电子行业企业管理基于神经网络的电子线路故障诊断

电子行业企业管理基于神经网络的电子线路故障诊断1绪论电子线路的特点可将电子线路故障诊断分为模拟电路的故障诊断和数字电路的的，可以说，模拟电路的可靠性几乎决定了电子设备的可靠性。1.1模拟电路故障诊断的背景意义,模拟电路的集成程度越来越高,路故障发生后,要求能及时将导致故障的原因诊断出来,电路的生产部门来说,,提高产品的性:第一，微电子学时代的到来,电子线路的复杂性和密集性明显增加,成千上万个电路元器件集成在一个小芯片上,而对这些电路元器件的测试仅限于为数有限的引出端子之上，如此,通常的测量，微调的手段将不再实用甚至无济于事。,故障诊断方法也不能取代模拟电路的故障诊断方法。第三，现代电子系统复杂度的增加,系统的可靠性显得更为重要,因此,必须提高电子系统的可靠性。综上所述,工业生产对模拟电路提出了新的要求,微电子技术的快速发展对模拟电路的测试和诊断也提出迫切的要求,这就使得科技人员不得不进一步探索模拟电路的测试和诊断上的新理论和新方法,研发新的测试和诊断设备以适应时代的需求。所以，开展模拟电路故障诊断的研究是一项非常有意义的课题。1.2模拟电路故障诊断的发展与现状要原因有以下六点：1路故障进行模拟和仿真。2）诊断的信息量有限。由于实际条件的限制，模拟电路中的电流通常不容有限的，这就容易造成故障定位的模糊性。3）存在容差。实际应用中的模拟电路元件都会有容差，即电路元件参数在元件的“大故障，这就容易导致电路故障的可测性变差。4）非线性问题。模拟电路中通常含有非线性元件，因此模拟电路庞大的计的复杂性。5）抗干扰能力差。模拟电路对环境变化非常敏感，易受热效应和外界噪声变化的影响。6）故障模型化困难。模拟电路的输入与输出之间的关系较为复杂并且模型诊断，而模拟电路故障诊断至今仍然缺乏有效的通用的故障模型。研究。1960年，R.S.Berkowitz提出了关于模拟电路故障诊断的可解性分析[1]，20世纪70出的成果是参数辨识法与故障字典法，1979年国际电气与电子工程师协会（IEEE[2]20世纪80年代提出了一种新元件求值与故障定位两部分，大大减小了计算量，削弱了诊断条件。1985年，J.W.Bandler与A.E.Salama对模拟电路故障诊断的理论做了系统的论述[3]，模20世纪90诊断成为可能。在国内，对模拟电路的测试与故障诊断的研究一直都是被关注的研究方向。自80年代末以来，国内相继出版了杨士元[4]等人的专著。近年来发表了一系列方法，但隶属度函数的选取问题仍然是一个难点；二是采用遗传算法对BP(Back-Proparga-tion)网络进行辅助设计和优化之后，再进行模拟电路故障断方法；五是构造模糊BP网络故障分类器融合被诊断元件的2个物理量(温度和电压)，以确定故障元件。本文采用两种方法进行模拟电路故障诊断研究：一种是基于BP神经网络的模拟电路故障诊断方法；另一种是先利用遗传算法优化BP神经网络，然后再利用优化后的网络进行模拟电路故障诊的方法。1.3研究内容与论文组织本文主要是利用神经网络进行模拟电路故障诊断的研究，采用BP和GA-BP障诊断系统不但诊断速度快而且准确度高，具有广阔的应用前景。本文的各章节组织安排如下：2人工神经网络简介(Art1ficialNeuralNetwork,简称ANN)是模仿生物大脑的结接而成的网络，简称神经网络。2.1神经网络发展及其特点2.1.1神经网络发展过程神经网络的研究至今已有七十多年的历史,下面分三点进行阐述。（1）发展初期心理学家W.Mcculloch和数学家W.Pitts在1943年合作提出了形式神经元MP模型）[5]D.Hebb在1949年指出[6]神经元之间突触联系强度可变的假设，即改变神经元连接强度的Hebb规则，为神经网络的学习算法奠定了基础。计算机学家Rosenblatt[7]在1957Perceptron于工程实践。Widrow在1960年提出了自适应线性元件（Adaline）[8]，它是连理为特征的传统人工智能途径完全不同，因而形成了神经网络研究的高潮。（2）低潮时期Minsky和Papert在1969年出版了一本关于感知器的书籍[9]，发现了感知学者继续研究神经网络。Grossberg[10]提出了自适应共振理论；Kohonen提出了自组织映射网络模型[11][12][13]Fukushima提出了神经认知机网络理论等。这些都是在20世纪70年代和20世纪80年代初进行的工作。（3）第二次高潮时期进入世纪80Hopfield在1982年提出了Hopfield神经网络模型[14]，有力地推动了神经网络的研究。他引入了“计算能量函数”的概念，给出了网络稳定性判据。在1984年他用此模型成功地解决了复杂度为NP的旅行商问题（TSPFelemann和Balllard的连接网则。1986年，Rumelhart等人提出并行分布处理（PDP）的理论，同时提出了多BP算法[15]预期的检测目的，解决了多层网络的学习问题。BP算法从实践上证明了神经网络的运算能力很强，可以完成许多学习任务，解决许多具体问题。BP网络时迄今为止最常用、最普通的网络。（4）新的发展阶段上世纪90年代，Narendra和Parthasarthy提出了推广动态神经网络系统及其连接权的学习算法[16]，其具有非线性特性，增强了神经网络的鲁棒性。另外，在1995年，Jenkins提出了光学神经网络[17]，可以发挥光学的互连能力和促进神经网络的发展。20世纪80起到了先导作用[18]1997也就是基于联想存储级联WTA模型的旋转不变识别[19]。在识别多模式时可以联储模型和WTA模型级联起来，如此，提升了存储容量和容错性。1994年，廖晓昕对细胞神经网络提出了新的数学理论[20]，推动了该领域的发展。吴佑寿提出上研究开拓了神经网络的应用领域。2.1.2神经网络的特点不同的特点，具体有下面几点：（1）非线性映射部分无模型的非线性系统。（2）固有的并行结构可以大大提高信息处理速度。（3）泛化能力忆的能力。（4）容错性量。（5）自适应性及推理能力这四个方面。2.2神经网络原理2.2.1神经网络基本结构单元神经元是神经网络的基本单元,它类似于生物体的神经系统基本单元,神经元是一个多输入单输出的结构,其功能是模拟生物神经元最基本的特征，图1为神经网络中的第个神经元的结构示意图。神经元是一个多输入、单输出的非线性元件,其输入输出关系可以描述为（1）其中，为的输入信号,为神经元单元阈值,为神经元的连接输入信号的权值，为输入信号数目。为神经元输出,为激活函数，也称为传递函数。实际应用中,最常用的输出函数是Sigmoid函数函数,S型(Sigmoid)等。常用激活函数的表达式为:（1）线性型神经元函数连续取值,输入有连接矩阵加权产生输出,其激活函数表达式为:（2）线性激活函数可以获得较大值域范围。(2)阈值型这是一种非线性模型,改函数有两种不同取值情况：一种是当输入为，输出值为+1或-1时，的表达式为（3）第二种情况是当输入为，输出值为1和0时，的表达式为：（4）(3)S型Ssigmoid函数，即logsig函数，输出取值范围为（0,1的表达式为（5）第二种是正切sigmoidtansig-1,1输入为，的表达式为：（6）2.2.2神经网络的构成痛可以把神经网络的拓扑结构分为两大类，即层状结构与网状结构。层状结构的神经网络是由若干层构成的,其中第一层是网络的输入层,最后一层是网络的输出层,在输入层与输出层之间的是网络的隐含层。神经网络的每一层都包含了一定量的神经元。每一层神经元与前一层神经元的输出相连接,而同一层内的神经元互不连接。按照层与层之间是否存在反馈连接,又可以把层状结构的神经网络分成两种，即前馈网络和反馈网络。前馈网络（又称前向网络）的特点是相邻两层之间的神经元互相连接,各神经元之间无反馈。网络中的每个神经元可接收来自前一层的多个输入,并产生一个输出传给下一层的神经元,输入信息只能从输入层开始一层一层向前传递。反馈网络在网络的输出层与隐含层之间或在隐含层与隐含层之间存在反馈连接,即网络中的神经元同时接收来自前一层神经元的前馈输入和来自后一层神Hpofield,递归神经网络(RecurrentNeuralNetwork，简称RNN)也是目前一种常用的反馈网络。有双向的连接关系,即每个神经元既可以是输入节点,也可以是输出节点。因此,输入信号在各个神经元之间反复传递,从初始状态开始,直到趋于某一稳定状态或进入周期振荡状态为止。随着神经元个数的增加,互联网络的结构会快速复杂化,将会增加网络的计算量。2.2.3神经网络的学习机制神经网络的权值和阈值反映了神经网络的存储信息,在神经网络的结构和激励函数确定了以后,必须经过学习,使网络权值和阈值的分布达到某种输入输出关系的要求。学习就是应用一系列的输入矢量样本,通过预先确定的学习算法来大类。/输出的实例即训练样本。如，其中，分别表示网络的输入和相应的期望输出。当网络输入时，BP算法是一种有监督学习算法。,根据某种规则反复调整网络权值和阀值,直到趋于某种稳定的中。Hebb学习规则是一种典型的无监督学习算法。神经网络经过学习后,权值和阈值中储存了学习样本中信息,就可以根据新输入矢量,给出相应的输出矢量。3基于BP神经网络的模拟电路故障诊断3.1BP神经网络BP网络是一种多层前馈型神经网络，它可以实现从输入到输出的任意非线,因此称其为BP神经网络的应用中，绝大部分的神经网络模型都采用BP网络及其变化形式。它也是前向网络的核心部分，体现了人工神经网络的精华。BP网络主要用于以下四方面：函数逼近：用输入矢量和相应的输出矢量训练一个网络以逼近一个函数。模式识别：用一个待定的输出将它与输入联系起来。分类：把输入矢量所定义的合适方式进行分类。数据压缩：减少输出矢量维数以便于传输或存储。3.1.1BP神经网络结构BP,根据具体问题的需要，网络可以含有多个隐层。BP网络的层与层之间互相连接,每层神经元之间无连接。网络输入层的神经元个数取为输入向量的维数,网络输出层神经元的数目取为输出向量的维数。网络隐层神经元个数的取值目前还没有一个确定的标准来确定,其值通常是通过反复地试验试凑之后,将最适合网络的隐层节点数目作为最终选BP神经网络进行说明,其拓扑结构如图2一层为网络的输入层，有R个输入、s个神经元，第二层有s个输入、h个神经元，第三层有h个输入、k个神经元，第四层为网络的输出层。3.1.2BP神经网络的训练(1)BP算法基本思想BP神经网络主要由三大部分组成，即网络的拓扑结构、各层神经元的传递函数(也称激励函数)和学习规划。BP神经网络的学习过程如图3所示，一般工前向过程（ForwardPassErrorBackPropagation被存储到网络的权值中，当有相似的输入时，BP神经网络就会有相近的输出。图3BP神经网络学习过程(2)BP算法BP神经网络学习规则的基本思想是：对网络的权值和阈值的调整是向着函数下降最快的那个方向，即负梯度方向。（7）示为网络学习速度。下面详细介绍BP算法的推导过程。本文以三层BP网络为例进行说明，设第个输入节点为，第个隐层节点为，节点间的网络权值为，阈值为。当网络输出节点期望值为，输出节点总数为个，模型的计算公式为：（50）BP网络学习算法的具体步骤如下：a)代次数，进行权值和阈值初始化；b)输入训练样本集供BP网络学习；c)计算网络各层的输出；d)将网络实际输出值与期望值比较，求各层的输出误差；e)停止，否则，则继续下一步；f)将计算误差进行反向反馈调整网络的权值和阈值；g)重复进行步骤b）～eBP算法的程序流程如图4所示。（3）BP算法特点从本质上来说，BP算法就是将样本的输入输出问题转变成非线性优化的问学习记忆。其主要特点是实现起来简单，学习时间长。BP网络的学习过程就是的。（4）改进的BP算法BP算法本质上为梯度下降法，其所要求的目标函数又较为复杂，这必会导致BPBP法。BP算法的改进主要包括两种途径：一种是使用启发式学习算法，即分析表trainrp法(traingda)traingdm优化理论的学习算法，其中含有高斯-牛顿法、共轭梯度法和Levenberg-Marquardt优点，本文后面将用这种改进算法作为BP网络的训练函数，下面对该方法进行详细地介绍。将弹性梯度下降法作为BP网络的训练函数时，网络权值的调整仅由目标函数偏导数的符号决定,而不必考虑函数偏导数的幅值。其基本原理是：权值和阈在同一个方向，则增加权值的变化量级。弹性梯度下降法的迭代公式为:（51）其中,表示前一次的修正值,为目标函数的梯度。该算法通常比启发式学习算法中的其他算法的收敛速度要快,并且此算法简单易行，占用内存也较少。3.1.3BP网络应用特点若把BP网络的功能视为一种从输入到输出的高度非线性映射，设输入节点数目为M个，输出节点数目为N个，那么BP网络就可以实现从M维的欧氏空间到N维的欧氏空间的映射，从原则上来讲，对M和N是没有大小限制的，因此，BP网络在众多领域中获得广泛的应用。BP网络的应用特点主要有下面几点：1）工作速度高。人工神经网络体系在结构上有两大特性：一是并行性的数据处理方式；二是数据存储的分布性可以解决冯·诺依曼体系中的“处理器——存储器瓶颈BP网络的工作速度很高，便于使用超大规模集成电路（VLSI）的技术来实现可以充分利用到硬件的超高速。2BP算法的采用。BP的传输函数是可导函数。BP网络能成为一种十分有效的有监督学习网络的原因是其获取知识的一种十分有效学习算法。3在训练样本集中出现过的样本可以做出正确反应的一种能力。而BP网络的泛化来提高BP网络的泛化能力。4BP非精确解的问题。对于求解精确解一类的问题，其并不适用。5BP网络是一个分布式的并行处理系使整个系统完全失效，因此BP网络具有较强容错性。3.2基于BP神经网络的模拟电路故障诊断实例3.2.1诊断电路选择与训练、测试样本集的采集（1）诊断电路选择功率放大器（PowerAmplifier）在整个音响系统中起到了组织、协调的枢对象。如图5是一个功率放大器电路，本章将分别利用BP神经网络和基于遗传算法优化的BP网络对其进行仿真分析。（2）神经网络的训练样本集采集本文利用Multisim仿真软件对功率放大电路进行仿真，由于电路中的节点为体现该故障状态的参量。在图5Vi是幅度为200mv1Khz的型的故障状态如表1所示。1～16号可测节点作为电压测试节点；然后在每一种故障状态下，测量电路中16个可测节点的电压值，并将测量数据保存在表2、表3中。完成上面两步即完成了BP网络训练样本的采集工作，表2、表3中的数据即为BP神经网络的训练样本集。需要说明的有以下三点：1Multisim软件人为地设设置开路和短路状态。2R3和电位器Rp1种故障状态处理。电位器Rp2和二极管D1也做一样处理。3）电阻RL表示扬声器。功率放大器电路在工作正常和故障时各节点的电压数据以及各种状态下对应的二进制编码如表2、表3。电压值都以毫伏（mv）为单位，小数点后保留三位有效数字。由于电路的输入信号电压V17=141.419mv、直流电源Vcc=12V、直流负电源Vee=-12v（3）测试样本集一个数值的容差作为网络的测试样本。3.2.2BP网络诊断模拟电路故障用BP网络实现对模拟电路故障诊断相当于在BP的故障状态下的电路特征()态了。模拟电路的特征向量是一个可以反映电路状态(包括正常工作状态以及各种故障状态)特征的向量，一般由测试电路节点电压经过一定的数学处理获得，BP网络分类器就需要完成从维特征空间的点及其邻域到维空间的点及其邻域的映射。BP神经网络来实现模拟电路故障诊断的原理与故障字典法的有BP神经网络的模拟电路故障诊断进行分析。（1）BP网络的构建根据映射存在定理可确定BP续函数都可由一个三层BP者两个隐含层的BP层的BP神经网络，第一层隐层神经元数目选为19，第二层隐层神经元数目选为25BP神经网络的输入层可以选择1616的作为BP网络输出层的神经元个数，所以本例中的输出层数目为5。综上所述，本系统构成了一个16-19-25-5的BP神经网络。（2）网络训练样本集网络训练样本集如表2和表32516个不同节点的电压值组成。在25组样本中，第一组为正常状态，第2组至第25组分别为功放电路的24一化处理。（3）训练函数与激活函数由于多层BP网络大部分使用的是S型的激励函数，这类函数又被称为“挤压”函数，它们可以将无限范围内的输入压缩至有限范围的输出，当输入值很大或很小时，输出函数的斜率将会接近于0。因此，当使用梯度下降法来训练多层神经网络时，它的梯度数量级将会非常小，从而减小网络的权值和阈值的调整范围，trainrp）络的训练误差也比较小。因此，本例采用的训练算法为弹性梯度下降法。BP网络的传递函数通常采用log-sigmoid型函数logsig()、tan-sigmoid型函数tansig()以及纯线性函数purelin()，本文在隐层中采用的激励函数为tansig函数，在输出层中采用的激励函数为logsig函数。由于本例所构建的BP后添加了一个判决函数，公式为（52）保证BP网络的输出为一组二进制数，故障类型如表1所示，其输出节点的二进制故障编码如表2和表3中的故障编码所示。设置诊断系统的目标精度为0.00001，网络训练次数为5000次，根据试验，BP在5000Matlab8.0newff函数创建一个BPtrainsim函数对网络进行仿真。源序代码参看附录A。（4）网络的测试阶段本输入到BP那么表明网络故障诊断是正确的，反之则不正确。本例随机从25组训练样本中抽取六组样本，将这六组样本中的每一个值的容差作为测试样本集。（5）结果分析1）网络训练结果分析本例所设计的BP神经网络的训练过程如图63123迭代训练后网络输出达到了目标精度要求。仿真输出结果与期望输出如表42仿真输出为0.0000，0.0014，0.0000，0.9786，0.0000五位浮点数，与期望输出0001024对应的期望输出值非常接近，网路的均方误差为，因此本文设计的BP神经网络达到了设计要求。2)测试结果分析本例中选取的是故障状态258111417每一个数据的容差构成测试样本。将测试样本输入已经训练好的BP网络，测试输出数据与期望输出数据存放在表5本（即故障状态5下的16个电压值）的容差的情况下，网络输出为0.0000，0.0001，1.0000，0.0075，1.0000五位浮点数，与期望输出0，0，1，0，1五5的BP神经网络能够准确的诊断出功率放大器电路的故障状态。通过多次统计测试的输出结果，本文设计的BP神经网络故障诊断系统的正确率接近100%。（6）BP网络故障诊断系统的辅助设计主要有：1）由于网络期望输出为一组五位的二进制数，但实际输出往往是五位浮点制数，然后将二进制转化为十进制数，方便测试人员一眼即可读出故障点。2）读出故障点之后，并不能立刻知道电路中哪个元件发生故障，还需要根为十进制数并通过Matlab如果存在故障，则会语音报出电路的故障点以及故障元件。4基于GA-BP算法的模拟电路故障诊断神经网络具有很强的学习能力与适应能力，在实际应用中,大部分神经网络的模型采用的是BP神经网络,BP网络是前馈网络的主要部分,是神经网络的精华。但BP神经网络还不是一个十分完善的网络,小值等缺陷。,可以有效的克服BP网络存在的缺陷。4.1遗传算法的基本原理及其特点GeneticAlgorithmGADarwinMendel[25]为根据的。进化论认为自然界中的每一种生物都是在不断发展的过程中逐渐变得更适应环境的。物种中的每一个个体的基本特征为后代所继承,但是后代又不会完全与父代相同,与父代的有差异特征如果能有利于后代适应环境,就被留,适应环境能力强的个体存活下来,适应能力弱的将会被淘汰，这就是进化论中适者生存的原理。基因遗传学认为,基因杂交和基因突变会产生对自然环境有更强适应性的后代,基因杂交和突变后的个体经过优胜劣汰的自然选择后,适应性强的基因就会被保留下来。遗传算法在优化问题中，是将问题的解表示成“染色体”(编码产生字符串),串出发,按照适者生存的法则,中,进行复制,应环境的“染色体”新种群。随着选择、交叉、变异的循环进行,适应性强的染色体会被一代一代选出并加以组合,进而不断地产生出更好的个体。整个这个过程就如同自然界的生物进化一样,更能适应环境的特征被不断继承下来,不适应环境的特征逐渐被淘汰掉。子代往往会包含父代的大量信息,但子代在总体特性上总会胜过父代，从而使整个种群向前进化，就遗传算法来说,这也就是一个不断接近最优解的过程。为突出遗传算法的优越性，下面先介绍三种传统的寻优算法类型。（1）解析法解析法是三种算法中研究的最多的一种方法,它又可以分为直接法和间接法。次计算，以求得局部极值。间接法是先使目标函数的梯度为零,然后通过求解一组非线性方程以得到局部极值。以上两种方法的主要有两个缺点:一是它们最后求得的是局部极值而非全局极值;二是它们要求目标函数必须是连续光滑的,并需要导数的信息。（2）枚举法枚举法能够克服解析法的两个主要缺点,可以寻找到全局极值,也不要求目标函数需是连续光滑的。但枚举法最大不足是计算效率过低。在实际的问题中，划方法(其本质上属于枚举法)问题,往往也无能为力。（3）随机法因为上述两种寻优方法都有严重的不足,人们就更青睐随机搜索算法。该算法是在搜索空间中进行随机地取值并记录所取得的最好结果，考虑到效率问题,上而言，随机法还是属于枚举法。在遗传算法中，虽然也用到了随机思想,但与上述的随机搜索方式不同。遗传算法是通过先对参数空间编码再用随机选择作为工具使得搜索过程沿着更高效的方向变化。所以,随机搜索并不一定就意味着是无序搜索。而且遗传算法不需要梯度信息,遗传算法的主要特点归纳为下面几点:1)行编码的操作方法,可以借鉴生物的遗传进化过程,也可以应用遗传操作算子,这使得遗传算法可以应用到广泛的领域中去。2)群体搜索性。许多传统的搜索方式都是单点搜索,而单点搜索一般提供的信息量不多,搜索效率也不高,时处理种群中多个个体的方法,也就是对搜索空间的多个解同时进行评估,这使遗传算法具有良好的全局搜索能力,该方法也是遗传算法特有的一种隐含的并行性。3)遗传算法使用启发式概率搜索技术。不少传统算法采用确定性的搜索方法，该方法从一个搜索点到另一搜索点转移都有确定的转移规则,而这种确定性的规则有可能使得搜索永远达不到所需的最优点,很大程度上限制了算法的应,也只是作为一种工具，用以引导搜索过程向着搜索空间中更优解的区域移动,表面上看起来这是一种盲目的搜索方法,实际上是有明确的搜索方向,而且具有隐含并行的搜索机制。4)遗传算法直接把目标函数值用作搜索信息。传统的优化算法不但需要借助目标函数值,而且还要目标函数的导数值等其他辅助的信息。遗传算法评估基因个体仅需要适应度函数的函数值就可以了,并且遗传操作也是在此基础上完成与可行解的空间对应,,遗传算法的应用范围非常广泛。5)遗传算法具备独特的并行性和并行计算机制。6)遗传算法的可扩展性,使之易于同其他优化算法混合使用,从而提高处理问题的能力。4.2遗传算法的实现4.2.1基本遗传操作遗传算子操作构成，下面将一一详细地进行介绍。（1）参数的编码编码(Encoding)的方式，因为编码的好坏会直接影响到选择、交叉、变异等遗传操作。法可以处理的搜索空间的方法就称为编码。反之，从遗传算法的解空间向问题的解空间的转换被称为解码（又称译码，Decoding遗传算法的编码即为可行解的遗传表示，它是使用遗传算法求解问题的第一步。传统的二进制编码是0、1字符构成的固定长度串。二进制编码的缺点HammingCliff大的汉明距离，致使遗传算法的交叉和变异都难以跨越。为解决这个问题而提GrayCode1数之间的差并非单调增加，引入另一层次的隐悬崖。对于一个具体的应用问题，怎样设计一种完美的编码方案一直都是遗算法的应用难点之一，也是遗传算法的一个重要研究方向。由于遗传算法应用的广泛性，迄今为止人们已经提出了许多不同的编码方法，总的来说，可以分为三的编码方法。1）二进制编码方法是由二进制符号0和1所组成的二值符号集{0,1}，它所构成的个体基因型是一个二进制编码符号串。二进制编码串的长度与问题所要求的求解精度有关。二进制编码的优点有四点：一是编码、解码操作简单易行；二是交叉、变异等遗传操作便于实现；三是符合最小字符集码原则；四是便于利用模式定理对算法进行理论分析，因为模式定理是以二进制编码为寄出的。虽然能提高编码精度，但却会使遗传算法的搜索空间急剧扩大。其次是它不能直接反映出所求问题的本身结构特征，这样也就不便于开发针对问题的专门知识的遗传运算算子。2）格雷码编码二进制编码不便于反映所求问题的结构特征，对于一些连续函数的优化问题等，也由于遗传运算的随机特性而使得其局部搜素能力较差。为了改进这个特征，人们提出用格雷码来对个体进行编码。格雷码是这样一种编码方法，其连续的两个整数所对应的编码之间仅仅只有一个码位是不同的，其余码位都完全相同。格雷码是二进制编码方法的一种变形。格雷码编码的主要优点有四点:一是便于提高遗传算法的局部搜索能力；二是交叉、变异等遗传操作便于实现；三是符合最小字符集编码原则；四是便于利用模式定理对算法进行理论分析。3）浮点数编码编码方法也叫做真值编码方法。浮点数编码方法的优点有一下几点：a)适合于在遗传算法中表示范围较大的数。b)适合于精度要求较高的遗传算法。c)便于较大空间的遗传搜索。d)改善了遗传算法的计算复杂性、提高了运算效率。e)便于遗传算法与经典优化方法的混合使用。f)便于设计针对问题的专门知识的知识型遗传算子。g)便于处理复杂的决策变量约束条件。目前尚无一套严格又完整的知道理论及评价标准来帮助我们设计编码方案，a)完备性（Completeness传算法空间中的点（染色体）表现。b)健全性（Soundness）：遗传算法空间中染色体能对应所有问题空间中的候选解。c)非冗余性（Nonredundancy）:染色体和候选解一一对应。应该注意，严格满足上述规范的编码方法和提高遗传算法的效率并无关系。在有些场合，允许生成致死基因的编码，必然会导致冗余的搜索，但总的计算量可能反而减小，从而可以更有效地找出最优解。（2）初始化种群种群中个体的数量被称为种群规模，初始化种群即随机产生一个由种群规模为N个个体组成的种群,这个种群代表了一些可行解的集合。遗传算法的任务就是仿效生物进化的过程对种群进行优胜劣汰,最后选出符合优化要求的种群和个体。种群的规模N可以人为确定。种群规模取得越大，可供选择的面就越宽,就越容易得到更好的结果，但是,如果种群规模选取过大,优化速度就会减慢。所以,应根据以往经验并结合实际问题来确定种群的规模。（3）确定适应度函数度量个体适应度的函数称为适应度函数（FitnessFunction定义一个适应性函数是评估个体优劣的手段，评估的标准随所研究的问题的不同而不同，它往往是由目标函数转化而来，要求和目标函数有一样的极值点和可行解域，并且值域为非负，这样就能够将目标函数极小值问题，转变为求适应度函数极大值问题，易于遗传操作。适应度函数的值越大，表示该个体的适应度越高，也就是该个体更能适应目标函数定义的生存环境，所以也应该比其总的来说，适应函数为种群进化的择优提供了依据。由解空间中某一点的目标函数值到搜索空间中对应个体的适应度函数值的转换方法基本上有以下三种：1）直接以待解的目标函数转化为适应度函数，令（53）这种适应度函数简单直观，但存在两个问题：一是可能不满足常用的轮盘赌选择中概率非负的要求；二是某些待求解的函数在函数值分布上相差很大，由此得到的平均适应度可能不利于体现种群的平均性能，而影响算法的性能。2）对于求最小值的问题，做下列转换：（54）输入值。对于求最大值问题，做下列变换：（55）式中，为的最小值估计，可以是一个合适的输入值。这种方法是第一种方法的改进，可以称为“界限构造法，但这种方法有时存在界限值预先估计困难、不可能精确的问题。3）若目标函数为最小值问题，令（56）若目标函数为最大值问题，令（57）为目标函数界限的保守估计值。这种方法与第二种方法类似。（4）遗传算子算法的主体部分。l)选择选择（Selection）又称复制（Reproduction的个体产生新的的群体的过程。遗传算法使用选择算子（又称为复制算子，Reprodu--ctionOperator体的适应度值大小选择，适应度较高的个体被遗传到下一代群体中的概率较大；选取哪些个体遗传到下一代群体中的一种遗传运算，用来确定重组或交叉个体，绍几种常用的选择算子。a.轮盘赌选择RouletteWheelSelection下一代种群。选择算子有多重，经典遗传算法中常采用的是轮盘赌（Wheel，或是比例选择ProportionalSelection）选择方法，每个个体进入下一代的概率应度较高的个体也选不上。图7所示为轮盘赌选择示意图。图7轮盘赌选择示意图b.随机竞争选择随机竞争（StochasticTournament）选择与轮盘赌选择基本一样。在随机适应度高的被选中，如此反复，直到选满为止。c.最优保存策略体。虽然随着群体的进化过程会产生越来越多的优良个体。但由于选择、交叉、它来替换掉本代群体中进过交叉、变异等操作后所产生的适应度最低的个体。择操作方法配合起来使用，方可有良好的结果。2)交叉要环节。模仿这个环节，遗传算法中使用交叉算子来产生新的个体。交叉（Cr--ossoverRecombination交叉算子的设计包括如何确定交叉点位置和如何进行部分基因交换两个方面的N个个体以随机的方式组成对配对个体交叉算子。a.单点交叉单点交叉（One-pointCrossover）又称为简单交叉，它是指在个体编码串染色体，从而产生新的个体。图8所示为单点交叉示意图。图8单点交叉示意图b.两点交叉与多点交叉两点交叉(Two-pointCrossover)是指在个体编码串中随机设置了两个交叉交叉点之间的部分染色体。图9所示为两点交叉运算示意图。图9两点交叉示意图多，个体的结构被破坏的可能性也逐渐增大，这样就难有效地保存较好的模式，从而影响遗传算法的性能。c.算术交叉算术交叉(ArithmeticCrossover)是指由两个个体的线性组合而产生出两码所表示的个体。（58）算术交叉的主要操作过程为：首先，确定两个个体进行线性组合时的系数；其次，根据公式（58）生成两个新个体。分布扩充的特性。3)变异Mutation个体。a.基本位变异基本位变异（SimpleMutation）操作是指对个体编码串中以变异概率、随机制定的某一位或某几位基因座上的值做变异运算，其具体操作过程为：首先，个体。b.均匀变异UniformMutationc.非均匀变异变动。这种变异操作方法就称为非均匀变异（NonUniformMutationd.高斯近似变异高斯变异（GaussianMutation）是改进遗传算法对重点搜索区域的局部搜过程与均匀变异类似。4.2.2遗传算法的实现过程自然界生物的进化过程一般需要有以下四个基本条件:一是需要一个由多个个体构成的种群;二是种群具有多样性;三是生物能够进行自我繁殖;四是不同个体间适应环境能力不同,适应能力强的个体繁殖能力强,适应能力弱的繁殖能力弱。遗传算法的基本运算步骤如下:1)初始化。首先初始化遗传算法的初始运行参数，主要有最大进化代数、种群大小、交叉概率、变异概率等；然后随机产生个个体作为初始种群。2)评价每个个体的适应度。计算出种群中每个个体的适应度值。3)选择操作。选择一个适合待解决问题的选择算子对种群进行选择操作。4)交叉操作。选择一个适合待解决问题的交叉算子对种群进行交叉操作。5)变异操作。选择一个适合待解决问题的变异算子对种群进行变异操作。经过选择、交叉、变异操作后便可得到一个适应度更高的新种群。6)根据终止条件进行判断。如果达到预设的最大代数则输出最优个体，终止运算，否则返回步骤2）继续繁殖进化。遗传算法的实现流程图如图10所示。4.3遗传算法优化BP神经网络BP易陷入局部最小值等缺点，因此许多研究者们努力寻求解决BP神经网络的这些辅助信息,所以使用遗传算法来优化BP网络无疑是一种较好的方法。遗传算法可以从三个方面对BP网络进行优化:;方式逐一进行介绍。4.3.1优化BP网络结构神经网络结构的优劣直接影响到网络的信息处理能力,一个好的网络结构不优化BP神经网络结构可根据一些性能标准来评价，如网络的泛化能力、学习速度等，从搜索结构空间中找出满足问题要求的最优结构。其具体操作步骤如下:l)随机生成种结构,对每种结构进行编码,编码后的每一码串对应着一个网络结构，个码串即种群。2)用不同的初始连接权对网络实施训练。3)计算每种网络结构下,输出的误差函数值,将误差函数值的平方和的倒数作为个体适应度值。4)将适应度最大的个体直接复制给下一代。5)利用选择、交叉、变异等遗传操作,产生新一代的群体。6)如果某个个体达到要求，则终止，否则重复2）～5）的步骤。4.3.2优化BP网络的权值BP网络权值（权值和阈值）的训练过程实际上是一种复杂函数的优化问题,也就是通过反复地调整来寻找网络最优的连接权值。BP网络权值的整体分布存储了BP网络系统的所有知识,传统权值的获取方式是利用某种确定的调整规则,在网络训练过程中逐步调整网络权值,最终获得一个较好的权值分布。但目前广泛使用的BP网络,是依靠梯度下降方法来完成网络训练的,该方式对网络的初始权值非常敏感,初始权值的不同会导致最终结果存在很大差异,而且训练过程中,一些参数(例如学习速率)的选取尚无理论指导,它们的值完全凭借经验和试验来确定,可这些参数的选取又关系到网络能否收敛、网路收敛速度以及网路是否会地避免这些问题了,GA优化连接权步骤如下:l)选定网络的结构和训练函数，选择一种编码方式对网络的权值进行编码,在规定的搜索范围内随机产生一个种群。2)输入训练样本对网络进行训练,网络实际输出值与期望输出值的差为网大。3）进行遗传操作（选择、交叉、变异等）繁殖新一代种群。4）根据设定的优化准则，判断是否达到终止条件。5）如果达到终止条件则输出最优解，否则重复进行步骤234如图11所示为遗传算法优化BP网络权值流程图。4.3.3优化BP网络的学习规则利用遗传算法来优化神经网络的学习规则,可以使神经网络应用于具体的、规则进行优化的研究才刚刚开始，还没有成功的例子。具体优化步骤如下：1)采用某种编码方法对学习规则编码，随机生成个个体组成一个种群。2)训练。3)计算每一个学习规则的适应度函数值。4)根据适应度函数值大小对种群进行选择。5)对每个编码的个体进行交叉、变异等遗传操作，产生新一代群体。6)如果某个个体达到要求，则终止，否则重复2）～5）的步骤。4.4基于GA-BP算法的模拟电路故障诊断实例由于利用遗传算法优化BPBP后的神经网络来完成模拟电路的