基于遗传算法的PID整定与优化[论文]
基于遗传算法的PID参数优化毕业设计(论文)
本科生毕业设计(论文)论文题目：基于遗传算法的PID参数优化毕业设计（论文）原创性声明和使用授权说明原创性声明本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。
尽我所知，除文中特别加以标注和致谢的地方外，不包含其他人或组织已经发表或公布过的研究成果，也不包含我为获得及其它教育机构的学位或学历而使用过的材料。
对本研究提供过帮助和做出过贡献的个人或集体，均已在文中作了明确的说明并表示了谢意。
作者签名：日期：指导教师签名：日期：使用授权说明本人完全了解大学关于收集、保存、使用毕业设计（论文）的规定，即：按照学校要求提交毕业设计（论文）的印刷本和电子版本；学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。
作者签名：日期：学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。
除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。
对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。
本人完全意识到本声明的法律后果由本人承担。
作者签名：日期：年月日学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。
本人授权大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。
涉密论文按学校规定处理。
作者签名：日期：年月日导师签名：日期：年月日注意事项1.设计（论文）的内容包括：1）封面（按教务处制定的标准封面格式制作）2）原创性声明3）中文摘要（300字左右）、关键词4）外文摘要、关键词5）目次页（附件不统一编入）6）论文主体部分：引言（或绪论）、正文、结论7）参考文献8）致谢9）附录（对论文支持必要时）2.论文字数要求：理工类设计（论文）正文字数不少于1万字（不包括图纸、程序清单等），文科类论文正文字数不少于1.2万字。
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。
电机控制系统PID参数的遗传算法优化
电机控制系统PID 参数的遗传算法优化肖 龙 汤恩生(北京空间机电研究所,北京 100076)摘 要 近年来,遗传算法的研究十分引人注目,作为一种新型的、模拟生物进化过程的随机化搜索和优化方法。
其算法简单通用,鲁棒性强,在组合优化、机器学习、自适应控制和规划设计等领域的应用中已展现了其特色和魅力。
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。
文章就是利用遗传算法对某一电机控制系统的PID 参数进行优化,以提高控制系统的性能指标。
关键词 PID 控制 PID 参数 遗传算法收稿日期:2006-04-17The Optimizition of Genetic Algorithms for the PID Parameters of MotorController SystemXiao Long Tang Ensheng(Beijing Institute of Space M echanics &Electrici ty,Beijing 100076)Abstract In recent years,the research of genetic algorithms is very popular As a ne w random search and optimized method of simulating nature e volution,genetic algorithms is easy ,currency and robust It has shown its charm in the ap plication of optimize combinition,machine learning,self-adaption control ,programming design and so on This method can search the best and efficient optimized combinition in the globe without any initial information This paper optimizes the PI D controller para meters of a motor by using genetic algorithms to improve the performance of the systemKey Words PID control PID parameter Genetic algorithms1 前言在自动控制系统中,控制器的设计与参数调整是控制理论的重要内容,也是实际工业控制工程的关键技术之一。
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。
基于遗传算法整定的PID控制 毕业论文
2010届毕业生毕业论文题目: 基于遗传算法整定的PID控制院系名称：信息科学与工程学院专业班级：电子信息科学与技术学生姓名：学号：指导教师：教师职称：讲师2010年 6 月 2 日摘要PID控制器是在工业过程控制中常见的一种控制器，因此，PID参数整定与优化一直是自动控制领域研究的重要问题。
遗传算法是一种具有极高鲁棒性的全局优化方法，在自控领域得到广泛的应用。
针对传统PID参数整定的困难性，本文提出了把遗传算法运用于PID参数整定中。
本文首先对PID控制的原理和PID参数整定的方法做了简要的介绍。
其次介绍了遗传算法的原理、特点和应用。
再次，本文结合实例阐述了基于遗传算法的PID参数优化方法，采用误差绝对值时间积分性能指标作为参数选择的最小目标函数,利用遗传算法的全局搜索能力,使得在无须先验知识的情况下实现对全局最优解的寻优,以降低PID参数整定的难度,达到总体上提高系统的控制精度和鲁棒性的目的。
最后，本文针对遗传算法收敛速度慢、易早熟等缺点，将传统的赌盘选择法与最优保存策略结合起来，并采用改进的自适应交叉算子和自适应变异算子对PID参数进行迭代寻优整定。
采用MATLAB对上述算法进行仿真验证，仿真结果表明了遗传算法对PID 参数整定的有效性。
关键词：PID；参数控制；遗传算法；MATLABTitle Tuning of PID Parameters Based on Genetic AlgorithmAbstractPID controller is a kind of controller that is usual in industrial process control. Therefore, tuning and optimization of PID parameters are important researchable problems in the automatic control field, where Genetic algorithm is widely used because of the highly robust global optimization ability of it. Aiming at the difficulty of traditional tuning of PID parameter, this paper puts forward a method that genetic algorithm is applied to the tuning of PID parameters.Firstly, the principle of PID control and the methods of tuning of PID parameters are introduced briefly. Secondly, this paper introduces the principle, characteristics and application of genetic algorithm. Thirdly, this article expounds on the methods of tuning of PID parameters based on genetic algorithm with an example. In this paper, the performance index of time integral of absolute error serves as the minimum objective function in the tuning of PID parameters, and the global search ability of genetic algorithm is used, so the global optimal solution is obtained without prior knowledge, and the difficulty of tuning of PID parameter is reduced, so the goal is achieved which is improving the control accuracy and robustness of the system overall. Finally, aiming at the weakness of genetic algorithm, such as the slow convergence of prematurity and precocious, the traditional gambling site selection method and elitist model are united in this paper, and the paper also adopted adaptive crossover operator and adaptive mutation operator to optimize PID parameters iteratively.Use MATLAB to simulate these algorithms, and the simulation results show that PID controller tuning based on genetic algorithm is effective.Keywords: Genetic algorithm; PID control; optimum; MATLAB目次1 引言 (1)1.1 PID控制的发展与现状 (1)1.2 遗传算法的发展与现状 (1)1.3 课题研究背景和意义 (3)1.4 本文主要工作 (3)2 PID控制 (5)2.1 PID控制原理 (5)2.2 PID参数整定 (7)3 遗传算法 (9)3.1 遗传算法基本原理 (9)3.1.1 遗传算法概要 (9)3.1.2 遗传算法的应用步骤 (10)3.2 遗传算法的实现 (11)3.2.1 编码方法 (11)3.2.2 适应度函数 (12)3.2.3 选择算子 (12)3.2.4 交叉算子 (13)3.2.5 变异算子 (14)3.2.6 遗传算法控制参数选取 (14)3.3 遗传算法的仿真验证 (15)4 基于遗传算法的PID参数优化 (18)4.1 总体实现 (18)4.2 具体实现 (19)4.2.1 参数的确定及表示 (19)4.2.2 选取初始种群 (19)4.2.3 适应度函数的确定 (19)4.2.4 选择部分实现 (20)4.2.5 交叉部分实现 (20)4.2.6 变异部分实现 (21)4.3 编译及仿真 (22)4.3.1 编译环境选择 (22)4.3.2 仿真验证及结果分析 (22)5 基于改进遗传算法的PID参数优化 (24)5.1 遗传算法的改进 (24)5.1.1 选择算子的改进 (24)5.1.2 交叉与变异算子的改进 (24)5.2 仿真验证及结果分析 (25)结论 (26)致谢 (27)参考文献 (28)1 引言1.1 PID控制的发展与现状PID控制技术的发展可以分为两个阶段。
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
基于在线自适应遗传算法的PID参数整定和优化
整定 ， 使得控制效果不理想等问题， 出了 自 提 适应遗传算法的 Ｐ Ｉ Ｄ参数整定 。根据遗传算法具有 在线性差的问题 ， 对遗传算
法作 了改进 。通过 自适应遗传算法对 ＰＤ参数进行整定与寻优 ， Ｉ 选择 自适应度大 的个体所对应的 ＰＤ控制参数作为采样 时 Ｉ
第２卷 第ｌ ８ ２ 期
文章编 号：０６— ３ ８ ２ １ ）２— １４— ４ １０ ９ ４ （０ １ １ ０ ５ ０
计
算
机
仿真 ຫໍສະໝຸດ ２１年１月 ０１ ２ 基 于在 线 自适 应 遗传 算 法 的 ＰＤ 参数 整定 和 优 化 Ｉ
张 巍 ， 宇清 卢
（ 河南农业职业学 院电子信息工程系 ， 河南 郑州 ４ １ ５ ） ５ ４０
Ｋ ＹＷＯＲ ： ｅｅ ｃａ ｏｉ ｍ （ Ａ） Ｐｒｍ ｔｒ Ａ ａｔ ｅ Ｅ ＤＳ Ｇ ｎｔ ｌ ｒｈ ｓ Ｇ ； ａａ ｅｅ； ｄｐｉ ｉ ｇ ｔ ｖ
中图分 类号 ：Ｐ ７ Ｔ２３ 文献标识码 ： Ａ
Ｏｐｉ ｚ ｄａ ｄ Ａｄｕ ｔｔｅＰ ｒ ｍｅｅ ｆＰ Ｄ ｔ ｅ ｎ ｊ ｓ ｈ ａ ａ ｔｒｏ Ｉ ｍｉ
Ｂａ ｅ ｎ Ｏ ｎ —ｌｎｅ Ａｄａ ｔｖ ｅ ｅ ｉ ｇ ｒｔ ｓ ｓｄｏ —ｉ ｐ ｉｅ Ｇ ｎ ｔｃ Ａｌｏ ｉｈｍ
间下 的 ＰＤ控制参数 。改进后的算法有效提高 了遗传算法的寻优 能力 ， Ｉ 提高 了算 法的收敛 的速度 ， 一定的范 围可 以求得 在 最优全局解 。在 Ｍ Ｔ Ａ Ａ Ｌ Ｂ上仿真结果表 明， ＰＤ参数的寻优过程 中， 适 应遗传算 法具有更 强的寻优能力 ， 在 Ｉ 自 提高了控制 系统 的 自 适应性 ， 为优化控制系统设计提供了依据。 关键词 ： 遗传算法 ； 参数 ； 自适应
基于遗传算法优化的加工过程PID控制
同时 起 到保 护 机 床 和 刀 具 的 作 用
一
控 制 是 最 早 发展 起 来 的控 制策 略之
、
，
具有算法
静 态 的切 削 力 E 可 表 示 为 ：
F
=
简单 当中
中
，
、
调 整 方便
P ID
可靠性 高等特 点
_1]
，
在工 业 控 制 的控制 器 但是在 实际 生 产过程
K矿
“
=
(K ∥
s
一
“
加 工 过 程 的模 型 如 图 1 所 示
，
阻尼 系数 f
0 5
．
切 削力指数 m
l
由伺 服 机 构
、
切 削过 程
然 伺服 系统的 自 频率 q
( r a d／) s
20
和检测 装置 等环 节 组 成
_2 ]
。
测力仪转换系数 K
背吃刀量 a ( m m )
1
伺服环节 可 用
…
一
个二 阶系统表示
， ．
为权 值
，
且
咄 ≥ ( I) l
。
采样时 间
l
m s
。
确定 编码 和 解 码 方 式
；
。
用 实数编码
，
则无 需 解码
，
，
但进 行 遗 传操作 时不 方便
用二 进制编码
_4 ]
。
遗传操 作方
。
便
，
需 要 解码 后 得 到最 优解
4
本 问题 采用 实数 编码
。
) 确 定 遗 传算 法 的运 行 参数
，
遗 传算 法 的种 群 数 M
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整定与研究 本科毕业论文
CHANGZHOU INSTITUTE OF TECHNOLOGY毕 业 设 计 说 明 书题目：基于遗传算法的PID 整定与研究二级学院（直属学部）： 延陵学院专业： 自动化 班级： 07自Y学生姓名： 王思凡 学号： 07121222指导教师姓名：张燕红 职称：评阅教师姓名： 职称：2011年 6月KC021-1摘要PID控制是工业过程中应用最为广泛的一种方法，而遗传算法是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的最优化的方法，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连的群体中，按照所选择的适配值函数并通过遗传中的复制、交叉及变异对个体进行筛选，使得适配值高的个体被保留下来，组成新的群体，新的群体又继承了上一代的信息，又优于上一代，这样群体中的个体的适应度不断提高，从而得到全局最优解。
通过适应度函数来确定寻优方向，与其他一些常规整定方法相比，遗传算法比较简便，整定精度较高。
本文用遗传算法对PID进行整定与研究，对该系统进行了仿真，实验结果表明该种算法的有效性和优越性，也表明遗传算法是一种简单高效的算法，与传统的PID控制方法相比明显地改善了控制系统的各方面性能。
关键词PID控制；遗传算法；PID参数整定；Matlab；AbstractPID control is the most widely used industrial process in a way, the genetic algorithm is to simulate the genetic mechanisms and biological evolution in nature made of a parallel random search optimization method. It "survival of the fittest" theory of biological evolution optimized the parameters of the introduction of the encoding group in series.According to the adaptive value function which and through the heredity in duplication chooses, overlapping and the variation to the individual carries on screening, causes the adaptive value high individual to retain, forms the new community, the new community has inherited previous generation's information, also surpasses the previous generation, in such community's individual's sufficiency enhances unceasingly, thus obtains the globally optimal solution.Through the sufficiency function definite optimization direction, compares with other conventional installation method, the genetic algorithm is quite simple, the installation precision is high.In this paper, genetic algorithm for tuning PID and study the simulation of the system, experimental results show that the effectiveness and superiority of the kinds of algorithms, but also show that the genetic algorithm is a simple and efficient algorithm, and compared the traditional PID control method significantly improved control over all aspects of system performance.Key words : PID control; genetic algorithm; PID parameter tuning; Matlab目录摘要 (I)Abstract ........................................................................................................................... I I 目录 (III)第1章绪论 ................................................................................................................ - 1 -1.1课题研究背景 ................................................................................................ - 1 -1.2国内外研究现状 ............................................................................................ - 2 -1.3论文主要研究内容、目的和意义 ................................................................ - 5 -第2章PID算法简介 ................................................................................................. - 6 -2.1 PID控制原理................................................................................................. - 6 -2.2 PID控制器的基本用途................................................................................. - 7 -2.3 PID控制器的现实意义................................................................................. - 8 -2.4 PID控制器的参数整定................................................................................. - 8 -2.5本章小结 ...................................................................................................... - 10 -第3章遗传算法的基本理论及研究 ...................................................................... - 11 -3.1遗传算法的概念 .......................................................................................... - 11 -3.2标准遗传算法 .............................................................................................. - 11 -3.3遗传算法的模式定理 .................................................................................. - 12 -3.4标准遗传算法的结构、特点和应用关键 .................................................. - 13 -3.5本章小结 ...................................................................................................... - 16 -第4章基于遗传算法的PID参数整定 ................................................................. - 17 -4.1 Matlab简介.................................................................................................. - 17 -4.2 基于遗传算法PID控制器参数整定设计................................................. - 18 -4.3本章小结 ...................................................................................................... - 19 -第5章基于遗传算法的PID仿真 ......................................................................... - 20 -5.1遗传算法关键步骤的Matlab实现............................................................. - 20 -5.2基于二进制的遗传算法的PID仿真.......................................................... - 22 -5.3基于实数制的遗传算法PID仿真.............................................................. - 27 -5.4本章小结 ...................................................................................................... - 31 -结论 ............................................................................................................................ - 32 -参考文献 .................................................................................................................... - 33 -致谢 ............................................................................................................................ - 36 -附录 ............................................................................................................................ - 37 -第1章绪论1.1课题研究背景PID调节器是最早发展起来的控制策略之一，因为它所涉及的设计算法和控制结构都是简单的，并且十分适用于工程应用背景，此外PID控制方案并不要求精确的受控对象的数学模型，且采用PID控制的控制效果一般是比较令人满意的，所以在工业实际应用中，PID调节器是应用最为广泛的一种控制策略，也是历史最久、生命力最强的基本控制方式。
基于遗传算法的PID参数整定
基于遗传算法的PID参数整定张力;魏静;张淑娟【摘要】Thermal processes often have large inertia and lag characteristic.This paper applied the state variable technique and the phase compensating technique first to the controlled objects.The large inertia and lag characteristic of the controlled object can be compensated by using large-lag compensation technique.Furthermore,use the modified GA to tune the PID parameters.The simulation results have shown that this control strategy is effective.%由于大滞后大惯性的热工被控对象使用简单的PID控制器很难取得很好的效果。
因此,在采用遗传算法对PID控制器参数进行寻优的基础上,引入大滞后补偿技术（状态变量技术和相位补偿技术）,先补偿被控对象的滞后和惯性,再采用遗传算法寻优,取得了良好效果。
【期刊名称】《山东电力技术》【年(卷),期】2011(000)006【总页数】4页(P64-67)【关键词】遗传算法;大滞后补偿技术;PID控制【作者】张力;魏静;张淑娟【作者单位】山东电力工程咨询院有限公司,山东济南250013;山东电力工程咨询院有限公司,山东济南250013;山东电力工程咨询院有限公司,山东济南250013【正文语种】中文【中图分类】TK3230 引言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。
基于遗传算法PID控制寻优实现(有代码超详细)
基于遗传优化算法对离散PID控制器参数的优化设计摘要PID控制作为一种经典的控制方法，从诞生至今，历经数十年的发展和完善，因其优越的控制性能业已成为过程控制领域最为广泛的控制方法；PID控制器具有结构简单、适应性强、不依赖于被控对象的精确模型、鲁棒性较强等优点，其控制性能直接关系到生产过程的平稳高效运行，因此对PID控制器设计和参数整定问题的研究不但具有理论价值更具有很大的实践意义，遗传算法是一种借鉴生物界自然选择和自然遗传学机理上的迭代自适应概率性搜索算法。
本论文主要应用遗传算法对PID调节器参数进行优化。
关键词：遗传优化算法PID控制器参数优化1.前言PID调节器是最早发展起来的控制策略之一，因为它所涉及的设计算法和控制结构都是简单的，并且十分适用于工程应用背景，此外PID控制方案并不要求精确的受控对象的数学模型，且采用PID控制的控制效果一般是比较令人满意的，所以在工业实际应用中，PID调节器是应用最为广泛的一种控制策略，也是历史最久、生命力最强的基本控制方式。
调查结果表明: 在当今使用的控制方式中，PID型占84. 5% ，优化PID型占68%，现代控制型占有15%，手动控制型66%，人工智能(AI)型占0.6% 。
如果把PID型和优化PID型二者加起来，则占90% 以上，这说明PID控制方式占绝大多数，如果把手动控制型再与上述两种加在一起，则占97.5% ，这说明古典控制占绝大多数。
就连科学技术高度发达的日本，PID控制的使用率也高达84.5%。
这是由于理论分析及实际运行经验已经证明了PID调节器对于相当多的工业过程能够起到较为满足的控制效果。
它结构简单、适用面广、鲁棒性强、参数易于调整、在实际中容易被理解和实现、在长期应用中己积累了丰富的经验。
特别在工业过程中，由于控制对象的精确数学模型难以建立，系统的参数又经常发生变化，运用现代控制理论分析综合要耗费很大的代价进行模型辨识，但往往不能达到预期的效果，所以不论常规调节仪表还是数字智能仪表都广泛采用这种调节方式。
遗传算法优化PID控制
０ 引言
ＰＤ控制是连续系统控制理论中技术成熟、 Ｉ 应用 广泛的一种控制方式。其控制效果的好坏取决于参数 的整定和优化。自ＰＤ控制被提出以来， Ｉ 控制器参数
数进行了优化， 设计出一种应用于电石炉系统的最优 ＰＤ控制器， Ｉ 使其能达到良好的动静态性能。
１ 基于遗传算法的 ＰＤ参数优化 Ｉ
１１ 参数的确定及编码 ． 离散的 Ｐ Ｄ控制器可表示为： Ｉ
ｋ 二
的 整定方法就一直是人们研究的 热点问题之一。１ ２ ４ ４
年Ｚｇｒ ｉｏ 方 ； 提出， 得到了 泛的 ｉｌ－ｃ ｌ 法‘ ｅｅＮ ｈ。 被 并 广 应用
定值 。
０．５ ０．７
乏 招 阁 琢 血
式中：为当前遗传代数； ｔ ； Ｇ为最大遗传代数。
变异是模仿生物的 基因突变， 很小的变率尸 以 。
将新个体进行变异， 避免使进化过程在早期就陷人局 部解而进人终止过程， 以提高遗传算法的搜索效率和
０６ ０．５ ０．４ ０．３ ０．２ ０．１
一
、 ！
＋
产
２ 仿真算例
（） ２
２１ 控制模型 ．
式中：。ｔ， 分别为电石炉输出电流的超调量、 二Ｉ ｔ ＇， ． 。 上 升时间和调节时间的给定最大值；， ２ 分别为其 Ｗ、 ，３ ｗ Ｗ 权系数， 要求ｗ ＋ ｗ 二 。在这三个性能指标中， ， ＋ １ ｗ ３ ２
较重要的是超调量， 其次是上升时间和调节时间， 所以
和改进。这种方法是根据系统的频域或时域响应曲 线， 测得相关参数， 进而通过经验公式计算得到Ｐ Ｉ Ｄ控 制器参数， 适用于参数的离线调整。该方法属于经验 公式法， 具有一定的鲁棒性。但只能适用于满足经验 公式条件的对象， 整定出的结果往往不是最优值， 只是 利用了较少的系统动态特性信息， 所以得到的控制器 性能具有局限性。 遗传算法是一种基于自然选择和基因遗传学原理
- 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)。
基于遗传算法的PID整定与优化
摘要：遗传算法是一种基于达尔文进化论和孟德尔遗传学说来实现随机、迭代、自适应、并行性搜索的优化算法，尤其适合处理复杂的、非线性的控制问题。
因此在此文，采用遗传算法直接优化pid 控制器参数，并控制一个带迟延的主汽温控制系统，仿真结果表明遗传算法收敛较快，得到的pid控制器控制效果明显优于传统的pid 控制。
关键词：遗传算法优化主汽温
引言
由于pid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pid方式。
pid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， iste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iste最优设定方法和智能方法是针对一类特定被控对象的。
本文采用遗传算法进行pid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（genetic algorithms）是1962年由美国
michigan大学的holland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fi
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（selection）：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一代p（t+1）中。
6、交叉（crossover）：将群体p（t）内的各个个体随机搭配成对，对每一对个体，以某个概率（称为交叉概率，crossover rate）交换它们之间的部分染色体。
例
父代1： 00101|101 交换后 00101011
父代2： 10110|011 交换后 10110101
7、变异（mutation）：对群体p（t）中的每一个个体，以某一概率（称为变异概率，mutation rate）改变某一个或某一些基因座上的基因值为其它的等位基因。
例
10110101 变异后 10010101
需要指出，ga中的主要参数n，pc， pm等与问题有关，不存在统一的额规范化求解公式，即取值无理论指导，他们的取值凭经验[2]，一般n为20-200，pc=0.5-1.0，pm=0-0.05。
n太小，初始种群不能覆盖整个寻优空间，有可能停留在局部极值上；n太大，不必要地增加计算量、计算机的内存和机时。
pc的作用的两面性：一方面交换有利于保持种群的多样性，优良个体的出现；另一方面它又会破坏优良个体。
在进化后期，又可能出现所有个体串全部一样，这时单靠交换操作不能产生新的个体，只有靠变异操作才能产生新的个体，使进化继续进行，由于变异对优良个体起破坏作用，故pm一般取较小值。
可以采取pc， pm随fi自适应调整，以改善ga的收敛速度。
2、遗传算法用于pid参数整定
遗传算法应用于pid控制器参数整定的基本思想[3]是：在寻优时先对pid参数进行编码，按一定规模初始化一个种群，种群中的每一个体代表一个可能的解。
然后根据适值函数，计算每一个体的适值并依此控制再生操作之后按一定的概率对种群进行交叉、变异操作。
这样种群不断进化，直至寻优结束。
在应用遗传算法时要注意以下四个关键问题：
1、问题编码：对pid各参数采用一致的编码构成子串，再将子串拼接起来构成染色体串。
2、适值函数的确定：按照itse（integral squared error）指标，选取误差平方和为适值函数。
3、再生方式的选取：先算上一代个体（a1）的适值，然后将这一代个体全部进行交叉、变异操作，得到新一代个体（a2）及适应值，最后根据a1和a2两组种群的适应值，从中选择出好的个体形成下一代种群。
4、遗传算法本身参数的确定：经过试验及资料分析，取群体规
模n为50，交叉概率为0.90，变异概率为0.001。
3、仿真实例
被控对象为电厂的过热汽温系统，采用串级控制方案，其系统副回路中导前汽温对象传递函数[4]为：
g2（s）=
主对象的传递函数为：
g1（s）=
副回路采用pi控制，按标准itae准则[5]，其控制规律为：
gc2=5
整定并优化主回路中的主控制器pid参数。
采样周期为1 s，群体基因数为50，交叉概率为0.90，变异概率为0.001，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100次；同时迭代中两次的最小适度值差小于400。
1-手动调整simulink图的曲线，
2-基于遗传算法优化的曲线
由上图可以看出遗传算法的pid控制优点，系统的超调量小，快速性明显提高，调节时间缩短，从而提高了系统的动态性能。
通过实例仿真研究表明，采用遗传算法结构简单，鲁棒性强，是一种高效的寻优方法。
遗传算法与传统寻优方法相比具明显的控制效果，超调量小、响应时间快、稳态输出可以做到无静态误差，非常适合于对实时性要求极高的实际生产过程控制。
5、结论
本方法不需要对目标函数微分，这样避免了寻优中一些目标函数无法微分的问题；此外由于复制、交叉和变异功能以及群体寻优的方式避免了陷入局部最优解问题，因此本方法是一种全局寻优方法，其寻优结果不受初值的影响。
在被控对象数学模型已知条件下，仿真试验证明了该方法具有离线整定与优化的可行性和有效性。
参考文献：
[1]陈国良，王煦法等.遗传算法及其应用.北京：人民邮电出版社，1996
[2]张晓馈等.一种新的优化搜索算法遗传算法.控制理论与应用，1995.6.12（3）：265-271
[3]胡晚霞.pid控制器参数快速整定的新方法.自动化与仪器仪表，1996，（5）：13-16
[4]刘禾，李农庄，张晓萍等.大迟延过程的预测智能控制.华北电力大学学报， 1998， 25（4）：74-79
[5] 翁思义.自动控制系统计算机仿真与辅助设计.西安：西安交通大学出版社，198。