基于遗传算法优化的直流伺服电机PID控制器设计.doc

《基于遗传算法优化的直流伺服电机PID控制器设计.doc》由会员分享，可在线阅读，更多相关《基于遗传算法优化的直流伺服电机PID控制器设计.doc（38页珍藏版）》请在沃文网上搜索。

1、摘 要近年来，直流伺服控制系统己经在工业生产控制等多领域得到了广泛应用。其中应用作为动力源的直流伺服电机显得尤其重要。PID (Proportional、Integral、Derivative)即比例、积分、微分控制规律是工业过程控制中应用最为广泛的控制策略，它具有算法简单、鲁棒性好、可靠性高的优点。若已知PID控制器的结构，则控制器的控制品质由比例、积分时间和微分时间系数这三个参数来决定。其控制算法比较简单，但相比之下其参数整定优化显得复杂很多。遗传算法是一种借鉴生物界自然选择和自然遗传学机理上的迭代自适应概率性搜索算法。自20世纪60年代诞生以来在国际上一直备受关注，近年来遗传算法的理论发

2、展和实际应用被看作成研究热点之一。本文运用遗传算法来来对直流伺服电机PID控制器参数进行优化设计。首先建立直流伺服电机的模型；其次，简要介绍PID控制器原理，并介绍了衡量PID控制系统的四项主要指标。再次，概要介绍了遗传算法并阐述其应用步骤。然后，运用遗传算法对直流伺服电机PID控制器参数进行整定优化，对比使用MATLAB里的Signal Constraint模块整定的曲线来分析，最后总结了论文所做的工作，表明了使用遗传算法对直流伺服电机模型的PID控制器参数整定优化具有良好的效果，并指出了使用遗传算法进行PlD参数整定优化还有待解决的问题。关键词：遗传算法；直流伺服电机；PID控制器；参数优

3、化；仿真AbstractIn recent years, DC servo control system has been in the field of industrial control, etc widely application. The application of DC servo motor as a power source is especially important. PID (Proportional, Integral, Derivative) is proportional, Integral and differential control law is th

4、e most widely used in industrial process control control strategy, it has simple algorithm, the advantages of good robustness, high reliability. If known the structure of the PID controller, the controller is the control of quality by the proportional, integral and differential time coefficient to d

5、etermine the three parameters. Its control algorithm is simple, but compared with its parameter setting optimization much more complex. Genetic algorithm is a kind of biological natural selection and natural genetic mechanism for reference on the iterative adaptive probabilistic search algorithm. Si

6、nce its birth in the 1960s has been in the world, much attention has been paid in recent years, the theory development and practical application of genetic algorithm is considered as one of the hot research topic. This paper uses genetic algorithm to the DC servo motor PID controller parameters opti

7、mization design. First of all establish DC servo motor model; Second, briefly introduced the principle of PID controller, and introduces the four main indicators of PID control system. Again, introduces the genetic algorithm and its application procedure. Then, using genetic algorithm PID controller

8、 parameter setting of the DC servo motor optimization, contrast to use MATLAB in Signal Constraint module setting curve to analyze, finally summarizes the dissertation work, shows that using the genetic algorithm of DC servo motor setting to optimize PID controller parameters in the model has good e

9、ffect, and points out that using genetic algorithm to optimize PlD parameter setting remains to be solved problem.Key words: genetic algorithm; The DC servo motor; PID controller; Parameter optimization; simulationII目 录摘要Abstract第1章 绪言11.1 课题背景11.2 本课题研究意义和目的21.3 国内外研究现状31.4 本文的主要研究内容4第2章 直流伺服电机的模型建

10、立62.1 直流伺服电机的物理模型62.2 直流伺服电机的数学模型62.2.1 电机的基本方程组62.2.2 电机的传递函数7第3章 PID控制器83.1 PID控制器基本原理83.2 PID控制系统的主要性能指标9第4章 遗传算法104.1 遗传算法概要104.1.1 遗传算法的起源及发展104.1.2 遗传算法的应用领域114.1.3 遗传学基本概念134.2 遗传算法的应用步骤144.3 遗传算法的基本流程图16第5章 基于遗传算法的PID控制器参数整定优化设计及仿真175.1 MATLAB及Simulink仿真环境简介175.2 基于遗传算法的PID参数整定优化175.2.1 基于遗传

11、算法的PID参数整定优化原理175.2.2 基于遗传算法的PID参数整定优化流程图195.2.3 基于遗传算法的PID参数整定优化步骤195.2.4 基于遗传算法的PID参数整定优化结构图205.3 基于遗传算法的PID参数整定优化的仿真实验20结论25致谢26参考文献27附录 (程序清单)28广西科技大学2014届本科毕业设计（论文）说明书第1章 绪言1.1 课题背景PID控制器是最早起源发展的控制策略之一，原因在于它所涉及的设计算法和控制结构都相对比较简单，同时也十分适用于实际中的工程应用，另外PID控制方案并不要求建立精确的控制对象的数学模型，且一般采用PID控制的控制效果令人比较满意，

12、因此在工业实际应用过程中，PID控制器是应用最为广泛的控制策略，也是历史最悠久、生命力最顽强的基本控制方式之一。相关研究表明在如今实际使用的控制方式当中，PID型占84.5%，优化PID型占6.8%，现代控制型占有1.5%，手动控制型占6.6%，人工智能(AI)型占0.6%。将PID型和优化PID型合起来计算其比例可以占90%以上，由此说明PID控制方式在实际应用中占到了绝大多数，在以上两种控制方式基础上再加上手动控制型则所占比例高达97.9%，这说明古典控制在实际应用中占很大比例。实际应用中PID控制器占很大比例的原因在于理论上的分析及实际应用的经验都已经表明了PID控制器对于相当大比例的工

13、业过程能够起到较为满意的控制效果。它具有适用范围广、控制结构简单、易于调整参数、鲁棒性较强、在实际应用过程中易于被操作人员掌握和实现以及在长期实际应用中已积累了许多成功的经验等众多优点。尤其是在工业应用过程中，由于控制对象的精确的数学模型难以建立，系统的参数常常又发生改变，运用现代控制理论来分析综合需要研究人员耗费很大的精力来进行模型辨识，并且往往还达不到预期的理想效果，因此不论常规调节还是数字智能应用都广泛采用此种控制方式。PID控制算法正是具有以上所述的多种优点，可以使得这种控制算法在工业生产控制中仍将居于至关重要的地位。过程控制随着现代控制理论的提出和不断完善获得了不少新的解决方案和思路

14、，同时不断地改进提高的生产工艺也对过程控制应用提出了新的要求。针对这类问题，科研人员不断研究摸索新的解决方法；同时，其基于传统PID控制方面也进行了大量的改进研究。由于PID控制有其固有的优点，决定了PID控制在今后继续大量使用，关于如何进一步提高PID控制算法解决问题的能力以及依据新出现的现代控制理论来不断设计优化PID控制算法是一个非常具有吸引力的课题研究方向。研究人员在这一领域做的工作主要体现在以下两方面。（1）PID参数自整定。一般而言控制对象都会存在着一定量的不可预知的因素，如随机扰动输入、系统时变、稳态误差等，在这些不可预知的因素的作用下通常需要不断改变受控对象的控制参数。在一个已

15、经形成的PID反馈控制回路中，往往控制对象参数的变化就可能降低原来设定的PID参数控制性能，为了解决这个问题研究提出了PID参数自整定，即随着控制对象不断变化的同时PID调节器也会自我调整并重新设定PID参数，研究人员将古典控制理论结合现代控制理论获得了一些在线自整定PID控制器参数的解决方案。至今仍有研究人员继续从事这方面相关研究。典型的PID参数在线自整定方法主要为改进型Z-N临界比例度法、模糊控制PID调节法、专家法参数自整定以及利用过程模型辨识自整定参数等。（2）PID参数寻优。PID参数寻优是指在过程控制中依照一定的过程控制目标和既定的生产过程模型运用一系列的理论计算寻找得到最优效果

16、的PID参数。在自PID控制开始应用之时起，研究人员一直致力于研究PID参数寻优，目前已经提出了多种参数优化方法，如粒子群优化算法，单纯形法，免疫算法，神经网络算法，遗传算法，差分进化算法等。伺服系统（servo system）又被称为随动系统，是指可以精确地跟随某个已知过程的反馈控制系统。伺服系统一般指被控对象的位置、角度、状态等输出控制量能够跟随输入给定值的任意变化的自动控制系统。实际应用中要求伺服系统具有稳定性、一定精度和快速响应性。直流伺服电机应用于伺服系统构成直流伺服系统，可以满足数字控制或者高精度高性能的要求。目前实际控制过程中研究将直流伺服电机应用到PID控制上也不断地得到发展。

17、1.2 本课题研究的目的和意义目前现代工业控制过程和应用环境随着发展趋于复杂化，实际应用过程中针对PID控制系统要求越来越高的控制品质。基于传统控制理论的整定方法繁琐、耗时且得不到良好的预期效果，严格意义上工程整定法隶属于人工整定方法范围，对实际操作者掌握较多的控制领域相关知识和积累丰富的实践经验提出较高要求，通常最终整定效果也显得不尽如人意。传统的设定方法应用过程中当系统结构和参数发生较大变化时，必须停止系统的运行来重新进行参数整定，这样无法满足实际生产对连续性的要求，更不必应用到对实时性要求高的系统中；相比之下，对于大型的结构复杂的系统，较为先进的专家智能参数自整定方法、基于模糊推理的参数

18、自整定方法、基于神经网络的PI参数整定技术等显得更加实用。而针对规模较小和结构相对简单的系统，一般研究使用遗传算法实现PID参数整定优化。论文将遗传算法应用到具体的直流伺服电机模型的PID参数整定优化过程中具有相当大的实际应用价值。遗传算法是在1962年美国Michigan大学的J.H.Holland教授提出的模拟自然界遗传机制和生物进化论而生成的一种并行随机搜索最优化方法1。在参数经过编码形成的编码串连群体过程中运用到了“优胜劣汰，适者生存”的生物进化理论，先给定好的适应度函数，再执行遗传学中的复制、交叉及变异操作对群体中个体不断加以选择，保留下来适应度较高的个体，组成新一代的群体，新一代群

19、体既继承了上一代的关键信息，又使自己优于上一代。不断重复进行，使得群体中个体适应度不断提高，直至满足一定的约束条件。基于遗传算法的PID参数整定优化是从多点开始并行操作，在解空间内运用高效启发式搜索法进行，这样避免了从单点出发，克服了搜索的盲目性，这样可以更快更好地进行寻优，避免出现搜索开始就陷入局部最优解的问题。遗传算法对单目标寻优、多目标寻优都适用。根据不同的控制系统，在规定的范围内，遗传算法针对单个或多个目标皆可寻找到最佳参数。遗传算法作为一种全局优化算法，得到了越来越广泛的应用2。本课题利用经典的遗传算法，对直流伺服电机模型化形成的PID控制器参数进行优化，获得了良好的优化结果，实验验

20、证表明遗传算法可以用于PID控制器参数优化当中。1.3 国内外研究现状一直以来，自动控制领域都是智能控制理论应用最具有活力的领域之一，相比之下，基于经典反馈控制和现代理论控制的传统控制越来越无法满足日趋复杂的实际系统的控制。智能控制理论的应用一方面使得控制系统品质得到很大提高，另一方面也促进了控制工具的研发与生产。而PID控制作为智能控制的重要组成部分，其PID控制器自诞生至今已经经历了70多年应用的考验，实践表明是一种相当成功的控制器模式。尤其是近年来PID应用于电气传动、机器人、机电控制等非传统应用领域，使得其应用领域得到很大的扩展。1942年，泰勒仪器公司的工程师Ziegler和Nich

21、ols共同提出了整定PID控制器的参数的经验公式，一般称为Ziegler-Nichols法3。其整定方法为，首先将积分和微分环节的增益设置成零，然后从零开始逐渐增加比例增益，直到达到极限增益，此时控制器输出值会出现以恒定值振荡的情况。极限增益和振荡周期根据不同的类型的控制器，按Ziegler-Nichols参数整定算法表中的方式来设置比例、积分和微分增益系数。临界比例度法又称作“闭环振荡法” ，是指在已知控制系统的临界比例增益和振荡周期的情况下，采用经验公式来整定PID控制参数。其中的特征参数和，一般通过对控制系统进行振荡实验来确定，或者根据控制过程传递函数利用频率特性分析算法直接算出，即通过

22、增益裕量确定，通过频率确定。这两种传统整定方法是将大量的实验计算或实际工程经验取得的数据集中整理得到的公式计算所得，但繁琐耗时的整定计算过程无法满足实际生产应用。以经典控制理论为基础，将先进智能控制思想融合传统PID控制得到的智能PID控制器在实际应用中可以表现出更好的控制特性。如今的PID控制器具有智能化、最优化、最适应化的发展趋势。专家PID控制的实质在于其基于对控制对象以及控制规律的各种认识的基础上，利用专家经验设计出满意的PID控制参数，实际应用中通常会根据偏差以及变化率建立起来控制量和偏差之间的映射关系。1992年，罗安等4根据专家PID控制器的设计方法利用单片机构成简单电液比例位置

23、伺服系统，取得良好的控制效果。之后国内研究人员将PID控制器广泛地应用到机器人控制、飞行器和磁悬浮控制、温度压力控制等控制领域。模糊PID控制主要由传统PID控制和模糊化模块组合而成。模糊PID控制器的系统输入量为误差和误差变化率，可以使得整定PID控制器参数过程中不同时刻的和的要求都能得到满足，在运行中不断地测量和值，根据已确定的模糊控制规则来在线调整控制参数,以期系统在和取值改变时能够满足控制要求。1992年，涂象初等5在优化模糊PID控制规则的前提下针对广义对象，运用模糊PID控制对比于传统PID控制，仿真对比结果表明了模糊PID控制具有相当良好的结果。近几年模糊PID控制领域相关研究取

24、得突破性进展。模糊PID控制已经成功应用到电机控制、电力电子、温控系统等工业应用中。神经网络PID控制是基于人工神经网络的智能控制。主要是利用神经网络具有的任意非线性描述能力经过学习控制系统的性能来实现最优PID控制。其中神经网络一般可以采用单神经元网络、BP神经元网络、RBF神经网络、Hopfield神经网络等。2000年以来，神经网络PID控制发展方兴未艾.2001年，胡凌燕等6将PID控制结合神经网络后提出了一种带预测模型的神经网络PID控制器，针对于控制工业过程中的时滞控制系统以及模糊数学模型的控制系统，运用该神经网络PID控制器仿真模型参数缓变的系统，能够取得良好的控制效果。混沌PI

25、D控制基于混沌运动的遍历性和随机性的特点，这决定了其能在给定的一定范围内按其自身规律不重复地遍历搜索所有状态。这样可以利用混沌算法实现PID控制器参数整定的规范化。1999年，王洪瑞等7在论文中提出了一种混沌PID控制方法，并应用来进行GJ型类辐射加热炉的温度控制，结果证明混沌PID控制器能够满足系统性能指标，控温效果良好。之后在2006年左右国内相关研究较多，主要应用于温度控制、轮机调速等工业应用。遗传算法PID控制由基于模仿自然界遗传选择机制和生物进化论的遗传算法结合PID控制发展而成。其思想先将PID控制器参数构成基因型，将理想的性能指标构造成相应的适应度，这样利用遗传算法就可整定PID

26、控制器的最优参数，并且对控制系统是否连续可微不作要求。1997年，苏小林等8提出了基于遗传算法来实现优化PID参数，论文给出了PID参数遗传算法寻优步骤，就应用于所给模型对比单纯性法寻优结果，表明了遗传算法PID控制显得更为有效。90年代以来国内遗传算法PID控制随着理论研究的不断深入得到广泛的应用，其主要体现在航空航天、化工生产、电力控制等多领域。 目前智能控制领域日趋呈现相互交叉、相互渗透的发展趋势，相应的产生了遗传算法神经网络PID控制、专家模糊PID控制等糅合性智能PID控制。这些创新性理论的逐步完善必将带来智能控制领域一次飞跃性革命。1.4 论文的主要研究内容论文主要工作是研究遗传算

27、法在直流伺服电机PID控制器参数整定过程中的优化，论文主要内容安排如下：第1章 绪论主要介绍了课题背景和研究目的意义以及国内外研究现状。第2章 简介直流伺服电机的物理模型及其参数意义，分析直流伺服电机的数学模型包括其基本方程组以及其传递函数。第3章 阐述PID控制器基本原理，介绍了衡量PID控制系统的四个主要性能指标。第4章 首先，论述遗传算法概要，包括遗传算法的起源及发展、应用领域以及涉及的遗传学基本概念；其次，阐述遗传算法的应用步骤；最后给出了基本流程图。第5章 首先介绍了MATLAB及Simulink仿真环境；其次，将遗传算法应用于整定优化直流伺服电机PID控制器参数设计，包括原理、流程

28、图、步骤和结构图；最后使用MATLAB对其进行仿真实验得到仿真曲线，并且与使用MATLAB下Simulink工具箱中Signal Constraint模块整定后的仿真曲线进行对比。第6章 对论文所做工作进行总结。第2章 直流伺服电机模型建立论文选取的研究对象为过程控制设计中常用的直流伺服电动机。作为直流电机的一种，可以实现电能转换成机械能。其功能是将给定的控制信号转换成转速或者位移信号，在此基础上实现精确的转速控制或是定位控制。直流伺服电动机作为控制电机之一，常被用做数值控制机构、机械手臂或者定位伺服控制系统中的动力源。2.1 直流伺服电机的物理模型直流伺服电机中绕组分为励磁绕组和电枢绕组，通

29、常由励磁绕组励磁，由电枢绕组进行控制。本论文中相关研究即采用此类直流伺服电机，其物理模型与参数如图1所示：图1 直流伺服电机的物理模型其中: 电枢绕组上的端电压（V）； 感应电动势（V）； 电枢回路的电流（A）； 电枢回路的电阻（）； 电枢回路的电感（H）； 电机输出转角（rad）； 电机电磁转矩（）； 电机转动惯量（）； 粘性阻尼系数（）.2.2 直流伺服电机的数学模型2.2.1 电机的基本方程组根据牛顿第二定律和基尔霍夫定律对图1所示的电机列出基本方程组： （2.1） （2.2） （2.3） （2.4）其中：是指直流伺服电机的转矩系数；是指直流伺服电机的反电动势系数。2.2.2 电机的传递

30、函数对式（2.1）（2.4）进行Laplace变换，得到 （2.5） （2.6） （2.7） （2.8）消去方程组的中间变量，整理得到电机系统的传递函数 （2.9）其中为了增加阻尼使得响应特性得到一定的改善，工业用的伺服电机结构通常选择使用低电感的材料来制作，从而可以使得电枢电感上达到很小，即公式(2.9)中在负实数轴上的极点会远离原点，因为这个极点所引起的暂态会消失得很快。因此可以令，从而化简式（2.9）得到 （2.10）其中：， 论文中, 则直流伺服电机的传递函数如下: （2.11）第3章 PID控制器PID控制作为工业控制中应用最为广泛的策略之一，原因在于其具有简单的控制算法、较强的鲁棒

31、性以及良好的可靠性等优点，由此广泛应用到运动控制和过程控制当中，尤其针对可以建立起精确的数学模型的确定性系统具有良好的控制效果。PID控制器参数的整定优化因此逐渐成为研究人员关注的研究课题，它对最终控制效果的好坏能够起到直接的影响，同时也影响到系统的安全性、运行经济性等多方面。但是一个非常困难的问题一直以来制约着它的发展，尤其体现在对具有严重不确定性的系统的控制，通常需要经验丰富的工程技术人员来调整其参数，这样既费时又耗力，同时考虑到实际应用系统千差万别，从而使得PID参数的整定优化具有很大难度。目前，随着计算机技术和现代智能控制理论的发展，产生了许多改进的PID控制，如专家PID控制、神经P

32、ID控制、模糊PID控制、灰色PID控制和基于遗传算法整定的PlD控制等9。3.1 PID控制器基本原理典型PID控制系统原理框图如图2所示，控制系统由PID控制器和被控对象两部分组成。 -+比例积分被控对象微分图2 PID控制系统原理框图PID控制器是一种常见的反馈回路部件，它根据输入既定值与实际输出值构成偏差：，将所得偏差的比例(PProportional)、积分(IIntegral)和微分(DDerivative)通过有机组合构成控制量，以此对被控对象进行控制，因此称为PID控制器。其控制规律为： 式中： 比例系数； 积分时间常数； 微分时间常数。PlD控制器各校正环节的作用如下10：比

33、例环节即时成比例的反映控制系统的偏差信号，偏差一旦产生，控制器立即产生控制作用，以减少误差。积分环节主要用于消除静差，提高系统的无差度。积分作用的强弱取决于积分时间常数，越大，积分作用越弱，反之则越强。微分环节能反映偏差信号的变化趋势，并能在偏差信号变得太大之前，在统中引入一个有效的早期修正信号，从而加快系统的动作速度，减少调节时间。 3.2 PID控制系统主要性能指标衡量某个已知的确定的PID控制系统性能好坏的主要性能指标有：上升时间、调节时间、超调量和稳态误差。其中上升时间是指控制系统实际输出响应从正常输出终值的10上升到正常输出终值90时所需要的时间；调节时间，是指控制系统实际输出响应值

34、稳定到正常输出终值的5(或2)内时所需要的时间；超调量是指控制系统实际输出响应的最大偏差值与正常终值的差与正常终值的比值；稳态误差是指控制系统达到稳态时的输出响应值与正常终值差的绝对值与正常终值的比值。这四个参数集中能够反映系统响应输入的能力和鲁棒性，通过这四项性能指标就可以判定这个控制系统性能的好坏程度。第4章 遗传算法遗传算法（Genetic Algorithms，GA）是1962年由美国Michigan大学的J.H.Holland教授提出的一种模仿自然界遗传选择机制和生物进化论形成的并行性随机搜索最优解的方法。它是以自然选择结合遗传理论作为基础，将自然界生物进化过程中“优胜劣汰，适者生存

35、”思想结合种群中个体内部染色体信息随机交换机制形成的全局搜索算法。4.1 遗传算法概要4.1.1 遗传算法的起源及发展Holland早期主要集中研究动态系统在生物学、控制工程、人工智能等领域中的适应性课题，其中适应性这一概念主要是指系统结构在环境中表现出较好性能的逐渐变化过程，被称作系统的适应过程。Holland指出通过简单的遗传学的模拟机制可以描述复杂变化的适应性渐变现象。据此，Holland试图建立起来系统在适应过程中的通用描述模型，并利用计算机来建立模拟试验进行研究，就实验结果分析了系统随着环境变化出现的适应性渐变现象，遗传算法是其中的一种相对比较形象具体的算法表现形式。Bremerma

36、nn，De Jong等人则强调对于参数优化的问题应用遗传算法解决，有力地推动了遗传算法的实际应用。因此，遗传算法不仅仅是一种对自然系统在进化过程中虚拟出来的运算模型，同时也是一种解决优化问题方面通用的适应性搜索方案。1962年，John Holland在概述自适应系统的逻辑理论一文中，提出了监控程序的概念，即提出了利用群体进化来模拟适应性系统的思想。虽然文章没有给出实现这些思想的具体方法，但创造性地引进了群体、适应值、选择、交叉等基本遗传学概念。1966年，Fogel等人在其文章中也提出了类似的思想，但是其重点是选用变异算子而放弃采用交叉算子。1967年，Holland的学生J.D.Bagle

37、y利用对跳棋游戏中参数的研究，在其发表的学位论文中首次创造性地提出了“遗传算法”这一概念，此后，Holland指导其学生完成了多篇有关遗传算法方面研究的论文。在20世纪60年代中期至70年代末期，利用自然进化的思想遭到了质疑和反对。Holland及其数位博士一直坚持这一领域的研究。Holland在1975年出版了专著自然系统与人工系统中的自适应（Adaptation in Natural and Artificial Systems），被看作是系统论述地遗传算法的第一本专著，国际上普遍将1975年作为遗传算法的诞生之年。该书系统论述了遗传算法的基本理论和应用方法，提出了极大影响遗传算法的理论研

38、究和应用发展的模式理论（schematheory），该理论第一次强调了遗传操作中通过结构重组才能更好地获得隐并行性。同年，K.A.DeJong完成了他的博士论文一类遗传自适应系统的行为分析（AnAnalysis of the Behavior of a Class of Genetic Adaptive System）。该论文中所做的研究工作在遗传算法的发展进程中具有里程碑意义，原因在于他把Holland的模式理论与自己的计算实验相结合。虽然DeJong和Hollstien主要都是侧重于研究函数优化的应用，但他在论文中将选择、交叉和变异操作过程进行了进一步完善和系统化，同时创造性地提出了代沟（

39、generationgap）等一系列新的遗传操作技术。可以看到，DeJong的研究工作为遗传算法及其实际应用奠定了坚实的基础，他所得出的遗传算法方面相关结论，对如今遗传算法领域相关研究仍具有重要的指导意义。1989年，Holland的学生David Goldberg著作出版了搜索、优化和机器学习中的遗传算法（Genetic Algorithms in Search,Optimization and Machine Learning）。该书全面系统地总结了遗传算法领域研究所取得的主要成果，全面而详细的阐述了遗传算法及其实际应用。同年，美国Stanford大学的Koza根据自然选择原则首次提出了利

40、用层次化的计算机程序来描述问题的遗传程序设计(geneticprogramming,GP)方法，理想地解决了领域内相关问题。随着遗传算法领域研究及其应用的不断深入发展，相关国际性学术会议要不断得到开展。1985年，在美国召开了第一届遗传算法国际会议 (International Conference on Genetic Algorithm，ICGA)，会议上成立国际遗传算法学会（International Society of Genetic Algorithm,ISGA），以后每隔一年举行一次。在欧洲，从1990年开始的每两年举办一次Parallel Problem Solving fro

41、m Nature学术会议，其中遗传算法是会议讨论的主要内容之一。另外，国际学术会议Foundations of Genetic Algorithms也是以遗传算法的理论基础为中心，该项会议从1990年开始也是每两年召开一次。在这些国际会议产生的论文集中可以反映出遗传算法领域近些年来的最新发展动向。1991年，L.Davis出版发行了遗传算法手册（Handbook of Genetic Algorithms），其中阐述了大量将遗传算法应用到社会生活和工程技术中的案例。1992年，Koza发表的专著遗传程序设计:基于自然选择法则的计算机程序设计。1994年，其又出版了遗传程序设计，第二册:可重用程

42、序的自我寻找，书中深入探讨了遗传程序设计的研究工作，展现出程序设计自动化新局面。1993年，麻省理工学院出版社创刊了在遗传算法方面具有权威影响的新杂志EvolutionaryComputation。1997年，IEEE创刊了权威期刊Transactions on Evolutionary Computation。这些众多的研究人员、频繁的国际学术交流活动以及权威的期刊杂志能够集中反映遗传算法具有高端的学术意义和广泛的应用价值。目前，遗传算法已经发展成为了一个综合多领域、多学科的重要研究方向。4.1.2 遗传算法的应用领域遗传算法基于全局的搜索策略和优化搜索方法在运算时可以做到不依赖于梯度信息以

43、及其它辅助知识，而只需要确定下来影响其搜索方向的目标函数以及相应的适应度函数，由此在研究求解复杂系统问题中遗传算法可以作为一种通用框架，它可以做到不依赖于求解问题的具体领域，对所求问题的类别具有很强的鲁棒性，正是如此使得其可以广泛应用于众多科学研究工作，下面将介绍遗传算法一些主要的应用领域：（1）函数优化 函数优化一直以来都是遗传算法的经典应用领域，通常也可用于遗传算法进行性能评价 11，研究人员构造出了多种复杂形式的测试函数：连续函数和离散函数、凹函数和凸函数、高维函数和低维函数、单峰函数和多峰函数等。针对于一些非线性、多目标、多模型的函数优化课题，使用其它的优化方法可能较难求得最优解，而应

44、用遗传算法可以方便的得到相对较好的结果。（2）组合优化 组合优化问题的搜索空间随着实际求解问题规模不断增大而急剧扩展，目前的实际应用中在运算上利用枚举法求得最优解显得甚是艰难。针对这一类复杂的问题，研究人员将主要研究方向集中于寻求问题满意解上，而遗传算法已经验证是寻求问题满意解的最佳工具之一。实践表明，遗传算法应用优化组合优化中的NP问题取得显著效果12。遗传算法已经成功应用于求解旅行商问题、装箱问题、背包问题、图形划分问题等。（3）生产调度 在许多情况下生产调度问题难以精确地建立起数学模型，往往经过一系列简化之后也可以求解但会因为简化的原因从而使得求解结果与实际问题相差较大。目前在现实生产中

45、主要是依靠于从事生产人员的实践经验来进行具体调度。复杂调度问题的解决过程中遗传算法已经发展成为高效的工具13。遗传算法有效地应用于部件生产调度、车间流水线生产调度、企业生产规划、生产任务人员分配等多方面。（4）自动控制 在自动控制领域中亟需求解很多优化类的问题。而遗传算法在这方面已经得到了一定的应用，结果也显示出理想的效果。例如使用遗传算法来优化高速铁路控制系统、将遗传算法应用到模糊模型的控制器的优化设计中14、将遗传算法应用于参数辨识过程中、利用遗传算法来优化设计神经网络控制系统的结构等都表明了遗传算法可以应用于自动控制领域中。（5）机器人学 机器人作为一类实际应用中难以建立起精确模型的复杂

46、的人工智能系统，而从遗传算法的起源中可以看出其来自对人工自整定系统的研究。因此，遗传算法可以成功地应用于机器人学领域。比如，遗传算法已经研究应用于机器人的移动路径规划15、关节机器人运动轨迹的规划、机器人逆运动学中的问题求解等方面。（6）图像处理 图像处理是计算机视觉中的主要研究领域。在图像处理过程中，如扫描数字化输入、边缘检测、图像分割等无法避免地会存在一定的误差，因而影响到图像最终的处理效果。衡量计算机视觉能否达到实用效果的重要要求就是如何使得处理过程中的误差达到最小化。在图像处理过程中的优化计算方面完全可以使用遗传算法进行处理。目前遗传算法已经在模式识别（包括汉字识别）16、图像恢复、图像特征提取等领域得到了实际应用。（7）人工生命 人工生命是基于计算机软件工程、人工智能技术等模拟或构造出的具有自然生物系统所特有行为的人工模拟生命系统。人工生命与遗传算法有着密不可分的关系。研究人工生命现象过程中将基于遗传算法的进化模型作为其重要的基础理论17。遗传算法已经在人工生命的繁殖模型、自组织模型、进化模型等多方面其实际应用能力已经得到初步的显示，并且其研究应用及发展还将会不断地深入。人工生命与遗传算法互促发展，人工生命研究中遗传算法可以被当作有效的工具之一，同时人工生命的研究也推动了遗传算法的不断向前发展。（8）遗传编程 美国Stanford大学的Koza教授发展了遗传程序设计的概