遗传算法在自动控制领域中的应用综述

龚玲

摘 要：当前，许多控制领域问题，当考虑到系统优化、自适应、自学习以及自组织等方面的要求时，多存在很多常规方法难以奏效的困难。而遗传算法在自动控制领域中的应用已经得到了良好效果。如遗传算法进行航空控制系统的优化、使用遗传算法设计空间交会控制器以及运用遗传算法进行人工神经网络的结构优化设计和权值学习等都显示出了遗传算法在自动控制领域中应用的可能性。本文就对遗传算法在自动控制领域中的应用做一些探讨。

关键词：遗传算法；自动控制；应用综述

遗传算法是一类借鉴生物界的适者生存和优胜劣汰遗传机制的进化规律演变而来的随机化搜索方式。它是由美国J·Holland教授于1975年提出的，遗传算法的主要特征就是对结构对象进行直接操作，不存在求异和函数连续性的限定，具有内在的隐并性和更好的全局寻优能力，它采用概率化的寻优方式，可以自动获取以及指导优化的搜索空间，自适应地对搜索方向进行调整而不需要确定的规则。遗传算法的这些性质已经被人们广泛应用于自动控制领域当中，它是自动控制领域中的关键技术之一。

1 遗传算法在自动控制领域中的应用

在自动控制领域中，遗传算法可以分为离线设计分析以及在线自适应调节两大类。其中离线设计分析又可以分为两类，即直接设计与间接设计法。遗传算法在直接设计法当中可以作为一个搜索与优化引擎，而在间接设计法当中，遗传算法可以为其提供一个比较优化的参数如加权函数矩阵。遗传算法在线应用情况一般分为被用来当作学习机制辨识未知的特征参数和直接优化控制器的参数这两种情况，这个时候可以运用传统的辨识方式去对系统的状态进行估计，以此构成遗传算法作为自适应优化机制的自适应控制器。

1.1 系统辨识

在自动控制领域中，系统辨识是设计的基础。传统的辨识方式通常都是先把模型结构给确定好，再把模型的参数给确定好，在确定这些系统结构的时候往往要具备许多先验知识，如果结构出现不理想状态，就必须要对结构重新进行确定，然后对参数进行辨识，这就使得系统辨识比较复杂。而遗传算法的运用就改变了这一复杂化程度，它可以是连续的，能够对参数空间的不同区域进行搜索，并把这些搜索的方向指向更加优解的区域。遗传算法可以对空间中的多个点进行同时处理和搜索，增加了全局优解的效果。同时，遗传算法在模型的线性化与降价处理中应用的也比较广泛，它可以对全局最优的名义模型和加性或乘性不确定性误差界函数进行同时辨识，对那些连续以及离散系统进行处理，在控制基因中引入遗传算法并作为结构开关，可以对模型的阶次以及参数进行同时优化，既适用于时域问题又适用于频域模型。

1.2 非线性系统

在自动控制领域设计中，很多控制问题可以包含在优化的框架之内。一般情况下，这种优化任务要在一个多维空间当中对若干个参数进行同时确定，受限于实际问题，这些参数通常带有比较严格的约束以及非线性，而且指标函数不仅不能够连续而且也不可微，不一样的参数组合有可能得到一个相同的控制作用。这时运用传统优化的方式很容易对初始值的选取感到敏感，从而陷入附近的局部极值。遗传算法就给非线性系统的有效控制找到了良好途径，因为遗传算法不需要指标函数的微分，在设计自动化方法时，可以对实际系统的多个性能要求进行考虑，并且可以为非线性对象的线性控制器进行直接设计，而不用将对象线性化，很多实践都能够证明遗传算法在自动控制系统设计中有一个非常有效且合理的方法。

1.3 神经网络

近几年来，遗传算法在神经网络优化中使用的越来越广泛，这也是当前非常重要的应用方向。神经网络有着强大的棒性与容错性、大规模的行性与能学习性、比较复杂的非线性等优势，使其在自动控制领域中引起了广泛关注，对其应用的研究也非常活跃。在自动控制领域中，神经网络运用最多的就是层前馈神经网络模型，这种模型有着非常广的输入以及输出映射能力，然而因为这种模型是运用的反向传播算法，这种算法要在很长时间才能接受，并且会遇到一些局部极小的问题。当前，用遗传算法对神经网络进行优化可以分为三个方面，即对网络结构进行优化、对权系数进行优化以及对结构和参数进行同时优化。用遗传算法进行模糊神经网络权值的优化，这在许多文献资料中都有研究，依照仿真结构来进行表明，运用遗传算法对神经网络控制器进行学习，可以让神经网络的映射能力更加广泛以及遗传算法更加快速收敛。

2 对遗传算法在自动控制领域应用的展望

随着科学技术的不断提升，遗传算法得到了迅速发展，并广泛应用于各个领域当中。但是遗传算法还有许多有待解决的问题，这些问题有：算法存在早熟；收敛速度比较低，尤其是对用用到一些高维且复杂程度的问题中这种情况表现的更加明显；遗传算法本身的参数选取存在着许多困难。当前，遗传算法在自动控制领域中的应用大多数还处在仿真研究的阶段当中，实际的应用相对比较少，怎样依照自动控制系统的特点来对适用于自动控制系统分析与设计的遗传算法进行选择是以后要重点研究的内容，这就要求广大设计者要充分理解、熟悉和掌握实际工程中的问题和控制理论；要有效合理地进行编码以组成染色体以及有效解决多目标优化问题。

[参考文献]

[1]王博岩，卢肖，陈洁，张燕平.基于精英遗传算法的GSM网络频点优化设计[J].计算机技术与发展，2013（02）.

[2]梁雨生，李向波.基于遗传算法的装配线平衡问题研究[J].价值工程，2013（05）.

[3]解庆，赵小强.遗传算法编码策略研究[J].甘肃科技，2013（02）.

[4]杨骥，郝志勇，葛如炜，郑旭.基于遗传算法的发动机冷却模块振动优化[J].振动与冲击，2013（01）.