文档库 最新最全的文档下载
当前位置:文档库 › PID梯度优化法与动态系统参数估计

PID梯度优化法与动态系统参数估计

PID梯度优化法与动态系统参数估计
PID梯度优化法与动态系统参数估计

基于蚁群算法的PID控制参数优化Matlab源码

基于蚁群算法的PID控制参数优化Matlab源码 (2009-07-26 12:31:02) 除了蚁群算法,可用于PID参数优化的智能算法还有很多,比如遗传算法、模拟退火算法、粒子群算法、人工鱼群算法,等等。 function [BESTX,BESTY,ALLX,ALLY]=ACOUCP

(K,N,Rho,Q,Lambda,LB,UB,Num,Den,Delay,ts,StepNum,SigType,PIDLB,PIDUB) %% 此函数实现蚁群算法,用于PID控制参数优化 % GreenSim团队原创作品,转载请注明 % Email:greensim@https://www.wendangku.net/doc/2f6900138.html, % GreenSim团队主页:https://www.wendangku.net/doc/2f6900138.html,/greensim % [color=red]欢迎访问GreenSim——算法仿真团队→[url=https://www.wendangku.net/doc/2f6900138.html,/greensim] https://www.wendangku.net/doc/2f6900138.html,/greensim[/url][/color] %% 输入参数列表 % K 迭代次数 % N 蚁群规模 % Rho 信息素蒸发系数,取值0~1之间,推荐取值0.7~0.95 % Q 信息素增加强度,大于0,推荐取值1左右 % Lambda 蚂蚁爬行速度,取值0~1之间,推荐取值0.1~0.5 % LB 决策变量的下界,M×1的向量 % UB 决策变量的上界,M×1的向量 % Num 被控制对象传递函数的分子系数向量 % Den 被控制对象传递函数的分母系数向量 % Delay 时间延迟 % ts 仿真时间步长 % StepNum 仿真总步数 % SigType 信号类型,1为阶跃信号,2为方波信号,3为正弦波信号 % PIDLB PID控制输出信号限幅的下限 % PIDUB PID控制输出信号限幅的上限 %% 输出参数列表 % BESTX K×1细胞结构,每一个元素是M×1向量,记录每一代的最优蚂蚁 % BESTY K×1矩阵,记录每一代的最优蚂蚁的评价函数值 % ALLX K×1细胞结构,每一个元素是M×N矩阵,记录每一代蚂蚁的位置 % ALLY K×N矩阵,记录每一代蚂蚁的评价函数值

基于粒子群算法的控制系统PID参数优化设计

基于粒子群算法的控制系统 PID 参数优化设计 摘 要 本文主要研究基于粒子群算法控制系统PID 参数优化设计方法以及对PID 控制的 改进。PID 参数的寻优方法有很多种,各种方法的都有各自的特点,应按实际的系统特点选择适当的方法。本文采用粒子群算法进行参数优化,主要做了如下工作:其一,选择控制系统的目标函数,本控制系统选用时间乘以误差的绝对值,通过对控制系统的逐步仿真,对结果进行分析。由于选取的这个目标函数的解析式不能直接写出,故采用逐步仿真来实现;其二,本文先采用工程上的整定方法(临界比例度法)粗略的确定其初始的三个参数p K ,i K ,d K ,再利用粒子群算法进行寻优,得到更好的PID 参数;其三,采用SIMULINK 的仿真工具对PID 参数优化系统进行仿真,得出系统的响应曲线。从中发现它的性能指标,都比原来有了很大的改进。因此,采用粒子群算法的优越性是显而易见的。 关键词 目标函数;PID 参数;粒子群算法;优化设计;SIMULINK

Optimal design of PID parameter of the control system based on Particle Swarm Optimization Abstract The main purpose of this paper is to study the optimal design of PID parameter of the control system based on Particle Swarm Optimization and find a way to improve the PID control. There are a lot of methods of optimization for the parameters of PID, and each of them has its own characteristics. The proper methods need to be selected according to the actual characteristics of the system. In this paper we adopt the Particle Swarm Optimization to tune the parameters. To finish it, the following tasks should be done. First, select the target function of the control system. The target function of the control system should be chosen as the absolute value of the error multiplied by time. Then we simulate the control system gradually, and analyze the results of the process. Because the solution of the target function cannot be worked out directly, this design adopts simulation gradually. Second, this paper adopts the engineering method (the critical ratio method) to determine its initial parameters p K ,i K ,d K , then uses the Particle Swarm Optimization to get a series better PID parameters. Third, this paper uses the tool of SIMULINK to optimize the parameters of PID and gets the response curve of the system. By contrast with the two response curves, it is clearly that the performance has improved a lot than the former one. Therefore, it is obviously to find the advantages in using the Particle Swarm Optimization. Key word : target function; PID parameters; Particle Swarm Optimization; optimal design; SIMULINK

基于自适应果蝇优化算法的PID参数优化

2018年10月 第46卷第20期 机床与液压 MACHINETOOL&HYDRAULICS Oct 2018 Vol 46No 20 DOI:10.3969/j issn 1001-3881 2018 20 033 收稿日期:2017-05-09 基金项目:陕西省重点研发计划资助项目(2018GY?042);咸阳市科技局资助项目(2017K02?05) 作者简介:李明辉(1972 ),男,博士,教授,主要从事智能及高级过程控制的研究三E-mail:60334@sust edu cn三 基于自适应果蝇优化算法的PID参数优化 李明辉1,曹泽1,王玉洁2 (1 陕西科技大学机电工程学院,陕西西安710021;2 上海亚太计算机信息系统有限公司,上海200040) 摘要:针对基本果蝇优化算法(FOA)控制精度不高且易陷入局部最优的缺陷,提出一种自适应果蝇优化算法 (IFOA)的PID参数优化方案三该算法以控制偏差绝对值和输入平方项的时间积分作为适应度函数,经过迭代寻优得到最优的PID参数值三通过二阶时滞系统测试并与基本果蝇优化算法比较,结果表明:该算法控制精度高二响应速度快二鲁棒性好,为PID参数优化提供了参考三 关键词:自适应果蝇优化算法(IFOA);适应度函数;PID;参数优化 中图分类号:TP273一一文献标志码:A一一文章编号:1001-3881(2018)20-144-4 OptimizationofPIDParametersBasedonImprovedFruit?flyOptimizationAlgorithm LIMinghui1,CAOZe1,WANGYujie2 (1 CollegeofMechanicalandElectricalEngineering,ShaanxiUniversityofScience&Technology,Xi anShaanxi710021,China;2 ShanghaiAsia&PacificComputerInformationSystemCo.,Ltd.,Shanghai200040,China) Abstract:Aimingatthedefectsofthebasicfruit?flyoptimizationalgorithm(FOA),thecontrolaccuracywasnothighandeasy tofallintolocaloptimum,amethodforparameteroptimizationofPIDcontrollerbasedonimprovedfruit?flyoptimizationalgorithm(IFOA)wasproposed,inwhichabsoluteerrorandthesquareofcontrolinputwereusedasfitnessfunctionandtheoptimalPIDparametervaluewasobtainedthroughiterativeoptimization.Comparedwiththebasicfruit?flyoptimizationalgorithm,thesimulationresultsshowthatthealgorithmhashighcontrolprecision,fastresponseandrobustnessthroughtwoorderdelaysystemtest.ItprovidesareferenceforPIDparameteroptimization. Keywords:Improvedfruit?flyoptimizationalgorithm(IFOA);Fitnessfunction;PID;Parameteroptimization 0一前言 PID控制器由于其算法简单二鲁棒性好二可靠性 高,被广泛应用于工业过程控制中[1]三传统的PID 控制器参数整定采用人工经验,很难得到理想的最优值三目前,随着人工智能技术的发展,不少学者针对PID参数整定提出新的算法,如遗传算法二粒子群算法等得到了一定的效果[2]三这些算法灵活二简单二易理解,在解决工业过程控制的实际问题中具有非常广阔的应用前景[3]三然而,遗传算法编程复杂,参数较多;粒子群算法在进化后期收敛速度减慢,同时陷入局部最优的可能性加大三 果蝇优化算法(Fruit?flyOptimizationAlgorithm,FOA)是2011年台湾学者潘文超提出的一种新的全局优化进化算法[4]三该算法由于程序代码简单二易于 理解二参数较少,且全局寻优能力强二收敛速度快等优点,在近几年来引起广泛关注[5]三JHAN等[6]采用果蝇优化算法进行PID参数整定,得到FOA避免早熟的结论;YLIU等[7 -8] 采用混沌搜索的FOA算法整 定PID参数,减少了适应度波动;宋娟[9]采用FOA与PSO相结合的混合寻优来优化PID整定参数,使得控制器有较好的控制效果和收敛特性三 作者针对基本果蝇优化算法(FOA)寻优精度不高二容易陷入局部最优的缺陷,提出一种自适应果蝇优化算法[10]的PID参数优化方案三通过在果蝇搜索过程中引入半径调节系数以及选择合适的适应度函数,对PID的3个参数进行了优化三结果表明该算法能够快速高效地寻找到最优参数,有效提高了PID控制器的控制精度三 1一PID控制器基本原理 PID控制器是通过对偏差信号进行比例二积分二微分3个参数的控制,使得系统表现较好性能三PID控制原理如图1所示 三 图1一PID控制系统框图

粒子群算法优化模糊pid

本文选取常见的二阶惯性加纯滞后环节,传递函数为: )1)(1(21++=-s T s T e G s s τ 在这里,3.0,2,,121===τT T PID 参数取为2,1,2===i d p K K K 本设计中的模糊控制器采用两输入(e, ec),三输出(P,I,D)的形式来调整PID 参数。e 的论域为[-3,3],ec 的论域为[-3,3]。推理机使用 {,,,,,,}NB NM NS O PS PM PB ,表示{负大,负中,负小,零,正小,正中,正大}为了可以调节尽可能多的系统,此控制器选定在负边界处与正边界处分别选用平滑连续的Z 型隶属度函数与S 型隶属度函数,在中间部分采用灵敏度较强的三角形隶属度函数。规则表如下图所示: (1)主程序: clear clc %% 参数设置 w = 0、6; % 惯性因子 c1 = 1、414; % 加速常数 c2 = 1、623; % 加速常数 Dim = 5; % 维数 SwarmSize = 100; % 粒子群规模 ObjFun = @PSO_PID; % 待优化函数句柄

MaxIter = 100; % 最大迭代次数 MinFit = 0、01; % 最小适应值 Vmax = 2; Vmin =-2; Ub = [20 50 1 1 1]; Lb = [0 0 0 0 0]; %% 粒子群初始化 Range = ones(SwarmSize,1)*(Ub-Lb); Swarm = rand(SwarmSize,Dim)、*Range + ones(SwarmSize,1)*Lb; % 初始化粒子群 VStep = rand(SwarmSize,Dim)*(Vmax-Vmin) + Vmin; % 初始化速度 fSwarm = zeros(SwarmSize,1); for i=1:SwarmSize fSwarm(i,:) = feval(ObjFun,Swarm(i,:)); % 粒子群的适应值 end %% 个体极值与群体极值 [bestf,bestindex]=min(fSwarm); zbest=Swarm(bestindex,:); % 全局最佳 gbest=Swarm; % 个体最佳 fgbest=fSwarm; % 个体最佳适应值 fzbest=bestf; % 全局最佳适应值 %% 迭代寻优 iter = 0; y_fitness = zeros(1,MaxIter); % 预先产生4个空矩阵 K_p = zeros(1,MaxIter);

PID参数优化算法研究

PID参数优化算法研究 陕西科技大学何佳佳 【摘要】PID参数优化是自动控制领域研究的一个重要问题。本文主要介绍了PID参数优化算法以及近年来在此方面取得的的研究成果,并对未来PID参数优化的研究方向作了展望。 【关键词】PID控制;算法;参数优化 Study of algorithms on PID parameter optimization HE Jiajia, HOU Zai-en Abstract: PID parameter optimization is an important problem in automatic controlling field. The Algorithms of PID parameter optimization and the latest achievements in this aspect are mainly introduced in this paper, and the future directions of PID parameter optimization are also discussed. Keywords:PID control; algorithm; parameter optimization 1 引言 PID控制即比例-积分-微分(Proportion-Integral-Derivative)控制,它是建立在经典控制理论上的一种控制策略。在工业过程控制系统中,当被控对象的结构和参数不能完全掌握,或精确的数学模型难以建立,或控制理论的技术难以采用时,系统控制器的结构和参数必须依靠经验和现场调试来确定,这时最常用的就是PID控制。即使我们不完全了解一个系统和被控对象,或不能通过有效的测量手段来获得系统参数时,也适合采用PID控制技术。PID控制器就是根据系统的误差,利用比例、积分、微分计算出控制量进行控制的。它是迄今为止历史最悠久,生命力最强的控制方式,国内外95%[1]以上的控制回路仍然采用PID结构。在控制理论和技术飞跃发展的今天,PID控制器仍被广泛应用主要是因为其控制结构简单,稳定性能好,可靠性高,易于实现等优点,而且许多高级控制都是以PID控制为基础的。而PID控制效果完全取决于PID参数的整定与优化,因此,PID参数的整定[2-6]与优化算法显得尤为重要。为了实现最优PID控制, PID参数优化算法已成为国内外控制理论研究的一个热点,由于单纯形法[7-8]等算法运算量大,而且极易陷入局部最优[9],因此需要找一种简单而高效的PID参数优化算法。近年来,随着计算机技术的发展,一些新的智能算法得到了迅速发展和广泛应用,特别是模拟进化算法,在理论研究和应用研究方面都相当活跃。目前,对PID参数优化算法的研究仍在继续,许多期刊不断地发表新的研究成果。本文主要介绍了五种PID参数优化算法,并对PID参数优化算法的发展作一综述。 2 PID参数优化简介 PID控制器由比例,积分和微分环节组成,其控制规律可表示为: () 1 ()()() t D P I T de t u t K e t e t dt T dt ??=++ ?? ?? ? (1)将式(1)写成传递函数形式:

粒子群算法优化模糊pid(谷风软件)

本文选取常见的二阶惯性加纯滞后环节,传递函数为: )1)(1(21++=-s T s T e G s s τ 在这里,3.0,2,,121===τT T PID 参数取为2,1,2===i d p K K K 本设计中的模糊控制器采用两输入(e, ec),三输出(P,I,D)的形式来调整PID 参数。e 的论域为[-3,3],ec 的论域为[-3,3]。推理机使用 {,,,,,,}NB NM NS O PS PM PB ,表示{负大,负中,负小,零,正小,正中,正大}为了可以调节尽可能多的系统,此控制器选定在负边界处和正边界处分别选用平滑连续的Z 型隶属度函数和S 型隶属度函数,在中间部分采用灵敏度较强的三角形隶属度函数。规则表如下图所示: (1)主程序: clear clc %% 参数设置 w = 0.6; % 惯性因子 c1 = 1.414; % 加速常数 c2 = 1.623; % 加速常数 Dim = 5; % 维数 SwarmSize = 100; % 粒子群规模 ObjFun = @PSO_PID; % 待优化函数句柄 MaxIter = 100; % 最大迭代次数 MinFit = 0.01; % 最小适应值 Vmax = 2; Vmin =-2; Ub = [20 50 1 1 1]; Lb = [0 0 0 0 0]; %% 粒子群初始化 Range = ones(SwarmSize,1)*(Ub-Lb); Swarm = rand(SwarmSize,Dim).*Range + ones(SwarmSize,1)*Lb; % 初始化粒子群

VStep = rand(SwarmSize,Dim)*(Vmax-Vmin) + Vmin; % 初始化速度fSwarm = zeros(SwarmSize,1); for i=1:SwarmSize fSwarm(i,:) = feval(ObjFun,Swarm(i,:)); % 粒子群的适应值end %% 个体极值和群体极值 [bestf,bestindex]=min(fSwarm); zbest=Swarm(bestindex,:); % 全局最佳 gbest=Swarm; % 个体最佳 fgbest=fSwarm; % 个体最佳适应值 fzbest=bestf; % 全局最佳适应值 %% 迭代寻优 iter = 0; y_fitness = zeros(1,MaxIter); % 预先产生4个空矩阵 K_p = zeros(1,MaxIter); K_i = zeros(1,MaxIter); K_d = zeros(1,MaxIter); e= zeros(1,MaxIter); ec = zeros(1,MaxIter); while( (iter < MaxIter) && (fzbest > MinFit) ) for j=1:SwarmSize % 速度更新 VStep(j,:) = w*VStep(j,:) + c1*rand*(gbest(j,:) - Swarm(j,:)) + c2*rand*(zbest - Swarm(j,:)); if VStep(j,:)>Vmax, VStep(j,:)=Vmax; end if VStep(j,:)Ub(k), Swarm(j,k)=Ub(k); end if Swarm(j,k)

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。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

相关文档
相关文档 最新文档