基于遗传算法的PID参数整定与优化
基于遗传算法的PID参数整定与优化
福建电脑２０１４年第２期课题来源：徐州工程学院“江苏省大学生创新创业训练计划项目（创新类）”，编号XCX13095，名称基于遗传算法的PID 参数整定。
０．引言PID 控制是最早发展起来的控制策略之一，由于其算法简单、鲁棒性好和可靠性高，被广泛应用于过程控制和运动控制中，尤其适用于可建立精确数学模型的确定性控制系统中。
在PID 控制中，控制效果的好坏完全取决与PID 参数的整定与优化。
目前，PID 参数整定与优化方法有很多，如Z-N 法、继电型自整定法、最优设计法及梯度法、单纯形法。
前几种整定方法带有经验性并且不是最优解，梯度法和单纯形法极易陷入局部最优点。
因此可采用遗传算法进行参数寻优，该方法是一种不需要任何初始信息并可以寻求全局最优解的高效优化组合方法。
１．遗传算法遗传算法，是由美国的J.H.Holland 提出的一种模仿生物进化过程的最优化方法。
是以自然选择与遗传理论为基础，将生物进化过程中适者生存与群体内部染色体的随机信息交换机制相结合的全局搜索算法。
近年来，人们把它应用于学习、优化、自适应等问题中。
在优化问题中，遗传算法过程简述如下。
首先在解空间中取一群点(基因群)，作为遗传开始的第一代。
每个点(基因)用一个二进制的数字串表示，其优劣程度用一个适应度函数来衡量。
适应度函数值小，表明那个点(基因)好，容易在遗传中生存下去。
在向下一代遗传演变中，前一代中的每个数字串根据由其适应度函数值决定的概率被复制到配对池中。
好的数字串以高的概率被复制下来，劣的数字串被淘汰掉。
然后将配对池中的数字串任意配对，并对每一对数字串进行交叉操作，产生新的子孙(数字串)。
最后对新的数字串的某一位进行变异。
这样就产生了新的一代。
按照同样的方法，经过数代的遗传演变后，在最后一代中得到全局最优解或近似最优解。
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，而非对参数本身。
遗传算法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。
用遗传算法实现PID参数整定
控制理论与应用Control Theory and Applications《自动化技术与应用》2004年第23卷第7期用遗传算法实现PID 参数整定万佑红1,李新华2(1.南京邮电学院电子工程系,江苏 南京 210003; 2.安徽大学电子工程系,安徽 合肥 230001)摘要:PI D 参数整定一直是控制领域中的重要研究问题。
本文在M AT LAB 平台上将遗传算法应用于PI D 参数的自动整定,算法实例仿真取得了良好的效果,为PI D 参数整定方法提供了一种新的尝试。
关键词:PI D 参数;遗传算法中图分类号:TP27312 文献标识码:A 文章编号:100327241(2004)0720007202PID Tu nin g Bas e d O n Ge netic Alg orit h m sWAN You -hong 1,LI Xin -hua 2(1.E lectronics Department of Nanjing University of P osting T echnology ,Nanjing 210003,China ;2.E lectronics Department of AnHui University ,Hefei 230001,China )Abstract :A new method to s olve the tuning of PI D paramrters is proposed in this paper.I t is showed that g ood control effect can be obtained by usingG enetic Alg orithms (G A ).K ey w ords :PI D paramrters ;G A1 引言PI D 控制无需知道被控对象的数学模型,算法简单,鲁棒性好且可靠性高,因此成为一种获得广泛应用的控制策略。
基于遗传算法的PID控制器参数优化
基于遗传算法的PID控制器参数优化基于遗传算法的PID控制器参数优化是一种智能化调节方法，通过遗传算法的优化过程，可以自动得到最佳的PID参数组合，并实现对控制系统的自动调节。
以下将详细介绍基于遗传算法的PID控制器参数优化的原理、步骤和应用情况。
一、基于遗传算法的PID控制器参数优化原理遗传算法是一种模拟自然选择和遗传的数学模型，通过模拟生物进化的过程，利用优胜劣汰的原则逐步优化求解问题。
在PID控制器参数优化中，可以将PID参数看作个体（染色体），通过遗传算法的选择、交叉和变异等操作，不断优化个体的适应度，最终得到最佳的PID参数组合。
二、基于遗传算法的PID控制器参数优化步骤（1）初始化种群：随机生成一组PID参数作为初始种群，设置种群大小和迭代次数。
（2）适应度函数定义：根据所需控制效果，定义适应度函数来评估每个个体的优劣程度。
（3）选择操作：根据适应度函数的值选择优秀的个体，采用轮盘赌等选择策略，将优秀的个体复制并加入下一代种群中。
（4）交叉操作：从选择的个体中，选取两个个体进行交叉操作，通过交叉操作生成新的个体，并加入下一代种群中。
（5）变异操作：对下一代种群中的一些个体进行变异操作，改变其染色体的一些位，以保持种群的多样性。
（6）重复上述步骤：迭代执行选择、交叉和变异操作，直到达到预定的迭代次数或找到满意的PID参数组合。
（7）输出最佳解：最终输出具有最佳适应度的PID参数组合，作为优化后的参数。
三、基于遗传算法的PID控制器参数优化应用情况（1）机械控制系统：如电机驱动、自动化装配线等，通过优化PID 参数可以提高系统的控制精度和动态性能。
（2）能源系统：如电力系统、风力发电等，通过优化PID参数可以实现能源的高效利用和稳定运行。
（3）化工过程控制：如温度控制、压力控制等，通过优化PID参数可以提高产品质量和生产效率。
（4）交通管理系统：如城市交通信号控制、车辆行驶控制等，通过优化PID参数可以实现交通流畅和事故减少。
基于遗传算法的PID整定
PID控制是工业过程控制中应用最广的策略之一，因此PID控制器参数的优化成为人们关注的问题，它直接影响控制效果的好坏，并和系统的安全、经济运行有着密不可分的关系。
目前PID参数的优化方法有很多，如间接寻优法、梯度法、爬山法等，而在热工系统中单纯形法专家整定法则应用较广。
虽然这些方法都具有良好的寻优特性，但存在着一些弊端，单纯形法对初值比较敏感，容易陷入局部最优化解，造成寻优失败。
专家整定法则需要太多的经验，不同的目标函数对应不同的经验，而整理知识库则是一项长时间的工程。
因此我们选取了遗传算法来进行参数寻优，该方法是一种不需要任何初始信息并可以寻求全局最优解的、高效的优化组合方法。
采用遗传算法进行PID三个系数的整定，具有以下优点：（1）与单纯形法相比，遗传算法同样具有良好的寻优特性，且克服了单纯形法参数初值的敏感性。
在初始条件选择不当的情况下，遗传算法在不需要给出调节器初始参数的情况下，仍能寻找到合适的参数，使控制目标满足要求。
同时单纯形法难以解决多值函数问题以及在多参数寻优（串级系统）中，容易造成寻优失败或时间过长，而遗传算法的特性决定了它能很好地客服以上问题。
（2）与专家整定相比，它具有操作方便、速度快的优点，不需要复杂的规则，只通过字串进行简单地复制、交叉、变异，便可达到寻优。
避免了专家整定法中前期大量的知识库整理工作及大量的仿真实验。
（3）遗传算法是从许多点开始并行操作，在解空间进行高效启发式搜索，克服了从单点出发的弊端及搜索的盲目性，从而使寻优速度更快，避免了过早陷入局部最优解。
（4）遗传算法不仅适用于单目标寻优，而且也适用于多目标寻优，根据不同的控制系统，针对一个或多个目标，遗传算法均能在规定的范围内寻找到合适参数。
遗传算法作为一种全局优化算法，得到越来越广泛的应用。
近年来，遗传算法在控制上的应用日益增多。
二、基于遗传算法的PID整定原理1、参数的确定及表示首先确定参数范围，该范围一般是由用户给定，然后由精度的要求，对其进行编码。
基于遗传算法的pid参数整定 (2)
反馈是一个非常有用的概念。
反馈控制的使用常常带来革命性的结品控制器采用的是引入微分增益的实际PID 控制算法，其传递函数形式果，极大地改善了控制性能。
PID 控制是到目前为止实际使用中最主要的反馈控制形式。
PID 控制是比例积分微分控制的简称。
积分、比例和微分反馈分别基于过去（I ）、现在（P ）和将来（D ）的控制偏差。
在生产过程自动控制的发展历程中，PID 控制是历史最久、生命力最强的基本控制方式。
PID 控制器的传统整定方法，如Ziegler-Nichols （Z-N ）法、响应曲线法、临界比例法、继电型自整定法、单纯形法等，或是依赖于对象模型，或是易于陷入局部极小，均存在一定的应用局限性，且难以实现高性能的整定效果，常常超调较大、调整时间较长、误差指标过大等。
近年来，遗传算法作为一种新兴的优化和自学习算法在控制工程中逐渐受到重简单来说，PID 控制器各校正环节的作用是：视，它是一种基于生物进化论的并行搜索算法，搜索空间大，通过设计合1）比例环节：成比例地反映控制系统的偏差信号，偏差一旦产生，适的算法参数和策略能够避免陷入局部最小。
由于其独到的解决问题的能控制器立即产生控制作用，以减小偏差；力，其应用已渗透到控制领域诸多方面（系统辨识和模型降阶、最优控2）积分环节：主要用于消除静差。
积分作用的强弱取决于积分时间制、线性和非线性控制、滑模控制、鲁棒控制、模糊逻辑控制、神经网络控制和自适应控制等）。
3）微分环节：反映偏差信号的变化趋势（变化速率），并能在偏差信号变得太大之前，在系统中引入一个有效的早期修正信号，从而加快系1 PID控制器原理统的动作速度，减少调节时间。
PID 控制是一种负反馈控制。
其反馈控制原理图如图1所示。
2 基于遗传算法的PID参数整定遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法。
随着火电机组单机容量和参数的不断提高，系统变得日趋复杂，热工过程越来越表现出非线性、慢时变、大迟滞、强耦合性和不确定性，这对热工过程自动控制系统则提出了更高的要求，传统的PID 控制已经无法满足这种要求，必须采用先进的控制策略进行优化控制。
基于遗传算法的PID控制器参数优化
基于遗传算法的PID控制器参数优化遗传算法是一种模拟生物进化过程的智能算法，适用于解决优化问题。
在PID控制器设计中，参数的选择对控制系统的性能和稳定性有很大影响。
使用遗传算法对PID控制器参数进行优化，能够自动找到最优参数组合，提高系统的控制性能。
PID控制器由比例（P）、积分（I）、微分（D）三个部分组成，其输出是通过对误差的线性组合得到的。
参数的选择直接影响控制器的稳定性、动态响应和抗干扰能力。
传统的方法通常是通过试错法进行参数整定，这种方法的缺点是效率低、调试过程繁琐且容易出错。
遗传算法是一种模拟自然界进化过程的智能优化算法，其中每个个体代表一组可能的参数，通过适应度函数来衡量个体的适应度，并选择适应度较高的个体进行遗传和变异操作，最终找到适应度最优的个体。
将遗传算法应用于PID控制器参数优化的步骤如下：1.确定优化目标：通过设置适应度函数来度量控制系统的性能指标，如超调量、调整时间和稳定性。
2.初始化种群：随机生成一组初始参数作为初始种群，并利用适应度函数来评估每个个体的适应度。
3.选择操作：根据适应度选择一部分适应度较高的个体作为父代，通过选择操作进行选择。
4.交叉操作：将选中的父代进行交叉操作，生成新的子代个体。
5.变异操作：对子代进行变异操作，引入新的个体差异。
6.评估适应度：利用适应度函数评估新生成的子代个体的适应度。
7.判断终止条件：判断是否满足终止条件，如达到最大迭代次数或找到满足条件的解。
8.更新种群：根据选择、交叉和变异操作的结果，更新种群。
9.重复步骤3-8，直到满足终止条件。
10.输出最优解：输出适应度最好的个体参数作为PID控制器的优化参数。
使用遗传算法进行PID控制器参数优化有如下优点：1.自动化：遗传算法能够自动寻找最优参数组合，减少了人工试错的过程。
2.全局：遗传算法具有全局的能力，能够参数空间的各个角落，找到更好的解决方案。
3.鲁棒性：遗传算法能够处理多变量、多模态和不连续的问题，具有较好的鲁棒性。
基于遗传算法的PID控制器参数优化与仿真研究
分别介绍比例调节器、积分调节器、微分调节器的作用[3]
1)比例调节器：比例调节器对偏差是即时反应的，偏差一旦出现，调节器立即产生控制作用，使输出量朝减小偏差的方向变化，控制作用的强弱取决于比例系数Kp。比例调节器虽然简单快速，但是对系统的响应存在静差。可通过增大Kp值来减小稳定误差并提高系统的动态稳定速度，但是如果取值过大,将可能导致系统不稳定；太小会导致控制精度降低,响应速度减慢,系统的物理特性变坏。
2
PID控制器是一种线性调节器，这种调节器是将系统的给定值r与实际输出值y构成的控制偏差 的比例、积分、微分，通过线性组合构成控制量，所以简称PID控制器。
连续控制系统中的模拟PID控制规律为
(2-1)
式中Kp—比例系数
Ti—积分时间常数
TD—微分时间常数
将上面式子换成传递函数形式, 得：
(2-2)
KEY WORDS：PID control；Genetic algorithm；Parameter optimization；Matlab simulation
0 前言
PID控制是过程控制中广泛应用的一种控制方法。比例、积分、微分的组合决定了PID控制效果，决定了系统能否高效可靠地运行。PID参数整定方法随着PID的大量应用也不断更新。工程上经常使用工程整定法、反应曲线法等，在按照经验公式整定出参数后只需微调即可获得满意的控制性能。但是随着控制要求的不断提高，被控对象越来越复杂，使用常规PID整定方法整定PID参数难以取得令人满意效果，因此PID控制器参数的优化成为人们关注的问题, 它直接影响控制效果的好坏, 并和系统的安全、经济运行有着密不可分的关系。因此，有效的PID参数优化方法已成为迫切的需要。
基于改进遗传算法的PID参数整定策略
第32卷第2期2005年北京化工大学学报JOURNAL OF BEI J IN G UN IV ERSIT Y OF CHEMICAL TECHNOLO GYVol.32,No.22005基于改进遗传算法的PID 参数整定策略宋洪法1 靳其兵1 赵 梅2(1.北京化工大学信息科学与技术学院,北京 100029;2.苏州科技学院电子系,江苏苏州 215011)摘 要:针对简单遗传算法(SG A )收敛速度慢、易于早熟等缺点,在前人研究成果的基础上,提出动态调整搜索空间策略,对遗传算法进行多步渐进搜索。
并采用改进的自适应交叉算子和自适应变异算子,结合兼顾性能指标和响应过程平衡的适配函数,以多种改进方式相结合的遗传算法对PID 参数进行迭代寻优整定。
仿真结果表明:当被控对象存在较大纯滞后、时间常数特性时,采用本方法优化PID 控制器参数可获得比较满意的调节效果。
关键词:遗传算法;自适应交叉;早熟;PID 参数整定中图分类号:TP273收稿日期:2004205206基金项目:中国石化总公司资助项目(X503014);中国石油天然气集团公司资助项目(03E7042)第一作者:男,1981年生,硕士生E 2mail :songhongfa @ 目前PID 参数整定方法主要有两种,一种是经验整定法,另一种是智能整定方法[1]。
前者算法简单,容易实现,但缺乏灵活性;后者具有很强的自适应能力,但算法比较复杂,无法满足现场的快速响应要求。
因此,既要有自适应能力又要求算法相对简单的PID 自整定技术成为控制界学者研究的努力方向。
简单遗传算法(SG A )已被证明不能收敛到全局最优解[2]。
文献[326]对自适应交叉和变异概率作了一定分析;文献[7]给出了遗传算法适配函数的一般构造原则以及遗传算法的自适应机制。
本文在综合考虑上述研究成果的同时,分析发现:遗传算法的初值给定范围与其搜索效率有很大的关系,即搜索初值越接近最优值,搜索范围越小,遗传算法的搜索效率就越高。
遗传算法对数字PID参数整定
摘要本文使用的是遗传算法对PID控制器参数的整定，PID控制器是过程控制中应用最为广泛的控制方法，PID控制理论成熟、算法简单、鲁棒性好、可靠性高。
控制器参数的选择决定了控制的稳定性和快速性，关乎系统的可靠性。
因此，PID 控制器参数整定问题是自动控制领域研究的一个重要内容。
实际工业生产过程往往具有非线性、时变性，人工试凑的参数整定方法往往整定不良、性能不佳，对运行工况的适应性很差。
本文基于遗传算法对数字PID控制器进行参数整定，可以提高优化性能，缩短整定时间。
关键词：数字PID控制器；参数整定；遗传算法；二次性能指标1引言PID控制作为比较成熟的控制技术广泛应用于工业生产过程，目前绝大多数底层控制都采用PID控制器。
实际应用中控制器的参数往往采用实验试凑的方法人工整定，该方法往往整定不良、性能不佳，而且对运行工况的适应性很差。
近年来随着计算机技术的广泛应用，人工智能算法PID整定策略发展迅速，如模糊PID、专家PID、神经元网络PID以及遗传算法等。
这些算法能够实现提高优化性能，缩短整定时间，实际应用方便的控制目标。
2PID控制器PID控制器是将偏差的比例(P)、积分(I)、微分(D)通过线性组合构成控制量，对被控对象进行控制的。
模拟PID控制的系统原理图如图1所示。
图1. 模拟PID 控制的系统原理图模拟PID 控制规律为位置式：()()()()01=++tp DI de t u t k e t e t dt T T dt ⎡⎤⎢⎥⎣⎦⎰（1） 当系统采样周期为T 时，对上式离散化处理，可得到离散位置式PID 控制表达式：()()()()()=1--1=++kp i dj e k e k u k k e k k e j T k T ∑（2） 式中=/i p I k k T ，=d p D k k T 。
增量式PID 控制表达式可以表示为：()()()=-1+u k u k u k ∆（3）()()()()()()()()()=--1++-2-1+-2p i d u k k e k e k k e k k e k e k e k ∆（4）3 遗传算法遗传算法（Genetic Algorithm ）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，将达尔文生物进化理论引入参数寻优之中，适应度高的个体越容易被保留，经过若干代数遗传操作，种群各个体的适应度不断提高，直至满足一定的极限条件，获得优化问题最优解。
基于遗传算法的PID整定与优化
Ｇ１ （ ｓ ） ＝
＝Ｖ・ Ｃ×３ ５ ４ ． ５ ／ １ ０ ０ ０
副回路采用 Ｐ Ｉ控制 ，按标准 Ｉ Ｔ Ａ Ｅ准 则 ［ ቤተ መጻሕፍቲ ባይዱ 】 ，其控制规律为：
Ｇｃ ２ ＝５
整定并优化主回路中的主控制器 Ｐ Ｉ Ｄ 参 数。 采样周期为 １ ｓ ，群体基因数为 ５ Ｏ ，交叉 概率为 ０ ． ９ Ｏ ，变异 概 率为 ０ ． ０ ０ １ ， 采 用 单 位 阶 跃 信 号 作 为 系 统 主 给 定 信 号 ，迭 代 终 止 条 件 ： 迭 代次数为 １ ０ ０次；同时迭代 中两次的最小适 度值差小于 ４ ０ ０ 。
引 言
由于 Ｐ Ｉ Ｄ 控制 规律具有算法简单、鲁棒 性好和 可靠 性高等优 点，因此过程控 制中采 用最多的依然是 Ｐ Ｉ Ｄ方式 。 Ｐ Ｉ Ｄ参数整定与优 化 的方 法 有 很 多 ， 工 程 上 整 定 方 法 有 衰 减 曲 线 法 、Ｚ － Ｎ法， Ｉ Ｓ Ｔ Ｅ最 优 设定 方 法 、快 速 整 定 和继 电法等 ，在参数优 化过程 中多采 用梯度 法，单纯形法和智能方法。 衰减 曲线法、ｚ —Ｎ法和快速 整定法是经 验 的总结不是最优 解，继 电法会使 被控系统 振 荡，而优化 中的梯度法需要对 目标函数微 分，同时梯度 法与单纯形法会 陷入局部最优 点，而 Ｉ Ｓ Ｔ Ｅ最优设定方法和智能方法是针对 类 特定被控对象 的。本文采用 遗传算法进 行 Ｐ Ｉ Ｄ 参数整定与优化 ，这是一种寻 求全局 最优 的优化方法 ，无需对 目标函数微分。 １ 、 遗 传算 法 遗传 算 法 简称 ＧＡ （ Ｇｅ ｎ ｅ ｔ ｉ ｃ Ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍｓ ） 是１ ９ ６ ２年 由美国 Ｍｉ ｃ ｈ ｉ ｇ ａ ｎ大 学的 Ｈｏ ｌ ｌ ａ ｎ ｄ教 授提 出的模拟 自然界遗传机制 和生物进化论 而成 的一种 并行 随机搜索寻优方法【 １ ］ 。它将 “ 优胜劣汰 ，适者生存 ”的生物进化 原理引 入优化参数 形成的编码 串联群体 中，按 所选 择 的适应值 函数并通过遗 传中的复制 、交叉 及变异对个 体进行筛选 ，使适应值 高的个体 被保 留下来，组成新 的的群体 ，新 的群体既 继承 了上 一代的信息 ，又优于上一代 。这样 周而 复始，群体 中个体 适应度不断提 高，直 到满足 一定的条件 。其 算法简单 ，可 并行处 理 ，能 得 到 全 局 最 优解 。 ＧＡ 寻优 的 一些 遗 传 操 作 ： １ 、染色体 （ 基因组、个体） 染 色体即 问题解答 的二进制 串或十进制 串表 示 ，对 应 地 有 二进 制编 码 和 实数 编 码 。 二进制 编码 ：把变 量或参数用 二进制 串 表示 ，串长 由要求的计算精度决定。 实数编码 ：直接 用原始变量 或参数构成 染色 体 。 把 表示几个参数 （ 变量 ）的子 串拼成一 条染 色 体 。 ２ 、产生初始种群 计 算机产生参数 或变量可 能取 值范围 内 的 随机 数 ，Ｎ 个 个 体 随机 组成 初 始 种 群 。 ３ 、计算各个个体的适应值 ｆ ｉ 适 应 值 函 数 依 问 题 而 定 ， 可 以 是 商 业 利 润，对于成败 ，神经网络 的期 望输 出与实 际 输 出的均方差 ，或其他 目标函数表 示。 ４ 、判 断进 化 可 否 结 束 ＧＡ 的收敛判据常用由两种方 法：１ 、是 从解 的质量考虑 ，若连续若干代 得到 的最好 解不 变 ， 则认为收敛 ，停止进化 ：２ 、是进化了足 够代数之后认 为收敛 ，以其最 后最优结果 为 所求解 。否则继续进行进化。 ５ 、选 择 （ Ｓ ｅ ｌ ｅ ｃ ｔ ｉ ｏ ｎ ） ：根 据 各 个 个 体 的适 应 度 ， 按 照 一 定 的 规 则 或 方 法 ，从 第 ｔ代 群 体 Ｐ （ ｔ ） 中选 择 出一些优 良的个体遗 传到 下～代 Ｐ （ 什１ ） 中。 ６ 、交叉（ Ｃ ｒ ｏ ｓ ｓ ｏ ｖ ｅ ｒ ） ： 将群体 Ｐ ｆ ｔ ） 内的各 个
遗传算法在PID控制中的应用
遗传算法在PID控制中的应用随着现代工业的发展，自动控制系统在生产过程中扮演着至关重要的角色。
PID（比例-积分-微分）控制是一种常用的自动控制算法，它通过不断调整控制器的参数，使得系统的输出能够准确地跟踪给定的参考值。
然而，在某些复杂的非线性系统中，传统的PID控制方法往往无法获得令人满意的性能。
为了解决这一问题，研究人员引入了遗传算法作为PID控制器参数优化的工具。
遗传算法是一种模拟生物进化过程的优化算法，通过模拟自然选择、交叉和变异等过程，寻找控制器参数的最优解。
遗传算法的应用步骤如下：首先，设定控制器参数的初始种群。
然后，根据设定的适应度函数，对每个个体进行评估和排序。
接下来，通过选择、交叉和变异运算，产生新一代的个体。
最后，重复上述步骤，直到满足停止准则。
相比于传统的试错法，遗传算法具有以下优势。
首先，遗传算法能够在大范围的参数空间中搜索最优解，从而更好地适应非线性系统的复杂性。
其次，遗传算法能够避免陷入局部最优解的问题，提高了全局搜索的能力。
此外，遗传算法还能够通过自适应机制，自动调整参数的交叉和变异概率，提高了搜索的效率。
然而，遗传算法在PID控制中的应用也存在一些挑战和限制。
首先，由于遗传算法的搜索过程需要大量的计算资源，因此在实时性要求高的控制系统中应用相对困难。
其次，遗传算法需要根据具体的系统特点设计适应度函数和参数范围，这需要一定的经验和专业知识。
总的来说，遗传算法在PID控制中的应用为解决复杂非线性系统的控制问题提供了一种有效的方法。
通过优化控制器参数，遗传算法能够提高系统的响应速度、稳定性和鲁棒性。
然而，为了更好地应用遗传算法，研究人员还需要进一步研究和探索，以解决其在实时性和参数选择上的限制。
基于遗传算法对PID控制器参数的整定
2.2 适配函数的确定
为了获取满意的过渡过程动态特性，采用误差绝对值时 间积分性能指标作为系统控制参数选择的最小目标函数；为 了防止控制能量过大，在目标函数中加入控制输入的平方项， 同时为了避免超调，设置惩罚函数功能，即如果产生超调， 将超调量作为最优指标其中的一项。系统对以上控制目标的 实现具体描述为：
1 PID 控制简介
PID 控制器是一种线性控制器，它根据给定值 r（t）与
实际输出值 y（t）构成控制偏差 e（t）：
e（t）=r（t）-y（t）
（1）
将偏差的比例（P）、积分（I）和微分（D）通过线性
组合构成控制量，对被控对象进行控制，故称 PID 控制器。
基于遗传算法的PID控制器参数优化方法研究
化。遗传算法 ，是基于生 物进化理论 的原理发展 曲线振荡 逐 渐加 剧 ，周 期 越 来 越 短 ，衰 减 比也越 起来 的一种广为应用 的、高效 的随机搜索 与优化 来越 小 。对 于反应 灵敏 、放 大 能力强 的被控 对象 ， 的方 法 Ｊ 。它 是 模仿 自然 界 生 物 进 化 论 思 想 而得 为提高系统的稳定性 ，应当使 比例度 稍小些 ；而
束 ，而且其定义域可 以任 意设定 ，可采用概率的 变迁 规则 知 道其 搜 索 方 向 ，与此 同时 还 具 有 自组
ＰＤ调 节 器 是 工 业 过 程 控 制 中常 见 的一 种 控 织 、 自适 应 、 自学 习 的特 点 ，对 所 优 化 目标 的先 Ｉ 制调 节 器 ，广 泛 应 用 于 冶 金 ，机 械 ，热 工 ，化 工 验知识要 求 甚少 ，一 般 只需要 知 道其 数值 关 系
和轻 工 等工业 过 程 控 制 中 ，在 控 制 理 论 和技 术 飞 即可 。
跃发展 的今天 ，ＰＤ控制器 由于其结构 简单 、稳 Ｉ 定性好 、可靠性 高等 优点 ，仍 有强 大的生 命力。 １ Ｐ Ｄ 控 制 器 Ｉ 但 常规 ＰＤ调节器不具有 “ Ｉ 目标值跟踪 ”与 “ 干
易于实现 。根据其适 应度 函数不仅 不受连续可微 的约束 ，而且其 定义域 可以任 意设 定等特 点设 计 了基 于
工程 ＰＤ遗 传算法的编码 以及基 于该编码 的交叉、变异算子 。通 过对 电厂 中过热汽 温控 制 系统 内回路 一 Ｉ
级过热 器的辨识模 型和 ３０ Ｍ 循 环流化床机组 中给煤 量与床 温的关 系中左裤衩 腿密相 区间的 １０ 负荷 ０ Ｗ ０％
但 是若 Ｋ 过 大 ，在响应 过程 的初 期 以及 系统 在 过 ２１ 遗 传算 法 （ ． ＧＡ） 的基本 流程 如下 ：
基于遗传算法的PID参数优化
基于遗传算法的PID参数优化目录1 绪论 (1)1.1 选题意义与研究价值 (1)1.1.1 PID控制器 (1)1.1.2 PID 控制器参数优化分类 (3)1.1.3 遗传算法的简介 (6)1.2国内外研究现状 (7)1.3 本文的主要研究内容 (7)2 遗传算法 (8)2.1 遗传算法概要 (8)2.2 基本遗传算法的实现技术 (9)2.2.1算法流程 (9)2.2.2 编码方法 (10)2.2.3 适应度函数 (10)2.2.4 选择、交叉、变异算子 (11)2.3 遗传算法与其他算法比较 (11)2.4 遗传算法优点 (13)3 基于遗传算法的PID控制器参数优化 (14)3.1 传统遗传算法的PID整定 (14)3.2 算法步骤 (15)3.3 系统仿真—MATLAB语言 (16)3.3.1 遗传算法的参数设置 (16)3.3.2 MATLAB 遗传算法操作 (16)4 基于遗传算法的PID参数优化的应用 (18)4.1 柴油机调速系统模型概述 (18)4.1.1 测速环节 (18)4.1.2 柴油机 (19)4.1.3柴油机控制系统模型 (19)4.1.4 数学模型的建立 (19)4.2 柴油机调速系统的PID参数优化设计与仿真 (20)4.3 基于遗传算法优化柴油机调速系统PID参数 (22)结论 (25)1 绪论1.1 选题意义与研究价值20世纪30年代以来，自动化生产飞速发展，取得了惊人的成就，过程控制是工业自动化中的一个重要分支。
生产对过程控制的要求为安全性、稳定性以及经济性，在很多情况下，PID控制器就可以实现其控制任务，而且，它也以自身结构简单、容易实现、鲁棒性强等优点，在各个工业生产控制中占据着主导地位。
PID控制器的设计和应用，其核心问题就是参数的整定与优化，合适的控制器参数会使得生产更为高效与安全，在方案设计合理的基础上，参数的整定将会影响到控制器的质量[1]。
随着现代控制理论的建立与完善，过程控制的方法和思路也在不断创新，与此同时，为了适应日益提高的生产工艺，过程控制的要求也越来越高。
基于遗传算法的PID参数整定的MATLAB程序代码
基于遗传算法的PID参数整定1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，比如模糊PID、神经元网络PID等等。
然而，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John H．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。
PID控制器的参数整定及优化设计
PID控制器的参数整定及优化设计摘要PID控制器由于算法很简单、鲁棒性高，可靠性能好，被人们广泛应用于工业控制的各个过程中，在我们实际的生产过程中往往有线性、以及我们通常说的时变不确定性，很难建立精确的数学模型，常规DE PID控制器通常不能达到理想的控制效果。
针对这些问题，长期以来人们一直在寻求PID控制器参数的自整定的技术，以适应复杂和高指标的控制要求。
由于PID控制器存在着各种各样的优点但是又有着许多令人头疼的缺点，例如存在着参数的鲁棒性整定较为困难的问题，许多专家开始寻求一些优化算法来警醒PID参数的寻优，例如，自适应智能控制技术方法、神经网络方法以及遗传算法等。
传统的遗传算法在理论上已形成了一套较为完善的算法体系并在许多问题中都有了成功的应用，本文采用遗传算法进行PID参数的整定和优化，这是一种寻求全局最优的优化方法，无需目标函数微分。
关键词：遗传算法；参数；优化The PID controller parameter setting and optimization ABSTRACTPID controller because algorithm is simple, high robustness, good and reliable performance, is widely used in industrial control of each process, in our actual production process is often linear, and time-varying uncertainty, we usually say that it is difficult to establish accurate mathematical model of conventional DE PID controller oftencan't achieve ideal control effect. To solve these problems, it has longbeen seeking self-tuning technology of PID controller parameters, to adapt to the complex and high index of control requirements.Because PID controller there are all sorts of advantages but also has many troublesome shortcomings, such as robustness of parameters for there is a relatively difficult problem, many experts began to seek some optimization algorithm to realize the optimization of PID parameters,for example, the adaptive intelligent control method, neural network and genetic algorithm. Traditional genetic algorithm, in theory, has formed a set of relatively perfect algorithm system and have successful applications in many problems, this paper USES the genetic algorithm of PID parameter setting and optimization, this is a kind of to seek the global optimal optimization method, the objective function without differential.Key words: genetic algorithm; Parameters; optimization目录１引言 12 PID控制概述 32.1 PID控制原理 32.1.１模拟PID控制器 32.1.2 数字PID控制器 42.2 PID参数整定方法概述 53 基于遗传算法的PID控制器的优化 63.1 遗传算法摘要 63.1.1 遗传算法的产生与发展 63.1.2 遗传算法的应用情况 73.2 遗传算法基本原理 83.2.1 遗传算法的基本思想 83.2.2 遗传算法的基本操作 83.2.3 本文采取的遗传算法 93.3 基于遗传算法的PID控制器参数优化 103.3.1 单回路控制器参数优化 113.3.2 各种仿真优化方法比较即仿真实验 143.4 本章小结 154 总结 17参考文献 18致谢 191 引言随着控制系统的复杂化程度增加，对控制系统的要求越来越高,早期工业控制中被控对象大多数据有以下特点：（1）系统存在大时滞，包括测量之后、过程延迟和传输时滞，当时滞较大的时候系统特别容易不稳定。
基于遗传算的PID参数优化及MATLAB实现
引言PID操纵器结构简单且鲁棒性强，在操纵领域一直被普遍应用。
运算机的进展为在线辩识提供了条件，从而也为在线整定PID参数提供了可能。
PID操纵是工业进程中应用最普遍的策略之一，因此PID 操纵器参数的优化成为人们关注的问题，它直接阻碍操纵成效的好坏，并和系统的平安、经济运行有着密不可分的关系。
目前PID参数的优化方式很多，如：间接寻优法，梯度法，登山法等，而在热工系统中单纯形法、专家整定法那么应用普遍。
尽管二者都具有良好的寻优特性，但却存在一些短处，单纯刑法对初值比较灵敏，容易陷入局部最优解，造成寻优失败。
专家整定法那么需要太多体会，不同的目标函数对应不同的体会，而整理知识库是一项长时刻的工程。
因此咱们选取遗传算法来进行参数寻优，该方式是一种不需要任何初始信息并能够寻求全局最优解的高效的优化组合方式。
第一章：遗传算法和PID操纵原理简介一遗传算法简介大体原理遗传算法是依照生物进化的模型提出的一种优化算法。
遗传算法是从代表问题可能潜在解集的一个群组（popuation）开始的，而一个种群那么由通过基因（gene）编码（coding）的必然数量的个体（individual）组成。
每一个个体事实上是染色体（chromosome）带有特点的实体。
染色体作为遗传物质的要紧载体，即多个基因组合，其内部表现（即基因型）是某种基因组合，它决定了个体的形状的外部表现。
因此，在一开始需要实现从表现型到基因型的映射即编码工作。
由于仿照基因编码的工作很复杂，咱们往往进行简化，如二进制编码。
初代种群产生以后，依照适者生存和优胜劣汰的原理，逐代（genetation）演化产生出愈来愈好的近似解。
在每一代，依照问题域中个体的适应度（fitness）大小挑选（selection）个体，并借助于自然遗传学的遗传算子（genetic operator）进行组合交叉.（crossover）和变异（mutation）,产生出代表新的解集的种群。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
%& !" %& #
!"
#$
%& !
’()*+
FAP2Q I F@I 2Q1001/2RG 2C1S1T5,810/25U2/V12ABC2450/W5TT1W&2 FXIG 2BYYY22Z50/W5T2 R[&/18&2\9]9^.01_2’PPD_’D2<#=‘2;>"J;E
,-./ 56 78 9: %& $ 0123
２） 与专家整定法相比，它具有操作方便、速度快的优 点， 不需要复杂的规则， 只需对字符串进行复制、 交叉、 变异 运算， 便可达到寻优； ３） 它也可以用于多目标寻优， 在解空间进行高效启发式 搜索， 从而提高了运算速度 （图 １） 。
遗传空间 ） 群体 Ｐ（ｔ 选择运算 交叉运算 变异运算 群体 Ｐ（ｔ＋１） 解码 解集合 个体评价 解空间
2222222222222222222222222
%# # # # # -./0
%"&# # # # 123456789":;<
*<+=7 >6 $;+ $?;+?@
Fdi& /W9 4/Io&.0]2/V12]101/.429T]5W./V82 <jd= 2/52/301290L2
5,/.8.^12/V12ABC2,9W981/1W&2.&29281/V5L2U5W2&19W4V.0]2/V12]T5i9T2 5,/.89T2W1&5T3/.50_2bV.4V2.&2.0L1,10L10/25U2.0./.9T2450L./.50E2fV.&2 9W/.4T12].S1&292iW.1U2.0/W5L34/.502/52j101/.42dT]5W./V8&2 <jd= 290L2 ABC2450/W5T2L1&.]02i9&1L2502j101/.42dT]5W./V8&2 <jd=E 2B/29T&52 &.83T9/1&2/V12L1&.]0230L1W2\dfgdQpRB\ogBO+290L2]1/&2]55L2 450/W5T21UU14/&E
１ 引言
ＰＩＤ 控制是最早发展起来的控制策略之一， 因其设计方 法及控制结构简单易行， 至今仍在工业过程控制中得到广泛 应用。在 ＰＩＤ 控制中， 控制效果的好坏完全取决于 ＰＩＤ 参数 ＰＩＤ 参数的整定与优化方法有很多， 的整定与优化。目前， 如 Ｚ－Ｎ 法、 继电型自整定法、 最优设计法及梯度法、 单纯形法。 但各有其弊，前几种整定方法带有经验性并且不是最优解， 后两种极易陷入局部最优点［１］。而遗传算法是一种寻求全局 最优且不需任何初始信息的高效优化方法。本文把遗传算法 应用于 ＰＩＤ 参数寻优， 通过仿真验证， 效果很好。
1 4 2
-304/.50QC IJGH)MNBRSTUVWXGH#$YZ [4$\]^;=>?GHB_‘abc_‘a=’(dX MGHBefO"+bgh@AijkBla;cefO" +mRFBnopq=/dGHB)MNr cs0123Vgh)MN+tuZ[B;v)MN+ VwxB;XefO"BAiKyMXM)MN+z{BK y;|}~efO" % no)MNO" &; 3)MN+O"W &6272&89:2!% ;&89: VefO" % B@t+r ;DEF01(LB[!"rghEF&Ht u ’01" (1078 )429: )8r
计算机与网络
! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! "# "’( $! !)#*
! ! ! ! ! ! !
4$;<=>?@AB +,C ! ! ! ! ! ! ! ! ! ! ! *DEFGHIJKL;<EFGH)MNO" P -./01&&2
td 4.26 5.43 4.99
01(LX ABC !"Z[F P _ @Q;%& ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! D6; 6E@2;78 6E;;9: 6E6@; ,);!-;!. B+F6G@H’)IH Y N D;r
图 １ 遗传算法的运算过程
３．２ 基于遗传算法的 ＰＩＤ 控制设计的步骤 １） 确定决策变量和约束条件。ＰＩＤ 控制的三个系数为
! ｐ、 ! ｉ、 ! ｄ ，可以根据参数的物理意义和经验来确定它们的取 值范围， 即约束条件。 ２） 确定目标函数。为获取满意的过渡过程动态特性， 采 用误差绝对值时间积分性能指标作为参数选择最小目标函 数。本文选用下式作为参数选择的最优指标：
基于遗传算法的 ＰＩＤ 参数整定与优化
工程建设与设计
!""# 年第 $ 期
基于遗传算法的（西安重型机械研究所 ， 西安 ７１００３２）
［摘 要］介绍了遗传算法和基于遗传算法的 ＰＩＤ 控制设计， 并对设计在 ＭＡＴＬＡＢ／ＳＩＭＵＬＩＮＫ 最优且与初始条件无关的优化方法。
２ 遗传算法
遗传算法是 Ｊ．Ｈ ．Ｈｏｌｌａｎｄ根据生物进化的模型提出的一
种优化算法。近年来， 人们把它应用于学习、 优化、 自适应等 问题中。 在优化问题中， 遗传算法过程简述如下： 首先在解空间 中取一群点 （基因群） ， 作为遗传开始的第一代。每个点（基 因）用一个二进制的数字串表示， 其优劣程度用一适应度函 数来衡量。适应度函数值小， 表明那个点 （基因） 好， 容易在 遗传中生存下去。 在向下一代遗传演变中， 前一代中的每个数字串根据由 其适应度函数值决定的概率被复制到配对池中。好的数字串 以高的概率被复制下来， 劣的数字串被淘汰掉。然后将配对 池中的数字串任意配对，并对每一对数字串进行交叉操作， 产生新的子孙 （数字串） 。最后对新的数字串的某一位进行 变异。 这样就产生了新的一代。 按照同样的方法， 经过数代的 遗传演变后， 在最后一代中得到全局最优解或近似最优解［２］。 遗传算法的主要特点在于演算简单，只是复制数字串， 交换部分数字串， 或改变数字串中的某一位。
F#I2a50]2,Eb90]_2O1S.TT12cEb9&/50E2\5L.U.1L2]101/.429T]5W./V829,,W594V2 2222222222/5222L1&.]025U29025,/.89T2ABC2450/W5TT1W2U5W2dZNCZ2/W90&8.&&.502&[&/18& 22222222222FXIE2YT14/W.49T2,5b1W290L2101W][2&[&/18&2$ee#; <#*=2W;P"JPE FDI ÓÔ;ÕÖ× E Øs01(LB ABC Ù6ÚÛ \dfgdQ ÌÍ E « ’(ÜÝÞ;$ee*;$e P ;QW!P"$eE
4$
!!!!!!
f30.0]22290L222h,/.8.^9/.50225U222ABC222A9W981/1W&2i[2
寻优结果
) $# # # # # # # !*+$,’(&)
j101/.42222dT]5W./V8
kB2a3N^50]
<k.l902m19S[2\94V.01W[2c1&19W4V2B0&/./3/1_2k.n902K!eeD$_2ZV.09=
＋’
"＝
∫# $（#） ｄ #
０
$ （#）为系统误差。 式中， ３） 确定编码和解码方法。遗传算法有二进制、 格雷码、 浮点数和符号编码等方法。对于本问题， 我们可以用二进制 编码方法和实数编码方法。用实数编码方法无需解码， 但进 行遗传操作时不太方便； 用二进制编码方法， 遗传操作方便， 解码处理后即可得到最优解。 ! ｐ 的取值范围为［０， １］，用一个十位的二进制数 ｘ１ 例如： １］区间离散化为 １０２３ 个区域，包括两个端 来表示，可以将［０， 点在内共 １０２４ 个离散点， 从离散点 ０ 到 １， 让它们依次对应于 ００００００００００（０）到 １１１１１１１１１１（１０２３）之间的二进制编码。解空 间和遗传空间有一一对应的关系。完成运算后按公式： ()
ＰＩＤ 控制； ＭＡＴＬＡＢ 仿真 ［关键词］遗传算法； 最优化；
下 进行了仿真， 取得了良好的
控制效果。ＰＩＤ 参数整定与优化一直是自动控制领域研究的重要问题。采用遗传算法进行 ＰＩＤ 参数整定与优化是一种寻求全局
［中图分类号］ ＴＰ１８３ ； Ｏ２３１
［文献标识码］Ａ
［文献标识码］１００７－９４６７ ０８－００９１－０２ （２００５）
!"!# # # # # !"#$%&’(&)
’# # # # # /O
KL©ª.XefO"«¬;®¯°±²³@A4 jk; ´µKLVR%¶²·AKLr ¸M01(L ¹;®!"BTt;=}mº»¼R½"; ¾^¿¸½"BÀ01(LZ[Á’; ÂÃtt ÄÅ·ABÆeÇ;ÈÉ’(ÊC ËTÌÍÎÏKL VR%=[vÐÑÒBKLC
2222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222FRSTUI#ee;NeDNDe