遺傳算法在自動(dòng)控制領(lǐng)域中的應(yīng)用綜述

摘 要：在這個(gè)智能化技術(shù)高速發(fā)展的時(shí)代，各種各樣的智能控制設(shè)備已經(jīng)成為生產(chǎn)生活中不可或缺的必需品，各個(gè)行業(yè)對(duì)智能控制自動(dòng)化控制的需求也越來越廣泛，目前國(guó)內(nèi)外關(guān)于智能控制的研究也越來越多，都神經(jīng)網(wǎng)絡(luò)控制，遺傳算法控制，人工智能控制等雜，本文主要是論述自動(dòng)控制中的遺傳算法現(xiàn)在控制方法和理論中的應(yīng)用，介紹了遺傳算法控制工程各個(gè)方面的應(yīng)用成果。

關(guān)鍵詞：自動(dòng)控制 遺傳算法 應(yīng)用

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2013）06（b）-0074-02

遺傳算法（Genetic Algorithms簡(jiǎn)稱GA）是通過編碼串模擬達(dá)爾文進(jìn)化論。遺傳算法通過模擬自然界中生物遺傳的自然選擇和自然淘汰的進(jìn)化過程來找尋最優(yōu)解。由美國(guó)密執(zhí)根（Michigan）大學(xué)的J.Holland教授于1975年首先提出。遺傳算法在基于達(dá)爾文進(jìn)化論的基礎(chǔ)上通過數(shù)學(xué)模式模擬該擇優(yōu)過程，它通過保持一定規(guī)模的由競(jìng)爭(zhēng)假設(shè)組成多樣化群體，在下一次迭代中，挑選出當(dāng)前群體中適應(yīng)度最高的個(gè)體來產(chǎn)生下一代，替換掉當(dāng)前群體中適應(yīng)度最差的個(gè)體。

1 遺傳算法理論與技術(shù)

1.1 基本原理

遺傳算法首先需要建立數(shù)學(xué)模型，它將被解問題的可能解表示為基因（如常用的二進(jìn)制編碼串），然后由適應(yīng)函數(shù)計(jì)算出目前階段中適應(yīng)環(huán)境的個(gè)體，通過淘汰不好的基因，把適應(yīng)度較好的基因保留下來，通過基因間的交叉、基因突變等遺傳算子產(chǎn)生新一代基因。最后根據(jù)被解問題的各種收斂條件，一步步的逼近最優(yōu)解，最后收斂到最適應(yīng)被解問題的解上，求得被解問題的最優(yōu)解。

1.2 生物遺傳學(xué)概念與遺傳算法中概念的對(duì)應(yīng)關(guān)系（如表1）

1.3 遺傳算法過程

遺傳算法是基于碼串來工作的，編碼的目的就在于將解空間用碼串來表達(dá)，然后通過復(fù)制、交叉、變異等遺傳算子來迭代搜索過程，最終收斂于最優(yōu)狀態(tài)。算法過程如下。

（1）系統(tǒng)隨機(jī)挑選一定數(shù)目的解做為搜索出發(fā)點(diǎn)，這些解被稱為染色體，這些隨機(jī)產(chǎn)生的解組成一個(gè)種群，而這些染色體的個(gè)數(shù)就構(gòu)成了種群的規(guī)模或大小（pop-size）。

（2）基于特定問題構(gòu)建適應(yīng)度函數(shù)，用這個(gè)函數(shù)計(jì)算出的值（稱為適應(yīng)度）來評(píng)價(jià)每個(gè)染色體的好壞（即對(duì)環(huán)境的適應(yīng)度），并以此作為挑選的依據(jù)。

（3）根據(jù)特定問題構(gòu)建選擇策略，一般按最優(yōu)保存策略方式來實(shí)現(xiàn)選擇，從當(dāng)前種群中根據(jù)適應(yīng)度的好壞，選擇一定數(shù)量的染色體進(jìn)行遺傳產(chǎn)生新一代的染色體。

（4）對(duì)被選擇的染色體進(jìn)行交叉操作，變異操作生成了新一代染色體。其中變異操作使得種群中的個(gè)體有多樣性，防止變異后的染色體一直在一個(gè)局部最優(yōu)的范圍內(nèi)。經(jīng)過這些算子后的染色體群（種群）稱為后代。

（5）最后算法需要判定是否達(dá)到了最后，或者到達(dá)了預(yù)訂的迭達(dá)次數(shù)，如果是，整個(gè)算法結(jié)束，否則調(diào)到2進(jìn)入下一輪迭代操作。

2 在自動(dòng)控制中的應(yīng)用

遺傳算法經(jīng)過40多年的研究與發(fā)展，逐漸應(yīng)用到當(dāng)今社會(huì)的各個(gè)方面。其應(yīng)用涉及從工程科學(xué)到社會(huì)科學(xué)的諸多領(lǐng)域。遺傳算法在控制領(lǐng)域應(yīng)用主要包括：可靠性設(shè)計(jì)、超大規(guī)模、非線性系統(tǒng)優(yōu)化，控制器的優(yōu)化設(shè)計(jì)問題，機(jī)器自學(xué)習(xí)等等。遺傳算法應(yīng)用在自動(dòng)控制領(lǐng)域主要是如下幾大方面。

控制過程監(jiān)控；在實(shí)際的監(jiān)控過程中，某些系統(tǒng)會(huì)有很多不確定的因素，而且可能產(chǎn)生大量的隨機(jī)數(shù)據(jù)，因此通過建立傳統(tǒng)的控制模型比較困難。也是因?yàn)閿?shù)據(jù)的隨機(jī)性和不確定性因素，造成監(jiān)控系統(tǒng)難以準(zhǔn)確控制。遺傳算法進(jìn)行過程監(jiān)控時(shí)，由于不需要精確的控制模型，而是在運(yùn)行過程中逐步找到最優(yōu)解，反倒能夠做到精確控制。

控制過程故障診斷（提供決策方案）。故障檢測(cè)過程中的參數(shù)一般都具有非線性特征，同樣如果利用傳統(tǒng)的控制理論和方法建立控制模型，很難建立準(zhǔn)確的控制模型。遺傳算法應(yīng)用在故障診斷中，可以解決很多非線性系統(tǒng)問題。而且整個(gè)控制系統(tǒng)的魯棒性比較急好。

系統(tǒng)參數(shù)辯識(shí)（參數(shù)優(yōu)化）；隨著自動(dòng)控制規(guī)模的不斷加大和時(shí)間的不斷積累，需要保存和后期處理的數(shù)據(jù)越來越龐大，這就對(duì)自動(dòng)控制系統(tǒng)提出了更高的要求。大量的參數(shù)構(gòu)成了整個(gè)自動(dòng)控制過程，原來的自動(dòng)控制系統(tǒng)實(shí)時(shí)處理數(shù)據(jù)的能力很強(qiáng)，但是后期數(shù)據(jù)的處理能力顯得有些力不從心，遺傳算法在大量數(shù)據(jù)的處理方面擁有較多優(yōu)勢(shì)，在參數(shù)優(yōu)化方面也有著其他算法不可比擬的優(yōu)越性，如PID參數(shù)控制等。

控制器的優(yōu)化設(shè)計(jì)。遺傳算法可用于各種優(yōu)化問題。既包括數(shù)量?jī)?yōu)化問題，也包括組合優(yōu)化問題，特別是在控制器的優(yōu)化設(shè)計(jì)方面，通過遺傳算法優(yōu)化設(shè)計(jì)的控制器具有響應(yīng)快、實(shí)時(shí)性好、控制平穩(wěn)，精確、較高性價(jià)比等特點(diǎn)。

遺傳算法在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用。神經(jīng)網(wǎng)絡(luò)用于控制系統(tǒng)時(shí)，多采用多層前向神經(jīng)網(wǎng)絡(luò)模型。當(dāng)采用普通算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，對(duì)時(shí)變系統(tǒng)的訓(xùn)練很難達(dá)到較高精度。此外，由于算法屬于梯度算法，容易陷入局部極小。采用遺傳算法訓(xùn)練的神經(jīng)網(wǎng)絡(luò)，不但具有神經(jīng)網(wǎng)絡(luò)自身的特點(diǎn)還具備了較強(qiáng)的自我學(xué)習(xí)能力以及快速收斂能力。

智能控制。智能化控制技術(shù)能夠?qū)A周運(yùn)動(dòng)或者直線運(yùn)動(dòng)進(jìn)行控制。最新的運(yùn)動(dòng)控制器很多都是集成了遺傳算法的控制模塊，在控制器內(nèi)部通過CPU等嵌入式運(yùn)算器做到精確高速的控制。目前這樣的控制器廣泛應(yīng)用于工業(yè)機(jī)器人、家用電器、機(jī)床、汽車制造、大型機(jī)械、智能電梯等多種場(chǎng)合。

3 討論與展望

遺傳算法雖然目前在眾多的領(lǐng)域都有廣泛的應(yīng)用，而且也相人們展示了它的獨(dú)特控制特性和廣闊的應(yīng)用前景；但是遺傳算法也有自身的弱點(diǎn)，還有大量的理論和實(shí)際問題值得研究。目前傳統(tǒng)的遺傳算法就有很多各種不足。首先，傳統(tǒng)遺傳算法很容易產(chǎn)生早熟現(xiàn)象以及局部尋優(yōu)能力較差等問題，還有如果種群的規(guī)模較大，適應(yīng)度函數(shù)復(fù)雜的情況下，整個(gè)算法的計(jì)算過程進(jìn)展很緩慢，難道達(dá)到計(jì)算速度的要求。基于這些問題，學(xué)者提出了多種混合算法，它們都是對(duì)遺傳算法的發(fā)展。基于遺傳算法的各種控制理論和技術(shù)正在不斷的趨于完善，必將對(duì)人工智能等帶來深遠(yuǎn)的影響。

參考文獻(xiàn)

[1]張紹紅，毛尚旭，寧書年.模擬退火法和遺傳算法聯(lián)合優(yōu)化技術(shù)及在反演解釋中的應(yīng)用[J].煤炭學(xué)報(bào)，2007（1）.

[2]萬(wàn)月珍，廖成咤.用遺傳算法對(duì)臼動(dòng)摔制系統(tǒng)數(shù)學(xué)模犁尋優(yōu)[J].地殼形變與地震，2008（2）.