龔玲

摘 要：當(dāng)前，許多控制領(lǐng)域問題，當(dāng)考慮到系統(tǒng)優(yōu)化、自適應(yīng)、自學(xué)習(xí)以及自組織等方面的要求時，多存在很多常規(guī)方法難以奏效的困難。而遺傳算法在自動控制領(lǐng)域中的應(yīng)用已經(jīng)得到了良好效果。如遺傳算法進(jìn)行航空控制系統(tǒng)的優(yōu)化、使用遺傳算法設(shè)計空間交會控制器以及運(yùn)用遺傳算法進(jìn)行人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)化設(shè)計和權(quán)值學(xué)習(xí)等都顯示出了遺傳算法在自動控制領(lǐng)域中應(yīng)用的可能性。本文就對遺傳算法在自動控制領(lǐng)域中的應(yīng)用做一些探討。

關(guān)鍵詞：遺傳算法；自動控制；應(yīng)用綜述

遺傳算法是一類借鑒生物界的適者生存和優(yōu)勝劣汰遺傳機(jī)制的進(jìn)化規(guī)律演變而來的隨機(jī)化搜索方式。它是由美國J·Holland教授于1975年提出的，遺傳算法的主要特征就是對結(jié)構(gòu)對象進(jìn)行直接操作，不存在求異和函數(shù)連續(xù)性的限定，具有內(nèi)在的隱并性和更好的全局尋優(yōu)能力，它采用概率化的尋優(yōu)方式，可以自動獲取以及指導(dǎo)優(yōu)化的搜索空間，自適應(yīng)地對搜索方向進(jìn)行調(diào)整而不需要確定的規(guī)則。遺傳算法的這些性質(zhì)已經(jīng)被人們廣泛應(yīng)用于自動控制領(lǐng)域當(dāng)中，它是自動控制領(lǐng)域中的關(guān)鍵技術(shù)之一。

1 遺傳算法在自動控制領(lǐng)域中的應(yīng)用

在自動控制領(lǐng)域中，遺傳算法可以分為離線設(shè)計分析以及在線自適應(yīng)調(diào)節(jié)兩大類。其中離線設(shè)計分析又可以分為兩類，即直接設(shè)計與間接設(shè)計法。遺傳算法在直接設(shè)計法當(dāng)中可以作為一個搜索與優(yōu)化引擎，而在間接設(shè)計法當(dāng)中，遺傳算法可以為其提供一個比較優(yōu)化的參數(shù)如加權(quán)函數(shù)矩陣。遺傳算法在線應(yīng)用情況一般分為被用來當(dāng)作學(xué)習(xí)機(jī)制辨識未知的特征參數(shù)和直接優(yōu)化控制器的參數(shù)這兩種情況，這個時候可以運(yùn)用傳統(tǒng)的辨識方式去對系統(tǒng)的狀態(tài)進(jìn)行估計，以此構(gòu)成遺傳算法作為自適應(yīng)優(yōu)化機(jī)制的自適應(yīng)控制器。

1.1 系統(tǒng)辨識

在自動控制領(lǐng)域中，系統(tǒng)辨識是設(shè)計的基礎(chǔ)。傳統(tǒng)的辨識方式通常都是先把模型結(jié)構(gòu)給確定好，再把模型的參數(shù)給確定好，在確定這些系統(tǒng)結(jié)構(gòu)的時候往往要具備許多先驗(yàn)知識，如果結(jié)構(gòu)出現(xiàn)不理想狀態(tài)，就必須要對結(jié)構(gòu)重新進(jìn)行確定，然后對參數(shù)進(jìn)行辨識，這就使得系統(tǒng)辨識比較復(fù)雜。而遺傳算法的運(yùn)用就改變了這一復(fù)雜化程度，它可以是連續(xù)的，能夠?qū)?shù)空間的不同區(qū)域進(jìn)行搜索，并把這些搜索的方向指向更加優(yōu)解的區(qū)域。遺傳算法可以對空間中的多個點(diǎn)進(jìn)行同時處理和搜索，增加了全局優(yōu)解的效果。同時，遺傳算法在模型的線性化與降價處理中應(yīng)用的也比較廣泛，它可以對全局最優(yōu)的名義模型和加性或乘性不確定性誤差界函數(shù)進(jìn)行同時辨識，對那些連續(xù)以及離散系統(tǒng)進(jìn)行處理，在控制基因中引入遺傳算法并作為結(jié)構(gòu)開關(guān)，可以對模型的階次以及參數(shù)進(jìn)行同時優(yōu)化，既適用于時域問題又適用于頻域模型。

1.2 非線性系統(tǒng)

在自動控制領(lǐng)域設(shè)計中，很多控制問題可以包含在優(yōu)化的框架之內(nèi)。一般情況下，這種優(yōu)化任務(wù)要在一個多維空間當(dāng)中對若干個參數(shù)進(jìn)行同時確定，受限于實(shí)際問題，這些參數(shù)通常帶有比較嚴(yán)格的約束以及非線性，而且指標(biāo)函數(shù)不僅不能夠連續(xù)而且也不可微，不一樣的參數(shù)組合有可能得到一個相同的控制作用。這時運(yùn)用傳統(tǒng)優(yōu)化的方式很容易對初始值的選取感到敏感，從而陷入附近的局部極值。遺傳算法就給非線性系統(tǒng)的有效控制找到了良好途徑，因?yàn)檫z傳算法不需要指標(biāo)函數(shù)的微分，在設(shè)計自動化方法時，可以對實(shí)際系統(tǒng)的多個性能要求進(jìn)行考慮，并且可以為非線性對象的線性控制器進(jìn)行直接設(shè)計，而不用將對象線性化，很多實(shí)踐都能夠證明遺傳算法在自動控制系統(tǒng)設(shè)計中有一個非常有效且合理的方法。

1.3 神經(jīng)網(wǎng)絡(luò)

近幾年來，遺傳算法在神經(jīng)網(wǎng)絡(luò)優(yōu)化中使用的越來越廣泛，這也是當(dāng)前非常重要的應(yīng)用方向。神經(jīng)網(wǎng)絡(luò)有著強(qiáng)大的棒性與容錯性、大規(guī)模的行性與能學(xué)習(xí)性、比較復(fù)雜的非線性等優(yōu)勢，使其在自動控制領(lǐng)域中引起了廣泛關(guān)注，對其應(yīng)用的研究也非?；钴S。在自動控制領(lǐng)域中，神經(jīng)網(wǎng)絡(luò)運(yùn)用最多的就是層前饋神經(jīng)網(wǎng)絡(luò)模型，這種模型有著非常廣的輸入以及輸出映射能力，然而因?yàn)檫@種模型是運(yùn)用的反向傳播算法，這種算法要在很長時間才能接受，并且會遇到一些局部極小的問題。當(dāng)前，用遺傳算法對神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化可以分為三個方面，即對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化、對權(quán)系數(shù)進(jìn)行優(yōu)化以及對結(jié)構(gòu)和參數(shù)進(jìn)行同時優(yōu)化。用遺傳算法進(jìn)行模糊神經(jīng)網(wǎng)絡(luò)權(quán)值的優(yōu)化，這在許多文獻(xiàn)資料中都有研究，依照仿真結(jié)構(gòu)來進(jìn)行表明，運(yùn)用遺傳算法對神經(jīng)網(wǎng)絡(luò)控制器進(jìn)行學(xué)習(xí)，可以讓神經(jīng)網(wǎng)絡(luò)的映射能力更加廣泛以及遺傳算法更加快速收斂。

2 對遺傳算法在自動控制領(lǐng)域應(yīng)用的展望

隨著科學(xué)技術(shù)的不斷提升，遺傳算法得到了迅速發(fā)展，并廣泛應(yīng)用于各個領(lǐng)域當(dāng)中。但是遺傳算法還有許多有待解決的問題，這些問題有：算法存在早熟；收斂速度比較低，尤其是對用用到一些高維且復(fù)雜程度的問題中這種情況表現(xiàn)的更加明顯；遺傳算法本身的參數(shù)選取存在著許多困難。當(dāng)前，遺傳算法在自動控制領(lǐng)域中的應(yīng)用大多數(shù)還處在仿真研究的階段當(dāng)中，實(shí)際的應(yīng)用相對比較少，怎樣依照自動控制系統(tǒng)的特點(diǎn)來對適用于自動控制系統(tǒng)分析與設(shè)計的遺傳算法進(jìn)行選擇是以后要重點(diǎn)研究的內(nèi)容，這就要求廣大設(shè)計者要充分理解、熟悉和掌握實(shí)際工程中的問題和控制理論；要有效合理地進(jìn)行編碼以組成染色體以及有效解決多目標(biāo)優(yōu)化問題。

[參考文獻(xiàn)]

[1]王博巖，盧肖，陳潔，張燕平.基于精英遺傳算法的GSM網(wǎng)絡(luò)頻點(diǎn)優(yōu)化設(shè)計[J].計算機(jī)技術(shù)與發(fā)展，2013（02）.

[2]梁雨生，李向波.基于遺傳算法的裝配線平衡問題研究[J].價值工程，2013（05）.

[3]解慶，趙小強(qiáng).遺傳算法編碼策略研究[J].甘肅科技，2013（02）.

[4]楊驥，郝志勇，葛如煒，鄭旭.基于遺傳算法的發(fā)動機(jī)冷卻模塊振動優(yōu)化[J].振動與沖擊，2013（01）.