应用遗传算法优化PID控制器参数.pdfVIP

1998中国控制与决策学术年会论文集 应用遗传算法优化PID控制器参数 王文平事元宗 (太原理工大学机减系．030094) 摘要应用遗传算法对PID控制嚣参数进行优化设计，并重点舟绍了算法的具体实现．教学 仿真瞳证了演算法的有效性和合理性． 关t词遗传算法，参数优化，PID控制嚣 ～rj』Ii 1引 言 近年来，遗传算法(GA)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、优化方法，遗传算法简单通用、鲁棒性强、适于并行处理，在组合优化、机器学习、自适 应控制、规划设计和人工生命等领域的应用中已展现了其特色和魅力。目前，遗传算法正日益 和神经网络、模糊推理以及混沌理论等智能计算方法相互渗透和结合，这无疑对开拓zl世纪 新的智能计算技术具有重要意义…． 目前工业中采用最多的依然是PID控制，PID控制器参数的整定方式至今仍是众多学者 特剐关注的问题。从控制系统的最优化设计角度讲，采用仿真试验法，即系统动态仿真和参数 优化相结合的整定方式是比较理想的“3；本文提出将遗传算法应用于仿真试验法，用来优化 PID控制器参数，并且给出了具体的遗传优化算法．经过数字仿真，验证了该算法的有效性和 合理性． 2遗传算法与组台优化 遗传算法是一种建立在生物界自然选择原理和自然遗传机制基础上的随机化搜索方法。 其显著特点是应用随机统计理论，从问题解空间的多个点开始搜索问题的解，仿照生物界规 律．通过一代一代地改善变量解群的质量，追求问题解的总体台理性和鲁棒性。 组合优化问题一直是遗传算法活跃的研究课题．所谓组合优化是指在离散的、有限的数学 结构上．寻找一个满足给定约束条件并使其目标函数值达到最大或最小的解．PID控制器参数 的优化便是一个组合优化问题。 遗传算法求解组合优化问题涉及的主要问题有编码方案、适应度函数设计、约束条件处 理、选择机制、遗传算法参效确定等。在组合优化问题的实际应用中，合理处理以上问题，构造 合适的遗传算法框架，是遗传优化的关键所在”3。 3遗传算法在PID控制器参数优化设计中的应用 3．1参数编码方案 由于问题解为实数值，因而采用二进制编码较为合适。又因为是多参数优化问题．故需进 行多参数映射编码03．其方法是把每个参投先进行二进制编码得到三个子串，再把这三个子串 386 连成一个完整的染色体，从而构成遗传空闻中的个体。根据问题解的精度要求，可有不同的子 串长度，如8位、10位、12位、1 6位等．即三个参数可有各自不同的子串长度，同时三个子串对 应各自不同的参数范围。上述疗法可甩如下形式表示 1101．“lolo。110…oIo】 looo…1100 K， 丁， }丁二 3．2适应度函数设计 适应度函数评估是选择操作的依据．适应度函数设计直接影响到遗传算法的性能。许多研 r“ 究表明，J(ITAE)；l 好”3。由于遗传算法通常是求是大值问题．故需将目标函数映射成求最大值形式，本文将适应 r” 度函数取为J的倒数，即fitness=l／ltlP(￡)Idt。 J 0 3．3 遗传算法参数选择 群体规模n．交叉概率P。和变异概率尸．是遗传算法的关键参数，本文采用Schffer的研究 结果，即选择参数范围为n=20～30．P。一0．75～0．95，P，一0．005～0．01“j。 3．4初始群体生成 计算出三个参数值。然后在此三个数值附近生成初始群体．这种方法可使初始解群中聚集多种 较为优良的模式，实际上相当于缩小了搜索空间，从而使得遗传搜索能迅速找到最优解的位 置，提高了遗传算法性能。 3，5遗传操作 3．5．1选择机制 本文采用了最佳保留选择机制。其方法是：首先按赌轮选择机制执行遗传算法的选择功 能，即每个个体被选中的概率和其适应度值成正比，然后将当前解群中适应度最高的个体结构 完整的复制副下一代群体中。该选择机制的优点表现为整个进化过程能始终向着最优化的方 向进行，并