遺傳算法在熱工過程建模與優(yōu)化控制中的應用研究.pdf

1、電力工業(yè)的發(fā)展促進了發(fā)電機組單機容量和參數正不斷增加，其自動化程度越來越高，對控制系統(tǒng)的控制品質也提出了更高的要求。掌握被控對象的數學模型和建模后控制系統(tǒng)的設計，是過程控制系統(tǒng)分析、設計、調試和獲得較高控制品質的基礎和關鍵。因此，研究基于現(xiàn)代優(yōu)化技術的系統(tǒng)建模方法和控制器參數整定技術具有重要的意義。本文針對遺傳算法在熱工過程中的建模利優(yōu)化控制中的應用進行了研究。 論文主要內容分為三部分。第一部分研究基于遺傳算法的熱工過程模型辨識

2、，遺傳算法采用了多算子結合的白適應交叉、變異策略，提高了算法的精度、搜索效率和收斂能力。針對傳統(tǒng)通用的多項式傳遞函數形式作為模型進行辨識時存在的各參數著異較人，各參數失配和參數在搜索空間中的搜索效率較低等問題，提山了以零極點傳遞函數形式描述過程對象，并對常見的熱工過程進行分類的辨識方法。仿真研究表明，所提出的基丁遺傳算法的熱工過程模型辨識方法具有很好的模型辨識能力，可以得到精度較高的辨識結果。第二部分對遺傳多目標優(yōu)化算法進行了研究，在分

3、析比較了幾種典型算法的突出特點和不足的基礎上，本文提出了兩種改進的遺傳多目標優(yōu)化算法?；诜侵渑判虻木鶆驒嘀睾头椒ㄊ菍鹘y(tǒng)的多目標轉換為單目標的權重和思想在兩個目標的優(yōu)化方面進行的改進，目標的權系數分配方法是在一定區(qū)間內，以一定的步長進行均勻的變化，避免了傳統(tǒng)權重和方法在權系數確定與分配上存在的困難。同時結合非支配排序的思想，對每組權系數下得到的最優(yōu)解組合在一起進行非支配排序，可以獲得更加均勻分布的Pareto前沿。改進的Pareto

4、遺傳多目標優(yōu)化算法結合了NSGA算法的非支配排序、NSGA-II/SPEA算法中的精英保留策略和小生境技術，并對傳統(tǒng)的小生境技術中基于個體適應度的淘汰技術進行改進，提出一種個體向量模適應度函數作為淘汰個體的準則。通過兩個多元函數的最小值優(yōu)化算例驗證，兩種方法均獲得較為均勻分布的Pareto前沿，并且改進的Pareto遺傳多目標優(yōu)化算法由_丁采用了小生境技術，使得最優(yōu)解的分布更加均勻，避免了局部收斂的問題。第三部分在對PID控制規(guī)律、控制