遗传算法多参数优化

本科生毕业设计(论文)

论文题目：基于遗传算法的PID参数优化

毕业设计（论文）原创性声明和使用授权说明

原创性声明

本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。尽我所知，除文中特别加以标注和致谢的地方外，不包含其他人或组织已经发表或公布过的研究成果，也不包含我为获得 及其它教育机构的学位或学历而使用过的材料。对本研究提供过帮助和做出过贡献的个人或集体，均已在文中作了明确的说明并表示了谢意。

作 者 签 名： 日 期： 指导教师签名： 日 期：

使用授权说明

本人完全了解 大学关于收集、保存、使用毕业设计（论文）的规定，即：按照学校要求提交毕业设计（论文）的印刷本和电子版本；学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。

作者签名： 日 期：

学位论文原创性声明

本人郑重声明：所呈交的论文是本人在导师的指

PID参数整定

Ｆ

福建电脑

ＵＪＩＡＮＣＯＭＰＵＴＥＲ

基于遗传算法的ＰＩＤ参数整定与优化

梁肖肖，常家树，董沁怡，于雯彬，于蕾

（徐州工程学院信电工程学院江苏徐州２２１０００）

【摘要】：ＰＩＤ参数整定与优化一直是自动控制领域研究的重要问题。采用遗传算法进行ＰＩＤ参数整定与优化是一种寻求全局最优且与初始条件无关的优化方法。在参数整定与优化过程中，考虑了过程控制系统的参数整定特点和寻优精度。

：遗传算法；ＰＩＤ控制；参数；寻优【关键词】０．引言

PID控制是最早发展起来的控制策略之一，由于鲁棒性好和可靠性高，被广泛应用于过其算法简单、

程控制和运动控制中，尤其适用于可建立精确数学模型的确定性控制系统中。在PID控制中，控制效果的PID好坏完全取决与PID参数的整定与优化。目前，参数整定与优化方法有很多，如Z-N法、继电型自整最优设计法及梯度法、单纯形法。前几种整定方定法、

法带有经验性并且不是最优解，梯度法和单纯形法极易陷入局部最优点。因此可采用遗传算法进行参数寻优，该方法是一种不需要任何初始信息并可以寻求全局最优解的高效优化组合方法。

１．遗传算法

遗传算法，是由美国的J.H.Holland提出的一种模仿生物进化过程的最优化方法。是以自然选择与遗传理论为基础，将生

复制代码

在这里使用启发式算法GA（遗传算法）来进行参数寻优，用网格划分(grid search)来寻找最佳的参数c和g，虽然采用网格搜索能够找到在CV意义下的最高的分类准确率，即全局最优解，但有时候如果想在更大的范围内寻找最佳的参数c和g会很费时，采用启发式算法就可以不必遍历网格内的所有的参数点，也能找到全局最优解。

关于遗传算法这里不打算过多介绍，想要学习的朋友可以自己查看相关资料。

使用GA来进行参数寻优在在libsvm-mat-2.89-3[FarutoUltimate3.0]工具箱中已经实现gaSVMcgForClass.m（分类问题参数寻优）、gaSVMcgForRegress.m（回归问题参数寻优）。

1.

2. 3. 4. 5. 6. 7.

利用GA参数寻优函数(分类问题):gaSVMcgForClass [bestCVaccuracy,bestc,bestg,ga_option]= gaSVMcgForClass(train_label,train,ga_option) 输入：

train_label:训练集的标签，格式要求与svmtrain相同。 train:训练集，格式要求与svmtrain相同。

ga_optio

复制代码

在这里使用启发式算法GA（遗传算法）来进行参数寻优，用网格划分(grid search)来寻找最佳的参数c和g，虽然采用网格搜索能够找到在CV意义下的最高的分类准确率，即全局最优解，但有时候如果想在更大的范围内寻找最佳的参数c和g会很费时，采用启发式算法就可以不必遍历网格内的所有的参数点，也能找到全局最优解。

关于遗传算法这里不打算过多介绍，想要学习的朋友可以自己查看相关资料。

使用GA来进行参数寻优在在libsvm-mat-2.89-3[FarutoUltimate3.0]工具箱中已经实现gaSVMcgForClass.m（分类问题参数寻优）、gaSVMcgForRegress.m（回归问题参数寻优）。

1.

2. 3. 4. 5. 6. 7.

利用GA参数寻优函数(分类问题):gaSVMcgForClass [bestCVaccuracy,bestc,bestg,ga_option]= gaSVMcgForClass(train_label,train,ga_option) 输入：

train_label:训练集的标签，格式要求与svmtrain相同。 train:训练集，格式要求与svmtrain相同。

ga_optio

龙源期刊网 http://www.qikan.com.cn

遗传算法及其在生物数学模型参数优化中的应用

作者：金燕 任一林 高玲 庞昕 林建群 林建强 来源：《科技创新导报》2011年第36期

摘要：遗传算法是近年来发展起来的智能性优化算法。它模仿了自然界生物进化的机制，利用数学方法模拟生物的遗传、变异、选择等生物学规律，创造出了一种优化计算方法。遗传算法特别适合于复杂体系的优化，并往往能够得到很好的结果。生物数学模型是揭示复杂生物体系（或生物催化体系）内在规律的有力工具。较为复杂的生物数学模型参数的求取较为困难。本文介绍了遗传算法原理以及利用遗传算法优化计算生物数学模型参数的方法。 关键词：生物数学模型 遗传算法 优化

中图分类号: Q815 文献标识码:A 文章编号:1674-098X(2011)12(c)-0000-00 1引言

生物数学模型对于生物过程的理性分析、定量化研究具有重要作用。特别是对于复杂生物系统而言，仅仅采用实验的方法一般很难全面反映整个系统的特性，利用数学模型的方法不仅可以加深研究者对系统内在机理的认识，还可以通过计算机模拟的方法研

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

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----