智能控制技术在电气工程自动化中的应用-遗传算法

网络教育学院本科生毕业论文〔设计〕题目：智能控制技术在电气工程自动化中的应用内容摘要智能控制技术在电气工程自动化控制中应用可以发挥很大的作用，能有效促进电气的优化设计，智能化技术能充分发挥作用，促进电气优化的设计，及时诊断故障，并且还可实现智能控制。本文主要分析了人工智能技术及其在电气工程自动化控制中的应用。文章就是利用遗传算法对某一电机控制系统的PID参数进行优化，以提高控制系统的性能指标。文章的最后给出了仿真实例，证明了本文方法的正确性和实用。关键词：人工智能；电气工程；遗传算法目录6143内容摘要I216721绪论132001.1人工智能简介1521.2人工智能研究的领域及应用1259391.3人工智能的应用现状1326231.4人工智能在电气工程领域的开展2302402人工智能理论概述378582.1人工智能的根本概念3112582.2人工智能控制技术的主要方法3103332.3人工智能控制技术常用的优化算法4232843遗传算法5201243.1.遗传算法的根本原理523813.2遗传算法的根本实现技术6124013.3遗传算法的构成要素7114704遗传算法在电气工程自动化领域的应用情况12153684.1遗传算法的应用研究12134014.2电动机控制中的遗传算法PID参数优化141515结论1818108参考文献191绪论1.1人工智能简介人工智能技术作为计算机科学的一个重要分支将智能的本质阐述了出来，生产出一种具有人类智能的机器。其研究的主要内容有对图像和语言的识别、专家系统、语言处理以及机器人等系统。1.2人工智能研究的领域及应用在上个世纪五十年代人工智能概念被首次提出来之后，一直处于良好的开展状态中，逐渐形成了一套以计算机作为核心，包含了心理学、生物学、控制论、自动化、信息论、医学、哲学以及数理逻辑等的一门综合性的科学。通过研究，使得机器系统能和人的智慧媲美，几乎能够完成人类完成的工作。而人工智能理论是研究和开发怎样实现对人的智能进行模拟和延伸的科学理论。人工智能技术是计算机科学的一个重要分支，它对智能的本质进行了阐述，并生产了一种和人类智能机器相似的机器。实现了多方面的研究。伴随着科技的不断开展和进步，我们日常的生产和生活中已经离不开计算机技术了。计算机编程技术促进了传播和自动化运输的开展和进步。通过计算机可以编程可以实现对人类的大脑进行模仿，比方收集、分析、处理、交换以及回馈信息，因此计算机通过对人类大脑的模仿会在很大程度上带动了电气工程自动化的快速开展。在我们日常的生产、交换、流通和分配中，无时无刻都需要电气工程自动化的控制，通过自动化控制，可以实现自动化的电气工程，这样可以节约人力资源，提高工作效率，进而使得生产和工作的总体效率得到提高。1.3人工智能的应用现状目前能够用来研究人工智能的主要物质根底以及能够实现人工智能技术平台的机器就是计算机，人工智能的开展历史是和计算机科学技术的开展史联系在一起的。除了计算机科学以外，人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。1.4人工智能在电气工程领域的开展随着人工智能技术的不断开展,很多研究人员展开了针对人工智能在电气工程自动化控制方面的研究,例如:应该如何将人工智能系统应用于故障的诊断和预测、电气产品设计优化和保护与控制等领域。在优化设计方面,设计电气设备是很繁琐的工作。它需要对电磁场、电路、电器电机等学科的知识综合性的运用,同时还要使用以往设计中的经验。设计以往的产品时,通常是在根据经验和实验的根底上,通过手工的方式开展的。这样的设计过程很难取得最优的设计方案。电气产品的设计随着计算机技术的开展,逐渐由手工设计向计算机辅助设计不断转变,使开发产品的周期大大减少。尤其是在引进了人工智能技术之后,更加促进了CAD技术的开展,大大提高了设计产品的质量和效率。人工智能技术在电气设计方面的应用主要包括专家系统和遗传算法。其中的遗传算法是一种优化的先进算法,在产品的设计优化上有举足轻重的作用。因此电气产品的人工智能化设计很多都采用了这种方式进行优化。电气设备的故障征兆和故障之间有着很多必然和偶然的关系,具有非线性、不确定性的特点,它的优势能够通过人工智能的方式得到最大的发挥。人工智能技术在电气设备诊断故障方面的应用主要由:专家系统、模糊逻辑和神经网络等。在电力系统之中,变压器因为重要的地位而受到很多研究者的关注。目前诊断变压器故障的常用方法主要是分析变压器油中分解出来的气体,通过这种气体分析找出变压器的故障范围。同时在电动机和发电机等方面,人工智能诊断故障技术也有了长足的开展。2人工智能理论概述2.1人工智能的根本概念人工智能技术作为计算机科学的一个重要分支将智能的本质阐述了出来，生产出一种具有人类智能的机器。其研究的主要内容有对图像和语言的识别、专家系统、语言处理以及机器人等系统。人工智能控制技术的主要方法有模糊控制、基于知识的专家控制、神经网络控制和集成智能控制等,以及常用优化算法有:遗传算法、蚁群算法、免疫算法等。2.2人工智能控制技术的主要方法2.2.1模糊控制模糊控制以模糊集合、模糊语言变量、模糊推理为其理论根底,以先验知识和专家经验作为控制规那么。其根本思想是用机器模拟人对系统的控制,就是在被控对象的模糊模型的根底上运用模糊控制器近似推理等手段,实现系统控制。在实现模糊控制时主要考虑模糊变量的隶属度函数确实定,以及控制规那么的制定。模糊控制系统是一种自动控制系统，它是以模糊数学、模糊语言形式的知识表示以及模糊逻辑的推理规那么为理论根底，采用计算机控制技术构成的一种具有反应通道的闭环结构的数字控制系统。它的造成核心是具有智能性的模糊控制器，这也是它与其它控制系统的不同之处。2.2.2专家控制专家控制是将专家系统的理论技术与控制理论技术相结合,仿效专家的经验,实现对系统控制的一种智能控制。主体由知识库和推理机构组成,通过对知识的获取与组织,按某种策略适时选用恰当的规那么进行推理,以实现对控制对象的控制。专家控制可以灵活地选取控制率,灵活性高;可通过调整控制器的参数,适应对象特性及环境的变化,适应性好;通过专家规那么,系统可以在非线性、大偏差的情况下可靠地工作,鲁棒性强。2.2.3神经网络控制神经网络模拟人脑神经元的活动,利用神经元之间的联结与权值的分布来表示特定的信息,通过不断修正连接的权值进行自我学习,以逼近理论为依据进行神经网络建模,并以直接自校正控制、间接自校正控制、神经网络预测控制等方式实现智能控制。2.2.4集成智能控制智能控制技术的集成包括两方面:一方面是将几种智能控制方法或机理融合在一起,构成高级混合智能控制系统,如模糊神经(FNN)控制系统、基于遗传算法的模糊控制系统、模糊专家系统等;另一方面是将智能控制技术与传统控制理论结合,形成智能复合型控制器,如模糊PID控制、神经元PID控制、模糊滑模控制、神经网络最优控制等。2.3人工智能控制技术常用的优化算法2.3.1遗传算法遗传算法(GA)是一种基于模拟遗传机制和进化论的并行随机搜索优化算法。遗传算法依照所选择的适配值函数,通过遗传中的复制、交叉及变异对个体进行筛选,使适配值高的个体被保存下来,组成新的群体,新群体既继承了上一代的信息,又优于上一代,这样周而复始,群体中个体适应度不断提高,直到满足一定的条件。2.3.2蚁群算法蚁群算法是群体智能的典型实现,是一种基于种群寻优的启发式搜索算法。蚁群算法的根本思想:当一只蚂蚁在给定点进行路径选择时。被先行蚂蚁选择次数越多的路径。被选中的概率越大。蚁群算法不仅能够智能搜索、全局优化,而且具有鲁棒性、正反应、分布式计算、易与其它算法结合等特点。3遗传算法遗传算法是一种不依赖具体问题的直接搜索方法，它在模式识别、神经网络、图像处理、机器学习、工业优化控制、自适应控制、生物科学、社会科学等方面都得到应用。本章主要介绍遗传算法的根本原理以及改良的操作方法。3.1.遗传算法的根本原理遗传算法(GeneticAlgorithms)，简称GA，是一类借鉴生物界自然选择和自然遗传机制的随机优化搜索算法，是一种近似算法。达尔文的自然选择学说认为[18]:所有的生物开展都是经历了从低级简单逐渐到高级复杂的过程，生物要生存下去就必须进行生存斗争。在生存斗争中，具有有利变异的个体容易存活下来，并且有更多时机将有利变异传给后代:具有不利变异的个体就容易淘汰，产生后代的时机也少得多。因此在生存斗争中获胜的个体都是对环境适应性比拟强的个体。达尔文把这种适者生存不适者淘汰的过程称之为自然选择。达尔文的自然选择学说说明，遗传和变异是决定生物进化的内在因素。遗传指的是父代与子代之间，以及子代的个体之间，在性状上或多或少的存在相似性的现象。在生物体内，遗传和变异关系十分密切，一个生物体的遗传性状往往会发生变异，而变异的性状有的又可以遗传。遗传能使生物的性状不断的传递给后代，因此保持了物种的特性;变异能使生物性状发生改变，从而产生新个体，适应新环境，不断向前开展。既然遗传算法基于自然选择的生物进化，是一种模仿生物进化过程的随机方法。下面给出几个生物学的根本概念与术语，这对于理解遗传算法是非常重要的。染色体:是遗传物质的主要载体，由多个遗传因子基因组成。遗传因子:染色体中一定位置的根本遗传单位，也称基因。基因型:遗传因子组合的模型，是性状染色体的内部表现。表现型:由染色体决定性状的外部表现。基因:遗传基因在染色体中占据的位置。等位基因:同一基因座它可能有的全部基因称为等位基因。个体:指染色体带有特征的实体。种群:染色体带有特征的个体组成了种群。群体中个体数目大小称为群体大小，也叫群体规模。适应度:各个体对环境适应程度。选择:指决定以一定概率从种群中选择假设千个体的操作。一般而言选择过程是一种基于适应度的优胜劣汰的过程。交叉:两个染色体之间通过交叉而重组形成新的染色体。变异:染色体的某一基因发生变化，产生新的染色体，表现出新的性状。编码:遗传编码可看成是从表现型向基因型的映射。解码:是基因型向表现型的映射。引用了这些术语，可以更好的描述遗传算法，遗传算法也就是从代表问题的可能潜在解集的一个种群出发，而一个种群那么由基因编码的一定数目个体组成每个个体其实是染色体带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现是某种基因的组合，它决定了个体的外部表现形状。因此，在一开始要实现从表现型到基因型的编码工作。由于仿照基因编码工作很复杂，往往采取简化形式，如二进制编码，初代种群产生后，按照适者生存和优胜劣汰的原理，逐代演化出越来越好的近似解。在每一代，根据问题域中个体的适应度大小选择个体。并借助于自然遗传学的遗传算子进行组合交叉和变异产生出代表新的解集的种群。这个过程将导致种群象自然进化一样，后生代种群比前代更加适应于环境，末代种群的最优个体经过解码，可以作为问题的近似最优解。3.2遗传算法的根本实现技术基于对自然界中生物遗传与进化机理的模仿，针对不同的问题，很多学者设计了许多不同的编码方法来表示问题的可行解，开发出了许多种不同的遗传算子来模仿不同环境下的生物遗传特性。这样，由不同的编码方法和不同的遗传算子就构成了各种不同的遗传算法。但这些遗传算法都有共同的特点，即通过对生物遗传和进化过程中选择、交叉、变异机理的模仿，来完成对问题最优解的自适应搜索过程。基于这个共同特点，Goldberg总结出了一种统一的最根本的遗传算法-根本遗传算法(SimpleGeneticAlgorithms，简称SGA)。根本遗传算法只使用选择算子、交叉算子和变异算子这三种根本遗传算子，其遗传进化操作过程简单，容易理解，是其他一些遗传算法的雏形和根底，它不仅给各种遗传算法提供了一个根本框架，同时也具有一定的应用价值。遗传算法的根本操作如下:(1)复制(ReproductionOrator)复制是从一个旧种群中选择生命力强的个体位串产生新种群的过程。根据位串的适配值复制，也就是指具有高适配值的位串更有可能在下一代中产生一个或多个子孙。它模仿了自然现象，应用了达尔文的适者生存理论。复制操作可以通过随机方法来实现。假设用计算机程序来实现，可考虑首先产生0-1之间均匀分布的随机数，假设某串的复制概率为40%，那么当产生的随机数在0.40月1.0之间时，该串被复制，否那么被淘汰。此外，还可以通过计算方法实现，其中较典型的几种方法为适应度比例法、期望值法、排位次法等。适应度比例法较常用。(2)交叉(CrossoverOperator)复制操作能从旧群体中选择出优秀者，但不能创造新的染色体。而交叉模拟了生物进化中的繁殖现象，通过两个染色体的交换组合，产生新的优良品种。它的过程为:在匹配值中任意选两个染色体，随即选择一点或多点交换点位置;交换双亲染色体交换点右边的局部，即可得到两个新的染色体数字串。交换表达了自然界中信息交换的思想。交叉有一点交叉、多点交叉，还有一致交叉、顺序交叉和周期交叉。一点交叉是最根本的方法，应用较广。它是染色体切断点有一处，例:A：1011001110->1011000101B:0010100101->0010101110(3)变异(MutationOperator).变异运算用来模拟生物在自然的遗传环境中由于各种偶然因素引起的基因突变，它以很小的概率随机的改变遗传基因(表示染色体的符号串的某一位)的值。在染色体以二进制编码的系统中，它随即地将染色体的某一个基因由1变为0，或由0变为1。假设只有选择和交叉，而没有变异，那么无法在初始基因组合以外的空间进行搜索，使进化过程在早期就陷入局部解而进入终止过程，从而影响解的质量.为了在尽可能大的空间中获得较高的优化解，必须采用变异操作。3.3遗传算法的构成要素遗传算法是具有“生成+检测”的迭代过程搜索算法。它的处理流程图如图3-1所示。由根本处理流程图可见，遗传算法是一种群体型操作，该操作以群体中的所有个体为对象。选择、交叉和变异是遗传算法的三个主要遗传算子，它们构成了所谓的遗传操作，使遗传算法具有了其它传统方法所没有的特性。遗传算法中包含如下五个根本要素[19]:参数编码、群体设定、适应度函数设计、遗传操作设计、控制参数设定(主要指群体大小和使用遗传算子的概率)。这五个要素构成了遗传算法核心。一．编码开始开始染色体编码初始化种群以Pc概率交叉计算适应度值下一世代以Pm概率变异选择染色体解码结束NY进化结束遗传算法主要是通过遗传操作对种群中具有某种结构形式的个体施加结构重组处理，从而不断地搜索出群体中个体间的结构相似性，形成并优化积木块以逐渐逼近最优解。所以遗传算法不能直接处理问题空间的参数，必须把它们转换成基因型串结构数据,这个转换操作叫编码。问题空间指由遗传算法表现型个体(有效候选解)集所组成的空间。遗传算法空间是指由基因型个体所组成的空间。由问题空间向GA空间的映射称作编码，由遗传算法空间向问题空间的映射称作译码[1]。遗传算法采用的编码机制很多，如实数编码、二进制编码和格雷码编码等。二．初始种群生成遗传操作是对多个个体同时进行，这众多个体组成了群体，在遗传算法处理流程中，续编码设计后的任务是初始群体设定，并以此为起点，一代代进化直到按某种进化准那么终止进化过程，由此得出最后一个种群。在种群初始生成图3-1遗传算法根本流程图过程中，种群大小对遗传算法效能发挥有重大影响。一般来说，遗传算法中初始群体中的个体均为随机产生，群体规模的设定既要保证种群中个体多样性，又要考虑到计算量问题。三．适应度函数遗传算法在搜索进化过程中一般不考虑其它外部信息，仅用评估函数值即适应度函数来评估个体或解的优劣，并作为以后遗传操作的依据，评估函数值又称作适应度，遗传算法的适应度函数不受连续可微的约束，定义域为任一集合。对适应度函数唯一要求是输入可计算出能加以比拟的非负结果[。四．遗传操作遗传操作是模拟生物基因遗传的操作，在遗传算法中，通过编码组成初始群体后，遗传操作的任务就是对群体的个体，按照它们环境适应程度施加一定操作，从而实现优胜劣汰的进化过程，从优化搜索而言，遗传操作可使问题的解，一代又一代的优化，并逼近最优解。遗传操作包含三个根本遗传算子:选择、交叉、变异。这三个遗传算子有如下特点[2]:这三个遗传算子的操作都是在随机扰动下情况进行，换句话说，遗传操作是随机操作，因此群体中个体向最优解迁移的规那么是随机的。遗传操作效果和上述三个遗传算子所取操作概率、编码方法、群体大小、初始群体以及适应度函数设定，密切相关。三个根本遗传算子的操作方法或操作策略随具体求解问题的不同而相异，更具体地讲，是与个体的编码方式直接相关。(1)选择从群体中选择优胜个体，淘汰劣质个体的操作叫选择。选择算子有时又称为再生算子。选择的目的是把优胜的个体直接传到下一代或通过交叉配对再遗传到下一代。选择操作是建立在群体中个体适应度评估的根底之上，即个体适应度越高，其被选择的时机就越多，日前常用的选择算子有:适应度比例方法、最优保存法、期望值方法、排序选择方法、联赛选择方法、排挤方法[3]。本文采用的是最优保存法。该方法的思想是把群体中适应度最好的个体不进行配对，直接复制到下一代中，此种选择操作也称复制。(2)交叉自然界生物进化过程中起核心作用的是生物遗传基因的重组(加上变异)。同样，遗传算法中起核心作用的是遗传操作的交叉算子。所谓交叉是指把两个父代个体的局部结构加以替换重组而生成新个体的操作。通过交叉，遗传算法的搜索能力得以飞跃提高。基因的交叉算子有:一点交叉，两点交叉，多点交叉，一致交叉，二维交叉，树结构交叉，顺序交叉，周期交叉等等。(3)变异变异算子的根本内容是对群体中个体串的某些基因座上的基因值作变动。变异操作同样也是随机进行的，变异概率一般都取得很小，变异的目的是为了挖掘群体中个体多样性，克服有可能限于局部解的弊病。一般说来变异操作根本步骤是先在群体中所有个体的码串范围内随机确实定基因座;然后以事先设定的变异概率Pm来对这些基因座的基因值实行变异。变异算子还包括逆转算子，自适应变异算子等。遗传算法引入变异的目的:一是遗传算法具有局部的随机搜索能力。当遗传算法通过交叉算子已接近最优解域时，利用变异算子这种局部随机搜索能力可以加速向最优解收敛。显然这种情况下的变异概率应取较小值，否那么接近最优解的积木块会因变异而遭到破坏。二是使遗传算法可维持群体中个体多样性，以防止出现未成熟收敛现象，此时收敛概率要取较大值。遗传算法中,交叉算子因其具有全局搜索能力而作为主要算子，变异算子因其具有局部搜索能力而作为辅助算子，遗传算法通过交叉和变异这一对相互配合又相互竞争的操作而使其具备兼顾全局和局部的均衡搜索能力。所谓相互配合，是指当群体在进化中陷入搜索空间中某个超平面而仅靠交叉不能解脱时，通过变异操作有助于这种摆脱。所谓相互竞争，是指当通过交叉已形成所期望积木块时，变异操作有可能破坏这些积木块。在问题求解过程中，遗传算法是这样不断地进行选择、交叉和变异操作，不断地进行迭代处理，也就是说群体继续不断一代代进化下去，那么最终可以得最优或近似最优解。算法的流程如下:1)确定染色体中各子串长度、群体规模大小、交叉概率、变异概率;2)产生初始群体;3)计算个体适应度值;4)检查是否需要重新产生个体，如果不需要那么执行第五步，如需要那么保存最优个体，其余个体重新生成，并且计算重新生成个体的适应度值，然后执行第五步;5)最优个体保存，其余个体用赌轮法选择将配对的个体;6)选出的配对个体进行两点交叉;7)计算新一代解群个体适应度值;8)检查是否满足终结条件，满足那么结束，找到最优;不满足，那么转向第四步。在遗传算法中，优化问题的所有参数(Parameter)或者称之为决策变量都被编码(Coding)，形成一个有限长的字符串，称之为染色体(Chromosome)或个体(Individual)。每个个体都对应于优化问题的一个可行解(FeasibleSolution)。一组个体组成一代(Generation)种群(Population)，它描述了遗传算法的搜索空间。优化问题的目标函数作为种群所处的环境，目标函数值经过一定的修正后作为个体对环境的适应(Fitness)。搜索时先随机产生一定数量的经编码后的祖先个体构成最原始的种群。再从这些种群开始，模拟进化过程，运用优胜劣汰原那么，先将个体解码(Decoding)，把被编码的参数复原成实际参数，然后利用目标函数计算其适合度，再通过选择(Selection)将适合度高的个体保存下来，组成新的种群，最后再利用交换(Crossover)、变异(Mutation)等手段使这些新的种群的优良特性得以遗传和保存到下一代。如此“选择一交换一变异一再选择”地不断重复，使各代种群的优良基因成分逐渐积累，种群的平均适合度和最优个体适合度不断上升，直到迭代过程趋于收敛。4遗传算法在电气工程自动化领域的应用情况随着智能控制技术的不断开展,很多研究人员展开了针对智能控制技术在电气工程自动化控制方面的研究,例如:应该如何将人工智能系统应用于故障的诊断和预测、电气产品设计优化和保护与控制等领域。在优化设计方面,设计电气设备是很繁琐的工作。它需要对电磁场、电路、电器电机等学科的知识综合性的运用,同时还要使用以往设计中的经验。设计以往的产品时,通常是在根据经验和实验的根底上,通过手工的方式开展的。这样的设计过程很难取得最优的设计方案。电气产品的设计随着计算机技术的开展,逐渐由手工设计向计算机辅助设计不断转变,使开发产品的周期大大减少。尤其是在引进了智能控制技术之后,更加促进了CAD技术的开展,大大提高了设计产品的质量和效率。智能控制技术在电气设计方面的应用主要包括专家系统和遗传算法。其中的遗传算法是一种优化的先进算法,在产品的设计优化上有举足轻重的作用。因此电气产品的智能控制技术设计很多都采用了这种方式进行优化。电气设备的故障征兆和故障之间有着很多必然和偶然的关系,具有非线性、不确定性的特点,它的优势能够通过智能控制的方式得到最大的发挥。智能控制技术在电气设备诊断故障方面的应用主要由:专家系统、模糊逻辑和神经网络等。在电力系统之中,变压器因为重要的地位而受到很多研究者的关注。目前诊断变压器故障的常用方法主要是分析变压器油中分解出来的气体,通过这种气体分析找出变压器的故障范围。同时在电动机和发电机等方面,人工智能诊断故障技术也有了长足的开展。4.1遗传算法的应用研究1函数优化

函数优化是遗传算法的经典应用领域，也是对遗传算法进行性能评价的常用算例。很多人构造出了各种各样的复杂形式的测试函数。有连续函数也有离散函数，有凸函数也有凹函数，有低维函数也有高维函数，有确定函数也有随机函数，有单峰值函数也有多峰值函数等。用这些几何特性各具特色的函数来评价遗传算法的性能，更能反映算法的本质效果而对于一些非线性、多模型、多目标的函数优化问题，用其他优化方法较难求解。而遗传算法却可以方便地得到较好的结果。

2组合优化

随着问题规模的增大，组合优化问题的搜索空间也急剧扩大。有时在目前的计算机上用枚举法很难或甚至不可能求出其精确最优解。对这类复杂问题，人们已意识到应把主要精力放在寻求其满意解上，而遗传算法是寻求这种满意解的最正确工具之一。实践证明，遗传算法已经在求解旅行商问题、背包问题、装箱问题、布局优化、图形划分问题等各种具有NP难度的问题得到成功的应用。3生产调度问题

生产调度问题在很多情况下建立起来的数学模难以精确求解，即使经过一些简化之后可以进行求解.也会因简化得太多而使得求解结果与实际相差甚远。目前在现实生产中主要是靠一些经验来进行调度。现在遗传算法已成为解决复杂调度问题的有效下具。在单件生产车间调度、流水线生产间调度、生产规划、任务分配等方面遗传算法都得到了有效的应用。4自动控制

在自动控制领域中有很多与优化相关的问题需要求解。遗传算法已在其中得到了初步的应用，并显示出良好的效果。例如用遗传算法进行航空控制系统的优化、使用遗传算法设计空间交会控制器、基于遗传算法的模糊控制器的优化设计、基于遗传算法的参数辨识、基于遗传算法的模糊控制规那么的学习、利用遗传算法进行人工神经网络的结构优化设计和权值学习等。都显出了遗传算法在这此领域中应用的可能性。5机器人学

机器人是一类复杂的难以精确建模的人工系统，而遗传算法的起源就来自于人工自适应系统的研究。所以，机器人学理所当然地成为遗传算法的一个重要应用领域。例如，遗传算法已经在移动机器人路径规划、关节机器人运动轨迹规划、机器人逆运动学求解、细胞机器人的结构优化和行为协调等方而得到研究和应用。6图像处理

图像处理是计算机视觉中的一个重要研究领域。在图像处理过程中，如扫描、特征提取、图像分割等不可防止地会存在一此误差，从而影响图像的效果。如何使这些误差最小是使计算机视觉到达实用化的重要要求。遗传算法在这些图像处理中的优化计算方面找到了用武之地。目前已在模式识别(包括汉字识别)、图像恢复、图像边缘特征提取等方而得到了应用。7人工生命

人工生命是用计算机、机械等人下媒体模拟或构造出的具有自然生物系统特有行为的人造系统。自组织能力和自学习能力是人工生命的两大主要特征。人工生命与遗传算法有着密切的关系。基于遗传算法的进化模型是研究人工生命现象的重要根底理论。虽然人工生命的研究尚处于启蒙阶段，但遗传算法已在其进化模型、学习模型、行为模型、自组织模型等方面显示出了初步的应用能力，并且必将得到更为深入的应用和开展。人工生命与遗传算法相辅相成，遗传算法为人工生命的研究提供一个有效的下具，人工生命的研究也必将促进遗传算法的进一步开展。8遗传编程

1989年，美国Standford大学的Koza教授开展了遗传编程的概念,其基木思想是:采用树型结构表示计算机程序,运用遗传算法的思想,通过自动生成计算机程序来解决问题。虽然遗传编程的理论尚米成热,应用也有一此限制,但它已成功地应用于人工智能、机器学习等领域。目前公开的遗传编程实验系统有十多个。例如，Koza开发的ADF系统，While开发的GPELST系统等。9机器学习

学习能力是高级自适应系统所具备的能力之一，基于遗传算法的机器学习，特别是分类器系统，在很多领域中都得到了应用。例如，遗传算法被用于学习模糊控制规那么，利用遗传算法来学习隶属度函数，从而更好地改良了模糊系统的性能；基于遗传算法的机器学习可用来调整人工神经网络的连接权，也可用于人工神经网络结构优化设计；分类器系统也在学习式多机器人路径规划系统中得到了成功的应用。10数据挖掘

数据挖掘是近几年出现的数据库技术，它能够从大型数据库中提取隐含的、先前未知的、有潜在应用价值的知识和规那么。许多数据挖掘问题可看成是搜索问题，数据库看作是搜索空间，挖掘算法看作是搜索策略。因此，应用遗传算法在数据库中进行搜索，对随机产生的一组规那么进行进化.直到数据库能被该组规那么覆盖，从而挖掘出隐含在数据库中的规那么。Sunil已成功地开发了一个基于遗传算法的数据挖掘下具。利用该工具对两个飞机失事的真实数据库进行了数据挖掘实验，结果说明遗传算法是进行数据挖掘的有效方法之一。4.2电动机控制中的遗传算法PID参数优化本文以直流电动机系统进行了仿真验证，使用了具有突出寻优能力和计算简单的遗传算法进行参数整定，并通过Matlab编程进行参数寻优，整定出的参数使性能指标到达最优[4-8]。(l)参数确实定及表示首先确定参数范围，该范围一般是由用户给定的，然后由精度的要求，对其进行编码。选取二进制字串表示每一个参数，并建立与参数间的关系。再把二进制串连起来就组成一个长的二进制字串，该字串为遗传算法可以操作的对象。(2)选取初始种群因为需要编程来实现各过程，所以采用计算机随机产生初始种群。针对二进制编码而言，先产生0~1之间均匀分布的随机数，然后规定产生的随机数0~0.5之间代表0，0.5~1之间代表1。此外，考虑到计算的复杂程度来规定种群的大小。(3)适应度函数确实定衡量一个控制系统的指标有三个方面，即稳定性、准确性和快速性。而上升时间反映了系统的快速性，上升时间越短，控制进行的就越快，系统品质也就越好。在实际应用中会因系统中固有的饱和特性而导致系统不稳定，为了防止控制能量过大，在目标函数中参加控制量。因此为了使控制效果更好，本文给出了包含控制量、误差和上升时间作为约束条件的目标函数。因为适应度函数同目标函数相关，所以目标函数确定后，直接将其倒数作为适应度函数进行参数寻优。最优的控制参数也就是在满足约束条件下使f(x)最大时，x所对应的控制器参数。(4)优化步骤下面就可以编程使用遗传算法对PID参数进行寻优。利用遗传算法优化Kp、Ki、Kd的具体步骤如下:①确定每个参数的大致范围和编码长度，进行编码;②随机产生n个个体构成初始种群P(0);③将种群中各个体解码成对应的参数值，用此参数求代价函数值J及适应度函数值f,f=；④应用复制、交叉和变异算子对种群P(t)进行操作，产生下一代种群P(t+1);⑤重复步骤③和④，直至参数收敛或到达预定的指标。试验的电机性能参数如下:La电机电感0.24mH=0.00024HRa电机电阻2.32Cm电动机的转距常数23.2mN·m/A=0.0232N·m/ACe为电动势常数Jm转子以及电动机转轴相连的负载总的转动惯量1.1×10kg·Fm粘滞摩擦系数2.2×·/s根据被控电动机特性，建立电动机的连续传递函数模型为:,。遗传算法中使用的样本个数为30，参数Kp的取值范围为[0，20]，Ki、Kd的取值范围为[0，1]，取wl=0.999，w2=0.001,w3=1