《遗传算法大作业_南航_智能控制》.docVIP

南京航空航天大学 研究生实验报告 实验名称： 遗传算法PID控制器设计 姓 名： 学 号： 专 业： 201 年 月 日 PAGE \* MERGEFORMAT8 一、题目要求 考虑如下某水下航行器的水下直航运动非线性模型： 其中为水下航行器的前进速度， 为水下航行器的推进器推力，为水下航行器的输出，航行器本体质量、附加质量以及非线性运动阻尼系数分别为。 作业具体要求： 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。 二、基于遗传算法的PID控制器设计与仿真 1.遗传算法的水下航行器模型 采用遗传算法对PID控制器参数进行优化，其中水下航行器模型采用如下函数实现，通过调用ode45()可以求解此非线性模型。 % function dy = UnderwaterVehicle(t, y, u) m = 100 ; ma = 15 ; k = 10 ; dy = (u - k * abs(y) * y )/(m + ma) ; % 2.最优指标的选取 为获得满意的过渡过程动态特性，采用误差绝对值积分性能指标作为参数选择的最小目标函数。为防止控制能量过大，在目标函数中加入控制输入的平方项。选用下式作为参数选取的最优指标： 其中为系统误差，为控制器输出，为上升时间，、和为权值。 3.遗传算法中相关参数的设置 （1）遗传算法中使用的样本个数为30； （2）PID控制器参数Kp的取值范围为[0,2000]，Kd的取值范围为[0,100]，Ki的取值范围为[0,500]； （3）交叉概率和变异概率分别为Pc=0.9和Pm=0.3； （4）取，=0.001，=2.0； （5）设置进化40代。 相关代码的编写如下，详见文件夹的m文件。 Size_of_Sample = 30; CodeL=3; % Range of Kp MinX(1)=0*ones(1); MaxX(1)=2000*ones(1); % Range of Kd MinX(2)=0*ones(1); MaxX(2)=100*ones(1); % Range of Ki MinX(3)=0*ones(1); MaxX(3)=500*ones(1); G=40; BsJ=0; Ji(i)=0.999*abs(error(i))+0.001*u(i)^2; B=B+Ji(i); 编码方式采用浮点编码，经过40代进化，获得的优化参数如下：PID整定结果为Kp=103.7688，Kd=6.8640，Ki=50.4850。其中，代价函数J的优化过程如图1所示。 图1 代价函数J的优化过程 同时，得到在整定后的PID参数下的阶跃相应如下图2所示： 图2 系统阶跃响应 三、初始条件对对控制效果的影响 考察遗传算法的初始条件对PID参数寻优和控制效果的影响。 （1）设置Kp的取值范围为[0,1000]，Kd的取值范围为[0,500]，Ki的取值范围为[0,10]，仿真结果如下： 图3 系统阶跃响应 （2）保持变异概率Pm不变，设置交叉概率Pc=0.95，仿真结果如下： 图4 系统阶跃响应 （3）保持交叉概率Pc不变，设置变异概率Pm=0.2，优化求解及仿真结果如下： 图5 系统阶跃响应 由以上三组遗传算法优化对比可知，遗传算法的初始条件对控制效果具有重要影响。通过多次寻优，参数取值范围可以根据上次求解最优值适当缩小，进而可以大大缩短寻优时间。交叉和变异概率对寻优过程也有重要影响。 四、基于遗传算法的PID控制的性能分析 考察基于遗传算法的PID控制的抗干扰、抗非线性和抗时滞能力。 （1）抗噪声和不确定性干扰的能力： 图6 遗传算法PID控制的阶跃响应 图7 遗传算法PID控制的阶跃响应 从仿真结果可知，基于遗传算法的PID控制对量测噪声和模型参数不确定的能力较好。 （2）抗死区和饱和非线性干扰的能力： 图8 遗传算法PID控制的阶跃响应 图9 遗传算法PID控制的阶跃响应 从仿真结果可知，基于遗传算法的PID控制对死区和饱和非线性具有一定的抑制能力，PID控制器仍能保证获得不错的控制效果。 （3）抗时滞非线性干扰的能力： 图10 遗传算法PID控制的阶跃响应 图11 遗传算法PID控制的阶跃响应 通过仿真可知，基于遗传算法的PID控制能应对0.1s的时滞，但是当时滞为0.2s及以上时，控