基于PID控制器的自组织遗传算法.docVIP

基于PID控制器的自组织遗传算法 张金华*，庄健，杜海峰，王孙安 (陕西省西安市咸宁西路28号,西安交通大学机械工程学院，710049) 摘 要:本文提出了一种自组织的遗传算法（SOGA）具有良好的全局搜索性能和收敛速度。首先，我们引入了一个新的主导选择算子，这个主导选择算子能增强占主导个体的作用，以及引入了一个周期性变化的变异算子，它在生物进化过程中，随着进化一代比例积分导数(PID)控制器关键词遗传算法循环变异 主导选择 自组织控制器比例积分导数(PID)控制器结构简单的优点在实践中,控制系统通常有一些特性,如非线性、时间变化,和时间延迟使控制器参数更复杂此外,在某些情况下,因此,传统的PID参数优化方法不适合这些困难的计算。作为一个受欢迎的优化算法,遗传算法已被广泛用于将PID参数。Soltoggio[16]提出了一种改进遗传算法优化控制器经典一阶和二阶非线性植物致动器Q.G. Chen, N. Wang [3]采用基于人群分布的遗传算法优化PID控制器，并且发现为了减少搜索区域分布种群之间的竞争，而对算法的搜索能力进行了改进。 基于PID控制器具有良好的性能,已在实践中应用在本文中本文的组织如下描述自组织的遗传算法和分析了该算法的性能。研究的结果发表在第节和第节GA-PID控制器的结构一个PID控制器是一个使植物周围环境以及植物本身小变化不敏感的反馈控制器。连续形式的一个PID控制器, (1) 其中，u（t）为控制输出，是比例增益，和分别是积分和微分增益.离散的速度型PID控制规律被描述为 (2) 其中，和是PID车削参数，代表的时间常数。 2.2.适应度函数 GAs通过最大化一个给定的适应度函数搜索最优解，也就是提供了一个解决测量质量问题办法评估函数。这决定了任何工业过程的性能。因此,成本函数写成 (3) 其中，e（t）和u（t）是用于表示在时间t时的系统误差和控制输出，tr是上升时间，xi（i= 1，2，3）是权重系数。 为了避免超出规定, 在成本函数中采用刑罚价值，也就是说,一旦超出规定时,超出规定的值被添加到成本函数。 If ey(t)0 (4) else 其中，X4是一个系数，,ey(t) - y(t - 1), y(t)是控制对象的输出。最小化目标函数转化一个适应度函数: (5) 3.遗传算法 一个遗传算法是一种智能优化技术,依赖于自然界中发现的并行性，特别是其搜索程序是基于自然选择和遗传机制。GAs最初是由荷兰在20世纪70年代初设想[7]。GAs被用来定期解决困难的搜索，优化以及抵制自动化解决方案的机器学习问题[12]。它们可用于快速，可靠地解决疑难问题。这些算法很容易与现有的模拟和模型的接口，它们也很容易交叉。除了四个控制参数：人口规模，选择压力，交叉和变异率。 GAs包括三大算子:选择，交叉和变异，以人群为基础的优化方法解决在[10,13]。本文主要关注的是选择和变异算子。 3.1．选择选择是一个遗传算子,从当前一代的人口包括在下一代的人口选择一个染色体(个人)。选择算子的算法体现进化生物学。选择演示了“适者生存”这种现象,决定了遗传算法的进化轨迹。当前选择运营商包括轮盘,比赛,最高,和最佳选择。使用一个选择算子不能产生一个新的模式,但可以消除一些不太有用的。 (6) 其中，u（x）是健身的个体x， 表示在t代最优个体的适应度，b是选择压力转向系数。 3.2.交叉 交叉是一种结合了两种染色体的遗传算子，以产生一些具有每个家长的特点的一种新的染色体。交叉的主要思想是，如果孩子带有双方父母最显着特征，孩子可能会比双方的父母更加优秀。一般的交叉算子包括单点，双点和统一操作。交叉出现在进化过程中，根据一个用户可定义的交叉概率，这通常是模拟为一个固定的值。然而，研究人员已经提出了一些调整的交叉概率的网上的方法，例如，San José-Revuelta,用个体适应度熵调整交叉概率[15]。本文不提出任何新的概念，交叉算子。 3.3．变异变异是遗传算子一个染色体从它的初始状态改变一个或多个基因值。这可以导致全新的被添加到人口。有了这些新的个体,可以到达一个。变异是遗传搜索一个重要的部分,因为它有助于在任何局部最优防止人口停滞不前。变异根据一定的变异概率发生在进化过程中。