m等以系统具有期望相位裕度为指标,提出了两种P.PDFVIP

遗传融合的自适应蚁群算法最优PID控制研究 运算结果用以控制输出。在实际应用中，根据被控对象的特性和控制要求，可灵 活地改变PID的结构。特别在计算机控制系统中，更可以灵活应用。而PID控制 器的关键是PID参数。 1.2.1课题的国外研究现状 早在上世纪40年代，J.G.Ziegler和N.B.Nichols提出了一种PID参数整定方 法，称为Z-N法[33。后来，K.J.Astrom等以系统具有期望的相位裕度为指标，提 出了两种PID参数整定方法4[][51。到了上世纪90年代初，C.C.Hang等对Z-N法 进行了改进，提出了RZN法[[61aW.Ho等提出了一种利用幅值裕度和相位裕度对 PID参数进行整定的方法。遗传算法(GeneticAlgorithms，简称GA)随着 A《daption inNaturalandArtificialSystem))(Holland,1975)一书的问世，由美国Michigan大 学的JohnH.Holland教授创建后，DavidE.Goldberg博士在专著 《Genetic AlgorithminSearch，OptimizationandMachineLearning))(Coldberg,1989)发展和 完善了GA,GA以自然选择和遗传理论为基础，将生物进化过程中适者生存规则 与群体内部染色体的随机信息交换机制相结合，在问题空间进行全局并行的、随 机的搜索优化。GA是一种在寻求全局优化过程中不需要任何初始信息的方法。 因此，人们把遗传算法应用于PID参数的整定和寻优[71 自1979年DouglsR.Hofstadter首先提出了人工蚂蚁[8]的概念，探讨较低智能 的个体间能否通过相互作用而产生较高的智能，蚁群的自组织特性开始受到人们 的关注。从此，越来越多的研究者对蚁群的研究产生兴趣。如 1989年，Goss等 通过著名的双桥实验[91对阿根廷蚂蚁的觅食行为进行的研究，受蚂蚁行为的启发， Colornl和Dorigo等人于1992年提出了一种全新的模拟进化算法(AntAlgorithms) 与蚁群系统 (AntSystem)的概念pal[1 蚁群算法通过正反馈、分布式协作来寻找最优路径。这是一种基于种群寻优 的启发式搜索算法。它充分利用了生物蚁群能通过个体简单的信息传递，搜索从 蚁穴至食物间最短路径的集体寻优特征，显示了其适用于组合优化类问题求解的 优越特征。 蚁群算法 (AntColonyOptimization，简称ACO)最早是由MarcoDorigo等 人在1991年首次提出的，被称为蚂蚁系统 (AntSystem，简称AS)，利用蚂蚁觅 食行为与TSP(旅行商问题)的相似性进行模拟产生的一种仿生算法。主要通过 一种叫做信息素的物质对信息进行交流，根据信息素的多少进行选择和更新，通 过数次迭代产生全局最优解。 1992年，M.Dorig。在他的博士论文中进一步提出了蚁群系统，在这篇论文中， 根据信息素增量的不同计算方法，M.Dorig。给出了三种不同的模型，分别称为蚁 周、蚁量和蚁密模型;同时通过大量实验，讨论了不同参数对算法性能的影响， 工程硕士学位论文 确定了算法主要参数的有效区间。 由于在 AS中所有个体都要进行信息素更新，造成了信息素分配的浪费和分 配畸形，所以AS的性能并不很理想。19%年，M.Dorigo等人又提出了AS改进 的蚁群算法系统(AntColonySystem,简称ACS)[12][131，在蚂蚁选择下一城市时 使用的转移概率中加入伪随机分配概率。尽管ACS与AS相比提高了算法的性能， 但它仍然使用同AS中的全局信息素更新原则和局部信息素更新原则，即对所有 个体进行信息素更新，造成了信息素的大量冗余，弱化了好信息素的强度，为此， T.Stutzle等人在1997年提出T最大最小蚂蚁系统 (MAX-MINAntSystem，简称 MMAS)[1a.is，在信息素更新规则中每次迭代只使用最好的一只蚂蚁的路径进行 信息素更新，并且限定信息素的最大和最小值。 目前在上述蚁群算法的基础上不断地研究其改进方法。如:为了更好地解决 TSP问题，提出了由传统蚁群算法扩展而来的多重蚁群算法。这种算法由几个蚁 群来协同解决TSP问题，而传统的蚁群算法中则只有一个蚁群。而且，在蚁群群 体层的交互作用中还使用了正负两种信息素效应.由于引入了群体层的交互作用， 蚁群就能更好地交换问题解决过