遗传算法优化模糊控制规则

2010年第32卷第5期第41页

电气传动自动化

ELECTRICDRIVEAUTOMATIONVol．32，No．52010，32（5）：41～44

文章编号：1005—7277（2010）05—0041—04

基于遗传算法的模糊控制器规则优化

杨玺

（兰州交通大学自动化与电气工程学院，甘肃兰州730070）

*

基于遗传算法的模糊控制规则表优化，是为模摘要：模糊控制器设计的关键问题就是模糊控制规则的选择。

糊控制提供一种更加方便、有效的查表法。为了提高模糊控制器的性能，提出了基于遗传算法的模糊控制器在模糊控制中采用遗传算法使控制系统最终达到所规则表的优化方法，并进行了仿真实验。仿真结果表明，要求的控制效果，证明了该方法的可行性和有效性。关键词：模糊控制;模糊规则;遗传算法中图分类号：TP273.4

+

文献标识码：A

YANGXi

Optimizationoffuzzycontrollerrulesbasedongeneticalgorithm

（SchoolofAutomation＆ElectricalEngineering,LanzhouJiaotongUniversity,Lanzhou730070，China）Abstract:Thekeyproblemof

针对传统T-S(Takagi—Sugno)模糊控制器的后件参数太多而难以确定的问题,本文提出了一种简化的T-S型模糊推理方法,大大减少了控制规则待确定的后件参数。同时为了实现T-S型模糊控制器性能的优化,提出了一种改进的遗传算法进行后件参数的快速寻优,从而实现了控制规则的自动词整、修改和完善。仿真结果表明,优化后的T-S型模糊控制器能获得良好的控制性能。

维普资讯

控制理论与应用Co to he ya d Ap lat n n rl T or n pi i s c o

‘自动化技术与应用 06 0年第 2卷第 6 5期

●

基于改进遗传算法的 T S型—模糊控制器优化设计董玲娇。陈大路。赵渝青(温州职业技术学院电气电子工程系，浙江温州 35 3 ) 205

摘

要：针对传统 TST kg S go型模糊控制器的后件参数太多而难以确定的问题， -( aai un )—本文提出了一种简化的 TS型模糊推理方法， _ 大大减少了控制规则待确定的后件参数。同时为了实现 Ts _型模糊控制器性能的优化，出了一种改进的遗传算法进行后提件参数的快速寻优，而实现了控制规则的自动凋整、从修改和完善。仿真结果表明，优化后的 TS -型模糊控制器能获得良好的控制性能。

关键

基于遗传算法的智能小车模糊控制系统的研发　程志江,等

基于遗传算法的智能小车模糊控制系统的研发

ResearchandDevelopmentofFuzzyControlSystemofSmartCarBasedonGeneticAlgorithm

程志江　李剑波

(新疆大学电气工程学院,新疆乌鲁木齐　830008)

摘　要:基于遗传算法的智能小车模糊控制系统具有道路检测和跟随功能。该系统以飞思卡尔公司生产的16位单片机MC9S12DG128B为控制核心,同时配以红外光电传器、测速装置等外围设备。使用遗传算法工具箱对模糊控制器的隶属度函数进行了优化,并确定了模糊控制器的参数。此外,开发了模糊控制程序,实现了直道、蛇形弯道以及大半径弯道这3种典型道路的自动驾驶。运行效果表明,智能车对任意道路具有较好的跟随性和较高的车速。

关键词:遗传算法　模糊控制　微处理器　单片机　智能小车　道路检测中图分类号:TP273+.4　　　　文献标志码:A

Abstract:Thedevelopmentofthefuzzycontrolsystembasedongeneticonandfollow2upisin2troduced.The162bitsinglechipcompute

遗传算法求解函数优化问题的比较

多极值点函数具有多个极值，对此问题，传统的优化技术很容易陷入局部最优解，求得全局优化解的概率不高，可靠性低；为此，建立尽可能大概率的求解全局优化解算法是求解函数优化的一个重要问题。

遗传算法是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传制）演化而来的随机搜索和优化方法，是当今影响最广泛的进化计算方法之一，是进化计算理论体系的中心。遗传算法借鉴了物种进化的思想，将欲求解问题编码，把可行解表示成字符串形式。初始化随机产生一个种群，用合理的评价函数对种群进行评估，在此基础上进行选择、交叉及变异等遗传操作。选择算子根据父代中个体适值大小进行选择或淘汰，它保证了算法的最优搜索方向。交叉算子模拟基因重组及随机信息交换，产生更好个体，使其在可行域内有效搜索。变异算子模拟基因突变，保证了遗传算法的全局搜索能力。遗传算法的搜索能力主要由选择算子及交叉算子赋存，变异算子尽可能保证算法达到全局最优，避免陷入局部最优。

遗传算法中的各个模块如下所示 1、编码

将数据进行二进制编码，其规则如下：设某一参数的取值范围为（L,U），使用长度为k的二进制编码表示该参数，则它共有2k种不同的编码。该参数编码时代对应关系为

000000000

遗传算法求解函数优化问题的比较

多极值点函数具有多个极值，对此问题，传统的优化技术很容易陷入局部最优解，求得全局优化解的概率不高，可靠性低；为此，建立尽可能大概率的求解全局优化解算法是求解函数优化的一个重要问题。

遗传算法是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传制）演化而来的随机搜索和优化方法，是当今影响最广泛的进化计算方法之一，是进化计算理论体系的中心。遗传算法借鉴了物种进化的思想，将欲求解问题编码，把可行解表示成字符串形式。初始化随机产生一个种群，用合理的评价函数对种群进行评估，在此基础上进行选择、交叉及变异等遗传操作。选择算子根据父代中个体适值大小进行选择或淘汰，它保证了算法的最优搜索方向。交叉算子模拟基因重组及随机信息交换，产生更好个体，使其在可行域内有效搜索。变异算子模拟基因突变，保证了遗传算法的全局搜索能力。遗传算法的搜索能力主要由选择算子及交叉算子赋存，变异算子尽可能保证算法达到全局最优，避免陷入局部最优。

遗传算法中的各个模块如下所示 1、编码

将数据进行二进制编码，其规则如下：设某一参数的取值范围为（L,U），使用长度为k的二进制编码表示该参数，则它共有2k种不同的编码。该参数编码时代对应关系为

000000000

基于遗传算法和蚂蚁算法求解函数优化问题

第!"卷第#期$%%&年#月

!"’()*+,-(./013,++361*738:+3+11*3+<31+<1245944;

工学版"浙!江!大!学!学!报!

=(->!"?(>#

@,*>$%%&

基于遗传算法和蚂蚁算法求解函数优化问题

杨剑峰

"浙江大学电气工程学院$浙江杭州##"%%$&

摘!要#针对遗传算法求解精度低以及蚂蚁算法求解速度慢的问题$提出一种基于遗传算法和蚂蚁算法的混合算法>该混合算法利用了遗传算法快速随机的全局搜索能力的优点$设计了编码与适应度函数$进行了种群生成与染色体的选择$并通过设定交叉算子和变异算子$生成了信息素分布>该混合算法利用了蚂蚁算法正反馈以及具有分布式并行全局搜索能力的优点$通过确定吸引强度的初始值$建立了强度更新的模型$从而求得精确解>并将该算法应用于求解函数优化问题>结果表明$该混合算法与遗传算法和蚂蚁算法相比$收敛速度快$寻优性能好>关键词#遗传算法&蚂蚁算法&函数优化

#中图分类号#JK"#!!!!!文献标识码#Q!!

Matlab写的函数优化遗传算法程序

function [BestPop,Trace]=fmaxga(FUN,LB,UB,eranum,popsize,pcross,pmutation,options)
% [BestPop,Trace]=fmaxga(FUN,LB,UB,eranum,popsize,pcross,pmutation)
% Finds a maximum of a function of several variables.
% fmaxga solves problems of the form:
% max F(X) subject to: LB <= X <= UB
% BestPop--------最优的群体即为最优的染色体群
% Trace-----------最佳染色体所对应的目标函数值
% FUN------------目标函数
% LB--------------自变量下限
% UB--------------自变量上限
% eranum----------种群的代数,取100--1000(默认1000)
% popsize---------每一代种群的规模；此可取50--100(默认50)
% pcross----

关于遗传算法的介绍和简单应用。

遗传算法

遗传算法（Genetic Algorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，它最初由美国Michigan大学J.Holland教授于1975年首先提出来的，并出版了颇有影响的专著《Adaptation in Natural and Artificial Systems》，GA这个名称才逐渐为人所知，J.Holland教授所提出的GA通常为简单遗传算法（SGA）。

基本概念

遗传算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术。 对于一个求函数最大值的优化问题(求函

数最小值也类

摘要

工程实际中，应用最为广泛的调节控制规律为比例、积分、微分控制，简称PID控制。PID控制自出现后，以其结构简单、稳定性好、鲁棒性好、可靠性高而广泛应用于工业过程控制领域。比例、积分、微分的组合决定了PID控制效果，决定了系统能否高效可靠地运行。常规方法整定PID控制器参数后仍然需看情况进一步调节。随着控制要求的提高，多次手动调节不满足期望，因此参数优化日益成为迫切需要。

遗传算法是一种基于生物进化理论的全局搜索优化方法。本文介绍了遗传算法的基本原理、算法框架等基本知识，并利用算法解决PID参数优化问题。通过MATLAB对一阶纯滞后系统、二阶滞后系统、三阶系统进行参数优化仿真，证明了优化后有更好的动态特性和控制效果，验证了遗传算法的有效性。

关键词：PID控制；遗传算法；参数优化；MATLAB仿真

I

Abstract

In the practical engineering, the most widely used control law is proportional integral differential control,PID control for short. It has been w

What is a genetic algorithm?

●Methods of representation

●Methods of selection

●Methods of change

●Other problem-solving techniques

Concisely stated, a genetic algorithm (or GA for short) is a programming technique that mimics biological evolution as a problem-solving strategy. Given a specific problem to solve, the input to the GA is a set of potential solutions to that problem, encoded in some fashion, and a metric called a fitness function that allows each candidate to be quantitatively evaluated. These candidates may be solut