分類號(hào) 密級(jí) U D C 編號(hào) 士學(xué)位論文 論文題目 正交遺傳算法及其應(yīng)用研究 學(xué)科、專業(yè) 控制理論與控制工程 研究生姓名 江 中 央 導(dǎo)師姓名及 專業(yè)技術(shù)職稱 蔡自興 教授 日 期 2008 年 4 月 25 日 在科學(xué)、工程和商業(yè)等領(lǐng)域中， 對(duì)很多實(shí)際問題進(jìn)行數(shù)學(xué)建模后都可以轉(zhuǎn)化為各類函數(shù)的優(yōu)化問題。遺傳算法是一種借鑒生物界自然選擇和自然遺傳機(jī)制的隨機(jī)優(yōu)化搜索算法，是解決各類函數(shù)優(yōu)化問題的一種有效算法。然而，大量研究表明，傳統(tǒng)的遺傳算法也存在許多的不足和缺陷，如早熟收斂、計(jì)算量大和局部搜索能力弱。為了有效克服以上缺點(diǎn)，本文將正交試驗(yàn)設(shè)計(jì)方法和局部搜索技術(shù)引入到遺傳算法中。提出了兩種分別用于全局優(yōu)化和約束優(yōu)化的新的算法。最后將新的全局優(yōu)化算法用到了新型 文主要工作如下： (1)提出了一種求解全局優(yōu)化的混合自適應(yīng)正交遺傳算法。新算法根據(jù)父代個(gè)體的相似度，自適應(yīng)地調(diào)整用于安排交叉操作的正交表的因素個(gè)數(shù)和對(duì)父代個(gè)體進(jìn)行因素分割的位置，然后根據(jù)所選定的正交表重新設(shè)計(jì)交叉算子，提出了一種自適應(yīng)的正交交叉算子。同時(shí)為了進(jìn)一步提高傳統(tǒng)遺傳算法學(xué)習(xí)和利用搜索空間局部信息的能力，提高其收斂速度，引入了局部搜索策略，提出了一種新的基于種群分割和單形交叉的聚類局部搜索策略。對(duì) 14 個(gè)高維的 數(shù)的測(cè)試結(jié)果表明，該算法在性能上顯著優(yōu)于其它算法。 (2)提出了一種新的基于正交試驗(yàn)設(shè)計(jì)的約束優(yōu)化算法。在搜索機(jī)制方面，利用正交實(shí)驗(yàn)設(shè)計(jì)的方法來 安排多個(gè)父代個(gè)體的交叉操作，提出了一種新的多父體正交交叉算子 。此外，我們利用單行交叉算子對(duì)父代種群進(jìn)行并行搜索，來協(xié)調(diào)算 法的勘探和開采能力。在約束處理技術(shù)上，本文引入了一個(gè)衡量個(gè)體 的優(yōu)、劣的新比較準(zhǔn)則。并通過13 個(gè)標(biāo)準(zhǔn)的測(cè)試函數(shù)驗(yàn)證了算法的通用性和有效性。 (3)針對(duì) P 型免疫反饋控制器不能克服動(dòng)態(tài)干擾和消除靜態(tài)誤差的問題，利用模糊控制系統(tǒng)的非線性逼近能力，提出了一種將 P 型免疫反饋控制器同常規(guī) 制器進(jìn)行混合聯(lián)結(jié)的模糊免疫 制器的設(shè)計(jì)方法,并利用(1)中提出的混合自適應(yīng)正交遺傳算法對(duì)其控制器參數(shù)進(jìn)行優(yōu)化。仿真研究結(jié)果表明，該控制器較常規(guī)控制器具有更好的動(dòng)、靜態(tài)特性。 關(guān)鍵字 正交遺傳算法，局部搜索，免疫控制，全局優(yōu)化，約束優(yōu)化 I be of in of on of of of a of as to To to to At is of ID in as (1) a of s to of is to a is In in of up of a is on is is on of is to (2) a on In is to of a is In is to of In a of is to is 3 is (3) t to of a of ID on of ID is in In to of of is to of 錄 摘 要 . I . 一章 緒論 .傳算法概述 .傳算法的發(fā)展歷史 .傳算法的研究現(xiàn)狀 . 遺傳算法的理論研究現(xiàn)狀 . 遺傳算法的應(yīng)用研究現(xiàn)狀 . 遺傳算法的研究焦點(diǎn) .究?jī)?nèi)容及論文結(jié)構(gòu) . 研究?jī)?nèi)容 . 論文結(jié)構(gòu) .二章 遺傳算法 .傳算法的描述 . 遺傳算法的構(gòu)成要素 . 遺傳算法的基本框架 .傳算法的實(shí)現(xiàn) . 個(gè)體適應(yīng)度評(píng)價(jià) . 選擇算子 . 交叉算子 . 變異算子 .章小結(jié) .三章 混合自適應(yīng)正交遺傳算法在全局優(yōu)化中的應(yīng)用 .言 .交試驗(yàn)設(shè)計(jì) .合自適應(yīng)正交遺傳算法 . 自適應(yīng)正交交叉算子 . 種群初始化 . 聚類局部搜索策略 . 算法步驟 .驗(yàn)結(jié)果與分析 .章小結(jié) .四章 基于正交實(shí)驗(yàn)設(shè)計(jì)的約束優(yōu)化算法 .言 .束優(yōu)化問題的描述 .于正交試驗(yàn)設(shè)計(jì)的約束優(yōu)化算法 . 多父體正交交叉算子 . 單形交叉算子 . 個(gè)體優(yōu)劣的新比較準(zhǔn)則 . 法步驟 .值實(shí)驗(yàn) . 測(cè)試函數(shù) . 實(shí)驗(yàn)結(jié)果 . 實(shí)驗(yàn)結(jié)果分析 .章小結(jié) .五章 基于正交遺傳算法的改進(jìn)型免疫 制器的優(yōu)化 .言 .糊免疫反饋 制器的改進(jìn) . 免疫反饋控制的概念 . 免疫 制器的改進(jìn) . 免疫反饋規(guī)律的模糊自適應(yīng)調(diào)整 .糊免疫 制器的優(yōu)化 .糊免疫反饋 制器的仿真 .章小結(jié) .六章 總結(jié)和展望 .考文獻(xiàn) . 謝 .讀學(xué)位期間主要的研究成果 .士學(xué)位論文 第一章 緒 論 1第一章 緒論 傳算法概述 遺傳算法 (一類借鑒生物界自然選擇和自然遺傳機(jī)制的隨機(jī)優(yōu)化搜索算法，由美國(guó) 授于上個(gè)世紀(jì) 70 年代提出并發(fā)展起來的1，其主要特點(diǎn)是群體搜索策略和群體中的個(gè)體之間的信息交換，搜索不依賴梯度信息，操作對(duì)象是一組個(gè)體，而非單個(gè)個(gè)體，具有多條搜索軌跡，因而具有隱性并行性。遺傳算法提供一種求解復(fù)雜系統(tǒng)優(yōu)化問題的通用算法框架，該框架不依賴問題的的種類， 是一類具有較強(qiáng)魯棒性的優(yōu)化算法， 特別是對(duì)一些大型、復(fù)查非線性系統(tǒng)，它更表現(xiàn)出了比其他傳統(tǒng)優(yōu)化方法更加獨(dú)特和優(yōu)越的性能。它己被廣泛地應(yīng)用于計(jì)算機(jī)科學(xué)、 工程技術(shù)、 管理科學(xué)和社會(huì)科學(xué)等許多重要領(lǐng)域，成為 21 世紀(jì)計(jì)算智能科學(xué)中相當(dāng)活躍的關(guān)鍵技術(shù)之一。 遺傳算法是一種基于空間搜索的算法，它通過自然選擇、遺傳、變異等操作以及達(dá)爾文適者生存的理論，模擬自然進(jìn)化過程來尋找所求問題的解答。因此，遺傳算法的求解過程也可看作最優(yōu)化過程并具有以下特點(diǎn)2： (1) 遺傳算法是對(duì)參數(shù)集合的編碼而非針對(duì)參數(shù)本身進(jìn)行進(jìn)化； (2) 遺傳算法是從問題解的編碼組開始而非從單個(gè)解開始搜索； (3) 遺傳算法利用目標(biāo)函數(shù)的適應(yīng)度這一信息而非 利用導(dǎo)數(shù)或其它輔助信息來指導(dǎo)搜索； (4) 遺傳算法利用選擇、交叉、變異等算子而不是 利用確定性規(guī)則進(jìn)行隨機(jī)操作。 遺傳算法利用簡(jiǎn)單的編碼技術(shù)和繁殖機(jī)制來表現(xiàn)復(fù)雜的現(xiàn)象， 從而解決非常困難的問題。它不受搜索空間的限制性假設(shè)的約束，不必要求諸如連續(xù)性、導(dǎo)數(shù)存在和單峰等假設(shè)，能從離散的、多極值的、含有噪音的高維問題中以很大的概率找到全局最優(yōu)解。 傳算法的發(fā)展歷史 遺傳算法的早期工作始于二十世紀(jì) 60 年代。 1967 年， 學(xué)生 傳算法”這一術(shù)語(yǔ)，并采用雙倍體編碼，發(fā)展了與目前類似的復(fù)制、交叉、變異、顯性和倒位等基因操作，他還敏銳地察覺到了防止早熟收斂的機(jī)理，并發(fā)展了自組織遺傳算法的概念。與此同時(shí)， 對(duì)以后函數(shù)優(yōu)化的研究頗有啟發(fā)，并發(fā)展了自適應(yīng)交叉策略。這些思想對(duì)于后來遺傳算法的發(fā)展所碩士學(xué)位論文 第一章 緒 論 2起的作用是十分明顯的。 70 年代初， 授提出了遺傳算法的基本定理模式定理 (為遺傳算法的研究奠定了數(shù)學(xué)基礎(chǔ)。 1975 年， 版了第一本系統(tǒng)論述遺傳算法和人工自適應(yīng)系統(tǒng)的專著 自然系統(tǒng)和人工系統(tǒng)的自適應(yīng)性(1。同年， 博士文遺傳自適應(yīng)系統(tǒng)的行為分析 (of of a 完成，他結(jié)合 模式定理進(jìn)行了大量的純數(shù)值實(shí)驗(yàn)，樹立了遺傳算法的工作框架，得到了一些重要的具有指導(dǎo)意義的結(jié)論，他推薦了在大多數(shù)優(yōu)化問題中都比較適用的遺傳算法參數(shù)，還建立了著名的 函數(shù)測(cè)試平臺(tái)，定義了評(píng)價(jià)遺傳算法性能的在線指標(biāo)和離線指標(biāo)，為遺傳算法的深入研究奠定了堅(jiān)實(shí)基礎(chǔ)。 80 年代，遺傳算法成為人工智能研究的一個(gè)熱點(diǎn)。 授實(shí)現(xiàn)了第一個(gè)基于遺傳算法的機(jī)器學(xué)習(xí)系統(tǒng)分類器系統(tǒng) (簡(jiǎn)稱 開創(chuàng)了遺傳算法的機(jī)器學(xué)習(xí)的新概念，為分類器 系統(tǒng)夠造出了一個(gè)完整的框架。1989 年， 版了專著搜索、優(yōu)化和機(jī)器學(xué)習(xí)中的遺傳算法(一書，該書系統(tǒng)地總結(jié)了遺傳算法的主要研究成果， 全面而完整地論述了遺傳算法的基本原理及應(yīng)用，奠定了現(xiàn)代遺傳算法的科學(xué)基礎(chǔ)。 進(jìn)入 90 年代，遺傳算法因其能有效地求解 問題以及非線性、多峰函數(shù)優(yōu)化和多目標(biāo)優(yōu)化問題，得到了眾多學(xué)科的高度重視，同時(shí)也極大地推動(dòng)了遺傳算法理論研究和實(shí)際應(yīng)用的不斷深入與發(fā)展。 1991 年， 輯出版了遺傳算法手冊(cè) (一書，書中包括了在科學(xué)計(jì)算、工程技術(shù)和社會(huì)經(jīng)濟(jì)中的大量應(yīng)用實(shí)例3，同一時(shí)期，國(guó)內(nèi)也有一些有關(guān)書籍相繼出版4,5，為推廣和普及遺傳算法的應(yīng)用起到 了重要的指導(dǎo)作用。一系列以遺傳算法為主題的國(guó)際會(huì)議變得十分活躍。從 1985 年開始，國(guó)際遺傳算法會(huì)議，即兩年舉行一次。 90 年代開始， ( ( ( ( on 專業(yè)學(xué)術(shù)期刊相繼創(chuàng)刊，更是推動(dòng)著遺傳算法實(shí)質(zhì)性的進(jìn)展。 碩士學(xué)位論文 第一章 緒 論 傳算法的研究現(xiàn)狀 傳算法的理論研究現(xiàn)狀 模式定理奠定了遺傳算法的數(shù)學(xué)基礎(chǔ)，它解析了遺傳算法的搜索行為，為遺傳算法的應(yīng)用研究提供了初步理論的依據(jù)。迄今為止，遺傳算法在全局收斂性分析方面取得了突破，運(yùn)用的數(shù)學(xué)工具是馬爾可夫鏈。 采用馬爾可夫鏈對(duì)標(biāo)準(zhǔn)遺傳算法進(jìn)行分析，并提出了最佳保留遺傳算法， 應(yīng)用馬爾可夫鏈證明了一類基于精英保留機(jī)制的遺傳算法的全局收斂性， 分析了沒有變異算子的遺傳算法的漸近行為， 和 0等對(duì)分別對(duì)二進(jìn)制編碼和浮點(diǎn)數(shù)編碼的遺傳算法進(jìn)行了全局收斂性分析。在國(guó)內(nèi)方面，梁艷春等11研究了基于擴(kuò)展串的等價(jià)遺傳算法的收斂性。張講社等12提出了一類齊次、保證收斂且容易判斷是否收斂的新型遺傳算法，并證明了全局收斂的充要條件。郭觀七13提出了獨(dú)立于表示的遺傳算法全局收斂性分析方法。 傳算法的應(yīng)用研究現(xiàn)狀 遺傳算法的應(yīng)用研究比理論研究更為豐富，已滲透到許多學(xué)科。遺傳算法的應(yīng)用按其方式可分為三大部分，即基于遺傳的優(yōu)化計(jì)算、基于遺傳的優(yōu)化編程、基于遺傳的機(jī)器學(xué)習(xí)，分別簡(jiǎn)稱為遺傳計(jì)算 (遺傳編程(遺傳學(xué)習(xí) ( (1)遺傳計(jì)算 遺傳計(jì)算是 直接、最簡(jiǎn)單的應(yīng)用，其面也最廣。在自動(dòng)控制學(xué)科中，陳根社14運(yùn)用 行了 程求解。 15用 析了控制系統(tǒng)的魯棒穩(wěn)定問題。 6運(yùn)用 7深入研究了連續(xù)和離散的系統(tǒng)的參數(shù)辨識(shí)問題， 用 找零極點(diǎn)。18研究也顯示了基于 參數(shù)辨識(shí)的潛力。 19用 調(diào)漠糊邏輯控制器。 20研究了一種新的基于遺傳的模糊推理系統(tǒng)，用于產(chǎn)生優(yōu)化參數(shù)集，獲得了良好的性能。遺傳算法的興起伴隨著神經(jīng)網(wǎng)絡(luò)的復(fù)活，令人新奇的是神經(jīng)網(wǎng)絡(luò)已成為 用最為活躍的領(lǐng)域。 神經(jīng)網(wǎng)絡(luò)的應(yīng)用面臨著兩大問題21：神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的優(yōu)化設(shè)計(jì)與高效的學(xué)習(xí)算法。遺傳算法已成為解決該兩大問題的有力工具，用于優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)權(quán)重和學(xué)習(xí)規(guī)則。 2給出了該方面的詳細(xì)綜述，該領(lǐng)域的研究都顯示了良好的性能和潛在的應(yīng)用。遺傳算法已滲透到了許多學(xué)科，如工程結(jié)構(gòu)優(yōu)化、計(jì)算數(shù)學(xué)、制造系統(tǒng)、航空航天、交通、計(jì)算機(jī)科學(xué)、電力、材料科學(xué)等等。 (2)遺傳編程：遺傳算法除了優(yōu)化計(jì)算外還可以應(yīng)用于更為復(fù)雜的情況，而要求強(qiáng)有力的編碼表達(dá)是最關(guān)鍵的。 發(fā)展了遺傳編程的概念。碩士學(xué)位論文 第一章 緒 論 4用 程語(yǔ)言來編碼， 號(hào)串表示樹，串中由特定問題域的各種函數(shù)和終端組成，群體進(jìn)行 復(fù)雜超平面的搜索。 功地把遺傳編程用于人工智能、機(jī)器學(xué)習(xí)、符號(hào)處理等。遺傳編碼是遺傳算法應(yīng)用的深人，目前還不成熟，許多問題有待解決。 (3)遺傳學(xué)習(xí)： 遺傳學(xué)習(xí)系統(tǒng)是由 內(nèi)核構(gòu)成的增強(qiáng)式學(xué)習(xí)系統(tǒng)， 一般地，群體由產(chǎn)生式規(guī)則組成，利用和環(huán)境的接觸來學(xué)習(xí)、完成給定任務(wù)。 定了基于遺傳的機(jī)器學(xué)習(xí)的框架， 展了第一個(gè)遺傳學(xué)習(xí)系統(tǒng)，稱為認(rèn)知系統(tǒng)一號(hào) ( )， 為 繼研究的模板，又稱為分類器系統(tǒng) (在此基礎(chǔ)上， 展了 展了 傳學(xué)習(xí)已被應(yīng)用于許多領(lǐng)域，在機(jī)器人學(xué)中， 用分類器系統(tǒng)進(jìn)行了傳感器馬達(dá)的協(xié)調(diào)研究，然后發(fā)展了 統(tǒng)，進(jìn)行模擬人工生物在環(huán)境中自主適應(yīng)的研究， 合遺傳學(xué)習(xí)和基于行為的機(jī)器人學(xué)進(jìn)行了簡(jiǎn)單的、模擬生物在變化的環(huán)境中學(xué)習(xí)趨光和避熱兩種行為模式的研究。 傳算法的研究焦點(diǎn) 目前的研究焦點(diǎn)主要在以下幾方面 : (1)算法的數(shù)學(xué)基礎(chǔ)。包括算法的收斂性理論，早熟現(xiàn)象與欺騙問題，交叉算子的數(shù)學(xué)意義與統(tǒng)計(jì)解釋，參數(shù)設(shè)置對(duì)算法的影響等。 (2)遺傳算法和神經(jīng)網(wǎng)絡(luò)、模糊推理及混沌理論等其他智能計(jì)算方法相互滲透和結(jié)合。 (3)算法的改進(jìn)與深化。根據(jù)實(shí)際應(yīng)用不斷改進(jìn)與完善算法，編碼策略、基因操作方法、參數(shù)選擇等，而不是停留在僅應(yīng)用遺傳算法解決一般問題的低層次上。 (4)算法的并行化研究。遺傳算法本質(zhì)上具有很好的并行特性，而且效率很高，這也是遺傳算法能夠有效搜索的根本原因之所在。 (5)遺傳算法和進(jìn)化規(guī)劃以及進(jìn)化策略等進(jìn)化理論的結(jié)合。 究?jī)?nèi)容及論文結(jié)構(gòu) 究?jī)?nèi)容 雖然遺傳算法在許多優(yōu)化問題中都有成功的應(yīng)用，但大量的研究表明，傳統(tǒng)的遺傳算法也存在許多的不足和缺陷，如早熟收斂、計(jì)算量大和收斂速度慢。遺傳算法早熟問題的存在主要是種群多樣性的缺失；計(jì)算量大，主要是算子本身的運(yùn)算過程并不能很好地反映進(jìn)化的方向，沒有考慮產(chǎn)生的個(gè)體是否具有代表性；收斂速度慢，主要是因?yàn)樗惴ǖ木植克阉髂芰Σ畈?，不能充分利用局部搜索空間碩士學(xué)位論文 第一章 緒 論 5的信息。 針對(duì)這些問題，本文在吸取已有研究成果的基礎(chǔ)上做了如下研究工作： (1)利用正交試驗(yàn)設(shè)計(jì)方法設(shè)計(jì)用于兩個(gè)父代個(gè)體之間的交叉算子，提出了一種新的自適應(yīng)正交交叉算子 (利用新算子產(chǎn)生的子代個(gè)體均勻分布在父代個(gè)體所確定的可行解空間， 并根據(jù)所確定的空間大小調(diào)節(jié)子代個(gè)體繁殖的數(shù)量，以維持群體的多樣性和減少計(jì)算開銷。 (2) 為了充分利用多個(gè)父代個(gè)體之間的攜帶的有效信息，產(chǎn)生具有代表性的子代個(gè)體，利用正交試驗(yàn)設(shè)計(jì)方法設(shè) 計(jì)了一種新的多父代正交交叉算子( 并利用該算子來對(duì)群體中的多個(gè)父代個(gè)體進(jìn)行交叉操作。 (3) 提出了基于種群分割和單形搜索的局部搜索策略 (將種群分割為互不相交的局部鄰域，以提高單形搜索的局部收斂速度，同時(shí)對(duì)不相交的局部鄰域進(jìn)行并行搜索，以實(shí)現(xiàn)快速的全局搜索。 (4) 將 子和 機(jī)結(jié)合起來，提出了一種求解全局優(yōu)化的混合自適應(yīng)正交遺傳算法 (法在求解高維和超高維的全局優(yōu)化中表現(xiàn)出了非常好的全局搜索能力和較高的搜索效率及搜索精度。 (5)把 子和相應(yīng)約束處理技術(shù)結(jié)合起來， 提出了一種基于正交試驗(yàn)設(shè)計(jì)的約束優(yōu)化算法（ a on D） 。在求解大量的等式和不等式約束優(yōu)化問題中，表現(xiàn)出了良好的搜索精度及搜索效率。 (6) 針對(duì) P 型免疫反饋控制器不能克服動(dòng)態(tài)干擾和消除靜態(tài)誤差的問題，利用模糊控制系統(tǒng)的非線性逼近 能力，提出了一種將 P 型免疫反饋控制器同常規(guī)制器進(jìn)行混合聯(lián)結(jié)的模糊免疫 制器的設(shè)計(jì)方法， 并利用 法對(duì)其控制器參數(shù)進(jìn)行離線優(yōu)化。 文結(jié)構(gòu) 在國(guó)家自然科學(xué)基金項(xiàng)目 (項(xiàng)目號(hào)： 60404021)“免疫計(jì)算的測(cè)不準(zhǔn)有限計(jì)算模型與魯棒性分析”和國(guó)家基礎(chǔ)研究項(xiàng)目 (項(xiàng)目號(hào) :“異質(zhì)多移動(dòng)體協(xié)同工作基礎(chǔ)理論研究”的資助下，本文展開了正交遺傳算法及其應(yīng)用研究。本文分為六章，論文結(jié)構(gòu)的具體安排如下： 第一章，緒論?？偨Y(jié)了遺傳算法的發(fā)展歷史和目前國(guó)內(nèi)外的研究現(xiàn)狀。概括了本論文主要研究?jī)?nèi)容、結(jié)構(gòu)安排。 第二章，遺傳算法。對(duì)遺傳算法進(jìn)行了簡(jiǎn)單的描述和介紹了遺傳算法實(shí)現(xiàn)方法。 碩士學(xué)位論文 第一章 緒 論 6第三章，一種用于求解全局優(yōu)化的混合自適應(yīng)正交遺傳算法。首先對(duì)正交試驗(yàn)設(shè)計(jì)方法進(jìn)行了介紹， 然后分析了父代個(gè)體的相似度同它們確定空間區(qū)域的關(guān)系，并根據(jù)父代個(gè)體的相似度設(shè)計(jì)交叉算子 (接著詳細(xì)地描述了基于種群分割和單形搜索的局部搜索策略。對(duì) 14 個(gè)標(biāo)準(zhǔn)的高維 數(shù)的實(shí)驗(yàn)結(jié)果表明， 該算法在魯棒性， 通用性， 優(yōu)化效率方面顯著優(yōu)于其它的全局優(yōu)化算法。 第四章，一種新的基于正交試驗(yàn)設(shè)計(jì)的約束優(yōu)化算法。在搜索策略上，首先利用正交試驗(yàn)設(shè)計(jì)方法設(shè)計(jì)多父體交叉算子 (然后將 子和單形交叉算子做為重組算子用來產(chǎn)生新的子代個(gè)體。在約束處理技術(shù)上，引入了一個(gè)衡量個(gè)體的優(yōu)、劣的新比較準(zhǔn)則，以實(shí)現(xiàn)直接的比較。通過 13 個(gè)標(biāo)準(zhǔn)的測(cè)試函數(shù)驗(yàn)證了算法的通用性和有效性 第五章，一種改進(jìn)的模糊免疫反饋 制器及優(yōu)化。針對(duì) P 型免疫反饋控制器不能克服動(dòng)態(tài)干擾和消除靜態(tài)誤差的問題， 利用模糊控制系統(tǒng)的非線性逼近能力，提出了一種將 P 型免疫反饋控制器同常規(guī) 制器進(jìn)行混合聯(lián)結(jié)的模糊免疫 制器的設(shè)計(jì)方法。 該控制器通過免疫反饋控制規(guī)律和模糊控制規(guī)則在線調(diào)整控制器的參數(shù)。為了選擇一組較優(yōu)的控制器參數(shù)，用 法在全局范圍內(nèi)對(duì)控制參數(shù)進(jìn)行離線優(yōu)化。仿真研究結(jié)果表明，該控制器較常規(guī)控制器具有更好的動(dòng)、靜態(tài)特性 第六章，結(jié)束語(yǔ)。對(duì)于本論文的研究進(jìn)行了總結(jié)，并對(duì)有待進(jìn)一步研究的問題進(jìn)行了分析和展望。碩士學(xué)位論文 第二章 遺傳算法 7第二章 遺傳算法 基于生物界自然選擇和生物遺傳機(jī)理的模仿， 針對(duì)不同的問題， 到目前為止，已設(shè)計(jì)出了許多各種不同的編碼方法來表示問題的可行解， 開發(fā)出了許多不同的遺傳操作算法來模擬不同情況下的生物遺傳特性。因此，由不同的編碼方法和不同的遺傳算子就產(chǎn)生了各種不同的遺傳算法。但這些遺傳算法都有共同的特點(diǎn)，即通過對(duì)生物遺傳和進(jìn)化過程中選擇、交叉、變異機(jī)理的模仿，來完成對(duì)問題最優(yōu)解的自適應(yīng)搜索過程。與傳統(tǒng)搜索算法不同，遺傳算法從一組隨機(jī)產(chǎn)生的初始解，稱為群體，開始搜索過程。群體中的每個(gè)個(gè)體是問題的一個(gè)解，稱為染色體。通過交叉、變異、選擇遺傳運(yùn)算，這此染色體在后續(xù)迭代中不斷進(jìn)化。交叉或變異運(yùn)算生成下一代染色體，稱為子代。染色體的優(yōu)劣用適應(yīng)度來衡量，根據(jù)適應(yīng)度值的大小和一定的選擇策略，從父代和子代中選擇一定數(shù)量的個(gè)體，作為下一代群體，再繼續(xù)進(jìn)化，這樣經(jīng)過若干次迭代之后，算法收斂于最好的染色體，它很可能就是問題的最優(yōu)解或次優(yōu)解。 遺傳算法中使用適應(yīng)度這個(gè)概念來度量群體中的個(gè)體在優(yōu)化問題中可能到達(dá)最優(yōu)解的程度。 度量個(gè)體適應(yīng)度的函數(shù)稱為適應(yīng)度函數(shù)。適應(yīng)度函數(shù)的定義一般與具體求解問題有關(guān)。 傳算法的描述 傳算法的構(gòu)成要素 (1)染色體的編碼方法。 許多的待求解的優(yōu)化問題都很復(fù)查，但可以表示為簡(jiǎn)單的位串形式的編碼。遺傳算法最常用的編碼是二進(jìn)制編碼，用二進(jìn)制符號(hào)串來表示群體中的個(gè)體，其等位基因是由二進(jìn)制符號(hào)集 0,1所組成的。 如 : 101110001010101X = 就可以表示一個(gè)染色體，該個(gè)體的長(zhǎng)度 15n = 。 二進(jìn)制編碼雖然簡(jiǎn)單易行，但不便于反映所求問題的結(jié)構(gòu)特征，對(duì)于一些連續(xù)函數(shù)的優(yōu)化問題等，也由于遺傳運(yùn)算的特性而使其局部搜索能力差。因此，對(duì)很多優(yōu)化問題適合用其他編碼方法。其他的編碼方式主要有：浮點(diǎn)數(shù)編碼、格雷碼、符號(hào)編碼、多參數(shù)編碼等。 浮點(diǎn)數(shù)編碼方法是指?jìng)€(gè)體的每個(gè)染色體用給定區(qū)間范圍內(nèi)的一個(gè)浮點(diǎn)數(shù)來表示，個(gè)體的編碼長(zhǎng)度等于其問題變量的個(gè)數(shù)。因?yàn)檫@種編碼方法使用的是變量的真實(shí)值，所以浮點(diǎn)數(shù)編碼方法也叫做真值編碼方法。浮點(diǎn)數(shù)編碼方法適于求解多維、