1、遺傳算法在自動控制領域的使用信息和控制學院 10自動化2班 宋曉莉20101336048一、引言隨著現代控制理論和計算機技術的持續快速發展，控制工程師面 臨著越來越嚴峻的挑戰：選擇適合的控制器結構然后優化其參數以滿 足特定實際使用的性能要求。實際上，控制系統的建模和設計都是在 具有噪聲情況下的多模空間中的多維優化任務。由于在實際使用當 中，傳統的分析和數值方法需要的目標函數的優良特性已經不再存 在，因而傳統優化方法都不能輕易或準確地進行這一多維多模優化任 務。同傳統的基于微積分的方法和窮舉法等算法相比， 遺傳算法（GA） 是一種成熟的具有極高魯棒性和廣泛適用性的全局優化方法。由于 GA具有不受

2、問題性質（如連續性，可微性）的限制，能夠處理傳統優 化算法難以解決的復雜問題等優點，顯示了它在解決控制系統優化方 面的巨大潛力，因而引起了控制領域的極大關注。 近年來在自動控制 領域，遺傳算法在PID控制、線性和非線性、最優、魯棒、自適應、 滑模、模糊邏輯、神經網絡、參數估計和系統辨識、模型線性化和控 制器降階機器人手臂控制和軌跡規劃等方面得到了廣泛的使用。二、遺傳算法及其改進遺傳算法是基于自然選擇和基因遺傳學原理的隨機搜索算法。圖 1給出了 GA的一般框架圖遺傳冀法的一般眶架它將適者生存這一基本的進化理論引入串結構，使用復制、交叉和變異等基因操作，在串之同進行有組織但又隨機的信息交換。 伴隨

3、著算 法的運行，優良的品質被逐漸不斷地繼承下來，壞的特性被逐漸淘 汰.新一代個體中既包含著上一代個體的大量信息， 又不斷地在總體 特性上勝過舊一代，從而使整個群體向前進化發展。 對于GA所優化 的問題，也就是不斷地接近于最優解。過去的十幾年中，人們對如何改進GA的性能進行了大量的研究.除了比例選擇策略外，又研究了基于排序的選擇、精英選擇、穩 態選擇和競爭選擇等新的復制機制提出了兩點、多點和一致變異作為 傳統一點變異的改進和補充；使用格霄碼和動態編碼克服定點十進制 整數編碼所就帶來的問題；提出自適應技術動態改變 GA控制參數克服 采取傳統的靜態控制參數策略引起的多樣性和收斂性不均衡問題；研究用梯

4、度方法、單純型法或模擬遇火方法精細調整的混臺GA，以提高算法的收斂速度；提出用均勻分布的初始群體代替隨機產生的初始 種群，以及交叉位置非等概率選取和具有大變異操作的GA ;研究了分布式GA、遷徙GA和并GA 三、GA在控制領域中的使用遺傳算法在自動控制領域中的使用可以粗略的概括為兩類，即離 線設計分析和在線自適應調節。其離線使用又可以分為直接設計法和 間接設計法.在直接設計法中，GA可被用來作為搜索和優化引擎， 例如對一個已知的被控對象選擇一個適臺的控制結構或優化一個特 定控制器的參數設置以滿足性能指標的要求.在間接設計法中，用傳統的綜臺設計方法如極點和特征結構配置、H*魯棒控制系統設計、定量

5、反饋理論或綜合等進行控制系統的設計，而GA為其提供優化參 數如加權函數矩陣、GA的在線使用也可以分為兩種情況，一種是 GA被用來作為一種學習機制辨識未知或時變系統的特征參數，用于 自適應控制器的調整；另一種是用GA直接優化控制器的參數，此時 也可以用傳統的辨識方法估計系統的狀態， 構成由GA作為自適應優 化機制的自適應控制器。3. 1系統辨識和模型降階系統辨識是控制系統設計的基礎有許多有效的方法.但是這些技術 的絕大部分所處理的都是參數的線性模型，并且基于搜索空間是連續 和可微的假設.目前的在線辨識方法都是離線方法 （如最小二乘法、 極大似自然等方法）的遞歸實現.這些遞推方法本質上都是使用梯度

6、 技術的局部搜索方法。在搜索空間不可微或參數非線性時， 這些方法 都不容易找到全局最優解。另外傳統的辨識方法一般是先確定模型結 構，再確定模型的參數.而系統結構的確定往往需要許多先驗知識， 當結構不理想時，需要重新確定結構，再進行參數辨識這使得辨識要經歷從確定結構到確定參數的多次反復。遺傳算法不需要假設搜索空間是可微或蓮續的.在每一代，它同時搜索參數空間的不同區域， 并將搜索方向指向具有較高概率找到更優解的區域。它同時處理搜索空間中的多個點，增加了收斂到全局最優解的可能性。GA為非線性系統的辨識提供了一種簡單有效的方法.3. 2最優控制許多控制問題都可以歸結為求解對應不同系統狀態的一組最優控

7、制作用。傳統的尋優方法通常都是沿著指標函數的梯度方向搜索，普遍存在著對輸人初值敏感，迭代收斂速度慢，容易陷入局部極小等缺 點。遺傳算法在最優控制方面也得到了廣泛的使用，KrishnakumarDa 將用GA設計的兩個反饋控制系統和傳統設計方法的結果進行了比 較，說明GA的結果是好的。Michalewicz使用改進的浮點數編碼 GA 對離散時同最優控制問題進行了研究。線性二次型問題、收獲問 題、手推車問題的成功例子說明了 GA在最優控制問題的使用潛力。 陳根社提出用GA求解Riccati方程，并將該方法用于飛船控制系統 的最優設計之中.Takahashi研究了采用由系統擾動和參考輸人到控 制輸出

8、傳遞函數的H和H。范數作為優化準則的PID優化設計，結 出了遺傳優化和傳統梯度優化的對比結果. 基于最優控制原理，Potter 研究了高度交互動力學多變量復雜系統的一種多變量數字PID控制方案，使用GA調節方案中的矩陣集臺，該方案可以推廣到其它系 統.Ge將GA和Lyapunov方法相結合，設計出了穩定的閉環系統， 同時 又達到了滿意的性能指標。3. 3非線性系統控制在控制系統設計中，許多控制問題可以包括在優化的框架內.通 常這種優化任務需要在多維空間中同時確定若干個參數.由于實際問題往往帶有嚴格的約束和非線性，同時指標函數可能既不連續又不可 微，不同的參數組臺可能得到相同的控制作用.傳統優化

9、方法對初始值的選取都很敏感，很容易陷入初始解附近的局部極值. 遺傳算法為 非線性控制系統的優化提供了一種有效途徑。徐滇生討論了利用GA進行控制器參數優化問題，研究了利用 GA確定具有特定結構的 非線性系統的參數值.指出在實現給定的性能指標下，可獲得全局最 優的控制器參數.高曉智在Michie的倒立擺控制BOXES方案的基礎 上，利用GA對每個BOX中的控制作用進行了尋優，結果表明 GA 可以有效的解決倒立擺的平衡問題+金希東口”針對遺傳算法的早熟 問題.提出進一步模擬自然界中的災變現象， 以提高遺傳算法的性能 +將遺傳災變算法使用于非線性系統 PID控制器的參數優化.陳根社 Jig將GA用于綜

10、合火力/飛行控制系統的參數設計中.在 某高速殲擊機數學模型的基礎上，采用GA自動調節參數獲得了滿意 的性能.現有的基于仿真的計算機輔助設計 CAD軟件包可以模擬受約束 系統的特性并計算幾乎任何類型的性能指標.Li Yun以一個帶有時滯 的線性對象和一個沒有經過線性化的對象為例子說明如何在仿真的 基礎上，使用GA根據系統的性能要求設計線性控制器.Christopher以A 4飛機的穩定控制系統為對象，將遺傳算法用于控制系統的分析 和設計的研究，顯示了反饋控制系統結構和參數一體化設計的可行 性.因為GA不需要指標函數的微分，所以基于遺傳算法和性能分析 的設計自動化方法，能夠考慮實際系統的許多性能要

11、求. 并可以直接 設計非線性對象的線性控制器，而不需要先將對象進行線性化。實踐 證明這是控制系統設計的一種有效方法。37神經網絡控制遺傳算法在神經網絡優化方面的使用，是近來的一個非常重要的 使用方向.由于神經網絡所具有的能充分逼近任意復雜的非線性關 系、很強的棒性和容錯性、犬規模并行性和能學習和適應嚴重不確定 系統的動態特性等優勢，從而引起了控制領域的極大關注.神經網絡 使用于控制系統的研究異常活躍，并得到了相當的進展神經網絡使用于控制領域，采用最普遍的是多層前饋神經網絡模型，它具有廣泛的從輸入到輸出的映射能力.但由于采用反向傳播算法常常需要很 長的時間才能收斂，而且不可避免地會遇到局部極小問

12、題.同優化模糊控制系統類似，用GA對神經網絡進行優化也可以分為： 優化同絡 結構、優化權系數和同時優化結構和參數三個方面. Steve432將GA 使用于神經網絡中，通過 GA對神經網絡的權值進行訓練.劉寶坤 研究了用改進的GA來優化神經網絡辨識器和控制器的參數，以期提 高控制系統的性能.廖俊使用先驗知識確定參數變化范圍，針對一's模糊模型的神經網絡表示，用 GA進行了模糊神經同絡權值的優 化.很多文獻也進行了這方面的研究.仿真結果表明，采用GA學 習的神經網絡控制器兼有神經網絡的廣泛映射能力和遺傳算法快速收斂以及增強式學習等性能 3. 8多目標優化由于現代非線性控制器具有大量可調控參

13、數，在控制系統結構和性能 要求確定的情況下，多目標遺傳算法為參數調整提供了一個高效的選 擇方法。CarlosC “研究了一種處理多目標、多約束條件問題的遺傳 算法.該算法采用 Paerto排序的適應值分配策略處理多目標優化問 題，使用小生境形成技術提高候選解的多樣性.算法使用于發動機低 壓腔速度控制器的設計，展示了多目標GA優化技術在控制系統設計 方面的優勢。TrebiC借鑒模糊集合和模糊推理的概念，提出一種基 于遺傳算法的多目標模糊優化方法，該方法用隸屬度權重策略確定一 個優化目標的相對重要性.給出了遙控操作水下船只的深度控 制系統輸八輸出線性化滑模控制器的參數優化設計例子.王廣雄運用基于排

14、序計算適應值的多目標遺傳算法對伺服系統的干擾抑制聯 合 綜合進行了設計尋優.其結果從多目標優化的角度，表明遺傳算 法能成功地搜索出伺服系統干擾抑制設計的性能極限，同時說明采用低階的性能權函數便可以使設計達到最好性能。很多結果表明，遺傳設計方法能夠縮短設計時間，改善系統性能， 提高精度.使用GA進行制系統優化的主要缺點是需要很大的計算 量.但實際上，對于多目標優化，計算量大這一點就顯得不明顯了， 因為它減少了從復雜的設計參數空間選擇設計方案的難度.對多目標優化的能力使GA成為設計工程師的有力工具.3. 9實時和自適應控制 將GA用于實時控制所遇到的兩個最主要的問題是： 每一代的執行 時間是否能足

15、夠短；是否能保證在每一代產生穩定的控制律。 執行 時間同題可以通過并行 GA、增量GA和匕GA部分解決。增量 GA 在每一代只產生一個或兩個新個體，因而可以縮短每代的循環時間以 及內存需求，但是可能產生不了滿意的新個體。GA使用很小的種群， 能產生更多的個體，但缺乏基因的多樣性.保證在每一代都形成滿意 的控制律是一個更難于解決的問題.例如，一個不敏感的控制器可能 有很多參數組合都是滿意的控制律.因此GA很可能產生了滿意的控 制律，但由于此控制律導致控制器參數極大的變化， 而帶來穩定性問 題。4討論和展望遺傳算法得到了迅猛發展，并在各學科領域得到了廣泛的使用.然而 遺傳算法還遠非十分完美，還存在

16、一些有待解決的問題，主要表現在 以下幾個方面：算法存在著早熟問題；算法存在著收斂速度低的 問題，特別在處理高維且復雜程度較高的問題時， 這個問題尤為突出； 算法自身參數選取存在困難。遺傳算法在自動控制方面的使用多數 處于理論性仿真研究階段3，實際控制系統中的使用還比較少.如 何針對控制系統的特點選擇適用于控制系統分析和設計的GA或其變形結構是今后需要進一步研究的內容. 將GA使用于自動控制領域 應該解決的問題主要有： 如何將實際控制系統需要解決的問題合理地轉化為用遺傳算法能 夠處理和解決的優化問題。這依賴于設計者對實際工程問題以及控制 理論的理解、熟悉和掌握程度 編碼機制的確定，即怎樣合理地進

17、行編碼以組成染色體， 是使用二 進制、整數、實數還是對數編碼，是否采用加速基因、方向因子和結 構控制基因.編碼機制是GA表示優化問題變量的結構基礎， 和被優 化問題和被優化問題的變量特性息息相關。 如何有效地處理約束條件，是采用染色體修補、懲罰函數還是將約 束考慮在對象仿真模型當中.實際控制系統含有大量的約束條件，如 何有效地處理約束條件，是 GA急需解決的問題之一。 怎樣有效地解決多目標優化問題.由于傳統的GA本質上是無約束、單目標的優化算法，而實際系統經常有多個性能指標，怎樣有效 地解決多目標優化問題 是目前GA除了理論研究以外最熱門的問題 之一。5結論本文詳細綜述了近年來 GA在自動控制領域中的使用.由于 GA 發展之迅