基于遺传算法的PID参数整定matlab.docxVIP

文献阅读与应用（40分）：PID参数整定与优化方法在实际应用中，实施PID控制首先面临PID参数的整定与优化问题，为此近年来发展了各种方法，如优化方法、模糊方法、神经网络方法、遗传方法、自学习方法，等等。请在IEEE的网站/xpl/periodicals.jsp/xpl/periodicals.jsp 或Elsevier的网站// 上查找英文期刊文章1篇，仔细阅读、领会其原理，编制PID参数整定算法的Matlab程序。在此基础上，撰写该方法的PID参数整定报告，并应用于图3所示系统的控制。给出实施PID控制前后系统的阶跃响应曲线及上升时间、超调量等指标，说明实施PID控制的效果。字数1500~3000字，并附Matlab程序。参考文献一同以附件形式发来。 （a）无PID控制 （b）有PID控制图3 已知被控对象G(s)，寻PID控制器参数基于遗传算法的PID参数整定引言PID控制具有算法简单、鲁棒性好和可靠性高等优点，因此被广泛用于工业生产过程。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，如Ziegler-Nichols设定方法、KT整定法等，这些方法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，比较费时费力。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，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。遗传算法遗传算法的基本原理遗传算法(GA)，是1962年由美国的J.H.Holland提出的一种模仿生物进化过程的最优化方法。是以自然选择与遗传理论为基础，将生物进化过程中适者生存与群体内部染色体的随机信息交换机制相结合的全局搜索算法。经过几十年的发展，GA算法的研究日渐成熟。 它的基本原理是以自然选择和基因遗传理论为基础，将生物进化过程中的适者生存规则与群体内部染色体的随机信息交换机制相结合，在问题解空间内进行全局并行、随机的搜索，其结果是向全局最优方向收敛。遗传算法模仿生物进化的步骤，引入选择，交叉，变异等算子。繁殖是在父母代种群中将适应度较高的个体选择出来，根据适者生存原理，淘汰适应度较低的个体，以优化种群；交叉是从种群中随机地抽取一对个体，并随机地选择一位交叉位进行交叉，生成新样本，达到增大搜索空间的目的；变异是模仿生物的基因突变，为了防止繁殖和交叉丢失重要的遗传信息；它对个体按位进行操作，以提高遗传算法的搜索效率和全局搜索能力。遗传算法的优点遗传算法是对参数的编码进行操作，而不对参数本身。 遗传算法是从许多点开始并行操作的，而不局限于一点，有效防止搜索过程收敛于局部最优解。遗传算法通过目标函数来计算适应度，不需要其他推导和附加信息，对问题的依赖性较小。遗传算法的寻优规则是由概率决定的，而非确定性的。遗传算法对于待寻优的函数基本无限制，它不要求函数连续和可微，因而应用范围较广。遗传算法在PID参数整定中的实现如图1所示是遗传算法在PID参数整定中的流程图，主要包括以下一个流程：产生初始种群产生初始种群P0是参数整定的第一步，参考文献，本文选用的初始种群参数如下：种群中的个体数量Size=30，迭代次数G=100，初始种群的生成是通过matlab语言E=round（rand(Size,3*CodeL)）实现的，它的意思是生成一个30x30的矩阵E来表示初始种群。PID参数的解码和编码在遗传算法中如何描述问题的可行解，即把一个问题的可行解从其解空间转换到遗传算法所能处理的搜索空间的转换方法称为编码。一般把问题的各种参数用编码构成子串，然后把子串并接成染色体串。二进制编码方法是遗传算法中最常用的一种编码方法。本文中采用的编码方式就是二进制编码，将Kp,Ki,Kd分别用10位二进制数表示，即CodeL=10,把这三个参数连接起来构成了一个由30位二进制数表示的字符串即遗传学中的染色体。在整定过程中对三个参数的优化就是通过对这个字符串的操作实现的。参数的范围选择Kp[0,30],Ki[0,10],Kd[0,10]，参数的解码首先是把10为二进制数转化为对应的十进制数y，然后再利用公式K=(Max(K)-Min(K))*y/（2^CodeL-1）求出对应的参数值，这就是解码过程。参数编码遗传操作种群1计算适配置满足要求，即达到最大迭代次数解码种群2寻优结束种群1 种群2复制交叉变异图1 遗传算法的基本流程建立适应度函数为获取满意的过渡过程动态特性，采用误差绝对值时间积分性能指标作为参数选择最小目标函数。为防止控制量过大，在目标函数中加入控制输入的平方项。最后选用以下