智能控制技术遗传算法在控制工程中的应用.pptxVIP

8.2 基于遗传算法的PID控制器设计;控制器参数优化 ;控制器参数优化 ;控制器参数优化 ;控制器参数优化 ;控制器参数优化 ;控制器参数优化 ;控制器参数优化 ;控制器参数优化 ;粒子群算法（PSO） 在PSO中，每个优化问题的可能解都可以想象成d维搜索空间上的一个点，我们称之为“微粒”（Particle) 。粒子在搜索空间中以一定的速度飞行，这个速度根据它本身的飞行经验和同伴的飞行经验来动态调整。所有的粒子都有一个被目标函数决定的适应值(fitness value)，并且知道自己到目前为止发现的最好位置(particle best，记为pbest)和当前的位置，这个可以看作是粒子自己的飞行经验。除此之外，每个粒子还知道到目前为止整个群体中所有粒子发现的最好位置(global best，记为gbest)(gbest是在pbest中的最好值)，这个可以看作是粒子的同伴的经验。每个粒子使用下列信息改变自己的当前位置:1)当前位置;2)当前速度;3)当前位置与自己最好位置之间的距离;4)当前位置与群体最好位置之间的距离。优化搜索正是在由这样一群随机初始化形成的粒子而组成的种群中，以迭代的方式进行的。;粒子群算法（PSO） PSO算法主要计算步骤如下: Step 1:初始化，设定加速常数Cl. C2，最大进化代数Tmax，将当前进化代数置为t=1，在定义空间中随机产生m个粒子，组成初始种群s(t);随机产生各粒子初始速度和位置。 Step2:评价种群，计算每个粒子在每一维空间的适应值。 Step3:比较粒子的适应值和自身最优值pbest。如果当前值比pbest更优，则置pbest为当前值，并设pbest位置为n维空间中的当前位置。 Step4:比较粒子的适应值与种群最优值gbest。如果当前值比gbest更优，则重置gbest的索引号。 Steps:按公式更新粒子的速度和位置，产生新种群S(t十1)。 Step6:检查结束条件，若满足，则结束寻优;否则，t=t+1，转至Step2。 结束条件为寻优达到最大进化代数或足够好的适应值。;蚁群算法 蚁群系统( Ant System) 是由意大利学者Dorigo等于20 世纪90 年代初提出的一种基于蚁群种群的新型优化算法[2], 它通过模拟自然界蚁群寻食过程中通过信息素( Pheromone) 的相互交流从而找到由蚁巢至食物的最短路径的现???, 提出了一种基于信息正反馈原理的蚁群优化算法并用于解决了一系列组合优化问题。 ;先进控制 过程控制策略的分类: 第一类:传统控制策略，包括:手动控制、PID控制、比值控制、串级控制、前馈控制: 第二类:先进控制一经典技术，包括:增益调整、时滞补偿、解耦控制; 第三类:先进控制一流行技术，包括:模型预测控制、内模控制、自适应控制、统计质量控制; 第四类:先进控制一潜在技术，包括:最优控制、非线性控制、专家系统、神经控制、模糊控制; 第五类:先进控制一研究中的策略，包括:鲁棒控制、H∞控制等。;内模控制概述 内模控制(Internal Model Control，简称IMC)是一种基 于过程数学模型进行控制器设计的新型控制策略。由于 具有良好的跟踪性能和抗干扰能力，并对模型失配有一 定的鲁棒性，使其在工业过程控制中获得了越来越广泛 的应用。 所谓内模控制，其设计思路就是将对象模型与实际对 象相并联，控制器逼近模型的动态逆，内模控制的一般;结构如图所示。图中yp，u为被控对象的输出量和控制 量；ym为内部模型输出；r为给定值(参考轨迹)；d为外部 扰动；Gp为被控对象；Gm为内部模型(标称模型)；Ｇc 为 (前馈)内模控制器；Gf为反馈滤波器。 ;内模控制系统的性质;内模控制器设计的两步法;;内模控制器与经典反馈控制器的关系; (A) (B) 内模控制与经典反馈控制的关系;;;基于全极点近似的时滞系统内模控制及IMC-PID转化;内模控制作用对比;用预测控制算法优化PID参数;预测PID控制算法的基本原理及研究现状;;具体技术细节;包括：1.通信接口 2.关系型数据库 3.模型辨识软件包 4.控制器优化软件包 5.装置运行自控率监控模块(长周期) 6.装置运行平稳率监控模块 可以监控统计和随时查询： 小时、日、周、月、年自控率和