基于多种群遗传算法的模糊控制系统优化设计

论文摘要

遗传算法是一种自适应、启发式、群体型、概率性、迭代式全局收敛算法,利用遗传算法的良好的搜索特性来优化模糊控制器,可以取得很好的控制效果。本文采用改进的多种群遗传算法来优化隶属函数和控制规则。本文先对传统的双种群遗传算法进行了归纳和分析,得出一般双种群遗传算法的基本结构和特征,在此基础上提出了一种改进双种群遗传算法(CGDPGA):种群内部引入复数编码策略和仿田忌赛马的分组交叉算子来拓展个体基因包含的信息量,增强了群体中个体的多样性;种群间采用黄金分割率的个体移民方式来加快收敛,增强算法的寻优能力,避免算法陷入早熟的困境。通过选取两个经典函数对改进后的算法进行测试,实验结果表明:与一般的双种群遗传算法相比,改进后的算法在最佳解的精确度和搜索成功率上都具有一定的优越性。并将此改进算法用于优化模糊控制器的隶属度函数、量化因子和比例因子来实现模糊控制器的全面优化。Matlab仿真结果显示,与传统双种群遗传算法相比,本算法具有更强的进化能力,优化后的模糊控制器控制效果良好。在双种群算法的基础上,本文进一步提出了等级三种群遗传算法(GTPGA):算法模拟生态环境中食物链的能量传递方式构造进化链,将种群分为三个营养等级的子种群,依次为:低级种群、次优种群、高级种群,三个大小不同的种群并行进化,由低到高采用多种不同的模式来进化个体,每代沿进化链的方向从低级模式向高级模式进行个体迁移。另外将压缩因子应用于隶属度函数中,此方法可以极大的减小编码规模,提高参数寻优的搜索速度。将改进的算法用于优化隶属度函数、模糊规则、量化因子以及比例因子,实现模糊控制系统的整体寻优。从对比实验结果可以看出,经过改进遗传算法优化的模糊控制系统具有微小的超调量和较好的响应特性,稳定性好,系统的抗干扰特性良好,鲁棒性强,有更好的自适应性,取得了满意的控制效果。最后将融合该算法的模糊控制器用于一级倒立摆的控制系统仿真和实物系统控制,实验结果表明可以稳定倒立摆系统,具有良好的实时控制能力。

论文目录

• 摘要
• ABSTRACT
• 创新点摘要
• 第一章 前言
• 1.1 研究背景与意义
• 1.2 模糊控制的起源和研究现状
• 1.3 遗传算法优化模糊控制器现状
• 1.4 本文的主要研究思路与结构
• 第二章 模糊控制基础理论
• 2.1 模糊控制的数学基础
• 2.1.1 模糊集合与隶属函数
• 2.1.2 模糊关系与模糊矩阵
• 2.1.3 模糊逻辑与模糊推理
• 2.2 模糊控制系统与模糊控制器的设计
• 2.2.1 模糊控制系统原理
• 2.2.2 模糊控制器的设计
• 第三章 遗传算法基础理论
• 3.1 遗传算法的基本原理
• 3.2 遗传算法的基本操作
• 3.2.1 参数的编码
• 3.2.2 初始群体的选取
• 3.2.3 适应度函数的设计
• 3.2.4 遗传操作算子
• 3.2.5 遗传操作参数设定
• 3.3 标准遗传算法运算流程
• 第四章 双种群遗传算法对模糊控制器的优化
• 4.1 双种群遗传算法
• 4.1.1 典型双种群结构
• 4.1.2 一般双种群遗传算法
• 4.2 算法改进策略
• 4.2.1 复数编码方案
• 4.2.2 田忌赛马的分组交叉方式
• 4.3 模糊控制中待优化问题介绍
• 4.4 利用CGDPGA 优化模糊控制器的实现
• 4.4.1 参数的编码方式
• 4.4.2 初始种群的生成方式
• 4.4.3 交叉算子
• 4.4.4 选择算子
• 4.4.5 变异算子
• 4.4.6 适应度函数
• 4.4.7 个体移民
• 4.5 CGDPGA 算法操作步骤
• 4.6 数学算例测试
• 4.7 模糊控制器优化仿真
• 第五章 等级三种群遗传算法对模糊控制器的优化
• 5.1 GTPGA 算法思想
• 5.2 GTPGA 算法实现
• 5.2.1 参数的编码
• 5.2.2 初始种群的产生
• 5.2.3 选择算子
• 5.2.4 交叉算子和变异算子
• 5.2.5 进化终止规则
• 5.2.6 动态适应度函数
• 5.3 GTPGA 步骤
• 5.4 基于GTPGA 的二阶系统仿真研究
• 5.5 基于GTPGA 的倒立摆系统的模糊控制
• 5.5.1 一级倒立摆系统的数学模型
• 5.5.2 模糊控制器的设计
• 5.5.3 一级倒立摆系统的仿真研究
• 5.5.4 一级倒立摆系统的实时控制
• 结论
• 参考文献
• 发表文章目录
• 致谢
• 详细摘要