时间：2022-11-21 03:19:50
序论：速发表网结合其深厚的文秘经验，特别为您筛选了11篇遗传算法论文范文。如果您需要更多原创资料，欢迎随时与我们的客服老师联系，希望您能从中汲取灵感和知识！
2遗传算法在计算机网络可靠度优化计算中的应用研究
2.1遗传运算方法
在计算机网络中遗传运算主要是以变异和交叉这两种方式进行。交叉主要是通过在网络结点的范围（[1，N]）之间的随机数，以此作为基因交叉位置的设置且一次只可以操作一个结点。这样能够最大程度地确保网络的连通性，但也有可能出现错的连通结构，所以进行调整操作；变异则是先确定基因的变异和数目，然后再根据范围来选择新的基因段替换旧基因段生成后代。一般变异率都在0.001到0.01内，如是变异出现了错误的网络连通结构基因，就必须进行相应的调整。
1．1动力学休止角(γ)［4，10］抄板上的物料表面在初始状态时保持稳定，直到物料表面与水平面的夹角大于物料的休止角(最大稳定角)时才发生落料情况。随着转筒的转动，抄板上物料的坡度会一直发生改变。当物料的坡度大于最大稳定角时，物料开始掉落。此时，由于物料的下落，物料表面重新达到最大稳定角开始停止掉落。然而，抄板一直随着转筒转动，使得抄板内物料的坡度一直发生改变，物料坡度又超过最大休止角。这个过程一直持续到抄板转动到一定位置(即抄板位置处于最大落料角δL时)，此时抄板内的物料落空。通常，在计算抄板持有量时，会采用动力学休止角来作为物料发生掉落的依据，即抄板内的物料坡度超过γ时，物料开始掉落。该角主要与抄板在滚筒中的位置δ、动摩擦因数μ和弗劳德数Fr等有关。
1．2抄板持有量的计算
随着抄板的转动，一般可以将落料过程划分为3部分(R－1，R－2，R－3)，如图1(a)所示。在转动过程中，当抄板转角δ超过动力学休止角γ时，落料过程从R－1区域转变到R－2区域，在这两个区域内，物料不仅受到抄板的作用还受到滚筒壁面的作用。当物料表面上的A点与D点重合时，从R－2区域转变到R－3区域，在该区域内，物料仅受抄板作用［4］。然而，抄板情况为图1(c)、图1(d)时只会经历R－1、R－3区域。因为在运转过程中，抄板上物料的A点与D点重合时抄板的转角不会超过动力学休止角γ，所以不会经历R－2区域;但是，当物料的休止角足够小时，由于物料表面只会与抄板接触(即A点不会超出D点)，图1(c)、图1(d)的抄板落料过程只会经历R－3区域。以下根据不同的区域建立了不同组合下抄板持料量的数学模型。
2研究结果与分析
2．1最大落料角结果分析
通过MatLab编制以上推导公式的计算程序，模拟计算了120种不同组合(β、θ、a不同)下抄板的最大落料角。其中，物料动摩擦因数为0．53［8］，转筒干燥机半径为300mm，且其抄板安装角为10°、30°、50°、70°、90°、110°，抄板间夹角为90°、110°、130°、150°，抄板纵向长度a为30、45、60、75、90mm，横向长度b为60mm。并且，根据Kelly和O＇Donnell通过验证得出的公式(1)只适用于Fr小于0．4的情况［4］，此次模拟的转筒干燥机角速度为0．84rad/s。表1给出了模拟结果中较为典型的数据。从模拟结果中可以得出，当a、θ不变时，δL随着安装角β的增大而增大;当a、β不变时，δL随着θ的增大而减小。当抄板情况如图1(a)、(b)、(c)时，且β、θ不变时，抄板最大落料角随着长度a的增大而增大;而图1(d)情况则反之，并且会出现最大落料角小于0°的情况，这是由于抄板无法抄起物料所导致的结果。另外，在图1(d)情况下，抄板的最大落料角非常小，这会使得干燥器的效率很低。因此，在探讨抄板优化问题上，不考虑图1(d)这种情况下的抄板。
2．2优化目标与结果分析
水平直径上均匀撒料虽好，但是物料应与热气均匀接触，如果在路径长的地方撒料多些，就可以使热效率高些。又因为圆筒中心热气量比边缘多以及在圆筒下半部分超出干燥圆的区域存在物料，所以落料均匀度考虑为物料在干燥圆横截面积上撒料均匀。评判干燥圆横截面积上落料均匀的具体方法如下:把干燥圆横截面积划分20个等分，以水平直径为X轴，铅垂直径为Y轴，圆心O为原点，采用定积分方法求解每个划分点的x坐标，每个划分点的铅垂线与干燥圆壁面(上半部分)有一个交点，连接圆心与每个点，可以得出每条连线与X轴的夹角δi(i=1～21，步长为1，δ1为0°)，如图2所示。在合理的设计下，不仅希望落料过程中抄板在干燥圆面积上撒料越均匀越好，δL也应越接近180°越好。因此，优化函数为最大落料角和抄板在干燥圆而积上落料的均方差。并且，根据国内外实际情况，抄板的安装角一般为90°并且抄板间夹角一般不为锐角，由于机构的限制和不考虑图1(d)的情况，在研究抄板优化问题时只探讨安装角在70°～110°、抄板夹角在90°～130°以及抄板纵向长度在30～90mm之间的情况。其余参数同上。采用了线性加权和法来求解此多目标优化结果。其中，f1为1/δL的最优化值，f2为q的最优化值;均方差q=(1n∑ni=1(qi－qa)2)12，每相邻角度落料面积差qi=A(δi)－A(δi+1)，qa为面积差的平均值。当δL≤δi+1－δi2，n=i;反之则n=i+1，且δi+1=δL。s1、s2为权重系数，由于干燥器的效率主要与抄板的撒料均匀有关，但是如果落料角很小、撒料很均匀，干燥器效率也不高，综合考虑下，取s1、s2分别为0．4、0．6。通过编写MatLab程序，确定优化函数，然后采用MatLab遗传算法工具箱进行计算，设置相关参数:最大代数为51，种群规模为20，交叉概率为0．2，选择概率为0．5。运行算法并显示结果，β、θ、a较优结果分别为:1．844rad、1．571rad、51．609mm。
0引言
遗传算法是一种较新的全局优化搜索算法，它使用了群体搜索技术，用种群代表一组问题解，通过对当前种群施加选择、交叉和变异等一系列遗传操作，从而产生新的一代种群，并逐渐使种群进化到包含最优解或近似最优解的状态。但由于算法复杂度的限制, 遗传算法虽然能以概率收敛到全局最优解，其局部搜索速度和精度并不能得到很好的保证。近几年来遗传算法作为优良的全局寻优方法日趋成熟,尤其是和其他寻优方法的结合,进一步提高了遗传算法的性能，其中借助于混沌改进遗传算法的性能,是近年来遗传算法领域研究的热点之一，遗传算法和混沌优化的组合,可以使遗传算法的全局寻优能力,搜索精度,搜索速度等几方面得到较明显的改进。
1混沌的特征和虫口方程
混沌是存在于非线形系统中的一种较为普遍的现象。混沌并不是一片混乱，而是有着精致内在结构的一类现象。混沌运动具有遍历性、随机性等特点，混沌运动能在一定的范围内按照其自身的规律不重复地遍历所有状态。因此，如果利用混沌变量进行优化搜索，无疑会比随机搜索更具有优越性。
描述生态学上的虫口模型Logistic映射自May于1976年开始研究以来，受到了非线形科学家的高度关注，Logistic映射是混沌理论发展史上不可多得的典范性的混沌模型，如下式所示：
2混沌遗传算法
GA较传统数学优化方法更易找到全局最优解，但对于一些问题也存在过早收敛、收敛速度较慢、难以找到较精确解的情况。因此，本文通过Logistic映射及相关混沌理论提出了一种运算性能较好的混沌遗传函数优化算法。混沌遗传算法(CGA)的主要步骤如下：
1.初始化:预先确定运行参数，包括：种群规模M，交叉概率pc，变异概率pm，最大迭代次数n。随机产生一个分布均匀的初始群体(包含n个初始解)，计算各个个体的适应度值；
2.采用比例选择算子对当前种群进行选择操作，实现强留劣汰；
3.对当前种群进行交叉运算。将种群内个体两两随机组合，对每个配对的组合，首先由系统随机生成一个(0,1)之间的数，由交叉概率决定是否交叉。论文参考。论文参考。若交叉，则采用映射生成的序列经简单映射后利用高斯函数来决定交叉位置，否则，看下一对组合。所有的交叉位置由一个混沌序列即可决定；
5.若终止条件满足，则算法中止，否则转向步骤(2)。
本文尝试在将改进后的遗传算法与混沌优化算法相结合，提出一种基于混沌理论的混合遗传算法，算法的流程如下页流程图所示：
图1 改进后的混沌遗传算法（ICGA）流程图
3仿真分析
本文选用一维和多维多峰值函数为例，见表1，用遗传算法（GA）、混沌遗传算法（CGA）和本文算法（ICGA）进行比较研究。
表1 测试函数
实验结果比较如下（以下图纵坐标表示最大适应值，横坐标表示演化代数）
图2 f2实验结果比较示意图图3 f3实验结果比较示意图
从图2、图3的比较结果看，本文中算法初始种群较好，进化开始就能找到高的最大值，加快搜索的速度，整个算法的寻优结果比遗传算法好。论文参考。考虑到算法中使用了随机操作，仅仅由一次实验得到的结果是不能够充分说明问题的，因此，再进行统计比较。本文中进行了20次统计实验。比较结果如表2
中图分类号:TP18 文献标识码:A 文章编号:1674-7712 (2012) 12-0176-01
一、引言
遗传算法不同于传统寻优算法的特点在于:遗传算法在寻优过程中,仅需要得到适应度函数的值作为寻优的依据;同时使用概率性的变换规则,而不是确定性的变换规则;遗传算法适应度函数的计算相对于寻优过程是独立的;算法面对的是参数的编码集合,而并非参数集合本身,通用性强。它尤其适用于处理传统优化算法难于解决的复杂和非线性问题。[1]
目前,GA已经在很多领域得到成功应用,但随着问题规模的不断扩大和搜索空间的更加复杂,GA在求解很多具体问题时往往并不能表现出其优越性。于是,近年来便出现了遗传算法与其它理论相结合的实践,其中遗传算法与量子理论的结合是一个崭新的、极富前景和创意的尝试。
量子遗传算法QGA是量子计算特性与遗传算法相结合的产物。基于量子比特的叠加性和相干性,在遗传算法中借鉴量子比特的概念,引入了量子比特染色体。由于量子比特染色体能够表征叠加态,比传统GA具有更好的种群多样性,同时QGA也会具有更好的收敛性,因此在求解优化问题时,QGA在收敛速度、寻优能力方面比GA都将有较大的提高。QGA的出现结合了量子计算和遗传算法各自的优势,具有很高的理论价值和发展潜力。
本论文提出用量子遗传算法处理和解决多目标分配问题,为多目标问题的解决提供一种新的思路。
二、量子遗传算法
在传统计算机中,信息存储是以二进制来表示,不是“0”就是“1”态,但是在量子计算机中,充当信息存储单元的物质是一个双态量子系统,称为量子比特(qubit),量子比特与比特不同之就在于它可以同时处在两个量子态的叠加态,量子进化算法建立在量子的态矢量表述基础上,将量子比几率幅表示应用于染色体的编码,使得一条染色体可以表示个态的叠加,并利用量子旋转门更新染色体,从而使个体进达到优化目标的目的。
一个 位的量子位染色体就是一个量子位串,其表示如下:
其中 。在多目标优化中,一个量子染色体代表一个决策向量,在量子态中一个 位的量子染色体可以表达 个态,采用这种编码方式使得一个染色体可以同时表达多个态的叠加,使得量子进化算法比传统遗传算法拥有更好的多样性特征。
为了实现个体的进化,经典进化算法中通过染色体的交叉、变异操作推进种群的演化,而对量子进化算法而言,量子染色体的调整主要是通过量子旋转门实现的,算法流程如下:
(1)进化代数初始化: ;
(2)初始化种群 ,生成并评价 ;
(3)保存 中的最优解 ;
(4) ;
(5)由 生成 ;
(6)个体交叉、变异等操作,生成新的 (此步可省评价);
(7)评价 ,得到当前代的最优解 ;
(8)比较 与 得到量子概率门 ,保存最优解于 ;
(9)停机条件 当满足停机条件时,输出当前最优个体,算法结束,否则继续;
(10)以 更新 ,转到4)。
三、基于量子遗传算法的多目标分配应用
如今为了满足市场的需要,很多工厂的生产种类多、生产量大,从而设置了不同的生产车间,根据产品的性质分配生产车间合理与否直接影响工厂的经济收益,这同样可采用遗传算法的目标分配方法进行分配。
模型构建:设工厂有i个生产车间。 为在第i个车间生产第j种产品的收益, 为第j种产品的需求量;如果第j种产品被选中,则 为在第i个车间生产该产品的总收益。由题意知为求解 最大问题。
仿真实例:设有10个生产车间,要生产15种产品,用Matlab程序编程,设定40个粒子,迭代200次,代沟0.9。运行结果如下:
此图表明经200次迭代后的目标分配方案为:第1种产品由第3个车间生产,以此类推,车间5生产第2种产品,车间8生产第3种产品,……。次方案对应的车间总收益值为2.7030e+003,成功进行了多目标分配问题的解决。
四、结论
基于量子遗传算法的多目标分配,为多目标分配突破传统寻优模式找到了一个可行的解决方法。根据这种方法实验,仿真结果可以看出,基本符合要求,并且能够在一定的时间内得到最优的分配方案,因此,本文在探索多目标分配问题上找到了一种新的解决思路。
参考文献:
[1]吉根林.遗传算法研究综述[J].计算机应用与软件,2004,21(2):69-73
[2]肖晓伟,肖迪.多目标优化问题的研究概述[J].计算机应用研究,2011,3,28(3):805-808
中图分类号:TP3文献标识码:A文章编号:1671-7597(2009)1110086-01
一、引言
网格计算是在Internet上的一组新兴技术,利用共享网络提供强大的计算能力,任务调度系统是其重要的组成部分,它根据任务信息采用适当的策略把不同的任务分配到相应的资源节点上运行。由于网格系统的异构性和动态性,使得任务调度变得极其复杂。
在过去学者已经成功地把各个人工智能算法应用到网格任务调度系统中,如神经网络、蚁群算法、min-min算法等,并取得了巨大的成果,但由于系统通常不会处于以单一状态中以人们所期望的状态发展,从而导致了任务调度的复杂性,服务器由于工作任务的不确定导致在网格任务的运行过程当中,可能会因为其他原因导致网格任务执行的失败,同时也会导致服务器的运行错误。对于这种情况,过去的任务调度算法并没有考虑,所以本文结合支持向量机(SVM)与遗传算法对动态资源进行预测,从而达到自适应的目的。
支持向量机可以成功地处理回归问题和模式识别等问题。支持向量机将向量映射到一个更高维的空间里,在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面。建立方向合适的分隔超平面使两个与之平行的超平面间的距离最大化。其中支持向量机的关键是核函数的选取,本论文为了得到精确的数据,选用径向基(RBF)核函数来进行。
在任务的分配方案中,本论文选择了遗传算法进行任务调度,遗传算法(Genetic Algorithm)是一种通过模拟自然进化过程搜索最优解的方法。遗传算法是从代表问题可能潜在的解集的一个种群开始的,而一个种群则由经过基因编码的一定数目的个体组成。初代种群产生之后,按照适者生存和优胜劣汰的原理,逐代演化产生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。在本论文中就是利用遗传算法的这一特性来对任务进行调度分配。
二、基于性能预测机制的遗传算法任务调度总体框架
在调度框架中,为了使调度算法可以先对重要任务或资源紧急的任务进行快速处理,所以引入了QoS机制,对每个任务进行QoS计算,对QoS进行排序,把QoS最高的任务首先输入调度系统,优先执行。
1.对初始任务的QoS进行排序,然后按顺序输入到任务调度系统的任务群中。
2.在得到排序后的任务群后,利用以往的网格节点状态数据进行SVM的分类预测,估计服务器的运行情况,以调整遗传算法的系统参数。
3.利用遗传算法对任务进行调度。
4.调度任务运行,并且记录实际结果,不断调度任务,直至任务队列为空。
三、基于支持向量机的网格节点性能预测模型
本文讨论的网格框架作为一个纯计算网格的框架,显然网格节点需要要比其他服务器拥有更快的速度、更大的内存,在通常条件下这些服务器都用在商业或科研环境下,而并非私人使用,所以服务器负载具有十分明显的周期性。
经过实验证明,该模型可以对网格节点负载进行有效预测。
四、基于遗传算法的任务调度算法
在网格计算中,任务调度的实质是将n个相互独立的任务分配到m个异构可用资源上,使得总任务的完成时间最小以及资源得到充分的利用。具体描述如下:
1.J是n个需要调度的任务集合,表示第个任务。
2.R是m个可用资源集合,表示第i个资源。
3.n个任务m个不同资源上的执行时间 是一个 的矩阵。
表示第i个任务在第j个资源上的执行时间。
4.把任务i所需要的数据从存储系统传输到资源j的传输时间为
。
5.所有任务都执行完成的时间为时间跨度(),即
由于网格任务调度的目标是时间跨度尽可能的短,因此适应度函数可以定义为:
而染色体的编码则用二进制编码方式来完成,把一个任务调度矩阵转化为一个一维的二进制数列。
五、网格调度实验
在实验中,任务的CPU时间为0到100的随机数,内存为0到900的随机数。在代表程序运行之前,最大等待时间以70步长的时间随机递增,以提供一系列的任务。网格节点CPU最大时间为1000到3000的随机数,总体内存为4000到12000的随机数。
从上表可知,在10次的试验中,遗传算法整体上任务调度性能比min-min算法优越,其中遗传算法的运行时间均比min-min算法的运行时间少,而且在任务的丢弃方面,遗传算法的任务丢弃数量也比min-min算法的任务丢弃少。从而表明遗传算法比min-min算法有着更优秀的执行效率。
六、结论
本论文对基于动态资源预测的遗传算法进行研究,实验验证了该算法作为调度函数的网格任务调度模型性能更加优越,不仅缩短了任务的调度时间,也增加了任务调度可靠性,整体上优于基于min-min算法网格任务调度模型。
参考文献:
[1]张颖峰、李毓麟,基于进化算法的网格计算资源管理调度系统[J].计算机工程,2003,29(15):110-111.
[2]Carretero J,Xhafa F.Use of Genetic Algorithms for Scheduling Jobs in Large Scale Grid Applications[J].ūKIO TECHNOLOGINIS IR EKONOMINIS VYSTYMAS.2006,12(1):11-17.
[3]Abraham A,Buyya R,Nath B.Nature's heuristics for scheduling jobs on computational grids[C].2000.
1 前言
对于一个粗糙集决策属性表，人们总是期望能找出所有约简或最小约简，然而一个信息表的属性约简并不是唯一的，得到信息表的包含最少条件属性的约简已被证明是NP 完全问题。由于免疫遗传算法在NP问题领域取得了比较好的效果，论文提出了一种基于免疫遗传算法的粗糙集属性约简算法，实验结果证明该算法是有效的，可快速收敛到全局最优解。
2 属性约简的免疫遗传算法设计
2.1 染色体编码
采用传统的二进制编码，即若决策表中有N个待约简的条件属性，算法产生一个长度为N的0-1二进制串，每一位代表一种对条件属性的取舍，1表示采用该位上的条件属性，0则表示不采用。
2.2 初始种群的产生
初始种群设置的好坏直接影响到最后的求解效果。任何一个信息表或决策表的相对核都包含在所有相对约简当中，即具有唯一性。因此考虑在产生初始种群的时候使每个染色体都含有相对属性核。
2.3 适应度函数的构造
适应度函数用来评价染色体的优劣，在对每一个染色体进行适应度评价前，先要对每个染色体进行一定的调整。调整是基于属性重要度相关的某种启发式信息，给出染色体的调整步骤：
（1）计算决策表S中条件属性集C关于决策属性集D的重要度γc（D）；
（2）设C'为当前染色体采用的条件属性集，计算条件属性集C'关于决策属性集D的重要度γc'（D）；
（3）比较γc（D）和γc'（D）的大小，若γc'（D）
（4）对任意属性ai（∈C-C'）（1=1，2，…，|C-C'|），计算每一个μD（ai），令j={j|μD（aj）=max（μD （ai））}，然后将染色体上第j位上的0置为1，并且C'=C'∪{aj}，转到步骤②；
（5）调整过程结束。当染色体经过如上调整以后，就可以应用适应度函数对该染色体进行评价，适应度函数的计算公式为：
F=|C|-|C'| （5.16）
则染色体中采用的条件属性个数越少，该染色体的适应度函数值就越高，个体就越优良。
2.4 抗体产生的促进和抑制
要使适应度高的抗体进行促进，浓度高的抗体进行抑制。
抗体相似性通过抗体编码的Manhattan距离来度量。抗体X={a1，a2，…an}与抗体Y={b1，b2，…bn}之间的相似度为：
d值越大，表示两者的相似程度越低，如果d=0，则表示两个抗体完全相同。故抗体X的浓度定义为：
其中，函数D（X）表示抗体X相似度小于λ的抗体数目，λ为一给定的阈值
2.5 基于收缩精度的逐级进化策略
可以用收缩精度作为算法的停止准则，即当收缩精度小于某个比较小的正数K时算法停止进化。假设优化目标为求目标函数F的最大值，在不同的进化时期适应度函数J采用不同的形式如下：
式中α、β、k1 和k1为正数，根据优化目标的需要取不同的值。其中α 和β是为了在算法的中后期拉大群体内个体之间的差距，α
3 实例分析
在某次战斗任务中，我方使用各种常规武器对敌方6处战场目标实施打击。参与毁伤效果评估计算的我方武器“投入”和“产出”数据离散化得出一个毁伤评估决策信息表。应用改进的遗传算法进行属性约简。图1所示为免疫遗传算法求解最优约简属性向量的迭代过程。改进后的基于收缩精度的遗传算法在进化15代以后即停止搜索，得出了近似最优解。
由图1可以看出在算法的进化过程中，迭代曲线每隔几代都会变化一次。并且在算法的中后期，曲线依然出现明显变化。一方面说明算法自始自终都实现了对解空间的有效搜索，另一方面与传统算法相比，没有出现过早收敛的现象。说明改进后免疫遗传算法的科学性和有效性。
参考文献
[1]曾子林，张宏军，张睿，邢英.变精度粗糙集的逻辑解释及其约简[J].计算机应用研究，2013（05）.
[2]肖大伟，王国胤，胡峰.一种基于粗糙集理论的快速并行属性约简算法[J].计算机科学，2009（03）.
随着经济全球化趋势的加强，科学技术尤其是信息技术的发展突飞猛进，产品营销范围日趋扩大，社会生产、物资流通、商品交易及其管理方式正在发生着深刻的变革，与此相适应，被普遍认为企业在降低物资消耗、提高劳动生产率以外的“第三利润源”的现代物流在世界范围内广泛兴起，目前正在成为全球经济发展的一个重要热点和新的经济增长点。随着传统批发、交通运输、仓储业向现代物流转化，尤其是配送方式的采用，对运输成本和时间的有效控制日渐成为城市配送车辆路径问题的一项重要目标。VRP一直以来都是车辆调度所重点研究的方向。而在城市内采取的配送方式恰恰具备了VRP问题的一般特征和优化调度条件。
一、VRP模型的条件及假设
VRP问题是指按要求用多个车辆从配送中心对顾客进行配给货物。各顾客点的位置和需求量为己知，各车辆的装载质量己知，力求寻找一个好的配送方案，使得总代价最小(车辆尽量少，行车总距离尽量短，总费用尽量低等)，由VRP的定义不难看出，必须满足以下条件及假设：
1.仅考虑位置已知的单一配送中心，所有的配送车辆以配送中心为起点，并最终回到配送中心。
2.每条配送路径上各需求点的需求量之和不超过车辆的装载质量，被配送货物是可混装的货物。
3.每条配送路径的长度不超过车辆一次允许行驶的最大距离，配送中心有足够的资源以供配送，并且有足够的运输能力。
4.各个客户需求和所在地均已知，每个需求点的需求由且仅由一辆车一次送货满足。
5.满足总时间约束与时间窗口。必须在时间区间[ei,lj]访问点i客户，并允许在i处等待，车辆服务的总时间不能超过物流中心的时间约束。
6.多个客户之间存在优先关系，必须在访问客户j之前访问客户i。
二、带时间窗VRP模型的建立
基于文献一文中的模型，并考虑配送系统是一个服务系统，所提供的服务必须能够让客户方便、满意。配送系统的运作成本必须和配送系统其他性能参数综合进行考评，单纯对成本进行评价是没有任何实际意义的。需要关注和努力的是：要在保证配送满足客户要求、提升客户满意度的同时，通过各种技术和管理手段，降低运作成本。因此，本文将建立改进的运输路径模型，在传统的车辆配送成本最小化目标的基础上，兼顾客户对配送时间的要求，使车辆等待和延误时间之和最小化。
（1）
（2）
式中K――车队规模，即总的车辆数目；
k――车辆数目(k=1,2,……,K)；
N――有待访问的总的客户的数目；
O――配送中心；
Q――每辆车辆的容量，这里假设所有车辆同质，容量均为Q;
i,j――顾客数(i=1,2,……,N；j=1,2,……,N)；
T――个很大的数字；
C――每辆车单位运距的运费；
t0――车辆从配送中心出发的时间；
e0――车辆可离开配送中心的最早时间；
ei――到达客户i处规定最早到达时间；
l0――车辆返回配送中心的最晚时间；
li――到达客户i处规定最晚到达时间；
dij――从客户i到客户j的距离；
pj――每个客户单位卸货量的卸载费用；
mi――客户i的货运需求量；
tki、tkj――第k辆车到达客户i、j处的时间；
tij――连接客户i和客户j的行驶时间；
si――客户i处的服务时间；
wi――在客户i的等待时间，wi≥0。
两个决策变量如下：
这个模型通用性很强，经过参数的不同设定，可以转换为其它组合优化问题的数学模型。
三、带时间窗VRP模型的遗传算法求解
在模型的处理上，根据本文提出的模型单位标量不统一的特殊性来选择权重系数变化法，将变化后的多目标函数经分析和试验得出各个子目标函数的数量级大小并确定权重，最后加权化为单目标函数用遗传算法求解。
1.惩罚函数的引入。在以往的对含有时间窗约束的车辆配送系统的研究中，所研究的成本大多仅包含行驶成本，但事实上，还包括其它成本(如装卸搬运成本)，将时间窗约束转化为惩罚函数而体现在模型中。
式中c1――车辆在任务点处等待单位时间的机会成本。
c2――车辆在要求时间之后到达单位时间所处以的惩罚值(c1和c2的大小，要根据实际情况来定)。
2.建立适度度函数。根据遗传算法中适应度函数的特点，需要将原目标函数式变化为：
(4)
(5)
式中A*，B* ――变化后的目标函数值，取值范围为[0，1)；
Amax,Bmax――分别是原始目标函数。
适应度函数因此变化为：f(A,B)=α×A*+β×B*(6)
经过分析和实验发现，A*，B*经过处理后，A*的数量级一般是10-2，B＊的数量级一般是10-1。
3.用遗传算法求解带时间窗VRP模型。本文取α＝0.8,β＝0.2，用遗传算法进行求解。在运用遗传算法求解后，验证了该算法易于理解，对问题的依赖性较小，对其求解的函数要求简单，实现起来简单高效，若参数选择的合理，收敛速度很快，但是遗传参数的控制对于算法的收敛速度影响很大，在参数选择方面有一定难度。虽然文中使用的是根据以往学者经验选定的参数，但计算表明最优解所在“代”数的稳定性不是很好，这也是以后需要进一步研究的地方。
四、结论
在传统的车辆配送成本最小化为目标的基础上，兼顾客户对配送时间的要求，建立了带时间窗的车辆路径优化多目标模型。在对模型的处理上，将两个量纲不统一的子目标函数除以各子目标函数的最大值后使其变成无量纲的函数，并通过权重系数变化法将各个子目标函数线性加权和作为多目标优化问题的适应度函数，使得多目标优化问题转化为单目标优化问题后再用遗传算法求解。
参考文献:
[1]王 惠:引入顾客满意度求解车辆优化调度问题.大连海事大学硕士论文,2006:1～13
[2]盛丽俊:带有时间窗的车辆路径问题的优化研究.大连海事大学硕士论文,2002:13～57
中图分类号:TP273 文献标识码:A文章编号:1007-9599 (2010) 10-0000-01
BLDCM Optimization of Speed Control System Based on Hybrid Parallel Genetic Algorithm
Long Ju
(Xihua University,Chengdu610039,China)
Abstract:In this paper,brushless DC motor as a controlled object,the use of the mixed pseudo-parallel genetic algorithm (MPPGA) its speed PI controller design parameters are optimized,the algorithm searches for the conventional genetic algorithm and the premature convergence and low efficiency of the shortcomings,by steepest descent method with the pseudo-parallel genetic algorithm developed a portfolio of global optimization algorithms,and the use of MATLAB 6.5 software to follow the dynamic performance of the simulation experiments,confirmed the use of the algorithm is indeed able to play the purpose of optimizing the speed performance.
Keywords:Brushless DC motor;Mixed pseudo-parallel genetic algorithm;Matlab simulation
一、MPPGA优化PI参数数学模型的建立
(一)BLDCM转速控制系统的组成
基于MPPGA优化的无刷直流电动机转速控制系统的组成框图如上图1所示。整个系统的运行采用了双闭环的控制策略:即电流环和转速环,其中电流环采用了基本的PI控制算法设计电流PI控制器,转速环则采用了混合伪并行遗传算法(MPPGA)设计转速PI控制器。
(二)MPPGA优化数学模型的建立
无刷直流电动机转速PI控制器的设计参数为比例放大系数 和积分时间常数 。考虑到系统有两个性能指标:超调量 和调节时间 ,所以用MPPGA对转速控制器的PI参数进行优化的任务便是综合调配这两项性能指标,使之达到用户能满意的最优结果。我们以常规工程设计方法达到的指标 作为参考,通过引入设计参数的隶属度函数而合成统一的目标函数为F:
由于混合伪并行遗传算法的需要,设计参数须有一个明确的取值范围,为充分利用常规工程设计方法的合理内核,我们以常规工程设计法整定出的 的两个参数值 为中心,然后在此两个数值附近向两边拓展参数的求解空间,从而可以使遗传搜索空间大大减小,能较快搜索到最优解。综上所述,将系统优化模型归纳成方程如下:
min F(2)
约束条件(3)
; 其中 为[0,1]内选定的数值。
二、MPPGA优化PI参数的算法设计
本文应用MPPGA优化PI参数是按照如下步骤完成的:(一)运行参数设置:确定混合伪并行遗传算法的运行参数:总的种群规模N;每个子种群的规模M;最大进化代数MAXGEN;局部线性搜索运算的概率Ps。(二)初始种群的产生:随机产生初始群体 ,其中 为分组数。(三)分组计算各子群体 中个体的适应度:对第 代子种群 ,按照公式(1)和(2)计算其对应的适应度值 。(四)对各 分组进行独立的遗传运算:对子种群 中的每一个个体 依其适应度值 执行下列操作:(1)选择运算:首先找出当前各子群体中适应度最高和最低的个体,将最佳个体保留并用其替换掉最差个体,允许此时的最佳个体不参与交叉和变异而直接进入下一代,其余的个体按照其适应度值的大小进行排序,然后运用比例选择法从 中选取两个个体 和 。(2)交叉运算:按照自适应的交叉概率 的公式(4)对 和 进行自适应的交叉运算生成 和 。
[注:式中 为子种群中最大的适应度值; 为每代子种群中的平均适应度值; 为子种群中要交叉的两个个体中较大的适应度值; 之间的常数];(3)变异运算:按照自适应的变异概率 的公式(5)对 和 进行自适应的变异运算生成两个新个体 和 。
[式中 为子种群中最大的适应度值; 为每代子种群的平均适应度值; 为子种群中要变异的个体的适应度值; 之间的常数值]由产生的这M个新个体 和 组成子种群 的中间种群 ,并由这 个子中间种群 组成一个整体中间种群 。(五)局部搜索寻优:对中间种群 利用最速下降法以局部搜索概率Ps[一般取0.4-0.7之间的任一值]对其进行快速局部搜索寻优,从而得到寻优后的中间种群 。(六)再次按照公式(1)和(2)分组计算局部搜索寻优运算后的种群 中各个个体的适应度。(七)由信息交换模型进行各子中间种群 之间的信息交换,根据划分的群体,本文采用踏脚石模型来进行信息交换,根据第6步计算出来的适应度,在子中间种群中选择目前最优的个体替代其他子中间种群中最差的个体,替代后加以组合构成 代种群: ,选出第 代中适应性最强的个体 。8、运算终止条件判断:判断遗传运算的代数是否超过设定代数,没有就转到第 3步继续进行遗传运算,有则选取 作为优化后的PI参数输出。
三、仿真实验
(一)仿真参数的设置
本文所用的无刷直流电动机(24V,70W)其转速环等效被控对象为二阶传递函数
1.使用常规工程设计法整定转速PI控制器得到参数为
2.使用常规GA(NGA)对转速控制器的PI参数进行优化,其仿真参数设置如下表1所示。
3.使用MPPGA对转速控制器的PI参数进行优化,其仿真参数设置如下表2所示。
为了便于进行对比分析,将常规遗传算法(NGA)和混合伪并行遗传算法(MPPGA)优化后的PI参数代入转速控制器,运用MATLAB对其两种遗传算法下的动态跟随性能进行了多次仿真实验都得到相似的结果。
参考文献:
[1]周明,孙树栋.遗传算法原理及应用[M].北京:国防工业出版社,1999
[2]王小平,曹立明.遗传算法――理论、应用与软件实现[M],西安:西安交通大学出版社,2002
[3]龙驹.永磁无刷直流电动机转速控制系统的优化设计[M].成都:西南交通大学出版社,2006
[4]牛志华.一类混合遗传算法的研究[M].西安:西安交通大学硕士学位论文,2002
[5]刘金琨.先进PID控制MATLAB仿真(第2版)[M].北京:电子工业出版社,2004
中图分类号：G650 文献标识码：A 文章编号：1003-2851（2012）-09-0180-01
遗传算法[（genetic algorithm，GA）是一种自适应大规模并行搜索优化算法，较以往传统的搜索算法具有使用方便、鲁棒性强、便于并行处理等特点，因而广泛应用于解决搜索和优化的问题。但由于遗传算法不能很好地维持解种群中个体的多样性，易趋于“早熟”收敛而陷入局部最优解。因此，遗传算法不能保证一定能找到问题的全局最优解，目前公交公司各车队的排班主要依靠工作人员的经验手工进行，虽然它具有一定的实用性，但它存在着明显的不足，很难保证排班的结果在运营效率等方面是最优或者接近最优的。为满足实际应用需求，采用智能化算法来求解车辆调度优化问题，在有限的算法步骤内，找出所有满足约束条件的排班方案中的最优方案或接近最优的方案。
一、遗传算法
1.遗传算法简介
遗传算法（Genetic Algorithms，GA）是一种基于自然选择和基因遗传学原理的自适应全局优化概率搜索方法。它的创立有两个研究目的：一是抽象和严谨地解释自然界的适应过程；二是为了将自然生物系统的重要机理运用到工程系统中。GA从许多点开始并行操作，在解空间进行高效启发式搜索，因而可以有效地防止搜索过程收敛于局部最优解；遗传算法在计算机上模拟生物的进化过程和基因的操作，通过目标函数来计算适配值，并不需要对象的特定知识，它具有全局寻优的能力，能解决高度复杂的问题，被广泛应用于自动控制、图形处理、电力调度等方面。
2.建立调度的数学模型
调度系统所采用的数学模型对运行环境做了简化：车的速度恒定，保持匀速行驶，无特殊事件发生；以分钟作为最小的时间单位，这对安排时刻表是合理的；假设客流模型能反映该段线路上的日常客流量（我们假设到站乘客服从均匀分布，在不同时段有不同的分布密度）。
首班车发车时刻为早上6点整，末班车发车时刻为22点整，所有运营车都在整分钟时刻发车，一天之内的总班次为m，总时间为16小时，即960分钟。用xm表示第m辆运营车发车时刻距首发时刻的时间，以分钟为单位。决策变量为X=[x1，x2，…xn]；染色体X是一个完整的发车时刻表，其中的每个基因为一个车辆的发车时刻。
免疫算法效仿生物免疫系统，把外来侵犯的抗原和免疫产生的抗体分别与实际求解问题的目标函数以及问题的解相对应，生成的抗体能有效地排除抗原，也就相当于求得了问题的最优解；对与抗原亲和力高的抗体进行记忆能促进快速求解。
二、IGA应用于公交动态调度
现仍采用上面建立的数学模型，初始规模N仍为200且不随进化代数而发生变化，便于IGA和GA比较。现利用IGA来进行优化的步骤为：
1.在解空间内随机生成初始群体，并计算其适应度，确定最优个体x0best，并给出的取值？滓0，A取为1，？滓0i取为3，？滓？孜取为0。
2.根据式（4.7）进行进化操作，在解空间内生成子代群体，规模为N。
3.计算子代群体的适应度，确定最优个体xt+1best，若f（xt+1best）>f（xtbest），则选定最优个体为xt+1best，否则最优个体为xtbest。
4.重复执行步骤2和3，直至达到终止条件，这里T取为100，选择最后一代的最优个体作为寻优的结果。
本文在遗传算法的基础上采用了一种较新的混合遗传算法——免疫遗传算法对公交静态调度进行了研究，并对二者的应用结果进行了仿真和比较，结果表明IGA有效的克服了简单GA的不足之处，并提高了寻优过程当中目标函数的收敛速度，并得到了合理的发车时刻表，可以提高公交企业的服务水平，对改善城市交通问题和节约市民出行时间有相当的实际意义。
参考文献
中图分类号：F27 文献标识码：A
收录日期：2011年10月28日
一、遗传算法简介
遗传算法（GAS）是由美国密执根大学的Holland等人创立的。与其他启发式方法顺序搜索解空间的工作方式不同，遗传算法采用解的种群作为工作单元，使用模仿生物进化的适者生存原则指导搜索并改进目标。种群由代表个体的定长字符串组成，每个个体表示解空间的一个点，每个解的质量，通过依赖于问题目标函数的适应值函数来进行评估。搜索过程通过进化来进行，每代中的个体以正比于它的适应值的概率遗传到下一代。它使用3个基本算子：选择、交叉和变异。选择是指个体以其适应值比例复制到池中；交叉是池中的两个个体进行，组合形成一个（或几个）新个体，复制和交叉将好的特性进行遗传；变异则是发生在少数字符串某基因位上的基因的突变，它使搜索过程能够有机会从搜索到的局部最优解逃出。
解决一个实际问题的遗传算法通常包括下列两个决策步骤：（1）将求解问题模型化为符合遗传算法的框架。可行解空间的定义，适应值函数的表现形式，解的字符串表达式方式；（2）遗传算法参数的设计。种群规模，复制、交叉、变异的概率选择，进化最大代数，终止准则设定等。
二、遗传算法的基本特点
（一）结构特点。遗传算法是以适应值提供的启发式信息进行搜索的，与其他启发式（模拟退火、爬山法、神经网络等）方法相比，在结构和工作过程方面的特点见表1。（表1）
（二）实验性能方面的特点
1、高效性。遗传算法具有大范围全局搜索的特点，与问题领域无关，前期工作量比较少。
2、健壮性。遗传算法的搜索是用种群作为基本单元，采用三个不同作用的基本算子进行搜索的，解的结果随时间增加而趋于稳定，不受初始解的影响，而且不因实例的不同而蜕变。
3、通用性和灵活性。遗传算法可用于多种优化搜索问题，解题程序可以通用，针对不同的实例，适当调整算子参数，就可以使算法执行获得最佳的解结果和占用CPU机时的关系。
三、遗传算法在解决经典运筹问题中的应用
（一）旅行商问题（TSP）。旅行商问题自诞生以来，颇受数学家推崇，今天的旅行商问题已远远超过其本身的含义，成为一种衡量算法优劣的标准。旅行商问题是采用非标准编码遗传算法求解最成功的一例，基因编码用推销员顺序经历的城市名表示，求最佳路线即是改变编码次序而求最低适应值的问题。对类似字符串使用标准交叉，产生的后代可能有重复或丢失的元素，因而成为非可行解。为克服这种困难，人们提出许多非标准的交叉和变异方法：交叉主要采用重排序方法――部分匹配重排序，顺序交叉和循环交叉等；变异主要采用位点、反转、对换、插入等方法，使旅行商问题得以有效地解决。值得一提的是，清华大学张雷博士提出的自适应多点交叉算子，能够保证多点交叉后路径的可行性，加快了搜索速度。
（二）作业调度问题。作业调度问题同样是自然变更次序的问题，可以用基于变更次序的遗传算法进行处理。（表2）
（三）背包问题。一维、二维和三维背包问题在商业和工业领域有着广泛的应用，基于遗传算法的求解方法很多。传统求解采用启发式规则，决定下一步该装哪一块和装在哪里，此时变更次序的编码与启发式安置策略是利用遗传算法解决这类问题的最为出色的方法，Lin使用一系列的惩罚项指导其搜索策略，测定单个个体的适应值。
Bortfeldt使用一个层次背包问题，个体用它们的层次代表，当两个亲代被选择交叉时，它们的层次混在一起，从中选择最好的作为子代的第一层，再从余下的组件中选择最好的作为第二层，以此类推，直至产生所有的层次。
陈国良等设计了一种“与/或”交叉方法，使子代继承双亲的同型基因，对杂型基因采用不同支配方式，这种策略为遗传算法的硬件实现创造了良好的条件。
（四）时刻表排定问题。Corne对Edinburgh大学7日内的28个时间期间安排40门课的考试问题作了处理，寻找一个可行的时间排定表，使每个学生参加的考试在时间上能够错开，时刻表用字符串代表，字符串每个位置代表一门课，该位置的值代表考试的时间，用均匀交叉和标准变异操作求解。
这类问题扩展到基于二维的矩阵代表的逼近问题，Colorini使用行代表教师列代表可用的小时数的矩阵，每个单元的值为教师在此时承担的任务，包括教室和其他一些资源配置，教师的任务是事先给定的，故行都是可行的，列代表的时间安排可能会发生冲突，将此冲突用惩罚函数表示在适应值函数中，而且采用修复算子在评价之前尽量将结论调整回可行区域内，该算法用Milan学校的实际数据进行了检验。
除此之外，遗传算法在运输问题、指派问题、分割问题及网络计划优化问题等方面都获得了非常成功的应用，这些问题被认为是NP类问题，其规模随变量的增加呈指数增长，遗传算法在这些问题的求解中，充分体现了其操作性能方面的优势。
四、应用和推广中存在的问题
在上述问题中，遗传算法求解展示了优良的性能，但遗传算法并未像其他启发式方法那样容易地被OR学者广泛接受而用于大量的实际问题中，究其原因，主要有以下几点：
（一）传播方式的障碍。遗传算法最初的工作是以密执根大学严谨的研究小组作为研究项目和学术讨论中心，当研究成员扩大时，这类讨论会演变为机构的学术会议（美国现有5个，欧洲有3个，我国目前还没有），许多研究者聚于此而远离问题导向，有关的会议论文公开出版数量很少，而且，由于历史原因，研究者常常将他们的研究结果选择在有关人工智能的杂志上发表，导致了应用遗传算法的信息很缓慢地扩散到其他不同技术应用领域的工作者中，这与模拟退火等其他启发式方法快速在运筹学会议及杂志上发表相反。由于缺乏交流导致了两方面的问题：一是许多关于遗传算法的论文不能与从其他方法得到的结论进行质量的比较，二是削弱了许多遗传算法多的潜在使用者用遗传算法与其他方法竞争的信心。
（二）术语的隔膜。初始跨入遗传算法领域的使用者常常感到起步非常艰难，遗传算法依赖于遗传学的术语也像模拟退火的术语来自于统计热力学一样。然而，温度、冷却等可能很快赋予新的意义，但遗传算法中的基因位、染色体、遗传型却难以很快被人理解和接受；另外，许多发表的研究偏重于用某些专门函数检验他们的新思路或新设想，这对于全面理解该技术固然是一件好事，但对于一个面对如此丰富复杂材料的初用者会发现，他将不知从何做起。即使一个非常愿意使用遗传算法的人，也要有足够的决心去克服上述障碍。
（三）方法的局限性。对于具有强约束的优化问题，采用惩罚函数逼近常常达不到预想的结果。Radcliffe评论说：“约束通常被认为是遗传算法面临的最大问题”因为惩罚因子选择不当时，会招致错误结论。目前，求解带约束优化问题的启发式遗传方法已经有了一些，但是，它们多数与问题领域相关，在这方面还缺少普遍适用的方法的系统研究。
（四）编码的困难。不是所有问题解空间中的点都能明显地用编码表示，作为OR研究者，常常从问题结构取得利益，用矩阵、树、网络或其他更适用的方法建立表达式；串表达中的建筑块假说建议适用较少的字符，导致人们对二进制编码的偏爱，但二进制编码具有一定的映射误差（实际计算时，我们是把问题作为整数规划），特别是它不能直接反映出所求问题本身结构特征，因此很难满足生成有意义的积木块编码原则；再者，二进制字符的长度随问题发生明显变化，当问题复杂时会因为编码太长而无法进行正常工作。
以上的种种阻力，在一定程度上减缓了遗传算法在运筹学实际问题中的推广和应用。
主要参考文献：
关键词： 锅炉水位；PID控制；遗传算法
Key words： boiler water level；PID control；genetic algorithm
中图分类号：TP273 文献标识码：A 文章编号：1006-4311（2014）29-0070-02
0 引言
锅炉是我国现代工业中的重要设备，同时也是生活中必不可少的供暖供水设施，在全国各地中小学有着广泛的应用。学校具有人口密度大等问题，而且学生年龄较小，自我保护意识薄弱，因此，保证锅炉的安全稳定运行具有重要的意义。水位是锅炉正常运行中必须控制的一个重要参数，它直接影响到锅炉系统的安全性与稳定性。因此，水位控制是锅炉控制系统中的一个重要组成部分，但同时这也是一个复杂的控制过程。由于锅炉负荷波动范围大、启停频繁，人工操作一般很难保证系统长期安全稳定的运行，所以，自动控制已成为锅炉安全高效运行的保证。[1，2，5]
目前传统PID控制是采用最多的锅炉水位控制方式，但是因为锅炉各种参数的频繁变化，导致传统PID控制方式往往难以实现预期的要求。随着现代控制理论的发展，各种先进控制算法不断出现，本文在此基础上提出了基于遗传算法的锅炉水位PID控制方式，该控制方式可以实参系统参数自整定，克服了传统PID控制方式的控制精度差以及参数变化复杂等缺点，基本可以实验锅炉水位较高精度的实时控制。[2-4]
1 锅炉水位控制系统结构及原理
锅炉水位控制系统主要包括锅炉水位检测、进水流量检测、阀门控制等几个单元。一般而言，在控制锅炉水位时控制系统首先检测给定水位和实际水位、进水控制阀与负载等参数，然后动作进水控制阀并检测水位是否达到给定要求，以此判断进水控制阀的开通和关断。基于遗传算法的水位控制器在传统PID控制中注入了类似人的思想意识，通过基于遗传算法设计的PID控制器来推算控制系统需要的各个参数，并应用于控制系统中。[4，7]
系统为双闭环控制：外环由水位变送器、控制器、内环回路及控制对象构成，称为水位环，主要作用是控制锅炉水位高低也主控环；内环是进水流量测量装置、控制器、进水控制阀构成的回路，也称为流量环，主要作用是控制进水侧的扰动，稳定流量，内环为辅助环。基于遗传算法的锅炉水位控制系统结构图如图1所示。
2 基于遗传算法的PID控制器设计
本文在设计基于遗传算法的PID控制器时主要遵循以下思想。
首先，把PID控制器需要的三个关键参数kp，ki，kd按照进行二进制编码，取值范围根据系统实际参数确定，由此得到三个字串；然后，将三个字串相连来构成一个完整空间个体，随即便可产生一定数量的个体；最后，根据遗传算法对每个个体进行计算以此得出新的个体，对每个新个体进行适度评估以及遗传算法操作。[6]
如果新个体不满足系统要求可按照上述思想重复进行直到满足优化条件。遗传算法PID控制器系统结构图如图2示。
3 控制系统仿真及分析
根据上文中设计的控制系统及控制器在MATLAB/simulink环境下搭建仿真模型。设置某校锅炉蒸发量为126t/h，锅炉水位要求稳定在设定值的[-4.2，4.2]cm范围内，阀门控制信号为4～20mA电流信号。[4]
根据锅炉控制系统结构及参数可以得到系统各单元的传递函数如下。
进水流量控制器传递函数：G1（s）=0.4
水位控制器传递函数：G2（s）=■
进水流量与水位的传递函数：G3（s）=■=■
控制阀增益设为：kf=2.6，进水流量、水位变送器的转换系数分别为：？酌w=0.42，？酌H=1.2，kp=20，ki=0.02仿真时间设为100s，输入为阶跃信号，同时可在系统运行至40s时加入一干扰信号，以此检测系统的抗干扰性能。
为证明基于遗传算法的PID控制器在控制系统中的优越性，在MATLAB/simulink中分别搭建基于传统PID的锅炉控制系统仿真模型以及加入遗传算法优化的锅炉控制系统仿真模型，然后在相同参数下进行仿真以可观地对比仿真结果。
两种控制系统的仿真输入波形如图3、4所示。
通过图3及图4分析可知：如果锅炉控制系统采用加入遗传算法的PID控制器，输出具有静态稳态误差小，超调低等优点，输出波形较传统PID控制明显改善，结果较为理想。
4 结论
本文说明了锅炉系统水位控制的重要性，分析了锅炉水位基本原理及传统PID控制方法，在此基础上提出了基于遗传算法的新型PID控制器设计方法，然后根据该控制器设计了具有参数自动检测功能的新型智能控制系统，并在MATLAB/simulink中分别搭建基于传统PID的锅炉控制系统仿真模型以及加入遗传算法优化的锅炉控制系统仿真模型。通过两种模型的仿真结果可以明显看出，加入遗传算法优化的锅炉控制系统无论在系统超调及稳态误差等方面均有较好的改善，系统收敛速度明显优于传统PID控制。因此，该控制器无论在学校锅炉或者工厂企业的大型锅炉系统中都具有良好的应用前景。
参考文献：
[1]李遵基.热工自动控制系统[M].北京：中国电力出版社，2001.
[2]张晓楠，方浩，戴冠.遗传算法的编码机制研究[J].信息与控制，1997，26（2）：134-139.
[3]郭庆鼎，李蒙，郭威.PID控制器参数的遗传算法优化设计[J].沈阳工业大学学报，2000，22（1）：31-33.
[4]蔡有社.基于ARM的锅炉汽包水位控制系统的研究[D]. 安徽理工大学硕士学位论文，2011.
