加快遗传算法收敛

㈠ 机械制图毕业论文

机械制图毕业论文

机械制图是个复杂的过程，下面是机械制图毕业论文，希望可以帮助到你！

机械制图毕业论文

机械创新设计是一个极其重要而又困难的实践性较强的研究课题。目前创新设计方法研究虽然已取得一些成果，但创新学还处于发展初期，各种不同理论及工具不断涌现，远没有形成普遍可以接受的统一的理论亮漏体系。

本文认为，要进行滑没机械创新设计要有两个必要条件：一是充分获取适用的知识；二是要使用符合创新设计思维并能激发创新思维的设计系统。设计过程充满了矛盾，所获取的知识应敬让烂有助于矛盾的迅速解决，这就要求知识获取工具紧密集成到设计过程中，因此要统一研究知识获取工具与设计系统。另外，人类的创新设计思维模式是在长期的成功设计经验中总结形成的，因此设计系统必需符合创新设计思维规律。创新设计思维规律应作为算机辅助创新设计系统的理论基础。

基于上述考虑，本文从创新设计思维的研究出发，融合知识获取方法，研究创新设计理论，进而开发机械产品创新设计系统。

1 机械创新设计思维规律

我们常把思维的过程称为“思路”，是因为可用路径问题来说明人类思维过程。本文提出两个机械创新设计思维原则：

一是最短路径原则。设计者得到产品的功能要求后，往往首先检索出最佳设计实例，这样可以最迅速接近目标，然后运用价值工程方法，找出价值较低的极少数组件作为研究对象，再分析所得对象存在的矛盾，尝试作最小变动以解决矛盾，如矛盾没有解决则拟作更大变动或扩大研究对象范围，最后得出最优结果。通过这样途径所消耗的能量最少，体现了最短路径原则。

二是相似性联想。汤川秀树的定同理论认为，联想能力就是找出事物彼此相似性的创造力，相似性是指事物间的内在联系。

要用计算机系统来辅助设计师从自然界中发现形态各异的事物的相似性是很困难的，因此本文只研究从机械产品实例中挖掘相似性，以促进机械创新设计。

机械设计过程是从功能要求到作用原理，再到物理结构的映射过程[1]。在CBR系统中，功能要求、作用原理与物理结构可作为实例索引，因此可统称它们为索引项目。同一索引的不同类索引项目之间的联想可称为纵向联想，而不同索引的同类索引的联想可称为横向联想。

判断联想是否合理的依据是相似性，相似性由已有产品实例确定。比如，“超声波研磨机产品实例”使“超声波振动”作用原理与“研磨”功能要求纵向地产生了内在联系；又如，多种产品实例可满足同一功能要求，那么它们用于实现该功能的作用原理及物理结构具有相似性。

功能要求是联想的起点，经验丰富的设计师通常记忆有大量的设计实例，因而掌

握纵向及横向相似性，所以能迅速地进行横向及纵向的联想，能触类旁通，得出具有相似作用原理及物理结构的实例（简称相似实例）并进行组合优化，最后得到最优解。

这两项原则已被多种设计方法不自觉地采用了，基于实例推理不但能迅速接近最优解，体现最短路径原则；物场分析法（简称TRIZ）分析了上百万设计实例，确定功能要求与作用原理及物理载体的内在联系，以及不同作用原理或物理载体的可替代关系，使设计师可根据功能要求找到适当的作用原理及物理载体，体现相似性联想原则。

2 计算机辅助创新设计系统

两项创新设计思维原则充分体现在计算机辅助创新设计系统的设计中，系统还利用了多种创新设计方法及人工智能技术。计算机辅助创新设计系统的流程如图1所示，它包含如下关键技术：

2.1 实例检索

利用基于实例推理（CBR）技术时首先要深入研究它的优缺点。CBR是一种以实例为知识载体的知识供应方法。当前它仍有如下不足：首先，系统为了达到实用通常建立庞大的实例库，这导致管理困难，系统运行效率低；其次，通过检索得到的只是一个或很少实例，而其它不符合检索要求但含有适用知识的实例没有利用，支持创新的力度不够；最后，实例调整严重依赖领域知识，难度大，所以很多CBR系统简化为实例检索系统[2]。导致这三项缺点的深层原因是实例是独立的，不同实例所蕴含的知识难以组合利用。为了克服这个矛盾本文提出通过相似性联想找出相似实例，并利用遗传算法进行组合优化，实现实例知识的重用。

本系统的实例检索功能用商品化PDM系统IMAN中的产品结构与配置管理功能及搜索功能来实现，实例的可视化表示与管理依靠IMAN的产品结构树功能实现。

2.2可视化的实例模型表达及矛盾分析

概念设计技术的发展方向为研究一种统一的设计方案表达方法[3]。文献[4]对日本学者吉川弘之提出的FBS图进行扩充，使用两个框架分别描述一个设计方案的功能层次与结构层次，并存储功能单元与结构单元的对应关系，使计算机理解产品的'结构及其功能。这种方法的缺点是结构与功能的关系不够直观，因此本系统在功能层次图与结构层次图的基础上增加功能关系图，以语义网络的方式描述结构及之间的作用关系，使结构与功能处于同一张图中，设计者可直观地理解产品原理，根据功能关系图并运用价值工程方法分析实例存在的矛盾。

实现创新的关键是正确分析产品中所存在的矛盾[5]。产品设计中的基本矛盾是产品功能成本比不能满足用户要求，它有两种表现形式，一是未能实现某些产品

功能质量目标；二是某些功能质量得到改善而某些功能质量却恶化。

矛盾分析结果用于指导新作用原理、新物理结构的联想，进而找出相似实例。

2.3基于WEB的创新设计知识库

本系统的创新设计知识库包括作用原理库、物理结构库与实例库。当系统根据相似性搜索到新作用原理或物理结构后，相应的实例自动调出。

作用原理库与物理结构库的开发借鉴了TRIZ的成果，再针对机械领域补充整理出二百四十余种作用原理（其中包括五十余种基本措施）。在每种作用原理下分别存储多种物理结构，形成物理结构库。实例库主要针对几种常见的家电产品进行开发。

创新设计知识库是创新设计系统的核心部件，它是一种WEB文本知识库，文本经过笔者开发的机械知识XML标记处理，使知识库建立在国际标准XML文本之上，因此可实现知识资源的异地共享，并且在此知识库之上可建立基于WEB的机械产品计算机辅助创新设计系统，满足异地协同设计的需要。

2.4相似性的量化方法及改进的遗传算法

每种产品的结构不同，需要不定相同的遗传算法编码。本系统为了提高运行效率，采用浮点数编码方式。

在传统的遗传算法中，初始群体是通过用随机的方法来产生的[6]，这具有一定的盲目性。因此本文提出利用实例的作用原理或物理结构的相似性作为筛选实例产生初始群体的依据。

实现该途径的关键在于相似性的量化也即相似度的计算方法。相似度实质是实例的关联知识，必须以一定的算法在实例集合中挖掘得到。纵向联想的相似度实质是功能目标与实现手段的关系程度，横向联想的相似度实质是实现手段的可替代关系程度。相似度越高意味着得到已有产品实例的更多支持。根据相似度来筛选初始群体就等于利用以前的设计经历，使初始群体的产生有合理的基础，因此能加快遗传算法的收敛。本文根据相似性联想原理提出如下纵向及横向联想的相似度计算方法。

设产品实例集合为C，功能元素集合为F，作用原理或物理结构元素集合为G。分别记为：C={Ci|i=1,2,?,n}; F={Fj|j=1,2,?,m}; G={Gk|k=1,2,?,q}。实例集合中的实例Ci以不同的隶属度uij及uik分别隶属于Fj及Gk。 设元素Gk到元素Fj的纵向联想相似度为rkj，则：

rkj =

又设G空间中有元素Gk和Gm。实例Cji分别以隶属度uik和uim隶属于元素Gk

和Gm，设从Gk到Gm的横向联想相似度为rkm，则：

rkm =

隶属度作为实例对象的一项属性来存储。系统根据以上算法从实例集合中挖掘相似度知识，辅助设计师从相似度较高的方向进行联想，并用于指导遗传算法初始群体的产生，从而促进设计创新。

3 结论

本文研究创新设计思维规律并用于指导机械产品创新设计系统的开发，系统的成功应用证明了关于创新设计思维规律论断的正确性以及多种新技术的可行性。系统可通过矛盾分析与联想，搜索到适用的作用原理、措施、物理结构及实例以解决矛盾，完成概念设计阶段的功能优化与原理优化，是实现机械广义优化设计方法的新成果。

㈡ 如何让遗传算法解旅行商问题快速收敛

想要快速收敛的话可以直接减小每一步的半径，但是更容易被局部峰值困住，可以通过选取几个差距较大的初始点多次运行来提高精确度。
最根本的解决方法还是提高计算适应度等步骤的效率。

㈢ 遗传算法的优缺点

优点：

1、遗传算法是以决策变量的编码作为运算对象，可以直接对集合、序列、矩阵、树、图等结构对象进行操作。这样的方式一方面有助于模拟生物的基因、染色体和遗传进化的过程，方便遗传操作算子的运用。

另一方面也使得遗传算法具有广泛的应用领域，如函数优化、生产调度、自动控制、图像处理、机器学习、数据挖掘等领域。

2、遗传算法直接以目标函数值作为搜索信息。它仅仅使用适应度函数值来度量个体的优良程度，不涉及目标函数值求导求微分的过程。因为在现实中很多目标函数是很难求导的，甚至是不存在导数的，所以这一点也使得遗传算法显示出高度的优越性。

3、遗传算法具有群体搜索的特性。它的搜索过程是从一个具有多个个体的初始群体P(0)开始的，一方面可以有效地避免搜索一些不必搜索的点。

另一方面由于传统的单点搜索方法在对多峰分布的搜索空间进行搜索时很容易陷入局部某个单峰的极值点，而遗传算法的群体搜索特性却可以避免这样的问题，因而可以体现出遗传算法的并行化和较好的全局搜索性。

4、遗传算法基于概率规则，而不是确定性规则。这使得搜索更为灵活，参数对其搜索效果的影响也尽可能的小。

5、遗传算法具有可扩展性，易于与其他技术混合使用。以上几点便是遗传算法作为优化算法所具备的优点。

缺点：

1、遗传算法在进行编码时容易出现不规范不准确的问题。

2、由于单一的遗传算法编码不能全面将优化问题的约束表示出来，因此需要考虑对不可行解采用阈值，进而增加了工作量和求解时间。

3、遗传算法效率通常低于其他传统的优化方法。

4、遗传算法容易出现过早收敛的问题。

(3)加快遗传算法收敛扩展阅读

遗传算法的机理相对复杂，在Matlab中已经由封装好的工具箱命令，通过调用就能够十分方便的使用遗传算法。

函数ga：[x, fval,reason]= ga(@fitnessfun, nvars, options)x是最优解，fval是最优值，@fitnessness是目标函数，nvars是自变量个数，options是其他属性设置。系统默认求最小值，所以在求最大值时应在写函数文档时加负号。

为了设置options，需要用到下面这个函数：options=gaoptimset('PropertyName1', 'PropertyValue1', 'PropertyName2', 'PropertyValue2','PropertyName3', 'PropertyValue3', ...)通过这个函数就能够实现对部分遗传算法的参数的设置。

㈣ 遗传算法的收敛性问题

是算子有问题，交叉的方法都是比较简单的，但对于某些情况可能并不好用，也就是说算法本身无法体现出优胜劣汰的规则，可能因此导致无法收敛。

收敛数列令为一个数列，且A为一个固定的实数，如果对于任意给出的b>0,存在一个正整数N，使得对于任意n>N,有|an-A|<b,则数列存在极限A，数列被称为收敛。非收敛的数列被称作“发散”（divergence)数列。

可见收敛不是指数值越来越小，而是指与极限值的距离（即差的绝对值）越来越小，只要你的目标函数是压缩映射，那么使用遗传算法就一定可以计算出全局收敛的近似值。

(4)加快遗传算法收敛扩展阅读：

由于遗传算法不能直接处理问题空间的参数,因此必须通过编码将要求解的问题表示成遗传空间的染色体或者个体。这一转换操作就叫做编码，也可以称作（问题的）表示（representation）。

遗传算法在搜索进化过程中一般不需要其他外部信息，仅用评估函数来评估个体或解的优劣，并作为以后遗传操作的依据。由于遗传算法中，适应度函数要比较排序并在此基础上计算选择概率，所以适应度函数的值要取正值。由此可见，在不少场合，将目标函数映射成求最大值形式且函数值非负的适应度函数是必要的。

㈤ 加了模糊控制器，仿真速度很慢，怎么解决

人工智能在电气传动中运用的进展(1)
摘要：本文论述了人工智能在电气传动领域的发展概况。其中主要包括模糊控制、神经网络和遗传算法的应用特点及发展趋势等

关键词：神经网络控制 模糊神经元控制 自适应控制

一、引 言
人工智能控制技术一直没能取代古典控制方法。但随着现代控制理论的发展，控制器设计的常规技术正逐渐被广泛使用的人工智能软件技术(人工神经网络、模糊控制、模糊神经网络、遗传算法等)所替代。这些方法的共同特点是：都需要不同数量和类型的必须的描述系统和特性的“a priori”知识。由于这些方法具有很多优势，因此工业界强烈希望开发、生产使用这些方法的系统，但又希望该系统实现简单、性能优异。
由于控制简单，直流传动在过去得到了广泛的使用。但由于它们众所周知的限制以及DSP技术的进步，直流传动正逐渐被高性能的交流传动所取代。但最近，许多厂商也推出了一些改进的直流驱动产品，但都没有使用人工智能技术。具信使用人工智能的直流传动技术能得到进一步的提高。
高性能的交流传动瞬态转矩的控制性能类似于他励直流电机的控制性能。现有两种高性能交流传动的控制方法：矢量控制(VC)和直接转矩控制(DTC)。矢量控制是德国的研究人员在二十多年前提出的，现在已经比较成熟，并已广泛应用，很多生产厂商都推出了他们的矢量控制交流传动产品，最近又大量推出了无速度传感器的矢量控制产品。尽管在高性能驱动产品中使用AI技术会极大地提高产品的性能，可是到目前为止只有两个厂家在他们的产品中使用了人工智能(AI)控制器；直接转矩控制是大约在十五年前由德国和日本的研究人员提出的，在过去十年中得到大量的研究，现在ABB公司已向市场推出了直接转矩控制的传动产品，使得人们对直接转矩控制的研究兴趣增加，将来在直接转矩控制中将会用到人工智能技术，并将完全地不需要常规的电机数学模型了。
英国CT公司(Control Technique plc)推出了世界上第一台统一变频器(Unidrive)，其他一些公司也推出了相应的产品，现在这些产品都没有使搜悄用人工智能技术，“统一”的概念完全依靠软件实现，这就为软计算技术的实现提供派枝了条件。具信在将来统一变频器将使用直接转矩控制以及各种形式的矢量控制，单一使用直接转矩控制技术的产品将遭到淘汰。本文也将讨论人工智能在统一变频器中运用的一些方面，同时也包括AI控制器在VC和DTC中的运用。
AI控制器能否工业运用的关键一点是：实现这些控制器的硬件和软件。大多数DSP控制的驱动器都有足够的计算能力实现人工智能的算法，并且都能得到大多数人工智能控制器软计算所需要的信号。通过运用适当的控制策略，就能大大地减少计算和硬件的负担，从而把注意力集中于提高驱动器的性能、鲁棒性和可靠性上面。
在将来，智能技术在电气传动技术中占相当重要的地位，特别是自适应模糊神经元控制器在性能传动产品中将得到广泛应用。但是，还有很多研究工作要做，现在还只有少数实际应用的例子（学术研究组实现少，工业运用的就更少了），大多数研究只给出了理论或仿真结果，因此，常规控制器在将来仍要使用相当长一段时间。

二、人工智能控制器的优势

文献中，不同的人工智能控制通常用完全不同的方法去讨论。但AI控制器例如：神经、模糊、模糊神经，以及遗传算法都可看成一类非线性函数近似器。这样的分类就能得到较好的总体理解，也有利于控制策略的统一开发。这些AI函数近似器比常规的函数估计器具有更多的优势，这些优势如下：
（1）它们的设计不需要控制对象的模型（在许多场合，很难得到实际控制对象的精确动态方程，实际控制对象的模型在控制器设计时往往有很多不确实性因素，例如：参数变化，非线性时，往往不知道）
（2）通过适当调整（根据响应时间、下降时间、鲁棒性能等）它们能提高性能。例如：模糊逻辑控制器的上升时间比最优PID控制器快1.5倍，下降时间快3.5倍，过冲更小。
（3）它们比古典控制器的调节容易。
（4）在没有必须专家知识时，通过响应数据也能设计它们。
（5）运用语言和响应信息可能设计它们。
（6）它们有相当好的一致性（当使用一些新尘漏敏的未知输入数据就能得到好的估计），与驱动器的特性无关。现在没有使用人工智能的控制算法对特定对象控制效果十分好，但对其他控制对象效果就不会一致性地好，因此对必须具体对象具体设计。
（7）它们对新数据或新信息具有很好的适应性。
（8）它们能解决常规方法不能解决的问题。
（9）它们具有很好的抗噪声干扰能力。
（10）它们的实现十分便宜，特别是使用最小配置时。
（11）它们很容易扩展和修改。
人工智能控制器可分为监督、非监督或增强学习型三种。常规的监督学习型神经网络控制器的拓朴结构和学习算法已经定型，这就给这种结构的控制器增加了限制，使得计算时间过长，常规非人工智能学习算法的应用效果不好。采用自适应神经网络和试探法就能克服这些困难，加快学习过程的收敛速度。常规模糊控制器的规则初值和模糊规则表是既定“a－priori”型，这就使得调整困难，当系统得不到“a－priori”（既定）信息时，整个系统就不能正常工作。而应用自适应AI控制器，例如使用自适应模糊神经控制器就能克服这些困难，并且用DSP比较容易实现这些控制器。
常规模糊逻辑控制器的设计经常使用尝试法。需要“a－priori”信息，如运用自适应智能控制器就不需要“a－priori”（a－priroi规则库和隶属函数）信息。值得注意的是，与常规非自适应智能控制器相反，它根据输入信号更新它的“参数”，换句话说，它对变化的输入信号具有适应性。自适应控制器分两类：间接和直接控制器，间接自适应人工智能控制器有一个实时辩识模型，用于控制器的设计，间接控制器在每个采样周期需要采样控制对象的输入和输出信号，辩识器和控制器有很多形式，而直接AI控制器用特性表来实现对控制对象的控制，这个特性表由两个连续采样周期间的误差的变化量构成，用来控制电流响应。
如用模糊逻辑控制器，最简单的应用可能是标量因子的运用。这种方法用现在的非自适应驱动器很容易实现，因而对工业界具有很大的吸引力。用改变隶属函数形状的方法可实现相似的效果。这种运用也可能通过改变规则来实现，如用直接AI控制器来实现，就是自适应控制器。它在每个采样瞬间先使用上一个采样周期采用的规则，如果得不到满意的特性，就用新的规则替代，从而得到满意的特性。
总而言之，当采用自适应模糊神经控制器，规则库和隶属函数在模糊化和反模糊化过程中能够自动地实时确定。有很多方法来实现这个过程，但主要的目标是使用系统技术实现稳定的解，并且找到最简单的拓朴结构配置，自学习迅速，收敛快速。 三、人工智能在电气传动控制中的运用
这一部分主要讨论人工智能在交直流传动中运用的进展。值得指出的是这是一个广阔的领域，在过去二年中，研究活动极快的增长，本文只是概括一下人工智能在电气传动中的运用这一领域的进展，不可能覆盖研究的每一个可能领域。AI控制器在直流传动中运用的大多数研究集中于模糊逻辑应用，在人工神经网络和其它智能控制的研究还很少。下面主要讨论模糊、神经元和模糊神经元和模糊神经元控制器在交直流传动中的应用。
(一)人工智能在直流传动中的运用
1.模糊逻辑控制应用
主要有两类模糊控制器，Mamdani和Sugeno型。到目前为止只有Mamdani模糊控制器用于调速控制系统中。限于篇幅本文不详细讨论其中的原因。值得注意的是这两种控制器都有规则库，它是一个if－then模糊规则集。但Sugeno控制器的典型规则是“如果X是A，并且y是B，那么Z=f(x,y)”。这里A和B是模糊集；Z=f(x,y)是x,y的函数，通常是输入变量x,y的多项式。当f是常数，就是零阶Sugeno模型，因此Sugeno是Mamdani控制器的特例。
Mamdani控制器由下面四个主要部分组成：
（1）模糊化实现输入变量的测量、量化和模糊化。隶属函数有多种形式。
（2）知识库由数据库和语言控制规则库组成。开发规则库的主要方法是：把专家的知识和经历用于应用和控制目标；建模操作器的控制行动；建模过程；使用自适应模糊控制器和人工神经网络推理机制。
（3）推理机是模糊控制器的核心，能模仿人的决策和推理模糊控制行为。
（4）反模糊化实现量化和反模糊化。有很多反模糊化技术，纾畲蠡茨：屑淦骄际酰取?BR>下面的表1由64个语言规则组成，是用于电气传动控制系统的一种可能规则表这个规则表相当大，实际应用中往往进行简化。在各种出版物中，介绍了许多被模糊化的控制器，但这应与“充分模糊”控制器完全区分开来，“充分模糊”控制器才是完全意义上的模糊控制器，被模糊化的控制器易于实现，往往通过改造现有古典控制器得以实现，如被模糊化的PI控制器（FPIC）使用模糊逻辑改变控制器的比例、积分参数，从而使系统的性能得到提高（17），控制器参数的微小变化可能导致特性的极大提高，被模糊化的控制器参数调整方法如下：P（ti）=P（ti－1）＋kP＊CP，I（ti）=I（ti－1）＊CI。但如应用“充分”模糊逻辑控制器，系统响应远远优于FPIC和最优古典PI控制器，用于最优化常规控制器的计算时间比模糊化控制器所需的时间多得多。因此，使用最小配置的FPIC控制器是可能的选择之一，事实上，这也是用现有驱动装置实现的最简单方法。
在许多电气传动文献中，介绍了用模糊逻辑控制器替代古典PI控制器（主要是速度调节器）改进系统响应的方法。可是，文献（18）详细探讨了模糊逻辑控制器用于三环直流电机控制系统中所有环节（速度、电流和励磁）的设计和调整的方法。作者也介绍了PI和PD控制器，文献（9）介绍了最小配置模糊控制用于直流传动中的可能性以及组合模糊控制器用于直流传动中得到满意响应的可能性。下节讨论模糊神经控制的直流传动装置时，我们将讨论这种速度和电枢电流调节器组合成单一控制器的情况。
2. ANNS的应用
过去二十年，人工神经网络（ANNS）在模式识别和信号处理中得到广泛运用。由于ANNS有一致性的非线性函数估计器，因此它也可有效的运用于电气了传动控制领域，它们的优势是不需要被控系统的数学模型，一致性很好，对噪音不敏感。另外，由于ANNS的并行结构，它很适合多传感器输入运用，比如在条件监控、诊断系统中能增强决策的可靠性，当然，最近电气传动朝着最小化传感器数量方向发展，但有时，多传感器可以减少系统对特殊传感器缺陷的敏感性，不需要过高的精度，也不需要复杂的信号处理。
误差反向传播技术是多层前聩ANN最常用的学习技术。如果网络有足够多的隐藏层和隐藏结点以及适宜的激励函数，多层ANN只能实现需要的映射，没有直接的技术选择最优隐藏层、结点数和激励函数，通常用尝试法解决这个问题，反向传播训练算法是基本的最快下降法，输出结点的误差反馈回网络，用于权重调整，搜索最优。输出结点的权重调整迭代不同于隐藏结点的权重调整迭代。通过使用反向传播技术，能得到需要的非线性函数近似值，该算法包括有学习速率参数，对网络的特性有很大影响。
反向传播算法是多层前聩ANN最广泛使用的学习技术之一。但有时网络的收敛速度很慢，改进算法的开发是一个重要研究领域。英国Aberdeen大学在这方面取得过令人鼓舞的成绩，他们把常规的反向传播算法和其它AI技术结合起来，使得网络快速收敛，鲁棒性更好。他们还研究过基于AI技术的最优拓扑结构网络，但没有现成理论用于最优配置，Kolgomorov理论和其他理论也不适用，在神经网络的训练剧中使用遗传算法可能会提高收敛速度，遗传算法是一种基于自然进化和遗传机理的统计搜索方法，它模仿自然界个体适者生存不适者淘汰的原理解决问题，每一代由染色体代表的(一套特征串类似于DNA中的染色体)许多个体组成，每个个体代表搜索空间的一个点和一个可能的解。值得注意的是在神经模糊实现中，有时必须使用不同形式的反向传播技术，而不是已知的标准形式。反向传播技术是在线(Supervised)学习技术，需要充分的输入－－输出数据对，虽然这种限制也可以用另外的方法加以克服，但该方法是离线的。
日本和德国的研究人员试图把ANNS用于控制电力变换器，但到目前为止没有获得满意的结果，这也是一个很有趣的领域。主要的有待解决的障碍是学习阶段时间花费过长，总而言之，问题的关键是要给变换器的控制器找到一个满意的非线性函数近似器、得到期望的非线性输入－－输出映射。常规技术就能实现简单的映射，而神经网络能实现更复杂的映射，并且由于它的并行结构这种映射相当快。
只有很少的论文讨论神经网络在直流电机控制中的应用。文献(21)介绍了两个多层前馈人工神经网络在直流电机速度控制环中的应用。这是一种典型配置。辩识ANN用于训练第二个ANN(神经控制器，即过程控制器)，因此过程输出跟随给定信号。学习过程用的是反向传播算法。该方法分为二步：第一步ANN被训练用来代表控制对象的响应。这需要用到表示控制对象输出和控制输入关系的微分方程。第二步把ANN用于控制对象模型的辩识方案中。在这步中，把ANN与控制对象并行连接，每次迭代时，给ANN提供给定信号作为ANN输入信号。辩识意味着调整权重，使ANN输出信号(即网络输出)和控制对象输出信号(即正输出)的误差最小。在辩识阶段，全局误差(即方差之和)以固定时间间隔被计算并与希望的最小值比较。第二个ANN是神经控制器被用于训练以给出需要的控制对象响应。为了训练这个网络，在每次采样输出时，必须知道误差(Ec)但仅仅只知道控制对象输出和希望输出(由给定输入决定)的最后误差，辩识方案中的第一个ANN可将最后误差Ec反向传播，用来训练控制器ANN。在误差最小化过程中，全局误差能被最小化到希望的值。经过训练辩识ANNS和控制ANNS，就可以在实时系统中运用被“调整”的神经自适应控制方案。文献(21)介绍了采用ANN自适应速度控制方案的直流传动系统的良好特性以及抗干扰性能。这也证明辩识ANN学习到了直流电机、变换器和负载的、未知时不变非线性操作特性。但值得指出的是，用于神经元控制器的训练时间有时相当长，但这个困难可以用上面提到的高级技术、避免使用常规的反向传播算法的方法中以克服。
文献(22)和(23)介绍了直流传动系统的ANN控制，给出了理论和实验结果。文献(9)讨论了直流传动的模糊神经速度控制器。这是文献中记载的第一次用单神经控制器成功替代双环直流传动系统的常规速度和电流PI调节器的例子。相对地上面讨论过的直流传动系统，该系统运用了更多的智能技术，系统得到了进一步的简化。有趣的是相对于古典多环PI调节器的实现，这里的电枢电流控制主要起限制电枢电流的作用，并且是通过单个速度、电流组合的模糊神经控制器“自动”加以实现。
(二)人工智能在交流传动中的应用
1.模糊逻辑的应用
在大多数讨论模糊逻辑在交流传动中运用的文章中，都介绍的是用模糊控制器取代常规的速度调节器，可英国Aberdeen大学开发的全数字高性能传动系统中有多个模糊控制器(4)，这些模糊控制器不仅用来取代常规的PI或PID控制器，同时也用于其他任务。该大学还把模糊神经控制器用于各种全数字高动态性能传动系统开发中。也有一些优秀的文章论述运用模糊逻辑控制感应电机的磁通和力矩。讨论这种技术的第一篇文章发表于1992年(24)。该文中讨论了两种控制策略，如用第一种策略，规则表有36条规则，模糊控制器的输入是磁通和转矩误差，根据转矩和磁通误差，改变磁通矢量的辐值和旋转方向，反模糊化技术用到的是中心梯度法，第一种策略没有考虑最优电压矢量选择的梯度。而第二种策略考虑了，这种方案被成功地实现了。
Galvan的两篇文章(25)、(26)讨论了用模糊化速度控制器实现感应电机的矢量控制的方法。并给出了仿真结果。(也见3.1.1节讨论的模糊化控制器)。矢量控制器也是一种间接控制类型，并且很好的特性。文献(27)提出了一种模糊逻辑速度控制器。它的输入标定因子是变化的。实验结果也验证了所提方案的有效性。文献(28)给出了矢量控制器感应电机驱动系统的仿真结果。该系统中模糊速度控制器与常规的PI速度控制器和CRPWM塑变器一起使用，它往往用来补偿可能的惯性和负载转矩的扰动。常规PI控制器用来稳定系统的稳态速度响应。矢量控制器使用转子磁通观测器观测(UI观测器，iw观测器(1)(4))，模糊逻辑用于转子电阻的估计。
到目前为止，只有两种运用人工智能技术的工业产品，其一是下节介绍的安川矢量变频器，另一个是日立矢量变频器，日立公司最近开发了J300系列IGBT矢量变频器，功率范围是5.5KW－－55KW。它的主要特点是使用无传感器矢量控制算法和强大的自调整功能。无传感器磁通矢量控制方案采样两相定子电流，在初始自整定阶段，电机和负载的惯性以及其他参数例如定子电感，定子和转子电阻、励磁电感等参数被计算。日立公司宣称这是世界上第一台使用模糊控制的变频器。它考虑了电机和系统的特性，转矩计算软件在整个频率范围保证了转矩的精确控制。变频器的主要性能指标如下：1Hz时150％或更高的启动转矩；在3∶1的速度范围(20到60HZ/16到50HZ)电机不用降低功率使用；速度调节比率小于。
J300系列变频器由于使用了高速微处理器和内置DSP，因此具有很的响应速度，转矩响应速度大约可达到0.1秒。它使用模糊逻辑控制电机电流和加减速斜率。它能根据电机负载和制动需要计算加减速的最优时间，因此不需要尝试法进行调整。模糊逻辑加减速度函数根据模糊规则设定加减速度比例因子和速度，而模糊规则则用当前值与过载限幅(或其它限幅)值的差值以及电机电流和电压的梯度作为输入变量。梯度和差值构成四个隶属函数，两个隶属函数是三角函数，另二个是半梯形。当用常规的简单电流限幅控制，变频器的斜率是步进型的，经常引起变频器跳闸。特别是在减速时。当用模糊逻辑控制时，斜率十分平滑，变频器假跳闸的现象也消除了。变频器在风机和泵类的运用最能体现模糊逻辑控制的优势。在这些应用中，不需要恒定的加减速时间或精确的位置控制。在这些应用中，不需要恒定的加减速时间或精确的位置控制。需要的是与负载条件有关的加减速度的最优化。模糊控制能实现加减速度的最优控制。
AI控制器也能提高直接转矩控制系统的性能，这也是值得深入研究的一个宽广领域。英国Aberdeen大学的研究人员开发了基于人工智能的开关矢量选择器以及速度、转矩、磁通观测器等，初步结果令人鼓舞(9)。可以预见不久的将业，将会得到更好的结果，将会出现更多的工业应用产品(47)(48)。
2.神经网络的应用
非常少的文章讨论神经网络用于交流电机的控制，大量文章讨论神经网络在交流电机和驱动系统的条件监测和诊断中的运用。文献(33)介绍了使用常规反向转波算法的ANN用于步进电机控制算法的最优化。该方案使用实验数据，根据负载转矩和初始速度来确定最大可观测速度增量。这就需要ANN学习三维图形映射。该系统与常规控制算法(梯形控制法)相比具有更好的性能，并且大大减少了定位时间，对负载转矩的大范围变化和非初始速度也有满意的控制效果。文献(34)用两个ANNS控制和辩识感应电机，但只给出了仿真研究。这是第一篇讨论神经网络在感应电机控制中的应用，这个方案与3.1节中讨论的直流驱动方案类似，ANNS的结构是多层前馈型，运用常规反向传播学习算法。该系统由两个子系统构成，一个系统通过电气动态参数的辩识自适应控制定子电流，另一个系统通过对机电系统参数的辩识自适应控制转子速度。该文讨论了这些控制方案与常规方案的各种优点。
文献(35)讨论了基于人工神经网络的电气机械系统，文献(36)介绍了运用直接控制ANN观测电压源PWM供电的感应电机矢量控制系统中的磁通的方法。这种基于ANN的磁通观测器的主要优点是对谐波具有免疫性。ANN是使用反向传播学习算法的多层前馈类型。ANN观测的磁通具有振荡性，因而引起转矩振荡。如果用别的方法，可能得到更好的结果。
最后值得指出的是现在发表的大多数有关ANN对各种电机参数估计的论文，一个共同的特点是，它们都是用多层前馈ANNS，用常规反向传播算法，只是学习算法的模型不同或被估计的参数不同。

四、结论

本文试图对人工智能电气传动控制系统领域的进展做一回顾。内容涉及模糊控制、神经网络、模糊神经网络在电气传动系统中的应用，讨论了模糊、神经和模糊神经控制器等人工智能技术的优点。也讨论了人工智能最小配置的应用。但到目前为止，使用人工智能技术的变速传动工业产品才刚刚出现，只有两家公司推出他们的产品。虽然使用人工智能技术的实际产品和应用还不多，但不久的将来，人工智能技术在电气传动领域将会取得重要的地位，特别是自适应模糊神经控制器将在高性能驱动产品中得到广泛使用。

㈥ python遗传算法如何提升收敛速度

python遗传郑缓州算法采用交叉算法提升收敛速度法。根据查喊蔽询相关公开信息显示交哪樱叉算法是一种提升速度的方法，但是加快速度会导致收敛质量的下降。

㈦ 使用MATLAB遗传算法工具箱如何设置参数使得收敛速度加快

fitness function要自己设计的 比如y=sinx 也要编成一个m文件啊……

㈧ 怎样解决遗传算法的局部最优问题

这个看看遗传算法的专着吧。
局部收敛，就是所谓的“早熟现象”是遗传算法的一个很让人头疼的问题。对应的措施，我举个例子，可以是提高变异算子的变异概率。变异算子是跳出局部收敛的重要操作算子，当然，遗传算法有很多的改进类型。这里不多说了，我介绍本书，叫《MATLAB遗传算法工具箱及应用》，雷英杰，西安电子科技大学出版社

㈨ 优化算法笔记（六）遗传算法

遗传算法(Genetic Algorithms，GA)是一种模拟自然中生物的遗传、进化以适应环境的智能算法。由于其算法流程简单，参数较少优化速度较快，效果较好，在图像处理、函数优化、信号处理、模式识别等领域有着广泛的应用。
在遗传算法（GA）中，每一个待求问题的候选解被抽象成为种群中一个个体的基因。种群中个体基因的好坏由表示个体基因的候选解在待求问题中的所的得值来评判。种群中的个体通过与其他个体交叉产生下一代，每一代中个体均只进行一次交叉。两个进行交叉的个体有一定几率交换一个或者多个对应位的基因来产生新的后代。每个后代都有一定的概率发生变异。发生变异的个体的某一位或某几位基因会变异成其他值。最终将以个体的适应度值为概率选取个体保留至下一代。

遗传算法启发于生物的繁殖与dna的重组，本次的主角选什么呢？还是根据大家熟悉的孟德尔遗传规律选豌豆吧，选动物的话又会有人疑车，还是植物比较好，本次的主角就是它了。

遗传算法包含三个操作（算子）：交叉，变异和选择操作。下面我们将详细介绍这三个操作。
大多数生物的遗传信息都储存在DNA，一种双螺旋结构的复杂有机化合物。其含氮碱基为腺嘌呤、鸟嘌呤、胞嘧啶及胸腺嘧啶。

表格中表示了一个有10个基因的个体，它们每一个基因的值为0或者1。

生物的有性生殖一般伴随着基因的重组。遗传算法中父辈和母辈个体产生子代个体的过程称为交叉。

表中给出了两个豌豆的基因，它们均有10个等位基因（即编号相同的基因）。
遗传算法的交叉过程会在两个个体中随机选择1位或者n位基因进行交叉，即这两个个体交换等位基因。
如，A豌豆和B豌豆在第6位基因上进行交叉，则其结果如下

当两个个体交叉的等位基因相同时，交叉过程也有可能没有产生新的个体，如交叉A豌豆和B豌豆的第2位基因时，交叉操作并没有产生新的基因。

一般的会给群体设定一个交叉率，crossRate，表示会在群体中选取一定比例的个体进行交叉，交叉率相对较大，一般取值为0.8。

基因的变异是生物进化的一个主要因素。
遗传算法中变异操作相对简单，只需要将一个随机位基因的值修改就行了，因为其值只为0或1，那么当基因为0时，变异操作会将其值设为1，当基因值为1时，变异操作会将其值设为0。

上图表示了A豌豆第3位基因变异后的基因编码。
与交叉率相似，变异操作也有变异率，alterRate，但是变异率会远低于交叉率，否则会产生大量的随机基因。一般变异率为0.05。

选择操作是遗传算法中的一个关键操作，它的主要作用就是根据一定的策略随机选择个体保留至下一代。适应度越优的个体被保留至下一代的概率越大。
实现上，我们经常使用“轮盘赌”来随机选择保留下哪个个体。

假设有4个豌豆A、B、C、D，它们的适应度值如下：

适应度值越大越好，则它们组成的轮盘如下图：

但由于轮盘赌选择是一个随机选择过程，A、B、C、D进行轮盘赌选择后产生的下一代也有可能出现A、A、A、A的情况，即虽然有些个体的适应度值不好，但是运气不错，也被选择留到了下一代。
遗产算法的三个主要操作介绍完了，下面我们来看看遗传算法的总体流程：

前面我们说了遗传算法的流程及各个操作，那么对于实际的问题我们应该如何将其编码为基因呢？

对于计算机来所所有的数据都使用二进制数据进行存放，如float类型和double类型的数据。
float类型的数据将保存为32位的二进制数据：1bit（符号位） 8bits（指数位） 23bits（尾数位）
如-1.234567f，表示为二进制位

Double类型的数据将保存为64位的二进制数据：1bit（符号位） 11bits（指数位） 53bits（尾数位）
如-1.234567d，表示为二进制为

可以看出同样的数值不同的精度在计算机中存储的内容也不相同。之前的适应度函数 ，由于有两个double类型的参数，故其进行遗传算法基因编码时，将有128位基因。
虽然基因数较多，但好在每个基因都是0或者1，交叉及变异操作非常简单。

相比二进制编码，十进制编码的基因长度更短，适应度函数 有两个输入参数，那么一个个体就有2个基因，但其交叉、变异操作相对复杂。
交叉操作
方案1：将一个基因作为一个整体，交换两个个体的等位基因。
交换前

交换第1位基因后

方案2：将两个个体的等位基因作为一个整体，使其和不变，但是值随机
交换前

交换第1位基因后

假设A、B豌豆的第一位基因的和为40，即 ,第一位基因的取值范围为0-30，那么A、B豌豆的第一位基因的取值范围为[10,30],即 为[0,30]的随机数， 。
变异操作，将随机的一位基因设置为该基因取值范围内的随机数即可。

这个过程说起来简单但其实现并不容易。

我们要将它们的值映射到一个轴上才能进行随机选择，毕竟我们无法去绘制一个轮盘来模拟这个过程

如图，将ABCD根据其值按顺序排列，取[0,10]内的随机数r，若r在[0,1]内则选择A,在(1,3]内则选择B,在(3,6]内则选择C,在(6,10]则选择D。
当然这仍然会有问题，即当D>>A、B、C时，假如它们的值分布如下

那么显然，选D的概率明显大于其他，根据轮盘赌的选择，下一代极有可能全是D的后代有没有办法均衡一下呢？
首先我想到了一个函数，

不要问我为什么我不知道什么是神经什么网络的，什么softmax、cnn统统没听说过。

这样一来，它们之间的差距没有之前那么大了，只要个体适应度值在均值以上那么它被保留至下一代的概率会相对较大，当然这样缩小了个体之间的差距，对真正优秀的个体来说不太公平，相对应，我们可以在每次选择过程中保留当前的最优个体到下一代，不用参与轮盘赌这个残酷的淘汰过程。

最令人高兴的环节到了，又可以愉快的凑字数了。

由于遗传算法的收敛速度实在是太慢，区区50代，几乎得不到好的结果，so我们把它的最大迭代次数放宽到200代。

使用二进制编码来进行求解
参数如下：

求解过程如上图，可以看出基因收敛的很快，在接近20代时就图中就只剩一个点了，之后的点大概是根据变异操作产生。看一下最后的结果。

可以看出最好的结果已经得到了最优解，但是10次实验的最差值和平均值都差的令人发指。为什么会这样呢？

问题出在二进制编码上，由于double类型的编码有11位指数位和52位小数位，这会导致交叉、变异操作选到指数位和小数位的概率不均衡，在小数位上的修改对结果的影响太小而对指数为的修改对结果的影响太大，
如-1.234567d，表示为二进制为

对指数为第5位进行变异操作后的结果为-2.8744502924382686E-10，而对小数位第5为进行变异操作后的结果为-1.218942。可以看出这两部分对数值结果的影响太不均衡，得出较好的结果时大概率是指数位与解非常相近，否则很难得出好的结果，就像上面的最差值和均值一样。
所以使用上面的二进制编码不是一个好的基因编码方式，因此在下面的实验中，将使用十进制来进行试验。

使用:十进制编码来进行求解
参数如下：

我们可以看到直到40代时，所有的个体才收束到一点，但随后仍不断的新的个体出现。我们发现再后面的新粒子总是在同一水平线或者竖直线上，因为交叉操作直接交换了两个个体的基因，那么他们会相互交换x坐标或者y坐标，导致新个体看起来像在一条直线上。
我们来看看这次的结果。

这次最优值没有得到最优解，但是最差值没有二进制那么差，虽然也不容乐观。使用交换基因的方式来进行交叉操作的搜索能力不足，加之轮盘赌的选择会有很大概率选择最优个体，个体总出现在矩形的边上。
下面我们先改变轮盘赌的选择策略，使用上面的sigmod函数方案，并且保留最优个体至下一代。

使用:十进制编码来进行求解
参数如下：

看图好像跟之前的没什么区别，让我们们看看最终的结果：

可以看出，最优值没有什么变化，但是最差值和平均值有了较大的提升，说明该轮盘赌方案使算法的鲁棒性有了较大的提升。在每次保留最优个体的情况下，对于其他的个体的选择概率相对平均，sigmod函数使得即使适应度函数值相差不太大的个体被选到的概率相近，增加了基因的多样性。

使用:十进制编码来进行求解，改变交叉方案，保持两个个体等位基因和不变的情况下随机赋值。
参数如下：

上图可以看出该方案与之前有明显的不同，在整个过程中，个体始终遍布整个搜索空间，虽然新产生的个体大多还是集中在一个十字架型的位置上，但其他位置的个体比之前的方案要多。
看看结果，

这次的结果明显好于之前的所有方案，但仍可以看出，十进制的遗传算法的精度不高，只能找到最优解的附近，也有可能是算法的收敛速度实在太慢，还没有收敛到最优解。

遗传算法的探究到此也告一段落，在研究遗传算法时总有一种力不从心的感觉，问题可能在于遗传算法只提出了一个大致的核心思想，其他的实现细节都需要自己去思考，而每个人的思维都不一样，一万个人能写出一万种遗传算法，其实不仅是遗传算法，后面的很多算法都是如此。
为什么没有对遗传算法的参数进行调优，因为遗传算法的参数过于简单，对结果的影响的可解释性较强，意义明显，实验的意义不大。

遗传算法由于是模仿了生物的进化过程，因此我感觉它的求解速度非常的慢，而且进化出来的结果不一定是最适应环境的，就像人的阑尾、视网膜结构等，虽然不是最佳的选择但是也被保留到了今天。生物的进化的随机性较大，要不是恐龙的灭绝，也不会有人类的统治，要不是人类有两只手，每只手有5根手指，也不会产生10进制。
以下指标纯属个人yy,仅供参考

目录
上一篇 优化算法笔记（五）粒子群算法（3）
下一篇 优化算法笔记（七）差分进化算法

优化算法matlab实现（六）遗传算法matlab实现