基于遗传算法与BP神经网络PID控制方法交流伺服系统探究

1、基于遗传算法与bp神经网络pid控制方法交流伺服系统探究【摘要】bp网络模型己成为神经网络的重要模型之 一，在很多领域得到了应用，但它也存在一些不足。如从数 学上看，它是一个非线性优化问题，这就不可避免地存在局 部极小点问题；bp网络学习算法收敛速度较慢，且收敛速度 与初始权值的选择有关；网络的结构设计，即隐层及节点数 的选择尚无理论直到，而是根据经验选取。本文针对bp算 法局部极值的缺点，考虑将遗传算法和bp算法结合，进行 对bp神经网络进行优化。用遗传算法优化神经网络，主要 包括三个方面：连接权的进化、网络结构的进化，学习规则 的进化。【关键词】ga-bp神经网络；遗传算法；学习规则1遗传

2、算法基本原理遗传算法(genetic algorithm,简称ga),最初由美国 michigan大学j. holland教授于1975年提出，模拟达尔文 生物进化论的自然选择，遵循''生存竞争、优胜劣汰、适者 生存”的竞争机制和遗传学机理的生物进化过程的计算模 型，是一种通过模拟自然进化过程搜索最优解的方法。ga的 特点是演算简单，并行搜索，直接对结构对象进行操作，不 存在求导和函数连续性的限定，搜索效率高，不存在局部收 敛问题。遗传算法的基本操作有选择、交叉和变异。(1) 选择选择不能创造出新的染色体，只能从旧种群中选择出优 秀的个体，生物遗传基因的重组在自然界的生物进化过

3、程中 起着非常重要的核心作用。(2) 交叉交叉是指把两个父代个体中的部分结构加以替换，重组 而生成新的个体的操作。遗传操作的交叉算子在遗传算法中 起着核心作用。交叉策略可分为单点交叉、多点交叉、均匀 交叉等，最常用的交叉算子为单点交叉。(3) 变异将变异引入遗传算法后，不但可以使遗传算法具有局部 的随机搜索能力，又能使遗传算法维持群体的多样性，这样 可以防止出现未成熟收敛现象，采用变异操作可以在尽可能 大的空间中获得质量较高的优化解。遗传算法中，交叉算子是因其全局搜索能力强而著称的 主要算子，而变异算子是局部搜索能力较强辅助算子的。因 为交叉和变异既相互配合又相互竞争，而使遗传算法能够既 具有

4、全局搜索能力，又具有局部的均衡能力。现在遗传算法 的一个重要研究内容就是如何有效地配合使用交叉和变异 操作。(4) 终止条件当最优个体的适应度达到给定的阈值、或当最优个体的适应度和群体适应度不再上升、或者迭代的次数已经达到预 先设定好的代数则算法终止。2遗传算法在神经网络学习中的应用目前，广泛研究的bp算法比较适用于局部搜索，但问 题是当网络用bp算法进行学习时，学习的结果对初始权向 量非常的敏感，所以会不可避免地出现一些不尽如人意的问 题，如在具体的计算实施过程中，只能凭实验和经验来确定 有关参数(如训练速率和惯性系数)，假如采用不同的初始 权向量可能导致完全不同的输出结果；或是极易陷人局部

5、最 小；再就是一旦取的值不合适，就会引起网络的振荡而不能 收敛，即使能收敛也会因为收敛速度慢而导致训练时间过 长，得不到最佳的权值分布。解决这个问题可以采用遗传算法来优化bp的连接权。 先使用遗传算法ga不断地对神经网络的连接权系数进行优 化，直到这一代群体的进化状态停止。此时种群经过解码后 得到一组参数组合，已经非常接近于最佳的参数组合，在最佳参数组合的基础上再利用bp算法对它们进行精调操作，就能很快地得到最优解。具体的说,可以用遗传算法来取代一些传统的算法并用于确定神经网络的权重，为人工神经网络提供了非常好的途径，图1为遗传算法与神经网络的结合图。图1遗传算法的一般流程(1) 产生初始种群

6、一一随机产生出一组数值分布，采 用适当的编码方案对每个初始权值(或闽值)进行编码，从 而构造出一个初始码链；(2) 计算出码链的误差函数后确定其函数的适应度值, 一般的染色体的评价函数是运行后返回误差平方和的倒数， 误差越大，则适应度会越小；(3) 选出若干最优个体(适应度函数值大)直接遗传 给下一代；(4) 对当前一代群体再利用交叉、变异等遗传算子进 行处理，直到产生下代群体；(5) 满足终止条件，则继续第6步，否则继续第2步;(6) 输出种群中适应度值最优的染色体作为最优解。3基于ga和nn的pid控制器结构形式及控制算法将遗传算法、神经网络与pid控制相结合，利用ga的 全局搜索能力，对

7、神经网络的权初值学习优化，提高了多层 前向网络权系数的学习效率，减小了陷入局部解的可能性， 快速地达到全局收敛；神经网络的自学习能力和逼近任意函 数的能力，可在线调整pid参数，有效地控制较复杂的被控 对象。基于遗传算法和神经网络的pid控制器系统结构如图2 所示。图2基于ga-bp的自学习pid控制器图2包括三个部分：一是经典的传统pid控制器，可以 直接对数控交流伺服系统的位置环进行闭环控制；二是遗传 算法ga的寻优模块，对bp神经网络的初始权值进行优化学 习；三是前向bp神经网络：可改变自身权系数，实现对pid 控制参数的在线调整。用遗传算法学习优化bp网络连接权值，学习优(下转 第82

8、页)(上接第71页)化的算法为：用遗传算法学习优化bp网络的算法可总结如下：(1) 用w表示bp网络初始权系数的个数，用x表示输 入的初始权参数值，则可用xl, x2xw表征w个x输入， 用l表示二进制编码串的长度，则可组成一个wxl位长的 二进制编码串，从而构成一个个染色体。(2) 利用解码公式xi=xmin+byi (i=l,，w)确定 解码方法，切断1中建立的wxl位长的二进制编码，将w 个l位长的二进制编码串转换为对之对应的十进制整数代 码，记为 yi (i=l, 2,，w)o(3) 确定适配函数：考虑到数控交流伺服控制系统的 准确性、稳定性和快速性，以控制量、误差和上升时间为约 束条

9、件，若e (t)为系统误差，tu为上升时间，u (t)为 控制器输出，wl, w2, w3, w4为权值，可定义式j=bwle(t) +w2u2 (t) +w4e (t) dt+w3tu作为参数选择的目标函 数，为了防止控制能量过大，上式中引入了控制量u的平方 项，w4在未出现超调时值为零，一旦产生超调，将超调量作 为最优指标的一项，此时w4大于wl。(4) 交叉和变异。交叉和变异是遗传优化模块的基本 操作，但并不是对所有的遗传算子进行交叉和变异，而只是 以一定的概率进行。种群的规模和交叉变异的概率的选择对 算法都会有较大的影响，交叉概率一般是从0.25到1之间。4总结本文将基于遗传算法和神经网络的pid控制方法应用于 交流伺服系统，用ga (遗传算法)优化bp网络的初始连接 权系数，得到一组接近最佳的bp网络初始权值的参数组合, 再通过bp算法改变网络权值，实现pid参数的在线调整。【参考文献】1 王璞，刘明利.基于题型和知识点的遗传组卷算法的 应用j.科技信息,2010 (24)： 18-19.2 武飞周，薛源智能算法综述j工程地质计算机应 用，2005 (2)： 25-27.3 刘双印，徐龙琴，沈玉利.改进小生境遗传算法在元 搜