遗传算法辨识的优缺点

遗传算法作为其一种新兴的优化算法，它是建立在自然选择和种群遗传的基础上，模拟自然界“物竞天择，适者生存”的进化过程，在问题空间进行全局并行的、随机的搜索优化，使种群向全局最优的方向收敛。由于其具有不受函数性质制约、全方位搜索及全局收敛等许多优点，在各学科各领域普遍受到重视，应用领域也日益广泛。

相对于传统的模型辨识方法，遗传算法具有鲁棒性、全局性、易于应用且效率高等优势。一般来说，它只需要代价函数或目标函数值，不必计算复杂函数的梯度，不需要复杂的数学计算，优化过程简单。遗传算法用于系统辨识有如下优势：

(1)即使没有足够的激励数据，它也能在现有条件下实现参数的最佳估计；

(2)数据或参数偶然出现突变或毛刺及系统有白噪声甚至是有色噪声，遗传算法对它们不敏感；

(3)稳态条件下的数据对基于遗传算法的辨识算法不产生影响；

(4)容易估计线性不可分的参数；

(5)容易辨识纯延时和模型结构。当然，不可避免的遗传算法也存在缺陷，例如，种群进化过程中，取得优化结果的

时间较长；局部搜索能力差，收敛慢；搜索空间的确定依赖于定性分析甚至是依赖于以往的经验。

但是，考虑到模型辨识问题可以转化为各种约束条件的优化问题，因而，十分便于遗传算法在模型辨识问题中的应用