基于遗传算法的PID参数整定.doc

摘要：研究自动控制器参数整定问题PID参数整定是自动控制领域研究的重要内容系统参数选择决定控制的稳定性和快速性也可保证系统的可靠性。传统的PID参数多采用试验加试凑的方式由人工进行优化往往费时而且难以满足控制的实时要求。为了解决控制参数优化改善系统性能提出一种遗传算法的PID参数整定策略。在本文里通过介绍了遗传算法的基本原理并针对简单遗传算法在PID控制中存在的问题进行了分析提出在不同情况下采用不同的变异概率的方法并对其进行了实验仿真。结果表明用遗传算法来整定PID参数可以提高优化性能对控制系统具有良好的控制精度、动态性能和鲁棒性。关键词：PID控制器;遗传算法;整定PID1引言传统的比例、积分、微分控制即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、积分和微分调节参数往往采用实验加试凑的方法由人工整定。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特性发生变化需要控制器参数作相应调整时PID控制器没有自适应能力只能依靠人工重新整定参数由于经验缺乏整定结果往往达不到最优值难以满足实际控制的要求。考虑生产过程的连续性以及参数整定费事费力这种整定实际很难进行。所以人们从工业生产实际需要出发基于常规PID控制器的基本原理对其进行了各种各样的改进。近年来许多学者提出了基于各种智能算法的PID整定策略如模糊PID神经元网络PID等…但这些先进算法都要求对被控对象有很多的先验知识在实际应用中往往难于做到。随着计算技术的发展遗传算法有了很大的发展。将遗传算法用于控制器参数整定已成为遗传算法的重要应用之一。本文介绍基于遗传算法的PID参数整定设计方法。这是一种寻求全局最优的控制器优化方法且无需对目标函数微分可提高参数优化效果简化计算过程。仿真实例表明该方法与其他传统寻优方法相比在优化效果上具有一定的优势。2遗传算法简介2.1遗传算法的基本原理遗传算法是JohnH．Holland根据生物进化的模型提出的一种优化算法。自然选择学说是进化论的中心内容。根据进化论生物的发展进化主要有三个原因：即遗传、变异和选择。遗传算法基于自然选择和基因遗传学原理的搜索方法将“优胜劣汰适者生存”的生物进化原理引入待优化参数形成的编码串群体中按照一定的适应度函数及一系列遗传操作对各个体进行筛选从而使适应度高的个体被保留下来组成新的群体；新群体包含上一代的大量信息并且引入了新的优于上一代的个体。这样周而复始群体中各个体适应度不断提高直至满足一定的极限条件。此时群体中适应度最高的个体即为待优化问题的最优解。遗传算法通过对参数空间编码并用随机选择作为工具来引导搜索过程朝着更高效的方向发展。正是由于遗传算法独特的工作原理使它能够在复杂空间进行全局优化搜索具有较强的鲁棒性。另外遗传算法对于搜索空问基本上不需要什么限制性的假设(如连续、可微及单峰等)。而其它优化算法如解析法往往只能得到局部最优解而非全局最优解且需要目标函数连续光滑及可微；枚举法虽然克服了这些缺点但计算效率太低对于一个实际问题常由于搜索空间太大而不能将所有情况都搜索到；即使很著名的动态规划法也遇到“指数爆炸”问题对于中等规模和适度复杂性的问题常常无能为力。2.2遗传算法的特点同常规优化算法相比遗传算法有以下特点：1)遗传算法是对参数的编码进行操作而不对参数本身。首先基于一个有限的字母表把最优化问题的自然参数集编码为有限长度的字符串。2)遗传算法是从许多点开始并行操作的而不局限于一点有效防止搜索过程收敛于局部最优解。3)遗传算法通过目标函数来计算适应度不需要其他推导和附加信息对问题的依赖性较小。4)遗传算法的寻优规则是由概率决定的而非确定性的。5)遗传算法在解空间进行高效启发式搜索而非盲目地穷举或完全随机搜索。6)遗传算法对于待寻优的函数基本无限制它不要求函数连续和可微可以是数学解析式所表达的显函数又可以是映射矩阵甚至是神经网络等隐函数因而应用范围较广。7)遗传算法具有并行计算的特点因而可以通过大规模并行计算来提高计算速度。8)遗传算法计算简单功能强更适合大规模复杂问题的优化。3遗传算法的基本操作3.1复制复制是从一个旧种群中选择生命力强的个体位串产生新种群的过程。根据位串的适配值拷贝也就是指具有高适配值的位串更有可能在下一代中产生一个或多个子孙。它模仿了自然现象应用了达尔文的适者生存理论。复制操作可以通过随机方法来实现。若用计算机程序来实现可考虑首先产生0~1之间均匀分布的随机数若某串的复制概率为40%则产生的随机数在0~0.40之间时该串被复制否则被淘汰。此外还可以通过计算方法实现其中较典型的几种方法为适应度比例法、期望值法、排位次序法等。适应度比例法较常用。3.2交叉复制操作能从旧种群中选择出优秀者但不能创