智能控制大作业-遗传算法.docVIP

智能控制与应用实验报告 遗传算法控制器设计 实验内容 考虑一个单连杆机器人控制系统，其可以描述为： 其中为杆的转动惯量，为杆的质量，为杆长，，为杆的角位置，为杆的角速度，为杆的角加速度， 为系统的控制输入。具体要求： 1.设计基于遗传算法的模糊控制器、神经网络控制器或PID控制器(任选一)。 2.分析采用遗传算法前后的控制效果。 3.分析初始条件对寻优及对控制效果的影响。 4.分析系统在遗传算法作用下的抗干扰能力(加噪声干扰、加参数不确定)、抗非线性能力(加死区和饱和特性)、抗时滞的能力。 对象模型建立 根据公式(1)，令状态量得到系统状态方程为： 由此建立单连杆机器人的模型如下： function dy = robot(t, y, u) M = 0.5; m=1.0; l=1.0; g=9.8; dy = zeros(2,1); dy(1) = (u - 0.5*m*g*l*sin(y(2)))/M; dy(2) = y(1); 基于遗传算法的PID控制器设计 仿真的采样时间为0.01s，输入指令为阶跃信号。采用实数编码方式，算法中使用的样本为20个，交叉概率和变异概率分别为Pc=0.8，Pm=0.2，选择遗传进化代数为30代。PID控制参数取值范围分别为：Kp为[0,25]，Ki为[0,20] ，Kd为[0,20]。 为获得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的最小目标函数。同时，为了防止控制能量过大，在目标函数中加入控制输入的平方项，得到最优指标为：，式中，为系统误差，为控制器输出，为上升时间，为权值。取。 遗传进化10代后，最优指标变化如图1所示，最优性能指标J= 51.9516，优化后的PID参数为Kp= 18.0976，Ki= 16.8281，Kd= 4.6012。 图1 性能指标 将训练好的PID参数代入原系统并与与原来的PID参数控制效果进行比较，得到图2： 图2 GA优化后的PID控制与原PID控制比较 系统原来的PID参数为：Kp=16,Ki=10,Kd=8。从图2中可以看出，训练后的PID参数控制效果明显原来的PID参数控制效果好。 初始条件对寻优及对控制效果的影响 根据第一次优化的结果，设定PID控制参数取值范围分别为：Kp为[10,20]，Ki为[10,20] ，Kd为[0,10]，得到第二次优化的性能指标J=48.6468，优化后的PID参数为Kp=18.6980，Ki=13.5172，Kd=5.5317。得到的控制效果如图3所示： 图3 第二次优化后的控制效果图 从图3中可以看出，第二次优化后的控制效果较第一次有所提升。 加入非线性因素的影响系统的响应特性分析 1.抗干扰能力 在优化后的PID控制器与原PID控制器中分别加入相同的随机噪声，系统响应如图4所示： 图4 加入噪声的系统响应曲线 从图4中的响应曲线可以看出，优化后的PID控制比原PID控制的效果要好一些，但抗干扰效果相差不大。 2.加入饱和 饱和区间为[-0.5,0.5]，得到的系统响应曲线如图5所示： 图5 加入饱和的系统响应曲线 从图5中可以看出加入饱和特性后，优化PID比原PID控制响应速度要一些。 3.加入时滞 在PID系统和神经网络系统中分别加入相同的时滞后，系统的响应曲线如图6所示： 图6 加入时滞的系统响应曲线 从图6中可以看出，加入时滞特性后优化PID控制器的控制效果明显比原PID控制效果要好一点，但差别不大。 总结 PID控制是工业过程中应用最广的策略之一，因此PID控制器参数的优化成为人们关注的问题，它直接影响控制效果的好坏。用遗传算法来进行参数寻优，不需要任何初始信息并可以寻求全局最优解。通过遗传算法寻优得到的PID控制器的控制效果会比凭经验调节出来的PID控制器的控制效果好一些。 3