网络控制系统的神经网络PID控制优化研究.docVIP

网络控制系统的神经网络PID控制优化研究摘 要 对PID控制器参数优化的研究，在网络控制系统中传统的PID控制方法由于被控对象的非线性、时延和系统扰动等因素降低控制器的效果，从而影响系统的稳定性。用实时性要求较高的直流电机作为被控对象进行matlab仿真，仿真结果表明采用压缩映射遗传算法神经网络的PID控制器系统响应速度快和控制精度高，网络控制系统具有鲁棒性和抗干扰能力。【关键词】网络控制系统 压缩映射遗传算法 神经网络 参数优化1 引言PID控制器要想得到理想的控制效果，就需要取得PID控制中比例、积分和微分三个参数的最优值。传统的PID控制器已经不能满足现代的需求，因而将智能控制技术引入了PID控制器中。2 基于神经网络PID控制器原理（1）PID控制器。在控制系统中常常用到PID控制，PID即对输入偏差进行比例积分微分运算。PID控制器是由比例、积分和微分三个环节组成，PID控制器能否取得好的控制性能就要调节好比例、积分、微分的三者的关系。基于遗传神经网络PID控制器采用经典的增量式数字PID控制器，可以直接对被控对象进行闭环控制且对三个参数进行在线整定。（2）基于神经网络PID控制器。BP神经网络是现在应用最为广泛和成功的神经网络之一，BP神经网络具有学习能力强、可逼近任意非线性的优势，它是一种单向传播多层前向网络，采用最小均方差和梯度算法，由输入层、隐含层和输出层三层组成，其中输入层与隐含层、隐含层和输出层通过相应的权值连接起来的。3 压缩映射遗传算法优化BP网络的初始值3.1 压缩映射遗传算法传统的遗传算法并不可能保证全局的最优收敛，因此对传统的遗传算法进行改进，把Banach定理用于遗传算法即压缩映射遗传算法。遗传算法能够被定义为群体之间的变形，构造的度量空间X使得其成员为群体P，那么任何的压缩映射f都有唯一地不动点，不动点是f应用于任意一个初始群体P（0）迭代得到的。根据Banach定理可以得到合适的度量空间，在此空间中的遗传算法是收缩的，就可以在不动点上获得算法的收敛性，与初始群体的选择无关。3.2 压缩映射遗传算法对BP网络的优化BP算法使用的是梯度算法，训练是从某一点开始沿着误差函数的斜面达到误差的最小值，不同的始点会导致不同的最小值产生，得到不同的最优解，因此BP神经网络的PID在网络优化训练时有收敛速度慢、易陷入局部极小和全局搜索能力差的缺点。而压缩映射遗传算法具有收敛性，能够在BP神经网络搜索时保证全局最优收敛，从而能得到最优解或准最优解。采用压缩映射遗传算法来对BP神经网络的权值和阈值进行学习和优化，然后用BP网络进行在线整定PID参数，从而达到良好的控制效果。3.2.1 编码方式BP神经网络的权值和阈值的学习是复杂的连续参数优化，如果采用二进制编码就会使得编码串过长，影响网络学习的精度。使用实数编码比较直观并且不会出现精度不足，BP神经网络的各个权值和阈值组按照顺序联成一个长串，串上的每一个位置对应着网络中的一个权值或者阈值。3.2.2 适应度函数遗传算法中的适应度函数来评价染色体优劣，将染色体上表示的各个权值分配到给定的网络结构中，网络以训练集样本为输入输出，运行后返回E（pi）来评价函数达到最优目标：Eval（pi）=E（pi），其中误差越小， Eval（pi）的值就会越小。群体的适应度函数为：Eval（p） = Eval（pi）3.2.3 初始群体的选择本文采用实数编码的方式，初始群体表示为：Si（p）={V1，V2，…Vm}，其中i=1，2，…，M；j=1，2，…，m；M为群体中潜在解的个数，其取值在20-100之间，考虑所处理的求解时间。在初始染色体集时网络中各个权值都是以e-|r|的概率分布来随机确定，遗传算法的这种随机分布方法使得当网络收敛后，权值的绝对值都很小，能够搜索所有的可行解范围。3.2.4 遗传算子遗传算子采用了选择、交叉和变异算子。选择算子目的是从群体中选择适应度大的优胜个体，适应度越大的个体被选择的机会就越大。在选择算子中采用最优保存策略，即当前群体中的适应度最高的与上一代群体中最高适应度相比较，如果当代比上一代高就保留当前的个体，相反则淘汰新一代中的一个个体，将上一代最高适应度的个体加入新一代中。 本文使用自适应变异算子，适应值大的个体在较小的范围中搜索，而适应值较小则在较大的范围中搜索，可以根据解的质量自适应地调整搜索区域来提高搜索能力。3.2.5 算法终止准则在满足适应函数最大值时终止遗传算法迭代，由于网络中适应度的最大值不清楚，本身就是搜索的对象，因此在发现在群体中一定比例的个体已经为一个个体时终止迭代，本文设定最大遗传代数，即使最大遗传代数没有找到最优解也终止算法。4 仿真研究在matlab中构建遗传神经网络PID控制器，利用Truetime构建NCS仿真模