การใช้อัลกอริทึมทางพันธุกรรมสำหรับการปรับจูนคอนโทรลเลอร์

ฉันอ่านเอกสารบางอย่างเพื่อควบคุมระบบไม่เชิงเส้น (เช่นลูกตุ้มไม่เชิงเส้น) มีหลายวิธีในการกำหนดเป้าหมายระบบที่ไม่ใช่เชิงเส้น ส่วนใหญ่คนทั่วไปมีความคิดเห็น linearizaing , backsteppingและเลื่อนโหมดควบคุม

ในกรณีของฉันฉันได้ทำส่วนทฤษฎีและการปฏิบัติในการควบคุมรูปแบบไม่เชิงเส้นของลูกตุ้มง่าย ๆ รวมทั้งปัญหาอื่น ๆ ใน C ++ สำหรับลูกตุ้มนั้นฉันได้ใช้ตัวควบคุมส่วนหลังเพื่อแก้ไขงานติดตามสำหรับการเคลื่อนที่เชิงมุมและความเร็ว ผลที่ได้คือ

ที่และg$m=0.5, k=0.0001, L=.2$$g=9.81$

ผลลัพธ์ที่ดี อย่างไรก็ตามการปรับจูนคอนโทรลเลอร์ใช้เวลานาน เอกสารส่วนใหญ่ใช้อัลกอริธึมทางพันธุกรรมในการปรับแต่งคอนโทรลเลอร์เช่น PD, PID และ backstepping controllers ฉันรู้สึกไร้เดียงสาในสาขานี้และฉันหวังว่าจะมีใครบางคนให้แสงสว่างกับแนวคิดนี้เป็นอย่างยิ่งโดยเฉพาะอย่างยิ่งหากมีตัวอย่าง MATLAB สำหรับการควบคุมลูกตุ้มแบบง่าย

จนถึงตอนนี้ฉันได้ออกแบบ GUI อย่างง่ายใน C ++ / Qt เพื่อปรับแต่งคอนโทรลเลอร์ด้วยตนเอง ในภาพด้านล่างการตอบสนองของคอนโทรลเลอร์สำหรับฟังก์ชั่นขั้นตอน

การใช้วิธีการวิวัฒนาการ (GA เป็นหนึ่งในนั้น) สำหรับการปรับพารามิเตอร์เป็นวิธีการทั่วไป [1] ในโดเมนควบคุม โดยเฉพาะอย่างยิ่งสำหรับระบบที่ไม่ใช่เชิงเส้นโซลูชันการวิเคราะห์สำหรับพารามิเตอร์ที่เหมาะสมอาจหาได้ยาก วิธีการวิวัฒนาการเป็นวิธีหนึ่งที่จะทำการค้นหาพารามิเตอร์ที่เหมาะสมที่สุดได้อย่างมีประสิทธิภาพ

วิธีการที่ประสบความสำเร็จมากและสากลที่ใช้กันอย่างแพร่หลายเป็นCMA-ES มีการนำไปใช้งานจำนวนมากรวมถึง MATLAB ฉันรู้ว่าการทรงตัวเสาในรูปแบบต่าง ๆ มักใช้เป็นเกณฑ์มาตรฐาน

การใช้อัลกอริทึมนั้นไม่ใช่เรื่องยาก ให้คะแนนประสิทธิภาพของผลลัพธ์ของคุณ - ซึ่งเรียกว่าฟังก์ชั่นการออกกำลังกายใน EA - มักจะเป็นส่วนที่เกี่ยวข้องมากที่สุด

[1] PJ Fleming, RC Purshouse, อัลกอริทึมวิวัฒนาการในวิศวกรรมระบบควบคุม: การสำรวจ, การปฏิบัติด้านวิศวกรรมควบคุม, เล่มที่ 10, ฉบับที่ 11, พฤศจิกายน 2002, หน้า 1223-1241, ISSN 0967-0661, http: //dx.doi org

อัลกอริทึมทางพันธุกรรมเป็นเทคนิคการเรียนรู้ของเครื่องเพื่อกำจัดความต้องการของผู้ใช้ในการ 'ปรับละเอียด' ระบบและอนุญาตให้คอมพิวเตอร์หาวิธีการปรับแต่งระบบ ประโยชน์ของวิธีการนี้คือทำให้เวลาของนักวิจัย / ผู้ใช้ว่างและมักจะนำไปสู่ระบบที่ได้รับการปรับให้ดีกว่าสิ่งที่นักวิจัย / ผู้ใช้จะสามารถทำได้ด้วยตนเอง

แนวคิดทั่วไปของการใช้อัลกอริทึมทางพันธุกรรมจะเป็นไปตามขั้นตอนการควบคุมพื้นฐานดังนี้:

Create_X_Number_Of_Random_Controllers()
while (Not_Yet_Satisfied_With_tuning)
    Score_Each_Controller_Based_On_Performance()
    Remove_Lowest_Performing_Controllers()
    Create_New_Controllers_By_Mixing_Best_Performers()
    Add_Slight_Randomness_For_Evolution()
Display_Top_Performer()

ตัวอย่างที่ดีที่สุดที่ฉันสามารถแสดงให้เห็นได้จากหลักการนี้ในทางปฏิบัติคือ 'เกม' ที่ใช้วิวัฒนาการทางพันธุกรรมในการออกแบบยานพาหนะที่มีความสามารถในการขับขี่ในหลักสูตร แนวคิดเดียวกันนี้ใช้กับระบบใด ๆ ที่คุณต้องการปรับจูนโดยไม่ต้องทำการจูนตัวเอง ตัวอย่าง: http://rednuht.org/genetic_cars_2/

ฉันสับสนกับสิ่งที่คุณเรียกว่าอัลกอริทึมทางพันธุกรรม PD, PID ฯลฯตัวควบคุมไม่ใช่วิธีการแก้ปัญหาแบบฮิวริสติกและแบบสุ่มและไม่ได้ใช้อัลกอริธึมวิวัฒนาการ แต่เป็นอัลกอริธึมที่กำหนดขึ้นเพื่อให้การวางเสาและศูนย์ของการตอบสนองของระบบเพื่อให้ได้ประสิทธิภาพตามที่ต้องการ (การลดข้อผิดพลาด, ความเร็วในการตอบสนอง, เวลาการตกตะกอน, ความเสถียรและการปฏิเสธการรบกวน) การอ้างอิงการเรียนรู้ที่ดีในความคิดของฉันคือหนังสือระบบควบคุมอัตโนมัติของ Kuo คุณสามารถค้นหาการรักษาที่เข้มงวดน้อยลงในหนังสือของวิศวกรรมการควบคุมอัตโนมัติของ Raven