模糊遗传算法及其应用研究
模糊算法的简介与应用领域
模糊算法的简介与应用领域模糊算法（Fuzzy Logic）是一种基于逻辑的数学方法，可用于计算机和控制工程中的问题。
Fuzzy Logic是指用于处理不确定性或模糊性问题的逻辑工具。
通过将问题的变量转换为可量化的值，并对变量进行分层，以确定如何进行推理，并进行决策。
模糊逻辑的核心是将不确定性转化为数字，然后使用公式进行操作，以确定结果。
例如，考虑一个简单的问题：如果一个人有160cm，那么这个人是否矮？根据模糊逻辑，这个问题不能被简单地回答“是”或“否”。
相反，问题需要考虑到不同的因素，例如人口统计数据，文化背景和其他因素，以确定是否可以说这个人是矮的。
模糊逻辑可以应用于各种各样的领域，包括工程控制，人工智能，自然语言处理，机器人技术等。
在这些领域中，模糊逻辑被用来处理复杂的系统和问题，并为决策提供精确而可靠的方法。
在工程控制中，模糊逻辑被广泛用于计算机和机器人系统的设计和开发。
例如，在机器人技术领域，模糊逻辑被用来控制机器人的运动和行为，以便机器人能够正确地执行任务。
此外，模糊逻辑也被用于控制汽车，飞机和其他机械设备等的操作。
在人工智能领域，模糊逻辑被用于自然语言处理和模式识别。
模糊逻辑可以帮助计算机系统理解模糊或不确定的语言和概念，并在模式识别方面提供更精确的方法。
在这个领域，模糊逻辑还被用于计算机视觉和图像处理。
在现代社会中，模糊逻辑广泛应用于人们的日常生活中。
例如，在车辆安全系统中，模糊逻辑用于判断车辆的速度和距离，以确定何时应该自动刹车。
此外，在消费电子产品中，模糊逻辑被用于改进电视机和音响系统等的品质。
总之，模糊逻辑是一种强大的工具，可以用于各种领域的问题和应用。
模糊逻辑不仅提供了一种新的方法来处理和解决问题，而且为我们提供了更精确的工具来做出决策。
利用遗传算法自动生成模糊控制规则的研究
Ｄ ｈａ ｕｕ３ ）
， ｈｎｓａＵ ｉ ｒｔ ｏ ｉ ｃ ｄＴｃｎｌ ｙ Ｃ ａｇｈ ｎ ｅ ｉ ｆ ｃ ｎｅａ ｅｈｏ ｇ”，Ｃ ａｇｈ ４０ ７） ｖ ｓｙ Ｓ ｅ ｎ ｏ ｈｎｓａ １０７
（ ｅａｔｅｔ ｆ ｔ ｍ ｔｓ ｎ ｏ ｐｔｒ ＪｈｕＵ ｉ ｒｔ ）Ｊｌ￣ ４６０ ） Ｄ ｐｒ ｎ Ｍａ ｅ ａｃ ｄＣ ｍ ｕ ， ｉ ｏ ｎ ｅ ｉ２，ｓ ｍ ｏ ｈ ｉ ａ ｅ ｓ ｖ ｓｙ ｉｘ １００ （ｅｈＳｐｏｔ ｅａｔｅｔ ｆ ａｇｈ ｅ ｃｍｍ ｎ ａｉ ｕｓ ｔ ｎ ｏｇｕｎＴｌ ｏ ｕｉ ｔｎ Ｔｃ ｕｐｒＤ ｐｒ ｎ ｏ Ｔ ｎｓａＴｌ ｏ ｕｉ ｔｎＳｂｔｉ ，Ｄ ｎｇａ ｅ ｃｍｍ ｎ ａ ｏ ｍ ｅ ｃ ｏ ａｏ ｅ ｃｉ
维普资讯
１ ４
计 算 机 与 数 字 工 程
第 ３ 卷 ４
利 用遗 传 算 法 自动生 成 模 糊 控 制 规 则 的研 究
何春梅 徐 蔚鸿 １’ 张笃 华。 ’ － ２ ’
（ 沙理 工大学计算机 与通 信工程学 院 长沙 长 ４０７ ） １０７ ５３ １） ２７０ （ 吉首大学数学 与计算 机学 院 吉首 ４ ６０ ） ’ １ ０ ０ （ 东省东莞电信分公司塘厦电信分局技 术支持部 广东 广 ’
ａ ｃｎ ｏ ｏｊ ｔｅ． ｔｌ ａ ｓｈ ｒｃ ｄ ｒ ｆｇ ｎ ｒｔｎ ｕｅ ｙｇ ｎ ｔｃ￣ｇ ａ ｈ ｏｔｌ ｂ ｃｉ ｓ Ｉｉｍｕｔ ｔｅ ｐ ｏ ｅ ｕｅ ｏ ｅ ｅ ｉ ｇｒ ｌｓｂ ｅ ｅｉ ａ ｏ ｔ ｍ ｒ ｅ ｖ ｌ ｅ
．
ｉ ｅ ｄ ｌ ｍ ｙｔｍ ． ｈ ｅ ｕｔ ｏ ｍｕａ ｏ ｅ ｎ ｎ ｐ ｎ ｕｕ ｓｓｅ Ｔ ｅ ｒｓ ｌ ｆ ｉ ｌｔ ｎ ｄ ｍｏ － ｓ ｓ ｉ
遗传算法在机器学习中的应用方法详解
遗传算法在机器学习中的应用方法详解随着人工智能的快速发展，机器学习成为了解决复杂问题的重要工具。
在机器学习中，遗传算法被广泛应用于优化问题的求解。
本文将详细介绍遗传算法在机器学习中的应用方法。
一、遗传算法简介遗传算法是一种模拟生物进化过程的优化算法。
它通过模拟“自然选择”、“遗传”和“变异”等机制，不断优化问题的解。
遗传算法的基本思想是从一个初始的解空间中随机生成一组解，然后通过交叉、变异等操作，不断演化出更好的解。
二、遗传算法在机器学习中的应用1. 参数优化在机器学习中，模型的参数选择对模型的性能至关重要。
遗传算法可以通过优化参数的组合来提高模型的性能。
首先，我们需要定义一个适应度函数来评估每个参数组合的好坏程度。
然后，通过遗传算法的迭代过程，不断更新参数组合，直到找到最优解。
2. 特征选择在机器学习中，特征选择是一个重要的问题。
过多或过少的特征都会影响模型的性能。
遗传算法可以通过选择和交叉特征来优化模型的特征集合。
首先，我们需要定义一个适应度函数来评估每个特征集合的好坏程度。
然后，通过遗传算法的迭代过程，不断更新特征集合，直到找到最优解。
3. 神经网络结构优化神经网络是机器学习中常用的模型之一，而神经网络的结构对其性能有着重要影响。
遗传算法可以通过优化神经网络的结构来提高其性能。
首先，我们需要定义一个适应度函数来评估每个神经网络结构的好坏程度。
然后，通过遗传算法的迭代过程，不断更新神经网络结构，直到找到最优解。
4. 集成学习集成学习是一种将多个模型组合起来进行预测的方法。
遗传算法可以通过优化模型的组合权重来提高集成学习的性能。
首先，我们需要定义一个适应度函数来评估每个模型组合的好坏程度。
然后，通过遗传算法的迭代过程，不断更新模型组合的权重，直到找到最优解。
5. 强化学习强化学习是一种通过试错来学习最优策略的方法。
遗传算法可以通过优化策略的参数来提高强化学习的性能。
首先，我们需要定义一个适应度函数来评估每个策略的好坏程度。
遗传算法及其应用-毕业论文
摘要遗传算法是一种模拟自然界生物进化的搜索算法，由于它的简单易行、鲁棒性强，尤其是其不需要专门的领域知识而仅用适应度函数作评价来指导搜索过程，从而使它的应用范围极为广泛，并且己在众多领域得到了实际应用，取得了许多令人瞩目的成果，引起了广大学者和工程人员的关注。
在简要的介绍了遗传算法的发展历史和研究现状及其生物学、数学基础后，文中引出了遗传算法的基本概念和原理、分析了遗传算法的基本实现技术。
如：编码、适应度函数、遗传算法的三大遗传操作、参数规则等。
最后在介绍了遗传算法程序设计原则的基础上，编程实现了遗传算法在图像识别中的应用，在实践中检验了遗传算法的实际效果。
关键词：遗传算法，适应度函数，图像识别ABSTRACTThe gen etic algorithm is a kind of search ing method which simulates thenatural evolution. It is simple and easy to implement, especially it do not needthe special field kno wledge, so it has bee n using in very broad fields. Now thegen etic algorithm has got a lot of fruits, and more and more scholars beg in to pay atte ntio n on it.After brief in troducted the gen etic algorithm and studyed the history ofthe development status and biology, mathematical basis, webrought out the basic genetic algorithm concepts and principles, analysised the genetic algorithm to achieve the basic tech no logy. Such as: cod ing, fit ness function, gen etic algorithm of the three major genetic manipulation, and other parameters of the rules. Fin ally, in troduceda gen etic algorithm procedures based on theprinciples of design, programming a genetic algorithm in the application of image recog niti on, in practice, we test the practical effects of gen etic algorithm.Key word : genetic algorithm , Fitness function , image recognition引言当前科学技术正进入多学科互相交叉、互相渗透、互相影响的时代，生命科学与工程科学的交叉、渗透和相互促进是其中的一个典型例子，也是近代科学技术发展的一个显著特点。
基于模糊逻辑的图像处理算法研究
基于模糊逻辑的图像处理算法研究随着图像的广泛应用，图像处理技术成为了越来越重要的领域。
在图像处理过程中，要对一张图像进行分析、处理、抽取特征等多个环节。
为了更准确、高效地处理图像，研究者们不断地探索各种新的算法，其中，基于模糊逻辑的图像处理算法是其中一种值得探究的算法。
模糊逻辑是一种将模糊性或不确定性引入逻辑的思想。
在图像处理中，应用模糊逻辑可以解决一些传统算法难以处理的问题，例如由于光照、阴影等原因引起的图像变形。
下面将介绍一些基于模糊逻辑的图像处理算法。
一、模糊聚类算法模糊聚类算法是指将相似的图像像素聚类到一起的算法。
传统的聚类算法会将像素分为不同的类别，而模糊聚类算法则将像素划分到不同的群体中，且这些群体之间并没有明显的边界。
模糊聚类算法被广泛应用于图像分割和目标识别等领域。
在模糊聚类算法中，模糊度是非常重要的概念。
模糊度可以描述一个像素点归属于某个群体的程度，也可以描述某个群体的特征。
在实际处理中，可以通过调整模糊度来控制聚类的精准度和效率，以达到最优的结果。
二、模糊神经网络算法模糊神经网络算法是指在神经网络中加入模糊逻辑，从而更加适应图像处理中的模糊性问题。
模糊神经网络算法具有自学习和自适应的特点，可以在处理过程中不断调整感知器的权值，以达到更优的分类结果。
模糊神经网络算法广泛应用于图像处理中的分类、检测和识别等方面。
例如，在人脸识别中，通过学习一定数量的样本数据，可以构建出一个高度泛化的模型，并且可以将这个模型应用于不同光照、角度、表情等情况下的人脸识别中。
三、模糊遗传算法模糊遗传算法是指将模糊理论引入到遗传算法中，以优化图像处理中的各种问题。
模糊遗传算法主要应用于图像的分割和特征抽取等问题，例如通过调整阈值，实现图像的二值化。
模糊遗传算法和传统遗传算法的不同之处在于，它能够处理具有模糊性的问题，并且能够自适应地调整变异概率和交叉概率，以达到最优的结果。
在实践中，模糊遗传算法被广泛应用于图像特征的抽取和匹配，例如在车牌识别中，可以通过模糊遗传算法来提取出车牌中的字符串和颜色信息。
机器学习中的遗传算法研究及应用
机器学习中的遗传算法研究及应用遗传算法在机器学习中的应用机器学习是一种以计算机程序为主体，利用数据挖掘、统计学习等技术对数据进行模型预测或知识发现的一种学习方法。
在机器学习中，遗传算法是一种重要的优化算法，也是一种模拟自然进化过程的随机优化算法。
本文将就遗传算法在机器学习中的应用研究做一些讨论。
一、遗传算法的概述遗传算法是一种搜索算法，直接模拟了自然进化过程中的遗传、变异和自然选择等关键过程。
遗传算法主要包括选择、交叉和变异等重要操作。
具体而言，选择操作是选择适应度较高的个体；交叉操作是将两个适应度较高的个体，根据交叉概率进行基因重组，产生一个新的后代；变异操作是以一定概率改变某个后代的基因，产生一个新的孩子。
遗传算法可以用于单个目标和多个目标的优化问题，不需要任何先验信息，适用于没有目标函数解析式的问题。
同时，由于遗传算法具有大规模、全局搜索和并行求解等特点，其在工程优化、软件设计、信号处理、图形处理和自动控制等领域都得到了广泛的应用。
二、遗传算法的应用案例(一) 机器学习中的遗传算法在机器学习领域，遗传算法主要应用于神经网络、支持向量机和朴素贝叶斯算法等目标函数优化问题。
具体而言，遗传算法主要优化神经网络的偏置和权重矩阵，以提高神经网络性能；也可通过遗传算法对输入数据进行特征选择，以提高支持向量机的分类准确率等。
(二) 遗传算法辅助物流车辆路径规划物流车辆路径规划是物流管理中的一个重要问题。
为了减少物流成本、提高物流效率，需要对物流车辆路径做出科学的决策。
遗传算法可以用于物流车辆路径规划问题的优化。
具体而言，可以将物流车辆路径规划问题看成一个TSP问题，即旅行商问题，用遗传算法进行求解。
(三) 遗传算法在二元分类器上的应用在数据挖掘和模式识别领域，二元分类器是一类常见的分类器。
为了提高二元分类器的分类准确性和稳定性，可以使用遗传算法来对分类器进行优化。
具体而言，可以将分类器的特征子集看作个体基因，以分类准确率作为适应度函数，通过选择、交叉和变异等遗传算法操作，得到一组优化后的分类器特征。
遗传算法的原理与应用
遗传算法的原理与应用遗传算法是一种受自然遗传和进化理论启发的优化算法，广泛应用于许多领域，包括生物学、数学、计算机科学等。
本文将介绍遗传算法的基本原理，以及在植物育种方面的应用，并探讨未来的发展方向和挑战。
一、遗传算法的基本原理遗传算法模拟了自然界的遗传和进化过程，主要包括选择、交叉和变异三个基本操作。
选择操作基于适应度函数，用于选择具有较高适应度的个体作为亲代；交叉操作模拟了生物杂交过程，用于产生新的个体；变异操作则模拟了基因突变，为个体引入新的遗传信息。
1、选择概率选择概率是指根据适应度函数评估个体适应度后，决定个体被选中的概率。
一般而言，适应度高的个体被选中的概率更高。
选择操作的目标是找到具有最高适应度的个体，以便将其遗传信息传递给下一代。
2、交叉概率交叉概率决定了两个个体在杂交过程中遗传信息交换的程度。
交叉操作将两个个体的染色体按照一定的方式进行重组，以产生新的个体。
交叉概率越高，遗传信息交换的可能性越大。
3、变异概率变异概率是指在基因传递过程中，基因发生突变的概率。
变异操作引入了新的遗传信息，为进化过程提供了更多的可能性。
变异概率较低，但其在某些情况下对于避免算法陷入局部最优解具有重要作用。
4、自交系数自交系数是指个体在自交过程中产生自交子代的概率。
在遗传算法中，自交操作常用于模拟实际生物在繁殖过程中的自交现象。
自交系数可以根据实际问题的需求进行设定，以满足特定的优化目标。
二、遗传算法在植物育种中的应用在农业领域，遗传算法为植物育种提供了新的思路和方法。
通过模拟自然界的遗传和进化过程，遗传算法可以优化作物的品质和产量。
以下是一个简单的例子，说明遗传算法在植物育种中的应用。
假设我们想要培育一种具有高产量和优良品质的玉米品种。
首先，我们可以通过遗传算法对现有的玉米品种进行优化选择，找到具有较高适应度的玉米品种作为亲本。
然后，我们可以通过交叉和变异操作，生成新的玉米品种。
在每一次迭代过程中，我们根据适应度函数评估新品种的品质和产量，并选择具有最高适应度的品种作为亲本进行下一次迭代。
《2024年模糊测试用例的生成方法研究与应用》范文
《模糊测试用例的生成方法研究与应用》篇一一、引言随着信息技术的发展，软件安全已成为人们关注的焦点。
在软件测试领域，模糊测试是一种有效的安全测试方法，用于发现软件中的潜在漏洞和错误。
本文将探讨模糊测试用例的生成方法，以及其在实践中的应用。
二、模糊测试概述模糊测试是一种基于随机或伪随机输入的自动化测试技术，通过向软件系统提供无效、意外或随机的输入数据，以触发系统异常或错误行为，从而发现潜在的安全漏洞。
模糊测试的核心在于生成具有针对性的测试用例，以实现对软件系统的全面覆盖和有效测试。
三、模糊测试用例的生成方法1. 基于随机算法的生成方法基于随机算法的生成方法是一种常见的模糊测试用例生成方法。
该方法通过随机选择和组合输入数据中的不同元素，生成随机的测试用例。
其优点在于速度快、成本低，适用于对大规模软件的初步筛选和广泛测试。
然而，由于生成的测试用例具有较高的随机性，可能导致对特定软件的覆盖率不足。
2. 基于遗传算法的生成方法基于遗传算法的生成方法是一种启发式搜索的测试用例生成方法。
该方法模拟自然界的进化过程，通过不断选择、交叉和变异生成的测试用例，逐步优化并逼近最优解。
其优点在于可以针对特定软件进行优化，提高测试用例的覆盖率。
然而，由于算法复杂度较高，可能对计算资源有一定的要求。
3. 结合专家知识的生成方法结合专家知识的生成方法是一种将领域知识和模糊测试相结合的方法。
该方法通过分析软件系统的特性和需求，结合专家知识生成有针对性的测试用例。
其优点在于可以针对特定软件的特点和需求进行优化，提高测试用例的针对性和有效性。
然而，需要专业人员参与，成本相对较高。
四、模糊测试用例的应用模糊测试用例在软件安全领域具有广泛的应用。
首先，它可以用于发现软件中的潜在漏洞和错误行为，为软件的安全性和稳定性提供保障。
其次，通过模糊测试用例的生成和分析，可以评估软件系统的安全性能和可靠性，为软件的质量评估提供依据。
此外，模糊测试还可以用于对软件系统的安全漏洞进行跟踪和修复，提高软件的整体安全性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第19卷第2期计算技术与自动化V o l119 N o12 2000年6月COM PU T I N G T ECHNOLO GY AND AU TOM A T I ON Jun 2000文章编号:1003—6199(2000)02—0005—05模糊遗传算法及其应用研究王兴成 郑紫微 贾欣乐(大连海事大学轮机工程研究所,辽宁大连 116026)摘 要:针对多目标遗传算法化的特点,基于模糊集理论,提出模糊遗传算法的概念及其算法结构。
将系统设计的要求转化为模糊遗传算法的约束条件,利用模糊遗传算法对其进行优化设计。
具体的设计示例说明了该算法的有效性。
关键词:遗传算法;模糊优化;模糊遗法算法中图分类号:T P13 文献标识码:A1 引 言在工程科学中,存在着很多困难的组合优化问题和复杂的函数优化问题。
这些问题大多是非线性的、有些甚至是不连续的。
对这些问题,常规的数学优化技术仅能对问题作简化的近似处理,而无法有效地求解。
由于遗传算法只要求所要解决的问题是可计算的,而无可微性及其它要求,所以,它的适用范围很广。
大量的应用结果已经证明了遗传算法极强的计算能力。
经过多年的发展,遗传算法已经成为一种实际可行、鲁棒性强的优化技术和搜索方法,并且遗传算法在诸多领域中都得到了广泛的应用[1]。
在遗传算法的应用过程中,通常需要解决如下三个方面的问题:参数控制(P a ram eter Con trol);过早收敛(P er m a tu re Converg ence);误导性问题(D ecep tive P roble m)[2][3]。
对于上面三个方面的问题,至今仍未得到较好的解决。
模糊性是人类思维和客观事物普遍具有的属性之一,模糊优化设计思想自从其被提出以来,已经得到了较快的发展和实际应用。
针对遗传算法和模糊优化各自的特点,本文提出了一种融合模糊优化设计思想的模糊遗传算法(F uz zy_Genetic A lg orithm,简称F uz zy_GA)。
文中定义了模糊遗传算法的概念,给出了模糊遗传算法的算法结构,并用实际系统的示例说明了该方法有的效性。
2 模糊遗传算法211 多目标遗传算法优化利用遗传算法进行多个目标同时优化的系统设计往往会加大其优化的难度。
针对多目标优化,采取适当的选择方法和设计性能优良的遣传算子也就格外重要,因为它直接影响到遗传算法优化的效果。
在进行多目标遗传算法优化设计时,往往都是将系统的设计要求转化为遣传算法优化的约束条件及优化的目标函数,以使得容易进行编程设计。
由格式定理和遗传算法的收稿日期:2000—02—03基金项目:国家教委博士点专项科研基金资助项目(98015101);国家自然科学基金国际合作资助项目(6981010032)作者简介:王兴成,(1956—),男,教授,研究方向;分布参数H∞控制;郑紫微,(1975—),男,研究生,研究方向;混合智能控制,H∞控制;贾欣乐,(1932—),男,教授,博士导师,研究方向;船舶运动控制。
6计算技术与自动化2000年6月计算过程[1]可知,通过选择和交叉,使得一些性能良好的格式在后续的解群的数字串中大量繁殖,并在某些数字串中使高质量的格式得以组合,从而使之能够得到高质量的数字串。
交叉可以使好的格式得以组合,从而得到好的解,这也是遗传算法区别于其它一些模拟进化优化方法的一个主要标志。
变异可以使在运算过程中丢弃的某位重要数字予以恢复。
所以,交叉率、变异率及遗传算法种群的大小等参数都会影响遗传算法优化的效果。
在遗传(特别是有约束条件的遗传算法)应用中,往往要事先根据情况给定所要求的约束条件,而这些条件如果一开始就规定得特别准确,例如,给定定值,将不利于遗传算法的子代繁殖。
一方面,有些具有某种特征的子代可能由于一开始就由于没有满足设计者的约束条件而被开除出局;这样一来,将不能保证所繁殖的子代就是较好的子代。
另一方面,在进行各种工程实际设计时,人们往往并不能很贴切的就事先知道其准确的约束条件,而仅能知道大概的约束条件,也即仅能知道一些模糊的概念。
这就启发了我们在应用遗传算法进行优化设计时,引入模糊概念及其设计思想,以期能够得到好的设计效果。
212 模糊遗传算法的定义模糊遗传算法,即融合模糊优化设计思想的遗传算法。
它把模糊优化和遣传算法优化结合起来,构成一种混合优化的设计方法,其目的是利用模糊优化设计的优点,克服一般遗传算法优化设计存在的不足,从而使得系统的优化设计更灵活、方便。
取得好的设计效果。
首先,在F uz zy_GA中引入“领域”(D o m a in)的概念。
在这里,“领域”即指用隶属函数来表示遗传算法的优化过程中所采用的约束条件的区间范围。
用隶属函数来表示遗传算法的约束条件,以使约束条件能够得到更容易地表达,又能够保证遗传子代的选择中能够拥有更广泛的群体组成。
另外,在F uz zy_GA中,采用权变理论(Con ting ency T heory,亦称灵活理论)中以变应变的思想。
具体包括采取以下措施:(1)模糊选取种群规模对于不同的对象,我们通常事先无法知道多大的种群规模才是合适的,因而,往往需要进行大量的试验。
这不仅需要试验者拥有相当丰富的经验,而且也很消耗时间,从而,也就不利于工程师们的实际应用。
为了便于应用,在F uz zy_GA中,采用模糊的概念来选取种群的大小,以求能够借助计算机的力量来选取种群规模,达到合理选取种群的目的。
(2)模糊动态调节交叉率和变异率由积木假设可知,通过不断抽取、搭配拟合度高而长度较短的模式(基因片断)可得到高拟合度的个体。
遗传算法的收敛速度与交叉率P c和变异率Pm有关。
如果选择得不合适,就会使得算法无法找到全局最优解。
而传统的GA一般选择固定的P c和Pm,此种选择方法已被证明在很多情况下是不理想的[4]。
所以,在F uz zy_GA中,我们根据模糊选取的种群规模大小来动态改变遗传算法的交叉率和变异率,具体为:当种群规模较大时,采用较小的变异率Pm,而却采用较大的交叉率P c;当种群规模较小时,采用较大的变异率Pm,而采用较小的交叉率P c,从而实现对遗传算法参数的动态控制。
(3)引入成员资格函数的模糊概念在有约束条件遗传算法的各种应用中,人们往往都是将各种约束条件分别用精确的数学表达式表示出来;然后,将它们编程来实现其优化。
实际上,人们很难使对象的各种理想条件都达到满足,往往需要对各种条件进行折衷。
在F uz zy_GA中,引入成员资格函数的模糊概念。
第19卷第2期王兴成等:模糊遗传算法及其应用研究7所谓成员资格函数就是定义输入空间的每个点如何被用来对应描述每一个成员资格的值。
把成员资格函数在模糊域中表示出来,从而能够利用概念的各种方法,包括模糊化、解模糊等,来描述遗传算法的约束条件及适应值函数;从而,可以借助已经被广泛使用的各种多目标化的模糊优化方法[5]来实现对遗传算法的优化。
至于采用何种模糊优化方法可根据具体问题而定。
在F uz zy_GA中,根据模糊化的成员资格函数所表示的约束条件及适应值为选取遗传算法的子代。
213 模糊遗传算法的算法结构F uz zy_GA的算法结构可表示如下:F uz zy_GA(){ y ea r=0 模糊选取种群规模; 模糊化种群中各个体的目标函数和约束条件 评价种群中各个体; 解模糊; w h ile 未满足终止条件 d o {y ea r++; 模糊化; 根据模糊化的各个体的目标函数和约束条件 所产生的适应函数值借助多目标模糊优化技 术评价选取子代放入交配池并各自做好标记; 根据种群规模模糊调节交叉率和变异率; 产生新子代; 评价后代各个体; 解模糊; 根据评价结果及年代模糊改变种群规模; }}3 模糊遗传算法的设计示例在上文中我们提供并分析了F uz zy_GA的概念及其算法结构。
下面,我们将把它应用于一个典型的M I M O的鲁棒控制系统的设计中,从而,来说明上文所述的F uz zy_GA的具体用法及其有效性。
311 设计对象的数学模型我们采用文[6]所述的典型M I M O的工业对象——高纯度精镏塔控制系统作为设计对象。
采用K1=K2=1且Σ1=Σ2=015时如下式(1)所表示的精镏塔模型作为设计用的标称模型: G n=e -0.5s75s+10.878 -0.8641.082 -1.096(1)其控制系统如图11所示。
8计算技术与自动化2000年6月图1 控制系统框图312 具体设计方法及仿真结果对于式(1)所示的被控对象。
根据其时滞及难控的特点,我们用本文所提出的F uz zy _GA 代替了笔者在文[7]中所提出GA 和H ∞混合优化设计方法中的GA 部分。
至于详细的GA 和H ∞混合优化设计方法及分层的染色体结构,可参阅文[7],此处不再赘述。
下面仅对本文所采用的F uz zy _GA 方法作一说明,并给出具体的仿真设计结果。
初始模糊参数控制由设计者输入模糊值为产生;而后,通过编程规定其模糊值的变化情况。
具体规定为:连续25代未得到最优解,即自动修改模糊值;相应地,各参数也得到更改。
其目的是通地动态变化参数,以其避免误导性问题的出现。
各参数值的对应关系如下表1所示。
表1 各参数之间的相互关系模糊值大中小种群大小(P op siz e )70～5050～3030～10交叉率(P c )015～013013～011011～0105变异率(Pm )01001～01010101～01040104～0108表2 遗传算法其他参数选择基因串1:分辨率:1位范围:B ∈[0,1];基因串2:分辨率:10位范围:R 1∈(0,2),R 2∈(0,200); 用模糊概念的方法(模糊化、解模糊化)代替文[7]中所采用的轮盘赌方法来选取子代。
采用文[7]所采用的染色结构,以W 1作为遗传算法优化的对象,借助计算机编程对W 1进行自动优化求解。
在编程过程中,所采用的染色体的其他参数如表2所示。
借助计算机编程进行自动优化搜索,在经过700代的遗传算法优化得到了成形权函数、控制器分别为:(1)成形权函数 W 1=150.5487S +212.28871.7865S 2+1.0272S +0.0015;(4)控制器 K (s )=nk 11 nk 12nk 21 nk 22d k;其中: d k =010002s 10+010047s 9+010479s 8+012840s 7+019622s 6+116818s 5+115519s 4+018027s 3+012369s 2+010333s ; nk 11=-010041s 8-010500s 7-012321s 6-015676s 5-019117s 4-110221s 3-016886s 2-012086s -010153; nk 12=-010051s 8-010591s 7-012548s 6-014974s 5-014109s 4-010004s 3+011914s 2+010736s +010006; nk 21=010040s 9+010467s 8+011979s 7+013614s 6+0120195-012226s 4-013370s 2-011173s -010039; nk 22=010052s 8+010618s 7+012828s 6+016639s 5+019804s 4+019972s 3+016294s 2+011872s +010148所设计的系统的频域特性曲线如图21(a )～(d )所示,所设计的控制系统阶跃响应曲线如图3(a )、(b )所示。