13.11粒子群算法的PID参数优化.ppt

*7.3.4粒子群算法的PID参数优化PID控制是最早发展起来的控制策略之一，是指将偏差的比例、积分和微分通过线性组合构成控制量，对被控对象进行控制。在现代工业控制领域，PID控制器由于其结构简单、鲁棒性好、可靠性高等优点得到了广泛应用。PID的控制性能与控制器参数的优化整定直接相关，在工业控制过程中，多数控制对象是高阶、时滞、非线性的，所以PID控制器的参数整定是较为困难的。粒子群算法具有良好的全局寻优能力，本节采用粒子群算法实现对PID控制器的参数优化。*PID控制系统的原理框图，该控制系统由模拟PID控制器和被控对象组成。PID控制器是一种线性控制器，它根据给定值与实际输出值构成控制偏差对系统控制。即，PID的控制规律为：其中，为比例系数；为积分时间常数；为微分时间常数。7.3.4粒子群算法的PID参数优化*7.3.4粒子群算法的PID参数优化PID的控制规律的传递函数为：各个校正环节的作用：比例环节：成比例地反映控制系统的偏差信号，偏差一旦产生，控制器立即产生控制作用，以减小偏差。积分环节：主要用于消除静差，提高系统的无差度。积分作用的强弱取决于积分时间常数，越大，积分作用越强，反之则越弱。微分环节：反映偏差信号的变化趋势，并能在误差信号变得太大之前，在系统中引入一个有效的早期修正信号，加快系统的动作速度，减少调节时间。*目标函数的选取分为两大类：第一类是特征型目标函数，按照系统输出响应的特征提出；第二类是误差型目标函数，采用期望响应和实际响应之差的某个函数作为目标函数。常用的误差型目标函数分别为:7.3.4粒子群算法的PID参数优化误差二次方的积分型时间乘以误差二次方型误差绝对值积分型时间误差绝对值积分型*7.3.4粒子群算法的PID参数优化PID控制系统模型搭建基于Matlab2016/Simulink环境搭建PID控制系统模型，采用不稳定系统模型为受控对象，选取ITAE为适应度函数。系统传递函数为：*7.3.4粒子群算法的PID参数优化用粒子群算法对PID控制器参数优化的具体步骤:1）初始化参数：规定粒子群体规模、惯性权重、学习因子，设置最大迭代次数和适应度函数最小值、粒子搜索速度和位置的取值范围，并随机初始化群体。2）将粒子群个体设置为4）将步骤3）得到的初始化种群的适配值，通过min()函数返回和的值，并赋值给存储和的变量，用于后续比较。3）运行Simulink模型，选取式作为算法的适应度函数，计算各粒子的适配值。*5）根据进化迭代公式计算下一次迭代的速度和位置，从而得到新一代的粒子群。7.3.4粒子群算法的PID参数优化6）通过sim函数调用搭建的PID的Simulink模型返回新一代种群的适配值，通过min()函数计算新一代种群的和,将此变量与步骤4)所得的和进行比较，将较小的值存入步骤4所设置的变量中。7）判断算法是否达到结束条件，如果达到则进入步骤8)，否则进入步骤5)。8）结束，输出全局最优值。*（1）参数设置设置粒子群群体规模N=100，最大迭代次数。所需整定的参数个数为3，将解空间的维度设置为D=3，参数的取值范围为[0300]，惯性权重设置为固定值，学习因子设置为固定值，，粒子速度的取值范围限定为[-11]，最小适配值设置为0.1。（2）仿真结果在采用ITAE性能指标下得到的个体最优适应度函数值如左图所示，在迭代过程中的最优值变化过程如右图所示。7.3.4粒子群算法的PID参数优化*由上图可以看出，在迭代次数t=31时，个体最优适应度函数值已达到最小，不再发生改变，此时已达到全局最优。PSO算法输出的最优PID控制参数为：7.3.4粒子群算法的PID参数优化