遗传算法及在控制理论中的应用研究

论文摘要

遗传算法是基于达尔文自然选择学说和遗传学机理的一种迭代全局优化随机搜索方法,对许多传统方法难以解决的复杂对象优化问题,提供了一个行之有效的新途径,也为人工智能控制和智能控制理论的发展带来了新的生机。由于遗传算法目前还缺乏统一、完善的理论体系,而遗传算法搜索效率、范围也有待进一步搜索和扩大,同时遗传算法与模糊智能控制融合也有待进一步发展,深入开展这三方面的研究具有重要的现实意义,因此本文具体有以下内容:首先,完善遗传算法理论基础,采用遗传算法一阶模式、二阶模式再生能力概念,分析了控制因子参数之间的联系,同时给出了选择、交叉、变异遗传算子数学表述,重点对于交叉算子进行分析,总结了交叉算子搜索范围的充要条件,在利用Markov链对于两种典型遗传算法收敛性分析的基础上,总结出了一个统一的遗传算法收敛标准。其次,提出了基于计算时间效率的遗传算法性能测度标准,以此标准为参考,给出了关于种群大小、交叉概率、变异概率最佳参数选择,提出了提高遗传算法效率的几个实现方法,包括时变选择机制,自适应交叉、变异算子设计的途径,同时结合提出的新种群多样度函数,实现了一种并行结构体系下的改进型遗传算法。再次,建立了船舶线性和非线性横摇模型,并对于随机海浪仿真进行了仿真,以某型号的减摇鳍为控制对象,为解决多参数寻优而遇到的维数灾难问题,提出了遗传算法寻优体系下加速寻优参数收敛的限制初始种群产生的方法,设计了基于遗传算法优化的模糊智能控制器,实现船舶横摇减摇。最后,在不同的海况以及遭遇角下分别对船舶横摇运动线性及非线性情况进行仿真分析,通过与传统的PID设计方法的对比,结果显示所设计的遗传-模糊控制器具有更好的鲁棒性和控制效果。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 课题背景及意义
• 1.2 遗传算法发展历史及其特点
• 1.2.1 遗传算法发展历史
• 1.2.2 遗传算法特点
• 1.3 遗传算法理论研究现状
• 1.4 模糊智能控制概况
• 1.5 本文研究的内容
• 第2章 遗传算法及其理论研究
• 2.1 基本遗传算法描述
• 2.2 遗传算法模式定理分析
• 2.2.1 模式阶和定义距
• 2.2.2 模式定理
• 2.2.3 模式再生能力分析
• 2.3 马尔科夫链的定义及性质
• 2.4 遗传算子数学表述及其搜索能力
• 2.4.1 选择算子的数学表述
• 2.4.2 交叉算子的数学表述
• 2.4.3 变异算子的数学表述
• 2.4.4 交叉算子的搜索能力的证明
• 2.5 遗传算法收敛性分析
• 2.5.1 收敛性的定义
• 2.5.2 典型遗传算法的收敛性分析
• 2.5.3 遗传算法收敛性判断标准
• 2.6 本章小结
• 第3章 遗传算法的改进
• 3.1 遗传算法性能测度
• 3.2 遗传算子优化设计
• 3.2.1 选择算子的改进
• 3.2.2 交叉算子的改进
• 3.2.3 变异算子的改进
• 3.3 基于种群多样度的算法改进
• 3.4 一种新的遗传算法
• 3.5 算法性能测试分析
• 3.6 本章小结
• 第4章 遗传算法优化减摇鳍控制器设计
• 4.1 船舶横摇减摇鳍系统数学建模
• 4.1.1 船舶横摇运动线性建模
• 4.1.2 船舶横摇运动非线性模型
• 4.1.3 减摇鳍控制系统构成
• 4.2 随机海浪的仿真
• 4.3 船舶减摇鳍模糊控制器设计
• 4.3.1 模糊控制基本构成
• 4.3.2 模糊控制器设计内容
• 4.4 遗传算法优化模糊控制器设计
• 4.4.1 优化方案
• 4.4.2 适应度函数的确定
• 4.4.3 优化参数的编码
• 4.4.4 初始种群的产生
• 4.4.5 遗传算子优化设计
• 4.5 本章小结
• 第5章 船舶减摇鳍智能控制系统仿真
• 5.1 船舶减摇鳍控制系统线性模型仿真
• 5.1.1 系统线性模型下仿真曲线及横摇运动统计
• 5.1.2 系统线性模型下仿真结果分析
• 5.2 船舶减摇鳍控制系统非线性模型仿真
• 5.2.1 系统非线性模型下仿真曲线及横摇运动统计
• 5.2.2 系统非线性模型下仿真结果分析
• 5.3 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢
• 附录