專利名稱：一種受核糖體rna啟發(fā)的高階控制器參數(shù)優(yōu)化方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種受核糖體RNA啟發(fā)的高階控制器參數(shù)優(yōu)化方法。
背景技術(shù)：
隨著現(xiàn)代控制系統(tǒng)越來越復(fù)雜，對系統(tǒng)的要求越來越高，控制工程師們正面臨著 嚴(yán)峻的挑戰(zhàn)選擇合適的控制器，然后優(yōu)化其參數(shù)以滿足實(shí)際應(yīng)用的特定要求。PID控制是 最早發(fā)展起來的控制策略之一，其結(jié)構(gòu)簡單，實(shí)現(xiàn)容易，控制效果好，魯棒性強(qiáng)，參數(shù)物理意 義明確。PID與控制器參數(shù)的選擇一直是持續(xù)的關(guān)注，它直接關(guān)系到PID控制性能的好壞。 目前，參數(shù)的選擇大多數(shù)采用人工經(jīng)驗(yàn)指導(dǎo)下的試驗(yàn)試湊方法，典型的有Ziegler-Nichols 方法，此外，還有其它一些改進(jìn)的方法，如間接尋優(yōu)方法，梯度法和爬山法等。近年來，隨著 智能控制理論的發(fā)展，專家系統(tǒng)，模糊控制以及神經(jīng)網(wǎng)絡(luò)日益受到控制界的重視，出現(xiàn)了一 些基于遺傳算法和模糊推理的整定方法。從而，將控制器參數(shù)設(shè)計(jì)問題轉(zhuǎn)化成優(yōu)化問題，很 多傳統(tǒng)優(yōu)化算法均被用來整定控制器參數(shù)。優(yōu)化理論和方法的起源可以追溯到微積分產(chǎn)生的年代，然后直到20世紀(jì)30年代， 由于軍事和工業(yè)生產(chǎn)等方面的迫切需要，才使得優(yōu)化方法的研究得到蓬勃的發(fā)展。常用的 優(yōu)化方法主要有解析法，枚舉法和隨機(jī)搜索。解析法容易陷入局部最優(yōu)值，而且要求目標(biāo) 函數(shù)和約束域可用解析式表示，難以用于求解目標(biāo)函數(shù)不連續(xù)、約束域不連通、目標(biāo)函數(shù)難 以用解析式表達(dá)、解空間具有多峰特性等情況。枚舉法具有簡單易行的特點(diǎn)，但它需要計(jì)算 搜索空間中每一個(gè)點(diǎn)的值，因此效率低下、適應(yīng)性差。實(shí)際上，許多優(yōu)化問題的搜索空間都 很大，不允許一點(diǎn)一點(diǎn)地搜索。隨機(jī)搜索方法則是通過在搜索空間里隨機(jī)漫游并隨時(shí)記錄 下所取得的最好結(jié)果，它的效率依然不高，而且只有解在搜索空間緊密分布時(shí)，才能找到最 優(yōu)解，這個(gè)條件一般很難滿足。針對工程中的優(yōu)化問題的復(fù)雜性、約束性、非線性、多局部極 小點(diǎn)、建模困難等特點(diǎn)，尋找適合于大規(guī)模并行搜索且具有智能化的優(yōu)化方法已經(jīng)成為一 個(gè)重要的研究方向。控制器的優(yōu)化設(shè)計(jì)是優(yōu)化方法應(yīng)用的一個(gè)重要領(lǐng)域，在進(jìn)行控制器的優(yōu)化設(shè)計(jì) 時(shí)，除了保證控制系統(tǒng)閉環(huán)穩(wěn)定外，還要考慮其他的性能指標(biāo)，例如超調(diào)量最小，調(diào)節(jié)時(shí)間 最短，上升時(shí)間最短等。傳統(tǒng)控制器設(shè)計(jì)只有一組可調(diào)的控制器參數(shù)，若按干擾一致性整定 控制器參數(shù)，則目標(biāo)跟蹤特性變差；若按目標(biāo)跟蹤特性整定控制器參數(shù)，則干擾抑制特性變 差。因此實(shí)際系統(tǒng)設(shè)計(jì)中，很難得到最佳的控制效果。此外控制器階數(shù)的遞增也為實(shí)現(xiàn)滿 意的控制性能增加難度。近年來，受生物科學(xué)技術(shù)研究成果的啟發(fā)，基于生物計(jì)算的優(yōu)化方法發(fā)展迅速。研 究人員借鑒仿生學(xué)的思想，提出了一些具有高效尋優(yōu)能力和廣泛適應(yīng)性的智能優(yōu)化方法。 例如，人工神經(jīng)網(wǎng)絡(luò)(ANN)在一定程度上模擬了人腦的組織結(jié)構(gòu)和功能；遺傳算法(GA)借 鑒了自然界生物“生存競爭、優(yōu)生劣汰，適者生存”的進(jìn)化機(jī)制；蟻群算法(ACO)則受螞蟻群 體尋找食物最優(yōu)路徑的啟發(fā)；禁忌搜索模擬了人類記憶的智力過程。這些基于生物計(jì)算的 優(yōu)化方法在求解復(fù)雜優(yōu)化問題方面展示了它們的優(yōu)點(diǎn)。其中常規(guī)遺傳算法(SGA)作為一種適應(yīng)面廣，魯棒性強(qiáng)的隨機(jī)搜索方法，具有較強(qiáng)的全局搜索能力，適合解決此類問題，然而 該方法搜索效率較低，局部搜索能力較差且易早熟。根據(jù)生物遺傳物質(zhì)DNA及核糖體RNA的結(jié)構(gòu)(見圖4)、變異及信息傳遞，抽象出受 核糖體RNA(rRNA)啟發(fā)的混合DNA-GA算法(r_HDG)的相應(yīng)各種仿生優(yōu)化規(guī)則，是受核糖體 RNA啟發(fā)而提出的一種優(yōu)化算法，可用于解決多變量，非線性的優(yōu)化問題，得到有效的控制 參數(shù)和化工模型。將此種方法用于船舶柴油機(jī)控制器優(yōu)化設(shè)計(jì)中，取得較理想的效果。

發(fā)明內(nèi)容
本發(fā)明的目的是針對現(xiàn)有技術(shù)的不足，提供了一種受核糖體RNA啟發(fā)的高階控制器參 數(shù)優(yōu)化方法。受核糖體RNA啟發(fā)的高階控制器參數(shù)優(yōu)化方法的步驟如下
1)算法初始化，包括最大代數(shù)，種群規(guī)模，被估計(jì)參數(shù)的取值范圍，強(qiáng)變異概率，弱變異 概率，參數(shù)編碼長度，編碼參數(shù)個(gè)數(shù)，交叉算子的執(zhí)行概率，補(bǔ)碼反轉(zhuǎn)變異概率，隨機(jī)產(chǎn)生初 始對象；
2)將超調(diào)量、響應(yīng)時(shí)間及積分誤差平方加權(quán)為一個(gè)總的性能指標(biāo)作為目標(biāo)函數(shù)；
3)設(shè)定如下算法的終止準(zhǔn)則算法運(yùn)行代數(shù)是否達(dá)到最大代數(shù)，如果沒有達(dá)到，運(yùn)行 算法繼續(xù)尋優(yōu)，如果達(dá)到，退出算法，運(yùn)行結(jié)束；
4)運(yùn)行受啟發(fā)的受核糖體RNA啟發(fā)的混合DNA遺傳算法對高階控制器參數(shù)進(jìn)行優(yōu)化， 依次執(zhí)行核糖體RNA預(yù)剪切規(guī)則，交叉變異規(guī)則，補(bǔ)碼反轉(zhuǎn)變異規(guī)則，單體自然突變規(guī)則， 環(huán)境導(dǎo)向變異規(guī)則；
5)當(dāng)算法運(yùn)行未達(dá)到算法的終止準(zhǔn)則，返回步驟4)繼續(xù)尋優(yōu)；否則，將算法的估計(jì)輸 出最優(yōu)值作為高階控制器參數(shù)的估計(jì)值，得到受核糖體RNA啟發(fā)的高階控制器優(yōu)化參數(shù)。所述的預(yù)剪切規(guī)則、單體自然突變規(guī)則、環(huán)境導(dǎo)向規(guī)則，交叉變異規(guī)則，補(bǔ)碼反轉(zhuǎn) 變異規(guī)則如下
1)預(yù)剪切規(guī)則
每條rRNA-GA鏈上存在多個(gè)一18S—5. 8S—26S片段，在讀取有效信息位時(shí)，在浮動信 息位中任意選取起始點(diǎn)，一旦選定，不含前導(dǎo)的18S—5. 8S—26S片段將被提取，同時(shí)拋棄 ITS，提取有效8個(gè)信息位，并為每個(gè)信息位賦予它在原始片段中的位號。位號將決定當(dāng)前 位的變異概率。如rand(廣6)=4，則起始位是4，故有效信息位的位號分別為4、5、6、10、14、 15、16、17。由于4、5、10、14和15是強(qiáng)位點(diǎn)，故自然突變時(shí)將按照強(qiáng)位點(diǎn)進(jìn)行概率判斷；由 于6、14、16和17是弱位點(diǎn)，故自然突變時(shí)將按照弱位點(diǎn)進(jìn)行概率判斷。 Γc =ceil(、5*rand)+\·， i € [1,2,...,M]
4(1:3) = 4(,^ + ; H}(i:3)^c:c + 2 4 ￠4) = 4^ + 6); H}(4)=c + 6;·(i) = rand *wids(J) + Xmkl j e [1,2,...,3/], λ e [1,2,...,8]其中，c為隨機(jī)選取信息位的開始位號為種群中第i個(gè)個(gè)體的第^/個(gè)自變量的 有效信息位編碼表示；4為種群中第i個(gè)個(gè)體的第J個(gè)自變量的原始信息位編碼表示；力的原始信息位號；CW7為向上取整函數(shù) ’rand為
隨機(jī)分布函數(shù)。I為種群規(guī)模，
7為待解決問題的維度； 2)單體自然突變規(guī)則
預(yù)剪切后的8個(gè)信息位為有效信息位，每個(gè)信息位的變化范圍為，針對每個(gè) 自變量￥則可以通過下式表達(dá)和進(jìn)行單體變異，如果單體自然突變后的新個(gè)體適應(yīng)度好，
則替換掉原個(gè)體，否則不做任何改變，
權(quán)利要求
1.一種受核糖體RNA啟發(fā)的高階控制器參數(shù)優(yōu)化方法，其特征它的步驟如下1)算法初始化，包括最大代數(shù)，種群規(guī)模，被估計(jì)參數(shù)的取值范圍，強(qiáng)變異概率，弱變異 概率，參數(shù)編碼長度，編碼參數(shù)個(gè)數(shù)，交叉算子的執(zhí)行概率，補(bǔ)碼反轉(zhuǎn)變異概率，隨機(jī)產(chǎn)生初 始對象；2)將超調(diào)量、響應(yīng)時(shí)間及積分誤差平方加權(quán)為一個(gè)總的性能指標(biāo)作為目標(biāo)函數(shù)；3)設(shè)定如下算法的終止準(zhǔn)則算法運(yùn)行代數(shù)是否達(dá)到最大代數(shù)，如果沒有達(dá)到，運(yùn)行 算法繼續(xù)尋優(yōu)，如果達(dá)到，退出算法，運(yùn)行結(jié)束；4)運(yùn)行受啟發(fā)的受核糖體RNA啟發(fā)的混合DNA遺傳算法對高階控制器參數(shù)進(jìn)行優(yōu)化， 依次執(zhí)行核糖體RNA預(yù)剪切規(guī)則，交叉變異規(guī)則，補(bǔ)碼反轉(zhuǎn)變異規(guī)則，單體自然突變規(guī)則， 環(huán)境導(dǎo)向變異規(guī)則；5)當(dāng)算法運(yùn)行未達(dá)到算法的終止準(zhǔn)則，返回步驟4)繼續(xù)尋優(yōu)；否則，將算法的估計(jì)輸 出最優(yōu)值作為高階控制器參數(shù)的估計(jì)值，得到受核糖體RNA啟發(fā)的高階控制器優(yōu)化參數(shù)。
2.根據(jù)權(quán)利要求1所述的一種受核糖體RNA啟發(fā)的高階控制器參數(shù)優(yōu)化方法，其特征 在于所述的預(yù)剪切規(guī)則、單體自然突變規(guī)則、環(huán)境導(dǎo)向規(guī)則，交叉變異規(guī)則，補(bǔ)碼反轉(zhuǎn)變異 規(guī)則如下1)預(yù)剪切規(guī)則每條核糖體RNA-GA鏈上存在多個(gè)一18S—5. 8S—26S片段，在讀取有效信息位時(shí)，在 浮動信息位中任意選取起始點(diǎn)，一旦選定，不含前導(dǎo)的18S—5. 8S-26S片段將被提取，同 時(shí)拋棄內(nèi)轉(zhuǎn)錄間隔區(qū)，提取有效8個(gè)信息位，并為每個(gè)信息位賦予它在原始片段中的位號， 位號將決定當(dāng)前位的變異概率，如rand(廣6) =4，則起始位是4，故有效信息位的位號分別 為4、5、6、10、14、15、16、17，由于4、5、10、14和15是強(qiáng)位點(diǎn)，故自然突變時(shí)將按照強(qiáng)位點(diǎn)進(jìn) 行概率判斷；由于6、14、16和17是弱位點(diǎn)，故自然突變時(shí)將按照弱位點(diǎn)進(jìn)行概率判斷； Ic = ceil(5*mnd) +1; i e [1,2,...,M]4(1:3^ = 4^:^ + 2); /ij(l: 3) = c:c + 2 4(4) = 4(^ + 6); //j(4) = e + 6; Kj(5: E) -:c + 13); H2i(5: S) - c + 10: c + 13;JSj(k) = rand 本W(wǎng)i^fe(Ji) + ^ j ek e[l72 ... 8]其中，C為隨機(jī)選取信息位的開始位號；4為種群中第i個(gè)個(gè)體的第J個(gè)自變量的有效信息位編碼表示；4為種群中第i個(gè)個(gè)體的第j個(gè)自變量的原始信息位編碼表示；/4為^的原始信息位號-,ceil為向上取整函數(shù).,rand為
隨機(jī)分布函數(shù)，I為種群規(guī)模，j為 待解決問題的維度；2)單體自然突變規(guī)則預(yù)剪切后的8個(gè)信息位為有效信息位，每個(gè)信息位的變化范圍為，針對每個(gè) 自變量< 則可以通過下式表達(dá)和進(jìn)行單體變異，如果單體自然突變后的新個(gè)體適應(yīng)度好，則替換掉原個(gè)體否則不做任何改變，
全文摘要
本發(fā)明公開了一種受核糖體RNA啟發(fā)的高階控制器參數(shù)優(yōu)化方法。它的步驟如下1)針對現(xiàn)場控制對象，設(shè)置合適高階控制器階數(shù)，將超調(diào)量、響應(yīng)時(shí)間及積分誤差平方加權(quán)為一個(gè)總的性能指標(biāo)作為目標(biāo)函數(shù)；2)根據(jù)生物遺傳物質(zhì)DNA及核糖體RNA的結(jié)構(gòu)、變異及信息傳遞，抽象出受核糖體RNA(rRNA)啟發(fā)的混合DNA遺傳算法(r-HDG)的相應(yīng)各種仿生優(yōu)化規(guī)則；3)設(shè)定仿生算法的基本及特有參數(shù)；4)模擬生物遺傳物質(zhì)的結(jié)構(gòu)變異及轉(zhuǎn)運(yùn)，運(yùn)行受核糖體RNA啟發(fā)的r-HDG算法，通過最小化目標(biāo)函數(shù)，得到適用于復(fù)雜過程對象的高階控制器的參數(shù)及其各項(xiàng)性能評價(jià)指標(biāo)。本發(fā)明模擬生物遺傳物質(zhì)DNA及核糖體RNA的結(jié)構(gòu)、變異及信息傳遞，具有尋優(yōu)精度高、速度快的特點(diǎn)。
文檔編號G05B13/04GK102141778SQ20111009779
公開日2011年8月3日 申請日期2011年4月19日 優(yōu)先權(quán)日2011年4月19日
發(fā)明者馮芳瓊, 王寧 申請人:浙江大學(xué)