论文部分内容阅读
【摘 要】 随着现代科学技术的不断发展，自动控制在生产活动中的应用越来越广泛，自动控制能够帮助人们解决许多过去无法解决的问题，但算法相对较为复杂。遗传算法在自动控制领域的应用为自动控制带去了新的发展，提高了自动化控制对算法的处理速度。本文分析了遗传算法在自动控制领域中的应用。
【关键词】 遗传算法；自动控制；应用
引言：
随着时代的不断发展，现代化先进科学技术在数学、物理学、化学、社会科学、生物科学、经济学、计算机科学等多门学科相互交错、相互渗透、相互影响，在这种情况下，遗传算法迅速发展起来。智能机器人的制造一直是人类研究的主要目标，为此，人类付出很多努力。伴随着科学技术的不断发展，智能技术在各个领域中的广泛应用，使传统以符号处理机制的人工智能方法受到人们的怀疑，因此遗传算法受到人们的普遍关注。
1、遗传算法概述
遗传算法，就是大家常说的GA，它是根据达尔文的生物进化论得出的一种优化算法，通过自然选择和生物遗传学机理进行计算，根据适者生存、优胜劣汰的原则，对种群遗传算子进行选择、交叉和变异。问题的解可以表示为种群中的个体，所以解构成种群。把各解放置于问题环境中去，根据进化论的适者生存、优胜劣汰，对各个解进行交叉、变异，最后形成一个新种群；持续新种群的发展，最后就会得到一个与问题环境保持一致的个体，从而科学合理的解决问题。在遗传算法中，选择、交叉和变异是主要步骤。选择是从群体中选择能和环境一致的个体，然后对该个体进行培养，也叫做再生；交叉是对选择进行优化的，因为选择出的个体并不一定是最优的，所以需要进行交叉以使个体成为最优新个体；变异则是模仿了遗传基因中的突变现象，在选择的个体中对某些基因进行反操作。在这三个步骤中进行重复操作，当个体的适应度达到给定的限度时停止操作；或者是当个体适应度不在发生变化时，停止操作。
2、遗传算法的优势和不足
2.1、优势
新型遗传算法在与其他搜索算法相比时，具有更多的优势，如自动组织的能力、自适应性自学习能力强，鲁棒性也比较的突出等，同时还具有其他没有的特点，具体为：（1）在GA进行参数编码操作的时候，并不是直接针对参数进行操作，而是减少参数的限定条件，如可导性、单峰性或者是连续性；（2）GA在进行搜索時，站点比较多，从而克服了局部优解的缺陷；（3）GA进行搜索时采用适应度函数，对于相关的推导、附加信息不在需要，减少了问题依赖性；（4）GA在进行寻优时是通过概率性来完成的。虽然GA具有了这么的优势与重要性，可是人们还在不断的对它进行改进，如在选择的事后，采用精英选择、竞争选择和稳态选择机制；在变异的时候采用两点多点和一致变进行；编码过程中运用了格雷码和动态码，改进了传统编码的缺陷；对GA控制参数也采用自适应技术，有效的克服了多样性和收敛性不均衡的问题。
2.2、不足
一直以来，遗传算法在实际应用中的不足主要体现在两个方面，一是针对某一些具体问题时，遗传算法时间较长；二是遗传算法在应用过程中，容易产生一种早熟的现象。遗传算法作为一种随机算法，具有一定的随机性。因此，在解决具体问题时，影响遗传算法的不同参考数据是很难进行确定的，最佳编码方案也是无法选择的，这直接影响着遗传算法的执行速率与效果。而对于遗传算法的早熟问题，是指当染色体进行交叉或者变异时，由于很难再产生优秀的子代染色体，这时就容易发生早熟现象。在现实中，遗传算法早熟这种象现经常发生，主要用于某一种群的快速繁衍。
3、遗传算法在自动控制领域中的应用
3.1、系统辨识
在自动控制领域中，系统辨识是设计的基础。传统的辨识方式通常都是先把模型结构给确定好，再把模型的参数给确定好，在确定这些系统结构的时候往往要具备许多先验知识，如果结构出现不理想状态，就必须要对结构重新进行确定，然后对参数进行辨识，这就使得系统辨识比较复杂。而遗传算法的运用就改变了这一复杂化程度，它可以是连续的，能够对参数空间的不同区域进行搜索，并把这些搜索的方向指向更加优解的区域。遗传算法可以对空间中的多个点进行同时处理和搜索，增加了全局优解的效果。同时，遗传算法在模型的线性化与降价处理中应用的也比较广泛，它可以对全局最优的名义模型和加性或乘性不确定性误差界函数进行同时辨识，对那些连续以及离散系统进行处理，在控制基因中引入遗传算法并作为结构开关，可以对模型的阶次以及参数进行同时优化，既适用于时域问题又适用于频域模型。
3.2、非线性系统
事实上，在控制系统设计过程中，有许多问题都可以纳人到优化系统中去，这些问题在实际处理中呈现出非线性的特点，不同的参数组合方式其实际得到的结果却有可能是相同的。传统的控制存在输人值敏感等问题，遗传算法在非线性控制中的使用，设计出了自动化的方法，不仅满足了多方面的要求，在对非线性对象的线性控制设计方面也取得了良好的效果。
3.3、遗传算法在神经网络中的应用
神经网络用于控制系统时，多采用多层前向神经网络模型。当采用普通算法对神经网络进行训练时，对时变系统的训练很难达到较高精度。此外，由于算法属于梯度算法，容易陷入局部极小。采用遗传算法训练的神经网络，不但具有神经网络自身的特点还具备了较强的自我学习能力以及快速收敛能力。
3.4、模糊控制系统
一般的控制理论都能够对数据模型系统进行较好的处理，在这一点上传统的控制方法和现代的控制理论大相近庭。但是事实上，每个数据系统是不可能完全精准的，或多或少都存在一些模糊值，这些模糊值大大增加了数据操作的难度。而模糊控制系统中的模糊推理方法能够在缺少模型估计的情况下有效的建立起一个控制系统，有效解决了这一难题。首先将模糊的语言信息预先输人到系统中，然后根据人的经验和方法进行建模。在传统的工作中，模糊规则的制定和调整是一项非常艰巨的任务，往往需要专家进行大规模和长时间的研究。现在将遗传算法应用到了模糊控制中，有效提升了模糊控制系统的静态和动态的性能，大大提高了模糊算法的工作效率。
在遗传算法基础上建立的模糊控制器是一项新的技术，该技术有效的将遗传算法、模糊控制以及神经元网络有效的结合在了一起，使用遗传算法的优化函数现实了模糊控制的功能。
4、对遗传算法在自动控制领域应用的展望
随着科学技术的不断发展，遗传算法也得到了很大的发展，在各个领域被广泛的应用。但是目前传统的遗传算法就有很多各种不足。首先，传统遗传算法很容易产生早熟现象以及局部寻优能力较差等问题，还有如果种群的规模较大，适应度函数复杂的情况下，整个算法的计算过程进展很缓慢，难道达到计算速度的要求。基于遗传算法的各种控制理论和技术正在不断的趋于完善，必将对人工智能等带来深远的影响。
结束语：
随着现代科学技术的不断发展，自动化控制技术将会迎来全新的发展，而遗传算法作为优化自动控制的重要方法，也将会发挥出更大的作用。遗传算法在自动控制领域的应用既是一个老课题，也将会是一个新问题，需要科研人员不断深人研究和探索。
参考文献：
[1]杨智民，王旭，庄显义.遗传算法在自动控制领域中的应用综述[J].信息与控制，2000，04：329-339.
[2]龚玲.遗传算法在自动控制领域中的应用综述[J].无线互联科技，2013，06：183.
[3]赵硕伟，杨振元.遗传算法在自动控制领域中的应用综述[J].电子制作，2013，19：63.
[4]赵兴娜，李文振.遗传算法在自动控制领域的应用分析[J].科技致富向导，2013，08：33.
[5]封淑玲.遗传算法在自动控制领域中的应用[J].硅谷，2011，10：146+195.
【关键词】 遗传算法；自动控制；应用
引言：
随着时代的不断发展，现代化先进科学技术在数学、物理学、化学、社会科学、生物科学、经济学、计算机科学等多门学科相互交错、相互渗透、相互影响，在这种情况下，遗传算法迅速发展起来。智能机器人的制造一直是人类研究的主要目标，为此，人类付出很多努力。伴随着科学技术的不断发展，智能技术在各个领域中的广泛应用，使传统以符号处理机制的人工智能方法受到人们的怀疑，因此遗传算法受到人们的普遍关注。
1、遗传算法概述
遗传算法，就是大家常说的GA，它是根据达尔文的生物进化论得出的一种优化算法，通过自然选择和生物遗传学机理进行计算，根据适者生存、优胜劣汰的原则，对种群遗传算子进行选择、交叉和变异。问题的解可以表示为种群中的个体，所以解构成种群。把各解放置于问题环境中去，根据进化论的适者生存、优胜劣汰，对各个解进行交叉、变异，最后形成一个新种群；持续新种群的发展，最后就会得到一个与问题环境保持一致的个体，从而科学合理的解决问题。在遗传算法中，选择、交叉和变异是主要步骤。选择是从群体中选择能和环境一致的个体，然后对该个体进行培养，也叫做再生；交叉是对选择进行优化的，因为选择出的个体并不一定是最优的，所以需要进行交叉以使个体成为最优新个体；变异则是模仿了遗传基因中的突变现象，在选择的个体中对某些基因进行反操作。在这三个步骤中进行重复操作，当个体的适应度达到给定的限度时停止操作；或者是当个体适应度不在发生变化时，停止操作。
2、遗传算法的优势和不足
2.1、优势
新型遗传算法在与其他搜索算法相比时，具有更多的优势，如自动组织的能力、自适应性自学习能力强，鲁棒性也比较的突出等，同时还具有其他没有的特点，具体为：（1）在GA进行参数编码操作的时候，并不是直接针对参数进行操作，而是减少参数的限定条件，如可导性、单峰性或者是连续性；（2）GA在进行搜索時，站点比较多，从而克服了局部优解的缺陷；（3）GA进行搜索时采用适应度函数，对于相关的推导、附加信息不在需要，减少了问题依赖性；（4）GA在进行寻优时是通过概率性来完成的。虽然GA具有了这么的优势与重要性，可是人们还在不断的对它进行改进，如在选择的事后，采用精英选择、竞争选择和稳态选择机制；在变异的时候采用两点多点和一致变进行；编码过程中运用了格雷码和动态码，改进了传统编码的缺陷；对GA控制参数也采用自适应技术，有效的克服了多样性和收敛性不均衡的问题。
2.2、不足
一直以来，遗传算法在实际应用中的不足主要体现在两个方面，一是针对某一些具体问题时，遗传算法时间较长；二是遗传算法在应用过程中，容易产生一种早熟的现象。遗传算法作为一种随机算法，具有一定的随机性。因此，在解决具体问题时，影响遗传算法的不同参考数据是很难进行确定的，最佳编码方案也是无法选择的，这直接影响着遗传算法的执行速率与效果。而对于遗传算法的早熟问题，是指当染色体进行交叉或者变异时，由于很难再产生优秀的子代染色体，这时就容易发生早熟现象。在现实中，遗传算法早熟这种象现经常发生，主要用于某一种群的快速繁衍。
3、遗传算法在自动控制领域中的应用
3.1、系统辨识
在自动控制领域中，系统辨识是设计的基础。传统的辨识方式通常都是先把模型结构给确定好，再把模型的参数给确定好，在确定这些系统结构的时候往往要具备许多先验知识，如果结构出现不理想状态，就必须要对结构重新进行确定，然后对参数进行辨识，这就使得系统辨识比较复杂。而遗传算法的运用就改变了这一复杂化程度，它可以是连续的，能够对参数空间的不同区域进行搜索，并把这些搜索的方向指向更加优解的区域。遗传算法可以对空间中的多个点进行同时处理和搜索，增加了全局优解的效果。同时，遗传算法在模型的线性化与降价处理中应用的也比较广泛，它可以对全局最优的名义模型和加性或乘性不确定性误差界函数进行同时辨识，对那些连续以及离散系统进行处理，在控制基因中引入遗传算法并作为结构开关，可以对模型的阶次以及参数进行同时优化，既适用于时域问题又适用于频域模型。
3.2、非线性系统
事实上，在控制系统设计过程中，有许多问题都可以纳人到优化系统中去，这些问题在实际处理中呈现出非线性的特点，不同的参数组合方式其实际得到的结果却有可能是相同的。传统的控制存在输人值敏感等问题，遗传算法在非线性控制中的使用，设计出了自动化的方法，不仅满足了多方面的要求，在对非线性对象的线性控制设计方面也取得了良好的效果。
3.3、遗传算法在神经网络中的应用
神经网络用于控制系统时，多采用多层前向神经网络模型。当采用普通算法对神经网络进行训练时，对时变系统的训练很难达到较高精度。此外，由于算法属于梯度算法，容易陷入局部极小。采用遗传算法训练的神经网络，不但具有神经网络自身的特点还具备了较强的自我学习能力以及快速收敛能力。
3.4、模糊控制系统
一般的控制理论都能够对数据模型系统进行较好的处理，在这一点上传统的控制方法和现代的控制理论大相近庭。但是事实上，每个数据系统是不可能完全精准的，或多或少都存在一些模糊值，这些模糊值大大增加了数据操作的难度。而模糊控制系统中的模糊推理方法能够在缺少模型估计的情况下有效的建立起一个控制系统，有效解决了这一难题。首先将模糊的语言信息预先输人到系统中，然后根据人的经验和方法进行建模。在传统的工作中，模糊规则的制定和调整是一项非常艰巨的任务，往往需要专家进行大规模和长时间的研究。现在将遗传算法应用到了模糊控制中，有效提升了模糊控制系统的静态和动态的性能，大大提高了模糊算法的工作效率。
在遗传算法基础上建立的模糊控制器是一项新的技术，该技术有效的将遗传算法、模糊控制以及神经元网络有效的结合在了一起，使用遗传算法的优化函数现实了模糊控制的功能。
4、对遗传算法在自动控制领域应用的展望
随着科学技术的不断发展，遗传算法也得到了很大的发展，在各个领域被广泛的应用。但是目前传统的遗传算法就有很多各种不足。首先，传统遗传算法很容易产生早熟现象以及局部寻优能力较差等问题，还有如果种群的规模较大，适应度函数复杂的情况下，整个算法的计算过程进展很缓慢，难道达到计算速度的要求。基于遗传算法的各种控制理论和技术正在不断的趋于完善，必将对人工智能等带来深远的影响。
结束语：
随着现代科学技术的不断发展，自动化控制技术将会迎来全新的发展，而遗传算法作为优化自动控制的重要方法，也将会发挥出更大的作用。遗传算法在自动控制领域的应用既是一个老课题，也将会是一个新问题，需要科研人员不断深人研究和探索。
参考文献：
[1]杨智民，王旭，庄显义.遗传算法在自动控制领域中的应用综述[J].信息与控制，2000，04：329-339.
[2]龚玲.遗传算法在自动控制领域中的应用综述[J].无线互联科技，2013，06：183.
[3]赵硕伟，杨振元.遗传算法在自动控制领域中的应用综述[J].电子制作，2013，19：63.
[4]赵兴娜，李文振.遗传算法在自动控制领域的应用分析[J].科技致富向导，2013，08：33.
[5]封淑玲.遗传算法在自动控制领域中的应用[J].硅谷，2011，10：146+195.