遺傳算法論文

前言：想要寫(xiě)出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇遺傳算法論文范文，相信會(huì)為您的寫(xiě)作帶來(lái)幫助，發(fā)現(xiàn)更多的寫(xiě)作思路和靈感。

遺傳算法論文范文第1篇

影響抄板落料特性的主要因素有:抄板的幾何尺寸a和b、圓筒半徑R、圓筒的轉(zhuǎn)速n、抄板安裝角β以及折彎抄板間的夾角θ等［4，9］。在不同的參數(shù)a、β、θ下，抄板的安裝會(huì)出現(xiàn)如圖1所示的情況。圖1描述了不同參數(shù)組合下抄板的落料特性橫截面示意圖。其中，圖1(a)與圖1(b)、圖1(c)、圖1(d)的區(qū)別在于其安裝角為鈍角。當(dāng)安裝角不為鈍角且OB與OC的夾角σ不小于OD與OC夾角ψ時(shí)(即σ≥ψ)，會(huì)出現(xiàn)圖1(b)所示的安裝情況;當(dāng)σ＜ψ時(shí)，又會(huì)出現(xiàn)圖1(c)與圖1(d)所示的情況，而兩者區(qū)別在于，η+θ是否超過(guò)180°，若不超過(guò)，則為圖1(c)情況，反之則為圖1(d)情況。其中，點(diǎn)A為抄板上物料表面與筒壁的接觸點(diǎn)或?yàn)槲锪媳砻媾c抄板橫向長(zhǎng)度b邊的交點(diǎn);點(diǎn)B為抄板的頂點(diǎn);點(diǎn)C為抄板折彎點(diǎn);點(diǎn)D為抄板邊與筒壁的交點(diǎn);點(diǎn)E為OB連線與圓筒內(nèi)壁面的交點(diǎn);點(diǎn)F為OC連線與圓筒內(nèi)壁面的交點(diǎn)。

1．1動(dòng)力學(xué)休止角(γ)［4，10］抄板上的物料表面在初始狀態(tài)時(shí)保持穩(wěn)定，直到物料表面與水平面的夾角大于物料的休止角(最大穩(wěn)定角)時(shí)才發(fā)生落料情況。隨著轉(zhuǎn)筒的轉(zhuǎn)動(dòng)，抄板上物料的坡度會(huì)一直發(fā)生改變。當(dāng)物料的坡度大于最大穩(wěn)定角時(shí)，物料開(kāi)始掉落。此時(shí)，由于物料的下落，物料表面重新達(dá)到最大穩(wěn)定角開(kāi)始停止掉落。然而，抄板一直隨著轉(zhuǎn)筒轉(zhuǎn)動(dòng)，使得抄板內(nèi)物料的坡度一直發(fā)生改變，物料坡度又超過(guò)最大休止角。這個(gè)過(guò)程一直持續(xù)到抄板轉(zhuǎn)動(dòng)到一定位置(即抄板位置處于最大落料角δL時(shí))，此時(shí)抄板內(nèi)的物料落空。通常，在計(jì)算抄板持有量時(shí)，會(huì)采用動(dòng)力學(xué)休止角來(lái)作為物料發(fā)生掉落的依據(jù)，即抄板內(nèi)的物料坡度超過(guò)γ時(shí)，物料開(kāi)始掉落。該角主要與抄板在滾筒中的位置δ、動(dòng)摩擦因數(shù)μ和弗勞德數(shù)Fr等有關(guān)。

1．2抄板持有量的計(jì)算

隨著抄板的轉(zhuǎn)動(dòng)，一般可以將落料過(guò)程劃分為3部分(R－1，R－2，R－3)，如圖1(a)所示。在轉(zhuǎn)動(dòng)過(guò)程中，當(dāng)抄板轉(zhuǎn)角δ超過(guò)動(dòng)力學(xué)休止角γ時(shí)，落料過(guò)程從R－1區(qū)域轉(zhuǎn)變到R－2區(qū)域，在這兩個(gè)區(qū)域內(nèi)，物料不僅受到抄板的作用還受到滾筒壁面的作用。當(dāng)物料表面上的A點(diǎn)與D點(diǎn)重合時(shí)，從R－2區(qū)域轉(zhuǎn)變到R－3區(qū)域，在該區(qū)域內(nèi)，物料僅受抄板作用［4］。然而，抄板情況為圖1(c)、圖1(d)時(shí)只會(huì)經(jīng)歷R－1、R－3區(qū)域。因?yàn)樵谶\(yùn)轉(zhuǎn)過(guò)程中，抄板上物料的A點(diǎn)與D點(diǎn)重合時(shí)抄板的轉(zhuǎn)角不會(huì)超過(guò)動(dòng)力學(xué)休止角γ，所以不會(huì)經(jīng)歷R－2區(qū)域;但是，當(dāng)物料的休止角足夠小時(shí)，由于物料表面只會(huì)與抄板接觸(即A點(diǎn)不會(huì)超出D點(diǎn))，圖1(c)、圖1(d)的抄板落料過(guò)程只會(huì)經(jīng)歷R－3區(qū)域。以下根據(jù)不同的區(qū)域建立了不同組合下抄板持料量的數(shù)學(xué)模型。

2研究結(jié)果與分析

2．1最大落料角結(jié)果分析

通過(guò)MatLab編制以上推導(dǎo)公式的計(jì)算程序，模擬計(jì)算了120種不同組合(β、θ、a不同)下抄板的最大落料角。其中，物料動(dòng)摩擦因數(shù)為0．53［8］，轉(zhuǎn)筒干燥機(jī)半徑為300mm，且其抄板安裝角為10°、30°、50°、70°、90°、110°，抄板間夾角為90°、110°、130°、150°，抄板縱向長(zhǎng)度a為30、45、60、75、90mm，橫向長(zhǎng)度b為60mm。并且，根據(jù)Kelly和O＇Donnell通過(guò)驗(yàn)證得出的公式(1)只適用于Fr小于0．4的情況［4］，此次模擬的轉(zhuǎn)筒干燥機(jī)角速度為0．84rad/s。表1給出了模擬結(jié)果中較為典型的數(shù)據(jù)。從模擬結(jié)果中可以得出，當(dāng)a、θ不變時(shí)，δL隨著安裝角β的增大而增大;當(dāng)a、β不變時(shí)，δL隨著θ的增大而減小。當(dāng)抄板情況如圖1(a)、(b)、(c)時(shí)，且β、θ不變時(shí)，抄板最大落料角隨著長(zhǎng)度a的增大而增大;而圖1(d)情況則反之，并且會(huì)出現(xiàn)最大落料角小于0°的情況，這是由于抄板無(wú)法抄起物料所導(dǎo)致的結(jié)果。另外，在圖1(d)情況下，抄板的最大落料角非常小，這會(huì)使得干燥器的效率很低。因此，在探討抄板優(yōu)化問(wèn)題上，不考慮圖1(d)這種情況下的抄板。

2．2優(yōu)化目標(biāo)與結(jié)果分析

水平直徑上均勻撒料雖好，但是物料應(yīng)與熱氣均勻接觸，如果在路徑長(zhǎng)的地方撒料多些，就可以使熱效率高些。又因?yàn)閳A筒中心熱氣量比邊緣多以及在圓筒下半部分超出干燥圓的區(qū)域存在物料，所以落料均勻度考慮為物料在干燥圓橫截面積上撒料均勻。評(píng)判干燥圓橫截面積上落料均勻的具體方法如下:把干燥圓橫截面積劃分20個(gè)等分，以水平直徑為X軸，鉛垂直徑為Y軸，圓心O為原點(diǎn)，采用定積分方法求解每個(gè)劃分點(diǎn)的x坐標(biāo)，每個(gè)劃分點(diǎn)的鉛垂線與干燥圓壁面(上半部分)有一個(gè)交點(diǎn)，連接圓心與每個(gè)點(diǎn)，可以得出每條連線與X軸的夾角δi(i=1～21，步長(zhǎng)為1，δ1為0°)，如圖2所示。在合理的設(shè)計(jì)下，不僅希望落料過(guò)程中抄板在干燥圓面積上撒料越均勻越好，δL也應(yīng)越接近180°越好。因此，優(yōu)化函數(shù)為最大落料角和抄板在干燥圓而積上落料的均方差。并且，根據(jù)國(guó)內(nèi)外實(shí)際情況，抄板的安裝角一般為90°并且抄板間夾角一般不為銳角，由于機(jī)構(gòu)的限制和不考慮圖1(d)的情況，在研究抄板優(yōu)化問(wèn)題時(shí)只探討安裝角在70°～110°、抄板夾角在90°～130°以及抄板縱向長(zhǎng)度在30～90mm之間的情況。其余參數(shù)同上。采用了線性加權(quán)和法來(lái)求解此多目標(biāo)優(yōu)化結(jié)果。其中，f1為1/δL的最優(yōu)化值，f2為q的最優(yōu)化值;均方差q=(1n∑ni=1(qi－qa)2)12，每相鄰角度落料面積差qi=A(δi)－A(δi+1)，qa為面積差的平均值。當(dāng)δL≤δi+1－δi2，n=i;反之則n=i+1，且δi+1=δL。s1、s2為權(quán)重系數(shù)，由于干燥器的效率主要與抄板的撒料均勻有關(guān)，但是如果落料角很小、撒料很均勻，干燥器效率也不高，綜合考慮下，取s1、s2分別為0．4、0．6。通過(guò)編寫(xiě)MatLab程序，確定優(yōu)化函數(shù)，然后采用MatLab遺傳算法工具箱進(jìn)行計(jì)算，設(shè)置相關(guān)參數(shù):最大代數(shù)為51，種群規(guī)模為20，交叉概率為0．2，選擇概率為0．5。運(yùn)行算法并顯示結(jié)果，β、θ、a較優(yōu)結(jié)果分別為:1．844rad、1．571rad、51．609mm。

3結(jié)論

遺傳算法論文范文第2篇

[關(guān)鍵詞]動(dòng)態(tài)資源遺傳算法任務(wù)調(diào)度網(wǎng)格

中圖分類號(hào):TP3文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1671-7597(2009)1110086-01

一、引言

網(wǎng)格計(jì)算是在Internet上的一組新興技術(shù),利用共享網(wǎng)絡(luò)提供強(qiáng)大的計(jì)算能力,任務(wù)調(diào)度系統(tǒng)是其重要的組成部分,它根據(jù)任務(wù)信息采用適當(dāng)?shù)牟呗园巡煌娜蝿?wù)分配到相應(yīng)的資源節(jié)點(diǎn)上運(yùn)行。由于網(wǎng)格系統(tǒng)的異構(gòu)性和動(dòng)態(tài)性,使得任務(wù)調(diào)度變得極其復(fù)雜。

在過(guò)去學(xué)者已經(jīng)成功地把各個(gè)人工智能算法應(yīng)用到網(wǎng)格任務(wù)調(diào)度系統(tǒng)中,如神經(jīng)網(wǎng)絡(luò)、蟻群算法、min-min算法等,并取得了巨大的成果,但由于系統(tǒng)通常不會(huì)處于以單一狀態(tài)中以人們所期望的狀態(tài)發(fā)展,從而導(dǎo)致了任務(wù)調(diào)度的復(fù)雜性,服務(wù)器由于工作任務(wù)的不確定導(dǎo)致在網(wǎng)格任務(wù)的運(yùn)行過(guò)程當(dāng)中,可能會(huì)因?yàn)槠渌驅(qū)е戮W(wǎng)格任務(wù)執(zhí)行的失敗,同時(shí)也會(huì)導(dǎo)致服務(wù)器的運(yùn)行錯(cuò)誤。對(duì)于這種情況,過(guò)去的任務(wù)調(diào)度算法并沒(méi)有考慮,所以本文結(jié)合支持向量機(jī)(SVM)與遺傳算法對(duì)動(dòng)態(tài)資源進(jìn)行預(yù)測(cè),從而達(dá)到自適應(yīng)的目的。

支持向量機(jī)可以成功地處理回歸問(wèn)題和模式識(shí)別等問(wèn)題。支持向量機(jī)將向量映射到一個(gè)更高維的空間里,在這個(gè)空間里建立有一個(gè)最大間隔超平面。在分開(kāi)數(shù)據(jù)的超平面的兩邊建有兩個(gè)互相平行的超平面。建立方向合適的分隔超平面使兩個(gè)與之平行的超平面間的距離最大化。其中支持向量機(jī)的關(guān)鍵是核函數(shù)的選取,本論文為了得到精確的數(shù)據(jù),選用徑向基(RBF)核函數(shù)來(lái)進(jìn)行。

在任務(wù)的分配方案中,本論文選擇了遺傳算法進(jìn)行任務(wù)調(diào)度,遺傳算法(Genetic Algorithm)是一種通過(guò)模擬自然進(jìn)化過(guò)程搜索最優(yōu)解的方法。遺傳算法是從代表問(wèn)題可能潛在的解集的一個(gè)種群開(kāi)始的,而一個(gè)種群則由經(jīng)過(guò)基因編碼的一定數(shù)目的個(gè)體組成。初代種群產(chǎn)生之后,按照適者生存和優(yōu)勝劣汰的原理,逐代演化產(chǎn)生出越來(lái)越好的近似解,在每一代,根據(jù)問(wèn)題域中個(gè)體的適應(yīng)度大小選擇個(gè)體,并借助于自然遺傳學(xué)的遺傳算子進(jìn)行組合交叉和變異,產(chǎn)生出代表新的解集的種群。在本論文中就是利用遺傳算法的這一特性來(lái)對(duì)任務(wù)進(jìn)行調(diào)度分配。

二、基于性能預(yù)測(cè)機(jī)制的遺傳算法任務(wù)調(diào)度總體框架

在調(diào)度框架中,為了使調(diào)度算法可以先對(duì)重要任務(wù)或資源緊急的任務(wù)進(jìn)行快速處理,所以引入了QoS機(jī)制,對(duì)每個(gè)任務(wù)進(jìn)行QoS計(jì)算,對(duì)QoS進(jìn)行排序,把QoS最高的任務(wù)首先輸入調(diào)度系統(tǒng),優(yōu)先執(zhí)行。

1.對(duì)初始任務(wù)的QoS進(jìn)行排序,然后按順序輸入到任務(wù)調(diào)度系統(tǒng)的任務(wù)群中。

2.在得到排序后的任務(wù)群后,利用以往的網(wǎng)格節(jié)點(diǎn)狀態(tài)數(shù)據(jù)進(jìn)行SVM的分類預(yù)測(cè),估計(jì)服務(wù)器的運(yùn)行情況,以調(diào)整遺傳算法的系統(tǒng)參數(shù)。

3.利用遺傳算法對(duì)任務(wù)進(jìn)行調(diào)度。

4.調(diào)度任務(wù)運(yùn)行,并且記錄實(shí)際結(jié)果,不斷調(diào)度任務(wù),直至任務(wù)隊(duì)列為空。

三、基于支持向量機(jī)的網(wǎng)格節(jié)點(diǎn)性能預(yù)測(cè)模型

本文討論的網(wǎng)格框架作為一個(gè)純計(jì)算網(wǎng)格的框架,顯然網(wǎng)格節(jié)點(diǎn)需要要比其他服務(wù)器擁有更快的速度、更大的內(nèi)存,在通常條件下這些服務(wù)器都用在商業(yè)或科研環(huán)境下,而并非私人使用,所以服務(wù)器負(fù)載具有十分明顯的周期性。

經(jīng)過(guò)實(shí)驗(yàn)證明,該模型可以對(duì)網(wǎng)格節(jié)點(diǎn)負(fù)載進(jìn)行有效預(yù)測(cè)。

四、基于遺傳算法的任務(wù)調(diào)度算法

在網(wǎng)格計(jì)算中,任務(wù)調(diào)度的實(shí)質(zhì)是將n個(gè)相互獨(dú)立的任務(wù)分配到m個(gè)異構(gòu)可用資源上,使得總?cè)蝿?wù)的完成時(shí)間最小以及資源得到充分的利用。具體描述如下:

1.J是n個(gè)需要調(diào)度的任務(wù)集合,表示第個(gè)任務(wù)。

2.R是m個(gè)可用資源集合,表示第i個(gè)資源。

3.n個(gè)任務(wù)m個(gè)不同資源上的執(zhí)行時(shí)間 是一個(gè) 的矩陣。

表示第i個(gè)任務(wù)在第j個(gè)資源上的執(zhí)行時(shí)間。

4.把任務(wù)i所需要的數(shù)據(jù)從存儲(chǔ)系統(tǒng)傳輸?shù)劫Y源j的傳輸時(shí)間為

。

5.所有任務(wù)都執(zhí)行完成的時(shí)間為時(shí)間跨度(),即

由于網(wǎng)格任務(wù)調(diào)度的目標(biāo)是時(shí)間跨度盡可能的短,因此適應(yīng)度函數(shù)可以定義為:

而染色體的編碼則用二進(jìn)制編碼方式來(lái)完成,把一個(gè)任務(wù)調(diào)度矩陣轉(zhuǎn)化為一個(gè)一維的二進(jìn)制數(shù)列。

五、網(wǎng)格調(diào)度實(shí)驗(yàn)

在實(shí)驗(yàn)中,任務(wù)的CPU時(shí)間為0到100的隨機(jī)數(shù),內(nèi)存為0到900的隨機(jī)數(shù)。在代表程序運(yùn)行之前,最大等待時(shí)間以70步長(zhǎng)的時(shí)間隨機(jī)遞增,以提供一系列的任務(wù)。網(wǎng)格節(jié)點(diǎn)CPU最大時(shí)間為1000到3000的隨機(jī)數(shù),總體內(nèi)存為4000到12000的隨機(jī)數(shù)。

從上表可知,在10次的試驗(yàn)中,遺傳算法整體上任務(wù)調(diào)度性能比min-min算法優(yōu)越,其中遺傳算法的運(yùn)行時(shí)間均比min-min算法的運(yùn)行時(shí)間少,而且在任務(wù)的丟棄方面,遺傳算法的任務(wù)丟棄數(shù)量也比min-min算法的任務(wù)丟棄少。從而表明遺傳算法比min-min算法有著更優(yōu)秀的執(zhí)行效率。

六、結(jié)論

本論文對(duì)基于動(dòng)態(tài)資源預(yù)測(cè)的遺傳算法進(jìn)行研究,實(shí)驗(yàn)驗(yàn)證了該算法作為調(diào)度函數(shù)的網(wǎng)格任務(wù)調(diào)度模型性能更加優(yōu)越,不僅縮短了任務(wù)的調(diào)度時(shí)間,也增加了任務(wù)調(diào)度可靠性,整體上優(yōu)于基于min-min算法網(wǎng)格任務(wù)調(diào)度模型。

參考文獻(xiàn):

[1]張穎峰、李毓麟,基于進(jìn)化算法的網(wǎng)格計(jì)算資源管理調(diào)度系統(tǒng)[J].計(jì)算機(jī)工程,2003,29(15):110-111.

[2]Carretero J,Xhafa F.Use of Genetic Algorithms for Scheduling Jobs in Large Scale Grid Applications[J].ūKIO TECHNOLOGINIS IR EKONOMINIS VYSTYMAS.2006,12(1):11-17.

[3]Abraham A,Buyya R,Nath B.Nature's heuristics for scheduling jobs on computational grids[C].2000.

[4]Yan H,Shen X Q,Li X,et al.An improved ant algorithm for job scheduling in grid computing[C].2005.

遺傳算法論文范文第3篇

關(guān)鍵詞: 無(wú)刷直流電動(dòng)機(jī);混合偽并行遺傳算法;MATLAB仿真

中圖分類號(hào):TP273 文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1007-9599 (2010) 10-0000-01

BLDCM Optimization of Speed Control System Based on Hybrid Parallel Genetic Algorithm

Long Ju

(Xihua University,Chengdu610039,China)

Abstract:In this paper,brushless DC motor as a controlled object,the use of the mixed pseudo-parallel genetic algorithm (MPPGA) its speed PI controller design parameters are optimized,the algorithm searches for the conventional genetic algorithm and the premature convergence and low efficiency of the shortcomings,by steepest descent method with the pseudo-parallel genetic algorithm developed a portfolio of global optimization algorithms,and the use of MATLAB 6.5 software to follow the dynamic performance of the simulation experiments,confirmed the use of the algorithm is indeed able to play the purpose of optimizing the speed performance.

Keywords:Brushless DC motor;Mixed pseudo-parallel genetic algorithm;Matlab simulation

一、MPPGA優(yōu)化PI參數(shù)數(shù)學(xué)模型的建立

(一)BLDCM轉(zhuǎn)速控制系統(tǒng)的組成

基于MPPGA優(yōu)化的無(wú)刷直流電動(dòng)機(jī)轉(zhuǎn)速控制系統(tǒng)的組成框圖如上圖1所示。整個(gè)系統(tǒng)的運(yùn)行采用了雙閉環(huán)的控制策略:即電流環(huán)和轉(zhuǎn)速環(huán),其中電流環(huán)采用了基本的PI控制算法設(shè)計(jì)電流PI控制器,轉(zhuǎn)速環(huán)則采用了混合偽并行遺傳算法(MPPGA)設(shè)計(jì)轉(zhuǎn)速PI控制器。

(二)MPPGA優(yōu)化數(shù)學(xué)模型的建立

無(wú)刷直流電動(dòng)機(jī)轉(zhuǎn)速PI控制器的設(shè)計(jì)參數(shù)為比例放大系數(shù) 和積分時(shí)間常數(shù) 。考慮到系統(tǒng)有兩個(gè)性能指標(biāo):超調(diào)量 和調(diào)節(jié)時(shí)間 ,所以用MPPGA對(duì)轉(zhuǎn)速控制器的PI參數(shù)進(jìn)行優(yōu)化的任務(wù)便是綜合調(diào)配這兩項(xiàng)性能指標(biāo),使之達(dá)到用戶能滿意的最優(yōu)結(jié)果。我們以常規(guī)工程設(shè)計(jì)方法達(dá)到的指標(biāo) 作為參考,通過(guò)引入設(shè)計(jì)參數(shù)的隸屬度函數(shù)而合成統(tǒng)一的目標(biāo)函數(shù)為F:

由于混合偽并行遺傳算法的需要,設(shè)計(jì)參數(shù)須有一個(gè)明確的取值范圍,為充分利用常規(guī)工程設(shè)計(jì)方法的合理內(nèi)核,我們以常規(guī)工程設(shè)計(jì)法整定出的 的兩個(gè)參數(shù)值 為中心,然后在此兩個(gè)數(shù)值附近向兩邊拓展參數(shù)的求解空間,從而可以使遺傳搜索空間大大減小,能較快搜索到最優(yōu)解。綜上所述,將系統(tǒng)優(yōu)化模型歸納成方程如下:

min F(2)

約束條件(3)

; 其中 為[0,1]內(nèi)選定的數(shù)值。

二、MPPGA優(yōu)化PI參數(shù)的算法設(shè)計(jì)

本文應(yīng)用MPPGA優(yōu)化PI參數(shù)是按照如下步驟完成的:(一)運(yùn)行參數(shù)設(shè)置:確定混合偽并行遺傳算法的運(yùn)行參數(shù):總的種群規(guī)模N;每個(gè)子種群的規(guī)模M;最大進(jìn)化代數(shù)MAXGEN;局部線性搜索運(yùn)算的概率Ps。(二)初始種群的產(chǎn)生:隨機(jī)產(chǎn)生初始群體 ,其中 為分組數(shù)。(三)分組計(jì)算各子群體 中個(gè)體的適應(yīng)度:對(duì)第 代子種群 ,按照公式(1)和(2)計(jì)算其對(duì)應(yīng)的適應(yīng)度值 。(四)對(duì)各 分組進(jìn)行獨(dú)立的遺傳運(yùn)算:對(duì)子種群 中的每一個(gè)個(gè)體 依其適應(yīng)度值 執(zhí)行下列操作:(1)選擇運(yùn)算:首先找出當(dāng)前各子群體中適應(yīng)度最高和最低的個(gè)體,將最佳個(gè)體保留并用其替換掉最差個(gè)體,允許此時(shí)的最佳個(gè)體不參與交叉和變異而直接進(jìn)入下一代,其余的個(gè)體按照其適應(yīng)度值的大小進(jìn)行排序,然后運(yùn)用比例選擇法從 中選取兩個(gè)個(gè)體 和 。(2)交叉運(yùn)算:按照自適應(yīng)的交叉概率 的公式(4)對(duì) 和 進(jìn)行自適應(yīng)的交叉運(yùn)算生成 和 。

[注:式中 為子種群中最大的適應(yīng)度值; 為每代子種群中的平均適應(yīng)度值; 為子種群中要交叉的兩個(gè)個(gè)體中較大的適應(yīng)度值; 之間的常數(shù)];(3)變異運(yùn)算:按照自適應(yīng)的變異概率 的公式(5)對(duì) 和 進(jìn)行自適應(yīng)的變異運(yùn)算生成兩個(gè)新個(gè)體 和 。

[式中 為子種群中最大的適應(yīng)度值; 為每代子種群的平均適應(yīng)度值; 為子種群中要變異的個(gè)體的適應(yīng)度值; 之間的常數(shù)值]由產(chǎn)生的這M個(gè)新個(gè)體 和 組成子種群 的中間種群 ,并由這 個(gè)子中間種群 組成一個(gè)整體中間種群 。(五)局部搜索尋優(yōu):對(duì)中間種群 利用最速下降法以局部搜索概率Ps[一般取0.4-0.7之間的任一值]對(duì)其進(jìn)行快速局部搜索尋優(yōu),從而得到尋優(yōu)后的中間種群 。(六)再次按照公式(1)和(2)分組計(jì)算局部搜索尋優(yōu)運(yùn)算后的種群 中各個(gè)個(gè)體的適應(yīng)度。(七)由信息交換模型進(jìn)行各子中間種群 之間的信息交換,根據(jù)劃分的群體,本文采用踏腳石模型來(lái)進(jìn)行信息交換,根據(jù)第6步計(jì)算出來(lái)的適應(yīng)度,在子中間種群中選擇目前最優(yōu)的個(gè)體替代其他子中間種群中最差的個(gè)體,替代后加以組合構(gòu)成 代種群: ,選出第 代中適應(yīng)性最強(qiáng)的個(gè)體 。8、運(yùn)算終止條件判斷:判斷遺傳運(yùn)算的代數(shù)是否超過(guò)設(shè)定代數(shù),沒(méi)有就轉(zhuǎn)到第 3步繼續(xù)進(jìn)行遺傳運(yùn)算,有則選取 作為優(yōu)化后的PI參數(shù)輸出。

三、仿真實(shí)驗(yàn)

(一)仿真參數(shù)的設(shè)置

本文所用的無(wú)刷直流電動(dòng)機(jī)(24V,70W)其轉(zhuǎn)速環(huán)等效被控對(duì)象為二階傳遞函數(shù)

1.使用常規(guī)工程設(shè)計(jì)法整定轉(zhuǎn)速PI控制器得到參數(shù)為

2.使用常規(guī)GA(NGA)對(duì)轉(zhuǎn)速控制器的PI參數(shù)進(jìn)行優(yōu)化,其仿真參數(shù)設(shè)置如下表1所示。

3.使用MPPGA對(duì)轉(zhuǎn)速控制器的PI參數(shù)進(jìn)行優(yōu)化,其仿真參數(shù)設(shè)置如下表2所示。

為了便于進(jìn)行對(duì)比分析,將常規(guī)遺傳算法(NGA)和混合偽并行遺傳算法(MPPGA)優(yōu)化后的PI參數(shù)代入轉(zhuǎn)速控制器,運(yùn)用MATLAB對(duì)其兩種遺傳算法下的動(dòng)態(tài)跟隨性能進(jìn)行了多次仿真實(shí)驗(yàn)都得到相似的結(jié)果。

參考文獻(xiàn):

[1]周明,孫樹(shù)棟.遺傳算法原理及應(yīng)用[M].北京:國(guó)防工業(yè)出版社,1999

[2]王小平,曹立明.遺傳算法――理論、應(yīng)用與軟件實(shí)現(xiàn)[M],西安:西安交通大學(xué)出版社,2002

[3]龍駒.永磁無(wú)刷直流電動(dòng)機(jī)轉(zhuǎn)速控制系統(tǒng)的優(yōu)化設(shè)計(jì)[M].成都:西南交通大學(xué)出版社,2006

[4]牛志華.一類混合遺傳算法的研究[M].西安:西安交通大學(xué)碩士學(xué)位論文,2002

[5]劉金琨.先進(jìn)PID控制MATLAB仿真(第2版)[M].北京:電子工業(yè)出版社,2004

[6]張曉偉.混合遺傳算法(HGA)的研究[M].西安:西北大學(xué)碩士學(xué)位論文,2005

遺傳算法論文范文第4篇

Abstract： In this paper， the basic principle and structure of boiler water level control system are analyzed. Aiming at the shortcomings of the traditional PID controller， boiler water level controller based on genetic algorithm is designed， and then the boiler water level control system is established. Fnally， The water level controller is verified by simulation to have good effect in improving water system steady-state error and dynamic overshoot.

關(guān)鍵詞： 鍋爐水位；PID控制；遺傳算法

Key words： boiler water level；PID control；genetic algorithm

中圖分類號(hào)：TP273 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-4311（2014）29-0070-02

0 引言

鍋爐是我國(guó)現(xiàn)代工業(yè)中的重要設(shè)備，同時(shí)也是生活中必不可少的供暖供水設(shè)施，在全國(guó)各地中小學(xué)有著廣泛的應(yīng)用。學(xué)校具有人口密度大等問(wèn)題，而且學(xué)生年齡較小，自我保護(hù)意識(shí)薄弱，因此，保證鍋爐的安全穩(wěn)定運(yùn)行具有重要的意義。水位是鍋爐正常運(yùn)行中必須控制的一個(gè)重要參數(shù)，它直接影響到鍋爐系統(tǒng)的安全性與穩(wěn)定性。因此，水位控制是鍋爐控制系統(tǒng)中的一個(gè)重要組成部分，但同時(shí)這也是一個(gè)復(fù)雜的控制過(guò)程。由于鍋爐負(fù)荷波動(dòng)范圍大、啟停頻繁，人工操作一般很難保證系統(tǒng)長(zhǎng)期安全穩(wěn)定的運(yùn)行，所以，自動(dòng)控制已成為鍋爐安全高效運(yùn)行的保證。[1，2，5]

目前傳統(tǒng)PID控制是采用最多的鍋爐水位控制方式，但是因?yàn)殄仩t各種參數(shù)的頻繁變化，導(dǎo)致傳統(tǒng)PID控制方式往往難以實(shí)現(xiàn)預(yù)期的要求。隨著現(xiàn)代控制理論的發(fā)展，各種先進(jìn)控制算法不斷出現(xiàn)，本文在此基礎(chǔ)上提出了基于遺傳算法的鍋爐水位PID控制方式，該控制方式可以實(shí)參系統(tǒng)參數(shù)自整定，克服了傳統(tǒng)PID控制方式的控制精度差以及參數(shù)變化復(fù)雜等缺點(diǎn)，基本可以實(shí)驗(yàn)鍋爐水位較高精度的實(shí)時(shí)控制。[2-4]

1 鍋爐水位控制系統(tǒng)結(jié)構(gòu)及原理

鍋爐水位控制系統(tǒng)主要包括鍋爐水位檢測(cè)、進(jìn)水流量檢測(cè)、閥門控制等幾個(gè)單元。一般而言，在控制鍋爐水位時(shí)控制系統(tǒng)首先檢測(cè)給定水位和實(shí)際水位、進(jìn)水控制閥與負(fù)載等參數(shù)，然后動(dòng)作進(jìn)水控制閥并檢測(cè)水位是否達(dá)到給定要求，以此判斷進(jìn)水控制閥的開(kāi)通和關(guān)斷。基于遺傳算法的水位控制器在傳統(tǒng)PID控制中注入了類似人的思想意識(shí)，通過(guò)基于遺傳算法設(shè)計(jì)的PID控制器來(lái)推算控制系統(tǒng)需要的各個(gè)參數(shù)，并應(yīng)用于控制系統(tǒng)中。[4，7]

系統(tǒng)為雙閉環(huán)控制：外環(huán)由水位變送器、控制器、內(nèi)環(huán)回路及控制對(duì)象構(gòu)成，稱為水位環(huán)，主要作用是控制鍋爐水位高低也主控環(huán)；內(nèi)環(huán)是進(jìn)水流量測(cè)量裝置、控制器、進(jìn)水控制閥構(gòu)成的回路，也稱為流量環(huán)，主要作用是控制進(jìn)水側(cè)的擾動(dòng)，穩(wěn)定流量，內(nèi)環(huán)為輔助環(huán)。基于遺傳算法的鍋爐水位控制系統(tǒng)結(jié)構(gòu)圖如圖1所示。

2 基于遺傳算法的PID控制器設(shè)計(jì)

本文在設(shè)計(jì)基于遺傳算法的PID控制器時(shí)主要遵循以下思想。

首先，把PID控制器需要的三個(gè)關(guān)鍵參數(shù)kp，ki，kd按照進(jìn)行二進(jìn)制編碼，取值范圍根據(jù)系統(tǒng)實(shí)際參數(shù)確定，由此得到三個(gè)字串；然后，將三個(gè)字串相連來(lái)構(gòu)成一個(gè)完整空間個(gè)體，隨即便可產(chǎn)生一定數(shù)量的個(gè)體；最后，根據(jù)遺傳算法對(duì)每個(gè)個(gè)體進(jìn)行計(jì)算以此得出新的個(gè)體，對(duì)每個(gè)新個(gè)體進(jìn)行適度評(píng)估以及遺傳算法操作。[6]

如果新個(gè)體不滿足系統(tǒng)要求可按照上述思想重復(fù)進(jìn)行直到滿足優(yōu)化條件。遺傳算法PID控制器系統(tǒng)結(jié)構(gòu)圖如圖2示。

3 控制系統(tǒng)仿真及分析

根據(jù)上文中設(shè)計(jì)的控制系統(tǒng)及控制器在MATLAB/simulink環(huán)境下搭建仿真模型。設(shè)置某校鍋爐蒸發(fā)量為126t/h，鍋爐水位要求穩(wěn)定在設(shè)定值的[-4.2，4.2]cm范圍內(nèi)，閥門控制信號(hào)為4～20mA電流信號(hào)。[4]

根據(jù)鍋爐控制系統(tǒng)結(jié)構(gòu)及參數(shù)可以得到系統(tǒng)各單元的傳遞函數(shù)如下。

進(jìn)水流量控制器傳遞函數(shù)：G1（s）=0.4

水位控制器傳遞函數(shù)：G2（s）=■

進(jìn)水流量與水位的傳遞函數(shù)：G3（s）=■=■

控制閥增益設(shè)為：kf=2.6，進(jìn)水流量、水位變送器的轉(zhuǎn)換系數(shù)分別為：？酌w=0.42，？酌H=1.2，kp=20，ki=0.02仿真時(shí)間設(shè)為100s，輸入為階躍信號(hào)，同時(shí)可在系統(tǒng)運(yùn)行至40s時(shí)加入一干擾信號(hào)，以此檢測(cè)系統(tǒng)的抗干擾性能。

為證明基于遺傳算法的PID控制器在控制系統(tǒng)中的優(yōu)越性，在MATLAB/simulink中分別搭建基于傳統(tǒng)PID的鍋爐控制系統(tǒng)仿真模型以及加入遺傳算法優(yōu)化的鍋爐控制系統(tǒng)仿真模型，然后在相同參數(shù)下進(jìn)行仿真以可觀地對(duì)比仿真結(jié)果。

兩種控制系統(tǒng)的仿真輸入波形如圖3、4所示。

通過(guò)圖3及圖4分析可知：如果鍋爐控制系統(tǒng)采用加入遺傳算法的PID控制器，輸出具有靜態(tài)穩(wěn)態(tài)誤差小，超調(diào)低等優(yōu)點(diǎn)，輸出波形較傳統(tǒng)PID控制明顯改善，結(jié)果較為理想。

4 結(jié)論

本文說(shuō)明了鍋爐系統(tǒng)水位控制的重要性，分析了鍋爐水位基本原理及傳統(tǒng)PID控制方法，在此基礎(chǔ)上提出了基于遺傳算法的新型PID控制器設(shè)計(jì)方法，然后根據(jù)該控制器設(shè)計(jì)了具有參數(shù)自動(dòng)檢測(cè)功能的新型智能控制系統(tǒng)，并在MATLAB/simulink中分別搭建基于傳統(tǒng)PID的鍋爐控制系統(tǒng)仿真模型以及加入遺傳算法優(yōu)化的鍋爐控制系統(tǒng)仿真模型。通過(guò)兩種模型的仿真結(jié)果可以明顯看出，加入遺傳算法優(yōu)化的鍋爐控制系統(tǒng)無(wú)論在系統(tǒng)超調(diào)及穩(wěn)態(tài)誤差等方面均有較好的改善，系統(tǒng)收斂速度明顯優(yōu)于傳統(tǒng)PID控制。因此，該控制器無(wú)論在學(xué)校鍋爐或者工廠企業(yè)的大型鍋爐系統(tǒng)中都具有良好的應(yīng)用前景。

參考文獻(xiàn)：

[1]李遵基.熱工自動(dòng)控制系統(tǒng)[M].北京：中國(guó)電力出版社，2001.

[2]張曉楠，方浩，戴冠.遺傳算法的編碼機(jī)制研究[J].信息與控制，1997，26（2）：134-139.

[3]郭慶鼎，李蒙，郭威.PID控制器參數(shù)的遺傳算法優(yōu)化設(shè)計(jì)[J].沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào)，2000，22（1）：31-33.

[4]蔡有社.基于ARM的鍋爐汽包水位控制系統(tǒng)的研究[D]. 安徽理工大學(xué)碩士學(xué)位論文，2011.

[5]周佳，曹小玲，劉永文.鍋爐汽包水位控制策略的現(xiàn)狀分析[J].鍋爐技術(shù)，2005，36（3）：5-10.

遺傳算法論文范文第5篇

摘要：2-狀態(tài)串-并聯(lián)網(wǎng)絡(luò)系統(tǒng)，單目標(biāo)-單約束可靠性優(yōu)化問(wèn)題是NP-難的，有很多不同的智能優(yōu)化算法求最優(yōu)解，在實(shí)際應(yīng)用中存在對(duì)不同類型的智能算法進(jìn)行選擇問(wèn)題。本文通過(guò)運(yùn)用常見(jiàn)的智能算法：模擬退火算法、蟻群算法、遺傳算法、粒子群優(yōu)化算法，對(duì)2-狀態(tài)單目標(biāo)-單約束串-并聯(lián)系統(tǒng)可靠性模型用MATLAB編程求解，對(duì)算法參數(shù)、算法收斂性、算法執(zhí)行時(shí)間等進(jìn)行比較。計(jì)算機(jī)仿真結(jié)果表明，對(duì)給定的測(cè)試實(shí)例，蟻群算法、粒子群優(yōu)化算法都快速的收斂到問(wèn)題的最優(yōu)解，而模擬退火算法、遺傳算法雖然也能收斂到最優(yōu)解，但較多情況下不能收斂到最優(yōu)解。蟻群算法、粒子群優(yōu)化算法在求解單目標(biāo)-單約束串-并聯(lián)網(wǎng)絡(luò)可靠性優(yōu)化問(wèn)題中是更有效的工具。

關(guān)鍵詞 ：可靠性優(yōu)化，串-并聯(lián)網(wǎng)絡(luò)，智能算法，算法收斂性，最優(yōu)解

中文分類號(hào)：TP393 文獻(xiàn)標(biāo)識(shí)碼：A

引言

系統(tǒng)可靠性是系統(tǒng)設(shè)計(jì)必須考慮的性能指標(biāo)。可靠性優(yōu)化是可靠性理論和工程中的重要研究領(lǐng)域，很多優(yōu)化問(wèn)題屬于大規(guī)模非線性優(yōu)化問(wèn)題，屬于NP-難的，傳統(tǒng)的優(yōu)化方法僅有少數(shù)算法被證明是有效的；20世紀(jì)80年代以來(lái)，一些新穎的優(yōu)化算法，如人工神經(jīng)網(wǎng)絡(luò)、遺傳算法、模擬退火、蟻群算法以及混合優(yōu)化策略等，為解決復(fù)雜問(wèn)題提供了新的思路與手段[1-4]。

2-狀態(tài)網(wǎng)絡(luò)系統(tǒng)構(gòu)建過(guò)程中，人們除了關(guān)心系統(tǒng)的可靠度外，還要考慮元件的數(shù)量、體積、價(jià)格等因素[3]，從而可靠性優(yōu)化模型可以分為：（1）構(gòu)成系統(tǒng)的元件數(shù)量、價(jià)格、體積等不超過(guò)某一數(shù)量界限等約束條件，目標(biāo)是選擇合適的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，使構(gòu)造出來(lái)的系統(tǒng)具有最大可靠性（2）網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)具有相對(duì)固定的形狀，且構(gòu)成系統(tǒng)的可靠度滿足一定的最低條件，目標(biāo)是選擇合適數(shù)量的元件、或適當(dāng)分配具有不同可靠度的元件，使元件用量最少、或體積最小或價(jià)格最低等。可靠性優(yōu)化問(wèn)題也可分為[4]：（1）單目標(biāo)的可靠性優(yōu)化問(wèn)題，進(jìn)一步還可以分為冗余系統(tǒng)的可靠性優(yōu)化問(wèn)題、具有比較設(shè)計(jì)的可靠性優(yōu)化問(wèn)題、時(shí)間相關(guān)的可靠性分配優(yōu)化問(wèn)題、帶有置信區(qū)間的可靠性優(yōu)化問(wèn)題（2）多目標(biāo)的可靠性優(yōu)化問(wèn)題。

在實(shí)際應(yīng)用中，存在著多種優(yōu)化算法怎么樣合理選擇的問(wèn)題。本文選擇模擬退火算法、蟻群算法、遺傳算法、粒子群優(yōu)化算法，對(duì)選定可靠性優(yōu)化模型的實(shí)例進(jìn)行編程測(cè)試，模型屬于2-狀態(tài)串-并聯(lián)、子系統(tǒng)元件都相同，不同子系統(tǒng)元件一般不相同的單目標(biāo)-單約束、目標(biāo)函數(shù)最小化可靠性優(yōu)化問(wèn)題。根據(jù)模擬仿真結(jié)果，對(duì)用常見(jiàn)智能算法求解網(wǎng)絡(luò)可靠性優(yōu)化問(wèn)題算法的選擇提出建議。

1、可靠性優(yōu)化模型

1.1 假設(shè)

（1）研究的網(wǎng)絡(luò)是2-狀態(tài)網(wǎng)絡(luò)。網(wǎng)絡(luò)和構(gòu)成網(wǎng)絡(luò)的元件有且只有兩種狀態(tài)，即正常工作狀態(tài)和失效狀態(tài)。

（2）網(wǎng)絡(luò)用一個(gè)無(wú)向圖G =（V，E）表示，其中V表示網(wǎng)絡(luò)結(jié)點(diǎn)集合，E代表邊的集合。s是源結(jié)點(diǎn)，t是匯結(jié)點(diǎn)。

（3）結(jié)點(diǎn)是完全可靠的，永不失效。

（4）網(wǎng)絡(luò)是耦合的（Coherent）。

（5）邊的失效是統(tǒng)計(jì)獨(dú)立的。某一邊處于某種狀態(tài)的概率是已知的。

1.2 模型

假設(shè)系統(tǒng)G=(V，E)由n個(gè)獨(dú)立子系統(tǒng)組成，如圖1所示，在每個(gè)子系統(tǒng)中使用相同的2-狀態(tài)元件，Cn表示系統(tǒng)的總價(jià)格（這里僅僅考慮元件費(fèi)用），R表示系統(tǒng)可靠性，ci表示第i種元件的單價(jià)，xi是第i個(gè)子系統(tǒng)第i種部件的個(gè)數(shù)，xi＞=1，R0是系統(tǒng)要達(dá)到預(yù)定的可靠度。

2、算法的實(shí)現(xiàn)

模擬退火算法、蟻群算法、遺傳算法的原理、自然語(yǔ)言描述，請(qǐng)參閱高尚[3]等論文，粒子群優(yōu)化算法請(qǐng)參閱王正初[5]等論文。用Matlab2008a編程，計(jì)算機(jī)上進(jìn)行仿真(基本配置為CPUB960@2.2Ghz，2.2Ghz、內(nèi)存4G、Windows 7操作系統(tǒng))。

2.1 模擬退火算法

算法如圖2所示。

3、仿真實(shí)例

設(shè)圖1模型中，由5個(gè)子系統(tǒng)組成，每個(gè)子系統(tǒng)中元件的正常工作概率、開(kāi)路失效概率和短路失效概率如下：p1=0.96，p2=0.93，p3=0.85，p4=0.80，p5=0.75；c1=3元，c2=12元，c3=8元， c4=5元，c5=10元，系統(tǒng)要求R0=0.9。

模擬退火算法測(cè)試結(jié)果： 取T = 1 0 0 0 0 0 0 ， T 0= 1 . 0 ，a=0.90，初始解為（4,4,4,4,4）（是可行解）。計(jì)算50次，計(jì)算最優(yōu)解情況如下：最小費(fèi)用是81元，最大費(fèi)用103元；平均費(fèi)用（近似最優(yōu)費(fèi)用）85.24元，算法平均執(zhí)行時(shí)間0.1747秒，取得最優(yōu)解20次，此時(shí)最優(yōu)解為（2，2，2，3，2）。其中，模擬退火算法執(zhí)行過(guò)程中產(chǎn)生的費(fèi)用—迭代次數(shù)關(guān)系，如圖6(a)所示。算法基本達(dá)到了高尚[3]等推薦的最好算法（蟻群算法）水平。蟻群算法的測(cè)試結(jié)果：取M=106，xm a x= 4 ， β = 0 . 9 ，[τij]4×5=[10]4×5，Q=10，初始解取（1,1,1,1,1）（不是可行解），計(jì)算50次，全部都收斂到最優(yōu)解（2，2，2，3，2），最優(yōu)解費(fèi)用81元，算法平均執(zhí)行時(shí)間0.3069秒。算法的收斂情況好于高尚[3]等推薦的最好算法（蟻群算法）水平，與王正初[5]等微粒群算法的效果相同。蟻群算法執(zhí)行產(chǎn)生的費(fèi)用—迭代次數(shù)關(guān)系，見(jiàn)圖6(b)。

遺傳算法的測(cè)試結(jié)果：取M=250，N=30，Pc= 0 . 2 ，Pm=0.5，遺傳代數(shù)tt=100，t=1，初始解選為（4,4,4,4,4）。算法執(zhí)行50次，計(jì)算最優(yōu)解情況如下：最小費(fèi)用是81元，最大費(fèi)用93元；平均費(fèi)用82.72元，算法平均執(zhí)行時(shí)間0.8349秒，取得最優(yōu)解34次，此時(shí)最優(yōu)解為（2，2，2，3，2）。其中，遺傳算法執(zhí)行過(guò)程中產(chǎn)生的費(fèi)用—迭代次數(shù)關(guān)系，如圖6(c)所示。除了時(shí)間因素外，算法收斂情況好于高尚[3]等推薦的最好算法（蟻群算法）水平。

微粒群算法的測(cè)試結(jié)果：取加速度常數(shù)c1=c2=1.4962；種群規(guī)模N=20，進(jìn)化最大代數(shù)Gmax=100，權(quán)重w滿足：w=0.9-0.5*(t-1)/99 ，初始解為（4,4,4,4,4。算法執(zhí)行50次，計(jì)算最優(yōu)解情況如下：算法全部收斂到最優(yōu)解（2，2，2，3，2），最小費(fèi)用是81元，算法平均執(zhí)行時(shí)間0.4272秒。其中，微粒群算法執(zhí)行過(guò)程中產(chǎn)生的費(fèi)用—迭代次數(shù)關(guān)系，如圖6(d)所示。算法收斂情況好于高尚[3]等推薦的最好算法（蟻群算法）水平，與王正初[5]等算法收斂情況一致。