微粒群算法汇编.doc

目录 １　绪论 2 1.1 研究的背景和意义 2 1.2 常用的参数整定法 2 1.3 PID参数优化法 3 １.４　微粒群PID参数优化 3 ２　微粒群算法 4 2.1　算法起源 4 2.2　算法原理 4 2.3 算法流程 5 2.4　算法特点 6 2.5 全局模型和局部模型 7 2.6 带惯性权重的微粒群算法 7 2.7 微粒群算法的研究现状 8 3 PSO算法优化PID参数 8 3.1 PID控制原理 8 3.2 PID控制特点 9 3.3 优化设计简介 9 3.4 目标函数的选取 10 3.5 大迟滞系统简介 11 3.6 加温炉控制简介 14 4 系统仿真 14 4.1 工程上的参数整定 14 4.2 微粒群算法参数整定 16 4.3 结果比较 16 结论与展望 16 １　绪论 1.1 研究的背景和意义 效率是人们追求的最终目标，不断提高解的质量和求解的速度，尽可能地提高效率以节省时间,顺应现代工业的发展，PID控制器在智能控制方面起着越来越重要的作用，因为其具有结构简单，鲁棒性好，可靠性高等特点。在工业控制过程中，大多控制都是高阶，时滞和非线性的，所以对PID控制的参数整定是非常困难的，PID的控制性能与控制器参数的优化整定直接相关，其参数的整定已成为PID控制器应用需要解决的首要问题[1]。为解决各种优化问题，人们提出了许多优化算法，比较著名的有蚁群算法、神经网络算法[2]和遗传算法等。优化问题有两个主要问题。一是要求寻找全局最小点，二是要求有较高的收敛速度。蚁群算法适合在图上搜索路径问题，但计算开销会大。神经网络算法，编程和解码过程需要大量CPU时间，算法易早熟，收敛易陷入局部最优涉及到繁琐的编码解码过程和很大的计算量用的参数整定方法：实验凑试法、衰减曲线法、临界比例度法、反应曲线法。实验凑试法是通过闭环运行或模拟，观察系统的响应曲线，然后根据各参数对系统的影响，反复凑试参数，直至出现满意的响应，从而确定PID控制参数。用衰减曲线法整定调节器参数的方法是：在纯比例作用下，为，为0，目的是要得到，衰减振荡过度过程曲线。根据所得曲线，若衰减大于 应调整朝小比例带方向；若小于，应调整朝大比例带方向。记下的比例带，并在记录曲线上求得衰减时的调节周期，然后计算，，各值。临界比例度法考虑的实质是通过现场试验找到等幅振荡的过渡过程，得到临界比例度和等幅振荡周期。当操纵变量作阶跃变化时，被控变量随时间变化的曲线称为反应曲线。对有自衡的非振荡过程，广义对象传递函数常可用近似。K，和T可用图解法等得出。调节器参数整定的反应曲线是依据广义对象的K，和T确定调节器参数的方法。 搜索方向，逐步逼近函数的极小值点误差积分准则ISTE最优设定方法是针对一类特定被控对象的，如果被控对象形式已知，可以考虑使用这种ISTE误差积分准则作为目标函数进行参数优化；蚁群算法是受到自然界中真实蚁群集体行为的研究成果的启发而提出的基于种群的模拟进化算法。本文用群算法对PID参数进行先选择控制系统的目标函数，用时间乘以误差的，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，然后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，并以此进行寻优，得到较好的PID参数。再利用MATLAB编制粒子群算法寻优程序。通过粒子群算法优化系统性能最佳的PID参数后采用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，都比原来的曲线有了很大的改进。 粒子群优化算法的流程如图2.1所示 2.1 基本粒子群算法流程图 2.4　算法特点 易于描述 设置参数少容易实现收敛速度快粒子群算法容易实现当然，PSO算法也和其它全局优化算法一样，有收敛精度不高，后期收敛速度慢，易陷入局部最优等缺点。粒子的行为是受自身最优pbest和全局最优gbest的影响，这种版本称为全局版本PSO算法另一种为局部版本PSO算法，在该算法中，粒子的行为是不受全局最优gbest影响的，而是受自身最优pbest和拓扑结构中邻近粒子中的局部最优lbest影响的对局部版本，式 2.1 改为： 2.3 其中，pij为邻近粒子的局部最优。 比较两种版本的算法，我们可以发现：因为全局版本PSO算法中所有粒子信息是共享的，所以算法收敛到全局最优的速度比局部版本PSO算法快。但全局PSO算法易陷入局部最优；局部PSO算法允许粒子与邻近粒子比较，相互施加影响，虽然算法收敛速度慢，但不易陷入局部最优。探索是偏离原来的寻优轨迹去寻找一个更好的解，探索能力是一个算法的全局搜索能力。开发是利用一个好的解，继续原来的寻优轨迹去搜索更好的解，它是算法的局部搜索能力。如何确定局部搜索能力和全局搜索能力的比例，对一个问题的求