本文研究了一类引入学习过程的新遗传算法。的遗传算法用于优化减摇鳍稳定器的PID控制器设置，以最大限度地减少车身侧倾。现了两种类型的海况模拟，得到了优化的参数以及滚动角的运动曲线。传统的单纯形法相比，已经证实了在线性情况下引入学习过程的遗传算法的优越性。
键词：减摇鳍;遗传算法分类号：TP391文献代码：A文章编号：1009-3044（2011）基于遗传算法朱红华，黄痈-Hua上减摇鳍11-2642-03Optimisation PID控制器（莆田大学，莆田351100电信系，中国）摘要：一个新的公司谁研究一个学习的过程，可以有效克服传统AG的缺点的设计。用新的遗传算法，以进一步优化鳍稳定剂的PID控制器的参数最小化了船舶横摇，执行两种类型的海洋感模拟，获取参数优化和角运动曲线滚同时继续与传统方法单一，关键词比较：减摇鳍，遗传算法对人类文明的防滚船监控进程研究的重要性密切相关的海运。船舶在海上航行和工作时，由于波浪，海风和海流等海洋环境的干扰，它们不可避免地摇摆。于船只经常需要在波涛汹涌的水中航行，剧烈的晃动将对其适航，安全，设备的正常运转，货物和乘客的舒适性固定一个显著的影响。于军用船舶，暴力摇曳影响飞机，延误正常起飞和着陆，防止飞机大炮准确地命中目标，所以它是在被动的地位战争。此，为了船舶航行的安全和航行期间舒适性的提高，滚动船舶的目标是不懈努力的目标。[1]引入学习过程的新遗传算法[2-3]在学习过程中引入的遗传算法的基本步骤如下：步骤1：编码参数;第2步：产生初始种群;第3步：计算适应值，确定是否符合条件。果满足，则将其解码并完成优化，否则转到步骤4.步骤4：执行遗传复制，交叉和变异操作。五步：互相学习。6步：生成一个新的人口，热敏元件然后跳到第3步学习过程设计的基本原则是：第一，在新一代群体，最好的个人组和个人组的更多确定了穷人，以便两个小组随机互相学习。外，两个学习PL1概率（即一个贫穷的人更好的个人学习的概率）和PL2（概率，一个人学习最好的一个贫穷的人）提出。体学习方法如下（占人口尺寸是N和进化代数G）:)该组中的个体被排名以升序，基于它们的健身，和从1到N的个体/ 2组成。基团是一个亚组差，和组成的组1 N / 2到N是一个更好的基团）确定概率学习的原理：1）为了避免在开始时形成垄断从最贫穷的人学习，B），以防止优秀个体良好的开端，穷人可以消除垄断，这可能会导致一些优秀的车型降低了组多样性的丧失，以及优异的早期的人应该是穷人。体的学习概率很大，即PL2的开始应该更大c）以避免接近最优解的振荡问题在最佳解决方案之后，应该增加从贫困人群到优秀个人的PL1学习的概率，并且应该减少优秀。PL2学习个体对穷人的概率。体方法如下：PL1和PL2的初始值被设置为PL10和PL20.Il显然PL1变得与的PL1和PL2变得与发展越小发展大进化。习风格：不良的小组和改进的小组随机互相学习。将在下面找到一个二进制代码，说明个人如何向其他人学习。设A1 = 01000是一个贫穷的人（也就是说，对应的适合度值较低）和a2 = 10111是一个更好的人（这是说，相应的适应值高）。A1教导取决于概率PL1（不良个体的概率学习更好个体）A2，即从产生0的随机数温度1。果PL1>温度，随机替换一点a1乘以a2。设第二位，a1 = 01 | 000a2 = 10 | 111a3 = 01111a3是学习后的新人。先的个人以与穷人相同的方式学习。是一个单一的学习要点：根据编码的长度，可以考虑两点学习和多点学习。于遗传算法优化的PID控制器遗传算法的设计引入到学习过程的遗传算法中PID控制器直观，易于实现和鲁棒。多数翅片稳定系统现在使用PID控制器控制。PID控制是控制工业过程中最广泛使用的策略之一。化PID控制器设置已成为一个问题。前，有的PID设置许多方法，如间接优化方法，梯度法，该爬山法，单纯形法和专家设定方法。然这些算法具有良好的优化特性，但它们都有缺点：例如，单纯形法对初始值敏感，易于应用于局部最优解;专家设置方法需要太多经验。着研究和遗传算法理论的发展，它的功能和优势的搜索优化和参数方面得到了广泛的认可，基于遗传算法的多PID控制器已经出现。[4]）中编码的表示的精度的编码方法的测定，尽管二进制编码不像实际的编码一样好，在优化端PID控制器参数，该链的准确性二进制代码具有大于十进制代码的搜索能力，从而在编码方案的选择中选择更简单的二进制代码。鳍稳定剂的PID控制器参数的优化，本文件中选择一个45位的二进制码和三个参数KP1，KI1，KD1各自占据15位。先，根据工程减摇鳍的实际应用中取得的经验，三种设置KP1，KI1和KD1的大致范围确定。变化KP1 KPmax的最大值等于，相应的代码串是111，111，111，111，111和最小变化值KP1是KPmin和相应的代码串是000000000000000.该表示值KP1具有与实际值以下的关系[5]：其中binreplace（t）是由1位字符串表示的二进制整数。KI1和KD1的编码过程类似于KP1的编码过程。后对应于三个设置KP1，KI1和KD1 1的通道0，连接在一起以45个比特，表示鳍稳定剂的PID控制器的最佳参数可能的解决方案的比特串。定设置上形成功能的遗传算法的形式的功能密切相关的申请的主题，它是必要研究鳍稳定器控制系统的性能指标。于控制系统，确保控制系统的稳定性是其正常运行的必要条件。于翅片控制系统，稳定性与侧倾角正相关，而减小效果，即侧倾减小的影响，必须尽可能低。此，侧倾角的变化被认为是主性能指数：λ1是加权系数，σ2是侧倾角的变化，而能量的损失和鳍的寿命也必须考虑在内。流板翼工作的最大角度是有限的，这是不可能获得一个任意大的角度，以实现侧倾角和，在高水条件的情况下，跟踪系统翻转训练通常很高。载状态影响翅片的寿命。
于能量损失和鳍片的寿命与鳍角的饱和率密切相关，因此应考虑鳍角的饱和率。绩效指数中。片的角度的幅度服从瑞利分布，并且βF翅片的角度超过βmax散热片的最大角度获得的概率，其中，σ2β表示翅片的角度的方差。常βmax= 22°。际应用表明，该叶片的闭合角是大约13.5％，这是理想的，以确保在控制系统良好的工作条件，使得工作能力的充分利用副翼并允许系统获得良好的抗侧倾效果。此，第二高性能指标是其中λ2是加权系数，ρ是细角饱和比。
成系统（4）和（6）的性能指标是（7），因为翅片角度的最大饱和率通常不大于20％。代ρβ= 20％代入式（5）得到的散热片的角度的相应方差，借此以重写性能指标为λ1和λ2组合在λ，这这使得可以避免选择加权系数的困难。而，在σ2β小于150.31在上述式中，在σ2β，其中λ的选择极大地复杂的差减小的第二项增大;上面的公式被以下形式的鳍取代。控制系统的目的是最小化的性能指标，但在遗传算法中，由于适应度函数应该比较和排序，并且所述选择概率在此基础上计算的，适应度函数必须是非负的，并要求提高质量，增加适应度[5]。
（11）在直线性的情况下，基于所述新的遗传算法的优化算法实现在学习引入的遗传算法，复制使用比例的适用性的方法和交叉取的横向单点。单的变化，编码使用符号编码。体规模N = 30;终止代数G = 150;交叉概率Pc = 0.80;突变概率Pm = 0.05;学习的概率。真实验进行了两种类型的模拟海况：所检测到的波的高度为2.6米，15节的速度，在两个遭遇波是45°和90°，高度感应波为3.6米，速度为19节，两波相遇45°和90°。拟的结果显示在表1中所示，表2（闭环表示使用稳定剂，开环表示没有翅片时，φ表示横摇角n的平均值表示通过转动的放大率，ρ表示翅片的角度的饱和率）和图表。于主要使用了翅片稳定器PID控制器的先前参数，因此单面方法被广泛使用。了将遗传算法的优化结果与单纯形优化的优化结果进行比较，本文档使用单纯形法优化了减摇鳍稳定器的PID控制器。拟的结果列于表3，表4中和图3的模拟结果的分析示于表1至4和图1至图3中的线的情况下，结果在学习过程中引入的遗传算法的优化略高于单纯形法，并且两者得到的最优PID参数相对接近。本上，可以实现整体最佳。各种条件下获得的最佳PID参数将抗侧倾效果降低约90％，确保鳍角饱和率约为20％并实现非常好的控制效果。是，单纯形法需要相对较短的时间。此，在线性的情况下，引入学习过程的遗传算法几乎不优于单纯形法。3检测波高为3.6 m，波的闭环状态下的侧倾角运动曲线为45度（单面法）。
本文转载自
热敏元件www.wisdom-thermostats.com