【毕业学位论文】（Word原稿）应用Matlab实现遗传算法优化二自由度PID控制器参数-控制理论与控制工程

哈 尔滨工业大学远程教育本科毕业设计（论文） - I - 摘 要 遗传算法是密歇根大学 授借鉴生物进化中的 “ 生存竞争 ” 和“ 优胜劣汰 ” 现象提出的有效的全局优化算法。它将遗传操作应用于一群对搜索空间编码的染色体中，在每一代，遗传算法同时作用于整个搜索空间的不同区域，通过优胜劣汰，去掉解空间中期望值较低的部分，保留高期望值部分，从而能以较大的概率找到最优解。 遗传算法（ 模仿自然选择、物种进化和群体遗传学而建立的一种随机搜索技术 ,其主要特点是群体搜索策略和群体中个体之间的信息交换，搜索不依赖于梯度信息。由于遗传算法不受搜索空间的限制性假设的约束，不 要求解空间有连续性、可导等性质，以及其固有的并行性。迄今为止，己经在工程和研究的诸多领域得到了广泛的应用。 本文首先介绍了遗传算法的发展、特点、应用、实现过程及其应用。介绍了 制技术的原理和应用，最后本文应用 件实现了遗传算法的基本操作（包括复制，交叉，变异），并且实现了遗传算法对函数的优化和对二自由度 制器参数的整定，并和传统方法整定 效果进行了比较。结果表明 ,遗传算法比传统方法优化 数的效果更好。 关键词 遗传算法；二自由度 制器； 数整定 哈 尔滨工业大学远程教育本科毕业设计（论文） - is a a of of GA t to be Its on of it a in So it in in GA)is a of by by of In on a of is in In on in be by of ID to of to it a by A ID is 哈 尔滨工业大学远程教育本科毕业设计（论文） - ID 尔滨工业大学远程教育本科毕业设计（论文） - 目录 摘 要 . I . 1 章 绪论 . 1 传算法的生物学基础 . 1 传算法的基本步骤 . 2 本概念 . 3 传步骤 . 5 传算法的特点 . 6 传算法的发展 . 8 传算法的应用 . 10 前研究现状 . 13 课题主要研究内容 . 14 第 2 章 遗传算法的基本实现技术 . 15 码方法 . 15 进制编码方法 . 16 雷码编码方法 . 17 点数编码方法 . 19 号编码方法 . 20 应度函数 . 21 标函数与适应度函数 . 22 应度尺度变换 . 23 传算子 . 25 择算子 . 25 叉算子 . 28 异算子 . 31 传算法的运行参数 . 34 章小结 . 36 第 3 章 制的基本原理 . 37 制概述 . 37 哈尔滨工业大学远程教育本科毕业设计（论文） V 制原理 . 37 制器的参数整定 . 43 程整定法 1. 43 程整定法 2. 43 程整定法 3. 44 制的性能指标 . 44 自由度 制 . 46 章小结 . 51 第 4 章 应用 现 化函数 . 52 介 . 52 言的发展 . 52 各领域的应用 . 52 言的功能 . 53 用 现 函数极值 . 55 进制编码遗传算法求函数极值 . 55 数编码遗传算法求函数极大值 . 64 章小结 . 70 第 5 章 应用 现遗传算法优化二自由度 制器参数 . 71 介 . 71 用遗传算法优化 制器的参数 . 73 用遗传算法整定 个系数的优点 . 73 于遗传算法的 定原理 . 74 用遗传算法优化 制器参数的具体步骤及程序流程 . 76 化设定值前馈型二自由度 制器参数 . 78 用 真 . 78 用 现 制器的参 数 . 79 用 化的结果分析 . 86 优化反馈补偿型二自由度 制器参数 . 87 用 现 . 87 用 现 制器的参数 . 88 用 化的结果分析 . 92 章小结 . 93 哈尔滨工业大学远程教育本科毕业设计（论文） 论 . 94 致 谢 . 96 参考文献 . 97 哈尔滨工业大学远程教育本科毕业设计（论文） 1 第 1章 绪论 遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法。它最早由美国密执安大学的 授提出，起源于 20 世纪 60 年代对自然和人工自适应系统的研究。 20 世纪 70 年代 于遗传算法的思想在计算机上进行了大量的纯数值函数优化计算实验。在一系列研究工作的基础上， 20 世纪 80 年代由 行归纳总结，形成了遗传算 法的基本框架。 遗传算法的概念最早是由 1967 年提出的，而开始遗传算法的理论和方法的系统性研究的是 1975 年，这一开创性工作是由 学的 实行。当时，其主要目的是说明自然和人工系统的自适应过程。 遗传算法简称 ，在本质上是一种不依赖具体问题的直接搜索方法。遗传算法在模式识别、神经网络、图像处理、机器学习、工业优化控制、自适应控制、生物科学、社会科学等方面都得到应用。在人工智能研究中，现在人们认为 “ 遗传算法、自适 应系统、细胞自动机、混沌理论与人工智能一样，都是对今后十年的计算技术有重大影响的关键技术 ”。 传算法的生物学基础 由于遗传算法是自然遗传学和计算机科学相互结合渗透而成的新的计算方法，所以遗传算法中经常使用有关自然进化中的一些基础用语。了解这些用语对于学习和应用遗传算法是十分重要的。在生物细胞中，控制并决定生物遗传特性的物质是脱氧核糖核酸，简称 色体是其载体。 由四种碱基按一定规则排列组成的长链，四种碱基不同的排列模式决定了生物不同的表现性状。例如，改变 链中的特定一段，称为基因 （ ，即可改变人体的身高。基因的位置称为基因座 （ ，基因的所有可能取值称为等位哈尔滨工业大学远程教育本科毕业设计（论文） 2 基因 （ 。基因和基因座决定了染色体的性状，即基因型（ ，同一种基因型的生物个体在不同的环境条件下，可以有不同的表现型 （ 。因此，表现型是基因型与环境条件相互作用的结果。 细胞在分裂时， 过复制 （ 而转移到新产生的细胞中，新的细胞就继承了旧细胞的基因。有性生殖生物在繁殖下一代时，两条染色体之间通过交叉 （ 而重组，亦即在两个染色体 的某一相同位置处 切断，其前后两串分别交叉形成两个新的染色体。在细胞进行复制时可能以很小的概率产生某些复制差错，从而使 生某种变异（ ，产生新的染色体。这些新的染色体将决定新个体 （ 后代 ） 的新性状。许多个体组成了群体 （ 。在一个群体中，并不是所有的个体都能得到相同的繁殖机会，对生存环境适应度 （ 高的个体将获得更多的繁殖机会 ;反之亦然，此即所谓自然选择现象。而生存下来的个体组成的群体，其品质不断得以改良，称为进化 （ 。 遗传算法就是 要模拟上述生物遗传进化过程，用带求解的问题构成进化的环境，目的就是要找到最适合此环境的个体。其中，基因对应待优化的参数，染色体或称 （ 基因型 ） 个体 （ 对应全部待优化的参数，基因座对应某参数在染色体中的位置，等位基因对应该参数的所有可能取值。个体以编码串的形式给出，编码串上各个位置所有等位基因的组合就构成了待优化问题的全部可行解，即构成了优化问题的搜索空间。搜索点在搜索空间的随机移动依赖于交叉和变异操作，搜索的方向用适应度函数指引。搜索的形式是以群体的形式进行的，即多个个体并行搜索。对群体的 一次搜索成为一代（ ，适应度高的个体有更多的机会进化到下一代。经过一代一代的反复，最终得到最适合或较适合问题的解。 传算法的基本步骤 遗传算法的基本思想是基于 化论和 遗传学说的。 哈尔滨工业大学远程教育本科毕业设计（论文） 3 化论最重要的是适者生存原理。它认为每一物种在发展中越来越适应环境。物种每个个体的基本特征由后代所继承，但后代又会产生一些异于父代的新变化。在环境变化时，只有那些熊适应环境的个体特征方能保留下来。 传学说最重要的是基因遗传原理。它认为遗传以密码方式存在细胞中 ，并以基因形式包含在染色体内。每个基因有特殊的位置并控制某种特殊性质；所以，每个基因产生的个体对环境具有某种适应性。基因突变和基因杂交可产生更适应于环境的后代。经过存优去劣的自然淘汰，适应性高的基因结构得以保存下来。 与自然界相似，遗传算法对求解问题的本身一无所知，它所需要的仅是对算法所产生的每个染色体进行评价 ,把问题的解表示成染色体，并基于适应值来选择染色体，使适应性好的染色体有更多的繁殖机会。在算法中也即是以二进制编码的串。并且，在执行遗传算法之前，给出一群染色体，也即是假设解。然后，把这些假设解置于问 题的 “ 环境 ” 中，也即一个适应度函数中来评价。并按适者生存的原则，从中选择出较适应环境的染色体进行复制 ， 淘汰低适应度的个体，再通过交叉，变异过程产生更适应环境的新一代染色体群。对这个新种群进行下一轮进化，至到最适合环境的值 1。 本概念 由于遗传算法是由进化论和遗传学机理而产生的直接搜索优化方法；故而在这个算法中要用到各种进化和遗传学的概念。这些概念如下： （ 1） 串 (它是个体 （ 的形式，在算法中为二进制串，并且对应于遗传学中的染色体 （ 。 （ 2） 群体 （ 个体的集合称为群体，串是群体的元素。 哈尔滨工业大学远程教育本科毕业设计（论文） 4 （ 3） 群体大小 （ 在群体中个体的数量称为群体的大小。 （ 4） 基因 （ 基因是串中的元素，基因用于表示个体的特征。例如有一个串 S 1011，则其中的 1， 0， 1， 1 这 4 个元素分别称为基因。它们的值称为等位基因( （ 5） 基因位置 （ 一个基因在串中的位置称为基因位置，有时也简称基因位。基因位置由串的左向右计算，例如在串 S 1101 中， 0 的基因位置是 3。基因位置对应于遗 传学中的地点 ( （ 6） 基因特征值 （ 在用串表示整数时，基因的特征值与二进制数的权一致。例如在串S=1011 中，基因位置 3 中的 1，它的基因特征值为 2，基因位置 1 中的 1，它的基因特征值为 8。 （ 7） 串结构空间 串中，基因任意组合所构成的串的集合。基因操作是在结构空间中进行的，串结构空间对应于遗传学中的基因型 （ 的集合。 （ 8） 参数空间 是串空间在物理系统中的映射，它对应于遗传学中的表现型(集合。 （ 9） 非线性 它对应遗传学 中的异位显性 （ 。 （ 10） 适应度 （ 表示某一个体对于环境的适应程度。 遗传算法还有一些其它的概念，这些概念在介绍遗传算法的原理和执行哈尔滨工业大学远程教育本科毕业设计（论文） 5 过程时，再进行说明。 传步骤 了解了上面的基本参数，下面我们来看看遗传算法的基本步骤，基本过程为： （ 1） 对待解决问题进行编码 ， 我们将问题结构变换为位串形式编码表示的过程叫编码，而相反将位串形式编码表示变换为原问题结构的过程叫译码； （ 2） 随机初始化群体 P（ 0） ： =（ p1, ； 计算群体上每个个体的适应度值 （ ； （ 3） 评估适应度 ,对当前群体 P（ t） 中每个个体 算其适应度 F（ ，适应度表示了该个体的性能好坏； （ 4） 按由个体适应度值所决定的某个规则应用选择算子产生中间代 t） ； （ 5） 依照 择个体进行交叉操作； （ 6） 仿照 繁殖个体进行变异操作； （ 7） 没有满足某种停止条件，则转第 （ 3） 步，否则进入 （ 9） ； （ 8） 输出种群中适应度值最优的个体； （ 9） 程序的停止条件最简单的有如下二种，完成了预先给定的进化代数则停止；种群中的最优个体在连续若干代没有改进或平均适应度在连续若干代基本没有改进时停止。 根据遗传算法思想可以画出如图 1示的简单遗传算法框图。 哈尔滨工业大学远程教育本科毕业设计（论文） 6 开 始结 束初 始 化 群 体计 算 适 应 度 值选 择 操 作交 叉 操 作变 异 操 作适 应 度 最 优 群 体条 件 中 止图 1传算法的步骤 生物的进化是一个奇妙的优化过程，它通过选择淘汰，突然变异，基因遗传等规律产生适应环境变化的优良物种。遗传算法是根据生物进化思想而启发得出的一种全局优化算法。 传算法的特点 为解决各种优化计算问题，人们提出了各种各样的优化算法，如单纯形法、梯度法、动态规划法。分枝定界法等。这些优化算法各有各的长处，各有各的适用范围，也各有各的限制。遗传算法是一类可用于复杂系统优化 计算的鲁棒搜索算法，与其他一些优化算法相比，它主要有下述几个特点： 哈尔滨工业大学远程教育本科毕业设计（论文） 7 （ 1） 遗传算法以决策变量的编码作为运算对象。传统的优化算法往往直接利用决策变量的实际值本身来进行优化计算，但遗传算法不是直接以决策变量的值，而是以决策变量的某种形式的编码为运算对象。这种对决策变量的编码处理方式，使得我们在优化计算过程中可以借鉴生物学中染色体和基因等概念，可以模仿自然界中生物的遗传和进化等机理，也使得我们可以方便地应用遗传操作算子。特别是对一些无数值概念或很难有数值概念，而只有代码概念的优化问题，编码处理方式更显示出了其独特 的优越性。 （ 2） 遗传算法直接以目标函数值作为搜索信息。传统的优化算法不仅需要利用目标函数值，而且往往需要目标函数的导数值等其他一些辅助信息才能确定搜索方向。而遗传算法仅使用由目标函数值变换来的适应度函数值，就可确定进一步的搜索方向和搜索范围，无需目标函数的导数值等其他一些辅助信息。这个特性对很多目标函数是无法或很难求导数的函数，或导数不存在的函数的优化问题，以及组合优化问题等，应用遗传算法时就显得比较方便，因为它避开了函数求导这个障碍。再者，直接利用目标函数值或个体适应度，也可使得我们可以把搜索范围集中到 适应度较高的部分搜索空间中，从而提高了搜索效率。 （ 3） 遗传算法同时使用多个搜索点的搜索信息。传统的优化算法往往是从解空间中的一个初始点开始最优解的迭代搜索过程。单个搜索点所提供的搜索信息毕竟不多，所以搜索效率不高，有时甚至使搜索过程陷于局部最优解而停滞不前。遗传算法从由很多个体所组成的一个初始群体开始最优解的搜索过程 ， 而不是从一个单一的个体开始搜索。对这个群体所进行的选择、交叉、变异等运算，产生出的乃是新一代的群体，在这之中包括了很多群体信息。这些信息可以避免搜索一些不必搜索的点，所以实际上相当于搜索了更 多的点，这是遗传算法所特有的一种隐含并行性。 （ 4） 遗传算法使用概率搜索技术。很多传统的优化算法往往使用的是确哈尔滨工业大学远程教育本科毕业设计（论文） 8 定性的搜索方法，一个搜索点到另一个搜索点的转移有确定的转移方法和转移关系，这种确定性往往也有可能使得搜索永远达不到最优点，因而也限制了算法的应用范围。而遗传算法属于一种自适应概率搜索技术，其选择、交叉、变异等运算都是以一种概率的方式来进行的，从而增加了其搜索过程的灵活性。虽然这种概率特性也会使群体中产生一些适应度不高的个体，但随着进化过程的进行，新的群体中总会更多地产生许多优良的个体，实践和理论都已 证明了在一定条件下遗传算法总是以概率 1收敛于问题的最优解。当然，交叉概率和变异概率等参数也会影响算法的搜索效果和搜索效率，所以如何选择遗传算法的参数在其应用中是一个比较重要的问题。而另一方面，与其他一些算法相比，遗传算法的鲁棒性又会使得参数对其搜索效果的影响会尽可能地低。 传算法的发展 遗传算法起源于对生物系统所进行的计算机模拟研究。早在本世纪 40 年代，就有学者开始研究如何利用计算机进行生物模拟的技术，他们从生物学的角度进行了生物的进化过程模拟、遗传过程模拟等研究工作。进入 60 年代后，美国密执安大学的 授及其学生们受到这种生物模拟技术的启发，创造出了一种基于生物遗传和进化机制的适合于复杂系统优计算的自适应概率优化技术遗传算法。下面是在遗传算法的发展进程中一些关键人物所作出的一些主要贡献。 （ 1） 0 世纪 60 年代， 识到了生物的遗传和自然进化现象与人工自适应系统的相似关系，运用生物遗传和进化的思想来研究自然和人工自适应系统的生成以及它们与环境的关系，提出在研究和设计人工自适应系统时，可以借鉴生物遗传的机制，以群体的方法进行自适应搜索，并且充分认识到了交叉 、变异等运算策略在自适应系统中的重要性。 20 世纪 70 年代， 授提出了遗传算法的基本定理 模式定理哈尔滨工业大学远程教育本科毕业设计（论文） 9 （ ， 从而奠定了遗传算法的理论基础。模式定理揭示出了群体中的优良个体（较好的模式）的样本数将以指数级规律增长，因而从理论上保证了遗传算法是一个可以用来寻求最优可行解的优化过程。 1975 年，版了第一本系统论述遗传算法和人工自适应系统的专著自然系统和 人 工 系 统 的 自 适 应 性 （ 。 20 世纪 80 年代， 授实现了第一个基于遗传算法的机器学习系统 分类器系统（ 简称 开创了基于遗传算法的机器学习的新概念，为分类器系统构造出了一个完整的框架。 （ 2） 967 年， 学生 其博士论文中首次提出了 “ 遗传算法 ” 一词，并发表了遗传算法应用方面的第一篇论文。他发展了复制、交叉、变异、显性、倒位等遗传算子，在个体编码上使用了双倍体的编码方法。这些都与目前遗传算法中所使用的算子和方法相类似。他还敏 锐地意识到了在遗传算法执行的不同阶段可以使用不同的选择率，这将有利于防止遗传算法的早熟现象，从而创立了自适应遗传算法的概念。 （ 3） 975 年， 其博士论文中结合模式定理进行了大量的纯数值函数优化计算实验，树立了遗传算法的工作框架，得到了一些重要且具有指导意义的结论。例如，对于规模在 50 100 的群体，经过 10 20 代的进化，遗传算法都能以很高的概率找到最优或近似最优解，他推荐了在大多数优化问题中都适用的遗传算法的参数，还建立了著名的 函数测试平台，定义了评价遗传算法性能的在线指标和离线指标。 （ 4） 989 年， 版了专著搜索、优化和机器学习中的遗传算法哈尔滨工业大学远程教育本科毕业设计（论文） 10（ 。 该书总结了遗传算法的主要研究成果。全面而完整地论述了遗传算法的基本原理及其应用。可以说这本书奠定了现代遗传算法的科学基础，为众多研究和发展遗传算法的学者所瞩目。 （ 5） 991 年， 辑出版了遗传算法手册（ 量应用实例，这本书为推广和普及遗传算法的应用起到了重要的指导作用。 （ 6） 992 年， 遗传算法应用于计算机程序的优化设计及自动生成，提出了遗传编程（ 称 概念。他将一段 言程序作为个体的基因型，把问题的解编码为一棵树，基于遗传和进化的概念，对由树组成的群体进行遗传运算，最终自动生成性能较好的计算机程序。 器学习、符 号处理等方面。 传算法的应用 遗传算法提供了一种求解复杂系统问题的通用框架，它不依赖于问题的具体领域，对问题的种类有很强的鲁棒性，所以广泛应用于很多学科。下面是遗传算法的一些主要应用领域。 （ 1） 函数优化 函数优化是遗传算法的经典应用领域，也是对遗传算法进行性能评价的常用算例。很多人构造了各种各样的复杂形式的测试函数，有连续函数也有离散函数，有凸函数也有凹函数，有低维函数也有高维函数，有确定函数也有随机函数，有单峰值函数也有多峰值函数等，用这些几何特性各具特色的函数来评价遗传算法的性能，更能反映算法的本质 效果。而对于一些非线性、多模哈尔滨工业大学远程教育本科毕业设计（论文） 11型、多目标的函数优化问题，用其他优化方法较难求解，而遗传算法却可以方便地得到较好的结果。 （ 2） 组合优化 随着问题规模的增大，组合优化问题的搜索空间也急剧扩大，有时在目前的计算机上用枚举法很难或甚至不可能求出其精确最优解。对这类复杂问题，人们已意识到应把主要精力放在寻求其满意解上，而遗传算法是寻求这种满意解的最佳工具之一。实践证明，遗传算法对于组合优化中的 全问题非常有效。例如，遗传算法已经在求解旅行商问题、背包问题、装箱问题、图形划分问题等方面得到成功的应用。 （ 3） 生产调 度问题 生产调度问题在很多情况下所建立起来的数学模型难以精确求解，即使经过一些简化之后可以进行来解，也会因简化的太多而使得求解结果与实际相差甚远。而目前在现实生产中也主要是靠一些经验来进行调度。现在遗传算法已经为解决复杂调度问题的有效工具，在单件生产车间调度、流水线生产车间调度、生产规划、任务分配等方面遗传算法都得到了有效的应用。 （ 4） 自动控制 在自动控制领域中有很多与优化相关的问题需要求解，遗传算法已在其中得到了初步的应用，并显示了良好的效果。例如用遗传算法进行航空控制系统的优化、使用遗传算法设计空间交 会控制器、基于遗传算法的模糊控制器的优化设计、基于遗传算法的参数辨识、基于遗传算法的模糊控制规则的学习、利用遗传算法进行人工神经网络的结构优化设计和权值学习等，都显示除了遗传算法在这些领域中应用的可能性。 （ 5） 机器人学习 机器人是一类复杂的难以精确建模的人工系统 ， 而遗传算法的起源就来自于对人工自适应系统的研究 ， 所以机器人学理所当然地成为遗传算法的一个哈尔滨工业大学远程教育本科毕业设计（论文） 12重要应用领域。例如，遗传算法已经在移动机器人路径规划、关节机器人运动轨迹规划、机器人逆运动学求解、细胞机器人的结构优化和行为协调等方面得到研究和应用。 （ 6） 图像处理 图像处理是计算机视觉中的一个重要研究领域。在图像处理过程中，如扫描、特征提取、图像分割等不可避免地会存在一些误差，这些误差会影响图像处理的效果。如何使这些误差最小是使计算机视觉达到实用化的重要要求。遗传算法在这些图像处理中的优化计算方面找到了用武之地，目前已在模式识别、图像恢复、图像边缘特征提取等方面得到了应用。 （ 7） 人工生命 人工生命是用计算机、机械等人工媒体模拟或构造出的具有自然生物系统特有行为的人造系统。自组织能力和自学习能力是人工生命的两大主要特征。人工生命与遗传算法有着密切的关系，基于 遗传算法的进化模型是研究人工生命现象的重要基础理论。虽然人工生命的研究尚处于启蒙阶段，但遗传算法已在其进化模型、学习模型、行为模型、自组织模型等方面显示出了初步的应用能力，并且必将得到更为深入的应用和发展。人工生命和遗传算法相辅相成，遗传算法为人工生命的研究提供了一个有效的工具，人工生命的研究也必将促进遗传算法的进一步发展。 （ 8） 遗传编程 展了遗传编程的概念，他使用了以 言所表示的编码方法，基于对一种树型结构所进行的遗传操作来自动生成计算机程序。虽然遗传编程的理论尚未成熟，应用也有一些限 制，但它已成功地应用于人工智能、机器学习等领域。 （ 9） 机器学习 学习能力是高级自适应系统所应具备的能力之一。基于遗传算法的机器哈尔滨工业大学远程教育本科毕业设计（论文） 13学习，特别是分类器系统，在很多领域中都得到了应用。例如，遗传算法被用于学习模糊控制规则，利用遗传算法来学习隶属度函数，从而更好地改进了模糊系统的性能。基于遗传算法的机器学习可用来调整人工神经网络的连接权，也可用于人工神经网络的网络结构优化设计，分类器系统也在学习式多机器人路径规划系统中得到了成功的应用。 前研究现状 遗传算法（ A）是由美国密执 安大学的 授（ 1969 年）根据生物进化的模型提出的一类模拟进化算法。遗传算法是一种基于自然群体遗传演化机制的高效探索算法，它摒弃了传统的搜索方式，模拟自然界生物进化过程，采用人工进化的方式对目标空间进行随机化搜索。它将问题域中的可能解看作是群体的一个个体或染色体，并将每一个个体编码成符号串形式，模拟达尔文的遗传选择和自然淘汰的生物进化过程，对群体反复进行基于遗传学的操作（遗传，交叉和变异），根据预定的目标适应度函数对每个个体进行评价，依据适者生存，优胜劣汰的进化规则，不断得到更优的群体，同时以 全局并行搜索方式来搜索优化群体中的最优个体，求得满足要求的最优解。 在当前的工业控制器中，有半数以上的控制采用 变形 制。它直接影响控制效果的好坏，并和系统的安全、经济运行有着密不可分得关系。 “ 反馈系统的综合 ” 一书中提出了 8 种二自由度 制的构成方法。在各种实现二自由度的方法中，在传统的测定值微分先行型附加目标值滤波器，构成的目标值滤波器型二自由度 有以下几个特点：能继承、活用传统的技术成果；可以很容易地适用于现存系统；推导公式的展开简明，容易；结构 简单，功能及作用容易理解。 制的效果取决于 3 个参数 i,否合理。如何优化这 3 个参数 ,对控制效果的影响是极其关键的。获取 数主要方法有 ,人工调整以及人工智能哈尔滨工业大学远程教育本科毕业设计（论文） 14优化等。 课题主要研究内容 本设计应用遗传算法优化二自由度的 制器参数， 的仿真工具 学习使用编制仿真程序进行仿真，以满足 以下几方面内容： 1） 掌握 制的基本知识； 2） 掌握二自由度 制的基本结构和特点； 3） 掌握遗传算法的基本过程； 4） 掌握 设计与 仿真，及遗传算法工具箱或编程； 5） 编程实现基于遗传算法的 制器参数优化； 6） 仿真实例研究、结果分析； 7） 遗传算法的不足与展望。 哈尔滨工业大学远程教育本科毕业设计（论文） 15第 2章 遗传算法的基本实现技术 码方法 在遗传算法的运行过