)制到下一代中，此種選擇操作也稱復(fù)制。(2) 交 叉自然界生物進(jìn)化過程中起核心作用的是生物遺

28、傳基因的重組(加上變異)。同樣，遺傳算法中起核心作用的是遺傳操作的交叉算子。所謂交叉是指把兩個(gè)父代個(gè)體的部分結(jié)構(gòu)加以替換重組而生成新個(gè)體的操作。通過交叉，遺傳算法的搜索能力得以飛躍提高?；虻慕徊嫠阕佑?一點(diǎn)交叉，兩點(diǎn)交叉，多點(diǎn)交叉，一致交叉，二維交叉，樹結(jié)構(gòu)交叉，順序交叉，周期交叉等等。(3) 變 異變異算子的基本內(nèi)容是對群體中個(gè)體串的某些基因座上的基因值作變動(dòng)。變異操作同樣也是隨機(jī)進(jìn)行的，變異概率一般都取得很小，變異的目的是為了挖掘群體中個(gè)體多樣性，克服有可能限于局部解的弊病。一般說來變異操作基本步驟是先在群體中所有個(gè)體的碼串范圍內(nèi)隨機(jī)的確定基因座;然后以事先設(shè)定的變異概率Pm來對這些基因

29、座的基因值實(shí)行變異。變異算子還包括逆轉(zhuǎn)算子，自適應(yīng)變異算子等。遺傳算法引入變異的目的:一是遺傳算法具有局部的隨機(jī)搜索能力。當(dāng)遺傳算法通過交叉算子已接近最優(yōu)解域時(shí)，利用變異算子這種局部隨機(jī)搜索能力可以加速向最優(yōu)解收斂。顯然這種情況下的變異概率應(yīng)取較小值，否則接近最優(yōu)解的積木塊會(huì)因變異而遭到破壞。二是使遺傳算法可維持群體中個(gè)體多樣性， 以防止出現(xiàn)未成熟收斂現(xiàn)象，此時(shí)收斂概率要取較大值。遺傳算法中,交叉算子因其具有全局搜索能力而作為主要算子，變異算子因其具有局部搜索能力而作為輔助算子，遺傳算法通過交叉和變異這一對相互配合又相互競爭的操作而使其具備兼顧全局和局部的均衡搜索能力。所謂相互配合，是指當(dāng)群體

30、在進(jìn)化中陷入搜索空間中某個(gè)超平面而僅靠交叉不能解脫時(shí)，通過變異操作有助于這種擺脫。所謂相互競爭，是指當(dāng)通過交叉已形成所期望積木塊時(shí)，變異操作有可能破壞這些積木塊。在問題求解過程中，遺傳算法是這樣不斷地進(jìn)行選擇、交叉和變異操作，不斷地進(jìn)行迭代處理，也就是說群體繼續(xù)不斷一代代進(jìn)化下去，那么最終可以得最優(yōu)或近似最優(yōu)解。算法的流程如下:1) 確定染色體中各子串長度、群體規(guī)模大小、交叉概率、變異概率;2) 產(chǎn)生初始群體; 3) 計(jì)算個(gè)體適應(yīng)度值;4) 檢查是否需要重新產(chǎn)生個(gè)體，如果不需要?jiǎng)t執(zhí)行第五步，如需要?jiǎng)t保留最優(yōu)個(gè)體，其余個(gè)體重新生成，并且計(jì)算重新生成個(gè)體的適應(yīng)度值，然后執(zhí)行第五步;5) 最優(yōu)個(gè)體保

31、存，其余個(gè)體用賭輪法選擇將配對的個(gè)體;6) 選出的配對個(gè)體進(jìn)行兩點(diǎn)交叉;7) 計(jì)算新一代解群個(gè)體適應(yīng)度值;8) 檢查是否滿足終結(jié)條件，滿足則結(jié)束，找到最優(yōu);不滿足，則轉(zhuǎn)向第四步。 在遺傳算法中，優(yōu)化問題的所有參數(shù)(Parameter)或者稱之為決策變量都被編碼(Coding)，形成一個(gè)有限長的字符串，稱之為染色體(Chromosome) 或個(gè)體(Individual)。每個(gè)個(gè)體都對應(yīng)于優(yōu)化問題的一個(gè)可行解(Feasible Solution)。一組個(gè)體組成一代(Generation)種群(Population)，它描述了遺傳算法的搜索空間。優(yōu)化問題的目標(biāo)函數(shù)作為種群所處的環(huán)境，目標(biāo)函數(shù)值經(jīng)過一

32、定的修正后作為個(gè)體對環(huán)境的適應(yīng)(Fitness)。搜索時(shí)先隨機(jī)產(chǎn)生一定數(shù)量的經(jīng)編碼后的祖先個(gè)體構(gòu)成最原始的種群。再從這些種群開始，模擬進(jìn)化過程，運(yùn)用優(yōu)勝劣汰原則，先將個(gè)體解碼(Decoding)，把被編碼的參數(shù)還原成實(shí)際參數(shù)，然后利用目標(biāo)函數(shù)計(jì)算其適合度，再通過選擇(Selection) 將適合度高的個(gè)體保留下來，組成新的種群，最后再利用交換(Crossover)、變異(Mutation)等手段使這些新的種群的優(yōu)良特性得以遺傳和保留到下一代。如此“選擇一交換一變異一再選擇”地不斷重復(fù)，使各代種群的優(yōu)良基因成分逐漸積累，種群的平均適合度和最優(yōu)個(gè)體適合度不斷上升，直到迭代過程趨于收斂。4 遺傳算法

33、在電氣工程自動(dòng)化領(lǐng)域的應(yīng)用情況隨著智能控制技術(shù)的不斷發(fā)展, 很多研究人員展開了針對智能控制技術(shù)在電氣工程自動(dòng)化控制方面的研究,例如:應(yīng)該如何將人工智能系統(tǒng)應(yīng)用于故障的診斷和預(yù)測、電氣產(chǎn)品設(shè)計(jì)優(yōu)化和保護(hù)與控制等領(lǐng)域。在優(yōu)化設(shè)計(jì)方面, 設(shè)計(jì)電氣設(shè)備是很繁瑣的工作。它需要對電磁場、電路、電器電機(jī)等學(xué)科的知識(shí)綜合性的運(yùn)用, 同時(shí)還要使用以往設(shè)計(jì)中的經(jīng)驗(yàn)。設(shè)計(jì)以往的產(chǎn)品時(shí),通常是在根據(jù)經(jīng)驗(yàn)和實(shí)驗(yàn)的基礎(chǔ)上, 通過手工的方式開展的。這樣的設(shè)計(jì)過程很難取得最優(yōu)的設(shè)計(jì)方案。電氣產(chǎn)品的設(shè)計(jì)隨著計(jì)算機(jī)技術(shù)的發(fā)展, 逐漸由手工設(shè)計(jì)向計(jì)算機(jī)輔助設(shè)計(jì)不斷轉(zhuǎn)變, 使開發(fā)產(chǎn)品的周期大大減少。尤其是在引進(jìn)了智能控制技術(shù)之后,更

34、加促進(jìn)了CAD技術(shù)的發(fā)展,大大提高了設(shè)計(jì)產(chǎn)品的質(zhì)量和效率。智能控制技術(shù)在電氣設(shè)計(jì)方面的應(yīng)用主要包括專家系統(tǒng)和遺傳算法。其中的遺傳算法是一種優(yōu)化的先進(jìn)算法,在產(chǎn)品的設(shè)計(jì)優(yōu)化上有舉足輕重的作用。因此電氣產(chǎn)品的智能控制技術(shù)設(shè)計(jì)很多都采用了這種方式進(jìn)行優(yōu)化。電氣設(shè)備的故障征兆和故障之間有著很多必然和偶然的關(guān)系,具有非線性、不確定性的特點(diǎn), 它的優(yōu)勢能夠通過智能控制的方式得到最大的發(fā)揮。智能控制技術(shù)在電氣設(shè)備診斷故障方面的應(yīng)用主要由:專家系統(tǒng)、模糊邏輯和神經(jīng)網(wǎng)絡(luò)等。在電力系統(tǒng)之中, 變壓器因?yàn)橹匾牡匚欢艿胶芏嘌芯空叩年P(guān)注。目前診斷變壓器故障的常用方法主要是分析變壓器油中分解出來的氣體, 通過這種氣體

35、分析找出變壓器的故障范圍。同時(shí)在電動(dòng)機(jī)和發(fā)電機(jī)等方面,人工智能診斷故障技術(shù)也有了長足的發(fā)展。4.1 遺傳算法的應(yīng)用研究1 函數(shù)優(yōu)化 函數(shù)優(yōu)化是遺傳算法的經(jīng)典應(yīng)用領(lǐng)域，也是對遺傳算法進(jìn)行性能評價(jià)的常用算例。很多人構(gòu)造出了各種各樣的復(fù)雜形式的測試函數(shù)。有連續(xù)函數(shù)也有離散函數(shù)，有凸函數(shù)也有凹函數(shù)，有低維函數(shù)也有高維函數(shù)，有確定函數(shù)也有隨機(jī)函數(shù)，有單峰值函數(shù)也有多峰值函數(shù)等。用這些幾何特性各具特色的函數(shù)來評價(jià)遺傳算法的性能，更能反映算法的本質(zhì)效果而對于一些非線性、多模型、多目標(biāo)的函數(shù)優(yōu)化問題，用其他優(yōu)化方法較難求解。而遺傳算法卻可以方便地得到較好的結(jié)果。 2 組合優(yōu)化 隨著問題規(guī)模的增大，組合優(yōu)化問題

36、的搜索空間也急劇擴(kuò)大。有時(shí)在目前的計(jì)算機(jī)上用枚舉法很難或甚至不可能求出其精確最優(yōu)解。對這類復(fù)雜問題，人們已意識(shí)到應(yīng)把主要精力放在尋求其滿意解上，而遺傳算法是尋求這種滿意解的最佳工具之一。實(shí)踐證明，遺傳算法已經(jīng)在求解旅行商問題、背包問題、裝箱問題、布局優(yōu)化、圖形劃分問題等各種具有NP難度的問題得到成功的應(yīng)用。3 生產(chǎn)調(diào)度問題 生產(chǎn)調(diào)度問題在很多情況下建立起來的數(shù)學(xué)模難以精確求解，即使經(jīng)過一些簡化之后可以進(jìn)行求解.也會(huì)因簡化得太多而使得求解結(jié)果與實(shí)際相差甚遠(yuǎn)。目前在現(xiàn)實(shí)生產(chǎn)中主要是靠一些經(jīng)驗(yàn)來進(jìn)行調(diào)度?，F(xiàn)在遺傳算法已成為解決復(fù)雜調(diào)度問題的有效下具。在單件生產(chǎn)車間調(diào)度、流水線生產(chǎn)間調(diào)度、生產(chǎn)規(guī)劃、任

37、務(wù)分配等方面遺傳算法都得到了有效的應(yīng)用。4 自動(dòng)控制 在自動(dòng)控制領(lǐng)域中有很多與優(yōu)化相關(guān)的問題需要求解。遺傳算法已在其中得到了初步的應(yīng)用，并顯示出良好的效果。例如用遺傳算法進(jìn)行航空控制系統(tǒng)的優(yōu)化、使用遺傳算法設(shè)計(jì)空間交會(huì)控制器、基于遺傳算法的模糊控制器的優(yōu)化設(shè)計(jì)、基于遺傳算法的參數(shù)辨識(shí)、基于遺傳算法的模糊控制規(guī)則的學(xué)習(xí)、利用遺傳算法進(jìn)行人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)化設(shè)計(jì)和權(quán)值學(xué)習(xí)等。都顯出了遺傳算法在這此領(lǐng)域中應(yīng)用的可能性。5 機(jī)器人學(xué) 機(jī)器人是一類復(fù)雜的難以精確建模的人工系統(tǒng)，而遺傳算法的起源就來自于人工自適應(yīng)系統(tǒng)的研究。所以，機(jī)器人學(xué)理所當(dāng)然地成為遺傳算法的一個(gè)重要應(yīng)用領(lǐng)域。例如，遺傳算法已經(jīng)在移動(dòng)

38、機(jī)器人路徑規(guī)劃、關(guān)節(jié)機(jī)器人運(yùn)動(dòng)軌跡規(guī)劃、機(jī)器人逆運(yùn)動(dòng)學(xué)求解、細(xì)胞機(jī)器人的結(jié)構(gòu)優(yōu)化和行為協(xié)調(diào)等方而得到研究和應(yīng)用。6 圖像處理 圖像處理是計(jì)算機(jī)視覺中的一個(gè)重要研究領(lǐng)域。在圖像處理過程中，如掃描、特征提取、圖像分割等不可避免地會(huì)存在一此誤差，從而影響圖像的效果。如何使這些誤差最小是使計(jì)算機(jī)視覺達(dá)到實(shí)用化的重要要求。遺傳算法在這些圖像處理中的優(yōu)化計(jì)算方面找到了用武之地。目前已在模式識(shí)別(包括漢字識(shí)別)、圖像恢復(fù)、圖像邊緣特征提取等方而得到了應(yīng)用。7 人工生命 人工生命是用計(jì)算機(jī)、機(jī)械等人下媒體模擬或構(gòu)造出的具有自然生物系統(tǒng)特有行為的人造系統(tǒng)。自組織能力和自學(xué)習(xí)能力是人工生命的兩大主要特征。人工生命

39、與遺傳算法有著密切的關(guān)系?；谶z傳算法的進(jìn)化模型是研究人工生命現(xiàn)象的重要基礎(chǔ)理論。雖然人工生命的研究尚處于啟蒙階段，但遺傳算法已在其進(jìn)化模型、學(xué)習(xí)模型、行為模型、自組織模型等方面顯示出了初步的應(yīng)用能力，并且必將得到更為深入的應(yīng)用和發(fā)展。人工生命與遺傳算法相輔相成，遺傳算法為人工生命的研究提供一個(gè)有效的下具，人工生命的研究也必將促進(jìn)遺傳算法的進(jìn)一步發(fā)展。8 遺傳編程 1989年，美國Standford大學(xué)的Koza教授發(fā)展了遺傳編程的概念,其基木思想是:采用樹型結(jié)構(gòu)表示計(jì)算機(jī)程序,運(yùn)用遺傳算法的思想,通過自動(dòng)生成計(jì)算機(jī)程序來解決問題。雖然遺傳編程的理論尚米成熱,應(yīng)用也有一此限制,但它已成功地應(yīng)用

40、于人工智能、機(jī)器學(xué)習(xí)等領(lǐng)域。目前公開的遺傳編程實(shí)驗(yàn)系統(tǒng)有十多個(gè)。例如，Koza開發(fā)的ADF系統(tǒng)，While開發(fā)的GPELST系統(tǒng)等。9 機(jī)器學(xué)習(xí) 學(xué)習(xí)能力是高級自適應(yīng)系統(tǒng)所具備的能力之一，基于遺傳算法的機(jī)器學(xué)習(xí)，特別是分類器系統(tǒng)，在很多領(lǐng)域中都得到了應(yīng)用。例如，遺傳算法被用于學(xué)習(xí)模糊控制規(guī)則，利用遺傳算法來學(xué)習(xí)隸屬度函數(shù)，從而更好地改進(jìn)了模糊系統(tǒng)的性能；基于遺傳算法的機(jī)器學(xué)習(xí)可用來調(diào)整人工神經(jīng)網(wǎng)絡(luò)的連接權(quán)，也可用于人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化設(shè)計(jì)；分類器系統(tǒng)也在學(xué)習(xí)式多機(jī)器人路徑規(guī)劃系統(tǒng)中得到了成功的應(yīng)用。10 數(shù)據(jù)挖掘 數(shù)據(jù)挖掘是近幾年出現(xiàn)的數(shù)據(jù)庫技術(shù)，它能夠從大型數(shù)據(jù)庫中提取隱含的、先前未知的、有

41、潛在應(yīng)用價(jià)值的知識(shí)和規(guī)則。許多數(shù)據(jù)挖掘問題可看成是搜索問題，數(shù)據(jù)庫看作是搜索空間，挖掘算法看作是搜索策略。因此，應(yīng)用遺傳算法在數(shù)據(jù)庫中進(jìn)行搜索，對隨機(jī)產(chǎn)生的一組規(guī)則進(jìn)行進(jìn)化.直到數(shù)據(jù)庫能被該組規(guī)則覆蓋，從而挖掘出隱含在數(shù)據(jù)庫中的規(guī)則。Sunil已成功地開發(fā)了一個(gè)基于遺傳算法的數(shù)據(jù)挖掘下具。利用該工具對兩個(gè)飛機(jī)失事的真實(shí)數(shù)據(jù)庫進(jìn)行了數(shù)據(jù)挖掘?qū)嶒?yàn)，結(jié)果表明遺傳算法是進(jìn)行數(shù)據(jù)挖掘的有效方法之一。4.2 電動(dòng)機(jī)控制中的遺傳算法PID參數(shù)優(yōu)化 本文以直流電動(dòng)機(jī)系統(tǒng)進(jìn)行了仿真驗(yàn)證，使用了具有突出尋優(yōu)能力和計(jì)算簡單的遺傳算法進(jìn)行參數(shù)整定，并通過Matlab編程進(jìn)行參數(shù)尋優(yōu)，整定出的參數(shù)使性能指標(biāo)達(dá)到最優(yōu)4-

42、8。 (l) 參數(shù)的確定及表示 首先確定參數(shù)范圍，該范圍一般是由用戶給定的，然后由精度的要求，對其進(jìn)行編碼。選取二進(jìn)制字串表示每一個(gè)參數(shù)，并建立與參數(shù)間的關(guān)系。再把二進(jìn)制串連起來就組成一個(gè)長的二進(jìn)制字串，該字串為遺傳算法可以操作的對象。 (2) 選取初始種群 因?yàn)樾枰幊虂韺?shí)現(xiàn)各過程，所以采用計(jì)算機(jī)隨機(jī)產(chǎn)生初始種群。針對二進(jìn)制編碼而言，先產(chǎn)生01之間均勻分布的隨機(jī)數(shù)，然后規(guī)定產(chǎn)生的隨機(jī)數(shù)00.5之間代表0，0.51之間代表1。此外，考慮到計(jì)算的復(fù)雜程度來規(guī)定種群的大小。 (3) 適應(yīng)度函數(shù)的確定 衡量一個(gè)控制系統(tǒng)的指標(biāo)有三個(gè)方面，即穩(wěn)定性、準(zhǔn)確性和快速性。而上升時(shí)間反映了系統(tǒng)的快速性，上升時(shí)間

43、越短，控制進(jìn)行的就越快，系統(tǒng)品質(zhì)也就越好。在實(shí)際應(yīng)用中會(huì)因系統(tǒng)中固有的飽和特性而導(dǎo)致系統(tǒng)不穩(wěn)定，為了防止控制能量過大，在目標(biāo)函數(shù)中加入控制量。因此為了使控制效果更好，本文給出了包含控制量、誤差和上升時(shí)間作為約束條件的目標(biāo)函數(shù)。因?yàn)檫m應(yīng)度函數(shù)同目標(biāo)函數(shù)相關(guān)，所以目標(biāo)函數(shù)確定后，直接將其倒數(shù)作為適應(yīng)度函數(shù)進(jìn)行參數(shù)尋優(yōu)。最優(yōu)的控制參數(shù)也就是在滿足約束條件下使f(x)最大時(shí)，x所對應(yīng)的控制器參數(shù)。 (4) 優(yōu)化步驟下面就可以編程使用遺傳算法對PID參數(shù)進(jìn)行尋優(yōu)。利用遺傳算法優(yōu)化Kp、Ki、Kd的具體步驟如下: 確定每個(gè)參數(shù)的大致范圍和編碼長度，進(jìn)行編碼; 隨機(jī)產(chǎn)生n個(gè)個(gè)體構(gòu)成初始種群P(0); 將種群中各個(gè)體解碼成對應(yīng)的參數(shù)值，用此參數(shù)求代價(jià)函數(shù)值J及適應(yīng)度函數(shù)值f,f=； 應(yīng)用復(fù)制、交叉和變異算子對種群P(t)進(jìn)行操作，產(chǎn)生下一代種群P(t+1); 重復(fù)步驟和，直至參數(shù)收斂或達(dá)到預(yù)定的指標(biāo)。 試驗(yàn)的電機(jī)性能參數(shù)如下: La電機(jī)電感0.24mH = 0.00024H Ra電機(jī)電阻2.32 Cm電動(dòng)機(jī)的轉(zhuǎn)距常數(shù)23.2mNm/A=0.0232Nm/A Ce為電動(dòng)勢常數(shù) Jm轉(zhuǎn)子以及電動(dòng)機(jī)轉(zhuǎn)軸相連的負(fù)載總的轉(zhuǎn)動(dòng)慣量1.110kg Fm粘滯摩擦系數(shù)2.2/s 根據(jù)被控電動(dòng)機(jī)特性，建立電