摘 要：遺傳(chuan) 算法是一種模仿自然界生物進化過程中選擇和遺傳(chuan) 的機理而構造出的一種優(you) 化搜索算法。但是，簡單遺傳(chuan) 算法的收斂速度較慢、穩定性較差。針對這些同題，本文提出了幾種方法來改善遺傳(chuan) 算法性能的操作，在文中分別討論了該操作的思路，實現的方法。並給出了它在工業(ye) 控製中的應用。
關(guan) 鍵字：工業(ye) 控製 遺傳(chuan) 算法 交叉 遺傳(chuan) 操作
1. 前言
　　優(you) 化算法和程序是是當今計算機時代科學和工程問題研究中最重要的工具之一。一個(ge) 好的優(you) 化算法應具備兩(liang) 個(ge) 基本特征（設以求全局最大主峰為(wei) 例）：一是要找到主峰而不是眾(zhong) 多的次峰;二是爬峰速度要快。此外，它還應具有通用性，最好能用於(yu) “黑箱”問題的尋優(you) 。。如能有一種優(you) 化算法既可保留上述兩(liang) 種基本算法的簡單和通用特征，而又有高的尋優(you) 準確度和效率，顯然是人們(men) 夢寐以求的。遺傳(chuan) 算法（GA）為(wei) 此開辟了一條誘人的道路。
　　遺傳(chuan) 算法是由美國密執安大學Holland等人，經過20餘(yu) 年的努力而發展起來的，它將描述自然界生物進化的達爾文學說“物盡天擇，適者生存”的原理引入到算法中。特別是近十年，由於(yu) 計算機性能的提高，以及並行分布式計算的推廣，遺傳(chuan) 算法由於(yu) 自身獨特的優(you) 勢而越來越受到人們(men) 的重視。進入21世紀，遺傳(chuan) 算法已成為(wei) 國際上的一個(ge) 研究熱點，圍繞遺傳(chuan) 算法，有一大批學者在從(cong) 事下列方麵的研究：遺傳(chuan) 算法的機理、算法的收斂性和複雜度、編碼方法、選擇方法、雜交和變異方法、遺傳(chuan) 的操作方式等。到目前為(wei) 止，對各種問題的研究尚未有定論，正由於(yu) 許多問題的存在激勵著人們(men) 進行不斷的探索和研究。
2. 簡單遺傳(chuan) 算法簡介
　　簡單遺傳(chuan) 算法的基本思想是把待優(you) 化問題的參數編碼成二進製位串的形式，然後由若幹個(ge) 位串形成一個(ge) 初始種群作為(wei) 待求問題的候選解，經過選擇、交叉、變異的迭代搜索過程，最終收斂於(yu) 最優(you) 狀態。
　　算法過程如下：
　　步驟1：初始化，隨機產(chan) 生一個(ge) 規模為(wei) P的初始種群，其中每個(ge) 個(ge) 體(ti) 為(wei) 二進製位串的形式，也就是染色體(ti) ，每個(ge) 二進製為(wei) 稱為(wei) 基因。
　　步驟2：計算適應度，計算種群中每個(ge) 個(ge) 體(ti) 的適應度。
　　步驟3：選擇，選擇是指從(cong) 群體(ti) 中選擇優(you) 良的個(ge) 體(ti) 並淘汰劣質個(ge) 體(ti) 的操作。它建立在適應函數評估的基礎上。適應度越大的個(ge) 體(ti) ，被選擇的可能性就越大，它的下一代的個(ge) 數就越多。選擇出來的個(ge) 體(ti) 放入配對庫中。
　　步驟4：交叉，從(cong) 種群中隨機選擇兩(liang) 個(ge) 染色體(ti) ，按一定的交叉概率進行基因交換，交換位置的選取也可以是隨機的。
　　步驟5：變異，從(cong) 種群中隨機選擇一個(ge) 染色體(ti) ，按一定的變異概率進行基因變異。
　　步驟6：若發現最優(you) 解或者到達迭代次數，則算法停止。否則，轉步驟2。
3. 提高遺傳(chuan) 算法收斂速度的策略
　　初始種群的選擇
　　初始種群的優(you) 劣對算法的效率和結果都有重要的影響，要搜索全局最優(you) 解，初始種群不僅(jin) 要規模相當而且應該在解空間均勻分布。基本遺傳(chuan) 算法是按照隨機方法在最優(you) 解分布範圍內(nei) 產(chan) 生一定數目的個(ge) 體(ti) 組成初始種群。
　　本文按照一定的模式選擇種群。將種群分成幾類。例如，如果我們(men) 選擇初始種群為(wei) 100個(ge) ，那麽(me) 將種群按照不同的模式均勻分成10類。每個(ge) 類中的染色體(ti) 有相同的模式。由下麵的操作可知，這樣做能夠保證了群體(ti) 的多樣性。
　　適應度比例法的改進
　　在遺傳(chuan) 算法的運行過程中，每一代都會(hui) 產(chan) 生一些優(you) 良個(ge) 體(ti) 。如果按照傳(chuan) 統的選擇方法，它們(men) 的優(you) 良模式有可能被後麵的遺傳(chuan) 操作破壞，就會(hui) 降低群體(ti) 的平均適應度，這樣對進化是不好的。所以我們(men) 改進的目標是保證最優(you) 解的生存。最優(you) 個(ge) 體(ti) （這裏的最優(you) 個(ge) 體(ti) 來自全體(ti) 染色體(ti) 的10%）不按比例進行複製，直接保留到下一代中。因為(wei) 複製的結果容易使遺傳(chuan) 算法陷入局部最優(you) 解。導致各個(ge) 個(ge) 體(ti) 間的適應度趨於(yu) 一致。
　　具體(ti) 操作過程為(wei) ：
　　（1）找出每個(ge) 模式中適應度最高的個(ge) 體(ti) 。該個(ge) 體(ti) 不進行交叉和變異。
　　（2）對同一模式中其它個(ge) 體(ti) 進行遺傳(chuan) 操作。即交叉和變異是在同一個(ge) 模式中的不同個(ge) 體(ti) （最優(you) 的除外）之間進行。
　　（3）在每個(ge) 模式中，經過交叉和變異後的每個(ge) 個(ge) 體(ti) 進行適應度比較。依然保留最優(you) 的個(ge) 體(ti) 。
　　最優(you) 保存策略是選擇操作的一部分，它能夠保證不能破壞優(you) 良模式。也是遺傳(chuan) 算法收斂性的一個(ge) 重要保證條件。該策略與(yu) 下麵敘述的交叉和變異操作結合在一起，能夠得到良好的效果。
　　交叉方式的改進
　　交叉是指把兩(liang) 個(ge) 父代個(ge) 體(ti) 的部分結構加以替換重組而生成新個(ge) 體(ti) 的操作。交叉的目的是為(wei) 了能夠在下一代產(chan) 生新的個(ge) 體(ti) 。通過交叉操作，遺傳(chuan) 算法的搜索能力得以飛躍性的提高。交叉是遺傳(chuan) 算法獲取新優(you) 良個(ge) 體(ti) 的最重要手段。
　　交叉的概率一般選擇的都很大。本文的交叉概率是根據交叉結果來決(jue) 定的。無論是選擇單點交叉還是多點交叉或者其它交叉方式，改進的目標是保證子代的適應度大於(yu) 父代。我們(men) 選用的交叉方法是：所有個(ge) 體(ti) （除去最優(you) 的10%）中每兩(liang) 個(ge) 組成一對，全部進行交叉。根據交叉結果選擇此次交叉是否進行。如果一對染色體(ti) ，我們(men) 假設為(wei) A和B，再假設交叉的結果為(wei) A1和B1，那麽(me) 會(hui) 出現四種情況，（1）A1>A，B1>B;（2）A1B;（3）A1>A，B1
　　變異方式的改進
　　變異就是以很小的概率（即變異率）隨機地改變群體(ti) 中個(ge) 體(ti) （染色體(ti) ）的某些基因的值。變異操作的基本過程是：對於(yu) 交叉操作中產(chan) 生的後代個(ge) 體(ti) 的每一基因值，產(chan) 生一個(ge) [0，1]之間的偽(wei) 隨機數，如果這個(ge) 偽(wei) 隨機數小於(yu) 變異概率，就進行變異操作。在二進製編碼方式中，變異算子隨機地將某個(ge) 基因值取反，即0變成1，或1變為(wei) 0。變異本身是一種局部隨機搜索，與(yu) 選擇、交叉算子結合在一起，就能避免由於(yu) 選擇和交叉算子而引起的某些信息的永久性丟(diu) 失。保證了遺傳(chuan) 算法的有效性，使遺傳(chuan) 算法具有局部的隨機搜索能力。同時使得遺傳(chuan) 算法保持群體(ti) 的多樣性，以防止出現未成熟收斂。在變異操作中，變異率不能取的太大，如果大於(yu) 0.5，遺傳(chuan) 算法就退化為(wei) 隨機搜索，而遺傳(chuan) 算法的一些重要的數學特性和搜索能力也就不複存在了。
　　本文使用的變異概率是根據是由交叉方式的結果決(jue) 定的。在交叉方式中，每個(ge) 模式都可能出現不良個(ge) 體(ti) ，如果不良個(ge) 體(ti) 數量大於(yu) 50%，那麽(me) 說明此模式不良，應該進行淘汰。我們(men) 采用的方法是對此模式進行變異。引進新的模式。如果不良個(ge) 體(ti) 數量小於(yu) 50%，那麽(me) 就對這些不良個(ge) 體(ti) 進行變異。在不影響模式的前提下，進行變異。即在每個(ge) 染色體(ti) 的基因上，隨機的選擇一位，使之變異。至此，新的一代產(chan) 生了。
4. 算法過程
　　算法的流程圖如圖1。

圖1 改進的遺傳(chuan) 算法程序框圖
5. 在工業(ye) 控製中的應用
　　遺傳(chuan) 算法應用與(yu) 工業(ye) 控製可以做到以下幾個(ge) 方麵：
　　（1）控製過程的監控;在工業(ye) 控製監控過程中，有些係統會(hui) 產(chan) 生大量的隨機的數據和不確定的因素，因此精確建模比較困難。也是因為(wei) 數據的隨機性和不確定性因素，造成工業(ye) 監控係統難以準確控製。利用遺傳(chuan) 算法進行過程監控，首先建立控製係統的理論控製模型，然後利用遺傳(chuan) 算法能在大量數據上的尋優(you) 優(you) 勢，提供監控方案。並且遺傳(chuan) 算法也能進行自適應控製來隨時調整控製模型，達到監控的優(you) 化並且使係統更趨於(yu) 穩定。#p#分頁標題#e#
　　（2）控製過程故障診斷（提供決(jue) 策方案）;把遺傳(chuan) 算法理論與(yu) 技術應用於(yu) 控製過程故障診斷能夠模擬專(zhuan) 家係統實現對控製器的故障檢查。故障檢測過程中的參數一般都具有非線性特征，如果使用確定性的方法，很難建立其數學模型。遺傳(chuan) 算法應用在智能診斷中，可以解決(jue) 多變量非線性係統問題。而且係統的魯棒性好，對參數變化不敏感，並且可以做出決(jue) 策供維護人員參考。
　　（3）係統參數辯識（參數優(you) 化）;隨著工業(ye) 控製規模的不斷加大和時間的不斷積累，需要保存和後期處理的數據越來越龐大，這就對工業(ye) 控製係統提出了更高的要求。大量的參數構成了整個(ge) 工業(ye) 控製過程，原來的工業(ye) 控製係統實時處理數據的能力很強，但是後期數據的處理能力顯得有些力不從(cong) 心，遺傳(chuan) 算法在大量數據的處理方麵擁有較多優(you) 勢，在參數優(you) 化方麵也有著其他算法不可比擬的優(you) 越性，如PID參數控製等。所以自從(cong) 90年代以來在我國的工業(ye) 控製係統中的應用也越來越廣泛。遺傳(chuan) 算法和工業(ye) 控製係統的結合，不僅(jin) 使當今的自動化更具靈活性、完整性、經濟性和安全性，而且為(wei) 信息集成和自動化係統提供了新的結構，具有良好的發展前景。
　　（4）控製器的優(you) 化設計。遺傳(chuan) 算法在很多領域得到了較好的應用，運用遺傳(chuan) 算法設計的控製器實時性好、響應快,並具有自適應調節功能,且精確、控製平穩,能滿足較高要求,具有較高性價(jia) 比。
6. 結論
　　本論文的創新點在於(yu) 針對工業(ye) 控製中經常使用的控製方式方法，使用我們(men) 改進的遺傳(chuan) 算法，使得它能在工業(ye) 控製中更好的使用。係統的運行結果跟程序本身有關(guan) 也跟機器的性能有關(guan) 。視情況不同而不同。對於(yu) 不同的控製函數模型本文的遺傳(chuan) 算法並不是十分優(you) 秀。但是對於(yu) 某些控製模型來講，還是有一些優(you) 勢。在控製係統常用的非線性函數的情況下，本文的算法比標準的遺傳(chuan) 算法有更好的結果。在實驗階段處理簡單的函數的問題上，也具有相當的優(you) 勢。
　　到目前為(wei) 止，還沒有找到一種能適合所有類型函數的遺傳(chuan) 算法。目前對遺傳(chuan) 算法的改進大多數集中在選擇、交叉、變異、適應度等的參數選擇上，而這些改進也沒有統一的形式。本文的算法在交叉問題處理上，看上去似乎煩瑣些，實驗結果表明，它可以減少遺傳(chuan) 的迭代次數。這種改進隻適合某些特定的函數。所以對遺傳(chuan) 算法的研究和改進還需要做大量的工作。
參考文獻
　　[1] 司徒浩臻等.基於(yu) 遺傳(chuan) 算法的多序列比對算法研究.微計算機信息，2006，6-2：22
　　[2] A.H.Wright.Genetic algorithms for real parameter optimization, Amer: Sci, 1991
　　[3] K. Deb and H.-G. Beyer, Self-adaptation in real-parameter genetic algorithms with simulated binary Crossover, Proc. of the genetic and Evolutionary Computation, 1999.
　　[4] Chiba, T, Okado, S, Fujii, I, and Itami, K. （1996b）. “Optimum support arrangement of piping systems using genetic algorithm.” J. Pressure Vessel Techno. 118, 507–512.
　　[5] Nolle, L., Armstrong, D.A., Hopwood, A.A. and Ware, J.A., \Simulated Annealing and Genetic Algorithms Applied to Finishing Mill Optimization for Hot Rolling of Wide Steel Strip", International of Knowledge-Based Intelligent Engineering System, 6, 2, 104-111, 2002.