【原创】文献阅读总结4《基于合作粒子群算法的PID神经网络非线性控制系统》.pptVIP

基于合作粒子群算法的PID神经网络非线性控制系统 汇报人：张辉 导师：郭强 2012年4月24日 来源：朴海国，王志新，张华强. 基于合作粒子群算法的PID神经网络非线性控制系统[J]，控制理论与应用,2009年12期. * * 作者简介： 朴海国(1977—), 男, 博士研究生, 目前研究方向为兆瓦级风力发电机组偏航控制系统研究, E-mail: phg0805@sjtu.edu.cn; 王志新(1964—), 男, 教授, 博士, 博士生导师, 目前研究方向为风力发电及其控制、智能机电控制系统、制造执行系统; 张华强(1967—), 男, 教授, 博士, 目前研究方向为阵变换器的控制策略、基于矩阵变换器的交流励磁变速恒频风力发电技术研究. PID神经元网络(PIDNN)模型为一种新型的神经网络模型, 兼有PID与神经网络的共同优点, 应用于复杂的控制系统, 取得优良控制性能，但其后向传播算法(BP)限制了该模型的应用范围. 为实现对非线性多变量系统的有效控制, 扩展神经网络的应有范围, 本文采用PIDNN神经网络设计了多变量PIDNN神经网络(MPIDNN)控制器,并用本文作者提出的合作粒子群算法(CPSO)取代了传统BP后向传播算法, 通过比较MPIDNN CPSO、MPIDNNCRPSO、MPIDNN PSO和MPIDNN BP4种控制器的控制性能, 仿真结果表明, 基于CPSO算法的MPIDNN控制器实现了对非线性多变量不对称系统的有效控制. 与传统的BP算法相比, CPSO算法提高了控制系统的稳定性、精确性与鲁棒性. 1.摘要 * 2.PIDNN神经网络结构与算法 PIDNN基本结构由3部分构成: 输入层、隐含层和输出层. 输入层包含两个比例神经元, 一个用于输入系统给定, 一个用于输入系统输出反馈. 输出层则由一个比例神经元构成, 用于被控系统控制量的输出. 隐含层为PIDNN主要构成部分, 含有3种神经元:比例神经元(P)、积分神经元(I)和微分神经元(D). 网络结构与单变量控制系统如图1所示: * 图1 PIDNN控制系统基本结构图 * 2.1 前向传播算法 由图1可知, PIDNN前向传播算法也是由3部分构成. 输入层中, 两个神经元的输入输出函数定义如下式: 式中: i = 1; 2, 为输入层比例神经元编号; k为采样时刻; q 为输入最大限制值; q’为超过最大限制值q时的实际输出值; ui(k)为输入层第i个神经元在k采样时刻的输入值; xi(k)为输入层第i个神经元在k采样时刻的输出值. 在隐含层中, 神经元的输入定义如下: 式中: j = 1; 2; 3, 为隐含层神经元编号; 为输入层与隐含层之间的连接权值. * 隐含层各神经元的输入输出函数分别定义如下式: 在输出层中, 唯一的比例神经元, 其输入定义为: 式中: h = 1, 为输出神经元的编号, 为隐含层与输出层的连接权值. 输出层比例神经元的输入输出函数为下式: 2.2 价值函数与后向传播(BP)算法 价值函数为神经网络训练的依据, 作为评估方法, 在神经网络控制器设计中不可或缺.基本PIDNN的价值函数定义如下: m为采样点总的数目; r(k)、y(k)分别为控制系统的输入和输出. 第n0步后, BP算法的权值修改公式为: 式(9)中: 为学习步长； 其符号的正负决定权值的变化方向, 其数值只影响权值的变化速度, 而权值变化速度可以通过学习步长加以调节, 因此, 这种替代是许可的。 * 3. CPSO合作粒子群算法与MPIDNN控制系统 3.1.1 传统PSO粒子群算法 PSO为一种新颖的进化算法, 来源于对鸟群或鱼群寻索食物的模仿。PSO中的每个粒子代表着一只飞鸟或是一条鱼, 拥有一个位置和一个速度, 分别代表最优问题在解空间的解与搜寻方向。 每一个粒子根据自身在搜寻过程中获得的最好经验pbest与全群粒子在搜寻过程中的获得的最好经验gbest来调整自身的速度与位置. 粒子的速度与位置更新公式为: 3.1 CPSO合作粒子群算法 式中: v与x代表粒子的速度与位置; k为采样时刻; w为平衡PSO算法全局搜索能力与局部搜索能力的时间衰减因子; c1与c2为正值的加速常数;r1与r2为介于0与1之间的随机数值; pbest代表粒子自身发现的最优位置; gbest为全群粒子发现的最优位置. * 3.1.2 CRPSO随机合作粒子群算法 CRPSO的目标是使用多个子群来搜寻解空间的不同部分, 通过采用随机合作机制来平衡全局搜索与局部搜索能力。 在CRPSO算法中, 每一子群中的