蚁群算法在PID控制中的应用及其参数影响.docVIP

　　蚁群算法在PID控制中的应用及其参数影响 孙铁成，张思敏，李超波（中国科学院微电子研究所微电子器件与集成技术重点实验室，北京100029） 摘要：鉴于传统PID参数整定方法的不足，提出了一种采用蚁群算法优化选取PID控制参数的方法。通过建立数学模型将PID控制参数选择问题抽象成路径选择问题，从而将蚁群算法成功的应用于PID参数优选，并对寻优过程进行了仿真。将结果与常用的临界比例度法整定的结果进行了比较，发现基于蚁群算法的PID参数优选方案可使系统超调量大幅减小，并明显缩短系统调节时间，具有良好的应用前景。此外，讨论了蚁群算法中的关键参数对算法性能的影响，对比了不同参数下算法的收敛速度和求解质量。 .jyqketer influence of ACO in PID control SUN Tiecheng，ZHANG Simin，LI Chaobo （Key Laboratory of Microelectronics Devices and Integrated Technology，Institute of Microelectronics，Chinese Academy of Science，Beijing 100029，China） Abstract：In vieeters tuning method，a neethod to optimize and selectPID control parameters by means of ACO（ant colony algorithm）is proposed，in of PID control pa?rameters is abstracted into the routing selection problem by building a mathematical model，thus ACO is applied successfully toPID parametric optimization and the optimizing process is simulated. It is found by paring on criti?cal proportioning method that the PID parameter optimization scheme based on ACO can reduce system overshoot significantlyand shorten tuning time of system obviously，and has a great application prospect. In addition，the influence of key parameter inACO on algorithm performance is discussed，and convergence velocity and solution quality of the algorithm eters are pared. Key；pheromone；parameter optimization 0 引言 PID控制是最早发展起来的控制策略之一，由于其算法简单易实现、鲁棒性好、可靠性高、不依赖被控对象的数学模型，因此至今仍然是工业控制领域应用最广泛的控制方式。然而PID 控制的控制效果好坏强烈依赖于控制参数的选择，传统的PID参数选取多采用人工试凑的方式，这往往需要操作人员具备大量的经验且相当耗时，显然不适合应用在通常包含数百个PID控制回路的现代工业系统中。 近年来，随着传统PID技术与现代计算机技术的结合，涌现出了一系列全新的PID 参数整定方法，例如将遗传算法、神经网络、蚁群算法等先进技术用于PID 参数寻优[1?3]，使传统的PID控制焕发出了新的活力。在这些先进方法当中，蚁群算法作为求解组合优化问题的有效手段，引起了国内外学者的广泛关注[4?7]。本文采用蚁群算法进行PID参数寻优，克服了传统PID参数整定法的不足，并通过仿真证明该方法的有效性。同时，还通过仿真研究蚁群算法中信息启发因子以及信息素挥发系数这两个关键参数对算法收敛速度和求解质量的影响。 1 蚁群算法基本原理 蚁群算法（Ant Colony Algorithm）是20世纪90年代由意大利科学家Dorigo Macro 等人通过观察自然界中的蚂蚁集体寻径行为提出的[8]。自然界中的蚂蚁没有视觉，但是会依靠行走过程中释放的一种叫信息素（Pher?omone）的物质来相互协作，最终使得蚂蚁群体具有高度的自组织性[9]。蚁群算法最初成功的应用在求解著名的旅行商