基于遗传算法的模糊控制器规则优化(2)

遗传算法简称GA（GeneticAlgorithms），是1975年由美国的Holland提出的一种模拟生物进化过程的最优化方法。它将“优胜劣汰，适者生存”的生物进化原理引入优化参数形成的编码串群体中，根据所选择的适配值函数并通过遗传中的复制、交叉及变异对各个体进行筛选，使适应度高的个体被保留下来，组成新的群体，新的群体既继承了上一代的信息，又优于上一代［6］

。这样周而复始，群体中的各个体适应度不断提高，直至满足一定的要求。其算法简单，可并行处理，能得到全局最

开始遗传算法初始化

编码种群1计算适应度值

Y满足要求

复制N交叉遗传操作

种群1=种群2

变异

种群2解码结束图1遗传算法流程图

优解。遗传算法流程如图1所示。2.3优化方法

遗传算法优化模糊控制规则要解决的首要问题就是规则编码问题，采用四位二进制编码方法，即将控制规则表的输出语言变量的量化值-4、-3、-2、-1、0、1、2、3、4分别编码成1100、1011、1010、1001、0000、0001、0010、0011、0100；其中第一位表示符号位，0代表正，1代表负，后三位表示十进制数到二进制数的转换，为一一对应关系。如表1所示的81条规则的编码依次为010000110011001000100011…1010101110111100。将这些编码串联成一条染色体。该染色体作为遗传算法的操作对象。通过遗传操作获得最优的“染色体”，将其复原成为原参数空间的值，这就是解码操作。解码与编码是互逆操作。然后是确定遗传参数，遗传参数的选择对遗传算法的运行性能有很大影响，主要包括：变异概率、交叉概率、最大世代数、染色体长度、种群大小。最后是适应度函数的确定，遗传算法所使用的适应度是指在优化计算群体中各个个体有可能达到或接近于最优解的优良程度。群体的进化就是以群体中各个个体的适应度为依据，通过反复过程，不断地寻找出适应度较大的个体，最终得到问题的最优解或次优解。采用下式作为参数选取的最优指标［7］

，即：

J=∫∞

0（

ω1e（t）+ω2u（）tdt+ω3tu式中：e（t）为系统误差；u（t）为控制器输出；tu为上升时间；ω1，ω2，ω3为权值。

取适应度函数为：

f=1

然而生物的进化是通过遗传算子操作实现的，因此遗传算子在遗传算法中起着极其重要的作用。根据优化设计要求，设计模糊控制规则优化过程

中的各个遗传算子，包括：选择算子、交叉算子和变异算子。选择算子是遗传算法用来对群体中的个体进行优胜劣汰的操作，在此选用的选择算子是适应度比例选择法。适应度比例选择法就是各个个体被选择的概率与其适应度成正比，即：

Pfi

si=

iΣf

其中：N为群体规模；fi为群体中第i个个体的适应