【含图纸】捷达轿车制动器毕业设计整套资料 ㊣ 精品文档 值得下载

（图纸） 鼓式制动器.dwg

（其他） 论文正文.doc

（其他） 目录.doc

（图纸） 盘式制动器.dwg

（图纸） 制动鼓.dwg

才得以完成。

参考文献刘金琨.先进控制应用第二版.北京电子工业出版社，周明，孙树栋.遗传算法原理及应用.北京国防工业出版社，.陈国良，王煦法，庄镇泉，王东生.遗传算法及其应用.北京人民邮电出版社，.王非，冯冬青，马雁.基于改进遗传算法的参数优化研究.中文核心期刊微计算机信息测控自动化顾毅，刘新国.基于遗传算法的控制器的研究.信息技术李瑞霞，李粉霞.基于改进遗传算法的参数整定策略.机械工程与自动化叶军，张新华.基于改进遗传算法的控制器设计.控制工程苗广祥，冯玉昌，陈卫，陆剑飞.基于种改进遗传算法的参数优化仿真.仪器仪表用户毛敏，于希宁.基于遗传算法的参数优化方法.电力自动化王琛，王仕成.基于遗传算法的参数整定及仿真.计算机仿真刘禾，段泉圣，李农庄，周茵.基于遗传算法的参数整定与优化.华北电力大学学报席玉棕.基于遗传算法的参数整定与优化.工程建设与设计丁寅磊，吕丽霞.基于遗传算法的控制器参数优化研究.仪器仪表用户谢勤岚，陈红.基于遗传算法的控制器优化设计.光学与光电技术牛理想，扈晓利，王高平.基于遗传算法寻优的控制及仿真.测试测量技术魏克新，王云亮，陈志敏，高强.语言与自动控制系统设计第版.北京机械工业出版社，.张瑞丰.精通北京中国水利水电出版社，何东健，刘忠超，范灵燕.基于的控制器参数整定及仿真.西安科技大学学报杨智，朱海锋，黄以华.控制器设计与参数整定方法综述.化工自动化及仪表张松艳.选择算子与遗传算法的计算效率分析.宁波大学学报理工版唐永环.浅淡基于遗传算法的控制技术.科海故事博览•科教创新.中国期刊网席裕庚，柴天佑等.遗传算法综述.控制理论与应用李建新，柳利军.种基于遗传算法的参数的优化控制策略.电力电子唐世浩，朱启疆.遗传算法中初始群种与交叉变异率对解的影响及其解决方案.科技通报徐璐，涂承宇.种新的改进遗传算法及其性能分析.电子学报张明辉，王尚锦.具有自适应交叉算子的遗传算法及其应用.机械工程学报丁承民，张传生，刘辉.遗传算法纵横谈.信息与控制刘国华等.用实现遗传算法程序.计算机应用研究.数产生个的随机数。

当这个随机数大于第个累积概率且小于第个累积概率，则第个相对适应度对应的个体被选中。

选择算子流程如图.所示。

图.选择算子流程交叉部分实现交叉概率控制着交叉算子的使用频率，这个概率说明每个染色体中有期望值个基因座进行交叉操作。

第个基因座为交叉点。

为确定交叉操作的父代，从重复以下过程利用函数产生个的随机数，如果这个随机数小于，则交换第个和第个染色体交叉点之后的染色体但如果这个随机数大于或等于，则不进行交叉操作。

开始根据目标函数求出每个个体的相对适应度把个体的相对适应度进行降序排列记录最好的染色体计算累积概率根据累积概率选取种群结束选择出来的染色体进行随机配对，若出现奇数个则舍弃个染色体。

由于选择的随机性，可能出现交叉的染色体为和的情况，为了防止这类情况出现，利用函数则朝正无穷方向舍入。

交叉算子流程如图.所示。

图.交叉算子流程变异部分实现变异概率控制着变异算子的使用频率，这个概率说明每个染色体中的每个基因座为变异点的概率为，变异概率的选取以及表达式选择的过程类似交叉操作，从到重复以下过程利用函数产生个的随机数，如果这个随机数小于，则该基因值变异，即原来的基因值为，变异为原来的基因值为，变异为。

如果这个随机数大于或等于，则不进行变异操作。

变异算子流程如图.所示。

开始依据交叉概率设定交叉点产生个随机数随机数是否大于交叉概率交换交叉点之后的部分染色体结束.编译及仿真编译环境选择本身提供的大量辅助函数对于处理函数优化问题十分有用，而且相当全面，简便易用。

的数字计算功能很强，另外，开放可扩展的体系结构允许用户开发自己的程序。

图.变异算子流程仿真验证及结果分析被控对象为二阶传递函数，采样时间，输入指令为阶跃信号。

开始依次设定每基因座为变异点产生个随机数随机数是否大于变异概率改变基因值结束源程序如附录所示。

仿真得目标函数的优化过程如图.所示遗传算法优化的阶跃响应如图.所示。

由运行结果可知，目标函数在第代时达到它的最小值遗传算法优化的阶跃响应在.秒之后达到了它的稳态输出值。

图.目标函数的优化过程图.遗传算法优化的阶跃响应基于改进遗传算法的参数优化.遗传算法的改进遗传算法的主要特点是群体搜索策略和群体中个体之间的信息交换，搜索不依赖于梯度信息，而是以目标函数值作为搜索信息。

上述遗传算法在搜索过程中有时会收敛于局部解，称之为早期收敛或早熟现象。

它使遗传算法搜索不到真正的最优值。

这时种群中的所有染色体都相等，以至于基因交换只能产生和父代相同的子代。

任何进步的改善中只能依赖基因突变，因而收敛速度变得极慢，进化后期搜索效率较低。

针对简单遗传算法的这些缺点，本文提出种改进的遗传算法。

具体改进方法如下。

选择算子的改进选择采用适应度值比例法，种群中的第个个体被选中进行复制的概率为其中为第个个体的适应度，为代种群中所有个体适应度之和。

为防止适应度值高的个体也有可能被淘汰，在这里采用最优保留策略进行改进，即每代中适应度值大于，这里取为.的个体不经过遗传操作，直接进入下代，以便更快地寻找到最优解。

交叉与变异算子的改进针对遗传算法中存在的交叉率变异率选取不当时将增加迭代次数，甚至直接导致算法陷入局部最优解的“早熟”现象，本文采用种随世代数增加而不断自动调整的和。

这样做的目的是在进化初期，种群的差异般较大，交叉率大和变异率小有助于加快收敛而在进化后期，交叉率小和变异率大有助于防止过早陷入局部最优解。

该算法中的交叉率变异率由下列公式计算..其中，表示世代数，表示最大世代数。

.仿真验证及结果分析遗传算法采用上述改进后的选择交叉变异算子对控制器进行参数整定，附录为基于改进遗传算法整定的控制程序。

经仿真后，整定过程中目标函数的优化过程如图.所示，改进遗传算法优化阶跃响应如图.所示。

由运行结果可知，目标函数在第代时达到它的最小值，遗传算法优化的阶跃响应在.秒之后达到了它的稳态输出值。

遗传算法改进前后运行结果比较如表.所示。

图.目标函数的优化过程图.改进遗传算法优化阶跃响应表.遗传算法改进前后运行结果比较进化代数阶跃响应时间遗传算法改进前.遗传算法改进后.性能比较↑↑结论在控制器的设计中，参数整定是项繁琐而复杂的工作，而且难以得到最优参数。

遗传算法作为种计算机模拟自然界生物遗传和进化过程的算法，具有无法比拟的优越性。

所以，本文引入遗传算法对控制器的参数进行优化。

本文从控制和遗传算法的原理入手，将遗传算法应用于参数优化，并对其进行仿真验证。

但是遗传算法具有收敛速度慢等缺点，针对遗传算法的这些缺点，本文设计了改进的遗传算子，即赌盘法和最优保存策略相结合的选择算子，随进化代数不断变化的交叉算子和变异算子。

将改进的遗传算法应用于参数优化，并对其进行仿真验证。

仿真结果验证了遗传算法对参数整定的有效性和可行性，本文设计的改进的遗传算法进步提高遗传算法对参数整定的有效性和可行性。

致谢在各位领导老师和各位同学的关心和帮助下，为期个学期的毕业设计即将完成。

首先，感谢我的指导老师刘刚老师。

从论文选题到搜集资料，从写稿到反复修改到论文的最终完成，刘老师无不给于悉心指导。

他为人随和热情，治学严谨，知识渊博，实事求是。

在毕业设计期间，刘老师多次询问设计进程，并为我指点迷津，帮助我开拓研究思路。

对设计中遇到的问题，刘老师总会在百忙之中挤出时间为我耐心解答。

可以说，毕业设计的每步都是在导师的指导下完成的，倾注了导师大量的心血。

我还要感谢信息科学与工程学院的领导和电子信息科学与技术专业的所有老师，是他们教会我专业知识，并在我遇到困难时给于我关心和帮助。

没续，越来越多的从事不同领域的研究人员已经或正在置身于有关遗传算法的研究或应用之中。

近些年，无论是遗传算法的理论研究还是它的应用研究都成了十分热门的课题。

尤其是遗传算法的应用研究显得格外活跃，不但它的应用领域扩大，而且利用遗传算法进行优化和规则学习的能力也显著提高，同时产业应用方面的研究也在摸索之中。

此外些新的理论和方法在应用研究中亦得到了迅速的发展，这些无疑均给遗传算法增添了新的活力。

遗传算法的应用研究已从初期的组合优化求解扩展到了许多更新更工程化的应用方面。

目前，遗传算法被广泛应用于生产调度图象处理函数优化机器人学习自动控制等领域。

.课题研究背景和意义在生产过程自动控制的发展历程中，控制是历史最久生命力最强的基本控制方式。

它简单实用，易于实现，适用范围广，鲁棒性好，在现今的工业过程中获得了广泛的应用。

但参数优化直是困扰人们的问题，尽管现在已经有许多方法用于参数整定，因为这些方法或多或少都存在着问题，令控制系统达不到理想的控制效果。

然而，自然界中的生物却在这方面表现出了其优异的能力，它们能够以优胜劣汰适者生存的自然进化规则生存和繁衍，并逐步产生出对其生存环境适应性很高的优良物种。

遗传算法正是借鉴生物的自然选择和遗传进化机制而开发出的种全局优化自适应概率搜索方法。

遗传算法使用群体搜索技术，它通过对当前群体施加选择交叉变异等系列遗传操作，从而产生出新代的群体，并逐步使群体进化到包含或接近最优解的状态。

它具有思想简单易于实现应用效果明显等优点，在自适应控制组合优化等许多领域得到了广泛的应用。

遗传算法给我们呈现出的是种通用的算法框架，该框架不依赖于问题的种类。

采用遗传算法进行三个参数的整定，具有许多优点遗传算法的处理对象不是参数本身，而是对参数集进行了编码的个体。

此操作使得遗传算法可直接对结构对象进行操作。

遗传算法基本上不用搜索空间的知识或其它辅助信息，而仅用适应度函数值来评估个体，在此基础上进行遗传速度又较慢。

已经发现较高的交叉概率，会使种群迅速收敛到局部最优值，这不利于全局寻优。

般建议的取值范围是。

变异概率变异概率取值较大，虽然能够产生出较多的新个体，但也有可能破坏掉很多较好的模式，使得遗传算法的性能近似于随机搜索算法的性能若变异概率取值太小，则变异操作产生新个体的能力和抑制早熟现象的能力就会较差。

般建议的取值范围是。

终止代数终止代数是表示遗传算法运行结束条件的个参数，它表示遗传算法运行到指定的进化代数之后就停止运行，并将当前群体中的最佳个体作为所求问题的最优解输出。

算法参数是影响算法性能和效率的关键，如何确定最优参数使算法性能最佳，本身就是个复杂的优化问题。

.遗传算法的仿真验证利用遗传算法求函数的极大值，..，该函数有两个局部极大点，分别是.，和.，，其中后者为全局最大点。

求解该问题遗传算法的构造过程确定决策变量和约束条件。

建立优化模型。

确定编码方法。

用长度为位的二进制编码串来分别表示二个决策变量。

位二进制编码串可以表示从到之间的个不同的数，故将的定义域离散化为个均等的区域，包括两个端点在内共有个不同的离散点。

从离散点.到离散点.，依次让它们分别对应于