量子遗传算法与其在控制系统满意优化设计中的应用

《量子遗传算法与其在控制系统满意优化设计中的应用》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、西南交通大学硕士学位论文第3页始对传统的优化理论和方法进行改进，同时把其他科学技术领域的研究成果引入到优化理论和优化算法中。特别是70年代以后，以禁忌搜索(TabuSearch)算法、模拟退火(SimulatedAnnealing)算法、遗传算法(GeneticAlgorithms)、人工神经网络(ANN，ArtificialNeuralNetwork)等为代表的一系列现代优化方法被提出并且已经运用到实际的问题中。与此同时，随着算法复杂性理论(ComputationalComplexityTheory)的完善，在优化问题中我们不再一味的

2、强调要求得到最优解，而只要求找到一个令人满意的解，整个问题就会大大的简化。美国著名的人工智能专家、诺贝尔经济学奖的获得者H．A．Simon在经济组织实际决策的研究中，于1978年首先提出了“令人满意准则”的概念来代替微观经济学的最大化原则，同时提出了在某些情况下，应该用“令人满意的决策”代替传统意义上的最优决策的思想。从而开辟了一个崭新的知识体系。引入“令人满意准则”之后，最优化理论应该确切的称为优化理论，即不必事事强求“最优”，在多数情况下，求得“较优”的即可。一般把寻求最优解的优化问题称为最优化问题，因此，可以把寻求满意解的优化问题

3、称为满意优化问题。H．A．Simon举出一个对“满意解”及其优越性进行形象描述的例子：在地里摘玉米。如果找到一个最大的玉米是很困难的。需要把地里的玉米都要测量一下，再加以比较才能确定。并且这个问题的工作量是相当大的，它和玉米地的面积成正比，面积越大，工作量越大。但是如果要求找到的不是最大的那个，而是一个比较大的，即按通常的说法，到地里摘一个大玉米，问题就简单多了。这时，土地的面积大小甚至和工作量基本无关f5】。而在同一时期，人工智能(ArtificialIntelligence)方面的研究取得了惊人的成就。在研究知识在人工智能领域的重要

4、作用的过程中，一些学者将智能定义为：当一个系统具有可运用的知识时，智能就是在巨大的搜索空间迅速的找到一个满意解的能力。而这一理论在人工智能发展史上有着重要的意义和影响，知识工程、专家系统等都是这一理论影响下发展起来的。在文献[5]中，任平教授首先对满意解进行了数学分析，利用模糊数学的隶属函数、子集、截集等概念，将满意解定义为某一论域西南交通大学硕士学位论文第4页在约束条件构成的子集的限制下所形成的截集，同时提出了使用模糊集合论的方法来研究满意解集。九十年代，西南交通大学的靳蕃教授在研究人工神经网络(ANN，ArtificialNeura

5、lNetwork)过程中，通过比较传统的VonNeumann计算机与入脑的结构特点、运行机制和求解方法，发现人脑之所以在高级智能信息处理领域比电脑“聪明”，不仅在于前者的巨大并行分布拓扑结构，还因为它寻求满意解的运算原则。在此基础上，首先提出了“神经计算的满意解原理”【6，】。上海交通大学席裕庚教授在研究复杂工业过程环境的基础上，总结出控制是有约束多目标多自由度优化的特点(CMMO)，提出了满意控制概念和原理框架is,g]。西南交通大学的金炜东教授研究了评价满意解性能的满意度函数，针对优化问题的比较复杂的情况提出了串行求解结构和并行求解

6、结构。提出了一种“多目标满意优化模型”和“局部一全局型满意优化模型”，并将它们应用于控制器的参数设计以及列车操纵优化方法研究中⋯】，从而将满意优化的研究在理论和实际应用上又向前推进了一步。此外，西南交通大学的罗刚博士以满意原则为主要内容，以满意解原则在工程中的应用为研究出发点，详细分析已经取得的研究成果，提出了累积矛盾(接近)度、瞬时矛盾(接近)度、归一化矛盾(接近)度等多种衡量质量准则关系的指标：同时探讨了多目标优化问题中的各个目标间折衷原则的确定方法，并将其应用于PID控制器的参数优化设计之中m，。以上几位不同学科领域的专家、学者先

7、后提出的这几个概念和思想实质上是一致的，从不同背景的应用问题研究中提出了一个共性的问题：在处理复杂的实际优化问题时应该采取“寻求问题满意解”的优化策略。满意优化方法摒弃了传统的“最优”的概念，强调的是“令人满意”，而不是“最优”，它是一种将优化问题的约束和目标融为一体进行优化计算的方法，具有更大的灵活性和适用性。在本文中则是采用这种优化策略来进行控制系统的优化设计的。以寻求满意解为目的的满意优化方法之所以得到迅速的发展，逐渐被众多学者所密切关注，主要是因为它具有以下几方面的特点(1)满意优化方法具有人类智能信息处理方式的基本特征之即在巨

8、大的搜索空间中迅速地找到满意解的能力。西南交通大学硕士学位论文第5页(2)传统优化方法采用描述问题的数学模型。因为数学模型是问题本身的简化，或多或少地忽略了一些因素。另外，数据采集的不精确以及参数估计的不准