一种受核糖体RNA启发的高阶控制器参数优化方法

摘要

本发明公开了一种受核糖体RNA启发的高阶控制器参数优化方法。它的步骤如下：1）针对现场控制对象，设置合适高阶控制器阶数，将超调量、响应时间及积分误差平方加权为一个总的性能指标作为目标函数；2）根据生物遗传物质DNA及核糖体RNA的结构、变异及信息传递，抽象出受核糖体RNA(rRNA)启发的混合DNA遗传算法（r-HDG）的相应各种仿生优化规则；3）设定仿生算法的基本及特有参数；4）模拟生物遗传物质的结构变异及转运，运行受核糖体RNA启发的r-HDG算法，通过最小化目标函数，得到适用于复杂过程对象的高阶控制器的参数及其各项性能评价指标。本发明模拟生物遗传物质DNA及核糖体RNA的结构、变异及信息传递，具有寻优精度高、速度快的特点。

主权项

1.一种受核糖体RNA启发的高阶控制器参数优化方法，其特征它的步骤如下：1）算法初始化，包括最大代数，种群规模，被估计参数的取值范围，强变异概率，弱变异概率，参数编码长度，编码参数个数，交叉算子的执行概率，补码反转变异概率，随机产生初始对象；2)将超调量、响应时间及积分误差平方加权为一个总的性能指标作为目标函数；3)设定如下算法的终止准则：算法运行代数是否达到最大代数，如果没有达到，运行算法继续寻优，如果达到，退出算法，运行结束；4）运行受启发的受核糖体RNA启发的混合DNA遗传算法对高阶控制器参数进行优化，依次执行核糖体RNA预剪切规则，交叉变异规则，补码反转变异规则，单体自然突变规则，环境导向变异规则；5)当算法运行未达到算法的终止准则，返回步骤4）继续寻优；否则，将算法的估计输出最优值作为高阶控制器参数的估计值，得到受核糖体RNA启发的高阶控制器优化参数；所述的预剪切规则、单体自然突变规则、环境导向规则，交叉变异规则，补码反转变异规则如下：1）预剪切规则每条核糖体RNA-GA链上存在多个--18S—5.8S—26S片段，在读取有效信息位时，在浮动信息位中任意选取起始点，一旦选定，不含前导的18S—5.8S—26S片段将被提取，同时抛弃内转录间隔区，提取有效8个信息位，并为每个信息位赋予它在原始片段中的位号，位号将决定当前位的变异概率，如rand(1～6)=4，则起始位是4，故有效信息位的位号分别为4、5、6、10、14、15、16、17，由于4、5、10、14和15是强位点，故自然突变时将按照强位点进行概率判断；由于6、14、16和17是弱位点，故自然突变时将按照弱位点进行概率判断；$\left\{\begin{array}{cc}c=\mathrm{ceil}(5*\mathrm{rand})+1;& i\in [\mathrm{1,2},...,M]\\ x_j^i(1:3)=s_j^i(c:c+2);& H_j^i(1:3)=c:c+2\\ x_j^i\left(4\right)=s_j^i(c+6);& H^j\left(4\right)=c+6;\\ x_j^i(5:8)=s_j^i(c+10:c+13);& H_j^i(5:8)=c+10:c+13;\\ s_j^i\left(k\right)=\mathrm{rand}*\mathrm{wide}\left(j\right)+x_{\min }& j\in [\mathrm{1,2},...,N],k\in [\mathrm{1,2},...,8]\end{array}\right.$其中，c为随机选取信息位的开始位号；为种群中第i个个体的第j个自变量的有效信息位编码表示；为种群中第i个个体的第j个自变量的原始信息位编码表示；为的原始信息位号；ceil为向上取整函数；rand为[0，1]随机分布函数，M为种群规模，j为待解决问题的维度；2）单体自然突变规则预剪切后的8个信息位为有效信息位，每个信息位的变化范围为[x_min-x_max]，针对每个自变量则可以通过下式表达和进行单体变异，如果单体自然突变后的新个体适应度好，则替换掉原个体，否则不做任何改变，其中，p为个体随机变异概率，为当前变量，为新变量，为变量的适应度函数值，为新变量适应度函数值，p_s为强变异概率，p_i为弱变异概率；3）环境导向规则根据达尔文的进化论，从物种外界环境的选择到核糖体RNA-GA的进化趋向，信息位的信息在短时间内都是向着更趋向于短期更适应的方向进行的，在本文算法中，选取当前解集中的最优解和次优解，并提取该最优解和次优解的各个自变量中的每个信息位，以两个解的各个对应自变量的对应信息位的距离作为除此2个解的其它解的趋优步长，如果其它解在信息位趋优中适应度更好，则保留，否则不做任何改变，${\mathrm{Err}}_j=x_j^2-x_j^1$j∈[1，2，…，N]；$x_j^{i^{\prime }}\left(k\right)=\left\{\begin{array}{ccc}{x}_j^i\left(k\right)& \mathrm{if}& f\left(x_j^{i^{\prime }}\right)\ge f\left(x_j^i\right);\\ x_j^i\left(k\right)-{\mathrm{Err}}_j\left(k\right)& \mathrm{if}& f\left(x_j^{i^{\prime }}\right)<f\left(x_j^i\right);\end{array}\right.$i∈[3，4，…，M]，k∈[1，2，…，8]其中，Err_j为当前代内最优解和次优解的第j个变量之间的距离；4）交叉操作在此操作前，受DNA结构的启发，将当前对象在交叉操作前先转换成四进制编码方式，使用AGCT四种碱基对优化问题的潜在解编码，并使用数字0，1，2，3对应碱基，采用的映射方式为：0123CGAT，同时，碱基的数字编码也继承了碱基间的互补配对方式，即定义0与1互补，2与3互补，在种群中随机挑选两个个体作为父体，再通过执行交叉操作，得到新的个体；5）补码反转变异规则将个体中的密码子由其倒转的反密码子取代，从而产生新个体，将须执行补码反转变异的个体按照编码参数的不同分成n个子序列，然后再每个子序列上随机选取一小段连续的碱基做为密码子，接下来，将反密码子序列中的碱基进行倒位处理，得到倒转的反密码子序列，最后将倒转的反密码子代替密码子的位置，从而产生了一个新个体，反密码子变异算子的执行概率，在完成此操作后，再还原成实数，进行相应的适应度函数评价。