遗传算法的研究与进展

遗传算法是建立在自然遗传学机理基础上的参数搜索方法。本文介绍了遗传算法的思想来源的基本原理，比较了遗传算法与其他人工智能技术，论述了它在优化、机器学习、尤其是控制领域中的应用成果，并对进一步的研究工作提出了一些展望。  

一种自动调整遗忘因子的快速时变参数辨识方法

本文介绍了一种自动调整遗忘因子的快速时变参数辨识方法.这种方法主要是在文献 [1,2]的基础上改进了遗忘因子的选取方法,引入了自动调整遗忘因子,以适应导弹控制系统 等快速时变系统的参数估计要求.数字仿真结果表明,这种辨识方法对于诸如参数的指数变 化、斜坡变化、阶跃变化、正弦变化、方波变化以及由这些变化形式构成的混合变化,都有比较 好的辨识效果.  

关联不确定大系统的分散变结构控制

分散控制方法和变结构控制方法两者优点的结合使得分散变结构控制在大系统研 究中得到了广泛的重视.针对各个子系统均为多输入情况.研究了不确定性关联大系统的分 散变结构控制方法.基于开关平面的等价性,提出了关联大系统的分散滑动模态全局可达条 件.并针对子系统不确定性的界已知及未知两种情况,提出了分散变结构控制算法.该方法克 服了以往控制方法中需已知线性关联函数或不确定性关联的界的缺陷.  

不确定性大系统的分散变结构自适应控制

提出一种适用于存在变化的子系统关联、系统参数摄动和外界干扰的不确定性线性大系统的分散变结构自适应控制方法。在控制律中引入一种对系统不确定扰动与关联的界的简单自适应算法，增强了控制系统对不可知系统不确定扰动的鲁棒性。所提出的控制方法具有较强的工程实用性。  

遗传算法交叉和变异操作的模糊优化

该文针对遗传算法存在的问题，在总结了有关交叉和变异操作的启发性知识的基础上，给出了交叉概率、交叉点位置和变异概率的模糊优化规则，提出了一种新的基于模糊控制器的遗传算法（FCGA）。对三个函数的优化结果表明：FCGA不仅能够有效克服早熟收敛，而且提高了算法的收敛速度。