PID最形象解释及其算法代码

小明接到这样一个任务：

有一个水缸点漏水(而且漏水的速度还不一定固定不变)，

要求水面高度维持在某个位置，

一旦发现水面高度低于要求位置，就要往水缸里加水。

小明接到任务后就一直守在水缸旁边，

时间长就觉得无聊，就跑到房里看小说了，

每30分钟来检查一次水面高度。水漏得太快，

每次小明来检查时，水都快漏完了，离要求的高度相差很远

，小明改为每3分钟来检查一次，结果每次来水都没怎么漏

，不需要加水，来得太频繁做的是无用功。几次试验后，

确定每10分钟来检查一次。这个检查时间就称为采样周期。

开始小明用瓢加水，水龙头离水缸有十几米的距离，

经常要跑好几趟才加够水，于是小明又改为用桶加，

一加就是一桶，跑的次数少了，加水的速度也快了，

但好几次将缸给加溢出了，不小心弄湿了几次鞋，小明又动脑筋，

我不用瓢也不用桶，老子用盆，几次下来，发现刚刚好，不用跑太多次，

也不会让水溢出。这个加水工具的大小就称为比例系数。

小明又发现水虽然不会加过量溢出了，有时会高过要求位置比较多

，还是有打湿鞋的危险。他又想了个办法，在水缸上装一个漏斗，

每次加水不直接倒进水缸，而是倒进漏斗让它慢慢加。这样溢出的问题解决了，

但加水的速度又慢了，有时还赶不上漏水的速度。

于是他试着变换不同大小口径的漏斗来控制加水的速度

，最后终于找到了满意的漏斗。漏斗的时间就称为积分时间。

小明终于喘了一口，但任务的要求突然严了，

水位控制的及时性要求大大提高，一旦水位过低，

必须立即将水加到要求位置，而且不能高出太多，否则不给工钱。

小明又为难了！于是他又开努脑筋，终于让它想到一个办法，常放一盆备用水在旁边，

一发现水位低了，不经过漏斗就是一盆水下去，这样及时性是保证了，但水位有时会高多了。

他又在要求水面位置上面一点将水凿一孔，再接一根管子到下面的备用桶里这样多出的水会从上面的孔里漏出来。

这个水漏出的快慢就称为微分时间。

大学时代做机器人时用的PID算法源代码：

#define PID_Uint struct pid_uint

PID_Uint

{

int U_kk;

int ekk;

int ekkk;

int Ur; //限幅输出值,需初始化

int Un; //不灵敏区

//int multiple; //PID系数的放大倍数，用整形数据的情况下，提高PID参数的设置精度固定为256

int Kp; //比例，从小往大调

int Ti; //积分，从大往小调

int Td; //微分，用巡线板时设为0

int k1; //

int k2;

int k3;

};

/********************************************************************

函数名：void Init_PID_uint(PID_uint *p)

功能：初始化PID参数

说明：调用本函数之前，应该先对Kp,Ti,Td做设置,简化了公式

入口参数：PID单元的参数结构体地址

返回值：无

***********************************************************************/

void Init_PID_uint(PID_Uint *p)

{

p->k1=(p->Kp)+(p->Kp)*1024/(p->Ti)+(p->Kp)*(p->Td)/1024;

p->k2=(p->Kp)+2*(p->Kp)*(p->Td)/1024;

p->k3=(p->Kp)*(p->Td)/1024;

}

/********************************************************************

函数名：void reset_Uk(PID_Uint *p)

功能：初始化U_kk,ekk,ekkk

说明：在初始化时调用，改变PID参数时有可能需要调用

入口参数：PID单元的参数结构体地址

返回值：无

***********************************************************************/

void reset_Uk(PID_Uint *p)

{

p->U_kk=0;

p->ekk=0;

p->ekkk=0;

}

/********************************************************************

函数名：int PID_commen(int set,int jiance,PID_Uint *p)

功能：通用PID函数

说明：求任意单个PID的控制量

入口参数：期望值，实测值，PID单元结构体

返回值：PID控制量

***********************************************************************/ int PID_common(int set,int jiance,PID_Uint *p)

{

int ek,U_k=0;

ek=jiance-set;

if((ek>(p->Un))||(ek<-(p->Un))) //积分不灵敏区

U_k=(p->U_kk)+(p->k1)*ek-(p->k2)*(p->ekk)+(p->k3)*(p->ekkk);

p->U_kk=U_k;

p->ekkk=p->ekk;

p->ekk=ek;

if(U_k>(p->Ur)) //限制最大输出量，

U_k=p->Ur;

if(U_k<-(p->Ur))

U_k=-(p->Ur);

return U_k/1024;

}

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

基于遗传算法的PID整定原理及matlab仿真程序

主程序：chap5_2.m %GA(Generic Algorithm) Program to optimize PID Parameters clear all; close all; global rin yout timef Size=30; CodeL=3; MinX(1)=zeros(1); MaxX(1)=20*ones(1); MinX(2)=zeros(1); MaxX(2)=1.0*ones(1); MinX(3)=zeros(1); MaxX(3)=1.0*ones(1); Kpid(:,1)=MinX(1)+(MaxX(1)-MinX(1))*rand(Size,1); Kpid(:,2)=MinX(2)+(MaxX(2)-MinX(2))*rand(Size,1); Kpid(:,3)=MinX(3)+(MaxX(3)-MinX(3))*rand(Size,1); G=100; BsJ=0; %*************** Start Running *************** for kg=1:1:G time(kg)=kg; %****** Step 1 : Evaluate BestJ ****** for i=1:1:Size Kpidi=Kpid(i,:); [Kpidi,BsJ]=chap5_2f(Kpidi,BsJ); BsJi(i)=BsJ; end [OderJi,IndexJi]=sort(BsJi); BestJ(kg)=OderJi(1); BJ=BestJ(kg); Ji=BsJi+1e-10; %Avoiding deviding zero fi=1./Ji; % Cm=max(Ji);

MATLAB遗传算法PID大作业.

遗传算法在调节控制系统参数中的应用 【摘要】自动化控制系统多采用PID 控制器来调节系统稳定性和动态性，PID 的 Kp,Ki,Kd 参数需要合理选择方能达到目标。遗传算法是一种模拟生物进化寻求最优解的有效算法，本文通过利用GAbx 工具箱实现对控制电机的PID 进行参数优化，利用matlab 的仿真功能可以观察控制效果。 1. 直流伺服电机模型 1.1物理模型 图1 直流伺服电机的物理模型 αu ---电枢输入电压（V ） a R ---电枢电阻（Ω） S L ---电枢电感（H ） q u ---感应电动势（V ） g T ---电机电磁转矩（N m ?） J---转动惯量（2m kg ?） B---粘性阻尼系数（s m N ??） g i ---流过电枢的电流（A ） θ---电机输出的转角（rad ） 1.2传递函数 利用基尔霍夫定律和牛顿第二定律得出电机基本方程并进行拉布拉斯变换 ) ()()()()()()()()()()(2s s K s U K s I s T s Bs s Js s T s I s L R s I s U s U e q t a g g a a a a q a θθθ?=?=?+?=?+?=- 式中：t K 为电机的转动常数（m N ?）A ；e K 为感应电动势常数（s V ?）rad

图2 直流伺服电机模型方框图 消去中间变量得系统的开环传递函数： s K K B Js R s L K s U s s G C t a d t a ]))([() () ()(+++= = θ 系统参数如下：s m uN B m mg J ??=?=51.3,23.32 A m N K K uH L R e t a a )(03.0,75.2,4?===Ω= 2. PID 校正 图3 PID 校正 s K s K K s G d i p c ++ =)( Kp,Ki,Kd 为比例，积分，微分系数 令Kp=15、Ki=0.8 、Kd=0.6 M 文件：J=3.23E-6; B=3.51E-6; Ra=4; La=2.75E-6; Kt=0.03; num= Kt; den=[(J*La) ((J*Ra)+(La*B)) ((B*Ra)+Kt*Kt) 0]; t=0:0.001:0.2; step(num,den,t); Kp=15; Ki=0.8; Kd=0.6; numcf=[Kd Kp Ki]; dencf=[1 0]; numf=conv(numcf,num); denf=conv(dencf,den); [numc,denc]=cloop(numf,denf); t=0:0.001:0.04; step(numc,denc,t); matlab 进行仿真，我们可以看出不恰当的PID 参数并不能使系统达到控制系统的要求，

基于遗传算法的PID控制概述

龙源期刊网 https://www.wendangku.net/doc/f15446839.html, 基于遗传算法的PID控制概述 作者：张亚飞 来源：《卷宗》2013年第08期 摘要：基于PID控制应用的广泛性，本文简要阐述了遗传算法理论的关键思想及其在PID 控制中的应用策略，并用Matlab软件对一个控制实例进行了仿真研究。 关键词：PID控制；遗传算法；Matlab仿真 0 引言 PID控制作为最早实用化的控制算法已有70多年历史，现在仍然是控制系统中应用最为 普遍的一种控制规律。它所涉及的算法和控制结构简单，实际经验以及理论分析都表明，这种控制规律对许多工业过程进行控制时，一般都能得到较为满意的控制效果。随着控制理论的 发展，尤其是人工智能研究的日趋成熟，许多先进的算法理论逐渐被应用到传统的PID控制中，并取得了更为优越的控制效果。本文就以传统PID控制和遗传算法理论为基础，简述了基于遗传算法整定的PID控制基本理论和方法。 1 PID控制 通过将偏差的比例（Proportional）、积分（Integral）、微分（Derivative）进行线性组合构成控制量，对被控对象进行控制，这种控制方法叫做PID控制。在自动控制发展的历程中，常规PID控制得到了广泛的应用，整个控制系统由常规PID控制器和被控对象组成，根据系统给定值r（t）与实际输出值y（t）存在的控制偏差e（t）=r（t）-y（t）组成控制规律。PID控制器将偏差e（t）的比例-积分-微分通过线性组合构成控制量，对被控对象进行控制。其基本控制规律为 式中，Kp为比例增益，Ti为积分时间常数，Td为微分时间常数，u（t）为控制量，e （t）为偏差。 2 遗传算法基本操作 遗传算法，简称GA（Genetic Algorithms），是由美国Michigan大学的Holland教授于上世纪六十年代率先提出的一种高效并行全局最优搜索方法。遗传算法是模拟达尔文生物进化论的自然选择和孟德尔遗传学机理的生物进化过程的计算模型，它将“优胜劣汰，适者生存”的生物进化理论引入优化参数形成的编码串联群体中，按所选择的适配值函数通过遗传中的复制、交叉和变异对种群个体进行筛选，并保留适配值高的种群个体，组成新的群体。新的群体既继承了上一代的种群信息，又包含有优于上一代的个体信息，这样周而复始，种群中个体的适应度不断提高，直到满足一定的特定条件而停止运算，从而得到最优解。

基于遗传算法的PID参数整定

摘要：研究自动控制器参数整定问题，PID参数整定是自动控制领域研究的重要内容，系统参数选择决定控制的稳定性和快速性，也可保证系统的可靠性。传统的PID参数多采用试验加试凑的方式由人工进行优化，往往费时而且难以满足控制的实时要求。为了解决控制参数优化，改善系统性能，提出一种遗传算法的PID 参数整定策略。 在本文里，通过介绍了遗传算法的基本原理，并针对简单遗传算法在PID控制中存在的问题进行了分析，提出在不同情况下采用不同的变异概率的方法，并对其进行了实验仿真。结果表明，用遗传算法来整定PID参数，可以提高优化性能，对控制系统具有良好的控制精度、动态性能和鲁棒性。 关键词：PID控制器;遗传算法;整定PID 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，如模糊PID，神经元网络PID等…，但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高效的方向发展。正是由于遗传算法独特的工作原理，使它能够在复杂空间进行全局优化搜索，具有较强的鲁棒性。另外，遗传算法对于搜索空问，基本上不需要什么限制性的假设(如连续、可微及单峰等)。而其它优化算法，如解析法，往往只能得到局部最优解而非全局最优解，且需要目标函数连续光滑及可微；枚举

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

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