Эволюционные методы условной оптимизации в задачах поиска оптимального управления динамическими системами

• Автор: Метлицкая, Дарья Вадимовна
• Шифр специальности: 05.13.18, 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Москва
• Количество страниц: 187 с. : ил.

ОГЛАВЛЕНИЕ
Введение
Глава 1. Применение генетических алгоритмов
1.1. Генетический алгоритм с бинарным кодированием
111 ПпН^ОПИА /'ТПОТЛГГШ плтглгга ГТШ^ОПЧГЛГЛ 'М/ЛТПО» гтгх «о 1 Q
1.1.2. Применение генетического алгоритма с бинарным кодированием в задаче нахождения оптимального программного управления дискретными системами
1.1.3. Применение генетического алгоритма с бинарным кодированием в задаче нахождения оптимального программного управления непрерывными системами
1.2. Генетический алгоритм с вещественным кодированием
1.2.1. Описание стратегии поиска глобального экстремума
1.2.2. Применение генетического алгоритма с вещественным кодированием в задаче нахождения оптимального программного управления дискретными системами
1.2.3. ПримеЕюние Е'енетического алгоритма с вещественным кодированием в задаче нахождения оптимального программного управления непрерывными системами
1.3. Примеры применения генетических алгоритмов
1.3.1. Задачи оптимального управления дискретными системами
1.3.2. Задачи оптимального управления непрерывными системами
1.3.3. Задачи оптимального управления летательным аппаратом
1.3.4. Рекомендации по вьвбору параметров алгоритмов
1.4. Выводы
Глава 2. Применение методов, имитирующих иммунные системы организмов
2.1. Метод ИСКуССТВвЕЕНЫХ ИММуЕЕПЫХ систем
2.1.1. Описание стратегии поиска глобалыЕого экстремума
2.1.2. ПрименеЕЕие метода искусственных иммунных систем в задаче нахождения оптимальЕЕога программЕЕОГО управления дискретЕЕЫМи системами
2.1.3. ПримененЕвс метода искусственных иммуееных систем в задаче нахождешЕя оптЕЕмального программного управлеЕЕЕЕя непрерывными системами
2.2. РасширеЕЕный метод искусствеЕЕЕЕЫх иммушЕых систем
2.2.1. ОшЕсаЕЕЕЕе стратегии поиска глобального экстремума
2.2.2. ПримененЕЕе расшЕЕреЕЕЕЕОго метода искусственЕЕых иммуееееых СЕЕСтем в задаче ЕЕахождения оптимальЕЕого программного управленЕЕя ДЕГскретнымЕЕ системами
2.2.3. ПрЕЕМОЕЕеЕЕЕЕО расширенного метода искусственЕЕЬЕХ ЕЕМмунных систем в задаче

нахождения оптимального программного управления непрерывными системами
2.3. Примеры применения методов, имитирующих иммунные системы организмов
2.3.1. Задачи оптимального управления дискретными системами
2.3.2. Задачи оптимального управления непрерывными системами
2.3.3. Задачи оптимального управления летательным аппаратом
2.4. Выводы
Глава 3. Применение метода динамических сеток
5.1. Метод динамических сеток
5.1.1. Описание стратегии поиска глобального экстремума
5.1.2. Применение метода динамических сеток в задаче нахождения оптимального программного управления дискретными системами
5.1.3. Применение метода динамических сеток в задаче нахождения оптимального программного управления непрерывными системами
5.2. Примеры применения метода динамических сеток
5.2.1. Задачи оптимального управления дискретными системами
5.2.2. Задачи оптимального управления непрерывными системами
5.2.3. Рекомендации по выбору параметров метода
5.3. Выводы
Глава 4. Комплекс программ
4.1. Структура комплекса
4.2. Возможности комплекса
4.3. Примеры работы комплекса
4.3.1. Задача поиска глобального экстремума функций многих переменных
4.3.2. Задача поиска оптимального программного управления дискретными системами
4.3.3. Задача поиска оптимального программного управления непрерывными системами
4.4. Выводы
Заключение
Библиографический список
Приложение 1. Характеристики и техническая постановка задачи поиска
оптимального управления ракетой

Приложение 2. Набор тестовых функции
Приложение 3. Метод рассеивания
П3.1. Описание стратегии поиска глобального экстремума
П3.2. Применение метода рассеивания в задаче нахождения оптимального
программного управления дискретными системами
программного управления непрерывными системами
П3.4. Рекомендации по выбору параметров метода
П3.5. Примеры применение метода рассеивания
Приложение 4. Эволюционные стратегии преобразования ковариационной
матрицы
П4.1. Эволюционная стратегия преобразования ковариационной матрицы
П4.1.1. Описание стратегии поиска глобального экстремума
П4.1.2. Применение эволюционной стратегии преобразования ковариационной матрицы в задаче нахождения оптимального программного управления
дискретными системами
П4.1.3. Применение эволюционной стратегии преобразования ковариационной матрицы в задаче нахождения оптимального программного управления
непрерывными системами
П4.2. Модифицированная эволюционная стратегия преобразования ковариационной
матрицы
П4.2.1. Описание стратегии поиска глобального экстремума
П4.2.2. Применение модифицированной эволюционной стратегии преобразования ковариационной матрицы в задаче нахождения оптимального программного
управления дискретными системами
П4.2.3. Применение модифицированной эволюционной стратегии преобразования ковариационной матрицы в задаче нахождения оптимального программного
управления непрерывными системами
П4.3. Примеры применения эволюционных стратегий преобразования ковариационной матрицы

В ГА с вещественным кодированием может применяться стратегия элитизма. Ее суть в том, что небольшое количество особей ик переходит в следующее поколение без изменений, не участвуя в селекции и скрещивании.
Результатом шага 2 являются две особи «' и и2, выбранные в качестве родительской пары с помощью одного из операторов селекции.
Шаг 3. Скрещивание - операция, при которой из нескольких, обычно двух хромосом (особей), называемых родителями, порождается одна или несколько новых, называемых потомками, путем обмена частями родительских хромосом. В ГА с вещественным кодированием применяются следующие операторы скрещивания:
1) плоский кроссовер - создается один потомок и1' = (и9,..., ич„)Т, где и?, / = 1,...,« — случайное число из отрезка [г/,1,«,2], г/,2 >и' или из [и2,н'], н2 < и);
2) простейший кроссовер — из множества {1,2,...,« — 1} выбирается случайное число р и генерируются два потомка: и9‘ =(м11,...,н],,ц2+1...,ц2)7’ и ич2 =(г^!...,и2р,и'р+1...,и'„)Т;
3) арифметический кроссовер — создаются два потомка ичХ - (и^1,...,ия1)Т, и42 =0/?2,...,и22)г,где и9' =31«' +(1--п)ц,2, и?2 =пц2 +(1-т0м,1, / = 1,2,...,«, где ре(0;1);
4) дискретный кроссовер - создается один потомок н9 = (н,9,...,н9)2, где выбирается из двух значений м,1, м2 случайно с вероятностью 0,5 для всех / = 1,...,«;
5) линейный кроссовер - создаются три потомка ы91, и4 , ия3, где г<9' = -' —— ,
и«2 = 3 ~ «,93 = -Ц'у г'-2-, / = 1,...,«.
Результатом шага 3 являются один, два или три потомка, полученные путем применения одного из операторов скрещивания к родителям г/ и и2.
Шаг 4. Мутация - это преобразование хромосомы, случайно изменяющее один или несколько из ее генов. Оператор мутации предназначен для того, чтобы поддерживать разнообразие особей в популяции.
В ГА с вещественным кодированием применяются операторы мутации:
I) случайная мутация - поочередно рассматривается каждый потомок. Среди генов щ,...,ип случайно с равной вероятностью выбирается один (или несколько) с номером
/ е {1,...,«}, подлежащий замене, его новое значение ик! случайным образом выбирается из промежутка [а,(/),Ь,(/)] изменения выбранной координаты г/, при заданном времени /;