1、“.....用此参数求得其代价函数值和适应函数值,取。本毕设中采用误差绝对值时间积分作为目标函数式中，为控制器输出，为系统误差，为权值，为上升时间。另外，为了避免产生超调，则采用定的惩罚功能，旦发生超调，即，就将超调量作为最优指标的项，那么此时的目标函数为式中，为权值，且，，为被拉对象输出应用复制算子交叉算子和变异算子对种群进行操作，从而产生下代种群重复步骤和，直到参数收敛或则达到预定的目标。二阶系统的运行结果在编程时要先设定选择算子交叉算子和变异算子。我在仿真时选择算子为比例选择算子。交叉算子为单点交叉算子。变异算子为基本位变异算子。从的工作空间里可以读出遗传算法整定的参数最优个体为，优化参数为，性能指标，图为代价函数其优化的过程。由图可以看出采用遗传算法的控制器跟踪速度快，无超调量，稳态误差很小，弥补了传统控制器在调节控制参数上能力的不足，其控制取得了较好的效果......”。

2、“.....作为寻优手段的遗传算法，对个二阶系统的参数进行了定的优化，得到的参数与之前未优化选定的参数进行比较可以看出，其的响应结果好，系统稳定。而且加快了系统的响应速度，减小了超调量，使整个系统完全符合要求。结论自从世纪年代末期，控制器出现以来，它便被广泛的应用。它具有原理简单易于实现参数整定方便适用性强结构改变灵活鲁棒性强等优点。作为种功能强大的寻优算法，遗传算法能在不需任何初始条件的情况下就可以找出问题的最优解。本设计主要思想是想将这两者结合起来，以往的参数整定，般都是靠经验或者采用试凑法，而这得到的参数并不是最好的，利用遗传算法能够搜寻出最优的组参数，是系统的阶跃响应良好，系统稳定。同时使用遗传算法整定参数，其效率较之于以往的方法都有所提高，同时可以肯定的是，用该算法得到的参数可使系统的控制效果达到最优状态。虽然，遗传算法功能强大，应用领域广，而且其潜在的发展空间也是无比的大。但遗传算法依旧存在许多问题，在这点上还需要做大量的进步研究。例如，个待解决的问题......”。

3、“.....会使其计算量增大，速度变慢。另外，遗传算法寻优是按概率进行的，所以最后得到的最优解，按概率学来讲，是以定概率存在的，这意味着它并不是真正的最优解，只是极为接近最优解。所以，对于遗传算法地研究是无止尽的。参考文献孙丽萍，曹军，陈松实基于遗传算法的木材干燥窑控制系统东北林业大学学报，李丙春粒子群优化算法及其应用喀什师范学院学报张磊基于单纯形法的控制器的最优设计信息与控制张丽萍,柴跃廷遗传算法的现状及发展动向信息与控制，姚兰英，吕振，王东亚遗传算法与神经控制的融合算法辽宁工程技术大学学报自然科学版刘立国遗传算法与神经控制的融合算法研究渤海大学学报自然科学版毛敏，于希宁基于遗传算法的参数优化方法中国电力，郭庆鼎，李蒙，郭威控制器参数的遗传算法优化设计沈阳工业大学学报，席裕庚，柴天佑，恽为民遗传算法综述控制理论与应用肖理庆，邵晓根，张亮，石天明利用改进遗传算法优化参数计算机工程与应用，段玉倩......”。

4、“.....李华昌，谢淑兰，易忠胜遗传算法的原理与应用矿冶，丁承民，张传生，刘辉遗传算法纵横谈信息与控制，刘宏波基于自适应伪并行遗传算法的参数整定化工自动化及仪表，毛,输入信号为阶跃信号控制器输出约束条件为上升时间进入稳态区域求适应度函数值系统误差若产生超调，采取惩罚措施最优代价值基于遗传算法的参数寻优问题的研究河北华北电力大学，顾毅，刘新国基于遗传算法的控制器的研究信息技术，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，李雅梅，叶景楼，孟庆春基于改进遗传算法的控制器参数优化辽宁工程技术大学学报自然科学版，张敏，赵小惠，王锦基于遗传算法控制器在张力控制中的应用西安工程科技学院学报，席育棕基于遗传算法的参数整定与优化工程建设与设计，成学亮，尉宇，王涛基于改进遗传算法的参数寻优与控制器设计计算机与数字工程，赵瑞军，王先来模糊控制器在空调温度控制中的应用计算机仿真，刘娜，韩璞，甄成刚基于遗传算法的参数寻优计算机仿真何福忠，孙优贤基于稳定参数空间的调节器遗传优化设计控制与决策......”。

5、“.....孔祥江，胡旭东，刘宏波自适应伪并行遗传算法在织机张力控制中的应用丝绸，致谢在本次论文的撰写中，我得到了高慧敏教授的精心指导，不管是从开始定方向还是在查资料准备的过程中，直都耐心地给予我指导和意见，使我在总结学业及撰写论文方面都有了较大提高同时也显示了老师高度的敬业精神和责任感。在此，我对高慧敏教授表示诚挚的感谢以及真心的祝福。四年大学生活即将结束，回顾几年的历程，老师们给了我们很多指导和帮助。他们严谨的治学，优良的作风和敬业的态度，为我们树立了为人师表的典范。在此，我对所有的嘉兴学院的老师表示感谢，祝你们身体健康，工作顺利,附录程序清单主程序基于遗传算法的参数整定程序定义全局变量种群大小种群个体长度二进制编码迭代次数取值范围初始化编码输出量初始化十进制计算输出量解码，计算的值解码，计算的值解码，计算的值适应度函数调用子函数最优代价值最优代价值排序取最小值避免分母为零适应函数值适应函数值排序取最大值令......”。

6、“.....确定其位置选择代码长度以及执行复制选择，复制是被复制的行数交叉算子交叉概率交叉条件新旧种群个体交叉互换,变异算子变异算子，从大到小变异条件,输出各个结果，显示图形子程序定义函数采样时间被控对象为二阶传递函数做变换,可以充分利用法的合理内核，又缩小了实际参数的搜索空间。设为法整定值，为延拓系数，取则可得适应度函数设计优化设计的目的是使系统些性能指标最优，然而，单纯的误差性能指标很难同时满足系统对快速性稳定性和鲁棒性的要求，因此在适应度函数中引入超调量上升时间和累计绝对误差指标项。设为系统的超调量，和分别为输出峰值和输入参考值为上升时间，将其定义为输出从第次达到的时间为采样时刻的输出误差为权重系数。则多目标适应度函数为通过对权重系数的调整，可以改变系统对快速性和稳定性的要求。如系统要求较小的超调，可以适当增大若系统要求快速的动态响应，则可以适当增大。算法流程初始化，设置群体规模，交叉概率，最大迭代次数，在搜索空间内随机初始化群体矢量......”。

7、“.....根据式对群体中的每个个体矢量进行交叉操作。根据式计算个体的适应度，根据式对每个个体进行选择操作。判断最大迭代次数是否达到，若达到，则停止否则转到。方法五神经网络法很多被控对象的模型在工业控制中很难用准确的数学模型来描述，即便在状态下，可以用数学模型来描述，旦运行过起来，它的特性就有可能发生变化，那么之前所确定的模型就不能适用。然而神经网络则在定程度上改善解决了这个问题。运用该原理改善参数时，神经网络般要与被控对象并列在起，形成神经网络辨识器，它的通常结构如图所示。图神经网络智能控制系统方框图神经网络辨识器经过定的学习后，它的输出能够很好地追踪被控对象的输出。因为其结构是确定的，所以在学习后，它的每个连接权及节点的闹值都是定的数值。那么，这个神经网络辨识器的结构近似可以看作被控对象结构。近似地把神经网络辨识器输出与输人的传递函数模型当作被控对象的模型，然后可以用梯度下降法优化出参数。对象优化算法学习算法否基于以上思想......”。

8、“.....二是基于神经网络的单步预测参数优化的方法。它们在控制结构上基本相同，仅仅在选取的优化目标函数有所不同。假设基于单步预测的优化方法的目标函数是ˆ式中，是期望输出值，是神经网络辨识器的输出。使用梯度法，可获得参数修正值ˆˆ式中，是控制器参数即比例，积分，微分参数的修正值，是期望值，则是由神经网络辨识器的结构中获得的。我们可知，若对象响应比较慢，那么将不断增大，那么会加快响应速度，这不仅会使被控对象快速的达到给定值，而且还会使增大超调量在调节过程中，从而动态品质将变差。假设基于多步预测的优化方法的目标函数是ˆ多步预测的步数为。它的主要思想是利用神经网络辨识器进行多步预测，从其结果中来确定控制器参数的调节量。其公式是ˆˆ在使用多步预测时，采用神经网络并联辨识算法可以得到后面，步的神经网络辨识器输出的预测值，也就是说把第步神经网络的输出值反馈输入到神经网络辨识器......”。

9、“.....神经网络并联辨识算法只在满足了定的条件下才能收敛的。所以，在运用多步预测的时候，神经网络辨识器的多步预测值是不定能够可靠的反映出被控对象后面第，步的输出变化的。课题研究的主要内容本设计的主要任务是研究利用遗传算法对个二阶系统的参数进行优化，了解遗传算法的优点，并且使用进行遗传算法编程和对个二阶系统的控制器进行仿真。按照设计计划安排，首先，对遗传算法进行大概的了解，包括遗传学的概念遗传算法的历史及发展遗传算法的基本原理遗传算法的基本步骤和遗传算法的应用关键其次，以个二阶系统作为模型，利用遗传算法对其参数进行优化，为得到所需数据则利用和工具对这个二阶系统进行编程和仿真最后撰写论文。遗传算法遗传算法的简介年，美国的著名学者提出的种优化方法，即遗传算法。它的理论基础是自然选择和遗传理论，也就是将适者生存原理与群体内部基因遗传机制相结合的种全局搜索算法。经过了这么多年的发展，算法的逐渐成熟。它与以往常规的优化算法比较，具有如下优点遗传算法并不是不对参数本身进行操作，而是对参数的编码......”。