遗传算法在自动控制领域的应用.docx

遗传算法在自动控制领域的使用信息和控制学院10自动化2班 宋晓莉20101336048一、 引言随着现代控制理论和计算机技术的持续快速发展，控制工程师面 临着越来越严峻的挑战：选择适合的控制器结构然后优化其参数以满 足特定实际使用的性能要求实际上，控制系统的建模和设计都是在 具有噪声情况下的多模空间中的多维优化任务由于在实际使用当 中，传统的分析和数值方法需要的目标函数的优良特性已经不再存 在，因而传统优化方法都不能轻易或准确地进行这一多维多模优化任 务同传统的基于微积分的方法和穷举法等算法相比，遗传算法(GA) 是一种成熟的具有极高鲁棒性和广泛适用性的全局优化方法由于 GA具有不受问题性质(如连续性，可微性)的限制，能够处理传统优 化算法难以解决的复杂问题等优点，显示了它在解决控制系统优化方 面的巨大潜力，因而引起了控制领域的极大关注近年来在自动控制 领域，遗传算法在PID控制、线性和非线性、最优、鲁棒、自适应、 滑模、模糊逻辑、神经网络、参数估计和系统辨识、模型线性化和控 制器降阶机器人手臂控制和轨迹规划等方面得到了广泛的使用二、 遗传算法及其改进遗传算法是基于自然选择和基因遗传学原理的随机搜索算法。

图 1给出了 GA的一般框架I -rr JLA I 匚产生初舒价目Aft.否i_ 士巴— J图i遗袪的一般框架它将适者生存这一基本的进化理论引入串结构，使用复制、交叉和变 异等基因操作，在串之同进行有组织但又随机的信息交换伴随着算 法的运行，优良的品质被逐渐不断地继承下来，坏的特性被逐渐淘 汰.新一代个体中既包含着上一代个体的大量信息，又不断地在总体 特性上胜过旧一代，从而使整个群体向前进化发展对于GA所优化 的问题，也就是不断地接近于最优解过去的十几年中，人们对如何改进GA的性能进行了大量的研 究.除了比例选择策略外，又研究了基于排序的选择、精英选择、稳 态选择和竞争选择等新的复制机制提出了两点、多点和一致变异作为 传统一点变异的改进和补充；吏用格霄码和动态编码克服定点十进制 整 数编码所就带来的问题；提出自适应技术动态改变GA控制参数克服 采取传统的静态控制参数策略引起的多样性和收敛性不均衡问题;研 究用梯度方法、单纯型法或模拟遇火方法精细调整的混台GA，以提 高算法的收敛速度；提出用均匀分布的初始群体代替随机产生的初始 种群，以及交叉位置非等概率选取和具有大变异操作的GA；研究了 分布式GA、迁徙GA和并GA。

三、GA在控制领域中的使用遗传算法在自动控制领域中的使用可以粗略的概括为两类，即离 线设计分析和自适应调节其离线使用又可以分为直接设计法和 间接设计法.在直接设计法中，GA可被用来作为搜索和优化引擎， 例如对一个已知的被控对象选择一个适台的控制结构或优化一个特 定控制器的参数设置以满足性能指标的要求.在间接设计法中，用传 统的综台设计方法如极点和特征结构配置、H*鲁棒控制系统设计、 定量反馈理论或综合等进行控制系统的设计，而GA为其提供优化参 数如加权函数矩阵、GA的使用也可以分为两种情况，一种是 GA被用来作为一种学习机制辨识未知或时变系统的特征参数，用于 自适应控制器的调整；另一种是用GA直接优化控制器的参数，此时 也可以用传统的辨识方法估计系统的状态，构成由GA作为自适应优 化机制的自适应控制器3. 1系统辨识和模型降阶 系统辨识是控制系统设计的基础 有许多有效的方法.但是这些技术 的绝大部分所处理的都是参数的线性模型，并且基于搜索空间是连续 和可微的假设.目前的辨识方法都是离线方法（如最小二乘法、 极大似自然等方法）的递归实现.这些递推方法本质上都是使用梯度 技术的局部搜索方法。

在搜索空间不可微或参数非线性时，这些方法 都不容易找到全局最优解另外传统的辨识方法一般是先确定模型结 构，再确定模型的参数.而系统结构的确定往往需要许多先验知识， 当结构不理想时，需要重新确定结构，再进行参数辨识这使得辨识 要经历从确定结构到确定参数的多次反复遗传算法不需要假设搜索 空间是可微或莲续的.在每一代，它同时搜索参数空间的不同区域， 并将搜索方向指向具有较高概率找到更优解的区域它同时处理搜索 空间中的多个点，增加了收敛到全局最优解的可能性GA为非线性 系统的辨识提供了一种简单有效的方法.3. 2最优控制许多控制问题都可以归结为求解对应不同系统状态的一组最优控 制作用传统的寻优方法通常都是沿着指标函数的梯度方向搜索，普 遍存在着对输人初值敏感，迭代收敛速度慢，容易陷入局部极小等缺 点遗传算法在最优控制方面也得到了广泛的使用，KrishnakumarDa] 将用GA设计的两个反馈控制系统和传统设计方法的结果进行了比 较，说明GA的结果是好的Michalewicz使用改进的浮点数编码GA 对离散时同最优控制问题进行了研究线性二次型问题、收获问 题、手推车问题的成功例子说明了 GA在最优控制问题的使用潜力。

陈根社提出用GA求解Riccati方程，并将该方法用于飞船控制系统 的最优设计之中.Takahashi研究了采用由系统扰动和参考输人到控 制输出传递函数的H和H范数作为优化准则的PID优化设计，结 出了遗传优化和传统梯度优化的对比结果.基于最优控制原理，Potter 研究了高度交互动力学多变量复杂系统的一种多变量数字PID控制 方案，使用GA调节方案中的矩阵集台，该方案可以推广到其它系 统.Ge将GA和Lyapunov方法相结合，设计出了稳定的闭环系统, 同时 又达到了满意的性能指标3. 3非线性系统控制在控制系统设计中，许多控制问题可以包括在优化的框架内.通 常这种优化任务需要在多维空间中同时确定若干个参数.由于实际问 题往往带有严格的约束和非线性，同时指标函数可能既不连续又不可 微，不同的参数组台可能得到相同的控制作用.传统优化方法对初始 值的选取都很敏感，很容易陷入初始解附近的局部极值.遗传算法为 非线性控制系统的优化提供了一种有效途径徐滇生讨论了利用GA 进行控制器参数优化问题，研究了利用GA确定具有特定结构的 非线性系统的参数值.指出在实现给定的性能指标下，可获得全局最 优的控制器参数.高晓智在Michie的倒立摆控制BOXES方案的基础 上，利用GA对每个BOX中的控制作用进行了寻优，结果表明GA 可以有效的解决倒立摆的平衡问题+金希东口”针对遗传算法的早熟 问题.提出进一步模拟自然界中的灾变现象，以提高遗传算法的性能 +将遗传灾变算法使用于非线性系统PID控制器的参数优化.陈根社 Jig］将GA用于综合火力/飞行控制系统的参数设计中.在某高速歼击机数学模型的基础上，采用GA自动调节参数获得了满意 的性能.现有的基于仿真的计算机辅助设计CAD软件包可以模拟受约束 系统的特性并计算几乎任何类型的性能指标.Li Yun以一个带有时滞 的线性对象和一个没有经过线性化的对象为例子说明如何在仿真的 基础上，使用GA根据系统的性能要求设计线性控制器.Christopher 以A4飞机的稳定控制系统为对象，将遗传算法用于控制系统的分析 和设计的研究，显示了反馈控制系统结构和参数一体化设计的可行 性.因为GA不需要指标函数的微分，所以基于遗传算法和性能分析 的设计自动化方法，能够考虑实际系统的许多性能要求.并可以直接 设计非线性对象的线性控制器，而不需要先将对象进行线性化。

实践 证明这是控制系统设计的一种有效方法37神经网络控制遗传算法在神经网络优化方面的使用，是近来的一个非常重要的 使用方向.由于神经网络所具有的能充分逼近任意复杂的非线性关 系、很强的棒性和容错性、犬规模并行性和能学习和适应严重不确定 系统的动态特性等优势，从而引起了控制领域的极大关注.神经网络 使用于控制系统的研究异常活跃，并得到了相当的进展神经网络使 用于控制领域，采用最普遍的是多层前馈神经网络模型，它具有广 泛的从输入到输出的映射能力.但由于采用反向传播算法常常需要很 长的时间才能收敛，而且不可避免地会遇到局部极小问题.同优化模 糊控制系统类似，用GA对神经网络进行优化也可以分为：优化同络 结构、优化权系数和同时优化结构和参数三个方面.Steve[432将GA 使用于神经网络中，通过GA对神经网络的权值进行训练.刘宝坤 研究了用改进的GA来优化神经网络辨识器和控制器的参数，以期提 高控制系统的性能.廖俊使用先验知识确定参数变化范围，针对一 's模糊模型的神经网络表示，用GA进行了模糊神经同络权值的优 化.很多文献也进行了这方面的研究.仿真结果表明，采用GA学 习的神经网络控制器兼有神经网络的广泛映射能力和遗传算法快速 收敛以及增强式学习等性能。

3. 8多目标优化由于现代非线性控制器具有大量可调控参数，在控制系统结构和性能 要求确定的情况下，多目标遗传算法为参数调整提供了一个高效的选 择方法CarlosC “研究了一种处理多目标、多约束条件问题的遗传 算法.该算法采用Paerto排序的适应值分配策略处理多目标优化问 题，使用小生境形成技术提高候选解的多样性.算法使用于发动机低 压腔速度控制器的设计，展示了多目标GA优化技术在控制系统设计 方面的优势TrebiC借鉴模糊集合和模糊推理的概念，提出一种基 于遗传算法的多目标模糊优化方法，该方法用隶属度权重策略确定一 个优化目标的相对重要性.给出了遥控操作水下船只的深度控 制系统输八输出线性化滑模控制器的参数优化设计例子.王广雄运 用基于排序计算适应值的多目标遗传算法对伺服系统的干扰抑制联 合 综合进行了设计寻优.其结果从多目标优化的角度，表明遗传算 法能成功地搜索出伺服系统干扰抑制设计的性能极限，同时说明采用 低阶的性能权函数便可以使设计达到最好性能很多结果表明，遗传设计方法能够缩短设计时间，改善系统性能, 提高精度.使用GA进行制系统优化的主要缺点是需要很大的计算 量.但实际上，对于多目标优化，计算量大这一点就显得不明显了， 因为它减少了从复杂的设计参数空间选择设计方案的难度.对多目标 优化的能力使GA成为设计工程师的有力工具.3. 9实时和自适应控制将GA用于实时控制所遇到的两个最主要的问题是：①每一代的执行 时间是否能足够短；②是否能保证在每一代产生稳定的控制律。

执行 时间同题可以通过并行GA、增量GA和“GA部分解决增量GA 在每一代只产生一个或两个新个体，因而可以缩短每代的循环时间以 及内存需求，但是可能产生不了满意的新个体GA使用很小的种群, 能产生更多的个体，但缺乏基因的多样性.保证在每一代都形成满意 的控制律是一个更难于解决的问题.例如，一个不敏感的控制器可能 有很多参数组合都是满意的控制律.因此GA很可能产生了满意的控 制律，但由于此控制律导致控制器参数极大的变化，而带来稳定性问 题4讨论和展望遗传算法得到了迅猛发展，并在各学科领域得到了广泛的使用.然而 遗传算法还远非十分完美，还存在一些有待解决的问题，主要表现在 以下几个方面：①算法存在着早熟问题；②算法存在着收敛速度低的 问题，特别在处理高维且复杂程度较高的问题时,这个问题尤为突出； ③算法自身参数选取存在困难遗传算法在自动控制方面的使用多数 处于理论性仿真研究阶段［3］，实际控制系统中的使用还比较少.如 何针对控制系统的特点选择适用于控制系统分析和设计的GA或其 变形结构是今后需要进一步研究的内容.将GA使用于自动控制领域 应该解决的问题主要有：① 如何将实际控制系统需要解决的问题合理地转化为用遗传算法能 够处理和解决的优化问题。

这依赖于设计者对实际工程问题以及控制 理论的理解、熟悉和掌握程度② 编码机制的确定，即怎样合理地进行编码以组成染色体，是使用二 进制、整数、实数还是对数编码，是否采用加速基因、方向因子和结 构控制基因.编码机制是GA表示优化问题变量。