1、“.....位二进制编码串可以表示从到之间的个不同的数，故将的定义域离散化为个均等的区域，包括两个端点在内共有个不同的离散点。从离散点到离散点，依次让它们分别对应于从到之间的二进制编码。再将分别表示的两个位长的二进制编码串连接在起，组成个位长的二进制编码串，就构成了这个函数优化问题的染色体编码方法。使用这种编码方法，解空间和遗传算法的搜索空间就具有对应的关系。例如就表示个个体的基因型，其中前位表示，后位表示。确定编码方法。解码时需要将位长的二进制编码串切断为两个位长的二进制编码串，然后分别将它们转换为对应的十进制整数代码，分别标记为和。依据个体编码方法和对定义域的离散化方法可知，将代码转换为变量的解码公式为，例如对个体，它由两个代码组成，上述两个代码经过解码后，可得到两个实际的值，确定个体评价方法。由于函数的值域总是非负的，并且优化目标是求函数的最大值，故可将个体的适应度直接取为对应的目标函数值，即......”。

2、“.....交叉运算使用单点交叉算子，变异运算使用基本位变异算子。确定遗传算法的运行参数群体大小，终止进化代数，交叉概率，变异概率。按照上述步骤求函数的极大值的程序参见附录。经过步迭代，最佳样本为，所以当,时，此函数取得极大值，为。仿真结果目标函数和适应度函数的优化过程如图，所示。运行结果显示在第代的时候，第二代的时候就达到最小值，此时，。由此可见，遗传算法对函数的优化与随机选取的初始群体无关，而是以目标函数值作为搜索信息，收敛速度快。图目标函数的优化过程图适应度函数的优化过程基于遗传算法的参数优化总体实现根据第二第三章所述的控制原理遗传算法的原理及应用步骤，本模型采用数字控制的位置式控制算法遗传算法的部分采用常用的二进制编码方法进行编码，采用最常用和最基本的三种遗传算子比例选择算子单点交叉算子和基本位变异算子进行遗传优化操作。由此，设计出本模型的总体设计框图，如图所示......”。

3、“.....的取值范围为，。选取二进制串来表示每个参数，编码串长度选为。再把个长度为的二进制串连接起来就组成个长度为的二进制字串，该字串为遗传算法可以操作的对象。选取初始种群本课题遗传算法中使用的样本个数为，终止进化代数为，交叉概率和变异概率分别为，。种群初始化是产生与群体大小数目相同的个数的染色体在程序中，维数组构成个染色体，，数组构成个初始种群。因为需要编程来实现各过程，所以采用计算机随机产生初始种群。用函数来产生行列的个矩阵，再用函数对矩阵中的每个数取整，即先产生之间均匀分布的随机数，然后规定产生的随机数之间代表，之间代表。适应度函数的确定根据控制器的原理和遗传算法的实现，本模型采用二进制编码，采用误差绝对值时间积分性能指标作为参数选择的最小目标函数。为了防止控制能量过大......”。

4、“.....选用下式作为参数选取的最优指标式中，为系统误差，为控制器输出，为上升时间，为权值。为了避免超调为被控对象输出。取,,,。所以，个体的适应度函数为选择部分实现根据目标函数求出每个个体的相对适应度，利用函数和函数对每个个体的相对适应度降序排列，然后计算每个个体的累积概率，第个累积概率等于第个累积概率与第个个体的相对适应度的和，其中。再利用函有他们的帮助，我不可能在今年毕业。在此，我对他们表示由衷的感谢,最后，感谢我至亲至爱的家人朋友，以及亲爱的同学。有了他们的帮助支持和鼓励，我的毕业设计才得以完成。参考文献刘金琨先进控制应用第二版北京电子工业出版社，周明，孙树栋遗传算法原理及应用北京国防工业出版社，陈国良，王煦法，庄镇泉，王东生遗传算法及其应用北京人民邮电出版社，王非，冯冬青，马雁基于改进遗传算法的参数优化研究中文核心期刊微计算机信息测控自动化顾毅，刘新国基于遗传算法的控制器的研究信息技术李瑞霞......”。

5、“.....张新华基于改进遗传算法的控制器设计控制工程苗广祥，冯玉昌，陈卫，陆剑飞基于种改进遗传算法的参数优化仿真仪器仪表用户毛敏，于希宁基于遗传算法的参数优化方法电力自动化王琛，王仕成基于遗传算法的参数整定及仿真计算机仿真刘禾，段泉圣，李农庄，周茵基于遗传算法的参数整定与优化华北电力大学学报席玉棕基于遗传算法的参数整定与优化工程建设与设计丁寅磊，吕丽霞基于遗传算法的控制器参数优化研究仪器仪表用户谢勤岚，陈红基于遗传算法的控制器优化设计光学与光电技术牛理想，扈晓利，王高平基于遗传算法寻优的控制及仿真测试测量技术魏克新，王云亮，陈志敏，高强语言与自动控制系统设计第版北京机械工业出版社，张瑞丰精通北京中国水利水电出版社，何东健，刘忠超，范灵燕基于的控制器参数整定及仿真西安科技大学学报杨智，朱海锋......”。

6、“.....柴天佑等遗传算法综述控制理论与应用李建新，柳利军种基于遗传算法的参数的优化控制策略电力电子唐世浩，朱启疆遗传算法中初始群种与交叉变异率对解的影响及其解决方案科技通报徐璐，涂承宇种新的改进遗传算法及其性能分析电子学报张明辉，王尚锦具有自适应交叉算子的遗传算法及其应用机械工程学报丁承民，张传生，刘辉遗传算法纵横谈信息与控制刘国华等用实现遗传算法程序计算机应用研究数产生个的随机数。当这个随机数大于第个累积概率且小于第个累积概率，则第个相对适应度对应的个体被选中。选择算子流程如图所示。图选择算子流程交叉部分实现交叉概率控制着交叉算子的使用频率，这个概率说明每个染色体中有期望值个基因座进行交叉操作。第个基因座为交叉点。为确定交叉操作的父代，从重复以下过程利用函数产生个的随机数，如果这个随机数小于，则交换第个和第个染色体交叉点之后的染色体但如果这个随机数大于或等于，则不进行交叉操作......”。

7、“.....若出现奇数个则舍弃个染色体。由于选择的随机性，可能出现交叉的染色体为和的情况，为了防止这类情况出现，利用函数则朝正无穷方向舍入。交叉算子流程如图所示。图交叉算子流程变异部分实现变异概率控制着变异算子的使用频率，这个概率说明每个染色体中的每个基因座为变异点的概率为，变异概率的选取以及表达式选择的过程类似交叉操作，从到重复以下过程利用函数产生个的随机数，如果这个随机数小于，则该基因值变异，即原来的基因值为，变异为原来的基因值为，变异为。如果这个随机数大于或等于，则不进行变异操作。变异算子流程如图所示。开始依据交叉概率设定交叉点产生个随机数随机数是否大于交叉概率交换交叉点之后的部分染色体结束编译及仿真编译环境选择本身提供的大量辅助函数对于处理函数优化问题十分有用，而且相当全面，简便易用。的数字计算功能很强，另外，开放可扩展的体系结构允许用户开发自己的程序......”。

8、“.....采样时间，输入指令为阶跃信号。开始依次设定每基因座为变异点产生个随机数随机数是否大于变异概率改变基因值结束源程序如附录所示。仿真得目标函数的优化过程如图所示遗传算法优化的阶跃响应如图所示。由运行结果可知，目标函数在第代时达到它的最小值遗传算法优化的阶跃响应在秒之后达到了它的稳态输出值。图目标函数的优化过程图遗传算法优化的阶跃响应基于改进遗传算法的参数优化遗传算法的改进遗传算法的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，而是以目标函数值作为搜索信息。上述遗传算法在搜索过程中有时会收敛于局部解，称之为早期收敛或早熟现象。它使遗传算法搜索不到真正的最优值。这时种群中的所有染色体都相等，以至于基因交换只能产生和父代相同的子代。任何进步的改善中只能依赖基因突变，因而收敛速度变得极慢，进化后期搜索效率较低。针对简单遗传算法的这些缺点，本文提出种改进的遗传算法。具体改进方法如下......”。

9、“.....种群中的第个个体被选中进行复制的概率为其中为第个个体的适应度，为代种群中所有个体适应度之和。为防止适应度值高的个体也有可能被淘汰，在这里采用最优保留策略进行改进，即每代中适应度值大于，这里取为的个体不经过遗传操作，直接进入下代，以便更快地寻找到最优解。交叉与变异算子的改进针对遗传算法中存在的交叉率变异率选取不当时将增加迭代次数，甚至直接导致算法陷入局部最优解的早熟现象，本文采用种随世代数增加而不断自动调整的和。这样做的目的是在进化初期，种群的差异般较大，交叉率大和变异率小有助于加快收敛而在进化后期，交叉率小和变异率大有助于防止过早陷入局部最优解。该算法中的交叉率变异率由下列公式计算其中，表示世代数，表示最大世代数。仿真验证及结果分析遗传算法采用上述改进后的选择交叉变异算子对控制器进行参数整定，附录为基于改进遗传算法整定的控制程序。经仿真后，整定过程中目标函数的优化过程如图所示，改进遗传算法优化阶跃响应如图所示......”。