1、電力工業(yè)的發(fā)展促進(jìn)了發(fā)電機(jī)組單機(jī)容量和參數(shù)正不斷增加，其自動化程度越來越高，對控制系統(tǒng)的控制品質(zhì)也提出了更高的要求。掌握被控對象的數(shù)學(xué)模型和建模后控制系統(tǒng)的設(shè)計，是過程控制系統(tǒng)分析、設(shè)計、調(diào)試和獲得較高控制品質(zhì)的基礎(chǔ)和關(guān)鍵。因此，研究基于現(xiàn)代優(yōu)化技術(shù)的系統(tǒng)建模方法和控制器參數(shù)整定技術(shù)具有重要的意義。本文針對遺傳算法在熱工過程中的建模利優(yōu)化控制中的應(yīng)用進(jìn)行了研究。 論文主要內(nèi)容分為三部分。第一部分研究基于遺傳算法的熱工過程模型辨識

2、，遺傳算法采用了多算子結(jié)合的白適應(yīng)交叉、變異策略，提高了算法的精度、搜索效率和收斂能力。針對傳統(tǒng)通用的多項式傳遞函數(shù)形式作為模型進(jìn)行辨識時存在的各參數(shù)著異較人，各參數(shù)失配和參數(shù)在搜索空間中的搜索效率較低等問題，提山了以零極點傳遞函數(shù)形式描述過程對象，并對常見的熱工過程進(jìn)行分類的辨識方法。仿真研究表明，所提出的基丁遺傳算法的熱工過程模型辨識方法具有很好的模型辨識能力，可以得到精度較高的辨識結(jié)果。第二部分對遺傳多目標(biāo)優(yōu)化算法進(jìn)行了研究，在分

3、析比較了幾種典型算法的突出特點和不足的基礎(chǔ)上，本文提出了兩種改進(jìn)的遺傳多目標(biāo)優(yōu)化算法?；诜侵渑判虻木鶆驒?quán)重和方法是對傳統(tǒng)的多目標(biāo)轉(zhuǎn)換為單目標(biāo)的權(quán)重和思想在兩個目標(biāo)的優(yōu)化方面進(jìn)行的改進(jìn)，目標(biāo)的權(quán)系數(shù)分配方法是在一定區(qū)間內(nèi)，以一定的步長進(jìn)行均勻的變化，避免了傳統(tǒng)權(quán)重和方法在權(quán)系數(shù)確定與分配上存在的困難。同時結(jié)合非支配排序的思想，對每組權(quán)系數(shù)下得到的最優(yōu)解組合在一起進(jìn)行非支配排序，可以獲得更加均勻分布的Pareto前沿。改進(jìn)的Pareto

4、遺傳多目標(biāo)優(yōu)化算法結(jié)合了NSGA算法的非支配排序、NSGA-II/SPEA算法中的精英保留策略和小生境技術(shù)，并對傳統(tǒng)的小生境技術(shù)中基于個體適應(yīng)度的淘汰技術(shù)進(jìn)行改進(jìn)，提出一種個體向量模適應(yīng)度函數(shù)作為淘汰個體的準(zhǔn)則。通過兩個多元函數(shù)的最小值優(yōu)化算例驗證，兩種方法均獲得較為均勻分布的Pareto前沿，并且改進(jìn)的Pareto遺傳多目標(biāo)優(yōu)化算法由_丁采用了小生境技術(shù)，使得最優(yōu)解的分布更加均勻，避免了局部收斂的問題。第三部分在對PID控制規(guī)律、控制