科研之友
微信
新浪微博
Facebook
分享链接
摘要
DNA计算作为一个崭新的研究领域，仍处于萌芽阶段，本身还有很多理论和实际问题需要解决。遗传算法(GA)是一种在分子水平模拟生物进化过程来求解复杂问题的有效算法。DNA计算与GA两者天生就具有某种必然的联系。由于生物DNA计算的局限性，遗传算法可以作为DNA计算进行复杂优化问题求解的桥梁。用DNA编码表示复杂知识或系统，模拟DNA分子操作以发现和处理信息，在进化中获取和更新知识，既可以充分发挥DNA计算的开创性思想，又可以解决自动控制、模式识别、决策、机器学习等理论与工程实际中存在的各种复杂优化问题。着眼于这一认识，本文致力于将DNA计算和遗传算法相结合，用以解决控制系统的建模与优化设计问题，具有十分重要的现实意义。本文的丰要研究工作如下：(1)基于生物RNA操作及DNA序列选择和变异模型，提出了一种RNA-GA算法。该算法利用RNA分子A、T、U、C进行编码设计，并结合RNA分子操作和DNA变异模型，设计了SGA的交叉和变异算子。基于Markov链模型对RNA-GA算法进行了收敛性分析。通过对典型测试函数的仿真计算和对比研究，验证了所提算法的优越性和有效性。化工过程的模型参数估计的应用研究，进一步表明所提算法的有效性和实用性。(2)基于DNA双链互补结构和序列二次规划(SQP)算法，提出了一种基于DNA双链结构的混合遗传算法以解决具有不等式约束的非线性规划问题。该算法利用DNA双链结构进行问题的编码，以克服SGA的海明悬崖问题和增加种群多样性；并采用RNA操作算子和SQP算法以有效保持遗传算法广度搜索和深度搜索的平衡，加快算法的收敛速度。通过算法的收敛速度分析和典型测试函数的仿真对比研究表明了所提算法的有效性和可靠性。对汽油调合配方优化问题的求解以及与PSO算法的对比研究结果表明所提算法的有效性和适用性。(3)基于DNA计算，提出了一种非支配排序多目标遗传算法以解决多目标优化问题。该算法首先将基于RNA计算的交叉和变异算子用于多目标遗传算法，以改善GA的全局寻优性能；其次通过Pareto排序和个体密集距离计算，将相互矛盾的多目标优化问题统一成单个目标适应度函数优化问题，以便于用外部种群保留Pareto前沿集合；最后利用种群维护算法保持Pareto前沿的分布均匀性。算法的收敛性分析和典型多目标优化问题的仿真研究表明所提算法在Pareto前沿逼近度和解的分布均匀性方面都有了较大提高。(4)如何合理选取RBF网络的基函数中心点及网络结构，目前还未给出有效的理论依据。本文基于过程输入输出数据，提取有用的系统信息，建立其RBF神经网络动态模型，提出了一种基于剪接系统的遗传算法进行RBF网络的隐层节点数、基函数中心点的优化，从而综合考虑了网络的拟合精度和泛化能力。计算复杂性分析以及连续搅拌反应釜(CSTR)仿真对比结果表明采用所提算法构建的RBF神经网络具有良好的拟合精度和较强的泛化能力。(5)RBF网络的优化设计本质上是一个多目标优化问题。通过将RBF网络信息融入DNA单链结构，引入DNA计算操作算子，提出了一种用于神经网络的多目标优化设计遗传算法，用于实现包括输入层在内的RBF网络优化设计。该算法以RBF神经网络结构最简、拟合精度最高为优化指标，得到Pareto最优解集，并根据测试数据的误差绝对值之和最小准则，筛选Pareto最优解集。将该算法应用于连续搅拌反应釜的建模中，得到了优于RBF网络单目标优化算法的结果。(6)针对控制系统设计问题，使用DNA-GA算法进行了控制系统的优化设计。其一针对一阶滞后不稳定过程，提出了一种基于参数稳定空间的多目标遗传算法，进行PID控制器的优化设计。其二针对广义预测控制在pH中和过程中的应用问题，采用基于剪接系统的遗传算法进行T-S模糊网络的优化设计以更好地进行pH中和过程建模。其三针对具有强非线性和严重不确定性的连铸过程提出了一种模糊神经元非模型控制策略。由于模糊神经元控制器存在多个参数的优化整定问题，采用RNA-GA进行了该控制器参数的优化整定。仿真对比结果验证了DNA-GA算法在控制系统优化设计中的有效性。
