Ứng dụng giải thuật di truyền cho bài toán điều khiển tối ưu đa mục tiêu - Lại Khắc Lãi
KẾT LUẬN
Qua kết qủa mô phỏng trên Matlab Simulink
với các bộ giá trị của (KP và KD) lấy từ tập
nghiệm của thuật toán giải thuật di truyền, ta
có thể tìm thấy một bộ nghiệm tối ưu mà ở đó
ta thấy chất lượng điều khiển mức dung dịch
H tăng rõ rệt, độ sai lệch và thời gian quá độ
đều nhỏ hơn so với các bộ giá trị khác. Với
kết quả này cho phép mở rộng hướng thiết kế
bộ điều khiển PID tối ưu cho các dây chuyền
công nghệ và đây cũng chính là hướng mới
trong tính toán mềm sẽ được áp dụng trong
các bài toán tối ưu thực tế trong tương lai.
7 trang |
Chia sẻ: thucuc2301 | Lượt xem: 958 | Lượt tải: 0
Bạn đang xem nội dung tài liệu Ứng dụng giải thuật di truyền cho bài toán điều khiển tối ưu đa mục tiêu - Lại Khắc Lãi, để tải tài liệu về máy bạn click vào nút DOWNLOAD ở trên
Lại Khắc Lãi và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 86(10): 213 - 218
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 213
ỨNG DỤNG GIẢI THUẬT DI TRUYỀN
CHO BÀI TOÁN ĐIỀU KHIỂN TỐI ƯU ĐA MỤC TIÊU
Lại Khắc Lãi1*, Đặng Ngọc Trung2
1Đại học Thái Nguyên, 2ĐTrường ĐH Kỹ Thuật Công nghiệp- ĐH Thái Nguyên
TÓM TẮT
Trong thực tế hiện nay hầu hết các bài toán điều khiển trong các dây chuyền công nghệ là bài toán
tối ưu đa mục tiêu.Việc ứng dụng các giải thuật tính toán tiến hóa hứa hẹn nhiều triển vọng. Bài
báo này trình bày một ứng dụng mới để giải bài toán tối ưu đa mục tiêu đó là dùng thuật toán giải
thuật di truyền (GA-Genetic Algorithm), nội dung bài báo cho thấy tính ưu việt của giải thuật di
truyền với quá trình tìm kiếm cực trị toàn cục.
Từ khóa: Điều khiển tối ưu, Đa mục tiêu, Giải thuật di truyền.
ĐẶT VẤN ĐỀ
Bài toán tối ưu đa mục tiêu có mặt hầu hết
trong các bài toán điều khiển dây chuyền
công nghệ hiện đại trong công nghiệp nói
riêng và mở rộng ra nhiều lĩnh vực khác. Tuy
nhiên chưa có nhiều nghiên cứu về các bài
toán này. Hiện nay các đề tài khoa học chủ
yếu mới chỉ giải quyết và ứng dụng các bài
toán tối ưu một mục tiêu. Ví dụ ta xét công
nghệ gia nhiệt phôi kim loại trong lò nung là
một trong những quá trình có tham số biến
đổi chậm, trong đó các hàm mục tiêu đặt ra
với lò gia nhiệt như sau: nung nhanh nhất
hoặc nung chính xác nhất, nung ít bị Ôxi
hóa nhất; trong các bài toán điều khiển mức
của dây truyền sản xuất nước ngọt thì các
hàm mục tiêu có thể là: ổn định mức dung
dịch H chính xác nhất hoặc thời gian ổn
định nhanh nhất...
Đã có nhiều phương pháp tiếp cận khác nhau
nhằm giải quyết các loại bài toán này, song
gần đây việc ứng dụng các giải thuật tính toán
tiến hóa đã bắt đầu cho thấy được ưu điểm nổi
bật.Tuy vậy những nghiên cứu về lĩnh vực
này trong nước ta chưa nhiều, nhất là chưa
đưa ra được những mô hình ứng dụng thực tế
cụ thể trong khi nhu cầu ứng dụng lại rất cao,
đã có một số tác giả đề cập và nghiên cứu ví
dụ như: trong [2] tác giả Nguyễn Mạnh Xuân
đã sử dụng giải thuật tiến hóa để tìm lời giải
tối ưu cho các hàm mục tiêu trong mô hình
Tel: 0913 507464
bài toán phân bố dòng chảy và xử lý nước
thải; trong [5] tác giả Lại Khắc Lãi đề cập đến
việc sử dụng giải thuật di truyền để tối ưu hóa
suy luận mờ... các kết quả nghiên cứu này
mới chỉ dừng lại ở các hàm mục tiêu có sẵn,
tính thực tiễn chưa cao. Đây chính là lý do mà
đề tài này tập trung chủ yếu vào việc xây
dựng bài toán tối ưu nhiều mục tiêu cho dây
chuyền công nghệ thực tế và ứng dụng giải
thuật di truyền (Genetic Algorithm – GA) để
giải quyết bài toán tối ưu đó.
Nội dung bài báo với kết quả chạy chương
trình tính toán bằng giải thuật di truyền và mô
phỏng điều khiển với đối tượng là mức dung
dich H trong bình trộn khuấy cho thấy tính
ưu việt của việc sử dụng giải thuật di truyền
với quá trình tìm kiếm cực trị toàn cục trên
cơ chế chọn lọc thích nghi tự nhiên và cơ
chế song song ẩn cho những bài toán tối ưu
hoặc tối ưu đa mục tiêu và có thể triển khai
để áp dụng rộng rãi cho nhiều đối tượng
điều khiển và trong nhiều lĩnh vực như: khí
tượng, thủy văn
GIẢI THUẬT DI TRUYỀN
Khái quát giải thuật di truyền
Giải thuật di truyền (GA – Genetic Algorithm)
là giải thuật tìm kiếm, chọn lựa các giải pháp
tối ưu để giải quyết các bài toán thực tế khác
nhau, dựa trên cơ chế chọn lọc của tự nhiên:
Từ tập lời giải ban đầu, thông qua nhiều
bước tiến hóa, hình thành tập lời giải mới
Lại Khắc Lãi và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 86(10): 213 - 218
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 214
phù hợp hơn, và cuối cùng dẫn đến lời giải
tối ưu toàn cục.
Các nhà khoa học đã nghiên cứu và xây dựng
nên giải thuật di truyền dựa trên cơ sở chọn lọc
tự nhiên và quy luật tiến hóa. Giải thuật di
truyền sử dụng các thuật ngữ được lấy từ di
truyền học như: lai ghép, đột biến, NST, cá
thể Ở đây mỗi cá thể được đặc trưng bởi một
tập nhiễm sắc thể, nhưng để đơn giản khi trình
bày, ta xét trường hợp tế bào mỗi cá thể chỉ một
NST. Các NST được chia nhỏ thành các gen
được sắp xếp theo một dãy tuyến tính. Mỗi cá
thể (hay NST) biểu diễn một lời giải có thể của
bài toán. Một xử lý tiến hóa duyệt trên tập các
NST tương đương với việc tìm kiếm lời giải
trong không gian lời giải của bài toán.
Giải thuật di truyền có thể mô tả vắn tắt như sau:
Proceduce Giải_thuật_di_truyền;
Begin
t:=0;
Khởi tạo ngẫu nhiên quần thể P(t);
Đánh giá độ phù hợp từng cá thể trong P(t);
Repeat
t:= t + 1;
Chọn các cá thể từ P(t – 1);
Lai tạo các cá thể đã chọn tạo ra P(t) mới;
Đột biến các cá thể trong P(t) theo xác
suất Pm;
Đánh giá độ phù hợp các cá thể trong tạp
P(t);
Until (thỏa mãn điều kiện dừng);
End;
Các kỹ thuật trong giải thuật di truyền
Giải thuật di truyền kinh điển sử dụng mã hóa
nhị phân, mỗi cá thể được mã hóa là một
chuỗi nhị phân có chiều dài cố định.
Mã hóa- biểu diễn các biến bằng vec tơ
nhị phân
Ta sử dụng véctơ nhị phân có độ dài L như
một NST để biểu diễn giá trị thực của biến
; .x xx l u Độ dài L của NST phụ thuộc
vào yêu cầu cụ thể của bài toán. Một bit mã
hóa x ứng với một giá trị trong khoảng
0;2L sẽ được ánh xạ lên giá trị thực thuộc
miền ; .x xl u Nhờ đó, ta có thể kiểm soát
miền giá trị của các biến và tính chính xác của
chúng. Tỷ lệ co giãn của ánh xạ được tính
như sau:
Giá trị x tương ứng với chuỗi NST nhị phân
là: * .xx l decimal NST g Trong đó,
decimal NST là giá trị thập phân của chuỗi
NST nhị phân và
2
x x
L
u l
g
Khởi tạo quần thể
Để khởi tạo quần thể, chỉ cần đơn giản tạo
pop – size (kích cỡ quần thể) nhiễm sắc thể
ngẫu nhiên theo từng bit. Phần còn lại của
thuật giải di truyền rất đơn giản: Trong mỗi
thế hệ, ta lượng giá từng NST (tính giá trị của
hàm f trên các chuỗi biến nhị phân đã được
giải mã), chọn quần thể mới thỏa mãn phân
bố xác suất dựa trên độ thích nghi và thực
hiện các phép đột biến và lai để tạo ra các cá
thể thế hệ mới. Sau một số thế hệ, khi không
còn cải thiện thêm được gì nữa, NST tốt nhất
sẽ được xem như lời giải của bài toán tối ưu
(thường là toàn cục).
Hàm thích nghi
Sau khi khởi tạo quần thể hoặc ở thời điểm
các thế hệ mới được tạo thành, chúng ta phải
sử dụng hàm thích nghi để đánh giá mức độ
thích nghi của mỗi nhiễm sắc thể nhằm có cơ
sở cho việc lựa chọn bố mẹ cho các phép lai
tạo và đột biến.
Các phương pháp xác định độ thích nghi:
+ Xác định theo tỷ lệ thích nghi (Fitness
scaling )
+ Xác định theo phương pháp cửa sổ thích
nghi (Fitness windowing )
+ Xác định theo thứ hạng thích nghi (Fitness
ranking )
Toán tử chọn lọc
Ở mỗi thế hệ, dựa trên gí trị của hàm thích
nghi, các cá thể có độ thích nghi tốt sẽ được
Lại Khắc Lãi và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 86(10): 213 - 218
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 215
chọn lọc để tạo thành quần thể ở thể ở thế hệ
mới và chuẩn bị cho việc thực hiện các phép
toán lai ghép và đột biến sau này.
Một số phép chọn lọc thường được sử dụng
bao gồm:
+ Sử dụng bánh xe Roulette
+ Chọn lọc xếp hạng
+ Chọn lọc cạnh tranh
Toán tử lai ghép
Trong giải thuật di truyền, số lượng các cá thể
trong quần thể ở mỗi thế hệ là không đổi.
Phép chọn lọc đã chọn ra một số cá thể có độ
thích nghi cao và loại bỏ đi một số cá thể
thích nghi thấp. Sự thiếu hụt số lượng cá thể
trong quần thể mới sẽ được bù đắp bằng lấy
các cá thể thích nghi cao là thế hệ cha mẹ, tạo
ra các thế hệ con bằng phép lai ghép và đột
biến trên các cá thể thích nghi cao này.
Một số phương pháp lai ghép:
+ Lai ghép một điểm
+ Lai ghép nhiều điểm
+ Lai ghép mặt nạ
Toán tử đột biến
Đột biến là thay đổi các bít trên chuỗi nhiễm
sắc thể một cách ngẫu nhiên để tạo ra tính đa
dạng. Phép đột biến được điều khiển bởi xác
suất đột biến Pm. Nếu không đột biến thì giải
thuật chỉ đi tìm kiếm lời giải ở không gian
khởi tạo. Tuy nhiên, nếu Pm quá lớn, quá trình
tìm kiếm trở thành tìm kiếm ngẫu nhiên.
Các phương pháp giải bài toán tối ưu đa
mục tiêu
Mô hình toán học của bài toán
n
Y(X) min(max)
X D R
k
1 k
Y(X) = (Y (X),...,Y (X)) R gọi là véc tơ
mục tiêu.
X gọi là phương án, D là tập các phương án.
Y1,,Yk gọi là các hàm mục tiêu.
Khi xử lý tập nghiệm Pareto, vai trò của
người sử dụng (NSD) hay người nhận lời giải
của bài toán đóng vai trò quan trọng. NSD sẽ
căn cứ vào lợi ích của mình để chọn phương
án cho hợp lý, cách đó gọi là kết hợp
QHĐMT với NSD. Có thể nói lợi ích ở đây là
một hàm U : Y(D) R thường được giả thiết
thỏa mãn một vài điều kiện nào đó dùng để đo
sở thích của NSD.
Phương pháp nhượng bộ dần
B1: Giải k bài toán một mục tiêu riêng rẽ, sau
đó lập bảng thưởng phạt.
B2: Căn cứ vào bảng thưởng phạt, với giá trị
Y1
0
NSD buộc Y1 nhượng bộ một lượng Y1
và giải bài toán:
2
max Y (X) với XD; Y1(X)Y1
0
- Y1
Giả sử Y2
*
là trị tối ưu của bài toán này,
chuyển sang B3.
B3: NSD căn cứ vào Y2
0
và Y2
*
buộc Y2
nhượng bộ lượng Y2 và giải bài toán:
3
max Y (X) với XD; Y1(X)Y1
0
- Y1;
Y2(X) Y2
*
- Y2;
Giả sử Y3
*
là trị tối wucuar bài toán này,
chuyển tiếp sang bước tiếp.
Bk: NSD căn cứ vào Yk-1
0
và Yk-1
*
buộc Yk-1
nhượng bộ lượng Yk-1 và giải bài toán:
k
max Y (X) với XD; Y1(X)Y1
0
- Y1;
Y2(X) Y2
*
- Y2;...,Yk-1(X) )Yk-1
*
- Yk-1;
Nghiệm của bài toán cuối cùng này lấy làm
nghiệm của bài toán.
Phương pháp thỏa hiệp
B1: Giải k bài toán một mục tiêu riêng rẽ, giả
sử nghiệm tối ưu là Xi (i=1,,k).
Đặt Mi = Yi(Xi) và đưa vào biến phụ W:
M ( ) Wi i i
i
Y X
M
với mọi i= 1,,k
Vế trái trong công thức trên gọi là độ lệch
tương đối chung.
B2: Giải bài toán min W với XD từ đó tìm
được nghiệm tối ưu X0 và W0
Lại Khắc Lãi và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 86(10): 213 - 218
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 216
Trong trường hợp này, lợi ích tỷ lệ với độ lệch
tương đối, phương án X1 là tốt hơn X2 nếu độ
lệch tương đối chung của X1 nhỏ hơn X2.
Phương pháp tìm nghiệm có khoảng cách nhỏ
nhất đến nghiệm lý tưởng
Phương pháp này giả định có một nghiệm lý
tưởng , X1 tốt hơn X2 nếu khoảng cách từ X1
đến nghiệm lý tưởng nhỏ hơn khoảng cách
tương ứng của X2.
Định nghĩa: Giả sử X1, X2 Rn, khoảng cách
giữa X1 và X2 là số d xác định bởi:
1 2
i i
d X X
là tham số >1
Khi đó bài toán maxY(X) với XD đưa về
bài toán
*min ( )i iY X Y
Vấn đề xác định tham số phụ thuộc vào
từng bài toán.
ỨNG DỤNG GIẢI THUẬT DI TRUYỀN
CHO BÀI TOÁN TỐI ƯU ĐA MỤC TIÊU
Đặt bài toán
Giả sử điều khiển mức dung dịch H trong
bình khuấy trộn theo sơ đồ điều khiển và sơ
đồ khối như hình 1 dưới đây
Trong đó:
+ Hàm truyền đạt của bộ chuyển đổi dòng
điện – khí nén (I/P):
mA
mmKG
I
P
K
2
max
max /5,0
420
002,001,0
+ Hàm truyền đạt của van: tín hiệu vào là áp
suất khí nén và tín hiệu ra là lưu lượng nước
cấp thông qua cơ cấu van:
1 1 2 2
50 125
W ( ) ( ) ; W ( ) ( )
1 0,01 1 0,01
V T V T
s W s s W s
s s
Hình 1. Sơ đồ điều khiển mức của bình trộn
+ Hàm truyền đạt của thiết bị đo mức: tín hiệu
vào là khoảng cách và tín hiệu đầu ra là điện áp:
0,016W ( )
1 0,005
H
s
s
Bài toàn tối ưu đặt ra ở đây là thiết kế bộ
điều khiển PD sao cho ổn định mức dung
dịch H chính xác nhất và thời gian ổn định
nhanh nhất, tương ứng với hai hàm mục tiêu
như sau:
Hình 2. Sơ đồ khối điều khiển mức
Mục tiêu 1: 2
1
( )J e t dt min
Mục tiêu 2:
2
( )J e t dt min
Từ hình 2 tính toán và rút ra được phương
trình vi phân:
Lại Khắc Lãi và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 86(10): 213 - 218
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 217
2
D P2
0,015. (1,4 1) 1,4. . 0
d e de
K K e
dt dt
Ta có phương trình đặc trưng là:
2
D P
0,015. (1,4 1) 1,4. 0k K k K
Với điều kiện 0 thì phương trình trên có
một nghiệm riêng là
1 2k t k t( )e t e e
Chọn
P
25 100K suy ra
D
1,35 50K
Trong đó:
2
D D PD
1
2
D D PD
2
1,4 1 1,4 1 0,084.1,4 1
0.03 0.03
1,4 1 1,4 1 0,084.1,4 1
0.03 0.03
K K KK
k
K K KK
k
Thay t=3(s) cuối cùng ta có được bài toán tối
ưu hai muc tiêu điều khiển mức dung dịch H
như sau:
1 21 2
1 2
2 t 2
1
1 1 2 2
2
1 2
P
D
1 2 1
2 2
25 100
1,35 50
k k tk k t
k t k t
J e e e min
k k k k
e e
J min
k k
K
K
Giải quyết bài toán
Dùng thuật toán giải thuật di truyền viết trên
phần mềm Matlab với quần thể khởi tạo ban
đầu gồm 30 cá thể, sau các bước lai ghép,
chọn lọc, đột biến giải bài toán đa mục tiêu
trên ta thu được kết quả tối ưu của bộ giá trị
(KP và KD) sau: KP = 25.895; KD = 18.349
làm cho J1 và J2 min. Vậy đó chính là bộ giá
trị tối ưu của bộ điều khiển PD trong sơ đồ
điều khiển mức trên với lưu đồ thuật toán của
giải thuật di truyền như hình 3.
Hình 4. Kết quả mô phỏng với bộ thông số tối ưu
KP = 25.895; KD = 18.349
Hình 5. Kết quả mô phỏng với bộ thông số tối ưu
và bộ thông số khác
Các kết quả mô phỏng được chỉ ra trên hình 4
và hình 5. Trong đó: Hình 4 ứng với các
thông số tối ưu tìm được bằng giải thuật di
truyền còn Hình 5 là đáp ứng quá độ ứng với
bộ thông số tối ưu và nộ thông số khác.
Lại Khắc Lãi và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 86(10): 213 - 218
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 218
Hình 3. Lưu đồ thuật toán
KẾT LUẬN
Qua kết qủa mô phỏng trên Matlab Simulink
với các bộ giá trị của (KP và KD) lấy từ tập
nghiệm của thuật toán giải thuật di truyền, ta
có thể tìm thấy một bộ nghiệm tối ưu mà ở đó
ta thấy chất lượng điều khiển mức dung dịch
H tăng rõ rệt, độ sai lệch và thời gian quá độ
đều nhỏ hơn so với các bộ giá trị khác. Với
kết quả này cho phép mở rộng hướng thiết kế
bộ điều khiển PID tối ưu cho các dây chuyền
công nghệ và đây cũng chính là hướng mới
trong tính toán mềm sẽ được áp dụng trong
các bài toán tối ưu thực tế trong tương lai.
TÀI LIỆU THAM KHẢO
[1]. Nguyễn Doãn Phước, Phan Xuân Minh, Hán
Thành Trung (2003), Lý thuyết điều khiển phi
tuyến, Nxb Khoa học và Kỹ thuật, Hà Nội.
[2]. Vũ Mạnh Xuân (2006) “Tính toán tiến hóa
trong tối ưu đa mục tiêu” Đề tài nghiên cứu khoa
học cấp Bộ - Mã số: B2006 TN01 – 04.
[3]. Nguyễn Thương Ngô (1999), Lý thuyết
điều khiển tự động hiện đại, Nhà xuất bản Khoa
học Kỹ thuật.
[4]. Vũ Mạnh Xuân, Nguyễn Thanh Thủy (2007)
“Giải thuật di truyền với các gen phụ thuộc nhau”,
báo cáo Hội thảo Quốc gia “Ngiên cứu cơ bản và
ứng dụng công nghệ thông tin”.
[5]. Lại Khắc Lãi (2001) “Thiết kế hệ điều khiển
mờ nhờ sử dụng thuật gen” Tạp chí Khoa học
công nghệ trường Đại học Kỹ thuật Công nghiệp,
trang 10-16.
[6]. Nguyễn Đình Thúc (2001), Lập trình tiến hóa,
Nhà xuất bản Giáo dục.
[7]. Goldberg, D.E. (1989), Genetic Algorithm in
search, optimization and machine learning,
Addsion – Wesley, Reading, MA.
Lại Khắc Lãi và Đtg Tạp chí KHOA HỌC & CÔNG NGHỆ 86(10): 213 - 218
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 219
SUMMARY
APPLICATION GENETIC ALGOTITHM TO SOLVE MULTI-OBJECTIVE
OPTIMIZATION PROBLEMS
Lai Khac Lai
1
, Dang Ngoc Trung
2
1
Thai Nguyen University, College of Technology - TNU
In fact today most of the control problem in the technology chain optimization problems are multi-purpose.
Application of evolutionary computation algorithms promising prospects. This article presents a new application
to solve multi-objective optimization algorithm that uses genetic algorithms (GA-Genetic Algorithm), contents of
the article shows the superiority of genetic algorithm with the process of finding a global extremum.
Key words: Optimization control; Multi objective; Genetic Algorithm.
Tel: 0913 507464
Các file đính kèm theo tài liệu này:
- brief_32783_36623_238201282720ungdunggiaithuatditruyen_9862_2052679.pdf