自适应混沌粒子群算法及在PID整定中的应用.docx

自适应混沌粒子群算法及在PID整定中的应用
摘要：
本文提出了一种基于自适应混沌粒子群算法的PID控制方法，并将其应用于控制系统中。该算法通过引入混沌搜索机制和自适应权值调整方法，优化了传统PID控制中的参数整定问题。实验结果表明，相比于传统PID控制和传统粒子群算法，自适应混沌粒子群算法在稳态误差和响应速度方面均取得了较好的效果。
关键词：自适应混沌粒子群算法、PID控制、参数整定、控制性能
一、引言
PID控制是目前应用最广泛的控制方法之一。然而，在实际应用中，PID控制需要对参数进行适当的调整，以保证系统的稳定性和性能。传统的PID参数整定方法主要以试误法为主，需要耗费大量的时间和精力。近年来，随着智能优化算法的发展，针对PID控制参数整定问题出现了一系列的优化算法，如遗传算法、模拟退火算法、粒子群算法等。
其中，粒子群算法（PSO）是一种基于群体智能的优化算法，其基本思想是通过模拟自然界中鸟群觅食的行为，在解空间中寻找最优解。PSO算法具有收敛速度较快、易于实现等优点，因此被广泛应用于各类优化问题中。
然而，传统的PSO算法容易陷入局部最优解，同时其搜索空间过大、惯性权重的选择难以协调并行性与全局搜索性能等问题也制约了其在控制系统中的应用。因此，有必要对PSO算法进行改进和优化，以提高其在求解PID控制中的实际效果。
二、相关工作
2.1PSO算法
PSO算法由Eberhart和Kennedy于1995年提出，它的基本思想是通过模拟群体智能，寻找最优解。在PSO算法中，将每个解看作一个“粒子”，并根据粒子在解空间中的位置与速度进行迭代更新，从而让所有粒子向着全局最优解靠近。
具体来说，PSO算法的迭代公式如下：
v_ij^(t+1)=wv_ij^t+c1r1(p_ij-x_ij^t)+c2r2(g_ij-x_ij^t)
x_ij^(t+1)=x_ij^t+v_ij^(t+1)
其中，v_ij^t是第t时刻粒子i的速度，x_ij^t是第t时刻粒子i的位置，p_ij表示粒子i自己的历史最优位置，g_ij表示当前整个种群中的最优位置，r1、r2均为0~1之间的随机数，c1、c2为学习因子，w为惯性权重。粒子速度的更新公式中，第一项代表粒子的惯性，第二、三项为线性组合的位置差距。
2.2PSO算法的改进
近年来，针对PSO算法在求解PID参数整定问题中存在的局限，很多研究者提出了各种改进算法，以提高其在实际应用中的效果。主要包括以下几个方面：
1）混沌搜索机制
混沌搜索机制是指将混沌理论引入优化算法，使得算法的搜索能力更强，更易于跳出局部最优解。目前，PSO算法结合混沌搜索机制的方法已经成为改进PSO算法的一个重要方向。
2）自适应权值调整
传统PSO算法中，惯性权重w是一个重要的调节参数，它决定了算法的全局搜索性能和本地搜索性能之间的平衡。但是，如何选择惯性权重仍然是一个困难的问题。因此，一些研究者提出了自适应权值调整的方法，使得算法具有更好的自适应性和鲁棒性。
3）多目标PSO算法
多目标PSO算法是指在PSO算法中引入多个优化目标，以逼近多个最优解点。它的应用范围更广，但同时也更加复杂。
三、自适应混沌粒子群算法
在本文中，我们提出了一种基于自适应权值调整和混沌搜索机制的自适应混沌粒子群算法（AdaptiveChaoticParticleSwarmOptimization，ACPSO）。
其中，自适应权值调整的方法是基于粒子群算法中智能权重的思想。具体来说，根据粒子的历史信息和全局信息，通过一定的聚类方法确定最优的智能权重，以提高算法的搜索性能。同时，考虑到不同维度的权重可能存在巨大差异，在计算相应的位置和速度时需要进行特殊处理。
混沌搜索机制的方法是基于混沌理论中的Lorenz方程。具体而言，将Lorenz方程的运动轨迹当作粒子的位置，根据随机数以一定的策略进行迭代加权。相比于传统PSO算法，混沌搜索机制具有更好的全局搜索能力，并且可以保证搜索轨迹的多样性。
综合考虑到两种算法的优点，我们将其进行了融合，得到了自适应混沌粒子群算法（ACPSO）。具体地，ACPSO的算法流程如下：
1）初始化粒子的位置和速度；
2）根据混沌搜索机制和自适应权值调整方法计算每个粒子的新位置和速度；
3）根据每个粒子的新位置和速度更新相应的历史最优位置和全局最优位置；
4）当满足终止条件时，输出最优解；否则返回步骤2。
四、在PID控制中的应用
为了验证自适应混沌粒子群算法的有效性，在本文中我们将其应用于传统PID控制中，并且与传统PID控制及传统粒子群算法进行了比较。
实验的控制对象为一个二阶超调系统，其中PID控制器的传递函数为：
其中，Kp、Ki、Kd分别为比例、积分、微分系数。实验参数如下：
Kp=0.5，Ki=0.5，Kd=0.5