時(shí)間：2022-11-21 03:19:50
序論：速發(fā)表網(wǎng)結(jié)合其深厚的文秘經(jīng)驗(yàn)，特別為您篩選了11篇遺傳算法論文范文。如果您需要更多原創(chuàng)資料，歡迎隨時(shí)與我們的客服老師聯(lián)系，希望您能從中汲取靈感和知識(shí)！
2遺傳算法在計(jì)算機(jī)網(wǎng)絡(luò)可靠度優(yōu)化計(jì)算中的應(yīng)用研究
2.1遺傳運(yùn)算方法
在計(jì)算機(jī)網(wǎng)絡(luò)中遺傳運(yùn)算主要是以變異和交叉這兩種方式進(jìn)行。交叉主要是通過(guò)在網(wǎng)絡(luò)結(jié)點(diǎn)的范圍（[1，N]）之間的隨機(jī)數(shù)，以此作為基因交叉位置的設(shè)置且一次只可以操作一個(gè)結(jié)點(diǎn)。這樣能夠最大程度地確保網(wǎng)絡(luò)的連通性，但也有可能出現(xiàn)錯(cuò)的連通結(jié)構(gòu)，所以進(jìn)行調(diào)整操作；變異則是先確定基因的變異和數(shù)目，然后再根據(jù)范圍來(lái)選擇新的基因段替換舊基因段生成后代。一般變異率都在0.001到0.01內(nèi)，如是變異出現(xiàn)了錯(cuò)誤的網(wǎng)絡(luò)連通結(jié)構(gòu)基因，就必須進(jìn)行相應(yīng)的調(diào)整。
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。
0引言
遺傳算法是一種較新的全局優(yōu)化搜索算法，它使用了群體搜索技術(shù)，用種群代表一組問(wèn)題解，通過(guò)對(duì)當(dāng)前種群施加選擇、交叉和變異等一系列遺傳操作，從而產(chǎn)生新的一代種群，并逐漸使種群進(jìn)化到包含最優(yōu)解或近似最優(yōu)解的狀態(tài)。但由于算法復(fù)雜度的限制, 遺傳算法雖然能以概率收斂到全局最優(yōu)解，其局部搜索速度和精度并不能得到很好的保證。近幾年來(lái)遺傳算法作為優(yōu)良的全局尋優(yōu)方法日趨成熟,尤其是和其他尋優(yōu)方法的結(jié)合,進(jìn)一步提高了遺傳算法的性能，其中借助于混沌改進(jìn)遺傳算法的性能,是近年來(lái)遺傳算法領(lǐng)域研究的熱點(diǎn)之一，遺傳算法和混沌優(yōu)化的組合,可以使遺傳算法的全局尋優(yōu)能力,搜索精度,搜索速度等幾方面得到較明顯的改進(jìn)。
1混沌的特征和蟲(chóng)口方程
混沌是存在于非線形系統(tǒng)中的一種較為普遍的現(xiàn)象。混沌并不是一片混亂，而是有著精致內(nèi)在結(jié)構(gòu)的一類現(xiàn)象。混沌運(yùn)動(dòng)具有遍歷性、隨機(jī)性等特點(diǎn)，混沌運(yùn)動(dòng)能在一定的范圍內(nèi)按照其自身的規(guī)律不重復(fù)地遍歷所有狀態(tài)。因此，如果利用混沌變量進(jìn)行優(yōu)化搜索，無(wú)疑會(huì)比隨機(jī)搜索更具有優(yōu)越性。
描述生態(tài)學(xué)上的蟲(chóng)口模型Logistic映射自May于1976年開(kāi)始研究以來(lái)，受到了非線形科學(xué)家的高度關(guān)注，Logistic映射是混沌理論發(fā)展史上不可多得的典范性的混沌模型，如下式所示：
2混沌遺傳算法
GA較傳統(tǒng)數(shù)學(xué)優(yōu)化方法更易找到全局最優(yōu)解，但對(duì)于一些問(wèn)題也存在過(guò)早收斂、收斂速度較慢、難以找到較精確解的情況。因此，本文通過(guò)Logistic映射及相關(guān)混沌理論提出了一種運(yùn)算性能較好的混沌遺傳函數(shù)優(yōu)化算法?；煦邕z傳算法(CGA)的主要步驟如下：
1.初始化:預(yù)先確定運(yùn)行參數(shù)，包括：種群規(guī)模M，交叉概率pc，變異概率pm，最大迭代次數(shù)n。隨機(jī)產(chǎn)生一個(gè)分布均勻的初始群體(包含n個(gè)初始解)，計(jì)算各個(gè)個(gè)體的適應(yīng)度值；
2.采用比例選擇算子對(duì)當(dāng)前種群進(jìn)行選擇操作，實(shí)現(xiàn)強(qiáng)留劣汰；
3.對(duì)當(dāng)前種群進(jìn)行交叉運(yùn)算。將種群內(nèi)個(gè)體兩兩隨機(jī)組合，對(duì)每個(gè)配對(duì)的組合，首先由系統(tǒng)隨機(jī)生成一個(gè)(0,1)之間的數(shù)，由交叉概率決定是否交叉。論文參考。論文參考。若交叉，則采用映射生成的序列經(jīng)簡(jiǎn)單映射后利用高斯函數(shù)來(lái)決定交叉位置，否則，看下一對(duì)組合。所有的交叉位置由一個(gè)混沌序列即可決定；
5.若終止條件滿足，則算法中止，否則轉(zhuǎn)向步驟(2)。
本文嘗試在將改進(jìn)后的遺傳算法與混沌優(yōu)化算法相結(jié)合，提出一種基于混沌理論的混合遺傳算法，算法的流程如下頁(yè)流程圖所示：
圖1 改進(jìn)后的混沌遺傳算法（ICGA）流程圖
3仿真分析
本文選用一維和多維多峰值函數(shù)為例，見(jiàn)表1，用遺傳算法（GA）、混沌遺傳算法（CGA）和本文算法（ICGA）進(jìn)行比較研究。
表1 測(cè)試函數(shù)
實(shí)驗(yàn)結(jié)果比較如下（以下圖縱坐標(biāo)表示最大適應(yīng)值，橫坐標(biāo)表示演化代數(shù)）
圖2 f2實(shí)驗(yàn)結(jié)果比較示意圖圖3 f3實(shí)驗(yàn)結(jié)果比較示意圖
從圖2、圖3的比較結(jié)果看，本文中算法初始種群較好，進(jìn)化開(kāi)始就能找到高的最大值，加快搜索的速度，整個(gè)算法的尋優(yōu)結(jié)果比遺傳算法好。論文參考?？紤]到算法中使用了隨機(jī)操作，僅僅由一次實(shí)驗(yàn)得到的結(jié)果是不能夠充分說(shuō)明問(wèn)題的，因此，再進(jìn)行統(tǒng)計(jì)比較。本文中進(jìn)行了20次統(tǒng)計(jì)實(shí)驗(yàn)。比較結(jié)果如表2
中圖分類號(hào):TP18 文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1674-7712 (2012) 12-0176-01
一、引言
遺傳算法不同于傳統(tǒng)尋優(yōu)算法的特點(diǎn)在于:遺傳算法在尋優(yōu)過(guò)程中,僅需要得到適應(yīng)度函數(shù)的值作為尋優(yōu)的依據(jù);同時(shí)使用概率性的變換規(guī)則,而不是確定性的變換規(guī)則;遺傳算法適應(yīng)度函數(shù)的計(jì)算相對(duì)于尋優(yōu)過(guò)程是獨(dú)立的;算法面對(duì)的是參數(shù)的編碼集合,而并非參數(shù)集合本身,通用性強(qiáng)。它尤其適用于處理傳統(tǒng)優(yōu)化算法難于解決的復(fù)雜和非線性問(wèn)題。[1]
目前,GA已經(jīng)在很多領(lǐng)域得到成功應(yīng)用,但隨著問(wèn)題規(guī)模的不斷擴(kuò)大和搜索空間的更加復(fù)雜,GA在求解很多具體問(wèn)題時(shí)往往并不能表現(xiàn)出其優(yōu)越性。于是,近年來(lái)便出現(xiàn)了遺傳算法與其它理論相結(jié)合的實(shí)踐,其中遺傳算法與量子理論的結(jié)合是一個(gè)嶄新的、極富前景和創(chuàng)意的嘗試。
量子遺傳算法QGA是量子計(jì)算特性與遺傳算法相結(jié)合的產(chǎn)物。基于量子比特的疊加性和相干性,在遺傳算法中借鑒量子比特的概念,引入了量子比特染色體。由于量子比特染色體能夠表征疊加態(tài),比傳統(tǒng)GA具有更好的種群多樣性,同時(shí)QGA也會(huì)具有更好的收斂性,因此在求解優(yōu)化問(wèn)題時(shí),QGA在收斂速度、尋優(yōu)能力方面比GA都將有較大的提高。QGA的出現(xiàn)結(jié)合了量子計(jì)算和遺傳算法各自的優(yōu)勢(shì),具有很高的理論價(jià)值和發(fā)展?jié)摿Α?/p>
本論文提出用量子遺傳算法處理和解決多目標(biāo)分配問(wèn)題,為多目標(biāo)問(wèn)題的解決提供一種新的思路。
二、量子遺傳算法
在傳統(tǒng)計(jì)算機(jī)中,信息存儲(chǔ)是以二進(jìn)制來(lái)表示,不是“0”就是“1”態(tài),但是在量子計(jì)算機(jī)中,充當(dāng)信息存儲(chǔ)單元的物質(zhì)是一個(gè)雙態(tài)量子系統(tǒng),稱為量子比特(qubit),量子比特與比特不同之就在于它可以同時(shí)處在兩個(gè)量子態(tài)的疊加態(tài),量子進(jìn)化算法建立在量子的態(tài)矢量表述基礎(chǔ)上,將量子比幾率幅表示應(yīng)用于染色體的編碼,使得一條染色體可以表示個(gè)態(tài)的疊加,并利用量子旋轉(zhuǎn)門(mén)更新染色體,從而使個(gè)體進(jìn)達(dá)到優(yōu)化目標(biāo)的目的。
一個(gè) 位的量子位染色體就是一個(gè)量子位串,其表示如下:
其中 。在多目標(biāo)優(yōu)化中,一個(gè)量子染色體代表一個(gè)決策向量,在量子態(tài)中一個(gè) 位的量子染色體可以表達(dá) 個(gè)態(tài),采用這種編碼方式使得一個(gè)染色體可以同時(shí)表達(dá)多個(gè)態(tài)的疊加,使得量子進(jìn)化算法比傳統(tǒng)遺傳算法擁有更好的多樣性特征。
為了實(shí)現(xiàn)個(gè)體的進(jìn)化,經(jīng)典進(jìn)化算法中通過(guò)染色體的交叉、變異操作推進(jìn)種群的演化,而對(duì)量子進(jìn)化算法而言,量子染色體的調(diào)整主要是通過(guò)量子旋轉(zhuǎn)門(mén)實(shí)現(xiàn)的,算法流程如下:
(1)進(jìn)化代數(shù)初始化: ;
(2)初始化種群 ,生成并評(píng)價(jià) ;
(3)保存 中的最優(yōu)解 ;
(4) ;
(5)由 生成 ;
(6)個(gè)體交叉、變異等操作,生成新的 (此步可省評(píng)價(jià));
(7)評(píng)價(jià) ,得到當(dāng)前代的最優(yōu)解 ;
(8)比較 與 得到量子概率門(mén) ,保存最優(yōu)解于 ;
(9)停機(jī)條件 當(dāng)滿足停機(jī)條件時(shí),輸出當(dāng)前最優(yōu)個(gè)體,算法結(jié)束,否則繼續(xù);
(10)以 更新 ,轉(zhuǎn)到4)。
三、基于量子遺傳算法的多目標(biāo)分配應(yīng)用
如今為了滿足市場(chǎng)的需要,很多工廠的生產(chǎn)種類多、生產(chǎn)量大,從而設(shè)置了不同的生產(chǎn)車間,根據(jù)產(chǎn)品的性質(zhì)分配生產(chǎn)車間合理與否直接影響工廠的經(jīng)濟(jì)收益,這同樣可采用遺傳算法的目標(biāo)分配方法進(jìn)行分配。
模型構(gòu)建:設(shè)工廠有i個(gè)生產(chǎn)車間。 為在第i個(gè)車間生產(chǎn)第j種產(chǎn)品的收益, 為第j種產(chǎn)品的需求量;如果第j種產(chǎn)品被選中,則 為在第i個(gè)車間生產(chǎn)該產(chǎn)品的總收益。由題意知為求解 最大問(wèn)題。
仿真實(shí)例:設(shè)有10個(gè)生產(chǎn)車間,要生產(chǎn)15種產(chǎn)品,用Matlab程序編程,設(shè)定40個(gè)粒子,迭代200次,代溝0.9。運(yùn)行結(jié)果如下:
此圖表明經(jīng)200次迭代后的目標(biāo)分配方案為:第1種產(chǎn)品由第3個(gè)車間生產(chǎn),以此類推,車間5生產(chǎn)第2種產(chǎn)品,車間8生產(chǎn)第3種產(chǎn)品,……。次方案對(duì)應(yīng)的車間總收益值為2.7030e+003,成功進(jìn)行了多目標(biāo)分配問(wèn)題的解決。
四、結(jié)論
基于量子遺傳算法的多目標(biāo)分配,為多目標(biāo)分配突破傳統(tǒng)尋優(yōu)模式找到了一個(gè)可行的解決方法。根據(jù)這種方法實(shí)驗(yàn),仿真結(jié)果可以看出,基本符合要求,并且能夠在一定的時(shí)間內(nèi)得到最優(yōu)的分配方案,因此,本文在探索多目標(biāo)分配問(wèn)題上找到了一種新的解決思路。
參考文獻(xiàn):
[1]吉根林.遺傳算法研究綜述[J].計(jì)算機(jī)應(yīng)用與軟件,2004,21(2):69-73
[2]肖曉偉,肖迪.多目標(biāo)優(yōu)化問(wèn)題的研究概述[J].計(jì)算機(jī)應(yīng)用研究,2011,3,28(3):805-808
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.
1 前言
對(duì)于一個(gè)粗糙集決策屬性表，人們總是期望能找出所有約簡(jiǎn)或最小約簡(jiǎn)，然而一個(gè)信息表的屬性約簡(jiǎn)并不是唯一的，得到信息表的包含最少條件屬性的約簡(jiǎn)已被證明是NP 完全問(wèn)題。由于免疫遺傳算法在NP問(wèn)題領(lǐng)域取得了比較好的效果，論文提出了一種基于免疫遺傳算法的粗糙集屬性約簡(jiǎn)算法，實(shí)驗(yàn)結(jié)果證明該算法是有效的，可快速收斂到全局最優(yōu)解。
2 屬性約簡(jiǎn)的免疫遺傳算法設(shè)計(jì)
2.1 染色體編碼
采用傳統(tǒng)的二進(jìn)制編碼，即若決策表中有N個(gè)待約簡(jiǎn)的條件屬性，算法產(chǎn)生一個(gè)長(zhǎng)度為N的0-1二進(jìn)制串，每一位代表一種對(duì)條件屬性的取舍，1表示采用該位上的條件屬性，0則表示不采用。
2.2 初始種群的產(chǎn)生
初始種群設(shè)置的好壞直接影響到最后的求解效果。任何一個(gè)信息表或決策表的相對(duì)核都包含在所有相對(duì)約簡(jiǎn)當(dāng)中，即具有唯一性。因此考慮在產(chǎn)生初始種群的時(shí)候使每個(gè)染色體都含有相對(duì)屬性核。
2.3 適應(yīng)度函數(shù)的構(gòu)造
適應(yīng)度函數(shù)用來(lái)評(píng)價(jià)染色體的優(yōu)劣，在對(duì)每一個(gè)染色體進(jìn)行適應(yīng)度評(píng)價(jià)前，先要對(duì)每個(gè)染色體進(jìn)行一定的調(diào)整。調(diào)整是基于屬性重要度相關(guān)的某種啟發(fā)式信息，給出染色體的調(diào)整步驟：
（1）計(jì)算決策表S中條件屬性集C關(guān)于決策屬性集D的重要度γc（D）；
（2）設(shè)C'為當(dāng)前染色體采用的條件屬性集，計(jì)算條件屬性集C'關(guān)于決策屬性集D的重要度γc'（D）；
（3）比較γc（D）和γc'（D）的大小，若γc'（D）
（4）對(duì)任意屬性ai（∈C-C'）（1=1，2，…，|C-C'|），計(jì)算每一個(gè)μD（ai），令j={j|μD（aj）=max（μD （ai））}，然后將染色體上第j位上的0置為1，并且C'=C'∪{aj}，轉(zhuǎn)到步驟②；
（5）調(diào)整過(guò)程結(jié)束。當(dāng)染色體經(jīng)過(guò)如上調(diào)整以后，就可以應(yīng)用適應(yīng)度函數(shù)對(duì)該染色體進(jìn)行評(píng)價(jià)，適應(yīng)度函數(shù)的計(jì)算公式為：
F=|C|-|C'| （5.16）
則染色體中采用的條件屬性個(gè)數(shù)越少，該染色體的適應(yīng)度函數(shù)值就越高，個(gè)體就越優(yōu)良。
2.4 抗體產(chǎn)生的促進(jìn)和抑制
要使適應(yīng)度高的抗體進(jìn)行促進(jìn)，濃度高的抗體進(jìn)行抑制。
抗體相似性通過(guò)抗體編碼的Manhattan距離來(lái)度量?？贵wX={a1，a2，…an}與抗體Y={b1，b2，…bn}之間的相似度為：
d值越大，表示兩者的相似程度越低，如果d=0，則表示兩個(gè)抗體完全相同。故抗體X的濃度定義為：
其中，函數(shù)D（X）表示抗體X相似度小于λ的抗體數(shù)目，λ為一給定的閾值
2.5 基于收縮精度的逐級(jí)進(jìn)化策略
可以用收縮精度作為算法的停止準(zhǔn)則，即當(dāng)收縮精度小于某個(gè)比較小的正數(shù)K時(shí)算法停止進(jìn)化。假設(shè)優(yōu)化目標(biāo)為求目標(biāo)函數(shù)F的最大值，在不同的進(jìn)化時(shí)期適應(yīng)度函數(shù)J采用不同的形式如下：
式中α、β、k1 和k1為正數(shù)，根據(jù)優(yōu)化目標(biāo)的需要取不同的值。其中α 和β是為了在算法的中后期拉大群體內(nèi)個(gè)體之間的差距，α
3 實(shí)例分析
在某次戰(zhàn)斗任務(wù)中，我方使用各種常規(guī)武器對(duì)敵方6處戰(zhàn)場(chǎng)目標(biāo)實(shí)施打擊。參與毀傷效果評(píng)估計(jì)算的我方武器“投入”和“產(chǎn)出”數(shù)據(jù)離散化得出一個(gè)毀傷評(píng)估決策信息表。應(yīng)用改進(jìn)的遺傳算法進(jìn)行屬性約簡(jiǎn)。圖1所示為免疫遺傳算法求解最優(yōu)約簡(jiǎn)屬性向量的迭代過(guò)程。改進(jìn)后的基于收縮精度的遺傳算法在進(jìn)化15代以后即停止搜索，得出了近似最優(yōu)解。
由圖1可以看出在算法的進(jìn)化過(guò)程中，迭代曲線每隔幾代都會(huì)變化一次。并且在算法的中后期，曲線依然出現(xiàn)明顯變化。一方面說(shuō)明算法自始自終都實(shí)現(xiàn)了對(duì)解空間的有效搜索，另一方面與傳統(tǒng)算法相比，沒(méi)有出現(xiàn)過(guò)早收斂的現(xiàn)象。說(shuō)明改進(jìn)后免疫遺傳算法的科學(xué)性和有效性。
參考文獻(xiàn)
[1]曾子林，張宏軍，張睿，邢英.變精度粗糙集的邏輯解釋及其約簡(jiǎn)[J].計(jì)算機(jī)應(yīng)用研究，2013（05）.
[2]肖大偉，王國(guó)胤，胡峰.一種基于粗糙集理論的快速并行屬性約簡(jiǎn)算法[J].計(jì)算機(jī)科學(xué)，2009（03）.
隨著經(jīng)濟(jì)全球化趨勢(shì)的加強(qiáng)，科學(xué)技術(shù)尤其是信息技術(shù)的發(fā)展突飛猛進(jìn)，產(chǎn)品營(yíng)銷范圍日趨擴(kuò)大，社會(huì)生產(chǎn)、物資流通、商品交易及其管理方式正在發(fā)生著深刻的變革，與此相適應(yīng)，被普遍認(rèn)為企業(yè)在降低物資消耗、提高勞動(dòng)生產(chǎn)率以外的“第三利潤(rùn)源”的現(xiàn)代物流在世界范圍內(nèi)廣泛興起，目前正在成為全球經(jīng)濟(jì)發(fā)展的一個(gè)重要熱點(diǎn)和新的經(jīng)濟(jì)增長(zhǎng)點(diǎn)。隨著傳統(tǒng)批發(fā)、交通運(yùn)輸、倉(cāng)儲(chǔ)業(yè)向現(xiàn)代物流轉(zhuǎn)化，尤其是配送方式的采用，對(duì)運(yùn)輸成本和時(shí)間的有效控制日漸成為城市配送車輛路徑問(wèn)題的一項(xiàng)重要目標(biāo)。VRP一直以來(lái)都是車輛調(diào)度所重點(diǎn)研究的方向。而在城市內(nèi)采取的配送方式恰恰具備了VRP問(wèn)題的一般特征和優(yōu)化調(diào)度條件。
一、VRP模型的條件及假設(shè)
VRP問(wèn)題是指按要求用多個(gè)車輛從配送中心對(duì)顧客進(jìn)行配給貨物。各顧客點(diǎn)的位置和需求量為己知，各車輛的裝載質(zhì)量己知，力求尋找一個(gè)好的配送方案，使得總代價(jià)最小(車輛盡量少，行車總距離盡量短，總費(fèi)用盡量低等)，由VRP的定義不難看出，必須滿足以下條件及假設(shè)：
1.僅考慮位置已知的單一配送中心，所有的配送車輛以配送中心為起點(diǎn)，并最終回到配送中心。
2.每條配送路徑上各需求點(diǎn)的需求量之和不超過(guò)車輛的裝載質(zhì)量，被配送貨物是可混裝的貨物。
3.每條配送路徑的長(zhǎng)度不超過(guò)車輛一次允許行駛的最大距離，配送中心有足夠的資源以供配送，并且有足夠的運(yùn)輸能力。
4.各個(gè)客戶需求和所在地均已知，每個(gè)需求點(diǎn)的需求由且僅由一輛車一次送貨滿足。
5.滿足總時(shí)間約束與時(shí)間窗口。必須在時(shí)間區(qū)間[ei,lj]訪問(wèn)點(diǎn)i客戶，并允許在i處等待，車輛服務(wù)的總時(shí)間不能超過(guò)物流中心的時(shí)間約束。
6.多個(gè)客戶之間存在優(yōu)先關(guān)系，必須在訪問(wèn)客戶j之前訪問(wèn)客戶i。
二、帶時(shí)間窗VRP模型的建立
基于文獻(xiàn)一文中的模型，并考慮配送系統(tǒng)是一個(gè)服務(wù)系統(tǒng)，所提供的服務(wù)必須能夠讓客戶方便、滿意。配送系統(tǒng)的運(yùn)作成本必須和配送系統(tǒng)其他性能參數(shù)綜合進(jìn)行考評(píng)，單純對(duì)成本進(jìn)行評(píng)價(jià)是沒(méi)有任何實(shí)際意義的。需要關(guān)注和努力的是：要在保證配送滿足客戶要求、提升客戶滿意度的同時(shí)，通過(guò)各種技術(shù)和管理手段，降低運(yùn)作成本。因此，本文將建立改進(jìn)的運(yùn)輸路徑模型，在傳統(tǒng)的車輛配送成本最小化目標(biāo)的基礎(chǔ)上，兼顧客戶對(duì)配送時(shí)間的要求，使車輛等待和延誤時(shí)間之和最小化。
（1）
（2）
式中K――車隊(duì)規(guī)模，即總的車輛數(shù)目；
k――車輛數(shù)目(k=1,2,……,K)；
N――有待訪問(wèn)的總的客戶的數(shù)目；
O――配送中心；
Q――每輛車輛的容量，這里假設(shè)所有車輛同質(zhì)，容量均為Q;
i,j――顧客數(shù)(i=1,2,……,N；j=1,2,……,N)；
T――個(gè)很大的數(shù)字；
C――每輛車單位運(yùn)距的運(yùn)費(fèi)；
t0――車輛從配送中心出發(fā)的時(shí)間；
e0――車輛可離開(kāi)配送中心的最早時(shí)間；
ei――到達(dá)客戶i處規(guī)定最早到達(dá)時(shí)間；
l0――車輛返回配送中心的最晚時(shí)間；
li――到達(dá)客戶i處規(guī)定最晚到達(dá)時(shí)間；
dij――從客戶i到客戶j的距離；
pj――每個(gè)客戶單位卸貨量的卸載費(fèi)用；
mi――客戶i的貨運(yùn)需求量；
tki、tkj――第k輛車到達(dá)客戶i、j處的時(shí)間；
tij――連接客戶i和客戶j的行駛時(shí)間；
si――客戶i處的服務(wù)時(shí)間；
wi――在客戶i的等待時(shí)間，wi≥0。
兩個(gè)決策變量如下：
這個(gè)模型通用性很強(qiáng)，經(jīng)過(guò)參數(shù)的不同設(shè)定，可以轉(zhuǎn)換為其它組合優(yōu)化問(wèn)題的數(shù)學(xué)模型。
三、帶時(shí)間窗VRP模型的遺傳算法求解
在模型的處理上，根據(jù)本文提出的模型單位標(biāo)量不統(tǒng)一的特殊性來(lái)選擇權(quán)重系數(shù)變化法，將變化后的多目標(biāo)函數(shù)經(jīng)分析和試驗(yàn)得出各個(gè)子目標(biāo)函數(shù)的數(shù)量級(jí)大小并確定權(quán)重，最后加權(quán)化為單目標(biāo)函數(shù)用遺傳算法求解。
1.懲罰函數(shù)的引入。在以往的對(duì)含有時(shí)間窗約束的車輛配送系統(tǒng)的研究中，所研究的成本大多僅包含行駛成本，但事實(shí)上，還包括其它成本(如裝卸搬運(yùn)成本)，將時(shí)間窗約束轉(zhuǎn)化為懲罰函數(shù)而體現(xiàn)在模型中。
式中c1――車輛在任務(wù)點(diǎn)處等待單位時(shí)間的機(jī)會(huì)成本。
c2――車輛在要求時(shí)間之后到達(dá)單位時(shí)間所處以的懲罰值(c1和c2的大小，要根據(jù)實(shí)際情況來(lái)定)。
2.建立適度度函數(shù)。根據(jù)遺傳算法中適應(yīng)度函數(shù)的特點(diǎn)，需要將原目標(biāo)函數(shù)式變化為：
(4)
(5)
式中A*，B* ――變化后的目標(biāo)函數(shù)值，取值范圍為[0，1)；
Amax,Bmax――分別是原始目標(biāo)函數(shù)。
適應(yīng)度函數(shù)因此變化為：f(A,B)=α×A*+β×B*(6)
經(jīng)過(guò)分析和實(shí)驗(yàn)發(fā)現(xiàn)，A*，B*經(jīng)過(guò)處理后，A*的數(shù)量級(jí)一般是10-2，B＊的數(shù)量級(jí)一般是10-1。
3.用遺傳算法求解帶時(shí)間窗VRP模型。本文取α＝0.8,β＝0.2，用遺傳算法進(jìn)行求解。在運(yùn)用遺傳算法求解后，驗(yàn)證了該算法易于理解，對(duì)問(wèn)題的依賴性較小，對(duì)其求解的函數(shù)要求簡(jiǎn)單，實(shí)現(xiàn)起來(lái)簡(jiǎn)單高效，若參數(shù)選擇的合理，收斂速度很快，但是遺傳參數(shù)的控制對(duì)于算法的收斂速度影響很大，在參數(shù)選擇方面有一定難度。雖然文中使用的是根據(jù)以往學(xué)者經(jīng)驗(yàn)選定的參數(shù)，但計(jì)算表明最優(yōu)解所在“代”數(shù)的穩(wěn)定性不是很好，這也是以后需要進(jìn)一步研究的地方。
四、結(jié)論
在傳統(tǒng)的車輛配送成本最小化為目標(biāo)的基礎(chǔ)上，兼顧客戶對(duì)配送時(shí)間的要求，建立了帶時(shí)間窗的車輛路徑優(yōu)化多目標(biāo)模型。在對(duì)模型的處理上，將兩個(gè)量綱不統(tǒng)一的子目標(biāo)函數(shù)除以各子目標(biāo)函數(shù)的最大值后使其變成無(wú)量綱的函數(shù)，并通過(guò)權(quán)重系數(shù)變化法將各個(gè)子目標(biāo)函數(shù)線性加權(quán)和作為多目標(biāo)優(yōu)化問(wèn)題的適應(yīng)度函數(shù)，使得多目標(biāo)優(yōu)化問(wèn)題轉(zhuǎn)化為單目標(biāo)優(yōu)化問(wèn)題后再用遺傳算法求解。
參考文獻(xiàn):
[1]王 惠:引入顧客滿意度求解車輛優(yōu)化調(diào)度問(wèn)題.大連海事大學(xué)碩士論文,2006:1～13
[2]盛麗俊:帶有時(shí)間窗的車輛路徑問(wèn)題的優(yōu)化研究.大連海事大學(xué)碩士論文,2002:13～57
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) ?？紤]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
中圖分類號(hào)：G650 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1003-2851（2012）-09-0180-01
遺傳算法[（genetic algorithm，GA）是一種自適應(yīng)大規(guī)模并行搜索優(yōu)化算法，較以往傳統(tǒng)的搜索算法具有使用方便、魯棒性強(qiáng)、便于并行處理等特點(diǎn)，因而廣泛應(yīng)用于解決搜索和優(yōu)化的問(wèn)題。但由于遺傳算法不能很好地維持解種群中個(gè)體的多樣性，易趨于“早熟”收斂而陷入局部最優(yōu)解。因此，遺傳算法不能保證一定能找到問(wèn)題的全局最優(yōu)解，目前公交公司各車隊(duì)的排班主要依靠工作人員的經(jīng)驗(yàn)手工進(jìn)行，雖然它具有一定的實(shí)用性，但它存在著明顯的不足，很難保證排班的結(jié)果在運(yùn)營(yíng)效率等方面是最優(yōu)或者接近最優(yōu)的。為滿足實(shí)際應(yīng)用需求，采用智能化算法來(lái)求解車輛調(diào)度優(yōu)化問(wèn)題，在有限的算法步驟內(nèi)，找出所有滿足約束條件的排班方案中的最優(yōu)方案或接近最優(yōu)的方案。
一、遺傳算法
1.遺傳算法簡(jiǎn)介
遺傳算法（Genetic Algorithms，GA）是一種基于自然選擇和基因遺傳學(xué)原理的自適應(yīng)全局優(yōu)化概率搜索方法。它的創(chuàng)立有兩個(gè)研究目的：一是抽象和嚴(yán)謹(jǐn)?shù)亟忉屪匀唤绲倪m應(yīng)過(guò)程；二是為了將自然生物系統(tǒng)的重要機(jī)理運(yùn)用到工程系統(tǒng)中。GA從許多點(diǎn)開(kāi)始并行操作，在解空間進(jìn)行高效啟發(fā)式搜索，因而可以有效地防止搜索過(guò)程收斂于局部最優(yōu)解；遺傳算法在計(jì)算機(jī)上模擬生物的進(jìn)化過(guò)程和基因的操作，通過(guò)目標(biāo)函數(shù)來(lái)計(jì)算適配值，并不需要對(duì)象的特定知識(shí)，它具有全局尋優(yōu)的能力，能解決高度復(fù)雜的問(wèn)題，被廣泛應(yīng)用于自動(dòng)控制、圖形處理、電力調(diào)度等方面。
2.建立調(diào)度的數(shù)學(xué)模型
調(diào)度系統(tǒng)所采用的數(shù)學(xué)模型對(duì)運(yùn)行環(huán)境做了簡(jiǎn)化：車的速度恒定，保持勻速行駛，無(wú)特殊事件發(fā)生；以分鐘作為最小的時(shí)間單位，這對(duì)安排時(shí)刻表是合理的；假設(shè)客流模型能反映該段線路上的日?？土髁浚ㄎ覀兗僭O(shè)到站乘客服從均勻分布，在不同時(shí)段有不同的分布密度）。
首班車發(fā)車時(shí)刻為早上6點(diǎn)整，末班車發(fā)車時(shí)刻為22點(diǎn)整，所有運(yùn)營(yíng)車都在整分鐘時(shí)刻發(fā)車，一天之內(nèi)的總班次為m，總時(shí)間為16小時(shí)，即960分鐘。用xm表示第m輛運(yùn)營(yíng)車發(fā)車時(shí)刻距首發(fā)時(shí)刻的時(shí)間，以分鐘為單位。決策變量為X=[x1，x2，…xn]；染色體X是一個(gè)完整的發(fā)車時(shí)刻表，其中的每個(gè)基因?yàn)橐粋€(gè)車輛的發(fā)車時(shí)刻。
免疫算法效仿生物免疫系統(tǒng)，把外來(lái)侵犯的抗原和免疫產(chǎn)生的抗體分別與實(shí)際求解問(wèn)題的目標(biāo)函數(shù)以及問(wèn)題的解相對(duì)應(yīng)，生成的抗體能有效地排除抗原，也就相當(dāng)于求得了問(wèn)題的最優(yōu)解；對(duì)與抗原親和力高的抗體進(jìn)行記憶能促進(jìn)快速求解。
二、IGA應(yīng)用于公交動(dòng)態(tài)調(diào)度
現(xiàn)仍采用上面建立的數(shù)學(xué)模型，初始規(guī)模N仍為200且不隨進(jìn)化代數(shù)而發(fā)生變化，便于IGA和GA比較?，F(xiàn)利用IGA來(lái)進(jìn)行優(yōu)化的步驟為：
1.在解空間內(nèi)隨機(jī)生成初始群體，并計(jì)算其適應(yīng)度，確定最優(yōu)個(gè)體x0best，并給出的取值？滓0，A取為1，？滓0i取為3，？滓？孜取為0。
2.根據(jù)式（4.7）進(jìn)行進(jìn)化操作，在解空間內(nèi)生成子代群體，規(guī)模為N。
3.計(jì)算子代群體的適應(yīng)度，確定最優(yōu)個(gè)體xt+1best，若f（xt+1best）>f（xtbest），則選定最優(yōu)個(gè)體為xt+1best，否則最優(yōu)個(gè)體為xtbest。
4.重復(fù)執(zhí)行步驟2和3，直至達(dá)到終止條件，這里T取為100，選擇最后一代的最優(yōu)個(gè)體作為尋優(yōu)的結(jié)果。
本文在遺傳算法的基礎(chǔ)上采用了一種較新的混合遺傳算法——免疫遺傳算法對(duì)公交靜態(tài)調(diào)度進(jìn)行了研究，并對(duì)二者的應(yīng)用結(jié)果進(jìn)行了仿真和比較，結(jié)果表明IGA有效的克服了簡(jiǎn)單GA的不足之處，并提高了尋優(yōu)過(guò)程當(dāng)中目標(biāo)函數(shù)的收斂速度，并得到了合理的發(fā)車時(shí)刻表，可以提高公交企業(yè)的服務(wù)水平，對(duì)改善城市交通問(wèn)題和節(jié)約市民出行時(shí)間有相當(dāng)?shù)膶?shí)際意義。
參考文獻(xiàn)
中圖分類號(hào)：F27 文獻(xiàn)標(biāo)識(shí)碼：A
收錄日期：2011年10月28日
一、遺傳算法簡(jiǎn)介
遺傳算法（GAS）是由美國(guó)密執(zhí)根大學(xué)的Holland等人創(chuàng)立的。與其他啟發(fā)式方法順序搜索解空間的工作方式不同，遺傳算法采用解的種群作為工作單元，使用模仿生物進(jìn)化的適者生存原則指導(dǎo)搜索并改進(jìn)目標(biāo)。種群由代表個(gè)體的定長(zhǎng)字符串組成，每個(gè)個(gè)體表示解空間的一個(gè)點(diǎn)，每個(gè)解的質(zhì)量，通過(guò)依賴于問(wèn)題目標(biāo)函數(shù)的適應(yīng)值函數(shù)來(lái)進(jìn)行評(píng)估。搜索過(guò)程通過(guò)進(jìn)化來(lái)進(jìn)行，每代中的個(gè)體以正比于它的適應(yīng)值的概率遺傳到下一代。它使用3個(gè)基本算子：選擇、交叉和變異。選擇是指?jìng)€(gè)體以其適應(yīng)值比例復(fù)制到池中；交叉是池中的兩個(gè)個(gè)體進(jìn)行，組合形成一個(gè)（或幾個(gè)）新個(gè)體，復(fù)制和交叉將好的特性進(jìn)行遺傳；變異則是發(fā)生在少數(shù)字符串某基因位上的基因的突變，它使搜索過(guò)程能夠有機(jī)會(huì)從搜索到的局部最優(yōu)解逃出。
解決一個(gè)實(shí)際問(wèn)題的遺傳算法通常包括下列兩個(gè)決策步驟：（1）將求解問(wèn)題模型化為符合遺傳算法的框架?？尚薪饪臻g的定義，適應(yīng)值函數(shù)的表現(xiàn)形式，解的字符串表達(dá)式方式；（2）遺傳算法參數(shù)的設(shè)計(jì)。種群規(guī)模，復(fù)制、交叉、變異的概率選擇，進(jìn)化最大代數(shù)，終止準(zhǔn)則設(shè)定等。
二、遺傳算法的基本特點(diǎn)
（一）結(jié)構(gòu)特點(diǎn)。遺傳算法是以適應(yīng)值提供的啟發(fā)式信息進(jìn)行搜索的，與其他啟發(fā)式（模擬退火、爬山法、神經(jīng)網(wǎng)絡(luò)等）方法相比，在結(jié)構(gòu)和工作過(guò)程方面的特點(diǎn)見(jiàn)表1。（表1）
（二）實(shí)驗(yàn)性能方面的特點(diǎn)
1、高效性。遺傳算法具有大范圍全局搜索的特點(diǎn)，與問(wèn)題領(lǐng)域無(wú)關(guān)，前期工作量比較少。
2、健壯性。遺傳算法的搜索是用種群作為基本單元，采用三個(gè)不同作用的基本算子進(jìn)行搜索的，解的結(jié)果隨時(shí)間增加而趨于穩(wěn)定，不受初始解的影響，而且不因?qū)嵗牟煌懽儭?/p>
3、通用性和靈活性。遺傳算法可用于多種優(yōu)化搜索問(wèn)題，解題程序可以通用，針對(duì)不同的實(shí)例，適當(dāng)調(diào)整算子參數(shù)，就可以使算法執(zhí)行獲得最佳的解結(jié)果和占用CPU機(jī)時(shí)的關(guān)系。
三、遺傳算法在解決經(jīng)典運(yùn)籌問(wèn)題中的應(yīng)用
（一）旅行商問(wèn)題（TSP）。旅行商問(wèn)題自誕生以來(lái)，頗受數(shù)學(xué)家推崇，今天的旅行商問(wèn)題已遠(yuǎn)遠(yuǎn)超過(guò)其本身的含義，成為一種衡量算法優(yōu)劣的標(biāo)準(zhǔn)。旅行商問(wèn)題是采用非標(biāo)準(zhǔn)編碼遺傳算法求解最成功的一例，基因編碼用推銷員順序經(jīng)歷的城市名表示，求最佳路線即是改變編碼次序而求最低適應(yīng)值的問(wèn)題。對(duì)類似字符串使用標(biāo)準(zhǔn)交叉，產(chǎn)生的后代可能有重復(fù)或丟失的元素，因而成為非可行解。為克服這種困難，人們提出許多非標(biāo)準(zhǔn)的交叉和變異方法：交叉主要采用重排序方法――部分匹配重排序，順序交叉和循環(huán)交叉等；變異主要采用位點(diǎn)、反轉(zhuǎn)、對(duì)換、插入等方法，使旅行商問(wèn)題得以有效地解決。值得一提的是，清華大學(xué)張雷博士提出的自適應(yīng)多點(diǎn)交叉算子，能夠保證多點(diǎn)交叉后路徑的可行性，加快了搜索速度。
（二）作業(yè)調(diào)度問(wèn)題。作業(yè)調(diào)度問(wèn)題同樣是自然變更次序的問(wèn)題，可以用基于變更次序的遺傳算法進(jìn)行處理。（表2）
（三）背包問(wèn)題。一維、二維和三維背包問(wèn)題在商業(yè)和工業(yè)領(lǐng)域有著廣泛的應(yīng)用，基于遺傳算法的求解方法很多。傳統(tǒng)求解采用啟發(fā)式規(guī)則，決定下一步該裝哪一塊和裝在哪里，此時(shí)變更次序的編碼與啟發(fā)式安置策略是利用遺傳算法解決這類問(wèn)題的最為出色的方法，Lin使用一系列的懲罰項(xiàng)指導(dǎo)其搜索策略，測(cè)定單個(gè)個(gè)體的適應(yīng)值。
Bortfeldt使用一個(gè)層次背包問(wèn)題，個(gè)體用它們的層次代表，當(dāng)兩個(gè)親代被選擇交叉時(shí)，它們的層次混在一起，從中選擇最好的作為子代的第一層，再?gòu)挠嘞碌慕M件中選擇最好的作為第二層，以此類推，直至產(chǎn)生所有的層次。
陳國(guó)良等設(shè)計(jì)了一種“與/或”交叉方法，使子代繼承雙親的同型基因，對(duì)雜型基因采用不同支配方式，這種策略為遺傳算法的硬件實(shí)現(xiàn)創(chuàng)造了良好的條件。
（四）時(shí)刻表排定問(wèn)題。Corne對(duì)Edinburgh大學(xué)7日內(nèi)的28個(gè)時(shí)間期間安排40門(mén)課的考試問(wèn)題作了處理，尋找一個(gè)可行的時(shí)間排定表，使每個(gè)學(xué)生參加的考試在時(shí)間上能夠錯(cuò)開(kāi)，時(shí)刻表用字符串代表，字符串每個(gè)位置代表一門(mén)課，該位置的值代表考試的時(shí)間，用均勻交叉和標(biāo)準(zhǔn)變異操作求解。
這類問(wèn)題擴(kuò)展到基于二維的矩陣代表的逼近問(wèn)題，Colorini使用行代表教師列代表可用的小時(shí)數(shù)的矩陣，每個(gè)單元的值為教師在此時(shí)承擔(dān)的任務(wù)，包括教室和其他一些資源配置，教師的任務(wù)是事先給定的，故行都是可行的，列代表的時(shí)間安排可能會(huì)發(fā)生沖突，將此沖突用懲罰函數(shù)表示在適應(yīng)值函數(shù)中，而且采用修復(fù)算子在評(píng)價(jià)之前盡量將結(jié)論調(diào)整回可行區(qū)域內(nèi)，該算法用Milan學(xué)校的實(shí)際數(shù)據(jù)進(jìn)行了檢驗(yàn)。
除此之外，遺傳算法在運(yùn)輸問(wèn)題、指派問(wèn)題、分割問(wèn)題及網(wǎng)絡(luò)計(jì)劃優(yōu)化問(wèn)題等方面都獲得了非常成功的應(yīng)用，這些問(wèn)題被認(rèn)為是NP類問(wèn)題，其規(guī)模隨變量的增加呈指數(shù)增長(zhǎng)，遺傳算法在這些問(wèn)題的求解中，充分體現(xiàn)了其操作性能方面的優(yōu)勢(shì)。
四、應(yīng)用和推廣中存在的問(wèn)題
在上述問(wèn)題中，遺傳算法求解展示了優(yōu)良的性能，但遺傳算法并未像其他啟發(fā)式方法那樣容易地被OR學(xué)者廣泛接受而用于大量的實(shí)際問(wèn)題中，究其原因，主要有以下幾點(diǎn)：
（一）傳播方式的障礙。遺傳算法最初的工作是以密執(zhí)根大學(xué)嚴(yán)謹(jǐn)?shù)难芯啃〗M作為研究項(xiàng)目和學(xué)術(shù)討論中心，當(dāng)研究成員擴(kuò)大時(shí)，這類討論會(huì)演變?yōu)闄C(jī)構(gòu)的學(xué)術(shù)會(huì)議（美國(guó)現(xiàn)有5個(gè)，歐洲有3個(gè)，我國(guó)目前還沒(méi)有），許多研究者聚于此而遠(yuǎn)離問(wèn)題導(dǎo)向，有關(guān)的會(huì)議論文公開(kāi)出版數(shù)量很少，而且，由于歷史原因，研究者常常將他們的研究結(jié)果選擇在有關(guān)人工智能的雜志上發(fā)表，導(dǎo)致了應(yīng)用遺傳算法的信息很緩慢地?cái)U(kuò)散到其他不同技術(shù)應(yīng)用領(lǐng)域的工作者中，這與模擬退火等其他啟發(fā)式方法快速在運(yùn)籌學(xué)會(huì)議及雜志上發(fā)表相反。由于缺乏交流導(dǎo)致了兩方面的問(wèn)題：一是許多關(guān)于遺傳算法的論文不能與從其他方法得到的結(jié)論進(jìn)行質(zhì)量的比較，二是削弱了許多遺傳算法多的潛在使用者用遺傳算法與其他方法競(jìng)爭(zhēng)的信心。
（二）術(shù)語(yǔ)的隔膜。初始跨入遺傳算法領(lǐng)域的使用者常常感到起步非常艱難，遺傳算法依賴于遺傳學(xué)的術(shù)語(yǔ)也像模擬退火的術(shù)語(yǔ)來(lái)自于統(tǒng)計(jì)熱力學(xué)一樣。然而，溫度、冷卻等可能很快賦予新的意義，但遺傳算法中的基因位、染色體、遺傳型卻難以很快被人理解和接受；另外，許多發(fā)表的研究偏重于用某些專門(mén)函數(shù)檢驗(yàn)他們的新思路或新設(shè)想，這對(duì)于全面理解該技術(shù)固然是一件好事，但對(duì)于一個(gè)面對(duì)如此豐富復(fù)雜材料的初用者會(huì)發(fā)現(xiàn)，他將不知從何做起。即使一個(gè)非常愿意使用遺傳算法的人，也要有足夠的決心去克服上述障礙。
（三）方法的局限性。對(duì)于具有強(qiáng)約束的優(yōu)化問(wèn)題，采用懲罰函數(shù)逼近常常達(dá)不到預(yù)想的結(jié)果。Radcliffe評(píng)論說(shuō)：“約束通常被認(rèn)為是遺傳算法面臨的最大問(wèn)題”因?yàn)閼土P因子選擇不當(dāng)時(shí)，會(huì)招致錯(cuò)誤結(jié)論。目前，求解帶約束優(yōu)化問(wèn)題的啟發(fā)式遺傳方法已經(jīng)有了一些，但是，它們多數(shù)與問(wèn)題領(lǐng)域相關(guān)，在這方面還缺少普遍適用的方法的系統(tǒng)研究。
（四）編碼的困難。不是所有問(wèn)題解空間中的點(diǎn)都能明顯地用編碼表示，作為OR研究者，常常從問(wèn)題結(jié)構(gòu)取得利益，用矩陣、樹(shù)、網(wǎng)絡(luò)或其他更適用的方法建立表達(dá)式；串表達(dá)中的建筑塊假說(shuō)建議適用較少的字符，導(dǎo)致人們對(duì)二進(jìn)制編碼的偏愛(ài)，但二進(jìn)制編碼具有一定的映射誤差（實(shí)際計(jì)算時(shí)，我們是把問(wèn)題作為整數(shù)規(guī)劃），特別是它不能直接反映出所求問(wèn)題本身結(jié)構(gòu)特征，因此很難滿足生成有意義的積木塊編碼原則；再者，二進(jìn)制字符的長(zhǎng)度隨問(wèn)題發(fā)生明顯變化，當(dāng)問(wèn)題復(fù)雜時(shí)會(huì)因?yàn)榫幋a太長(zhǎng)而無(wú)法進(jìn)行正常工作。
以上的種種阻力，在一定程度上減緩了遺傳算法在運(yùn)籌學(xué)實(shí)際問(wèn)題中的推廣和應(yīng)用。
主要參考文獻(xiàn)：
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(mén)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?；谶z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)?；谶z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(mén)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.
