加快遺傳演算法收斂

㈠ 機械制圖畢業論文

機械制圖畢業論文

機械制圖是個復雜的過程，下面是機械制圖畢業論文，希望可以幫助到你！

機械制圖畢業論文

機械創新設計是一個極其重要而又困難的實踐性較強的研究課題。目前創新設計方法研究雖然已取得一些成果，但創新學還處於發展初期，各種不同理論及工具不斷涌現，遠沒有形成普遍可以接受的統一的理論亮漏體系。

本文認為，要進行滑沒機械創新設計要有兩個必要條件：一是充分獲取適用的知識；二是要使用符合創新設計思維並能激發創新思維的設計系統。設計過程充滿了矛盾，所獲取的知識應敬讓爛有助於矛盾的迅速解決，這就要求知識獲取工具緊密集成到設計過程中，因此要統一研究知識獲取工具與設計系統。另外，人類的創新設計思維模式是在長期的成功設計經驗中總結形成的，因此設計系統必需符合創新設計思維規律。創新設計思維規律應作為算機輔助創新設計系統的理論基礎。

基於上述考慮，本文從創新設計思維的研究出發，融合知識獲取方法，研究創新設計理論，進而開發機械產品創新設計系統。

1 機械創新設計思維規律

我們常把思維的過程稱為「思路」，是因為可用路徑問題來說明人類思維過程。本文提出兩個機械創新設計思維原則：

一是最短路徑原則。設計者得到產品的功能要求後，往往首先檢索出最佳設計實例，這樣可以最迅速接近目標，然後運用價值工程方法，找出價值較低的極少數組件作為研究對象，再分析所得對象存在的矛盾，嘗試作最小變動以解決矛盾，如矛盾沒有解決則擬作更大變動或擴大研究對象范圍，最後得出最優結果。通過這樣途徑所消耗的能量最少，體現了最短路徑原則。

二是相似性聯想。湯川秀樹的定同理論認為，聯想能力就是找出事物彼此相似性的創造力，相似性是指事物間的內在聯系。

要用計算機系統來輔助設計師從自然界中發現形態各異的事物的相似性是很困難的，因此本文只研究從機械產品實例中挖掘相似性，以促進機械創新設計。

機械設計過程是從功能要求到作用原理，再到物理結構的映射過程[1]。在CBR系統中，功能要求、作用原理與物理結構可作為實例索引，因此可統稱它們為索引項目。同一索引的不同類索引項目之間的聯想可稱為縱向聯想，而不同索引的同類索引的聯想可稱為橫向聯想。

判斷聯想是否合理的依據是相似性，相似性由已有產品實例確定。比如，「超聲波研磨機產品實例」使「超聲波振動」作用原理與「研磨」功能要求縱向地產生了內在聯系；又如，多種產品實例可滿足同一功能要求，那麼它們用於實現該功能的作用原理及物理結構具有相似性。

功能要求是聯想的起點，經驗豐富的設計師通常記憶有大量的設計實例，因而掌

握縱向及橫向相似性，所以能迅速地進行橫向及縱向的聯想，能觸類旁通，得出具有相似作用原理及物理結構的實例（簡稱相似實例）並進行組合優化，最後得到最優解。

這兩項原則已被多種設計方法不自覺地採用了，基於實例推理不但能迅速接近最優解，體現最短路徑原則；物場分析法（簡稱TRIZ）分析了上百萬設計實例，確定功能要求與作用原理及物理載體的內在聯系，以及不同作用原理或物理載體的可替代關系，使設計師可根據功能要求找到適當的作用原理及物理載體，體現相似性聯想原則。

2 計算機輔助創新設計系統

兩項創新設計思維原則充分體現在計算機輔助創新設計系統的設計中，系統還利用了多種創新設計方法及人工智慧技術。計算機輔助創新設計系統的流程如圖1所示，它包含如下關鍵技術：

2.1 實例檢索

利用基於實例推理（CBR）技術時首先要深入研究它的優缺點。CBR是一種以實例為知識載體的知識供應方法。當前它仍有如下不足：首先，系統為了達到實用通常建立龐大的實例庫，這導致管理困難，系統運行效率低；其次，通過檢索得到的只是一個或很少實例，而其它不符合檢索要求但含有適用知識的實例沒有利用，支持創新的力度不夠；最後，實例調整嚴重依賴領域知識，難度大，所以很多CBR系統簡化為實例檢索系統[2]。導致這三項缺點的深層原因是實例是獨立的，不同實例所蘊含的知識難以組合利用。為了克服這個矛盾本文提出通過相似性聯想找出相似實例，並利用遺傳演算法進行組合優化，實現實例知識的重用。

本系統的實例檢索功能用商品化PDM系統IMAN中的產品結構與配置管理功能及搜索功能來實現，實例的可視化表示與管理依靠IMAN的產品結構樹功能實現。

2.2可視化的實例模型表達及矛盾分析

概念設計技術的發展方向為研究一種統一的設計方案表達方法[3]。文獻[4]對日本學者吉川弘之提出的FBS圖進行擴充，使用兩個框架分別描述一個設計方案的功能層次與結構層次，並存儲功能單元與結構單元的對應關系，使計算機理解產品的'結構及其功能。這種方法的缺點是結構與功能的關系不夠直觀，因此本系統在功能層次圖與結構層次圖的基礎上增加功能關系圖，以語義網路的方式描述結構及之間的作用關系，使結構與功能處於同一張圖中，設計者可直觀地理解產品原理，根據功能關系圖並運用價值工程方法分析實例存在的矛盾。

實現創新的關鍵是正確分析產品中所存在的矛盾[5]。產品設計中的基本矛盾是產品功能成本比不能滿足用戶要求，它有兩種表現形式，一是未能實現某些產品

功能質量目標；二是某些功能質量得到改善而某些功能質量卻惡化。

矛盾分析結果用於指導新作用原理、新物理結構的聯想，進而找出相似實例。

2.3基於WEB的創新設計知識庫

本系統的創新設計知識庫包括作用原理庫、物理結構庫與實例庫。當系統根據相似性搜索到新作用原理或物理結構後，相應的實例自動調出。

作用原理庫與物理結構庫的開發借鑒了TRIZ的成果，再針對機械領域補充整理出二百四十餘種作用原理（其中包括五十餘種基本措施）。在每種作用原理下分別存儲多種物理結構，形成物理結構庫。實例庫主要針對幾種常見的家電產品進行開發。

創新設計知識庫是創新設計系統的核心部件，它是一種WEB文本知識庫，文本經過筆者開發的機械知識XML標記處理，使知識庫建立在國際標准XML文本之上，因此可實現知識資源的異地共享，並且在此知識庫之上可建立基於WEB的機械產品計算機輔助創新設計系統，滿足異地協同設計的需要。

2.4相似性的量化方法及改進的遺傳演算法

每種產品的結構不同，需要不定相同的遺傳演算法編碼。本系統為了提高運行效率，採用浮點數編碼方式。

在傳統的遺傳演算法中，初始群體是通過用隨機的方法來產生的[6]，這具有一定的盲目性。因此本文提出利用實例的作用原理或物理結構的相似性作為篩選實例產生初始群體的依據。

實現該途徑的關鍵在於相似性的量化也即相似度的計算方法。相似度實質是實例的關聯知識，必須以一定的演算法在實例集合中挖掘得到。縱向聯想的相似度實質是功能目標與實現手段的關系程度，橫向聯想的相似度實質是實現手段的可替代關系程度。相似度越高意味著得到已有產品實例的更多支持。根據相似度來篩選初始群體就等於利用以前的設計經歷，使初始群體的產生有合理的基礎，因此能加快遺傳演算法的收斂。本文根據相似性聯想原理提出如下縱向及橫向聯想的相似度計算方法。

設產品實例集合為C，功能元素集合為F，作用原理或物理結構元素集合為G。分別記為：C={Ci|i=1,2,?,n}; F={Fj|j=1,2,?,m}; G={Gk|k=1,2,?,q}。實例集合中的實例Ci以不同的隸屬度uij及uik分別隸屬於Fj及Gk。 設元素Gk到元素Fj的縱向聯想相似度為rkj，則：

rkj =

又設G空間中有元素Gk和Gm。實例Cji分別以隸屬度uik和uim隸屬於元素Gk

和Gm，設從Gk到Gm的橫向聯想相似度為rkm，則：

rkm =

隸屬度作為實例對象的一項屬性來存儲。系統根據以上演算法從實例集合中挖掘相似度知識，輔助設計師從相似度較高的方向進行聯想，並用於指導遺傳演算法初始群體的產生，從而促進設計創新。

3 結論

本文研究創新設計思維規律並用於指導機械產品創新設計系統的開發，系統的成功應用證明了關於創新設計思維規律論斷的正確性以及多種新技術的可行性。系統可通過矛盾分析與聯想，搜索到適用的作用原理、措施、物理結構及實例以解決矛盾，完成概念設計階段的功能優化與原理優化，是實現機械廣義優化設計方法的新成果。

㈡ 如何讓遺傳演算法解旅行商問題快速收斂

想要快速收斂的話可以直接減小每一步的半徑，但是更容易被局部峰值困住，可以通過選取幾個差距較大的初始點多次運行來提高精確度。
最根本的解決方法還是提高計算適應度等步驟的效率。

㈢ 遺傳演算法的優缺點

優點：

1、遺傳演算法是以決策變數的編碼作為運算對象，可以直接對集合、序列、矩陣、樹、圖等結構對象進行操作。這樣的方式一方面有助於模擬生物的基因、染色體和遺傳進化的過程，方便遺傳操作運算元的運用。

另一方面也使得遺傳演算法具有廣泛的應用領域，如函數優化、生產調度、自動控制、圖像處理、機器學習、數據挖掘等領域。

2、遺傳演算法直接以目標函數值作為搜索信息。它僅僅使用適應度函數值來度量個體的優良程度，不涉及目標函數值求導求微分的過程。因為在現實中很多目標函數是很難求導的，甚至是不存在導數的，所以這一點也使得遺傳演算法顯示出高度的優越性。

3、遺傳演算法具有群體搜索的特性。它的搜索過程是從一個具有多個個體的初始群體P(0)開始的，一方面可以有效地避免搜索一些不必搜索的點。

另一方面由於傳統的單點搜索方法在對多峰分布的搜索空間進行搜索時很容易陷入局部某個單峰的極值點，而遺傳演算法的群體搜索特性卻可以避免這樣的問題，因而可以體現出遺傳演算法的並行化和較好的全局搜索性。

4、遺傳演算法基於概率規則，而不是確定性規則。這使得搜索更為靈活，參數對其搜索效果的影響也盡可能的小。

5、遺傳演算法具有可擴展性，易於與其他技術混合使用。以上幾點便是遺傳演算法作為優化演算法所具備的優點。

缺點：

1、遺傳演算法在進行編碼時容易出現不規范不準確的問題。

2、由於單一的遺傳演算法編碼不能全面將優化問題的約束表示出來，因此需要考慮對不可行解採用閾值，進而增加了工作量和求解時間。

3、遺傳演算法效率通常低於其他傳統的優化方法。

4、遺傳演算法容易出現過早收斂的問題。

(3)加快遺傳演算法收斂擴展閱讀

遺傳演算法的機理相對復雜，在Matlab中已經由封裝好的工具箱命令，通過調用就能夠十分方便的使用遺傳演算法。

函數ga：[x, fval,reason]= ga(@fitnessfun, nvars, options)x是最優解，fval是最優值，@fitnessness是目標函數，nvars是自變數個數，options是其他屬性設置。系統默認求最小值，所以在求最大值時應在寫函數文檔時加負號。

為了設置options，需要用到下面這個函數：options=gaoptimset('PropertyName1', 'PropertyValue1', 'PropertyName2', 'PropertyValue2','PropertyName3', 'PropertyValue3', ...)通過這個函數就能夠實現對部分遺傳演算法的參數的設置。

㈣ 遺傳演算法的收斂性問題

是運算元有問題，交叉的方法都是比較簡單的，但對於某些情況可能並不好用，也就是說演算法本身無法體現出優勝劣汰的規則，可能因此導致無法收斂。

收斂數列令為一個數列，且A為一個固定的實數，如果對於任意給出的b>0,存在一個正整數N，使得對於任意n>N,有|an-A|<b,則數列存在極限A，數列被稱為收斂。非收斂的數列被稱作「發散」（divergence)數列。

可見收斂不是指數值越來越小，而是指與極限值的距離（即差的絕對值）越來越小，只要你的目標函數是壓縮映射，那麼使用遺傳演算法就一定可以計算出全局收斂的近似值。

(4)加快遺傳演算法收斂擴展閱讀：

由於遺傳演算法不能直接處理問題空間的參數,因此必須通過編碼將要求解的問題表示成遺傳空間的染色體或者個體。這一轉換操作就叫做編碼，也可以稱作（問題的）表示（representation）。

遺傳演算法在搜索進化過程中一般不需要其他外部信息，僅用評估函數來評估個體或解的優劣，並作為以後遺傳操作的依據。由於遺傳演算法中，適應度函數要比較排序並在此基礎上計算選擇概率，所以適應度函數的值要取正值。由此可見，在不少場合，將目標函數映射成求最大值形式且函數值非負的適應度函數是必要的。

㈤ 加了模糊控制器，模擬速度很慢，怎麼解決

人工智慧在電氣傳動中運用的進展(1)
摘要：本文論述了人工智慧在電氣傳動領域的發展概況。其中主要包括模糊控制、神經網路和遺傳演算法的應用特點及發展趨勢等

關鍵詞：神經網路控制 模糊神經元控制 自適應控制

一、引 言
人工智慧控制技術一直沒能取代古典控制方法。但隨著現代控制理論的發展，控制器設計的常規技術正逐漸被廣泛使用的人工智慧軟體技術(人工神經網路、模糊控制、模糊神經網路、遺傳演算法等)所替代。這些方法的共同特點是：都需要不同數量和類型的必須的描述系統和特性的「a priori」知識。由於這些方法具有很多優勢，因此工業界強烈希望開發、生產使用這些方法的系統，但又希望該系統實現簡單、性能優異。
由於控制簡單，直流傳動在過去得到了廣泛的使用。但由於它們眾所周知的限制以及DSP技術的進步，直流傳動正逐漸被高性能的交流傳動所取代。但最近，許多廠商也推出了一些改進的直流驅動產品，但都沒有使用人工智慧技術。具信使用人工智慧的直流傳動技術能得到進一步的提高。
高性能的交流傳動瞬態轉矩的控制性能類似於他勵直流電機的控制性能。現有兩種高性能交流傳動的控制方法：矢量控制(VC)和直接轉矩控制(DTC)。矢量控制是德國的研究人員在二十多年前提出的，現在已經比較成熟，並已廣泛應用，很多生產廠商都推出了他們的矢量控制交流傳動產品，最近又大量推出了無速度感測器的矢量控制產品。盡管在高性能驅動產品中使用AI技術會極大地提高產品的性能，可是到目前為止只有兩個廠家在他們的產品中使用了人工智慧(AI)控制器；直接轉矩控制是大約在十五年前由德國和日本的研究人員提出的，在過去十年中得到大量的研究，現在ABB公司已向市場推出了直接轉矩控制的傳動產品，使得人們對直接轉矩控制的研究興趣增加，將來在直接轉矩控制中將會用到人工智慧技術，並將完全地不需要常規的電機數學模型了。
英國CT公司(Control Technique plc)推出了世界上第一台統一變頻器(Unidrive)，其他一些公司也推出了相應的產品，現在這些產品都沒有使搜悄用人工智慧技術，「統一」的概念完全依靠軟體實現，這就為軟計算技術的實現提供派枝了條件。具信在將來統一變頻器將使用直接轉矩控制以及各種形式的矢量控制，單一使用直接轉矩控制技術的產品將遭到淘汰。本文也將討論人工智慧在統一變頻器中運用的一些方面，同時也包括AI控制器在VC和DTC中的運用。
AI控制器能否工業運用的關鍵一點是：實現這些控制器的硬體和軟體。大多數DSP控制的驅動器都有足夠的計算能力實現人工智慧的演算法，並且都能得到大多數人工智慧控制器軟計算所需要的信號。通過運用適當的控制策略，就能大大地減少計算和硬體的負擔，從而把注意力集中於提高驅動器的性能、魯棒性和可靠性上面。
在將來，智能技術在電氣傳動技術中占相當重要的地位，特別是自適應模糊神經元控制器在性能傳動產品中將得到廣泛應用。但是，還有很多研究工作要做，現在還只有少數實際應用的例子（學術研究組實現少，工業運用的就更少了），大多數研究只給出了理論或模擬結果，因此，常規控制器在將來仍要使用相當長一段時間。

二、人工智慧控制器的優勢

文獻中，不同的人工智慧控制通常用完全不同的方法去討論。但AI控制器例如：神經、模糊、模糊神經，以及遺傳演算法都可看成一類非線性函數近似器。這樣的分類就能得到較好的總體理解，也有利於控制策略的統一開發。這些AI函數近似器比常規的函數估計器具有更多的優勢，這些優勢如下：
（1）它們的設計不需要控制對象的模型（在許多場合，很難得到實際控制對象的精確動態方程，實際控制對象的模型在控制器設計時往往有很多不確實性因素，例如：參數變化，非線性時，往往不知道）
（2）通過適當調整（根據響應時間、下降時間、魯棒性能等）它們能提高性能。例如：模糊邏輯控制器的上升時間比最優PID控制器快1.5倍，下降時間快3.5倍，過沖更小。
（3）它們比古典控制器的調節容易。
（4）在沒有必須專家知識時，通過響應數據也能設計它們。
（5）運用語言和響應信息可能設計它們。
（6）它們有相當好的一致性（當使用一些新塵漏敏的未知輸入數據就能得到好的估計），與驅動器的特性無關。現在沒有使用人工智慧的控制演算法對特定對象控制效果十分好，但對其他控制對象效果就不會一致性地好，因此對必須具體對象具體設計。
（7）它們對新數據或新信息具有很好的適應性。
（8）它們能解決常規方法不能解決的問題。
（9）它們具有很好的抗雜訊干擾能力。
（10）它們的實現十分便宜，特別是使用最小配置時。
（11）它們很容易擴展和修改。
人工智慧控制器可分為監督、非監督或增強學習型三種。常規的監督學習型神經網路控制器的拓樸結構和學習演算法已經定型，這就給這種結構的控制器增加了限制，使得計算時間過長，常規非人工智慧學習演算法的應用效果不好。採用自適應神經網路和試探法就能克服這些困難，加快學習過程的收斂速度。常規模糊控制器的規則初值和模糊規則表是既定「a－priori」型，這就使得調整困難，當系統得不到「a－priori」（既定）信息時，整個系統就不能正常工作。而應用自適應AI控制器，例如使用自適應模糊神經控制器就能克服這些困難，並且用DSP比較容易實現這些控制器。
常規模糊邏輯控制器的設計經常使用嘗試法。需要「a－priori」信息，如運用自適應智能控制器就不需要「a－priori」（a－priroi規則庫和隸屬函數）信息。值得注意的是，與常規非自適應智能控制器相反，它根據輸入信號更新它的「參數」，換句話說，它對變化的輸入信號具有適應性。自適應控制器分兩類：間接和直接控制器，間接自適應人工智慧控制器有一個實時辯識模型，用於控制器的設計，間接控制器在每個采樣周期需要采樣控制對象的輸入和輸出信號，辯識器和控制器有很多形式，而直接AI控制器用特性表來實現對控制對象的控制，這個特性表由兩個連續采樣周期間的誤差的變化量構成，用來控制電流響應。
如用模糊邏輯控制器，最簡單的應用可能是標量因子的運用。這種方法用現在的非自適應驅動器很容易實現，因而對工業界具有很大的吸引力。用改變隸屬函數形狀的方法可實現相似的效果。這種運用也可能通過改變規則來實現，如用直接AI控制器來實現，就是自適應控制器。它在每個采樣瞬間先使用上一個采樣周期採用的規則，如果得不到滿意的特性，就用新的規則替代，從而得到滿意的特性。
總而言之，當採用自適應模糊神經控制器，規則庫和隸屬函數在模糊化和反模糊化過程中能夠自動地實時確定。有很多方法來實現這個過程，但主要的目標是使用系統技術實現穩定的解，並且找到最簡單的拓樸結構配置，自學習迅速，收斂快速。 三、人工智慧在電氣傳動控制中的運用
這一部分主要討論人工智慧在交直流傳動中運用的進展。值得指出的是這是一個廣闊的領域，在過去二年中，研究活動極快的增長，本文只是概括一下人工智慧在電氣傳動中的運用這一領域的進展，不可能覆蓋研究的每一個可能領域。AI控制器在直流傳動中運用的大多數研究集中於模糊邏輯應用，在人工神經網路和其它智能控制的研究還很少。下面主要討論模糊、神經元和模糊神經元和模糊神經元控制器在交直流傳動中的應用。
(一)人工智慧在直流傳動中的運用
1.模糊邏輯控制應用
主要有兩類模糊控制器，Mamdani和Sugeno型。到目前為止只有Mamdani模糊控制器用於調速控制系統中。限於篇幅本文不詳細討論其中的原因。值得注意的是這兩種控制器都有規則庫，它是一個if－then模糊規則集。但Sugeno控制器的典型規則是「如果X是A，並且y是B，那麼Z=f(x,y)」。這里A和B是模糊集；Z=f(x,y)是x,y的函數，通常是輸入變數x,y的多項式。當f是常數，就是零階Sugeno模型，因此Sugeno是Mamdani控制器的特例。
Mamdani控制器由下面四個主要部分組成：
（1）模糊化實現輸入變數的測量、量化和模糊化。隸屬函數有多種形式。
（2）知識庫由資料庫和語言控制規則庫組成。開發規則庫的主要方法是：把專家的知識和經歷用於應用和控制目標；建模操作器的控制行動；建模過程；使用自適應模糊控制器和人工神經網路推理機制。
（3）推理機是模糊控制器的核心，能模仿人的決策和推理模糊控制行為。
（4）反模糊化實現量化和反模糊化。有很多反模糊化技術，紓畲蠡茨：屑淦驕際醯取?BR>下面的表1由64個語言規則組成，是用於電氣傳動控制系統的一種可能規則表這個規則表相當大，實際應用中往往進行簡化。在各種出版物中，介紹了許多被模糊化的控制器，但這應與「充分模糊」控制器完全區分開來，「充分模糊」控制器才是完全意義上的模糊控制器，被模糊化的控制器易於實現，往往通過改造現有古典控制器得以實現，如被模糊化的PI控制器（FPIC）使用模糊邏輯改變控制器的比例、積分參數，從而使系統的性能得到提高（17），控制器參數的微小變化可能導致特性的極大提高，被模糊化的控制器參數調整方法如下：P（ti）=P（ti－1）＋kP＊CP，I（ti）=I（ti－1）＊CI。但如應用「充分」模糊邏輯控制器，系統響應遠遠優於FPIC和最優古典PI控制器，用於最優化常規控制器的計算時間比模糊化控制器所需的時間多得多。因此，使用最小配置的FPIC控制器是可能的選擇之一，事實上，這也是用現有驅動裝置實現的最簡單方法。
在許多電氣傳動文獻中，介紹了用模糊邏輯控制器替代古典PI控制器（主要是速度調節器）改進系統響應的方法。可是，文獻（18）詳細探討了模糊邏輯控制器用於三環直流電機控制系統中所有環節（速度、電流和勵磁）的設計和調整的方法。作者也介紹了PI和PD控制器，文獻（9）介紹了最小配置模糊控制用於直流傳動中的可能性以及組合模糊控制器用於直流傳動中得到滿意響應的可能性。下節討論模糊神經控制的直流傳動裝置時，我們將討論這種速度和電樞電流調節器組合成單一控制器的情況。
2. ANNS的應用
過去二十年，人工神經網路（ANNS）在模式識別和信號處理中得到廣泛運用。由於ANNS有一致性的非線性函數估計器，因此它也可有效的運用於電氣了傳動控制領域，它們的優勢是不需要被控系統的數學模型，一致性很好，對噪音不敏感。另外，由於ANNS的並行結構，它很適合多感測器輸入運用，比如在條件監控、診斷系統中能增強決策的可靠性，當然，最近電氣傳動朝著最小化感測器數量方向發展，但有時，多感測器可以減少系統對特殊感測器缺陷的敏感性，不需要過高的精度，也不需要復雜的信號處理。
誤差反向傳播技術是多層前聵ANN最常用的學習技術。如果網路有足夠多的隱藏層和隱藏結點以及適宜的激勵函數，多層ANN只能實現需要的映射，沒有直接的技術選擇最優隱藏層、結點數和激勵函數，通常用嘗試法解決這個問題，反向傳播訓練演算法是基本的最快下降法，輸出結點的誤差反饋回網路，用於權重調整，搜索最優。輸出結點的權重調整迭代不同於隱藏結點的權重調整迭代。通過使用反向傳播技術，能得到需要的非線性函數近似值，該演算法包括有學習速率參數，對網路的特性有很大影響。
反向傳播演算法是多層前聵ANN最廣泛使用的學習技術之一。但有時網路的收斂速度很慢，改進演算法的開發是一個重要研究領域。英國Aberdeen大學在這方面取得過令人鼓舞的成績，他們把常規的反向傳播演算法和其它AI技術結合起來，使得網路快速收斂，魯棒性更好。他們還研究過基於AI技術的最優拓撲結構網路，但沒有現成理論用於最優配置，Kolgomorov理論和其他理論也不適用，在神經網路的訓練劇中使用遺傳演算法可能會提高收斂速度，遺傳演算法是一種基於自然進化和遺傳機理的統計搜索方法，它模仿自然界個體適者生存不適者淘汰的原理解決問題，每一代由染色體代表的(一套特徵串類似於DNA中的染色體)許多個體組成，每個個體代表搜索空間的一個點和一個可能的解。值得注意的是在神經模糊實現中，有時必須使用不同形式的反向傳播技術，而不是已知的標准形式。反向傳播技術是在線(Supervised)學習技術，需要充分的輸入－－輸出數據對，雖然這種限制也可以用另外的方法加以克服，但該方法是離線的。
日本和德國的研究人員試圖把ANNS用於控制電力變換器，但到目前為止沒有獲得滿意的結果，這也是一個很有趣的領域。主要的有待解決的障礙是學習階段時間花費過長，總而言之，問題的關鍵是要給變換器的控制器找到一個滿意的非線性函數近似器、得到期望的非線性輸入－－輸出映射。常規技術就能實現簡單的映射，而神經網路能實現更復雜的映射，並且由於它的並行結構這種映射相當快。
只有很少的論文討論神經網路在直流電機控制中的應用。文獻(21)介紹了兩個多層前饋人工神經網路在直流電機速度控制環中的應用。這是一種典型配置。辯識ANN用於訓練第二個ANN(神經控制器，即過程式控制制器)，因此過程輸出跟隨給定信號。學習過程用的是反向傳播演算法。該方法分為二步：第一步ANN被訓練用來代表控制對象的響應。這需要用到表示控制對象輸出和控制輸入關系的微分方程。第二步把ANN用於控制對象模型的辯識方案中。在這步中，把ANN與控制對象並行連接，每次迭代時，給ANN提供給定信號作為ANN輸入信號。辯識意味著調整權重，使ANN輸出信號(即網路輸出)和控制對象輸出信號(即正輸出)的誤差最小。在辯識階段，全局誤差(即方差之和)以固定時間間隔被計算並與希望的最小值比較。第二個ANN是神經控制器被用於訓練以給出需要的控制對象響應。為了訓練這個網路，在每次采樣輸出時，必須知道誤差(Ec)但僅僅只知道控制對象輸出和希望輸出(由給定輸入決定)的最後誤差，辯識方案中的第一個ANN可將最後誤差Ec反向傳播，用來訓練控制器ANN。在誤差最小化過程中，全局誤差能被最小化到希望的值。經過訓練辯識ANNS和控制ANNS，就可以在實時系統中運用被「調整」的神經自適應控制方案。文獻(21)介紹了採用ANN自適應速度控制方案的直流傳動系統的良好特性以及抗干擾性能。這也證明辯識ANN學習到了直流電機、變換器和負載的、未知時不變非線性操作特性。但值得指出的是，用於神經元控制器的訓練時間有時相當長，但這個困難可以用上面提到的高級技術、避免使用常規的反向傳播演算法的方法中以克服。
文獻(22)和(23)介紹了直流傳動系統的ANN控制，給出了理論和實驗結果。文獻(9)討論了直流傳動的模糊神經速度控制器。這是文獻中記載的第一次用單神經控制器成功替代雙環直流傳動系統的常規速度和電流PI調節器的例子。相對地上面討論過的直流傳動系統，該系統運用了更多的智能技術，系統得到了進一步的簡化。有趣的是相對於古典多環PI調節器的實現，這里的電樞電流控制主要起限制電樞電流的作用，並且是通過單個速度、電流組合的模糊神經控制器「自動」加以實現。
(二)人工智慧在交流傳動中的應用
1.模糊邏輯的應用
在大多數討論模糊邏輯在交流傳動中運用的文章中，都介紹的是用模糊控制器取代常規的速度調節器，可英國Aberdeen大學開發的全數字高性能傳動系統中有多個模糊控制器(4)，這些模糊控制器不僅用來取代常規的PI或PID控制器，同時也用於其他任務。該大學還把模糊神經控制器用於各種全數字高動態性能傳動系統開發中。也有一些優秀的文章論述運用模糊邏輯控制感應電機的磁通和力矩。討論這種技術的第一篇文章發表於1992年(24)。該文中討論了兩種控制策略，如用第一種策略，規則表有36條規則，模糊控制器的輸入是磁通和轉矩誤差，根據轉矩和磁通誤差，改變磁通矢量的輻值和旋轉方向，反模糊化技術用到的是中心梯度法，第一種策略沒有考慮最優電壓矢量選擇的梯度。而第二種策略考慮了，這種方案被成功地實現了。
Galvan的兩篇文章(25)、(26)討論了用模糊化速度控制器實現感應電機的矢量控制的方法。並給出了模擬結果。(也見3.1.1節討論的模糊化控制器)。矢量控制器也是一種間接控制類型，並且很好的特性。文獻(27)提出了一種模糊邏輯速度控制器。它的輸入標定因子是變化的。實驗結果也驗證了所提方案的有效性。文獻(28)給出了矢量控制器感應電機驅動系統的模擬結果。該系統中模糊速度控制器與常規的PI速度控制器和CRPWM塑變器一起使用，它往往用來補償可能的慣性和負載轉矩的擾動。常規PI控制器用來穩定系統的穩態速度響應。矢量控制器使用轉子磁通觀測器觀測(UI觀測器，iw觀測器(1)(4))，模糊邏輯用於轉子電阻的估計。
到目前為止，只有兩種運用人工智慧技術的工業產品，其一是下節介紹的安川矢量變頻器，另一個是日立矢量變頻器，日立公司最近開發了J300系列IGBT矢量變頻器，功率范圍是5.5KW－－55KW。它的主要特點是使用無感測器矢量控制演算法和強大的自調整功能。無感測器磁通矢量控制方案采樣兩相定子電流，在初始自整定階段，電機和負載的慣性以及其他參數例如定子電感，定子和轉子電阻、勵磁電感等參數被計算。日立公司宣稱這是世界上第一台使用模糊控制的變頻器。它考慮了電機和系統的特性，轉矩計算軟體在整個頻率范圍保證了轉矩的精確控制。變頻器的主要性能指標如下：1Hz時150％或更高的啟動轉矩；在3∶1的速度范圍(20到60HZ/16到50HZ)電機不用降低功率使用；速度調節比率小於。
J300系列變頻器由於使用了高速微處理器和內置DSP，因此具有很的響應速度，轉矩響應速度大約可達到0.1秒。它使用模糊邏輯控制電機電流和加減速斜率。它能根據電機負載和制動需要計算加減速的最優時間，因此不需要嘗試法進行調整。模糊邏輯加減速度函數根據模糊規則設定加減速度比例因子和速度，而模糊規則則用當前值與過載限幅(或其它限幅)值的差值以及電機電流和電壓的梯度作為輸入變數。梯度和差值構成四個隸屬函數，兩個隸屬函數是三角函數，另二個是半梯形。當用常規的簡單電流限幅控制，變頻器的斜率是步進型的，經常引起變頻器跳閘。特別是在減速時。當用模糊邏輯控制時，斜率十分平滑，變頻器假跳閘的現象也消除了。變頻器在風機和泵類的運用最能體現模糊邏輯控制的優勢。在這些應用中，不需要恆定的加減速時間或精確的位置控制。在這些應用中，不需要恆定的加減速時間或精確的位置控制。需要的是與負載條件有關的加減速度的最優化。模糊控制能實現加減速度的最優控制。
AI控制器也能提高直接轉矩控制系統的性能，這也是值得深入研究的一個寬廣領域。英國Aberdeen大學的研究人員開發了基於人工智慧的開關矢量選擇器以及速度、轉矩、磁通觀測器等，初步結果令人鼓舞(9)。可以預見不久的將業，將會得到更好的結果，將會出現更多的工業應用產品(47)(48)。
2.神經網路的應用
非常少的文章討論神經網路用於交流電機的控制，大量文章討論神經網路在交流電機和驅動系統的條件監測和診斷中的運用。文獻(33)介紹了使用常規反向轉波演算法的ANN用於步進電機控制演算法的最優化。該方案使用實驗數據，根據負載轉矩和初始速度來確定最大可觀測速度增量。這就需要ANN學習三維圖形映射。該系統與常規控制演算法(梯形控製法)相比具有更好的性能，並且大大減少了定位時間，對負載轉矩的大范圍變化和非初始速度也有滿意的控制效果。文獻(34)用兩個ANNS控制和辯識感應電機，但只給出了模擬研究。這是第一篇討論神經網路在感應電機控制中的應用，這個方案與3.1節中討論的直流驅動方案類似，ANNS的結構是多層前饋型，運用常規反向傳播學習演算法。該系統由兩個子系統構成，一個系統通過電氣動態參數的辯識自適應控制定子電流，另一個系統通過對機電系統參數的辯識自適應控制轉子速度。該文討論了這些控制方案與常規方案的各種優點。
文獻(35)討論了基於人工神經網路的電氣機械繫統，文獻(36)介紹了運用直接控制ANN觀測電壓源PWM供電的感應電機矢量控制系統中的磁通的方法。這種基於ANN的磁通觀測器的主要優點是對諧波具有免疫性。ANN是使用反向傳播學習演算法的多層前饋類型。ANN觀測的磁通具有振盪性，因而引起轉矩振盪。如果用別的方法，可能得到更好的結果。
最後值得指出的是現在發表的大多數有關ANN對各種電機參數估計的論文，一個共同的特點是，它們都是用多層前饋ANNS，用常規反向傳播演算法，只是學習演算法的模型不同或被估計的參數不同。

四、結論

本文試圖對人工智慧電氣傳動控制系統領域的進展做一回顧。內容涉及模糊控制、神經網路、模糊神經網路在電氣傳動系統中的應用，討論了模糊、神經和模糊神經控制器等人工智慧技術的優點。也討論了人工智慧最小配置的應用。但到目前為止，使用人工智慧技術的變速傳動工業產品才剛剛出現，只有兩家公司推出他們的產品。雖然使用人工智慧技術的實際產品和應用還不多，但不久的將來，人工智慧技術在電氣傳動領域將會取得重要的地位，特別是自適應模糊神經控制器將在高性能驅動產品中得到廣泛使用。

㈥ python遺傳演算法如何提升收斂速度

python遺傳鄭緩州演算法採用交叉演算法提升收斂速度法。根據查喊蔽詢相關公開信息顯示交哪櫻叉演算法是一種提升速度的方法，但是加快速度會導致收斂質量的下降。

㈦ 使用MATLAB遺傳演算法工具箱如何設置參數使得收斂速度加快

fitness function要自己設計的 比如y=sinx 也要編成一個m文件啊……

㈧ 怎樣解決遺傳演算法的局部最優問題

這個看看遺傳演算法的專著吧。
局部收斂，就是所謂的「早熟現象」是遺傳演算法的一個很讓人頭疼的問題。對應的措施，我舉個例子，可以是提高變異運算元的變異概率。變異運算元是跳出局部收斂的重要操作運算元，當然，遺傳演算法有很多的改進類型。這里不多說了，我介紹本書，叫《MATLAB遺傳演算法工具箱及應用》，雷英傑，西安電子科技大學出版社

㈨ 優化演算法筆記（六）遺傳演算法

遺傳演算法(Genetic Algorithms，GA)是一種模擬自然中生物的遺傳、進化以適應環境的智能演算法。由於其演算法流程簡單，參數較少優化速度較快，效果較好，在圖像處理、函數優化、信號處理、模式識別等領域有著廣泛的應用。
在遺傳演算法（GA）中，每一個待求問題的候選解被抽象成為種群中一個個體的基因。種群中個體基因的好壞由表示個體基因的候選解在待求問題中的所的得值來評判。種群中的個體通過與其他個體交叉產生下一代，每一代中個體均只進行一次交叉。兩個進行交叉的個體有一定幾率交換一個或者多個對應位的基因來產生新的後代。每個後代都有一定的概率發生變異。發生變異的個體的某一位或某幾位基因會變異成其他值。最終將以個體的適應度值為概率選取個體保留至下一代。

遺傳演算法啟發於生物的繁殖與dna的重組，本次的主角選什麼呢？還是根據大家熟悉的孟德爾遺傳規律選豌豆吧，選動物的話又會有人疑車，還是植物比較好，本次的主角就是它了。

遺傳演算法包含三個操作（運算元）：交叉，變異和選擇操作。下面我們將詳細介紹這三個操作。
大多數生物的遺傳信息都儲存在DNA，一種雙螺旋結構的復雜有機化合物。其含氮鹼基為腺嘌呤、鳥嘌呤、胞嘧啶及胸腺嘧啶。

表格中表示了一個有10個基因的個體，它們每一個基因的值為0或者1。

生物的有性生殖一般伴隨著基因的重組。遺傳演算法中父輩和母輩個體產生子代個體的過程稱為交叉。

表中給出了兩個豌豆的基因，它們均有10個等位基因（即編號相同的基因）。
遺傳演算法的交叉過程會在兩個個體中隨機選擇1位或者n位基因進行交叉，即這兩個個體交換等位基因。
如，A豌豆和B豌豆在第6位基因上進行交叉，則其結果如下

當兩個個體交叉的等位基因相同時，交叉過程也有可能沒有產生新的個體，如交叉A豌豆和B豌豆的第2位基因時，交叉操作並沒有產生新的基因。

一般的會給群體設定一個交叉率，crossRate，表示會在群體中選取一定比例的個體進行交叉，交叉率相對較大，一般取值為0.8。

基因的變異是生物進化的一個主要因素。
遺傳演算法中變異操作相對簡單，只需要將一個隨機位基因的值修改就行了，因為其值只為0或1，那麼當基因為0時，變異操作會將其值設為1，當基因值為1時，變異操作會將其值設為0。

上圖表示了A豌豆第3位基因變異後的基因編碼。
與交叉率相似，變異操作也有變異率，alterRate，但是變異率會遠低於交叉率，否則會產生大量的隨機基因。一般變異率為0.05。

選擇操作是遺傳演算法中的一個關鍵操作，它的主要作用就是根據一定的策略隨機選擇個體保留至下一代。適應度越優的個體被保留至下一代的概率越大。
實現上，我們經常使用「輪盤賭」來隨機選擇保留下哪個個體。

假設有4個豌豆A、B、C、D，它們的適應度值如下：

適應度值越大越好，則它們組成的輪盤如下圖：

但由於輪盤賭選擇是一個隨機選擇過程，A、B、C、D進行輪盤賭選擇後產生的下一代也有可能出現A、A、A、A的情況，即雖然有些個體的適應度值不好，但是運氣不錯，也被選擇留到了下一代。
遺產演算法的三個主要操作介紹完了，下面我們來看看遺傳演算法的總體流程：

前面我們說了遺傳演算法的流程及各個操作，那麼對於實際的問題我們應該如何將其編碼為基因呢？

對於計算機來所所有的數據都使用二進制數據進行存放，如float類型和double類型的數據。
float類型的數據將保存為32位的二進制數據：1bit（符號位） 8bits（指數位） 23bits（尾數位）
如-1.234567f，表示為二進制位

Double類型的數據將保存為64位的二進制數據：1bit（符號位） 11bits（指數位） 53bits（尾數位）
如-1.234567d，表示為二進制為

可以看出同樣的數值不同的精度在計算機中存儲的內容也不相同。之前的適應度函數 ，由於有兩個double類型的參數，故其進行遺傳演算法基因編碼時，將有128位基因。
雖然基因數較多，但好在每個基因都是0或者1，交叉及變異操作非常簡單。

相比二進制編碼，十進制編碼的基因長度更短，適應度函數 有兩個輸入參數，那麼一個個體就有2個基因，但其交叉、變異操作相對復雜。
交叉操作
方案1：將一個基因作為一個整體，交換兩個個體的等位基因。
交換前

交換第1位基因後

方案2：將兩個個體的等位基因作為一個整體，使其和不變，但是值隨機
交換前

交換第1位基因後

假設A、B豌豆的第一位基因的和為40，即 ,第一位基因的取值范圍為0-30，那麼A、B豌豆的第一位基因的取值范圍為[10,30],即 為[0,30]的隨機數， 。
變異操作，將隨機的一位基因設置為該基因取值范圍內的隨機數即可。

這個過程說起來簡單但其實現並不容易。

我們要將它們的值映射到一個軸上才能進行隨機選擇，畢竟我們無法去繪制一個輪盤來模擬這個過程

如圖，將ABCD根據其值按順序排列，取[0,10]內的隨機數r，若r在[0,1]內則選擇A,在(1,3]內則選擇B,在(3,6]內則選擇C,在(6,10]則選擇D。
當然這仍然會有問題，即當D>>A、B、C時，假如它們的值分布如下

那麼顯然，選D的概率明顯大於其他，根據輪盤賭的選擇，下一代極有可能全是D的後代有沒有辦法均衡一下呢？
首先我想到了一個函數，

不要問我為什麼我不知道什麼是神經什麼網路的，什麼softmax、cnn統統沒聽說過。

這樣一來，它們之間的差距沒有之前那麼大了，只要個體適應度值在均值以上那麼它被保留至下一代的概率會相對較大，當然這樣縮小了個體之間的差距，對真正優秀的個體來說不太公平，相對應，我們可以在每次選擇過程中保留當前的最優個體到下一代，不用參與輪盤賭這個殘酷的淘汰過程。

最令人高興的環節到了，又可以愉快的湊字數了。

由於遺傳演算法的收斂速度實在是太慢，區區50代，幾乎得不到好的結果，so我們把它的最大迭代次數放寬到200代。

使用二進制編碼來進行求解
參數如下：

求解過程如上圖，可以看出基因收斂的很快，在接近20代時就圖中就只剩一個點了，之後的點大概是根據變異操作產生。看一下最後的結果。

可以看出最好的結果已經得到了最優解，但是10次實驗的最差值和平均值都差的令人發指。為什麼會這樣呢？

問題出在二進制編碼上，由於double類型的編碼有11位指數位和52位小數位，這會導致交叉、變異操作選到指數位和小數位的概率不均衡，在小數位上的修改對結果的影響太小而對指數為的修改對結果的影響太大，
如-1.234567d，表示為二進制為

對指數為第5位進行變異操作後的結果為-2.8744502924382686E-10，而對小數位第5為進行變異操作後的結果為-1.218942。可以看出這兩部分對數值結果的影響太不均衡，得出較好的結果時大概率是指數位與解非常相近，否則很難得出好的結果，就像上面的最差值和均值一樣。
所以使用上面的二進制編碼不是一個好的基因編碼方式，因此在下面的實驗中，將使用十進制來進行試驗。

使用:十進制編碼來進行求解
參數如下：

我們可以看到直到40代時，所有的個體才收束到一點，但隨後仍不斷的新的個體出現。我們發現再後面的新粒子總是在同一水平線或者豎直線上，因為交叉操作直接交換了兩個個體的基因，那麼他們會相互交換x坐標或者y坐標，導致新個體看起來像在一條直線上。
我們來看看這次的結果。

這次最優值沒有得到最優解，但是最差值沒有二進制那麼差，雖然也不容樂觀。使用交換基因的方式來進行交叉操作的搜索能力不足，加之輪盤賭的選擇會有很大概率選擇最優個體，個體總出現在矩形的邊上。
下面我們先改變輪盤賭的選擇策略，使用上面的sigmod函數方案，並且保留最優個體至下一代。

使用:十進制編碼來進行求解
參數如下：

看圖好像跟之前的沒什麼區別，讓我們們看看最終的結果：

可以看出，最優值沒有什麼變化，但是最差值和平均值有了較大的提升，說明該輪盤賭方案使演算法的魯棒性有了較大的提升。在每次保留最優個體的情況下，對於其他的個體的選擇概率相對平均，sigmod函數使得即使適應度函數值相差不太大的個體被選到的概率相近，增加了基因的多樣性。

使用:十進制編碼來進行求解，改變交叉方案，保持兩個個體等位基因和不變的情況下隨機賦值。
參數如下：

上圖可以看出該方案與之前有明顯的不同，在整個過程中，個體始終遍布整個搜索空間，雖然新產生的個體大多還是集中在一個十字架型的位置上，但其他位置的個體比之前的方案要多。
看看結果，

這次的結果明顯好於之前的所有方案，但仍可以看出，十進制的遺傳演算法的精度不高，只能找到最優解的附近，也有可能是演算法的收斂速度實在太慢，還沒有收斂到最優解。

遺傳演算法的探究到此也告一段落，在研究遺傳演算法時總有一種力不從心的感覺，問題可能在於遺傳演算法只提出了一個大致的核心思想，其他的實現細節都需要自己去思考，而每個人的思維都不一樣，一萬個人能寫出一萬種遺傳演算法，其實不僅是遺傳演算法，後面的很多演算法都是如此。
為什麼沒有對遺傳演算法的參數進行調優，因為遺傳演算法的參數過於簡單，對結果的影響的可解釋性較強，意義明顯，實驗的意義不大。

遺傳演算法由於是模仿了生物的進化過程，因此我感覺它的求解速度非常的慢，而且進化出來的結果不一定是最適應環境的，就像人的闌尾、視網膜結構等，雖然不是最佳的選擇但是也被保留到了今天。生物的進化的隨機性較大，要不是恐龍的滅絕，也不會有人類的統治，要不是人類有兩只手，每隻手有5根手指，也不會產生10進制。
以下指標純屬個人yy,僅供參考

目錄
上一篇 優化演算法筆記（五）粒子群演算法（3）
下一篇 優化演算法筆記（七）差分進化演算法

優化演算法matlab實現（六）遺傳演算法matlab實現