系统优化和最优控制方法优秀课件
合集下载
相关主题
- 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)。
系统优化和最优控制方法
五 控制器参数优化
当前PID控制的症结所在：
2. PID参数的设置（即PID参数wk.baidu.com整定）往往很不合理 如在横河DCS中，缺省PID参数厂家设置为100、20、0；组态 完毕进入生产装置以后，操作工或仪表工程师整定PID参数时， 往往只是在100、20、0附近进行一些修改，而实际上，优化的 PID参数往往与以上数据有巨大差别。
• Step3:比较粒子的适应值和自身最优值pbest。如果当前值比 pbest更优，则置pbest为当前值，并设pbest位置为n维空间中的 当前位置。
• Step4:比较粒子的适应值与种群最优值gbest。如果当前值比 gbest更优，则重置gbest的索引号。
• Steps:按公式更新粒子的速度和位置，产生新种群S(t十1)。
5.3 粒子群算法（PSO） 在PSO中，每个优化问题的可能解都可以想象成d维
搜索空间上的一个点，我们称之为“微粒” （Particle) 。粒子在搜索空间中以一定的速度飞行， 这个速度根据它本身的飞行经验和同伴的飞行经验来动 态调整。所有的粒子都有一个被目标函数决定的适应值 (fitness value)，并且知道自己到目前为止发现的最好 位置(particle best，记为pbest)和当前的位置，这个 可以看作是粒子自己的飞行经验。除此之外，每个粒子 还知道到目前为止整个群体中所有粒子发现的最好位置 (global best，记为gbest)(gbest是在pbest中的最好 值)，这个可以看作是粒子的同伴的经验。每个粒子使 用下列信息改变自己的当前位置:1)当前位置;2)当前速 度;3)当前位置与自己最好位置之间的距离;4)当前位置 与群体最好位置之间的距离。优化搜索正是在由这样一 群随机初始化形成的粒子而组成的种群中，以迭代的方 式进行的。
表现型的转换。
五 控制器参数优化
5.2 遗传算法与控制器参数优化
遗传操作： 1、选择
首先对适应度值进行从大到小排序，再计算其平均值，把低于适 应度值平均值的染色体依次用前面最好的个体代替。 2、交叉 将选择后的种群个体（称为父代）随即配对，按照选定的交叉方 式及确定的交叉概率把个体的基因部分地进行交换，形成一对子 代个体。产生新个体的主要手段。 3、变异： 部分基因进行突变，加强后代的多样性，扩展解空间。
• Step6:检查结束条件，若满足，则结束寻优;否则，t=t+1，转 至Step2。
• 结束条件为寻优达到最大进化代数或足够好的适应值。
5.4 蚁群算法 蚁群系统( Ant System) 是由意大利学
者Dorigo等于20 世纪90 年代初提出的 一种基于蚁群种群的新型优化算法[2], 它 通过模拟自然界蚁群寻食过程中通过信息 素( Pheromone) 的相互交流从而找到由 蚁巢至食物的最短路径的现象, 提出了一 种基于信息正反馈原理的蚁群优化算法并 用于解决了一系列组合优化问题。
五 控制器参数优化
5.2 遗传算法与控制器参数优化
遗传算法是一种借鉴生物界自然选择和自然 遗传机制的随机化搜索算法。1975年提出，主 要特点是群体搜索策略和群体中个体的信息交 换。尤其适用于解决复杂和非线性问题，广泛 应用于组合优化、自适应控制中，是21世纪智 能计算关键技术之一。
五 控制器参数优化
5.5 先进控制 过程控制策略的分类:
• 第一类:传统控制策略，包括:手动控制、PID控制、 比值控制、串级控制、前馈控制:
遗传算法中涉及的几个重要名称： 染色体----参数空间的数据或数组，或称基因型个体 （Individuals），是遗传算法处理的基本单位； 种群（Population）----由一定数量个体组成； 种群规模（ Population Size）----种群中个体的数目， 也叫种群的大小； 适应度（Fitness）----各个体对环境的适应程度。
5.3 粒子群算法（PSO）
PSO算法主要计算步骤如下:
• Step 1:初始化，设定加速常数Cl. C2，最大进化代数Tmax， 将当前进化代数置为t=1，在定义空间中随机产生m个粒子，组成 初始种群s(t);随机产生各粒子初始速度和位置。
• Step2:评价种群，计算每个粒子在每一维空间的适应值。
五 控制器参数优化
5.1 控制器参数优化概述
采用智能控制或先进控制自动寻找最优的PID 参数，使系统性能指标达到最优。
参数寻优就是函数求极值的问题，一般情况先 给出一个初始点，然后由程序按照一定的方法 反复迭代求极值点。参数寻优方法很多，如： 插值法、补偿加速法、方向加速法、遗传算法、 粒子群寻优算法、蚁群算法等。
五 控制器参数优化
5.2 遗传算法与控制器参数优化
参数编码（Coding）----数据转换操作，表现型到基 因型的转换，把搜索空间中的参数或解转换成遗传空间 中的染色体或个体； 初始种群的设定； 适应度函数的计算； 遗传操作：选择、交叉、变异； 参数解码（Decoding）----数据转换操作，基因型到
5.2 遗传算法与控制器参数优化
生物遗传过程中涉及到的重要名称： 染色体----生物遗传物质的主要载体； DNA----染色体中的最主要的遗传物质； 基因----控制生物性状的遗传物质的功能单位 和结构单位； 基因型和表现型----染色体的两种表现形式。
五 控制器参数优化
5.2 遗传算法与控制器参数优化
五 控制器参数优化
遗传算法以目标函数（适应度函数）为依据进行寻优。
五 控制器参数优化
5.2 遗传算法与控制器参数优化
采用遗传算法进行PID参数整定：
五 控制器参数优化
5.3 粒子群算法（PSO） 自然界中一些生物的行为特征呈现群体特征，可以用
简单的几条规则将这种群体行为在计算机中建模，实际 上就是在计算机中用简单的几条规则来建立个体的运动 模型，但这个群体的行为可能很复杂。 例如，使用了下列三个规则作为简单的行为规则: • l)向背离最近的同伴的方向运动; • 2)向目的运动; • 3)向群体的中心运动。 群体中每个个体都遵循以上原则，从这种群行为特性 中得到启发求解优化问题。
五 控制器参数优化
当前PID控制的症结所在：
2. PID参数的设置（即PID参数wk.baidu.com整定）往往很不合理 如在横河DCS中，缺省PID参数厂家设置为100、20、0；组态 完毕进入生产装置以后，操作工或仪表工程师整定PID参数时， 往往只是在100、20、0附近进行一些修改，而实际上，优化的 PID参数往往与以上数据有巨大差别。
• Step3:比较粒子的适应值和自身最优值pbest。如果当前值比 pbest更优，则置pbest为当前值，并设pbest位置为n维空间中的 当前位置。
• Step4:比较粒子的适应值与种群最优值gbest。如果当前值比 gbest更优，则重置gbest的索引号。
• Steps:按公式更新粒子的速度和位置，产生新种群S(t十1)。
5.3 粒子群算法（PSO） 在PSO中，每个优化问题的可能解都可以想象成d维
搜索空间上的一个点，我们称之为“微粒” （Particle) 。粒子在搜索空间中以一定的速度飞行， 这个速度根据它本身的飞行经验和同伴的飞行经验来动 态调整。所有的粒子都有一个被目标函数决定的适应值 (fitness value)，并且知道自己到目前为止发现的最好 位置(particle best，记为pbest)和当前的位置，这个 可以看作是粒子自己的飞行经验。除此之外，每个粒子 还知道到目前为止整个群体中所有粒子发现的最好位置 (global best，记为gbest)(gbest是在pbest中的最好 值)，这个可以看作是粒子的同伴的经验。每个粒子使 用下列信息改变自己的当前位置:1)当前位置;2)当前速 度;3)当前位置与自己最好位置之间的距离;4)当前位置 与群体最好位置之间的距离。优化搜索正是在由这样一 群随机初始化形成的粒子而组成的种群中，以迭代的方 式进行的。
表现型的转换。
五 控制器参数优化
5.2 遗传算法与控制器参数优化
遗传操作： 1、选择
首先对适应度值进行从大到小排序，再计算其平均值，把低于适 应度值平均值的染色体依次用前面最好的个体代替。 2、交叉 将选择后的种群个体（称为父代）随即配对，按照选定的交叉方 式及确定的交叉概率把个体的基因部分地进行交换，形成一对子 代个体。产生新个体的主要手段。 3、变异： 部分基因进行突变，加强后代的多样性，扩展解空间。
• Step6:检查结束条件，若满足，则结束寻优;否则，t=t+1，转 至Step2。
• 结束条件为寻优达到最大进化代数或足够好的适应值。
5.4 蚁群算法 蚁群系统( Ant System) 是由意大利学
者Dorigo等于20 世纪90 年代初提出的 一种基于蚁群种群的新型优化算法[2], 它 通过模拟自然界蚁群寻食过程中通过信息 素( Pheromone) 的相互交流从而找到由 蚁巢至食物的最短路径的现象, 提出了一 种基于信息正反馈原理的蚁群优化算法并 用于解决了一系列组合优化问题。
五 控制器参数优化
5.2 遗传算法与控制器参数优化
遗传算法是一种借鉴生物界自然选择和自然 遗传机制的随机化搜索算法。1975年提出，主 要特点是群体搜索策略和群体中个体的信息交 换。尤其适用于解决复杂和非线性问题，广泛 应用于组合优化、自适应控制中，是21世纪智 能计算关键技术之一。
五 控制器参数优化
5.5 先进控制 过程控制策略的分类:
• 第一类:传统控制策略，包括:手动控制、PID控制、 比值控制、串级控制、前馈控制:
遗传算法中涉及的几个重要名称： 染色体----参数空间的数据或数组，或称基因型个体 （Individuals），是遗传算法处理的基本单位； 种群（Population）----由一定数量个体组成； 种群规模（ Population Size）----种群中个体的数目， 也叫种群的大小； 适应度（Fitness）----各个体对环境的适应程度。
5.3 粒子群算法（PSO）
PSO算法主要计算步骤如下:
• Step 1:初始化，设定加速常数Cl. C2，最大进化代数Tmax， 将当前进化代数置为t=1，在定义空间中随机产生m个粒子，组成 初始种群s(t);随机产生各粒子初始速度和位置。
• Step2:评价种群，计算每个粒子在每一维空间的适应值。
五 控制器参数优化
5.1 控制器参数优化概述
采用智能控制或先进控制自动寻找最优的PID 参数，使系统性能指标达到最优。
参数寻优就是函数求极值的问题，一般情况先 给出一个初始点，然后由程序按照一定的方法 反复迭代求极值点。参数寻优方法很多，如： 插值法、补偿加速法、方向加速法、遗传算法、 粒子群寻优算法、蚁群算法等。
五 控制器参数优化
5.2 遗传算法与控制器参数优化
参数编码（Coding）----数据转换操作，表现型到基 因型的转换，把搜索空间中的参数或解转换成遗传空间 中的染色体或个体； 初始种群的设定； 适应度函数的计算； 遗传操作：选择、交叉、变异； 参数解码（Decoding）----数据转换操作，基因型到
5.2 遗传算法与控制器参数优化
生物遗传过程中涉及到的重要名称： 染色体----生物遗传物质的主要载体； DNA----染色体中的最主要的遗传物质； 基因----控制生物性状的遗传物质的功能单位 和结构单位； 基因型和表现型----染色体的两种表现形式。
五 控制器参数优化
5.2 遗传算法与控制器参数优化
五 控制器参数优化
遗传算法以目标函数（适应度函数）为依据进行寻优。
五 控制器参数优化
5.2 遗传算法与控制器参数优化
采用遗传算法进行PID参数整定：
五 控制器参数优化
5.3 粒子群算法（PSO） 自然界中一些生物的行为特征呈现群体特征，可以用
简单的几条规则将这种群体行为在计算机中建模，实际 上就是在计算机中用简单的几条规则来建立个体的运动 模型，但这个群体的行为可能很复杂。 例如，使用了下列三个规则作为简单的行为规则: • l)向背离最近的同伴的方向运动; • 2)向目的运动; • 3)向群体的中心运动。 群体中每个个体都遵循以上原则，从这种群行为特性 中得到启发求解优化问题。