Краткое описание МГА и программа в среде Mathcad
Введение
Получившие распространение имитационные методы моделирования в задачах управления предъявляют качественно новые требования к решению задач параметрической оптимизации. На замену аналитическим косвенным приемам вычисления оптимальных настроечных параметров регуляторов все активнее приходят численные алгоритмы оптимизации.
Опыт исследования алгоритмов управления показал, что для простых одноконтурных систем автоматического регулирования (АСР) с линейными регуляторами задачи оптимизации, как правило, являются одноэкстремальными. Однако для сложных многоконтурных систем управления и систем управления с нейроконтроллерами характерно наряду с глобальным наличие большого числа локальных экстремумов. Кроме того, локальные экстремумы появляются и при введении ограничений на пространство поиска.
Для решения одноэкстремальных задач оптимизации существует достаточное число градиентных и численных алгоритмов. Одним из таких алгоритмов является метод деформируемого многогранника Нелдера-Мида [1]. При оптимизации одноконтурной АСР с ПИ-регулятором такой алгоритм устойчиво находит оптимальные значения настроечных параметров и для функции цели вида
(1.1)
где - интеграл по модулю регулируемой величины на интервале времени переходного процесса ; - соответственно, заданная и текущая степень затухания переходного процесса регулирования; - масштабный коэффициент, учитывающий вес штрафной функции.
|
|
Применение метода деформируемого многогранника для оптимизации двухконтурной АСР с дифференциатором и АСР с нейроконтроллерами различной структуры приводит к неоднозначности решения. В каждом случае результаты зависят от выбранных начальных координат. Из этого следует вывод о многоэкстремальности подобных задач, и для их решения требуются методы глобальной оптимизации [2].
В настоящее время наиболее предпочтительными методами многоэкстремальной оптимизации являются генетические алгоритмы (ГА), реализующие постулаты теории эволюции и опыта селекции растений и животных [3]. Стратегия поиска оптимального решения в генетических алгоритмах опирается на гипотезу селекции: чем выше приспособленность особи, тем выше вероятность того, что у потомков, полученных с её участием, признаки, определяющие приспособленность, будут выражены ещё сильнее [4].
Если принять, что каждая особь популяции является точкой в координатном пространстве оптимизационной задачи , а приспособленность особи соответствующим значением функции цели , то популяцию особей можно рассматривать как множество координатных точек в пространстве, а процесс эволюции – как движение этих точек в сторону оптимальных значений целевой функции.
|
|
Следует отметить, что классический генетический алгоритм находит глобальный экстремум в вероятностном смысле. И эта вероятность зависит от числа особей в популяции. Как показали исследования, при оптимизации сложных многоконтурных и многосвязных систем регулирования и аналогичных систем с нейроконтроллерами генетические алгоритмы (в частности диплоидная версия ГА) с достаточно высокой вероятностью находят глобальный экстремум. Однако вычисление функции цели вида (1) на интервале времени переходного процесса требует значительных вычислительных ресурсов, что существенно сказывается на общем времени работы ГА.
Особенностью ГА является то, что ни один из генетических операторов (кроссовер, мутация, инверсия) в процессе генерирования потомков не опирается на знание локального рельефа поверхности отклика функции цели. Формирование потомков генетическими операторами происходит случайным образом и поэтому нет гарантии, что найденные решения будут лучше родительских. Следовательно в процессе эволюции встречается достаточно большое число “неудачных” потомков, которые увеличивают число обращений к функции цели и увеличивают, тем самым, время поиска глобального экстремума.
|
|
Кроме того, ГА находят оптимальное решение только внутри заданного диапазона поиска. Поэтому приходится диапазоны поиска и число особей в популяции задавать с большим запасом, что также увеличивает время решения.
Перечисленные особенности сдерживают широкое применение ГА в инженерной практике. Однако потребность в таких алгоритмах для решения прикладных задач сравнительно небольшой размерности постоянно растет, особенно в связи с намечающейся тенденцией внедрения в системы управления нейросетевых технологий.
В данной статье приводится пользовательская программа для Mathcad, а также результаты тестирования и примеры использования в задачах управления авторской версии модифицированного генетического алгоритма (МГА).
Целью модификации существующих ГА является разработка алгоритма, который способен с требуемой вероятностью достигнуть глобального экстремума с наименьшим числом обращений к функции цели. Авторы считают, что такой алгоритм найдет применение в задачах оптимального синтеза систем управления, а также в других исследовательских задачах.
|
|
Краткое описание МГА и программа в среде Mathcad
Предлагаемый алгоритм содержит в себе генетические качества статистической селекции популяции поисковых точек. Для исключения “неудачных” потомков в МГА реализована процедура регулярного поиска локальных экстремумов с использованием операций деформируемого многогранника. При смене поколений в алгоритме заложена рекомендуемая во многих источниках 10-процентная замена неперспективных особей (элиминирование).
На рис. 1 приведена факсимильная копия программы МГА для Mathcad, в которой реализованы процедуры статистического задания особей в популяции, сортировки и элиминирования неперспективных особей, вероятностной селекции группы особей для начала регулярного поиска локальных экстремумов, операций регулярного поиска локальных экстремумов, а также процедур завершения работы алгоритма. В представленной программе решается задача поиска глобального экстремума функции (3.1).
3. Описание методики и результаты тестирования МГА
Известной особенностью генетических алгоритмов является вероятностный характер определения глобального экстремума. Степень совершенства алгоритмов зависит как от запрограммированного механизма генетической обработки информации (заложенные в программе генетические операции и стратегия их работы, заданное число элиминированных особей), так и от пользовательских установок начальных условий и объема используемой при поиске информации (заданное число особей в популяции m и область поиска D).
На пользовательском уровне для гарантированного определения глобального экстремума требуется задание большого числа особей в популяции и поиска глобального экстремума в широком диапазоне оптимизируемых переменных. Выполнение перечисленных условий требует больших временных затрат на поиск, что существенно ограничивает применение генетических алгоритмов в повседневной инженерной практике. В оптимизационных задачах управления, где функция цели вычисляется алгоритмически (например, по интегральным оценкам переходных процессов регулирования) временные затраты на решение могут быть косвенно оценены по числу обращений к функции цели.
Для предлагаемого алгоритма выполнено тестирование влияния заданных значений m и D на вероятность определения глобального экстремума r и числа обращений к функции цели S. Для сравнения параллельно с МГА проведено тестирование диплоидной версии ГА [5].
Тестирование проведено для трех двухмерных функций цели. На рис. 2а, б, в для этих функций показаны изометрические изображения и сечения по оптимальной координате x2. Первая функция предложена авторами статьи, вторая и третья взяты из источника [6]. Аналитические выражения функций имеют вид
; (3.1)
; (3.2)
. (3.3)
Для определения оценки r для заданных значений D и m было выполнено по 10000 решений МГА и ГА. Затем из каждых 10000 результатов отбирались правильные решения и вычислялся процент их появления. Найденная таким образом величина принималась за оценку вероятности появления правильного решения r.
Такая процедура проделывалась для трех диапазонов поиска. Диапазоны поиска выбирались индивидуально для каждой функции цели. Полученные данные обрабатывались с помощью встроенных функций Mathcad interp и regress.
На рис. 3 показаны графики зависимостей вероятности определения глобального экстремума от числа особей в популяции для функции (3.1).
Критерием правильности решения задачи принята 97-процентная вероятность появления правильных решений. Из графиков (рис. 3) выбраны числа особей в популяциях m97, которые гарантируют такую вероятность. Затем для всех шести значений m97 выполнено по 10000 решений задачи оптимизации. В процессе решений подсчитывались числа обращений к функции цели S. Значения S являются дискретными случайными числами. Для шести ансамблей из 10000 значений S рассчитаны функции плотности распределения. Расчеты выполнялись с помощью встроенной функции Mathcad hist.
В качестве вероятностных оценок времени решения задачи оптимизации предлагается использовать абсциссу пика кривой распределения (моду), и ординату пика кривой распределения случайного числа S (эксцесс).
На рис. 4 показаны шесть графиков функций распределения вероятности дискретной случайной величины S (число обращений к функции цели) для протестированной функции (3.1).
В табл. 1 сведены результаты тестирования трех функций цели (3.1), (3.2) и (3.3) двумя анализируемыми алгоритмами. Из табл. 1 видно, что МГА почти в два раза меньше обращается к функции цели по сравнению с диплоидной версией ГА. Кроме того, в процессе регулярного поиска МГА способен найти глобальный экстремум за пределами заданного диапазона.
Для иллюстрации работы МГА на рис. 5 показаны четыре поверхности отклика функции (3.1), на которых показано множество особей (координатных точек) в процессе эволюции поколений. Звездочкой отмечена точка глобального экстремума. На рис. 5 а показан начальный разброс точек в первом поколении. В популяции тридцать особей. В каждом поколении удалялись по три наихудших особи. На замену им находились точки в локальных экстремумах. Расположение точек популяции в десятом и в пятнадцатом поколении представлены соответственно на рис. 5 б и 5 в. Состояние решенной задачи, когда все точки стянулись в одну точку глобального экстремума, представлено на рис 5 г. Для получения окончательного решения потребовалось семнадцать поколений.
Таблица 1
Функция | Диапазон поиска | Число особей в популяции, гарантирующее определение глобального экстремума с вероятностью 97% | Ордината пика кривой распределения вероятности числа обращений к функции цели, % | Абсцисса пика кривой распределения вероятности числа обращений к функции цели (мода случайной величины S) | |||
МГА | ГА | МГА | ГА | МГА | ГА | ||
0 ¸ +10 | 29,89 | 13,5 | |||||
+3 ¸ +7 | 28,07 | 8,89 | |||||
+15 ¸ +25 | 24,54 | 6,11 | |||||
-10 ¸ +10 | 24,95 | 11,68 | |||||
-20 ¸ +20 | 13,56 | 7,93 | |||||
-40 ¸ +40 | 12,55 | 5,34 | |||||
-3 ¸ +3 | 23,25 | 7,59 | |||||
-6 ¸ +6 | 14,63 | 3,00 | |||||
-12 ¸ +12 | 11,25 | 3,09 | |||||
Суммарное для девяти тестов число обращений к функции цели |
Рис. 3. Зависимость вероятности определения глобального экстремума от числа особей в популяции
для функции цели (3.1)
Дата добавления: 2016-01-05; просмотров: 21; Мы поможем в написании вашей работы! |
Мы поможем в написании ваших работ!