کنترل کننده با الگوریتم ژنتیک (Genetic Algorithm-based Controller)، در ریاضیات (Mathematics)
انواع کنترل کننده ها (Controller) را در آموزش زیر شرح دادیم :
کنترل کننده با الگوریتم ژنتیک (Genetic Algorithm-based Controller) :
بهینه سازی پارامترهای کنترل با الهام از تکامل
کنترل کننده با الگوریتم ژنتیک یا Genetic Algorithm (GA) Controller نوعی کنترل کننده است که در آن از الگوریتم ژنتیک برای بهینه سازی پارامترهای کنترل کننده استفاده می شود. الگوریتم ژنتیک یک روش بهینه سازی فراابتکاری است که از مفاهیم تکامل زیستی (انتخاب، ترکیب، جهش) الهام گرفته شده است. این روش برای مسائل بهینه سازی پیچیده، غیرخطی، و با فضای جستجوی بزرگ مناسب است.
مراحل کار: ۱) نمایش پارامترهای کنترل کننده به صورت کروموزوم (رشته ای از اعداد). ۲) ایجاد یک جمعیت اولیه از کروموزوم های تصادفی. ۳) ارزیابی هر کروموزوم با شبیه سازی سیستم و محاسبه تابع برازندگی (مثلا معیار عملکردی مانند IAE). ۴) انتخاب کروموزوم های برتر. ۵) اعمال عملگرهای ترکیب (crossover) و جهش (mutation) برای تولید نسل جدید. ۶) تکرار تا رسیدن به معیار توقف.
\[ \text{کروموزوم} = [K_p, K_i, K_d] \quad \text{(برای PID)} \]کاربردها: تنظیم بهینه پارامترهای PID برای سیستم های پیچیده، طراحی کنترل کننده های فازی (تنظیم توابع عضویت)، بهینه سازی ساختار کنترل، انتخاب وزن ها در LQR، سیستم های چندمتغیره.
✅ مزایا: قابلیت بهینه سازی توابع پیچیده و غیرخطی، عدم نیاز به مشتق، جستجوی سراسری، مناسب برای مسائل با فضای جستجوی بزرگ.
⚠️ معایب: همگرایی کند (مخصوصا نزدیک بهینه)، نیاز به تنظیم پارامترهای الگوریتم (اندازه جمعیت، نرخ ترکیب، نرخ جهش)، ممکن است بهینه محلی پیدا کند.
الگوریتم ژنتیک می تواند برای تنظیم آنلاین نیز استفاده شود، اما معمولا به دلیل زمان بر بودن، برای تنظیم آفلاین به کار می رود.
مثال: یک سیستم پیچیده غیرخطی داریم که تنظیم دستی PID برای آن دشوار است. یک الگوریتم ژنتیک با جمعیت ۵۰ کروموزوم (هر کروموزوم شامل سه پارامتر PID) اجرا می کنیم. تابع برازندگی مجموع قدرمطلق خطا در یک شبیه سازی ۱۰ ثانیه ای است. پس از ۱۰۰ نسل، بهترین پارامترها یافت می شوند.
نسخه های پیشرفته تر مانند الگوریتم ژنتیک با مرتب سازی نامغلوب (NSGA-II) برای بهینه سازی چندهدفه (مثلا همزمان کاهش خطا و کاهش مصرف انرژی) استفاده می شوند.
