《智能控制》2023年5月第八章智能控制中的現代優化方法主要內容遺傳算法的基本原理8.18.28.3遺傳算法在加熱爐控制系統建模中的應用遺傳算法在模糊控制器設計中的應用8.4遺傳算法在神經網絡控制器設計中的應用8.5其他現代優化方法主要內容遺傳算法的基本原理8.18.28.3遺傳算法在加熱爐控制系統建模中的應用遺傳算法在模糊控制器設計中的應用8.4遺傳算法在神經網絡控制器設計中的應用8.5其他現代優化方法遺傳算法的基本原理遺傳算法GA(GeneticAlgorithm)是一種根據生物進化思想的啟發、不依賴具體問題的直接搜索方法；在人工智能研究中，現在人們認為“遺傳算法、自適應系統、細胞自動機、混沌理論與人工智能一樣，都是對今后十年的計算技術有重大影響的關鍵技術?！边z傳算法的概念最早是由BagleyJ.D在1967年提出的；理論和方法系統性研究始于1975年，這一開創性工作是由Michigan大學的J.H.Holland所實行。當時，其主要目的是說明自然和人工系統的自適應過程。在模式識別、神經網絡、圖像處理、機器學習、工業優化控制、自適應控制、生物科學、社會科學等方面都得到應用；遺傳算法的生物學基礎1．遺傳與變異生物在自然界中的生存繁衍，顯示出了其對自然環境的優異自適應能力。世間的生物從其親代繼承特性或性狀，這種生命現象就稱為遺傳(Heredity)。遺傳信息是由基因(Gene)組成的，生物的各種性狀由其相應的基因所控制，基因是遺傳的基本單位。細胞通過分裂具有自我復制的能力，在細胞分裂的過程中，其遺傳基因也同時被復制到下一代，從而其性狀也被下一代所繼承。在進行細胞復制時，雖然概率很小，但也有可能產生某些復制差錯，從而使DNA發生某種變異(Mutation)，產生出新的染色體。這些新的染色體表現出新的性狀。通過自然選擇，優秀的基因保留下來。遺傳算法的生物學基礎2．進化生物在其延續生存的過程中，逐漸適應于其生存環境，使得其品質不斷得到改良，這種生命現象稱為進化(Evolution)。生物的進化是以群體(Population)的形式共同進行的。每一個個體對其生存環境都有不同的適應能力，這種適應能力稱為個體的適應度(Fitness)。3遺傳與進化的系統觀生物的所有遺傳信息都包含在其染色體中、染色體決定了生物的性狀。染色體是由基因及其有規律的排列所構成的，遺傳進化過程發生在染色體上。生物的繁殖過程是由其基因的復制過程來完成的。通過同源染色體之間的交叉或染色體的變異會產生新的物種，使生物呈現新的性狀。對環境適應性好的基因或染色體經常比適應性差的基因或染色體有更多的機會遺傳到下一代。遺傳算法的基本概念串(String)個體(Individual)的形式，在算法中為二進制串，并且對應于遺傳學中的染色體(Chromosome)。群體(Population)個體的集合稱為群體，串是群體的元素?；?Gene)基因是串中的元素，基因用于表示個體的特征。例如有一個串S＝1011，則其中的1，0，1，1這4個元素分別稱為基因?；蛭恢?GenePosition)一個基因在串中的位置稱為基因位置，有時也簡稱基因位?；蛭恢糜纱淖笙蛴矣嬎?，例如在串S＝1101中，0的基因位置是3?；蛭恢脤谶z傳學中的地點(Locus)?；蛱卣髦?GeneFeature)在用串表示整數時，基因的特征值與二進制數的權一致；例如在串S=1011中，基因位置3中的1，它的基因特征值為2；基因位置1中的1，它的基因特征值為8。串結構空間SS在串中，基因任意組合所構成的串的集合?；虿僮魇窃诮Y構空間中進行的。串結構空間對應于遺傳學中的基因型(Genotype)的集合。參數空間SP這是串空間在物理系統中的映射，它對應于遺傳學中的表現型(Phenotype)的集合。非線性遺傳學中的異位顯性(Epistasis)。適應度(Fitness)表示某一個體對于環境的適應程度。遺傳算法的基本實現編碼選擇交叉變異遺傳算法通過對個體編碼的操作，不斷搜索出適應度較高的個體，并在群體中逐漸增加其數量，最終尋求出問題的最優解或近似最優解。在遺傳算法中，把一個問題的可行解從其解空間轉換到遺傳算法所能處理的搜索空間的轉換方法就稱為編碼。編碼方法還決定了個體從搜索空間的基因型變換到解空間的表現型時的解碼方法，同時也影響到交叉操作、變異操作等遺傳操作的運算方法。編碼原則有意義積木塊編碼原則：應使用能易于產生與所求問題相關的但具有低階、短定義長度模式的編碼方案。最小字符集編碼原則：應使用能使問題得到自然表示或描述的具有最小編碼字符集的編碼方案。適應度遺傳算法的基本實現編碼選擇交叉變異模仿生物的遺傳和自然進化過程，對群體中的個體進行優勝劣汰操作用來確定如何從父代群體中按某種方法選取哪些個體遺傳到下一代群體中目的：避免基因缺失、提高全局收斂性和計算效率。適應度比例選擇ProportionalModel最優保存策略ElitistModel隨機聯賽選擇StochasticTournamentModel排序選擇Rank-basedModel各個個體被選中的概率與其適應度大小成正比。適應度最好的個體要盡可能地保留到下一代群體中基于個體適應度之間大小關系的選擇方法對群體中的所有個體按其適應度大小進行排序，基于這個排序來分配各個個體被選中的概率用迄今為止的最好個體替換掉當前群體中的最差個體每次從群體里選取幾個個體，適應度最高的一個個體遺傳到下一代群體中遺傳算法的基本實現編碼選擇交叉變異首先對群體中的個體進行配對。常用策略為隨機配對。對兩個相互配對的染色體按某種方式相互交換其部分基因，從而形成兩個新的個體。適應度單點交叉(One-pointCrossover)個體編碼串中只隨機設置一個交叉點，然后在該點相互交換兩個配對個體的部分染色體。雙點交叉(Two-pointCrossover)個體編碼串中隨機設置了兩個交叉點，然后再進行部分基因交換。多點交叉(Multi-pointCrossover)多點交叉是指在個體編碼串中隨機設置了多個交叉點，然后進行基因交換。算術交叉(ArithmeticCrossover)操作對象一般是由浮點數編碼所表示的個體，兩個個體的線性組合產生出兩個新的個體。經驗交叉(HeuristicCrossover)經驗交叉是惟一一個用到適應度信息的操作，它產生父類個體的線性外插。

遺傳算法的基本實現編碼選擇交叉變異變異是指將個體染色體編碼串中的某些基因座上的基因值用該基因座的其他等位基因來替換，從而形成一個新的個體。適應度基本位變異(SimpleMutation)均勻變異(UniformMutation)分別用符合某一范圍內均勻分布的隨機數，以某一較小的概率來替換個體編碼串中各個基因座上的原有基因值。邊界變異(BoundaryMutation)隨機地取基因座的二個對應邊界基因值之一去替代原有基因值。非均勻變異(Non-uniformMutation)對每個基因座都以相同的概率進行變異運算之后，相當于整個解向量在解空間中作了一個輕微的變動。多點非均勻變異(Multi-non-uniformMutation)非均勻變異操作的一個變形遺傳算法。遺傳算法的基本實現編碼選擇交叉變異遺傳算法在進化搜索中基本上不用外部信息，僅用目標函數即適應度函數為依據。在具體應用中，適應度函數的設計要結合求解問題本身的要求而定。適應度函數評估是選擇操作和某些交叉操作和變異交叉的基礎的依據。適應度函數直接影響到遺傳算法的性能。適應度遺傳算法實現的基本步驟

交叉對于選中用于繁殖下一代的個體，隨機地選擇兩個個體的相同位置，按交叉概率P在選中的位置實行交換。這個過程反映了隨機信息交換；目的在于產生新的基因組合，也即產生新的個體。交叉時，可實行單點交叉或多點交叉。一般而言，交叉概率P取值為0.25～0.75。全局最優收斂當最優個體的適應度達到給定的閥值，或者最優個體的適應度和群體適應度不再上升時，則算法的迭代過程收斂、算法結束。否則，用經過選擇、交叉、變異所得到的新一代群體取代上一代群體，并返回到第（2）步即選擇操作處繼續循環執行。變異根據生物遺傳中基因變異的原理，以變異概率Pm對某些個體的某些位執行變異。在變異時，對執行變異的串的對應位求反，即把1變為0，把0變為1。變異概率Pm與生物變異極小的情況一致，所以，Pm的取值較小，一般取0.01～0.2。遺傳算法的特點是一類可用于復雜系統優化計算的魯棒搜索算法，有下述幾個特點：遺傳算法以決策變量的編碼作為運算對象遺傳算法直接以目標函數值作為搜索信息遺傳算法僅使用由目標函數值變換來的適應度函數值，避開了目標函數求導的障礙。直接利用個體適應度，把搜索范圍集中到適應度較高的部分搜索空間中，提高了搜索效率。遺傳算法同時使用多個搜索點的搜索信息傳統的優化算法往往是單個搜索點，搜索過程易陷于局部最優解而停滯不前。遺傳算法從由很多個體所組成的群體開始最優解的搜索過程，這是其所特有的一種隱含并行性。遺傳算法使用概率搜索技術傳統的優化算法往往使用的是確定性的搜索方法，一個搜索點到另一個搜索點的轉移有確定的轉移方法和轉移關系。遺傳算法屬于一種自適應概率搜索技術，其選擇、交叉、變異等運算都是以一種概率的方式來進行的，從而增加了其搜索過程的靈活性。遺傳算法的應用遺傳算法提供了一種求解復雜系統優化問題的通用框架，對問題的種類有很強的魯棒性，所以廣泛應用于很多學科。其應用的基礎理論是圖式定理。圖式(Scheme)一個基因串用符號集{0，1，*}表示，則稱為一個因式；其中*可以是0或1。例如：H=1xx0xx是一個圖式。圖式的階和長度圖式中0和1的個數稱為圖式的階，并用0(H)表示。圖式中第1位數字和最后位數字間的距離稱為圖式的長度，并用δ(H)表示。對于圖式H＝1xx0xx，有0(H)＝2，δ(H)＝4。Holland圖式定理低階，短長度的圖式在群體遺傳過程中將會按指數規律增加。當群體的大小為n時，每代處理的圖式數目為0(n3)。遺傳算法這種處理能力稱為隱含并行性(ImplicitParallelism)。它說明遺傳算法其內在具有并行處理的特質。遺傳算法的應用遺傳算法在應用中最關鍵的問題有如下3個：（1）串的編碼方式這本質是問題編碼。一般把問題的各種參數用二進制編碼，構成子串；然后把子串拼接構成“染色體”串。串長度及編碼形式對算法收斂影響極大。（2）適應函數的確定適應函數(FitnessFunction)也稱對象函數(ObjectFunction)，這是問題求解品質的測量函數；往往也稱為問題的“環境”。一般可以把問題的模型函數作為對象函數；但有時需要另行構造。（3）遺傳算法自身參數設定遺傳算法自身參數有3個，即群體大小n、交叉概率Pc和變異概率Pm。群體大小n太小時難以求出最優解，太大則增長收斂時間。一般n＝30-160。交叉概率Pc太小時難以向前搜索，太大則容易破壞高適應值的結構。一般取Pc=0.25-0.75。變異概率Pm太小時難以產生新的基因結構，太大使遺傳算法成了單純的隨機搜索。一般取Pm＝0.01—0.2。遺傳算法總結遺傳算法雖然可以在多種領域都有實際應用，并且也展示了它潛力和寬廣前景。遺傳算法的不足：在變量多，取值范圍大或無給定范圍時，收斂速度下降可找到最優解附近，但無法精確確定最優解位置遺傳算法的參數選擇尚未有定量方法遺傳算法有待解決的問題：數學基礎理論、硬件化的遺傳算法、通用編程和形式等。主要內容遺傳算法的基本原理8.18.28.3遺傳算法在加熱爐控制系統建模中的應用遺傳算法在模糊控制器設計中的應用8.4遺傳算法在神經網絡控制器設計中的應用8.5其他現代優化方法遺傳算法在加熱爐控制系統建模中的應用以冶金行業中使用的某型號兩段式步進梁式加熱爐為例加熱爐可分為4段：爐尾段、預熱段、加熱段、均熱段。1表示上預熱帶，2表示上加熱帶，3表示上均熱帶，4表示下預熱帶，5表示下加熱帶，6表示下均熱帶。在加熱爐入口側，裝鋼機將板坯裝入加熱爐內，當板坯溫度滿足軋制溫度時，出口側的抽鋼機動作將板坯抽出加熱爐。遺傳算法在加熱爐控制系統建模中的應用加熱爐本身是一個非常復雜的系統，加熱爐模型有如下特點：系統多輸入多輸出：具有空氣、燃料12路輸入、溫度6路輸出。強互耦：加熱爐下游環節受上游環節的影響，例如：加熱爐預熱段在理論上受其他各段的影響，因為其他各段的燃燒廢氣都要從本段排出。典型的非線性：加熱爐系統具有眾多的典型非線性環節，例如各閥門特性、閥門到噴嘴的之間的燃料、空氣流動引起的純滯后、閥門噴嘴到熱電偶純滯后等。多種強干擾：火焰形狀不確定，飄忽不定的火焰對于熱電偶溫度測量是一種隨機干擾，造成各段測量溫度振蕩劇烈。加熱爐裝鋼、抽鋼也是一種有色噪聲干擾。各種模型的計算誤差：加熱爐內所能測量的只有各段局部點溫度，加熱爐其他點的溫度均依靠模型計算得到；加熱爐內各段均有多塊板坯，各板坯溫度依靠模型計算得到，計算本身有一定的誤差，這些因素造成加熱爐對象模型一定的誤差。大滯后：加熱爐本身是大滯后系統，滯后量有十幾分鐘。分布參數：加熱爐各段溫度分布是不均勻的，整個空間是一個三維的溫度場，具有明顯的分布參數特點。時變系統：加熱爐對象隨時間推移，模型參數、結構均會發生一定的變化，造成這種變化的原因是多方面的，例如：爐體不同的溫度、不同的板坯、非線性等，均影響系統的模型結構和參數。因為加熱爐對象有如此眾多的非線性、干擾、耦合等因素，加熱爐對象建模是一項非常困難的事。遺傳算法建模原理采用遺傳算法來建立常微分方程組建模的困難模型結構形式難以選擇；即使是模型結構確定之后，由于其參數選取不當，仍會導致所建立的系統不穩定。以傳統的設計方法為基礎，提出應用遺傳算法優化模型結構，并且在遺傳建模的每一代采用遺傳算法優化模型參數，進而與數據的預處理、模型的簡潔化和規范化、系統的預測等輔助步驟相結合可實現常微分方程組的建模。利用遺傳算法可實現動態系統的常微分方程組建模過程自動化，該算法能在合理運行時間內由計算機自動發現多個較優的常微分方程組模型，和現有的建模方法（如灰色系統方法）相比較，它具有建模過程智能化與自動化、模型結構更加靈活多樣、方法適用性更廣、數據擬合和預測的精度更高等優點。加熱爐對象的遺傳算法建模通過所采集的現場數據，并定義模型變量、模型結構，通過大量加熱爐遺傳算法建模實驗來尋找模型輸入、輸出之間的關系。模型變量包括模型輸入、輸出變量。模型輸入變量x1預熱帶上部燃氣流量x2預熱帶下部燃氣流量x3加熱帶上部燃氣流量x4加熱帶下部燃氣流量x5均熱帶上部燃氣流量x6均熱帶下部燃氣流量x7預熱帶板坯吸熱能力x8加熱帶板坯吸熱能力x9均熱帶板坯吸熱能力y1(t-1)前一時刻預熱帶上部溫度y2(t-1)前一時刻預熱帶下部溫度y3(t-1)前一時刻加熱帶上部溫度y4(t-1)前一時刻加熱帶下部溫度y5(t-1)前一時刻均熱帶上部溫度y6(t-1)前一時刻均熱帶下部溫度模型輸出變量y1(t)當前時刻預熱帶上部溫度y2(t)當前時刻預熱帶下部溫度y3(t)當前時刻加熱帶上部溫度y4(t)當前時刻加熱帶下部溫度y5(t)當前時刻均熱帶上部溫度y6(t)當前時刻均熱帶下部溫度假設模型結構y1(t)=f1(x1,x2,x3,x4,x5,x6,x7,x8,x9,y1(t-1),y2(t-1),y3(t-1),y4(t-1),y5(t-1),y6(t-1))y2(t)=f2(x1,x2,x3,x4,x5,x6,x7,x8,x9,y1(t-1),y2(t-1),y3(t-1),y4(t-1),y5(t-1),y6(t-1))y3(t)=f3(x3,x4,x5,x6,x8,x9,y3(t-1),y4(t-1),y5(t-1),y6(t-1))y4(t)=f4(x3,x4,x5,x6,x8,x9,y3(t-1),y4(t-1),y5(t-1),y6(t-1))y5(t)=f5(x5,x6,x9,y5(t-1),y6(t-1))y6(t)=f6(x5,x6,x9,y5(t-1),y6(t-1))遺傳算法建模實驗及仿真驗證取前800組數據進行遺傳算法建模，得到模型后再對后600組數據進行預測，考察模型的外推性。得到的建模效果用擬合誤差和預測誤差來度量。所建模型如下：1、預熱帶上部溫度模型結構：y1(i,1)=1000*((18.805/(((x8(i,1)+(-15.553))*(x1(i,1)-(-16.187)))-((-48.623)-(x1(i,1)*(-19.890)))))+1.225413)；預熱帶上部溫度仿真遺傳算法建模實驗及仿真驗證2、預熱帶下部溫度模型結構：y2(i,1)=1000*(((((x8(i,1)/(-2.059))-(13.495-x3(i,1)))/6.558)/13.908)+1.225992)；3、加熱帶上部溫度模型結構：y3(i,1)=1000*((((5.680-x4(i,1))+(-6.282))/((x8(i,1)*2.000)*(-12.904)))+1.226543)；預熱帶下部溫度仿真加熱帶上部溫度仿真遺傳算法建模實驗及仿真驗證4、加熱帶下部溫度模型結構：y4(i,1)=1000*((((x3(i,1)-0.159)*((y3(i-1,1)-1.226543)/x9(i,1)))/((x5(i,1)/x4(i,1))+(1.847-(y5(i-1,1)-1.227660))))+1.227092)；5、均熱帶上部溫度模型結構：y5(i,1)=1000*((((y6(i-1,1)-1.228157)*(y6(i-1,1)-1.228157))*(x5(i,1)*x6(i,1)))+1.227660)；加熱帶下部溫度仿真均熱帶上部溫度仿真遺傳算法建模實驗及仿真驗證6、均熱帶下部溫度模型結構：y6(i,1)=1000*(((-0.044)/(x5(i,1)+0.254))+1.228157)；均熱帶下部溫度仿真結論利用遺傳算法建立加熱爐對象模型是一種探索性的研究，遺傳算法本身是一種發展中的技術?？梢钥闯觯哼z傳算法建模適用的范圍廣，建模具有一定的精度，是一種很有前途的技術。另外，目前遺傳算法建模發展還不是很成熟，建模過程中存在模型結構不確定、模型難解釋等問題。主要內容遺傳算法的基本原理8.18.28.3遺傳算法在加熱爐控制系統建模中的應用遺傳算法在模糊控制器設計中的應用8.4遺傳算法在神經網絡控制器設計中的應用8.5其他現代優化方法遺傳算法在模糊控制器設計中的應用在工業過程控制中存在著大量復雜的不確定系統，而人們對控制性能的要求卻不斷提高。傳統的控制理論是依靠精確的數學模型來實現對控制系統的設計的，因此常常不能得到理想的控制效果。模糊控制中，控制量的大小僅決定于系統的狀態，而與模型無關，因此也就成了人們研究的熱點。隸屬度函數的細化及比例因子的選擇在模糊控制中是一個很關鍵的因素。在基于合成推理方法的設計中，近年來人們提出了基于BP算法的多層前饋人工神經網絡來記憶和優化模糊推理規則，得到了很好的效果。但是當目標函數不可微時便無法用BP算法實現隸屬度函數的細化和比例因子的尋優，而GA是用適應度函數來進行評價的，它不要求適應度函數的可微性，因此可以用來進行模糊控制器的設計。遺傳算法在模糊控制器設計中的應用

遺傳算法在模糊控制器設計中的應用

ENBNMNSZEPSPMPBECNBNBNBNMNMNSNSNENMNBNMNMNSNSZEPSNSNMNMNSNSZEPSPSZENMNSNSZEPSPSPMPSNSNSZEPSPSPMPMPMNSZEPSPSPMPMPBPBZEPSPSPMPMPBPB本控制器所采用的模糊控制規則模糊控制規則的基本思想是：若當前輸出誤差為負且仍向負的方向發展時，則減小控制量；若當前輸出誤差為正且仍向正的方向發展時，則增加控制量。根據誤差及誤差變化的不同，分別進行不同的修正。遺傳算法在模糊控制器設計中的應用遺傳算法設置： N1=10，N3=30，Pc=0.9，Pm=0.001，采用二進制編碼和單點交換法。依遺傳算法的原理，進行以下幾個方面的改進和特殊處理對解進行編碼

遺傳算法在模糊控制器設計中的應用對解進行尋優按下面的方法對GA進行改進并設計模糊控制器：（1)用初始解構成一條染色體，然后對這條染色體的參數加或減很小的隨機數，產生N1條染色體，分別以其作為解構造模糊控制器應用到系統中。選擇某一穩定時刻T，計算各自輸出誤差ei，對每條染色體定義一個表示其“壽命”的變量age，并賦予初始值1。（2)根據每個解的誤差，分別計算其適應度函數fi，定義fi=1/(ei-a*emin)，其中，a為0.8～0.9，emin為N1個解中的最小誤差。設每個解應復制的數目為ni，這樣定義適應度函數，能保證當染色體群集表示的解構成的模糊控制器，其輸出誤差變化比較小時，它們的適應度值都有比較大的差異，以利于性能較優的染色體有更多的復制機會。（3)產生新的染色體以交換概率Pc，從N2條染色體中隨機地選擇兩條染色體進行交換操作；以變異概率Pm，隨機地選擇一條染色體進行變異，即隨機地對某個基因位求反。反復進行，直到產生的染色體數目為N3。（4)將上一代性能最好的一個，加入到N3中去，形成N3+1條染色體，對新的染色體集進行評價，若有滿足問題的解，則結束；否則，計算各自的適應度值fi。為防止“近親繁殖”而出現退化或早熟的現象，對于兩個很“相似”的染色體（兩個解向量之間的空間距離很小），僅保留適應度值大的一個。經過這樣的選擇，若剩余的染色體少于N1，則按1)的方法，產生新的染色體；否則，保留性能最優的N1個作為新的一代。（5)保存群體中性能最優的解，并對最優解的age進行加1操作。加1后如果其值大于10，則把它作為局部最優解從染色體群中刪去，以加快系統的收斂速度。（6)達到一定數目代的進化，則結束；否則，返回到2)繼續。遺傳算法在模糊控制器設計中的應用通過給定系統的E，EC，△U語言值隸屬度函數初始狀態，其中：eq=kee，ecq=kec，△u=△u/k。初始狀態相應的比例因子選擇為：ke=3，kec=20，ku=105。對式(8-12)描述的模型進行仿真，經過100代，選擇輸出誤差最小的解，用它構造模糊控制器，得到相應的隸屬度函數曲線，取比例因子為：ke=3.1143，kec=19.8539，ku=0.2670。從得出的系統對于單位階躍函數的響應特性可得出結論如下：采用改進的GA設計的模糊控制器比傳統方法設計的控制器上升時間要小一個數量級。對式(8-13)描述的模型進行仿真，經過100代，選擇輸出誤差最小的解，用它構造模糊控制器，得到相應的隸屬度函數曲線，取比例因子為：ke=218496，kec=2015260，ku=010613，通過數字仿真可以得到結論如下：采用改進的GA設計的模糊控制器比傳統方法設計的控制器的超調量要小，調節時間也要小。將遺傳算法應用到模糊控制器的設計中可使系統具有良好的動態品質。由于遺傳算法處理的是字符串，因此非常適合于模糊控制規則的自校正和量化因子的尋優，克服了在傳統設計中僅僅依靠操作者的經驗或專業人員的理論知識，造成設計過程不僅費時而且設計的控制器缺乏適應性這一缺陷。主要內容遺傳算法的基本原理8.18.28.3遺傳算法在加熱爐控制系統建模中的應用遺傳算法在模糊控制器設計中的應用8.4遺傳算法在神經網絡控制器設計中的應用8.5其他現代優化方法遺傳算法在神經網絡控制器設計中的應用神經網絡為什么需要遺傳算法遺傳算法適用于ANN結構設計。描述一個ANN模型結構的主要參數有：網絡層數、每層單元數、單元間的互聯方式等。ANN結構設計問題歸結于根據某個性能評價準則確定適合于解決某個問題或某類問題的參數的組合。當待解決的問題比較復雜時，設計缺乏通用規則，缺乏有效的理論分析技術優化網絡的性能。遺傳算法以啟發式的思想提供了有效的解決途徑。遺傳算法適用于ANN網絡權重的學習。評價一個學習算法的標準是：簡單性、可塑性和有效性。遺傳算法具有魯棒性強、隨機性、全局性以及適于并行處理的優點，能夠取代一些傳統的學習算法，利用GA的尋優能力來獲取最佳聯接權值。遺傳算法在神經網絡中的應用網絡的學習網絡的結構設計1．遺傳算法在網絡學習中的應用遺傳算法在兩個方面起作用：(1)學習規則的優化。用遺傳算法對神經網絡學習規則實現自動優化，從而提高學習速率。(2)網絡權系數的優化。用遺傳算法的全局優化及隱含并行性的特點提高權系數優化速度。遺傳算法在神經網絡中的應用主要反映在3個方面遺傳算法在神經網絡中的應用網絡的學習網絡的結構設計2．遺傳算法在網絡結構設計中的應用用遺傳算法設計一個優秀的神經網絡結構，首先是要解決網絡結構的編碼問題；然后才能以選擇、交叉、變異操作得出最優結構。主要有下列3種：(1)直接編碼法。這是把神經網絡結構直接用二進制串表示，在遺傳算法中，“染色體”實質上和神經網絡是一種映射關系。通過對“染色體”的優化就實現了對網絡的優化。(2)參數化編碼法。參數化編碼采用的編碼較為抽象，編碼包括網絡層數、每層神經元數、各層互聯方式等信息。一般對進化后的優化“染色體”進行分析，然后產生網絡的結構。(3)繁衍生長法。這種方法不是在“染色體”中直接編碼神經網絡的結構，而是把一些簡單的生長語法規則編碼入“染色體”中；然后，由遺傳算法對這些生長語法規則不斷進行改變，最后生成適合所解的問題的神經網絡。這種方法與自然界生物地生長進化相一致。遺傳算法在神經網絡中的應用主要反映在3個方面主要內容遺傳算法的基本原理8.18.28.3遺傳算法在加熱爐控制系統建模中的應用遺傳算法在模糊控制器設計中的應用8.4遺傳算法在神經網絡控制器設計中的應用8.5其他現代優化方法其他現代優化方法現代優化算法主要包括蟻群算法、禁忌搜索算法等。由于這些算法在求解時不依賴于梯度信息，因而特別適用于傳統方法解決不了的大規模復雜問題。

蟻群算法基本思想1蟻群算法

蟻群算法是意大利