遗传算法是一种进化计算技术,也是一种基于迭代的工具。系统初始化为一组随机解,通过迭代搜寻最优值。目前遗传算法已广泛应用于函数优化、神经网络训练、模糊系统控制以及其他应用领域,并显示出其在求解复杂问题方面的优越性。本文针对简单遗传算法在应用过程中所存在的结果常常陷入局部最优、编码方式存在解码误差、收敛速度慢等缺点,将简单遗传算法进行了改进。本文将递阶遗传算法的交叉和变异方式进行改进,采用改进的自适应交叉、变异方式进行寻优,这种改进的自适应递阶遗传算法具有更好的收敛精度和更快的收敛速度。然后本文根据改进的自适应递阶遗传算法和径向基神经网络的特点,将改进的自适应递阶遗传算法和正交最小二乘法结合起来确定径向基神经网络的结构和参数,分别用改进的自适应递阶遗传算法确定径向基神经网络的隐含层节点数目、中心和宽度;用正交最小二乘法确定径向基神经网络的输出层权值。将改进的自适应递阶遗传算法与正交最小二乘法相结合,形成改进的混合自适应递阶遗传算法。采用改进的混合自适应递阶遗传算法训练径向基神经网络的结构及参数,这样既又保留了遗传算法的全局搜索能力,又加快了训练的收敛速度。然后本文以二级直线倒立摆模型为控制对象,首先阐述了倒立摆稳定控制的研究现状以及倒立摆的控制系统,利用Lagrange方程建立二级倒立摆的数学模型,并对其系统性能作了简要分析,利用线性二次型最优控制设计了控制器,通过仿真实现了稳定控制。最后,本文用改进的混合自适应递阶遗传算法的径向基神经网络的方法和简单遗传算法的径向基神经网络的方法分别对二级倒立摆的控制进行了仿真验证,并进行比较,表明改进的混合自适应递阶遗传算法的径向基神经网络方法的优越性。