遺傳算法優(yōu)化加熱爐溫度的分?jǐn)?shù)階預(yù)測(cè)函數(shù)控制方法
【專利摘要】本發(fā)明公開了一種遺傳算法優(yōu)化加熱爐溫度的分?jǐn)?shù)階預(yù)測(cè)函數(shù)控制方法。本發(fā)明首先采用Oustaloup近似方法將分?jǐn)?shù)階系統(tǒng)近似為整數(shù)階系統(tǒng)，基于Oustaloup近似模型建立預(yù)測(cè)輸出模型，然后將整數(shù)階預(yù)測(cè)函數(shù)控制方法擴(kuò)展到分?jǐn)?shù)階預(yù)測(cè)函數(shù)控制方法中，將分?jǐn)?shù)階微分算子引入目標(biāo)函數(shù)，并采用遺傳算法來優(yōu)化微分算子，從而使經(jīng)優(yōu)化后獲得更加合理的控制效果。本發(fā)明方法可有效提高系統(tǒng)的控制性能。
【專利說明】
遺傳算法優(yōu)化加熱妒溫度的分?jǐn)?shù)階預(yù)測(cè)函數(shù)控制方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于自動(dòng)化技術(shù)領(lǐng)域，設(shè)及一種遺傳算法優(yōu)化加熱爐溫度的分?jǐn)?shù)階預(yù)測(cè)函 數(shù)控制方法。
【背景技術(shù)】
[0002] 化工過程是我國流程工業(yè)過程的重要組成部分，其要求是供給合格的工業(yè)產(chǎn)品， W滿足我國工業(yè)的需要。對(duì)于許多復(fù)雜的對(duì)象使用整數(shù)階微分方程無法精確描述，用分?jǐn)?shù) 階微分方程能更精確地描述對(duì)象特征和評(píng)估產(chǎn)品性能。預(yù)測(cè)函數(shù)(PFC)作為先進(jìn)控制方法 的一種，具有計(jì)算量小、魯棒性強(qiáng)、控制性能好等特點(diǎn)，在實(shí)際過程控制中獲得了大量成功 的應(yīng)用。對(duì)于分?jǐn)?shù)階系統(tǒng)，傳統(tǒng)PID控制方法和整數(shù)階預(yù)測(cè)函數(shù)控制方法對(duì)運(yùn)類對(duì)象的控制 效果并不是很好，運(yùn)就需要我們研究具備良好控制性能的控制器來控制運(yùn)類用分?jǐn)?shù)階模型 描述的實(shí)際被控對(duì)象。雖然分?jǐn)?shù)階預(yù)測(cè)函數(shù)方法增加自由度，但對(duì)于調(diào)整參數(shù)也增加了難 度，針對(duì)運(yùn)類問題提出了采用遺傳算法來優(yōu)化運(yùn)些參數(shù)，從而使經(jīng)優(yōu)化后獲得更加合理的 控制效果，保證了跟蹤精度。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的是針對(duì)分?jǐn)?shù)階系統(tǒng)描述的加熱爐溫度過程，提供一種遺傳算法優(yōu)化 加熱爐溫度的分?jǐn)?shù)階預(yù)測(cè)函數(shù)控制方法，W保證分?jǐn)?shù)階系統(tǒng)跟蹤性能并保障良好的控制效 果。
[0004] 本發(fā)明方法首先采用Oustaloup近似方法將分?jǐn)?shù)階系統(tǒng)近似為整數(shù)階系統(tǒng)，基于 Oustaloup近似模型建立預(yù)測(cè)輸出模型，然后將整數(shù)階預(yù)測(cè)函數(shù)控制方法擴(kuò)展到分?jǐn)?shù)階預(yù) 測(cè)函數(shù)控制方法中，將分?jǐn)?shù)階微分算子引入目標(biāo)函數(shù)，并采用遺傳算法來優(yōu)化微分算子，從 而使經(jīng)優(yōu)化后獲得更加合理的控制效果。
[0005] 本發(fā)明方法的步驟包括：
[0006] 步驟1、建立工業(yè)加熱爐對(duì)象的分?jǐn)?shù)階線性模型，具體方法是：
[0007] 1.1采集加熱爐實(shí)際過程的實(shí)時(shí)輸入輸出數(shù)據(jù)，利用該數(shù)據(jù)建立被控對(duì)象在時(shí)刻t 的分?jǐn)?shù)階微分方程模型，形式如下：
[000引
[0009] 其中，曰1，曰2為微分階次，c〇，ci，C2為相應(yīng)的系數(shù)，y(t)，u(t)分別為過程的輸出和輸 入。
[0010] 1.2根據(jù)分?jǐn)?shù)階微積分定義，對(duì)步驟1.1中的模型進(jìn)行拉氏變換，得到被控對(duì)象的 傳遞函掛化擊血下，
[0011]
[001^ 其中，S為復(fù)變量。
[001引 1.3由Ous化Ioup近似方法得到微分算子S。的近似表達(dá)形式如下：
[0014]
[001引其中，a為分?jǐn)?shù)階微分階次，0 < a < I，N為選定的近似階次：

，Wb和Wh分別為選定的擬合頻率的下限和上 限。
[0016] 1.4根據(jù)步驟1.3中的方法，將步驟1.2中的分?jǐn)?shù)階系統(tǒng)近似為整數(shù)階高階系統(tǒng)模 型，對(duì)得到的高階模型在采樣時(shí)間Ts下加零階保持器離散化，得到如下形式的模型：
[0017]
[001引其中，門，田（j = l，2，.''Ls)均為離散近似后得到的系數(shù)，Ls為離散模型的長(zhǎng)度。
[0019] 步驟2、設(shè)計(jì)加熱爐對(duì)象的分?jǐn)?shù)階預(yù)測(cè)函數(shù)控制器，具體方法如下：
[0020] 2.1計(jì)算被控對(duì)象在預(yù)測(cè)函數(shù)控制下的i巧預(yù)測(cè)輸出，形式如下：
[0021]
[0022] 其中，P為預(yù)測(cè)時(shí)域，y化+i)為k+i時(shí)刻過程的預(yù)測(cè)模型輸出，i = l，2,…P。
[0023] 2.2對(duì)步驟2.1中的式子進(jìn)行整理變換，得到如下模型：
[0024]
[0025]
[0026]
[0027]
[002引
[0029]
[0030] 1 其中，T為轉(zhuǎn)置符號(hào);結(jié)合上述式子，得到被控對(duì)象的預(yù)測(cè)輸出模型為：
[0032]
[0033]
[0034] 2.3修正當(dāng)前時(shí)刻被控對(duì)象的預(yù)測(cè)輸出模型，得到修正后的對(duì)象模型，形式如下：
[0035]
[0036] E = [e化+1) ,e(k+2),,e(k+P) ]T
[0037] e(k+i) =yp化）-y(k),i = 1,2,...P
[0038] 其中，yp化)是k時(shí)刻被控對(duì)象的實(shí)際輸出值，e化+i)為k+i時(shí)刻被控對(duì)象的實(shí)際輸 出值與模型預(yù)測(cè)輸出的差值；
[0039] 2.4選取預(yù)測(cè)函數(shù)控制方法的參考軌跡yr化+i)和目標(biāo)函數(shù)Jfpfc,其形式如下：
[0040] yr(k+i)=入Iyp化）+ (1-入i)c(k),i = 0,1,...P
[0041]
[0042] 其中，yr化+i)為k+i時(shí)刻的參考軌跡，A為參考軌跡的柔化系數(shù)，C化)為k時(shí)刻的設(shè) 定值/巧/(〇表示函數(shù)f(t)在[tl，t2讓的丫次積分，D為微分符號(hào)；
[00創(chuàng)依化GV//m.w/J - Lw?斯n，分?jǐn)?shù)階微積分定義，對(duì)上述目標(biāo)函數(shù)在采樣時(shí)間Ts進(jìn)行 離散化，得到：
[0044]
[0045] 其中，
[0046] Yr= [yr化+1)，yr化+2),…yr(k+P)]T
[0047] A (Ts, 丫）=Tsdiag(郵-1,郵-2,...,mi,m〇)
[004引
[0049]
[0050] 2.5依據(jù)步驟2.4中的目標(biāo)函數(shù)求解過程輸入的最優(yōu)值，即最優(yōu)控制律，形式如下：
[0化1 ]
[0052] 2.6在k+L時(shí)刻，L= 1，2，3，…，依照步驟2.巧Ij步驟2.5中的步驟依次循環(huán)求解分?jǐn)?shù) 階預(yù)測(cè)函數(shù)控制器的控制量U化+1)，再將其作用于被控對(duì)象。
[0053] 步驟3、基于遺傳算法優(yōu)化最優(yōu)控制律中的A，具體步驟是：
[0054] 3.1首先使用四位二進(jìn)制進(jìn)行二進(jìn)制編碼，得到第一代染色體。
[0055] 3.2選取遺傳算法的適應(yīng)度函數(shù)，并計(jì)算個(gè)體的適應(yīng)度值，形式如下：
[0化6]
[0057]其中，F(xiàn)是個(gè)體的適應(yīng)度函數(shù)。當(dāng)適應(yīng)度函數(shù)值大于適應(yīng)度預(yù)設(shè)值fz時(shí)，遺傳算法 終止。
[005引3.3利用輪轉(zhuǎn)法來確定選擇算子，形式如下：
[0化9]
[0060] 其中，P(Ci)是個(gè)體Cl的選擇概率，f (Cl)是個(gè)體Cl的適應(yīng)度。
[0061] 3.4利用步驟3.3中的選擇算子將染色體適應(yīng)度較高的個(gè)體選擇出來W交叉概率 Pc進(jìn)行交叉操作，產(chǎn)生下一代個(gè)體。
[0062] 3.5選取合適的變異算子，形式如下：
[0063]
[0064] 其中，a日表示變異概率Pm的初始值，b日是變異概率的程度，g式進(jìn)化的代數(shù)，g日是變 異概率改變很大的進(jìn)化代數(shù)，a是變異速率。
[0(?日]!V fi#個(gè)化獄 曰十豐釉掛細(xì)趙N時(shí).得到剪接算子，形式如下；
[0066]
[0067] 其中，P取正數(shù)。
[0068] 3.7依照步驟3.2計(jì)算每個(gè)個(gè)體的適應(yīng)度值，并判斷是否滿足終止條件，如果滿足， 則為參數(shù)的最優(yōu)解，進(jìn)行下一步操作，如果不滿足，則執(zhí)行步驟3.2到步驟3.6,直到找到滿 足終止條件為止。
[0069] !V S對(duì)墊化化講巧傭招.化古加下.
[0070]
[0071]
[0072] 其中，Q是長(zhǎng)度為L(zhǎng)的二進(jìn)制解碼產(chǎn)生的整數(shù)，Xj,min和Xj,max分別為輸入變量的最小 值和最大值，Wmax是高斯函數(shù)的基寬的最大值。
[0073] 通過步驟3優(yōu)化后帶入步驟2中調(diào)整微分算子參數(shù)，在下一時(shí)刻依照步驟1到步驟3 的步驟繼續(xù)對(duì)實(shí)際過程進(jìn)行控制，依次循環(huán)。
[0074] 本發(fā)明的有益效果:本發(fā)明的技術(shù)方案是通過數(shù)據(jù)采集、模型建立、預(yù)測(cè)機(jī)理、優(yōu) 化等手段，確立了一種工業(yè)加熱爐系統(tǒng)的分?jǐn)?shù)階預(yù)測(cè)函數(shù)控制優(yōu)化方法，該方法可有效提 高系統(tǒng)的控制性能。
【具體實(shí)施方式】
[0075] 下面W工業(yè)加熱爐溫度控制過程為例，對(duì)本發(fā)明作進(jìn)一步說明。
[0076] 在工業(yè)加熱爐溫度控制過程中，為評(píng)估模型的性能，由工業(yè)生產(chǎn)的實(shí)際應(yīng)用系統(tǒng) 得到溫度的實(shí)時(shí)數(shù)據(jù)。
[0077] 遺傳算法優(yōu)化工業(yè)加熱爐系統(tǒng)的分?jǐn)?shù)階預(yù)測(cè)函數(shù)控制方法的具體步驟包括：
[0078] 步驟1、建立實(shí)際過程中被控對(duì)象的分?jǐn)?shù)階線性模型，具體方法是：
[0079] 1.1采集實(shí)際過程對(duì)象的實(shí)時(shí)輸入輸出數(shù)據(jù)，利用該數(shù)據(jù)建立被控對(duì)象在時(shí)刻t的 分?jǐn)?shù)階微A方巧橫巧，形式化下：
[0080]
[0081] 其中，曰1，曰2為微分階次，co，ci，C2為相應(yīng)的系數(shù)，y(t)，u(t)分別為過程的輸出和輸 入。
[0082] 1.2根據(jù)分?jǐn)?shù)階微積分定義，對(duì)步驟1.1中的模型進(jìn)行拉氏變換，得到被控對(duì)象的 傳遞函才*n 了，
[0083]
[0084] 其中，S為復(fù)變量。
[0085] 1.3由Ous化Ioup近似方法得到微分算子S*"的近似表達(dá)形式如下：
[0086]
[0087] 其中，a為分?jǐn)?shù)階微分階次，0 < a < 1，N為選定的近似階次，

Wb和Wh分別為選定的擬合頻率的下限和上 限。
[0088] 1.4根據(jù)步驟1.3中的方法，將步驟1.2中的分?jǐn)?shù)階系統(tǒng)近似為整數(shù)階高階系統(tǒng)模 型，對(duì)得面I的鳥階搖巧#要睹時(shí)巧T。下巾n塞階化桂柴唐慚化，得到如下形式的模型；
[0089]
[0090] 其中，門，田（j = l，2，'''Ls)均為離散近似后得到的系數(shù)，Ls為離散模型的長(zhǎng)度。
[0091 ]步驟2、設(shè)計(jì)被控對(duì)象的分?jǐn)?shù)階預(yù)測(cè)函數(shù)控制器，具體方法如下：
[0092] 2.1計(jì)算被控對(duì)象在預(yù)測(cè)函數(shù)控制下的i步預(yù)測(cè)輸出，形式如下：
[0093]
[0094] 其中，P為預(yù)測(cè)時(shí)域，y化+i)為k+i時(shí)刻過程的預(yù)測(cè)模型輸出，i = l，2,…P。
[00M] 2.2對(duì)步驟2.1中的式子進(jìn)行整理變換，得到如下模型：
[0096] AY = BYpast+CuA)+DUpast
[0097] 其中，
[009引 Y= [y化+1) ,;y(k+2),,;y(k+P) ]T
[0099] Ypast=Wk)，y(k-l)，...，y(；k-Ls+l)]T
[0100] Upast=[u化-I)，u(k-2),u(；k-Ls+l)]T
[0101]
[0102]
[0103] 其中，T為轉(zhuǎn)置符號(hào);結(jié)合上述式子，得到被控對(duì)象的預(yù)測(cè)輸出模型為：
[0104]
[0105]
[0106] :模型，得到修正后的對(duì)象模型，形式如下：
[0107]
[010 引 E=[eA+l)，e(k+2)，...，e(k+P)]T
[0109] e(k+i)=yp(^k)-y(k),i = l,2,.-.P
[0110] 其中，yp化)是k時(shí)刻被控對(duì)象的實(shí)際輸出值，e化+i)為k+ i時(shí)刻被控對(duì)象的實(shí)際輸 出值與模型預(yù)測(cè)輸出的差值；
[0111] 2.4選取預(yù)測(cè)函數(shù)控制方法的參考軌跡yr化+i)和目標(biāo)函數(shù)Jfpfc，其形式如下：
[01 12] yr(k+i )=入Iyp化）+ ( 1-入I)c(k) , i = 0,1, ...P
[0113]
[0114] 其中，yr化+i)為k+i時(shí)刻的參考軌跡，A為參考軌跡的柔化系數(shù)，C化)為k時(shí)刻的設(shè) 定值八；：\化)表示函數(shù)f(t)在[tl，t2讓的丫次積分，D為微分符號(hào)；
[011引依據(jù)傷麻m'aW-五紹《淡視分?jǐn)?shù)階微積分定義，對(duì)上述目標(biāo)函數(shù)在采樣時(shí)間Ts進(jìn)行 離散化，得到：
[0116]
[0117] 其中，
[0118] Yr= [yr化+1) ,yr(k+2), ...yr(k+P) ]T
[0119] A (Ts, 丫）=Tsdiag(郵-I,郵-2,...,mi,m〇)
[0120] Wg 二 田扣_口
[01別]陽;"=l，Vg>0 時(shí)：
對(duì) q<0,陽 ^i=O;
[0122] 2.5依據(jù)巧驟2.4中的目標(biāo)函數(shù)求解過括輸入的最優(yōu)値，即最優(yōu)控制律，形式如下：
[0123]
[0124] 2.6在k+L時(shí)刻，L= 1，2，3，…，依照步驟2.巧Ij步驟2.5中的步驟依次循環(huán)求解分?jǐn)?shù) 階預(yù)測(cè)函數(shù)控制器的控制量U化+1)，再將其作用于被控對(duì)象。
[0125] 步驟3、利用遺傳算法優(yōu)化最優(yōu)控制律中的A，具體步驟是：
[01%] 3.1首先使用四位二進(jìn)制進(jìn)行二進(jìn)制編碼，得到第一代染色體。
[0127] 3.2洗取潰佑尊法的適應(yīng)度函數(shù)，并計(jì)算個(gè)體的適應(yīng)度值，形式如下：
[012 引
[0129] 其中，F(xiàn)是個(gè)體的適應(yīng)度函數(shù)。當(dāng)適應(yīng)度函數(shù)值大于適應(yīng)度預(yù)設(shè)值fz時(shí)，遺傳算法 終止。
[0130] 3.3刑巧輪掉法夾確定選擇算子，形式如下：
[0131]
[0132] 其中，P(Ci)是個(gè)體Cl的選擇概率，f (Cl)是個(gè)體Cl的適應(yīng)度。
[0133] 3.4利用步驟3.3中的選擇算子將染色體適應(yīng)度較高的個(gè)體選擇出來W交叉概率 Pc進(jìn)行交叉操作，產(chǎn)生下一代個(gè)體。
[0134] 3.5選取合適的巧異算子，形式如下：
[0135]
[0136] 其中，a日表示變異概率Pm的初始值，b日是變異概率的程度，g式進(jìn)化的代數(shù)，g日是變 異概率改變很大的進(jìn)化代數(shù)，a是變異速率。
[0137] 3.6在個(gè)化敬目大干種趙規(guī)橫N時(shí)，得到剪接算子，形式如下：
[013 引
[0139] 其中，P取正數(shù)。
[0140] 3.7依照步驟3.2計(jì)算每個(gè)個(gè)體的適應(yīng)度值，并判斷是否滿足終止條件，如果滿足， 則為參數(shù)的最優(yōu)解，進(jìn)行下一步操作，如果不滿足，則執(zhí)行步驟3.2到步驟3.6,直到找到滿 足終止條件為止。
[0141] 3.8對(duì)染色體進(jìn)行解碼，形式如下：
[0144] 其中，Q是長(zhǎng)度為L(zhǎng)的二進(jìn)制解碼產(chǎn)生的整數(shù)，Xj,min和Xj,max分別為輸入變量的最小
[0142]
[0143] 值和最大值，Wmax是高斯函數(shù)的基寬的最大值。
[0145]通過步驟3優(yōu)化后帶入步驟2中調(diào)整微分算子參數(shù)，在下一時(shí)刻依照步驟1到步驟3 的步驟繼續(xù)對(duì)實(shí)際過程進(jìn)行控制，依次循環(huán)。
【主權(quán)項(xiàng)】
1.遺傳算法優(yōu)化加熱爐溫度的分?jǐn)?shù)階預(yù)測(cè)函數(shù)控制方法，其特征在于該方法包括以下 步驟： 步驟1、建立工業(yè)加熱爐對(duì)象的分?jǐn)?shù)階線性模型，具體是： 步驟1.1采集加熱爐實(shí)際過程的實(shí)時(shí)輸入輸出數(shù)據(jù)，利用該數(shù)據(jù)建立被控對(duì)象在時(shí)刻t 的分?jǐn)?shù)階微分方程模型，形式如下：其中，s為復(fù)變量；步驟1.3由Oustaloup近似方法得到微分算子8°的近似表達(dá)形式如下： 其中，，α2為微分階次，CQ，C1，C2為相應(yīng)的系數(shù)，y (t)，u(t)分別為過程的輸出和輸入； 步驟1.2根據(jù)分?jǐn)?shù)階微積分定義，對(duì)步驟1.1中的模型進(jìn)行拉氏變換，得到被控對(duì)象的 傳遞函數(shù)形式如下：其中，α為分?jǐn)?shù)階微分階次，0〈α〈 1，N為選定的近似階次，〃< w::= wb和wh分別為選定的擬合頻率的下限和上限； 步驟1.4根據(jù)步驟1.3中的方法，將步驟1.2中的分?jǐn)?shù)階系統(tǒng)近似為整數(shù)階高階系統(tǒng)模 型，對(duì)得到的高階模型在采樣時(shí)間1下加零階保持器離散化，得到如下形式的模型：其中，F(xiàn)j，^(j = l，2,…Ls)均為離散近似后得到的系數(shù)，LS為離散模型的長(zhǎng)度； 步驟2、設(shè)計(jì)加熱爐對(duì)象的分?jǐn)?shù)階預(yù)測(cè)函數(shù)控制器，具體如下： 步驟2.1計(jì)算被控對(duì)象在預(yù)測(cè)函數(shù)控制下的i步預(yù)測(cè)輸出，形式如下：其中，P為預(yù)測(cè)時(shí)域，y(k+i)為k+i時(shí)刻過程的預(yù)測(cè)模型輸出，i = l，2,…P; 步驟2.2對(duì)步驟2.1中的式子進(jìn)行整理變換，得到如下模型： AY = BYpast+Cu(k)+DUpast 其中， Y=[y(k+l),y(k+2),---,y(k+P)]T Ypast=[y(k)，y(k-l)，H.，y(k-Ls+l)]T UPast= [u(k-l) ,u(k-2), ··· ,u(k-Ls+l)]T 1_. Δ其中，τ為轉(zhuǎn)置符號(hào);結(jié)合上述式子，得到被控對(duì)象的預(yù)測(cè)輸出模型為： 其中步驟2.3修正當(dāng)前時(shí)刻被控對(duì)象的預(yù)測(cè)輸出模型，得到修正后的對(duì)象模型，形式如下：E=[e(k+1) ,e(k+2),··· ,e(k+P)]τ e(k+i)=yP(k)-y(k) ,i = l,2, ·-·Ρ 其中，yP (k)是k時(shí)刻被控對(duì)象的實(shí)際輸出值，e (k+i)為k+i時(shí)刻被控對(duì)象的實(shí)際輸出值 與模型預(yù)測(cè)輸出的差值； 步驟2.4選取預(yù)測(cè)函數(shù)控制方法的參考軌跡yr (k+i)和目標(biāo)函數(shù)Jfpfc，其形式如下： yr(k+i)=A1yP(k) + (l-A1)c(k) ,i = 〇,l,-··Ρ其中，(k+i)為k+i時(shí)刻的參考軌跡，λ為參考軌跡的柔化系數(shù)，c (k)為k時(shí)刻的設(shè)定值， γ$/(〇表示函數(shù)f(t)在[tits]上的γ次積分，D為微分符號(hào)； 依據(jù)GW/mm/^-Letnikov分?jǐn)?shù)階微積分定義，對(duì)上述目標(biāo)函數(shù)在采樣時(shí)間Ts進(jìn)行離散 化，得到： 其中，Yr=[yr(k+1) ,yr(k+2) ,---yr(k+P)]T Λ ( Τ? . Υ ) = T^d i ae (mp-ι . ττιρ-9 .. mi . mn ) 步驟2.5依據(jù)步驟2.4中的目標(biāo)函數(shù)求解過程輸入的最優(yōu)值，即最優(yōu)控制律，形式如下：步驟2.6在k+L時(shí)刻，L= 1，2，3，…，依照步驟2.1到步驟2.5中的步驟依次循環(huán)求解分?jǐn)?shù) 階預(yù)測(cè)函數(shù)控制器的控制量u(k+l)，再將其作用于被控對(duì)象； 步驟3、基于遺傳算法優(yōu)化最優(yōu)控制律中的λ，具體是： 步驟3.1首先使用四位二進(jìn)制進(jìn)行二進(jìn)制編碼，得到第一代染色體； 步驟3.2選取遺傳算法的適應(yīng)度函數(shù)，并計(jì)算個(gè)體的適應(yīng)度值，形式如下：1 1 其中，F(xiàn)是個(gè)體的適應(yīng)度函數(shù);當(dāng)適應(yīng)度函數(shù)值大于適應(yīng)度預(yù)設(shè)值fz時(shí)，遺傳算法終止； 步驟3.3利用輪轉(zhuǎn)法來確定選擇算子，形式如下：其中，P (Ci)是個(gè)體Ci的選擇概率，f (Ci)是個(gè)體Ci的適應(yīng)度； 步驟3.4利用步驟3.3中的選擇算子將染色體適應(yīng)度較高的個(gè)體選擇出來以交叉概率p。 進(jìn)行交叉操作，產(chǎn)生下一代個(gè)體； 步驟3.5選取合適的變異算子，形式如下：其中，ao表示變異概率pm的初始值，bo是變異概率的程度，g式進(jìn)化的代數(shù)，go是變異概率 改變很大的進(jìn)化代數(shù)，a是變異速率； 步驟3.6在個(gè)體數(shù)目大于種群規(guī)模N時(shí)，得到剪接算子，形式如下：其中，P取正數(shù)； 步驟3.7依照步驟3.2計(jì)算每個(gè)個(gè)體的適應(yīng)度值，并判斷是否滿足終止條件，如果滿足， 則為參數(shù)的最優(yōu)解，進(jìn)行下一步操作，如果不滿足，則執(zhí)行步驟3.2到步驟3.6,直到找到滿 足終止條件為止； 步驟3.8對(duì)染色體進(jìn)行解碼，形式如下：其中，Q是長(zhǎng)度為L(zhǎng)的二進(jìn)制解碼產(chǎn)生的整數(shù)，Xj,min和Xj, max分別為輸入變量的最小值和 最大值，Wmax是高斯函數(shù)的基寬的最大值； 通過步驟3優(yōu)化后帶入步驟2中調(diào)整微分算子參數(shù)，在下一時(shí)刻依照步驟1到步驟3的步 驟繼續(xù)對(duì)實(shí)際過程進(jìn)行控制，依次循環(huán)。
【文檔編號(hào)】G05B13/04GK105955350SQ201610534739
【公開日】2016年9月21日
【申請(qǐng)日】2016年7月5日
【發(fā)明人】張日東, 張俊鋒, 王玉中
【申請(qǐng)人】杭州電子科技大學(xué)