1.遗传算法优化加热炉温度的分数阶预测函数控制方法，其特征在于该方法包括以下步骤：步骤1、建立工业加热炉对象的分数阶线性模型，具体是：步骤1.1采集加热炉实际过程的实时输入输出数据，利用该数据建立被控对象在时刻t的分数阶微分方程模型，形式如下：其中，α1,α2为微分阶次，c0,c1,c2为相应的系数，y(t),u(t)分别为过程的输出和输入；

步骤1.2根据分数阶微积分定义，对步骤1.1中的模型进行拉氏变换，得到被控对象的传递函数形式如下：其中，s为复变量；

步骤1.3由Oustaloup近似方法得到微分算子sα的近似表达形式如下：其中，α为分数阶微分阶次，0<α<1，N为选定的近似阶次，wb和wh分别为选定的拟合频率的

下限和上限；

步骤1.4根据步骤1.3中的方法，将步骤1.2中的分数阶系统近似为整数阶高阶系统模型，对得到的整数阶高阶模型在采样时间Ts下加零阶保持器离散化，得到如下形式的模型：其中，Fj,Hj均为离散近似后得到的系数，Ls为离散模型的长度，j＝1,2,…Ls；

步骤2、设计加热炉对象的分数阶预测函数控制器，具体如下：步骤2.1计算被控对象在预测函数控制下的i步预测输出，形式如下：其中，P为预测时域，y(k+i)为k+i时刻过程的预测模型输出，i＝1,2,…P；

步骤2.2对步骤2.1中的式子进行整理变换，得到如下模型：AY＝BYpast+Cu(k)+DUpast其中，

T

Y＝[y(k+1),y(k+2),…,y(k+P)]Ypast＝[y(k),y(k-1),…,y(k-Ls+1)]TUpast＝[u(k-1),u(k-2),…,u(k-Ls+1)]T其中，T为转置符号；结合上述式子，得到被控对象的预测输出模型为：其中，

步骤2.3修正当前时刻被控对象的预测输出模型，得到修正后的对象模型，形式如下：E＝[e(k+1),e(k+2),…,e(k+P)]Te(k+i)＝yp(k)-y(k),i＝1,2,…P其中，yp(k)是k时刻被控对象的实际输出值，e(k+i)为k+i时刻被控对象在k时刻的实际输出值与k时刻模型预测输出的差值；

步骤2.4选取预测函数控制方法的参考轨迹yr(k+i)和目标函数JFPFC，其形式如下：其中，yr(k+i)为k+i时刻的参考轨迹，λ为参考轨迹的柔化系数，c(k)为k时刻的设定值，表示函数f(t)在[t1,t2]上的γ次积分，D为微分符号；

依据 -Letnikov分数阶微积分定义，对上述目标函数在采样时间TS进行离散化，得到：其中，

Yr＝[yr(k+1),yr(k+2),…yr(k+P)]TΛ(TS,γ)＝TSdiag(mP-1,mP-2,…,m1,m0)时， 对

步骤2.5依据步骤2.4中的目标函数求解过程输入的最优值，即最优控制律，形式如下：步骤2.6在k+L时刻，L＝1,2,3,…,依照步骤2.1到步骤2.5中的步骤依次循环求解分数阶预测函数控制器的控制量u(k+1)，再将其作用于被控对象；

步骤3、基于遗传算法优化最优控制律中的λ，具体是：步骤3.1首先使用四位二进制进行二进制编码，得到第一代染色体；

步骤3.2选取遗传算法的适应度函数，并计算个体的适应度值，形式如下：其中，F是个体的适应度函数；当适应度函数值大于适应度预设值fz时，遗传算法终止；

步骤3.3利用轮转法来确定选择算子，形式如下：其中，P(Cl)是个体Cl的选择概率，f(Cl)是个体Cl的适应度；

步骤3.4利用步骤3.3中的选择算子将染色体适应度较高的个体选择出来以交叉概率pc进行交叉操作，产生下一代个体；

步骤3.5选取合适的变异算子，形式如下：其中，a0表示变异概率pm的初始值，b0是变异概率的程度，g是进化的代数，g0是变异概率改变很大的进化代数，a是变异速率；

步骤3.6在个体数目大于种群规模N时，得到剪接算子，形式如下：其中，ρ取正数；

步骤3.7依照步骤3.2计算每个个体的适应度值，并判断是否满足终止条件，如果满足，则为参数的最优解，进行下一步操作，如果不满足，则执行步骤3.2到步骤3.6，直到找到满足终止条件为止；

步骤3.8对染色体进行解码，形式如下：其中，Q是长度为L的二进制解码产生的整数，xj,min和xj,max分别为输入变量的最小值和最大值，wmax是高斯函数的基宽的最大值；

通过步骤3优化后带入步骤2中调整微分算子参数，在下一时刻依照步骤1到步骤3的步骤继续对实际过程进行控制，依次循环。