基于遗传算法优化pid控制器参数的环境测试舱温湿度控制-李树江.pdf

第41卷第4期2017年8月南京理工大学学报Journal of Nanjing University of Science and TechnologyVol.41 No.4Aug 2017收稿日期:2016-06-07 修回日期:2017-02-27基金项目:国家自然科学基金(60772055);沈阳市科技局资助项目(F13-308-4-00)作者简介:李树江(1968-),男,博士,教授,主要研究方向:复杂工业过程建模与控制,E-mail:lisj2005126. com。引文格式:李树江,赵晨,苏锡辉,等.基于遗传算法优化PID控制器参数的环境测试舱温湿度控制J.南京理工大学学报,2017,41(4):511-518.投稿网址:http:/ / zrxuebao. njust. edu. cn基于遗传算法优化PID控制器参数的环境测试舱温湿度控制李树江,赵晨,苏锡辉,王向东(沈阳工业大学信息科学与工程学院,辽宁沈阳110870)摘要:大容积环境测试舱内温湿度控制系统具有非线性、时变性和耦合性的特点,传统的比例积分微分(Proportion integral differential,PID)控制器参数整定方法不能满足环境测试舱温湿度控制的要求。只有获得PID控制器的最优参数才能实现环境测试舱温湿度的优化控制。该文提出一种遗传算法(Genetic algorithm,GA)优化PID控制器参数的控制算法 GA-PID。首先通过预估解耦方法对温湿度解耦,然后将目标函数作为控制器的评估值,通过遗传算法的选择、交叉、变异、迭代功能获得PID控制器参数的最优解,以弥补常规PID算法在环境测试舱温湿度控制系统中的不足。通过MATLAB进行了仿真实验,实验结果表明预估解耦可有效地对温湿度进行解耦,提出的GA-PID控制算法可实现快速、准确以及稳定的环境测试舱温湿度控制,具有更好的控制性能。关键词:环境测试舱;温湿度控制;遗传算法;比例积分微分控制器;解耦中图分类号:TP273.5 文章编号:1005-9830(2017)04-0511-08DOI:10.14177/ j. cnki.32-1397n.2017.41.04.017Temperature and humidity control for environmental test chamberbased on genetic algorithm optimized parameters of PID controllerLi Shujiang,Zhao Chen,Su Xihui,Wang Xiangdong(School of Information Science and Engineering,Shenyang University of Technology,Shenyang 110870,China)Abstract:The control system of temperature and humidity in the big volume environmental testchamber has the characteristics of nonlinearity,time-varying and coupling. The traditional parametertuning method of proportion integral differential(PID)can not meet the requirements of the temperatureand humidity control in the environmental test chamber. The intelligent control of the temperature and万方数据南京理工大学学报第41卷第4期humidity of the environmental test chamber can be realized only by obtaining the optimal parameters ofthe PID controller. This paper proposes a control algorithm based on genetic algorithm(GA)optimizedparameters of PID controller,which is named as GA-PID. Firstly,the temperature and humidity isdecoupled by the predictive decoupling method. The objective function is used as the evaluation valueof the controller,and the optimal solution of PID control parameters can be obtained through theselection,crossover and mutation of genetic algorithm. The proposed control algorithm can make up thedeficiency of conventional PID in temperature and humidity control system. Simulation experiment iscarried out by MATLAB. The results show that the temperature and humidity can be effectivelydecoupled,the GA-PID control algorithm can achieve a more rapid,accurate and stable temperatureand humidity control. The proposed control system has better control performance.Key words: environmental test chamber; temperature and humidity control; genetic algorithm;proportion integral differential controller;decoupling随着科学技术的发展和人类的进步,人们对居住和生活环境要求越来越高,环境中主要以甲醛、室内挥发性有机化合物( Volatile organiccompounds,VOCs)为主的有害气体也越来越受到人们的关注。相关研究表明:室内空气污染已成为危害人类健康的“隐形杀手”,VOCs浓度过高是造成室内空气污染的主要原因之一1。环境中温湿度的变化对VOCs的测量有很大的影响2,如何能更好、更精确地测量VOCs等有机物的含量也是现今一个新的科研方向。传统的干燥器方法和萃取方法受操作员的操作影响较大。环境测试舱能够提供良好的测量环境,可以排除操作员对测量的干扰,能够更好地测量环境中VOCs等有害气体的含量。因此,环境测试舱的研究具有重要的理论与实际意义3。近年来,国内外学者利用环境测试舱对室内装饰装修材料的VOCs释放特征和释放机理进行了大量研究,取得了一定的进展4 6。国内外也颁布了相应的测试舱VOCs测定标准。但是这些研究侧重于VOCs释放机理的研究,试图研究温度、湿度等物理参数与VOCs之间的关系,对于环境测试舱控制的相关研究还不多见。在通常气候条件下,温度每提高8 ,空气中的甲醛浓度将提高一倍;湿度增加12%,甲醛释放量将增加15%左右。环境测试舱必须能够提供一个稳定的温湿度环境,怎样对环境舱内的温湿度更快、更准、更稳地调节是一个重要的研究问题7-8。在某一温度下,相对湿度是绝对湿度与最高湿度之比,它的值显示水蒸气的饱和度。相对湿度100%的空气是饱和空气,相对湿度50%的空气含有达到同温度的空气的饱和点的一半水蒸气。随着温度的增高空气中的可含水就越来越多,在同样多水蒸气的情况下温度升高相对湿度就会降低,也就是温度和湿度之间存在耦合作用。传统的比例微分积分( Proportion integraldifferential,PID)控制系统中,对温湿度进行单个调节,这会导致当把温度调到设定值时,再调节湿度的同时会影响温度值。同时,环境舱的温湿度控制系统具有非线性、大时滞、耦合性等特点,传统的PID算法整定的参数无法实现对温湿度良好的控制。文献9提出解耦与模糊-PID控制相结合的控制算法,以弥补常规PID在温湿度控制系统中的不足,通过实验表明去除了温度和湿度之间的耦合性,但是其控制精度受到模糊规则制定的影响,模糊规则的制定凭借现场经验。文献10提出采用专家PID温度控制策略,仿真研究表明:该专家PID控制器可以有效地抑制超调,提高升温速率,达到较高的温控精度,但是该研究仅仅局限于温度的控制,对于湿度控制没有考虑。文献11采用前馈解耦的方法,通过前馈补偿的方式消除温湿度耦合,最后设计了温湿度模糊控制器,与文献9类似,该研究也受限于模糊规则的合理制定。文献12实现了家具检测用环境舱恒温恒湿系统,能够精确控制环境舱内部温湿度的恒定,但是该研究更侧重的是通过物理方式提高控制精度,未提及采用的控制算法。针对以上问题,本文采用预估解耦方法对环境测试舱温湿度进行解耦,建立目标函数对控制器性能进行评估。遗传算法通过对参数编码,随215万方数据总第215期李树江赵晨苏锡辉王向东基于遗传算法优化PID控制器参数的环境测试舱温湿度控制机选择作为种群资源,其搜索方法更高效,通过优胜劣汰的方法,能够在复杂的空间内进行全局化搜索,具有较强的稳定性,与传统的方法相比,遗传算法不需要限制性假设。因此本文利用遗传算法(Genetic algorithm,GA)通过迭代、选择、交叉、变异、操作,最终找到最优的PID参数,仿真实验表明提出的GA-PID控制算法提高了环境测试舱温湿度控制系统的控制精度与稳定性。1环境测试舱的建模与解耦1.1环境测试舱的建模环境舱内的温度建模采用阶跃响应法,实际环境舱的温湿度控制过程中,依据环境加热器U,环境舱的温度变化Y,根据实验数据,建立环境舱内的温湿度的数学模型。利用环境舱多次实测温湿度,结合温度与湿度数据性质,分析后最后确定温湿度的数学模型为G(s)= Ke- s(Ts+1)n (1)在环境舱内,采用温湿度传感器对温湿度的实测数据进行记录,把探头放到环境舱的中心部位,实测数据如表1所示。计算出环境舱的温度模型的放大系数K,时间常数T,滞后时间和模型的阶次n,就可求得温度的数学模型。利用阶跃响应法获得温度的数学模型,表2给出了模型阶次n与t1 / t2的对照表,通过表2可获得模型的阶次为5。设系统输入信号为100%阶跃量,也就是温度加热装置进行开环、最大功率加热,此时温度加热器的占空比为100%,根据实验数据可获得y(),参数 11根据阶跃响应曲线脱离起始无反应阶段来确定,从表2中可知 11 =10,则K与T按照以下步骤获得。静态放大系数K可通过阶跃响应曲线的稳态值y()与阶跃扰动值x0之比获得,即K=y()-y(0)x0=3 (2)时间常数T可通过将阶跃响应曲线标准化,即阶跃响应曲线各个时刻的坐标值除以y( ),即可得到相对应的数值。因此求得T=8. 24。则环境测试舱的温度控制模型为G(s)= 3e-10s(8.24s+1)5 (3)表1温度与时间变化数据时间/ s 0 10 20 30 40 50 60 70 80 90 100温度/ 20 20 26.3 32.6 36.8 40.2 48.5 49.6 50.0 50.0 50.0表2模型阶次n与t1 /t2的对照表n 1 2 3 4 5 6 7 8 10 12 14t1 / t2 0.32 0.46 0.53 0.58 0.62 0.65 0.67 0.685 0.71 0.735 0.75表3湿度与时间变化数据时间/ s 0 10 15 20 30 40 50 60 70 80 90 100湿度/ % 25.0 25.0 25.0 31.3 35.4 39.7 42.5 43.8 44.2 44.8 45.0 45.0按照上面介绍的法则,可获得湿度模型参数为:T=13.27,K=2, =10,n=3,则环境舱的湿度控制模型为G(s)= 2e-15s(13.27s+1)3 (4)1.2环境测试舱的解耦在工业生产过程中,被控系统存在耦合是一种普遍现象,在多变量回路中,某个过程变量的改变会引起输出变量的部分或者全部改变13。环境测试舱温湿度系统耦合关系如图1所示。图1环境测试舱温湿度耦合示意图由于变量之间的相互影响与作用,环境舱的温湿度控制系统中所涉及的变量温度和湿度具有较强的耦合性。例如在环境舱中,假设水分不变,315万方数据南京理工大学学报第41卷第4期在温度升高的同时,系统的湿度会下降。同理在湿度上升时,温度会下降。因此,温度和湿度之间存在强烈的耦合作用,要想设计一个稳定的温湿度控制系统,必须消除温度和湿度之间的相互耦合。利用空气焓动态平衡理论:在平衡状态下,假设空气中水分不变,则相对湿度受温度t变化的影响为RH2 =RH1×pqb1pqb2(5)式中:pqb1为t1温度下饱和水蒸气的分压力,pqb2为t2温度下饱和水蒸气的分压力,RH1为实际测得的相对湿度,RH2为湿度控制回路中参加运算的相对湿度,可通过预估相对湿度RH2代替实际的相对湿度RH1参与控制运算。本文利用预估解耦方法对环境测试舱温湿度进行解耦,利用解耦环节1与2对温湿度进行解耦。采用的解耦结构如图2所示。图2环境测试舱温湿度解耦结构由图2可知,经1与2两个解耦环节,控制器的实际输出为Ut =Kt(1-1)×Ct+1×Ch,1 =0 1 (6)Uh =Kh(1-2)×Ch+2×Ct,2 =0 1 (7)式中:Ct、Ch表示温度与湿度控制器的输出;Kt、Kh表示温度与湿度控制器的比例因子;Ut、Uh表示系统的温度与湿度的实际输出;1、2表示温度与湿度的解耦系数,1、2为0时,表示回路间没有耦合作用,1、2为1时,表示回路处于极限耦合情况,实际1、2在0 1之间变化,可通过实验来确定1与2的取值。2 GA-PID温湿度控制器设计2.1总体结构设计传统的PID控制具有算法简单、鲁棒性好和可靠性高等优点,已经被广泛用于工业生产过程。但工程实际中,PID控制器的比例、积分、微分调节参数往往通过实验法由人工整定,这不仅需要熟练的技巧,往往还相当费时。更为重要的是,当被控对象的特性发生变化时,需要控制器参数做相应的调整,PID控制器没有自适应能力,只能靠人工重新整定参数,由于经验缺乏往往达不到最优值,难以满足实际要求。因此,把遗传算法用于控制器参数整定,这是一种寻求全局最优解的优化方法,目前GA算法在很多优化问题上得到了广泛的应用14-17。本文选择GA-PID作为环境舱内温湿度的控制方法。利用遗传算法对PID的参数进行整定,根据环境舱的温度和湿度的数学模型通过遗传算法找到最优或者近似最优的PID控制参数。 GA-PID根据控制器的3个参数对PID控制器整体进行评估,根据评估值的大小作为遗传算法的性能指标,能够判断出PID参数的优劣,根据优劣不断进行淘汰和迭代(选择、交叉、变异),选择合适的种群,不需要对参数进行初始化,能满足时变性需求。系统的整体控制结构如图3所示。其中Rt与Rh分别代表温湿度的设定值。图3系统总体控制结构图2.2遗传算法遗传算法是Holland根据生物进化的模型提出的一种优化算法18。遗传算法是借助生物进化机制和遗传学原理,在一定编码方案和适应度函数的选择下,通过选择、交叉、变异来操作个体,直至找到最优解19。基于遗传算法的温湿度控制系统,是将传感器获得的数字信号送入计算机与设定的温度值进行比较,用遗传算法来实现控制器输出的优化,控制精度高,具有很高的控制品质。标准遗传算法包括如下3个步骤20。(1)复制。复制是从旧的种群中选择出生命力强的个体组成新的种群的过程,利用目标函数对个体本身适应值进行计算,适应度值高的个体更有可能在下一代中产生一个或者多个子孙。利用达尔文的适者生存理论,复制操作可以通过随机方法415万方数据总第215期李树江赵晨苏锡辉王向东基于遗传算法优化PID控制器参数的环境测试舱温湿度控制来实现。在0 1之间任意产生一个随机数,若某基因串的复制概率为50%,则产生的随机数在0 0.5之间时,该基因串被复制,否则被淘汰。(2)交叉。复制操作能从种群中选出强者,但是不能产生新的基因串。而交叉模拟了生物进化过程的繁殖现象,通过基因串的交换,产生新的基因和优良品种。交叉操作的过程为:在种群中任选两个基因串,随机选择一点或者多点进行交换等位基因,可以得到两个新的基因串。交换体现了自然界中信息交换的理念和思想。交叉有一点交叉和多点交叉,也有一致交叉、顺序和周期交叉21。(3)变异。变异是用来模拟自然界中由于某种原因而产生基因突变的这一现象,它能以很小的概率任意改变基因串中任意位置的值。本文基因串采用二进制数字串,一旦产生变异,基因串的数字由1变为0,或者由0变为122,23。如果只有选择和交叉,而没有变异,则无法在初始值基因组合以外的空间进行搜索,只能找到局部最优解,而找不到全局最优解。2.3 GA-PID优化过程环境舱中温湿度控制算法的优化过程是通过遗传算法来获得准确或近似的最优解决方案。本文的优化过程步骤可描述如下。(1)根据GA算法,首先设定算法种群N(本文取为30)并对种群进行初始化。设定GA算法交叉概率Pc(本文取为0.9)与变异概率Pm(本文取为0.1)、迭代次数(本文取为100)等。随机产生初始种群,基因的表达式为K = KP,KI,KD。利用二进制编码,根据建立的温湿度模型,设定待优化参数的取值范围。(2)GA算法的优化过程是动态过程,整体目标函数一般可采用积分形式,通过该目标函数来衡量个体的适应能力,避免过大的输出量,因此需要加入控制输入的平方项,确定适应度目标函数为J= 0(w1 |e(t) |+w2u2(t)dt+w3tu (8)式中:w1、w2与w3为权值,e(t)为系统误差,tu为上升时间。如果e(t)<0,则J= 0(w1 |e(t) |+w2u2(t)+w4 |e(t) |)dt+w3tuw4 w1 (9)将适应度值函数定义为F = 1/ J。为了避免J=0,编程时可令J=J+e-10。在本文中,通过实验确定w1取值为0. 999,w2为0. 001,w3为2,w4为100。(3)计算并保存每一代适应度函数f(n),按照GA算法进行交叉与变异操作,产生新的个体,计算新个体的适应度值。比较新个体适应度是否最优,是则进行最优值的替换,转入步骤(4);否则也转入步骤(4)。(4)迭代次数加一。判断是否满足结束条件(本文通过最大迭代次数进行判定)。若满足则输出最优的PID参数与适应度值,利用最优的PID参数施加于被控对象,完成对环境测试舱的温湿度控制;否则转入步骤(3)继续优化。本文的GA-PID算法程序优化流程图如图4所示。图4 GA-PID算法流程图3仿真3.1温湿度解耦仿真首先需要确定预估解耦法中1与2数值,515万方数据南京理工大学学报第41卷第4期本文通过实验的方法确定解耦环节参数。经过大量的实验验证,确定1为0.261,2为0.315。由于环境舱中内湿度变化对温度的影响较小,可忽略不计,因此为了验证预估解耦法的效果,本文只进行了温度变化对湿度影响的仿真实验。图5为温度变化的跟随曲线,设置的温度在500 s从20 变化为25 ,在750 s变化为20 。图6给出了未加入解耦与加入解耦对应的湿度变化跟随曲线,湿度设定值为50%。由图6可知,在不加入解耦环节进行解耦的情况下,环境测试舱温度对象的变化对湿度对象有极大的影响。当温湿度都处于稳定状态时,温度的突然变化会导致湿度变化脱离稳定状态,且湿度的波动范围与温度的变化有直接的关系。在加上本文的预估解耦环节后,当温度对象突然变化时,湿度对象只是产生很小的波动,并且能够快速恢复到原来的稳定值,取得了较好的解耦效果。图5温度跟随曲线图6解耦与未解耦的湿度跟随对比曲线3.2温湿度控制仿真实验为了验证GA-PID控制算法的有效性,本文通过在不同的温湿度输入情况下、对温湿度进行控制并进行了仿真实验。仿真中与文献9的动态解耦控制以及文献24中的PID控制进行了对比。图7为输入温度设定为20 ,输入湿度设定为40%时,3种控制方法对于温度的跟随曲线,图8为3种控制方法对于湿度的跟随曲线。改变工作环境,将输入温度设定为25 ,输入湿度设定为60%,图9给出了3种控制方法对于温度的跟随曲线,图10为3种控制方法对于湿度的跟随曲线。仿真参数见上文。 PID 3个参数的取值范围设定为0.01,100。图7温度的跟随曲线(情况1)图8湿度的跟随曲线(情况1)图9温度的跟随曲线(情况2)图10湿度的跟随曲线(情况2)由图7 10可知:GA-PID与传统PID以及动态解耦方法相比,对温度具有更快、更准、更稳的控制效果,超调量小,能够更快地跟踪输入参考信号,较快地达到稳态,具有更好地控制效果。同时,对湿度控制也具有良好的控制效果。615万方数据总第215期李树江赵晨苏锡辉王向东基于遗传算法优化PID控制器参数的环境测试舱温湿度控制图11给出了GA算法优化温度与湿度PID控制器参数的适应度进化曲线,适应度曲线表明遗传算法可在较小的迭代次数即可寻找到最优的目标函数值,即得到优化的PID参数。从图11中可观察到,对于湿度的优化控制,在第56次迭代后GA算法的适应度保持不变,对于温度的优化控制,在第53次迭代后GA算法的适应度保持不变,说明GA算法得到了全局近似最优解。再增大迭代次数则会增加算法运算时间,同时,对于控制性能的提升影响很小。因此,本文通过实验将GA算法的迭代次数设定为100。图11温度与湿度PID控制器参数适应度曲线4结论针对传统PID算法无法提高环境测试舱温湿度控制系统控制性能的问题,本文提出一种基于GA-PID的控制算法。首先通过预估解耦法对温湿度进行解耦,解耦之后表明当温度控制对象突然变化时,湿度受到很小的波动,并且很快恢复到稳定状态。而对于PID参数整定法无法适应环境测试舱温湿度系统非线性、时变性和耦合性的问题,利用具有良好优化性能的GA算法对PID控制器的参数进行优化,通过最优的PID参数实现对温湿度的有效控制。通过MATLAB的仿真实验表明提出的控制算法能够在短时间内找到最小的目标函数,求出最优解,从而能更快、更稳、更准的对测试舱温湿度进行控制。参考文献:1 Kumar P,Skouloudis A N,Bell M,et al. Real-timesensors for indoor air monitoring and challenges aheadin deploying them to urban buildingsJ. Science ofthe Total Environment,2016,560:150-159.2池东,李立清,马卫武.板材甲醛释放实验及其释放参数的测定J.中国环境科学,2014,32 (2):532-538.Chi Dong,Li Liqing,Ma Weiwu. Experience researchon formaldehyde emission from wood-based panels andmeasurement of emission parameters J . ChinaEnvironmental Science,2014,32(2):532-538.3周丽丽,陈会明,宋乃宁,等.有害物质环境测试组合舱的研制及性能评价J.环境工程学报,2013,7(9):3525-3530.Zhou Lili, Chen Huiming, Song Naining, et al.Development and performance evaluation of anenvironmental testing combination of chamber J.Chinese Journal of Environmental Engineering,2013,7(9):3525-3530.4 Xie H,Kim C N. Numerical modeling of VOCs emissionfrom a multi-layer carpetJ. Heat and Mass Transfer,2013,49(7):1009-1019.5 Parthasarathy S. Modeling indoor exposures to VOCsand SVOCs as ventilation rates vary C / / HealthyBuildings 2012 10th International Conference. SantaCruz,USA:International Society of Indoor Air Qualityand Climate,2012:2497-2502.6王立鑫,崔珩,杨知还,等.对二氯苯释放及影响因素的环境测试舱模拟研究J.环境科学学报,2007,27(1):45-52.Wang Lixin,Cui Heng,Yang Zhihuan,et al. The studyof smiulating p-dichlorobenzene emission and effectfactors using environmental test chamber J. ActaScientiae Cricum Stantiae,2007,27(1):45-52.7 Manoukian A, Buiron D, Temime-Roussel B, et al.Measurements of VOC/ SVOC emission factors fromburning incenses in an environmental test chamber:influence of temperature, relative humidity, and airexchange rateJ. Environmental Science & PollutionResearch,2016,23(7):6300-6311.8 Mahyuddin N,Awbi H B,Essah E A. Computationalfluid dynamics modelling of the air movement in an en-vironmental test chamber with a respiring manikinJ.Journal of Building Performance Simulation, 2015,8(5):359-374.9张付花,曾东东,孙克亮.大型环境测试舱的温湿度解耦控制算法的研究J.木材加工机械,2014(5):26-28.Zhang Fuhua,Zeng Dongdong,Sun Keliang. Study ofthe control algorithm of temperature and humidity forlarge scale environmental test chamber J. WoodProcessing Machinery,2014(5):26-28.10李可,庞丽萍,刘旺开,等.环境模拟舱体的建模仿715万方数据南京理工大学学报第41卷第4期真及控制方法J.北京航空航天大学学报,2007,33(5):535-538.Li Ke,Pang Liping,Liu Wangkai,et al. System modelsimulation and control method used in environmentalsimulation chambersJ. Journal of Beijing Universityof Aeronautics and Astronautics, 2007, 33 ( 5 ):535-538.11 Hu M Y, Fang K L. The temperature and humiditycontrol of artificial climate chamber based on feed-forward compensation decouplingC / / Proceedings ofthe 4th International Conference on ManufacturingScience and Technology. Zurich-Durnten,Switzerland:Trans Tech Publications,2013,816:343-347.12张天鹏,司慧,颜小林,等.家具检测用环境舱恒温恒湿系统方案改进J.林业机械与木工设备,2015(4):13-16.Zhang Tianpeng,Si Hui,Yan Xiaolin,et al. Improvedplan for a constant temperature and humidityenvironmental chamber system for furniture detectionJ. Forestry Machinery & Woodworking Equipment,2015(4):13-16.13 Xie H,Song K,Yang S,et al. On decoupling control ofthe VGT-EGR system in diesel engines: a newframeworkJ. IEEE Transactions on Control SystemsTechnology,2016,24(5):1977-1796.14李淑英,潘亚,费薇,等.基于分组遗传算法的虚拟机放置方法J.南京理工大学学报,2016,40(3):322-327.Li Shuying,Pan Ya,Fei Wei,et al. Virtual machineplacement method based on grouping genetic algorithmJ. Journal of Nanjing University of Science andTechnology,2016,40(3):322-327.15 Ar Y,Bostanci E. A genetic algorithm solution to thecollaborative filtering problemJ. Expert Systems withApplications,2016,61:122-128.16赵小强,何浩.一种求解柔性作业车间调度问题的改进DRSGAJ.南京理工大学学报,2016,40(3):297-302.Zhao Xiaoqiang,He Hao. Improved DRSGA for flexiblejob shop schedulingJ. Journal of Nanjing Universityof Science and Technology,2016,40(3):297-302.17田中大,高宪文,李树江,等.遗传算法优化回声状态网络的网络流量预测J.计算机研究与发展,2015,52(5):1137-1145.Tian Zhongda, Gao Xianwen, Li Shujiang, et al.Prediction method for network traffic based on geneticalgorithm optimized echo state networkJ. Journal ofComputer Research and Development,2015,52(5):1137-1145.18 Holland J H. Adaptation in natural and artificialsystems:an introductory analysis with applications tobiology, control, and artificial intelligence M .Cambridge,Massachusetts,USA:MIT Press,1992.19王赞,樊向宇,邹雨果,等.一种基于遗传算法的多缺陷定位方法J.软件学报,2016,27(4):879-890.Wang Zan,Fan Xiangyu,Zhou Yuguo,et al. Geneticalgorithm based multiple faults localization techniqueJ. Journal of Software,2016,27(4):879-890.20 Agapie A,Wright A H. Theoretical analysis of steadystate genetic algorithms J . Applications ofMathematics,2014,59(5):509-525.21 Morales-Reyes A,Escalante H J,Letras M,et al. Anempirical analysis on dimensionality in cellular geneticalgorithms C / / Proceedings of the 2015 AnnualConference on Genetic and Evolutionary Computation.New York,USA:ACM,2015:895-902.22段谟意.网络抗毁性及其评价指标研究J.小型微型计算机系统,2013,34(11):2553-2557.Duan Moyi. Study of network invulnerability andevaluation index J. Journal of Chinese ComputerSystems,2013,34(11):2553-2557.23 Tian Z D,Wang Y H,Li S J. T-S fuzzy neural networkpredictive control for burning zone temperature inrotary kiln with improved hierarchical genetic algorithmJ. International Journal of Modelling,Identificationand Control,2016,25(4):323-334.24李纪文,骆德渊,刘荣.数字PID在温室环境自动控制中的应用J.农机化研究,2009,31(1):205-207.Li Jiwen,Luo Deyuan,Liu Rong. Application of digitalPID