免疫算法在最有PID控制设计器中的应用.doc

目 录 第一章 绪论 2 1.1引言 2 1.2国内外研究现状 3 1.2.1人工免疫算法 3 1.2.2免疫遗传算法的应用与研究方向 4 1.3研究动机与研究内容 4 1.4论文安排 5 第一章 遗传算法概述 7 2.1 遗传算法基本原理 7 2.2遗传算法的构成要素 7 2.2.1编码 7 2.2.2适应度函数 8 2.2.3遗传算子 8 2.2.4 控制参数 10 2.3 遗传算法步骤和流程 11 2.3.1 遗传算法的应用步骤 11 2.3.2遗传算法的基本流程 11 2.4遗传算法的特点 12 2.5遗传算法的早熟现象分析 13 2.6本章小结 14 第三章 免疫系统与免疫遗传算法 15 3.1生物免疫系统 15 3.2免疫遗传算法基本原理 16 3.3免疫遗传算法步骤和流程 16 3.4免疫遗传算法特点 17 3.5本章小结 18 第四章 免疫遗传算法的改进 19 4.1基于信息熵的免疫遗传算法 20 4.1.1抗体相似度和浓度计算方法 20 4.1.2基于信息熵的免疫遗传算法的缺陷 21 4.2基于欧式距离的免疫遗传算法 21 4.3曼哈顿距离法 22 4.4一种改进的免疫遗传算法 23 4.4.1改进的遗传算法中几个重要定义 23 4.4.2 精英保留策略 25 4.4.3改进的免疫遗传算法 25 4.4.4IGAE算法的全局收敛性分析 26 4.5本章小结 26 第五章 基于免疫遗传算法的PID控制器设计 27 5.1 PID控制器 27 5.1.1 PID控制基本原理 27 5.1.2 PID控制系统的性能指标 28 5.2 基于免疫遗传算法的PID控制器优化设计 29 5.2.1 免疫遗传算法的PID参数优化的基本思想 29 5.2.2 优化问题描述和PID增益参数优化的仿真结构 29 5.2.3 基于免疫遗传算法的PID控制器优化设计流程 29 5.3 计算机仿真实验及结果分析 30 5.3.1 实验对象选取和算法参数确定 30 5.3.2 仿真结果 32 5.4 本章小结 34 第六章 工作总结和展望 35 第一章 绪论 1.1引言 遗传算法（Genetic Algorithms，简称GA）模拟了自然界中生物进化的过程。在自然界中，由于受到外部条件造成的生存压力的影响，一些具有好的结构的生物就可以得到保存，而一些结构较差的生物就会被淘汰，从而生物进化向着产生最优个体的方向发展。这种优势劣汰的机制应用到了人工算法中便形成了遗传算法。 遗传算法首先要做的工作是根据解空间的分布，随机产生一个具有一定数量个体的群体。群体中的每个个体都具有一定的基因型，该基因型代表了优化问题的每个解的数值。基因或者说染色体承担了携带个体基因型，表征个体独特性的任务。群体的进化过程是由群体中每一个个体完成的，每个个体经过选择、交叉、变异等遗传操作，形成新的一代具有新的基因型的个体，通过对遗传操作的合理设计，可以使新的一代具有比上一代更强的适应环境的能力。就这样，通过一代代的进化，最终群体进化成具有最强适应性的个体，也就是优化问题的最优解。 遗传算法是由美国密歇根大学的John H.Holland教授在1975年创立的，从那之后，遗传算法在全世界范围内得到了广泛的应用和研究，使之成为一门日益成熟的学科。在诸如优化组合、自动控制、生产调度、机器人学、人工智能等领域，遗传算法都显现出其独特的实用价值。 然而，经过大量的科学研究和实际应用之后，人们逐渐发现遗传算法也有其不足之处。这种不足主要集中在它容易早熟收敛(premature convergence)、陷入局部最优(sticks to local optimum)，而且局部搜索的能力较弱等[2]。 根据达尔文的进化理论，生物群体能够在自然界的竞争中保存下来，其中重要的一个原因就在于较大群体的数量。只有具有一定规模的群体数量才能保证群体能偶在恶劣的环境中生存繁衍，从而保持自己群体的基因延续下去。因此，遗传算法模拟了自然界中生物群体的进化过程，为了能够使得自己的个体（解）能够存活下来，得到进化，在遗传算法的进化过程中必须满足下列四个条件[3]： (l)群体必须具有一定的数量的个体； (2)个体之间存在着差异，即群体具有多样性； (3)个体能够进行基因交流； (4)个体适应环境的能力不同，适应度较强的个体具有较大的繁殖机会，反之繁殖机会较小。 很容易可以看出，遗传算法满足第(1)和第(3)个条件，通过设定合适的适应度函数，第(4)个条件也可以得到满足。由生物的进化原理可以知道，具有优良基因型的个体容易在进化中处于优势，从而使自己的基因型在群体中所占的比例也就越大，但是过于单一的基因型也会使得群体的适应性下降。因而为了保持群体抵抗风险的能力，需要增强群体基因型的多样性。如何把握较大比例的