CN102141778B - 一种受核糖体rna启发的高阶控制器参数优化方法 - Google Patents

Abstract

本发明公开了一种受核糖体RNA启发的高阶控制器参数优化方法。它的步骤如下：1）针对现场控制对象，设置合适高阶控制器阶数，将超调量、响应时间及积分误差平方加权为一个总的性能指标作为目标函数；2）根据生物遗传物质DNA及核糖体RNA的结构、变异及信息传递，抽象出受核糖体RNA(rRNA)启发的混合DNA遗传算法（r-HDG）的相应各种仿生优化规则；3）设定仿生算法的基本及特有参数；4）模拟生物遗传物质的结构变异及转运，运行受核糖体RNA启发的r-HDG算法，通过最小化目标函数，得到适用于复杂过程对象的高阶控制器的参数及其各项性能评价指标。本发明模拟生物遗传物质DNA及核糖体RNA的结构、变异及信息传递，具有寻优精度高、速度快的特点。

Description

一种受核糖体RNA启发的高阶控制器参数优化方法

技术领域

本发明涉及一种受核糖体RNA启发的高阶控制器参数优化方法。

背景技术

随着现代控制系统越来越复杂，对系统的要求越来越高，控制工程师们正面临着严峻的挑战：选择合适的控制器，然后优化其参数以满足实际应用的特定要求。PID控制是最早发展起来的控制策略之一，其结构简单，实现容易，控制效果好，鲁棒性强，参数物理意义明确。PID与控制器参数的选择一直是持续的关注，它直接关系到PID控制性能的好坏。目前，参数的选择大多数采用人工经验指导下的试验试凑方法，典型的有Ziegler-Nichols方法，此外，还有其它一些改进的方法，如间接寻优方法，梯度法和爬山法等。近年来，随着智能控制理论的发展，专家系统，模糊控制以及神经网络日益受到控制界的重视，出现了一些基于遗传算法和模糊推理的整定方法。从而，将控制器参数设计问题转化成优化问题，很多传统优化算法均被用来整定控制器参数。

优化理论和方法的起源可以追溯到微积分产生的年代，然后直到20世纪30年代，由于军事和工业生产等方面的迫切需要，才使得优化方法的研究得到蓬勃的发展。常用的优化方法主要有：解析法，枚举法和随机搜索。解析法容易陷入局部最优值，而且要求目标函数和约束域可用解析式表示，难以用于求解目标函数不连续、约束域不连通、目标函数难以用解析式表达、解空间具有多峰特性等情况。枚举法具有简单易行的特点，但它需要计算搜索空间中每一个点的值，因此效率低下、适应性差。实际上，许多优化问题的搜索空间都很大，不允许一点一点地搜索。随机搜索方法则是通过在搜索空间里随机漫游并随时记录下所取得的最好结果，它的效率依然不高，而且只有解在搜索空间紧密分布时，才能找到最优解，这个条件一般很难满足。针对工程中的优化问题的复杂性、约束性、非线性、多局部极小点、建模困难等特点，寻找适合于大规模并行搜索且具有智能化的优化方法已经成为一个重要的研究方向。

控制器的优化设计是优化方法应用的一个重要领域，在进行控制器的优化设计时，除了保证控制系统闭环稳定外，还要考虑其他的性能指标，例如超调量最小，调节时间最短，上升时间最短等。传统控制器设计只有一组可调的控制器参数，若按干扰一致性整定控制器参数，则目标跟踪特性变差；若按目标跟踪特性整定控制器参数，则干扰抑制特性变差。因此实际系统设计中，很难得到最佳的控制效果。此外控制器阶数的递增也为实现满意的控制性能增加难度。

近年来，受生物科学技术研究成果的启发，基于生物计算的优化方法发展迅速。研究人员借鉴仿生学的思想，提出了一些具有高效寻优能力和广泛适应性的智能优化方法。例如，人工神经网络(ANN)在一定程度上模拟了人脑的组织结构和功能；遗传算法(GA)借鉴了自然界生物“生存竞争、优生劣汰，适者生存”的进化机制；蚁群算法(ACO)则受蚂蚁群体寻找食物最优路径的启发；禁忌搜索模拟了人类记忆的智力过程。这些基于生物计算的优化方法在求解复杂优化问题方面展示了它们的优点。其中常规遗传算法（SGA）作为一种适应面广，鲁棒性强的随机搜索方法，具有较强的全局搜索能力，适合解决此类问题，然而该方法搜索效率较低，局部搜索能力较差且易早熟。

根据生物遗传物质DNA及核糖体RNA的结构（见图4）、变异及信息传递，抽象出受核糖体RNA(rRNA)启发的混合DNA-GA算法（r-HDG）的相应各种仿生优化规则，是受核糖体RNA启发而提出的一种优化算法，可用于解决多变量，非线性的优化问题，得到有效的控制参数和化工模型。将此种方法用于船舶柴油机控制器优化设计中，取得较理想的效果。

 发明内容

本发明的目的是针对现有技术的不足，提供了一种受核糖体RNA启发的高阶控制器参数优化方法。

受核糖体RNA启发的高阶控制器参数优化方法的步骤如下：

1）算法初始化，包括最大代数，种群规模，被估计参数的取值范围，强变异概率，弱变异概率，参数编码长度，编码参数个数，交叉算子的执行概率，补码反转变异概率，随机产生初始对象；

2) 将超调量、响应时间及积分误差平方加权为一个总的性能指标作为目标函数；

3)设定如下算法的终止准则：算法运行代数是否达到最大代数，如果没有达到，运行算法继续寻优，如果达到，退出算法，运行结束；

4）运行受启发的受核糖体RNA启发的混合DNA遗传算法对高阶控制器参数进行优化，依次执行核糖体RNA预剪切规则，交叉变异规则，补码反转变异规则，单体自然突变规则，环境导向变异规则；

5) 当算法运行未达到算法的终止准则，返回步骤4）继续寻优；否则，将算法的估计输出最优值作为高阶控制器参数的估计值，得到受核糖体RNA启发的高阶控制器优化参数。

所述的预剪切规则、单体自然突变规则、环境导向规则,交叉变异规则，补码反转变异规则如下：

1）预剪切规则

每条rRNA-GA链上存在多个--18S—5.8S—26S片段，在读取有效信息位时，在浮动信息位中任意选取起始点，一旦选定，不含前导的18S—5.8S—26S片段将被提取，同时抛弃ITS，提取有效8个信息位，并为每个信息位赋予它在原始片段中的位号。位号将决定当前位的变异概率。如rand(1~6)=4，则起始位是4，故有效信息位的位号分别为4、5、6、10、14、15、16、17。由于4、5、10、14和15是强位点，故自然突变时将按照强位点进行概率判断；由于6、14、16和17是弱位点，故自然突变时将按照弱位点进行概率判断。

其中，c为随机选取信息位的开始位号；

为种群中第i个个体的第j个自变量的有效信息位编码表示；

为种群中第i个个体的第j个自变量的原始信息位编码表示；

为

的原始信息位号；ceil为向上取整函数；rand为[0,1]随机分布函数。M为种群规模，j为待解决问题的维度；

2）单体自然突变规则

预剪切后的8个信息位为有效信息位，每个信息位的变化范围为[x _min ,x _max ]，针对每个自变量

 则可以通过下式表达和进行单体变异，如果单体自然突变后的新个体适应度好，则替换掉原个体，否则不做任何改变，

其中，

为个体随机变异概率，

为当前变量，

为新变量，

为变量

的适应度函数值，

为新变量

适应度函数值，

为强变异概率，

为弱变异概率。

3）环境导向规则

根据达尔文的进化论，从物种外界环境的选择到rRNA-GA的进化趋向，信息位的信息在短时间内都是向着更趋向于短期更适应的方向进行的。在本文算法中，选取当前解集中的最优解和次优解，并提取该最优解和次优解的各个自变量中的每个信息位。以两个解的各个对应自变量的对应信息位的距离作为除此2个解的其它解的趋优步长。如果其它解在信息位趋优中适应度更好，则保留，否则不做任何改变，

其中，Err _j  为当前代内最优解和次优解的第j个变量之间的距离。

4）交叉操作

在此操作前，受DNA结构的启发，将当前对象在交叉操作前先转换成四进制编码方式，使用AGCT四种碱基对优化问题的潜在解编码，并使用数字0，1，2，3对应碱基。采用的映射方式为：0123CGAT，同时，碱基的数字编码也继承了碱基间的互补配对方式，即定义0与1互补，2与3互补。在种群中随机挑选两个个体作为父体，再通过执行交叉操作，得到新的个体；

5）补码反转变异规则

将个体中的密码子由其倒转的反密码子取代，从而产生新个体，将须执行补码反转变异的个体按照编码参数的不同分成n个子序列，然后再每个子序列上随机选取一小段连续的碱基做为密码子，接下来，将反密码子序列中的碱基进行倒位处理，得到倒转的反密码子序列，最后将倒转的反密码子代替密码子的位置，从而产生了一个新个体，反密码子变异算子的执行概率，在完成此操作后，再还原成实数，进行相应的适应度函数评价。

本发明根据生物遗传物质DNA及核糖体RNA的结构、变异及信息传递，抽象出受核糖体RNA(rRNA)启发的混合DNA-GA算法,且由于预剪切规则，单体自然突变规则、环境导向规则的存在，具有收敛速度快，寻优精度高的特点。

附图说明

图1是交叉操作示意图；

图2是密码子与反密码子示意图；

图3是补码反转示意图；

图4是核糖体RNA结构示意图；

图5是船舶柴油机控制系统示意图；

图6是船舶柴油机控制对象传递函数极点图；

图7是船舶柴油机控制对象传递函数伯德图；

图8是r-HDG,FST-MC,GA,H.T方法下控制器的单位输入阶跃响应曲线；

图9是r-HDG,FST-MC,GA,H.T方法下控制器的单位干扰阶跃响应曲线。

 具体实施方式

受核糖体RNA启发的高阶控制器参数优化方法的步骤如下：

1）算法初始化，包括最大代数，种群规模，被估计参数的取值范围，强变异概率，弱变异概率，参数编码长度，编码参数个数，交叉算子的执行概率，补码反转变异概率，随机产生初始对象；

2) 将超调量、响应时间及积分误差平方加权为一个总的性能指标作为目标函数；

3)设定如下算法的终止准则：算法运行代数是否达到最大代数，如果没有达到，运行算法继续寻优，如果达到，退出算法，运行结束；

4）运行受启发的受核糖体RNA启发的混合DNA遗传算法对高阶控制器参数进行优化，依次执行核糖体RNA预剪切规则，交叉变异规则，补码反转变异规则，单体自然突变规则，环境导向变异规则；

5) 当算法运行未达到算法的终止准则，返回步骤4）继续寻优；否则，将算法的估计输出最优值作为高阶控制器参数的估计值，得到受核糖体RNA启发的高阶控制器优化参数。

所述的预剪切规则、单体自然突变规则、环境导向规则,交叉变异规则，补码反转变异规则如下：

1）预剪切规则

每条核糖体RNA-GA链上存在多个--18S—5.8S—26S片段，在读取有效信息位时，在浮动信息位中任意选取起始点，一旦选定，不含前导的18S—5.8S—26S片段将被提取，同时抛弃ITS，提取有效8个信息位，并为每个信息位赋予它在原始片段中的位号。位号将决定当前位的变异概率。如rand(1~6)=4，则起始位是4，故有效信息位的位号分别为4、5、6、10、14、15、16、17。由于4、5、10、14和15是强位点，故自然突变时将按照强位点进行概率判断；由于6、14、16和17是弱位点，故自然突变时将按照弱位点进行概率判断。

其中，c为随机选取信息位的开始位号；

为种群中第i个个体的第j个自变量的有效信息位编码表示；为种群中第i个个体的第j个自变量的原始信息位编码表示；为的原始信息位号；ceil为向上取整函数；rand为[0,1]随机分布函数。M为种群规模，j为待解决问题的维度；

2）单体自然突变规则

预剪切后的8个信息位为有效信息位，每个信息位的变化范围为[x _min ,x _max ]，针对每个自变量 则可以通过下式表达和进行单体变异，如果单体自然突变后的新个体适应度好，则替换掉原个体，否则不做任何改变，

其中，

为个体随机变异概率，

为当前变量，

为新变量，

为变量

的适应度函数值，

为新变量

适应度函数值，

为强变异概率，

为弱变异概率。

3）环境导向规则

根据达尔文的进化论，从物种外界环境的选择到rRNA-GA的进化趋向，信息位的信息在短时间内都是向着更趋向于短期更适应的方向进行的。在本文算法中，选取当前解集中的最优解和次优解，并提取该最优解和次优解的各个自变量中的每个信息位。以两个解的各个对应自变量的对应信息位的距离作为除此2个解的其它解的趋优步长。如果其它解在信息位趋优中适应度更好，则保留，否则不做任何改变，

其中，Err _j  为当前代内最优解和次优解的第j个变量之间的距离。

4）交叉操作

在此操作前，受DNA结构的启发，将当前对象在交叉操作前先转换成四进制编码方式，使用AGCT四种碱基对优化问题的潜在解编码，并使用数字0，1，2，3对应碱基。采用的映射方式为：0123CGAT，同时，碱基的数字编码也继承了碱基间的互补配对方式，即定义0与1互补，2与3互补。在种群中随机挑选两个个体作为父体，再通过执行交叉操作，得到新的个体，操作过程如图1；

5）补码反转变异规则

将个体中的密码子由其倒转的反密码子（如图2）取代，从而产生新个体，将须执行补码反转变异的个体按照编码参数的不同分成n个子序列，然后再每个子序列上随机选取一小段连续的碱基做为密码子，接下来，将反密码子序列中的碱基进行倒位处理，得到倒转的反密码子序列，最后将倒转的反密码子代替密码子的位置，从而产生了一个新个体，操作过程如图3，反密码子变异算子的执行概率，在完成此操作后，还原成实数，进行相应的适应度函数评价。

实施例

以下将本发明方法用于大型船舶柴油机的速度控制系统控制器的参数优化中，进一步详细描述：

图5为大型船舶柴油机的速度控制系统，角速度y作为系统的输出，燃油齿条位置作为控制信号u,围在负载转矩d被看成一种干扰。控制系统所实现的目标是抑制负载转矩的变化对角速度的影响，实现对外在负载的快速响应，并能满足稳定性等控制指标要求。

柴油机对象模型可以表示为

式中

该控制对象由于发动机和发电机的轴相互耦合，系统振荡严重。图6 为船舶柴油机控制对象传递函数极点图。从极点图可以清晰地观察到该控制对象具有对偶极点-0.9635+17.94j和-0.9635-17.94j。图7为 船舶柴油机控制对象传递函数伯德图，从伯德图显示该控制对象非常难以控制。相对应的控制器结构

式中，

,

,，，和

是控制器的参数，可以根据实际情况来调节。该对象的控制器采用6阶控制器，系统振荡很严重，为了保证控制器的性能，本方法采用了三阶固定结构的控制器来达到改善系统控制性能的目的，但是控制器参数未定。优化目的是为了达到更好的时域响应指标以及稳定性能，一次来确定控制的参数。

船舶柴油机控制器性能指标分析

保证系统闭环的稳定性，是控制系统设计时首要考虑的问题，在船舶柴油机控制器中干扰响应的性能指标应该作为优化的主要目标，其中单位干扰响应的最大输出值和调节时间应该作为主要评价指标。因此，优化目标中必须首要考虑一下指标

其中，

是单位干扰引起的系统输出误差。

一般情况下，当系统对单位干扰响应的输出幅值低时，系统对单位输入响应的超调就大。如果干扰响应强，输入响应就有可能差，甚至不能用于工程实际。因此，在改善干扰响应的过程中，必须同时考虑系统的输入响应，使得输入响应不发生突然变坏的情况，满足生产世界的需要。输入响应下的性能指标有：

上述式中

是单位输入引起的系统输出误差。表示系统输出达到的理想值所需要的时间。

如果出现超调，即

则要考虑有超调引起的指标。另外，为了防止能量过高，则要考虑控制指标保证所设计的控制系统的稳定性，性能指标

也是必须要考虑的，它表示右半平面的极点数目。所以传播柴油控制器总共有8个性能指标需要考虑，加权将8个指标整合成一个总的性能指标：

8个权值系数为：

所运行的一种受核糖体RNA启发的混合DNA遗传算法对高阶控制器未知参数

,

,，

，

和

的优化步骤如下：

1）算法初始化，设定进化代数代数G=100，种群规模大小Size=60，被估计参数的取值范围xmin=[0,20,0,0,0,0]；xmax=[10,80,30,20,80,150]，强变异概率Ps=0.9，弱变异概率Pi=0.4，一个参数编码长度19，编码参数个数6，交叉算子的执行概率0.6，补码反转变异概率0.5，随机产生初始对象；

2）将超调量、响应时间及积分误差平方加权为一个总的性能指标作为目标函数；

3）基于受核糖体RNA启发的混合DNA遗传算法对对象个体依次执行rRNA预剪切规则，交叉变异，补码反转变异，单体自然突变，环境导向变异；

4）当算法运行未达到算法的终止准则，返回3）继续寻优；否则，将算法的估计输出最优质作为高阶控制器参数的估计值，得到高阶控制器参数模型。

控制器性能比较与分析

用本算法对控制器参数进行优化求解得到的优化参数值如下并与其它三种算法进行比较：

表中F：总的性能指标：调节时间 

单位干扰响应的最大输出值，

超调量

 上升时间；

,

,

，

，和

：控制器的参数。从表中可以看出，设计的控制器为初始点开始迭代计算的。其他算法采用的是随机初始值，从不稳定的系统开始优化，寻找稳定的最优设计值。与GA和H.T方法比，本算法的

,

,最小，也同时证明了只用三阶控制器控制船舶柴油机就能达到满意的控制性能。图8和图9给出了三种方法下控制器的响应曲线。

表1 控制系统性能与参数比较

。

Claims (1)

1.一种受核糖体RNA启发的高阶控制器参数优化方法，其特征它的步骤如下：

1）算法初始化，包括最大代数，种群规模，被估计参数的取值范围，强变异概率，弱变异概率，参数编码长度，编码参数个数，交叉算子的执行概率，补码反转变异概率，随机产生初始对象；

2)将超调量、响应时间及积分误差平方加权为一个总的性能指标作为目标函数；

3)设定如下算法的终止准则：算法运行代数是否达到最大代数，如果没有达到，运行算法继续寻优，如果达到，退出算法，运行结束；

4）运行受启发的受核糖体RNA启发的混合DNA遗传算法对高阶控制器参数进行优化，依次执行核糖体RNA预剪切规则，交叉变异规则，补码反转变异规则，单体自然突变规则，环境导向变异规则；

5)当算法运行未达到算法的终止准则，返回步骤4）继续寻优；否则，将算法的估计输出最优值作为高阶控制器参数的估计值，得到受核糖体RNA启发的高阶控制器优化参数；

所述的预剪切规则、单体自然突变规则、环境导向规则，交叉变异规则，补码反转变异规则如下：

1）预剪切规则

每条核糖体RNA-GA链上存在多个--18S—5.8S—26S片段，在读取有效信息位时，在浮动信息位中任意选取起始点，一旦选定，不含前导的18S—5.8S—26S片段将被提取，同时抛弃内转录间隔区，提取有效8个信息位，并为每个信息位赋予它在原始片段中的位号，位号将决定当前位的变异概率，如rand(1～6)=4，则起始位是4，故有效信息位的位号分别为4、5、6、10、14、15、16、17，由于4、5、10、14和15是强位点，故自然突变时将按照强位点进行概率判断；由于6、14、16和17是弱位点，故自然突变时将按照弱位点进行概率判断；

$\left\{\begin{array}{cc}c=\mathrm{ceil}(5*\mathrm{rand})+1;& i\∈[\mathrm{1,2},...,M]\\ x_j^i(1:3)=s_j^i(c:c+2);& H_j^i(1:3)=c:c+2\\ x_j^i\left(4\right)=s_j^i(c+6);& H^j\left(4\right)=c+6;\\ x_j^i(5:8)=s_j^i(c+10:c+13);& H_j^i(5:8)=c+10:c+13;\\ s_j^i\left(k\right)=\mathrm{rand}*\mathrm{wide}\left(j\right)+x_{\min }& j\∈[\mathrm{1,2},...,N],k\∈[\mathrm{1,2},...,8]\end{array}\right.$

其中，c为随机选取信息位的开始位号；

为种群中第i个个体的第j个自变量的有效信息位编码表示；

为种群中第i个个体的第j个自变量的原始信息位编码表示；

为

的原始信息位号；ceil为向上取整函数；rand为[0，1]随机分布函数，M为种群规模，j为待解决问题的维度；

2）单体自然突变规则

预剪切后的8个信息位为有效信息位，每个信息位的变化范围为[x_min-x_max]，针对每个自变量

则可以通过下式表达和进行单体变异，如果单体自然突变后的新个体适应度好，则替换掉原个体，否则不做任何改变，

其中，p为个体随机变异概率，

为当前变量，

为新变量，为变量

的适应度函数值，

为新变量

适应度函数值，p_s为强变异概率，p_i为弱变异概率；

3）环境导向规则

根据达尔文的进化论，从物种外界环境的选择到核糖体RNA-GA的进化趋向，信息位的信息在短时间内都是向着更趋向于短期更适应的方向进行的，在本文算法中，选取当前解集中的最优解和次优解，并提取该最优解和次优解的各个自变量中的每个信息位，以两个解的各个对应自变量的对应信息位的距离作为除此2个解的其它解的趋优步长，如果其它解在信息位趋优中适应度更好，则保留，否则不做任何改变，

${\mathrm{Err}}_j=x_j^2-x_j^1$ j∈[1，2，…，N]；

$x_j^{i^{\&prime;}}\left(k\right)=\left\{\begin{array}{ccc}{x}_j^i\left(k\right)& \mathrm{if}& f\left(x_j^{i^{\&prime;}}\right)\&GreaterEqual;f\left(x_j^i\right);\\ x_j^i\left(k\right)-{\mathrm{Err}}_j\left(k\right)& \mathrm{if}& f\left(x_j^{i^{\&prime;}}\right)<f\left(x_j^i\right);\end{array}\right.$

i∈[3，4，…，M]，k∈[1，2，…，8]

其中，Err_j为当前代内最优解和次优解的第j个变量之间的距离；

4）交叉操作

在此操作前，受DNA结构的启发，将当前对象在交叉操作前先转换成四进制编码方式，使用AGCT四种碱基对优化问题的潜在解编码，并使用数字0，1，2，3对应碱基，采用的映射方式为：0123CGAT，同时，碱基的数字编码也继承了碱基间的互补配对方式，即定义0与1互补，2与3互补，在种群中随机挑选两个个体作为父体，再通过执行交叉操作，得到新的个体；

5）补码反转变异规则

将个体中的密码子由其倒转的反密码子取代，从而产生新个体，将须执行补码反转变异的个体按照编码参数的不同分成n个子序列，然后再每个子序列上随机选取一小段连续的碱基做为密码子，接下来，将反密码子序列中的碱基进行倒位处理，得到倒转的反密码子序列，最后将倒转的反密码子代替密码子的位置，从而产生了一个新个体，反密码子变异算子的执行概率，在完成此操作后，再还原成实数，进行相应的适应度函数评价。

Images