PID神元网络与PSO算法结合多变量系统解耦控制研究.pdfVIP

1.案例背景

多变量输入、输出、多干扰、非线性和强耦合的复杂系统控制是一个比较的问题，

常用的控制器可能因为多变量耦合问题难以控制系统。PID神经元网络是一种多层前向神经

元网络，它的各层神经元个数、连接方式、连接权值是按照PID控制规律的已有原则和经

验确定的，是一种动态的符合控制系统的前向网络。但是由于PID网络初始权值随机取值

的，每次控制的效果都有所差别，个别情况下控制效果还比较差。本案例研究了基于

PID神经元的多变量耦合系统控制，并用PSO算法来优化控制器以取得更好的控制效果。

2.系统建模

2.1PID神经元网络模型

2.1.1网络结构

PID神经元网络可分为用于单变量系统控制的SPIDNN单输经元网络和多变量系统

控制的MPIDNN神经元网络两大类。其中，SPIDNN是神经元网络的基本形式，MPIDNN是多

个SPIDNN的组合形式。

2.1.2控制律计算

（1）比例神经元

（2）积分神经元

（3）微分神经元

2.1.3权值修正

神经元网络在控制的过程中不断根据误差来修正权值，使得控制量不断接近控制目标。

（1）输出层到隐含层

（2）输出层到输入层

2.2PSO优化PID神经元网络模型

PID神经元网络控制器用于系统控制时，由于网络权值的初始值的是随机给定的，

所以每次训练后控制效果都有所差别。PSO算法是一种基于种群搜索的群体智能算法，该

算法来自于对鸟类捕食的研究，算法进化过程中通过对极值粒子和群体极值粒子的找

到系统的最佳解。本案例把PID神经元网络和PSO算法有机结合，用PSO算法来弥补神经

元网络在权值和阀值随机取值的，以获得更好的预测结果。

PSO优化神经元网络解耦控制主要分为神经元网络结构确定，PSO算法优化神经元

网络和神经元网络控制三个部分组成，其中神经元网络结构确定根据控制对象输入输出数量确

定网络的输入层，隐含层，输出层节点数目，得到了粒子的长度。PSO优化神经元网络用

PSO算法优化神经元网络控制器的权值，适应度值为控制误差。神经元网络控制用最优个

体对应的神经元网络来控制复杂耦合系统。

3.编程实现

用matlabr2009编程实现PSO算法优化神经元网络控制，采用cell工具把PSO主函数分

为以下几个部分：

清空环境变量

粒子初始化

初始种群极值

迭代寻优

最优控制

(1)最佳粒子适应度变化

(2)控制效果

4.案例扩展

4.1优化算法选择

4.2神经网络控制器

4.3神经元控制器的局限性