臺灣博碩士論文加值系統

本論文中，吾人提出一種結合粒子群聚最佳化演算法(Particle swarm optimization algorithm)及基因演算法(Genetic algorithm)，使之成為一種具有合作機制的演算法則(The cooperation mechanism based on Particle swarm optimization and Genetic algorithm)。
在本文所提出之具備合作機制的演算法則中，為了降低傳統智能演算法落入局部區域解(Local optima)的困境並提升演算過程的收斂效率。吾人嘗試同時進行實數連續型基因演算法(Real-number continuous genetic algorithm)跟粒子群聚最佳化演算法，使兩者在演算過程中透過合作機制，使各自所擁有的特性以達到互補之效益。並引進四種測試函數(benchmark function)與三種不同類型的PID系統，藉此展現本論文所提出方法之可行性。
在本文中，將藉由數值模擬結果證實所提出的演算法機制對全域最佳解問題具有較佳的搜尋效率與收斂速度。

In this paper, a cooperation mechanism based on particle swarm optimization algorithm and genetic algorithm is investigated. The proposed algorithm reduces the possibility for minimum phenomenon of the traditional intelligent algorithm and increases the computing efficiency. Particle swarm optimization and the continuous real number genetic algorithm are provides the advantages to each other under the proposed cooperation mechanism. There are three benchmark problems that used to verify the effect of the proposed cooperation mechanism with numerical simulation results.
The simulation results demonstration the higher search efficiency and convergence rate can be achieve by using the proposed algorithm.

目錄

中文摘要 I
Abstract II
致謝 III
目錄 IV
圖目錄 VII
表目錄 X
符號目錄 XII
第一章 緒論 1
1.1 研究背景 1
1.2 研究動機與方法 2
1.3 論文大綱 4
第二章 粒子群聚最佳化演算法 5
2.1粒子群聚最佳化演算法概念 6
2.2 更新法則介紹 8
2.2.1 慣性權重法 8
2.2.2 線性遞減權重法 9
2.2.3 收縮係數法 9
2.3粒子群聚最佳化演算法之流程 11
第三章 基因演算法 13
3.1 二進制離散型基因演算法介紹 14
3.1.1染色體之編碼與解碼 14
3.1.2 選擇機制 15
3.1.3 交配機制 17
3.1.4 突變機制 19
3.1.5 收斂條件或停止條件 20
3.2 二進制離散型基因演算法之流程 21
3.3實數連續型基因演算法介紹 24
3.3.1 選擇機制 24
3.3.2 交配機制 25
3.3.3 突變機制 25
3.3.4 收斂條件或停止條件 26
3.4 實數連續型基因演算法之流程 27
第四章 基於粒子群聚最佳化演算法與基因演算法之合作機制 30
4.1 合作機制概念 31
4.2 合作機制流程 33
第五章 研究模擬與結果 38
5.1 ..Rosenbrock函數測試與結果 39
5.2 ..Ackley函數測試與結果 44
5.3 ..Griewank函數測試與結果 49
5.4 ..Schwefel函數測試與結果 54
第六章 PID控制器之設計與應用 59
6.1 ..PID控制器介紹 60
6.2..Ziegler-Nichols法則 64
6.3 粒子群聚最佳化演算法於PID控制器之架構與應用 69
6.4 基因演算法於PID控制器之架構與應用 71
6.5 合作機制於PID控制器之架構與應用 73
6.6 參數之模擬結果 75
第七章 結論與未來展望 84
參考文獻 86

圖目錄

圖2.1 粒子群聚最佳化演算法流程圖 12
圖3.1 輪盤扇形比例示意圖 16
圖3.2 單點交配示意圖 18
圖3.3 雙點交配示意圖 18
圖3.4 字罩交配示意圖 19
圖3.5 二進制離散型基因演算法突變示意圖 20
圖3.6 二進制離散型基因演算法流程圖 23
圖3.7 實數連續型基因演算法突變示意圖 26
圖3.8 實數連續型基因演算法流程圖 29
圖4.1 合作機制示意圖 37
圖5.1 函數之二維平面圖 39
圖5.2 函數之二維前視剖面圖 40
圖5.3 對 函數維度10之收斂情形 42
圖5.4 對 函數維度20之收斂情形 42
圖5.5 對 函數維度30之收斂情形 43
圖5.6 函數之二維平面圖 44
圖5.7 函數之二維前視剖面圖 45
圖5.8 對 函數維度10之收斂情形 47
圖5.9 對 函數維度20之收斂情形 47
圖5.10 對 函數維度30之收斂情形 48
圖5.11 函數二維時之平面圖 49
圖5.12 函數之二維前視剖面圖 50
圖5.13 對 函數維度10之收斂情況 52
圖5.14 對 函數維度20之收斂情況 52
圖5.15 對 函數維度30之收斂情況 53
圖5.16 函數二維時之平面圖 54
圖5.17 函數之二維前視剖面圖 55
圖5.18 對 函數維度10之收斂情況 57
圖5.19 對 函數維度20之收斂情況 57
圖5.20 對 函數維度30之收斂情況 58
圖6.1 PID控制器閉迴路系統方塊圖 61
圖6.2 步階響應曲線圖 64
圖6.3 穩定極限響應曲線圖 65
圖6.4 系統穩定極限時之響應曲線 67
圖6.5 函數之根軌跡圖 67
圖6.6 系統響應圖(穩定極限法) 68
圖6.7 粒子群聚最佳化演算法調整PID控制器系統閉迴路方塊圖 69
圖6.8 基因演算法調整PID控制器系統閉迴路方塊圖 71
圖6.9 合作機制調整PID控制器系統閉迴路方塊圖 73
圖6.10 例6.2受控系統之響應圖 77
圖6.11 對例6.2受控系統之收斂圖 77
圖6.12 例6.3受控系統之響應圖 80
圖6.13 對例6.3受控系統之收斂圖 80
圖6.14 例6.4受控系統之響應圖 83
圖6.15 對例6.4受控系統之收斂圖 83

表目錄

表5.1 三種類型演算法對 函數之參數設定 40
表5.2 三種類型演算法對 函數之模擬結果 41
表5.3 三種類型演算法對 函數之參數設定 45
表5.4 三種類型演算法對 函數之模擬結果 46
表5.5 三種類型演算法對 函數之參數設定 50
表5.6 三種類型演算法對 函數之計算結果 51
表5.7 三種類型演算法對 函數之參數設定 55
表5.8 三種類型演算法對 函數之模擬結果 56
表6.1 PID參數與系統時域性能指標關係 63
表6.2 Ziegler-Nichols步階響應法調整公式 65
表6.3 Ziegler-Nichols穩定極限法調整公式 66
表6.4 對於例6.2受控系統之演算法參數設定 75
表6.5 各種調整法對於例6.2受控系統模擬之參數結果 76
表6.6 對於例6.3受控系統之演算法參數設定 78
表6.7 各種調整法對於例6.3受控系統模擬之參數結果 79
表6.8 對於例6.4受控系統之演算法參數設定 81
表6.9 各種調整法對於例6.4受控系統模擬之參數結果 82

[1]Ziegler, J. G., Nichols, N. B., “Optimum Settings for Automatic Controllers”, Transactions of the ASME, Vol. 64, pp.759-765, 1942.
[2]Holland, J. H., “Adaption in Natural and Artificial Systems”, University of Michingan Press, Ann Arbor, 1975.
[3]Hopfield, J. J., “Neural Networks and Physical Systems with Emergent Collective Computational Abilities”, Proceedings of the National Academy of Sciences, Vol. 79, pp.2554-2558, 1982.
[4]Dorigo, M., Maniezzo, V., and Colorni, A., “Ant System：Optimization by a Colony of Cooperation Agents”, IEEE Transactions on Systems and Cybernetics-Part B, Vol. 26, pp29-41, 1996.
[5]Kennedy, J., Eberhart, R. C., “Particle Swarm Optimization” Proceedings of the IEEE International Conference on Neural Networks, Piscataway, Vol. 4, pp. 1942-1948. 1995.
[6]Eberhart, R. C., Kennedy, J., “A New Optimizer Using Particle Swarm Theory”, Proceedings of Sixth International Symposium on Micro Machine and Human Science, Nagoya, Japan, pp. 39-43. 1995.
[7]Eberhart, R. C., Shi, Y., “Comparing Inertia Weights and Constriction Factors in Particle Swarm Optimization”, Proceedings of the 2000 Congress on Evolutionary Computation, Vol. 1, pp. 84-88, 2000.
[8]Esmin, A. A. A., Lambert-Torres, G., and Alvarenga, G. B., “Hybrid Evolutionary Algorithm Based on PSO and GA Mutation”, Proceedings of the Sixth International Conference on Hybrid Intelligent Systems, pp. 57-57, 2006.
[9]Eberhart, R. C., Kennedy, J., “A New Optimizer Using Particle Swarm Theory”, Proceedings of Sixth International Symposium on Micro Machine and Human Science, Nagoya, Japan, pp. 39-43. 1995.
[10]Shi, Y., Eberhart, R. C., “A Modified Particle Swarm Optimizer”, Proceedings of the IEEE International Conference on Evolutionary Computation, pp. 69-73, 1998.
[11]Shi, Y., Eberhart, R. C., “Empirical Study of Particle Swarm Optimizer”, Proceedings of the 1999 Conference on Evolutionary Computation, Vol. 3, pp. 1945-1950, 1999.
[12]Edwin, K. P. C., Stanislaw, H. Z., “An Introduction to Optimization ”, Third Edition, Canada, John Wiley & Sons Inc, 2008.
[13]Holland, J. H., “Outline for a logical theory of adaptive systems”, Journal of the Association for Computing Machinery, Vol. 3, pp. 297-314. 1962.
[14]Man, K. F., Tang, K. S., and Kwong, S., “Genetic algorithm: concepts and applications”, IEEE Transactions on Industrial Electronics, Vol. 43, pp. 519-534, 1996.
[15]Baker, J. E., “Reducing Bias and Inefficiency in the Selection Algorithms”, Proceedings of the Second International Conference on Genetic Algorithms, pp. 14-21, 1987.
[16]Goldberg, D. E., Deb, K., “A Comparative Analysis of Selection Schemes Used in Genetic Algorithm”, Proceedings of the 1st Workshop on Foundations of Genetic Algorithms, pp. 69-93, 1991.
[17]蘇木春、張孝德，機器學習：類神經網路、模糊系統以及基因演算法則(修訂版)，全華科技圖書，台北，2001。
[18]Haupt, R. L., Haupt, E. S., “Practical genetic algorithms”, John Wiley and Sons, New York. 1988.
[19]Wright, A. H., “Genetic Algorthms for Real Parmeter Optimization, Foundation of Genetic Algorithms”, Morgan Kaufmann, pp. 205-218. 1991.
[20]邱彥勳，生物演算法與船舶自航器設計之研究，碩士論文，國立高雄海洋科技大學，高雄，2005。
[21]周旻德，利用基因演算法之滑動模式控制感應馬達伺服驅動系統，中原大學，碩士論文，桃園，2002。
[22]Shi, Y., Eberhart, R. C., “Parameter Selection in Particle Swarm Optimization”, Evolutionary Programming VII, pp. 591-600. Springer-Verlag, New York. 1998.
[23]王雅賢，粒子群最佳化演算法改良之研究，碩士論文，中原大學，桃園，2006。
[24]吳信璋，遞減式螞蟻族群演算法在PID控制參數調整之研究，碩士論文，國立高雄海洋科技大學，高雄，2007。
[25]張碩、詹森，自動控制系統，鼎茂圖書出版股份有限公司，台北，2007。
[26]許家豪，基於粒子群聚最佳化之模糊PID控制器設計，碩士論文，國立高雄海洋科技大學，高雄，2007。
[27]Franklin, G. F., Powell, J. D., and Emami-Naeini, A., “Feedback Control of Dynamic Systems”, edition, Addison-Wesley, Massachusetts, 1994.
[28]陳朝光、陳介力、楊錫凱，自動控制，高立圖書有限公司，台北，2006。
[29]俞克維，控制系統分析與設計使用Matlab，新文京開發出版有限公司，台北，2003。
[30]沈金鐘，PID控制器：理論、調整與實現，滄海書局，台中，2001。
[31]陳信村，內嵌粒子群聚最佳化的基因演算法則之研究，碩士論文，國立高雄海洋科技大學，高雄，2010。
[32]陳俊仁，基於改良式粒子群聚演算法則之PID控制器設計，碩士論文，國立高雄海洋科技大學，高雄，2011。