图2实线表示的是应用改进后的遗传算法优化模糊控制器得到的阶跃响应变化曲线;虚线表示的是应用普通遗传算法优化模糊控制器得到的阶跃响应变化曲线。从图中可以看出,对于同一被控对象模糊控制器经改进遗传算法优化后,响应曲线超调量小、调节时间短、上升速度快,控制效果明显优于普通遗传算法对模糊控制器的优化。应用改进遗传算法和普通遗传算法的基本遗传操作如表1所示:
模糊控制器的参数寻优过程如图3示,从目标函数的优化过程来看,基于改进遗传算法的寻优收敛速度明显要比基本遗传算法快,而且改进的遗传算法在优化初期就能使得适应度函数取得更加优秀的结果。
最后经改进遗传算法优化得到的目标函数,在第38代寻得最优解,优化后最优个体为{0.632 1.852 2.878 0.789 2.054 2.716 0.858 2.306 2.761 7777665 7777644 6665533 6654322 5544333 4422111 3311100},最优目标函数值BJ=24.0252。应用改进遗传算法与普通遗传算法运行统计结果对比如表2所示:
5 结束语
本文针对普通遗传算法在优化模糊控制器隶属函数与模糊规则时的不足,如局部寻优能力较差以及早熟
收敛等现象,提出了一种改进的遗传算法,并应用于模糊控制器的设计,针对遗传算法基本要素的各个环节提出了相应的改进策略。最后的仿真结果表明了应用本文改进遗传算法优化模糊控制器参数的可行性和有效性,其具有较小超调量和较快的响应特性,稳定性好,取得了满意的控制效果。另外,由于大部分温度控制系统中的被控对象都可以归纳为上述算例中的模型,即可等效成二阶系统加上一些典型的非线性环节,如死区、饱和、纯延迟等,故可将本文所设计的遗传算法用于优化模糊控制器,并应用于现代化温室温度的模糊控制,以期达到最佳控制效果。
参考文献:
[1] 刘金锟.智能控制[M].北京:电子工业出版社,2005.
[2] WU S J,LIN C T.Optimal fuzzy controller design:local concept approach[J].IEEE Trans on Fuzzy Systems,2000,8(2):171-185.
[3] 刘咪,王进华.遗传算法优化模糊控制器方法[J].福建电脑,2005,(8):82-86.
[4] C.C.LEE,Fuzzy logic in control systems:fuzzy logic controller-PartsⅠandⅡ[J].IEEE Transactions on System,Man,and Cybemetics,1990,(20):404-435.
[5] LIM MH, RAHARDJA S,GWEE B H.A GA paradigm for learning fuzzy rules[J].Fuzzy Sets and Systems,1996,(82):177-186.
[6] 玄光南,程润伟.遗传算法与工程优化[M].北京:清华大学出版社,2004:117-123.
[7] BRANKE J,KAUBLER T,SCHMIDT C,et al.A multi-population approach to dynamic optimization problems[J].Adaptive Computing in Design and Manufacturing, 2000:299-308.
[8] 王海军,陈一民,魏绍亮.一种基于遗传算法优化的模糊控制器研究[J].微计算机信息,2006,(28):67-70.
[9] M SRINIVAS,L PATNAIK.Adaptive Probabilities of Crossover and Mutation in Genetie Algorithm[J].IEEE Trans.OnSystems,Man,and Cybemeties,1994,24(4):656-666.
[10] 黄少荣.遗传算法及其应用[J].电脑知识与技术,2008,4(7):74-75.
[11] GUNTER RODOLPH.Convergence analysis of canonical genetic algorithms[J].IEEE transactions on neural networks,1994,5(1):96-119.
上页 1 2 3 4 5