PID参数优化算法研究
PID参数优化算法研究
陕西科技大学何佳佳
【摘要】PID参数优化是自动控制领域研究的一个重要问题。本文主要介绍了PID参数优化算法以及近年来在此方面取得的的研究成果，并对未来PID参数优化的研究方向作了展望。
【关键词】PID控制；算法；参数优化
Study of algorithms on PID parameter optimization
HE Jiajia, HOU Zai-en
Abstract: PID parameter optimization is an important problem in automatic controlling field. The Algorithms of PID parameter optimization and the latest achievements in this aspect are mainly introduced in this paper, and the future directions of PID parameter optimization are also discussed.
Keywords:PID control; algorithm; parameter optimization
1 引言
PID控制即比例-积分-微分(Proportion-Integral-Derivative)控制，它是建立在经典控制理论上的一种控制策略。在工业过程控制系统中，当被控对象的结构和参数不能完全掌握，或精确的数学模型难以建立，或控制理论的技术难以采用时，系统控制器的结构和参数必须依靠经验和现场调试来确定，这时最常用的就是PID控制。即使我们不完全了解一个系统和被控对象，或不能通过有效的测量手段来获得系统参数时，也适合采用PID控制技术。PID控制器就是根据系统的误差，利用比例、积分、微分计算出控制量进行控制的。它是迄今为止历史最悠久，生命力最强的控制方式，国内外95%[1]以上的控制回路仍然采用PID结构。在控制理论和技术飞跃发展的今天，PID控制器仍被广泛应用主要是因为其控制结构简单，稳定性能好，可靠性高，易于实现等优点，而且许多高级控制都是以PID控制为基础的。而PID控制效果完全取决于PID参数的整定与优化，因此，PID参数的整定[2-6]与优化算法显得尤为重要。为了实现最优PID控制， PID参数优化算法已成为国内外控制理论研究的一个热点，由于单纯形法[7-8]等算法运算量大，而且极易陷入局部最优[9]，因此需要找一种简单而高效的PID参数优化算法。近年来，随着计算机技术的发展，一些新的智能算法得到了迅速发展和广泛应用，特别是模拟进化算法，在理论研究和应用研究方面都相当活跃。目前，对PID参数优化算法的研究仍在继续，许多期刊不断地发表新的研究成果。本文主要介绍了五种PID参数优化算法，并对PID参数优化算法的发展作一综述。
2 PID参数优化简介
PID控制器由比例，积分和微分环节组成，其控制规律可表示为：
()
1
()()()
t
D
P
I
T de t
u t K e t e t dt
T dt
??=++
??
??
?
（1）将式（1）写成传递函数形式：
1
()1P D I G s K T s T s ??=++????
（2）其中，P K 为比例系数；I T 为积分时间常数；D T 为微分时间常数。
PID 参数优化通常由两部分组成，分别为目标函数与优化算法的选取。PID 参数优化的目标函数通常是控制系统性能指标的定量描述，而控制系统的性能指标通常包括动态和静态两个方面。动态性能指标用于反应控制系统的瞬态响应情况，体现在：（1）控制系统的准确性或控制精度，通常用稳态误差来描述，
它表示系统输出稳态值与期望值之差[3]
；（2）响应的快速性，通常用上升时间（系统输出值第一次达到稳态值的时间）来定量描述；（3）控制系统的稳定性，通常用超调量和调节时间来描述。
PID 控制器的比例环节可以缩短系统响应时间，积分环节可以减小系统稳态误差，微分环节可以改善系统超调量，因此，可以通过调整P K ，I T ，D T 这三个参数来改善动态性能指标，使系统的控制性能达到给定的要求。从优化的角度来说，就是在这三个变量的参数空间寻找最优值，使系统的控制性能达到最优。
3 PID 参数优化算法
3.1 基于遗传算法的PID 参数优化
遗传算法(Genetic Algoricthm-GA)是一种新发展起来的优化算法，它起源于60年代对自然和人工自适应系统的研究。从60年代起，密执根大学的Hollstien ，Bagley 和Rosenberg 等人的博士论文即与遗传算法密切相关，而John H.Holland 教授1975年出版的《Adaptation in Natual and Artificial
Systems 》[11]
一书被认为是遗传算法的经典之作，该书给出了遗传算法的基本定理，并给出了大量的数学理论证明。David E.Goldberg
教授1989年出版的《Genetic Algorithms 》[12]
一书通常认为是对遗传算法的方法、理论及应用的全面系统的总结，它的出版标志着遗传算法的诞生。
遗传算法是模拟生物在自然环境中的遗传和进化进程而形成的一种自适应全局优化概率搜索算法，其基本思想是，将待求解问题转换成由个体组成的演化群体和对该群体进行操作的一组遗传算子，经历生成—评价—选择—操作的演化过程，反复进行，直到搜索到最优解。
遗传算法的基本特点是：（1）它是对所求参数对应染色体进行进化，而不是对参数本身，因此不受目标函数约束条件的限制，也不受搜索空间的限制；（2）它是对参数表示成的
二进制编码串群体进行搜索，而不是在单个
点上寻优，这大大减小了陷入局部最优的可能性，具有全局快速收敛的特点；（3）它只需已知目标函数及适应度函数便可开始操作；（4）其初始群体是随机生成的，可以很快到达最优解附近；（5）它具有并行性，即用较少的编码串对数量较大的区域完成搜索；（6）其缺点是实时性不好，容易出现早熟现象，对于系统中的反馈信息利用却无能为力，而且求解到一定范围时往往做大量无为的冗余迭代，求解最优解的效率较低。
毛敏[13]
等用基本的遗传算法对PID 参数进行了优化，但在优化一些复杂问题时有着不可忽视的缺点，而且基本遗传算法收敛速度慢，容易早熟，这就使得该算法的优化性能大大降低；范敏提出了基于多种群遗传算法的优化方法，并将其与下山单纯形法相结合，用下山单纯形法进行局部优化，加快了收敛速度，避免了早熟现象的发生，实现了快速优化求解，并得到了比基本遗传算法更为理想
的控制效果；陈亚娟[14]
利用遗传算法工具箱 (GAOT)对PID 控制器参数进行优化，并进行算子组合和改进，大大简化了遗传算法的设计过程，为遗传算法的推广和应用提供了良好
的工具；伍铁斌[15]
等将遗传算法和混沌优化方法相结合，利用混沌变量的遍历性、随机性和规律性生成初始种群，在遗传算法的基本步骤中加入混沌搜索，大大提高了局部搜索能力，有效地避免了早熟以及局部最优现象的发生。
3.2 基于蚁群算法的PID 参数优化
蚁群算法由意大利学者M.Dorigo ，
V.Maniez-zo ，A.Colorini [16]
等人根据蚂蚁群体具有智能的特点首先提出，当时他们称之为蚁群系统，后来M.Dorigo 等为了其他学者研究的方便，将各种蚂蚁算法统称为蚁群算法，并为该算法提出了一个统一的框架结构模型。蚁群算法是90年代初期才提出的一种新型的进化算法，虽然其起步较晚，但是对蚁群算法的研究已引起了国际上学者们的广泛关注。
蚁群算法是一种基于种群的启发式仿生进化算法，其基本思想来源于蚂蚁之间的交流过程。外出觅食的蚂蚁在自己经过的路上留下一定数量的信息素，信息素一方面会随着时间的流逝而挥发，另一方面，当有其他的蚂蚁再次经过该路径时会再次留下信息素以加强该处的信息素。在任何一个路口，蚂蚁会按照概率选择任意一个方向前进，在信息素浓度较高的方向具有较大的选择概率。 蚁群算法的基本特点是：（1）其原理是一种正反馈机制，它通过信息素的累积和更新收敛于最优路径；（2）它是一种通用型随机优
化算法，但人工蚁群算法决不是对蚂蚁的简单模拟，它融进了人类的智能；（3）它具有分布式并行搜索能力，该计算机制易于与其它算法结合；（4）它是一种全局优化的算法，可用于任何一类优化问题；（5）它有较强的鲁棒性；（6）其缺点是初期信息素匮乏，求解速度较慢，计算时间较长。
谭冠政[17]等鉴于PID参数整定问题与TSP问题的差异，将蚁群算法进行修改，进而对PID参数进行优化，设计出一种具有不完全微分的最优PID控制器，仿真结果表明，与传统的PID 控制器设计方法相比，该设计方法具有更优良的控制性能和鲁棒性能，可以用来控制多种不同的对象和过程；詹士昌[18]等鉴于蚁群算法鲁棒性强、适于并行处理、实现和操作简单的优点，提出了将蚁群算法应用于PID参数优化，但随着优化空间维数和参与搜索蚂蚁组的增加，该算法的搜索效率大大降低，因而在多维空间优化问题中有必要探讨出一种更有效的蚁群算法模型，以提高搜索效率；段海滨[19]等针对传统的PID控制器参数多采用试验加试凑的方式由人工进行优化，提出了一种新型的基于蚁群算法的PID参数优化策略，它可以提高控制系统设计的品质和实现效率，降低系统设计的难度；贺慧杰[20]将遗传算法和蚁群算法相结合对PID参数进行优化，可以较好地控制复杂的对象，但是，一旦外界扰动发生时，必须重新根据需要再进行参数的整定优化；陈建涛[21]等用高斯分布较好的局部搜索能力来增强蚁群算法的局部寻优能力，很好地弥补了基本蚁群算法易于陷入局部最优的缺点，且该算法不依赖于被控对象的精确数学模型，有着很好的适应性和鲁棒性；陈阳[22]等将改进的蚁群算法应用于PID控制器的参数优化中，通过较少的试验次数就能很得到令人满意的结果，有效地加快了收敛速度，改善了寻优性能。
3.3 基于粒子群算法的PID参数优化
粒子群(Particle Swarm Optimization，PSO)算法是由Kennedy和Eberhart[23]博士于1995年受鸟类群体行为研究结果的启发，而提出的一种基于群体智能的进化计算技术。在PSO 算法中，每个粒子代表解空间的一个候选解，粒子在搜索空间以一定的速度飞行，飞行速度根据飞行经验进行动态调整。该算法基于群智能的并行全局搜索策略，采用速度-位置搜索模型实现对整个空间的寻优操作。PSO算法是模仿生物社会性行为而得出的一种全局优化算法，是一种高效、简单的并行搜索算法，其优点在于概念简单、实现容易、鲁棒性好，并且能以较大概率收敛到全局最优，而且它对所优化目标的先验知识要求甚少，一般只需知道其数值关系即可。但是，该算法的惯性权重对算法性能具有很大的影响，另外，在初始群体的生成上，它是根据经验估计出PID三个参数的取值范围，并在此范围内采用随机生成的方式，对其可行解空间进行搜索的，因此需要合理估计PID三个参数的取值范围。
杨诚[24]等针对全局版标准PSO算法容易陷入局部极值点这一缺点，提出了实数编码的局部版标准PSO算法，采用该算法搜索所得的解比全局版算法更优，但速度较慢；熊伟丽[25]等对标准PSO算法进行了改进，提出了一种改进的粒子群算法MWPSO，使惯性权重具有了一定的灵活性，同时，该算法在收敛的情况下，所有粒子都向最优解的方向飞去，从而粒子趋于同一化的问题进行了改进，为改善系统的过渡性能和动态特性，还在目标函数中加入控制输入的平方项，并采用了惩罚功能，使得相同迭代次数下该算法的性能指标远远优于遗传算法；李凌舟[26]等提出一种改进的微粒群优化算法（IPSO），该算法是在基本PSO 算法的惯性权重部分加入一个调节因子项，实现惯性权重的非线性调整，并通过调节因子的调节，使得算法的前期有较大的收敛速度，后期则能以较大的概率收敛到全局最优；刘丹丹[27]等针对早期粒子群算法中二进制编码的码位长、转化为浮点数繁琐且不精确等问题，提出了一种采用实数编码的改进PSO算法，该算法用三维空间的一个粒子表示PID的三个参数，并在PID三个参数的取值范围内采用随机生成的方式进行搜索，是一种寻优简单、鲁棒性强、易于并行化的寻优方法；郭成[28]等针对微粒群优化算法存在的早熟问题，提出了一种基于T-S模型的模糊自适应PSO算法（T-SPSO算法），该算法通过T-S规则，动态自适应更新惯性权重取值，使得算法前期以较大惯性权重值保证算法的全局搜索能力，而后期则以较小惯性权重值加快收敛，从而有效解决了PSO算法的早熟问题，改善了算法的收敛性。
3.4 基于模糊推理的PID参数优化
在自动控制技术产生之前，人们在生产过程中只能采用手动控制方式。手动控制过程首先是通过观测被控对象的输出，其次是根据观测结果作出决策，然后手动调整输入，操作工人就是这样不断地观测—决策—调整，实现对生产过程的手动控制。这三个步骤分别是由人的眼—脑—手来完成的。后来，由于科学和技术的进步，人们逐渐采用各种测量装置代替人的眼，完成对被控制量的观测任务；利用各种控制器部分地取代人脑的作用，实现比较、综合被控制量与给定量之间的偏差，控制器所给出的输出信号相当于手动控制过程中人脑的决策；使用各种执行机
构对被控对象施加某种控制作用，这就起到了手动控制中手的调整作用[29]。
经过人们长期研究和实践形成的经典控制理论，对于解决线性定常系统的控制问题是很有效的。然而，经典控制理论对于非线性时变系统难以奏效。随着计算机尤其是微机的发展和应用，自动控制理论和技术获得了飞跃的发展。基于状态变量描述的现代控制理论对于解决线性或非线性、定常或时变的多输入多输出系统问题，获得了广泛的应用。但是，无论采用经典控制理论还是现代控制理论设计一个控制系统，都需要事先知道被控制对象精确的数学模型，然后根据数学模型以及给定的性能指标，选择适当的控制规律，进行控制系统设计。PID控制器设计的关键在于如何合理地确定比例、积分、微分参数的大小，工程上大多是根据对象特性，通过临界比例度法、衰减曲线法、Z-N法及C-C 法等方法来确定PID参数的初始值，然后进行人工在线整定。PID参数整定是一个经验性很强的工作，而且一旦PID参数确定后，就不可以根据系统运行的情况自动地进行调整，因此，采用传统的PID控制器设计方法很难设计出高性能的控制器，且系统的鲁棒性和自适应性都比较差。
然而，在许多情况下被控对象（或生产过程）的精确数学模型很难建立，或系统参数不能通过有效的测量手段来获得，或控制理论的技术难以采用时，就难以进行自动控制。自1965年L.A.Zadeh提出模糊集的概念以来，关于模糊系统的研究得到了飞速的发展，随后模糊控制技术也被广泛应用于工业控制过程中，并取得了令人瞩目的成就。模糊推理是模糊控制的理论基础，该算法就是运用模糊数学的基本理论和方法，把控制规则的条件、操作用模糊集表示，并把这些模糊控制规则以及有关信息(评价指数，初始PID参数等)作为知识存入计算机知识库中，然后计算机会根据控制系统的实际响应情况 (即专家系统的输入条件)，运用模糊推理自动实现对PID 参数的整定。
鉴于PID参数整定的规则过多会使系统实施起来比较复杂，赵肇田[30]等提出了一种单参数智能PID模糊控制器的设计思路，它将人工气候室温度变化模型近似为一阶惯性纯时滞环节，用可控率指标对其能控性和受控程度进行归类分析，通过模糊决策来对其控制器的PID参数进行调整，用模糊规则进行推理，模糊规则采用产生式表示方式，即IF(条件)THEN(结果)形式，并且它对不同的控制指标和被控对象均能实现PID最佳调整，是一种实施简单，性能良好，易于工程实现的方法；曾晓红[31]等首先利用遗传算法的全局优化能力优化PID参数，得到PID参数的初始值，然后根据系统当前的误差和误差变化率，用模糊推理方法在线优化调整PID参数的权值来动态地调整参数，抗干扰强，灵敏性较好。
3.5 基于神经网络的PID参数优化
人工神经网络(artificial neural network，简称ANN)是由大量简单人工神经元互联而成的一种计算结构。它可以在某种程度上模拟生物神经系统的工作过程，从而具备解决实际问题的能力。人工神经网络由于其大规模并行处理、学习、联想和记忆等功能，以及它的高度自组织和自适应能力，并且能够充分任意地逼近任何复杂的非线性系统，所有定量和定性分析都等势分布储存于神经网络内的各种神经元中，具有很强的信息综合能力，能够学习和适应严重不确定系统的动态特性，有很强的鲁棒性和容错性，可以处理那些难以用模型和规则描述的过程，因此，神经网络已成为解决许多工程问题的有力工具，并且在一些不确定系统的控制中已成功应用。Hopfield神经网络(Hopfield Neural Network，HNN)是Hopfield于1982年提出的反馈神经网络模型，简称Hopfield网络。由于网络中引入了反馈，所以它是一个非线性动力学系统。通常非线性动力学系统最关心的是系统的稳定性问题，在Hopfield模型中，神经网络之间的联系总是设为对称的，这保证了系统最终会达到一个固定的有序状态，即稳定状态。利用该特性，可以将Hopfield 网络用于联想记忆，也可以用来对组合优化问题进行求解[32]。
人工鱼群算法(Artificial Fish-Swarm Algorithm，AFSA)是2002年提出的一种基于动物行为的智能寻优算法，目前处于新的研究改进阶段。该算法采用自下而上的设计方法，通过模拟鱼群的觅食和生存活动来实现在空间中寻求全局最优。在这种群体活动过程中，没有统一的协调者，而是通过每个鱼类个体的自适应性行为而达到寻优的目的。它从构造动物简单的底层行为做起，通过各动物个体的局部寻优行为，最终在群体中使全局最优值突现出来。在该算法中，人工鱼有三种行为：觅食、聚群和追尾。每条人工鱼搜索当前所处环境的状态，并按照“食物最多原则”或“食物增加原则”，从三种行为中选择一个合适的行为，使得各个人工鱼不断地向最优方向前进，最终全部人工鱼集中在几个局部极值的周围，且较优的极值区域周围一般能集中较多的人工鱼。该算法本质上是一种基于比较目标函数值的搜索方法，无需目标函数的梯度值，因此，可以克服局部极值，取得全局极值，并且由于该算法只需要目标函数的函数值，所以对搜索空
间具有一定的自适应能力。
汪蓓蕾[33]提出一种将人工鱼群算法与Hopfield神经网络融合的PID参数优化算法，该算法前期利用鱼群算法快速随机的群体性全局搜索能力生成问题较优的可行解域，后期则利用Hopfield神经网络简单、快速、易实现的优点得到最优解，该算法有效弥补了Hopfield网络对初始值过于依赖且容易陷入局部极值的缺陷.；韩伟[34]利用神经网络来逼近实际系统，用闭环控制下所得的观测数据进行系统在线辨识，并针对不同的系统建立不同的对象模型，并在该模型的基础上，运用遗传算法进行PID参数寻优，取得了较好的控制效果；何军旗[35]等鉴于遗传算法虽能求取全局解，但收敛速度慢，而基于神经网络的控制器结构简单、可塑性强，但容易陷入局部解，提出将遗传算法和BP神经网络相结合进行PID参数优化，以达到整体优化的目的，这样得到的系统动态性能更好，调节精度更高。
4 小结
PID控制器是整个控制系统的核心，它的控制作用以及参数对控制品质有直接影响。目前，PID参数优化算法很多，但是，无论哪种优化算法，都不是万能的，它们都各有长处和不足，都有一定的适用范围。以上介绍的参数优化算法也只是其中比较有代表性的算法，对其研究已经取得一定的成果，但仍有许多不足之处，有待进一步研究。因此，可以通过进一步地改进算法使得PID控制器性能得到优化。
从目前PID参数优化算法的研究现状来看，以下几个方面将是今后一段时间内研究和实践的重点。
（1）遗传算法具有快速随机的全局搜索能力，但对于系统中的反馈信息利用却无能为力，而且求
解到一定范围时往往做大量无为的冗余迭代，求精确解的效率较低；而蚁群算法是通过信息素的累积和更新收敛于最优路径，具有分布式并行全局搜索能力，但初期信息素匮乏，求解速度较慢，文献[36]将遗传算法与蚁群算法相结合，用遗传算法生成信息素分布，用蚁群算法求解TSP问题的最优解。因此，可以根据PID参数整定问题与TSP问题的差异，将遗传算法与蚁群算法相结合进行PID 参数寻优；
（2）由于基本的粒子群算法易陷入局部极小值点，且搜索精度不高，因此，可以利用混沌序列的“遍历性、随机性、规律性”，在其中加入混沌细搜索，使得局部搜索能力大大提高；
（3）鉴于蚁群算法具有分布式并行搜索能力，且易于与其它算法结合，是一种全局优化的算法，因此，可以利用蚁群算法的全局优化能力优化PID参数，得到PID参数的初始值，然后根据系统当前的误差和误差变化率，用模糊推理方法在线优化调整PID参数的权值来动态地调整参数；
（4）由于人工神经网络能够充分任意地逼近任何复杂的非线性系统，能够学习和适应严重不确定系统的动态特性，有很强的鲁棒性和容错性，可以处理那些难以用模型和规则描述的过程，因此，可以用神经网络来逼近实际系统，用闭环控制下所得的观测数据进行系统在线辨识，并针对不同的系统建立不同的对象模型，并在该模型的基础上，运用蚁群算法进行PID参数寻优；
（5）除了对各种算法继续进行全面深入的研究外，还应考虑将各种算法互相结合，互相渗透，充分发挥各自的优势，并且希望能更多地结合实际工程应用，扩展各算法的应用领域，从而进一步提高控制系统的性能，实现PID最优控制。
参考文献
[1] 王正林,郭阳宽.过程控制与Simulink应用[M].北京:电子工业出版社,2006.
[2]Min Xu,Shaoyuan Li,Chenkun Qi,Wenjian Cai.Auto-tuning of PID controller parameters with supervised receding horizon optimization[J].ISA Transactions,2005,(44):491-500.
[3]C.R.Madhuranthakam,A.Elkamel,H.Budman.Optim al tuning of PID controllers for FOPTD,SOPTD and SOPTD with lead processes[J].Chemical Engineering and Processing,2008,(47):251-264.
[4] G.P.Liua,S.Daleyb.Optimal-tuning PID control for industrial systems[J].Control Engineering Practice,2001,(9):1185-1194.
[5] Chih-Cheng Kao,Chin-Wen Chuang,Rong-Fong Fung.The self-tuning PID control in a slider–crank mechanism system by applying particle swarm optimization
approach[J].Mechatronics,2006,(16):513–522. [6] LUC LORON.Tuning of PID Controllers by the Non-symmetrica lOptimum Method[J].Automatica,1997,33(1):103-107.
[7] 张磊.基于单纯形法的PID控制器的最优设计[J].信息与控制,2004,33(3):376-379.
[8] 王伟,于军琪.基于单纯形法的最优PID控制器设计[J].装备制造技术,2009,(6):77-78.
[9] 张静.基于混沌搜索优化方法的PID控制器设计[J].襄樊学院学报,2001,22(2):63-70.
[10] 范敏.基于多种群遗传算法的PID控制器参数优化技术研究[J].软件导刊,2008,7(3):112-114.
[11] John H.Holland.Adaptation in Natual and Artificial Systems[M].The MIT Press,1975.
[12]David E.Goldberg.Genetic Algorithms[M].Pearson Education,1989.
[13] 毛敏,于希宁. 基于遗传算法的PID参数优化方法[J].中国电力,2002,35(8):48-51.
[14] 陈亚娟.基于MATLAB遗传算法工具箱的PID参数优化研究[J].科技信息,2008,(26):69-70.
[15] 伍铁斌,成运,周桃云等.基于混沌遗传算法的PID参数优化[J].计算机仿真,2009,26(5):202-204.
[16] Colorni A,Dorigo M,Maniezzo V,et al.Ant system for job shop scheduling[J].Belgian J. of Operations Research Statistics and computer sicence,1994,34(1):39-53.
[17] 谭冠政,李文斌.基于蚁群算法的智能人工腿最优PID控制器设计[J].中南大学学报(自然科学版),2004,35(1):1351-1356. [18] 詹士昌,吴俊.基于蚁群算法的PID参数优化设计[J].测控技术,2004,23(1):69-71.
[19] 段海滨,王道波,黄向华等.基于蚁群算法的PID参数优化[J].武汉大学学报(工学版), 2004,37(5):97-100.
[20] 贺慧杰.基于智能算法的PID控制器参数优化设计的应用研究[J].科技创新导报,2009,(8):16.
[21] 陈建涛,姚万业.一种用于优化PID参数的改进蚁群算法[J].仪器仪表用户,2009,5(20):34-35.
[22] 陈阳,杨敏.基于蚁群算法的PID控制器参数优化研究[J].计算机与数字工程,2009,37(5):39-41.
[23] Kennedy,Eberhart.群体智能(英文版)[M].北京:人民邮电出版社,2009. [24] 杨诚,杨传启.基于粒子群算法的PID参数优化[J].自动化仪表,2006,27(S1):95-96.
[25] 熊伟丽,徐保国,周其明.基于改进粒子群算法的PID参数优化方法研究[J].计算机工程,2005,31(24):41-43.
[26] 李凌舟,陈利.基于改进PSO算法的PID 参数优化研究[J].四川电力技术,2009,32(5):29-31.
[27] 刘丹丹,刘胜利.基于改进的粒子群算法的PID参数优化[J].现代经济信息,2009,(21):340.
[28] 郭成,李群湛.利用T-S模糊自适应PSO 算法优化PID参数[J].计算机工程与应用,2009,45(3):245-248.
[29] 李士勇.模糊控制,神经控制和智能控制论[M].哈尔滨:哈尔滨工业大学出版社,1998.
[30] 赵肇田,许伦辉.基于模糊推理的人工气候室温度PID控制器参数的整定[J].现代电子技术,2006, (4):13-15.
[31] 曾晓红,龚伟.基于遗传优化和模糊推理PID及MATLAB仿真[J].微计算机信息(测控自动化),2006,22(12-1):57-59.
[32] 黄平,孟永钢.最优化理论与方法[M].北京:清华大学出版社,2009.
[33] 汪蓓蕾.基于鱼群算法和Hopfield网络的PID参数寻优[J].南京信息工程大学学报(自然科学版),2009,1(2):179-182.
[34] 韩伟.基于遗传算法和神经网络的PID 控制参数的优化研究[J].可编程控制器与工厂自动化,2005,(5):119-121.
[35] 何军旗,万少松,齐峰.基于BP遗传算法的PID控制器参数设计[J].弹箭与制导学报,2007,27(5):53-54.
[36] 丁建立,陈增强,袁著祉.遗传算法与蚂蚁算法的融合[J].计算机研究与发展,2003,40(9):1351-1356.
基于蚁群算法的PID控制参数优化Matlab源码
基于蚁群算法的PID控制参数优化Matlab源码 (2009-07-26 12:31:02) 除了蚁群算法，可用于PID参数优化的智能算法还有很多，比如遗传算法、模拟退火算法、粒子群算法、人工鱼群算法，等等。 function [BESTX,BESTY,ALLX,ALLY]=ACOUCP
(K,N,Rho,Q,Lambda,LB,UB,Num,Den,Delay,ts,StepNum,SigType,PIDLB,PIDUB) %% 此函数实现蚁群算法，用于PID控制参数优化 % GreenSim团队原创作品，转载请注明 % Email:greensim@https://www.wendangku.net/doc/a64159595.html, % GreenSim团队主页：https://www.wendangku.net/doc/a64159595.html,/greensim % [color=red]欢迎访问GreenSim——算法仿真团队→[url=https://www.wendangku.net/doc/a64159595.html,/greensim] https://www.wendangku.net/doc/a64159595.html,/greensim[/url][/color] %% 输入参数列表 % K 迭代次数 % N 蚁群规模 % Rho 信息素蒸发系数，取值0～1之间，推荐取值0.7～0.95 % Q 信息素增加强度，大于0，推荐取值1左右 % Lambda 蚂蚁爬行速度，取值0～1之间，推荐取值0.1～0.5 % LB 决策变量的下界，M×1的向量 % UB 决策变量的上界，M×1的向量 % Num 被控制对象传递函数的分子系数向量 % Den 被控制对象传递函数的分母系数向量 % Delay 时间延迟 % ts 仿真时间步长 % StepNum 仿真总步数 % SigType 信号类型，1为阶跃信号，2为方波信号，3为正弦波信号 % PIDLB PID控制输出信号限幅的下限 % PIDUB PID控制输出信号限幅的上限 %% 输出参数列表 % BESTX K×1细胞结构，每一个元素是M×1向量，记录每一代的最优蚂蚁 % BESTY K×1矩阵，记录每一代的最优蚂蚁的评价函数值 % ALLX K×1细胞结构，每一个元素是M×N矩阵，记录每一代蚂蚁的位置 % ALLY K×N矩阵，记录每一代蚂蚁的评价函数值
基于粒子群算法的控制系统PID参数优化设计
基于粒子群算法的控制系统 PID 参数优化设计 摘 要 本文主要研究基于粒子群算法控制系统PID 参数优化设计方法以及对PID 控制的 改进。PID 参数的寻优方法有很多种，各种方法的都有各自的特点，应按实际的系统特点选择适当的方法。本文采用粒子群算法进行参数优化，主要做了如下工作：其一，选择控制系统的目标函数，本控制系统选用时间乘以误差的绝对值，通过对控制系统的逐步仿真，对结果进行分析。由于选取的这个目标函数的解析式不能直接写出，故采用逐步仿真来实现；其二，本文先采用工程上的整定方法（临界比例度法）粗略的确定其初始的三个参数p K ，i K ，d K ，再利用粒子群算法进行寻优，得到更好的PID 参数；其三，采用SIMULINK 的仿真工具对PID 参数优化系统进行仿真，得出系统的响应曲线。从中发现它的性能指标，都比原来有了很大的改进。因此，采用粒子群算法的优越性是显而易见的。 关键词 目标函数；PID 参数；粒子群算法；优化设计；SIMULINK
Optimal design of PID parameter of the control system based on Particle Swarm Optimization Abstract The main purpose of this paper is to study the optimal design of PID parameter of the control system based on Particle Swarm Optimization and find a way to improve the PID control. There are a lot of methods of optimization for the parameters of PID, and each of them has its own characteristics. The proper methods need to be selected according to the actual characteristics of the system. In this paper we adopt the Particle Swarm Optimization to tune the parameters. To finish it, the following tasks should be done. First, select the target function of the control system. The target function of the control system should be chosen as the absolute value of the error multiplied by time. Then we simulate the control system gradually, and analyze the results of the process. Because the solution of the target function cannot be worked out directly, this design adopts simulation gradually. Second, this paper adopts the engineering method (the critical ratio method) to determine its initial parameters p K ,i K ,d K , then uses the Particle Swarm Optimization to get a series better PID parameters. Third, this paper uses the tool of SIMULINK to optimize the parameters of PID and gets the response curve of the system. By contrast with the two response curves, it is clearly that the performance has improved a lot than the former one. Therefore, it is obviously to find the advantages in using the Particle Swarm Optimization. Key word : target function; PID parameters; Particle Swarm Optimization; optimal design; SIMULINK
基于自适应果蝇优化算法的PID参数优化
２０１８年１０月 第４６卷第２０期 机床与液压 ＭＡＣＨＩＮＥＴＯＯＬ＆ＨＹＤＲＡＵＬＩＣＳ Ｏｃｔ ２０１８ Ｖｏｌ ４６Ｎｏ ２０ ＤＯＩ：１０．３９６９／ｊ ｉｓｓｎ １００１－３８８１ ２０１８ ２０ ０３３ 收稿日期：２０１７－０５－０９ 基金项目：陕西省重点研发计划资助项目（２０１８ＧＹ?０４２）；咸阳市科技局资助项目（２０１７Ｋ０２?０５） 作者简介：李明辉（１９７２ ），男，博士，教授，主要从事智能及高级过程控制的研究三Ｅ－ｍａｉｌ：６０３３４＠ｓｕｓｔ ｅｄｕ ｃｎ三 基于自适应果蝇优化算法的ＰＩＤ参数优化 李明辉１，曹泽１，王玉洁２ （１ 陕西科技大学机电工程学院，陕西西安７１００２１；２ 上海亚太计算机信息系统有限公司，上海２０００４０） 摘要：针对基本果蝇优化算法（ＦＯＡ）控制精度不高且易陷入局部最优的缺陷，提出一种自适应果蝇优化算法 （ＩＦＯＡ）的ＰＩＤ参数优化方案三该算法以控制偏差绝对值和输入平方项的时间积分作为适应度函数，经过迭代寻优得到最优的ＰＩＤ参数值三通过二阶时滞系统测试并与基本果蝇优化算法比较，结果表明：该算法控制精度高二响应速度快二鲁棒性好，为ＰＩＤ参数优化提供了参考三 关键词：自适应果蝇优化算法（ＩＦＯＡ）；适应度函数；ＰＩＤ；参数优化 中图分类号：ＴＰ２７３一一文献标志码：Ａ一一文章编号：１００１－３８８１（２０１８）２０－１４４－４ ＯｐｔｉｍｉｚａｔｉｏｎｏｆＰＩＤＰａｒａｍｅｔｅｒｓＢａｓｅｄｏｎＩｍｐｒｏｖｅｄＦｒｕｉｔ?ｆｌｙＯｐｔｉｍｉｚａｔｉｏｎＡｌｇｏｒｉｔｈｍ ＬＩＭｉｎｇｈｕｉ１，ＣＡＯＺｅ１，ＷＡＮＧＹｕｊｉｅ２ （１ ＣｏｌｌｅｇｅｏｆＭｅｃｈａｎｉｃａｌａｎｄＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＳｈａａｎｘｉＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ，Ｘｉ ａｎＳｈａａｎｘｉ７１００２１，Ｃｈｉｎａ；２ ＳｈａｎｇｈａｉＡｓｉａ＆ＰａｃｉｆｉｃＣｏｍｐｕｔｅｒＩｎｆｏｒｍａｔｉｏｎＳｙｓｔｅｍＣｏ．，Ｌｔｄ．，Ｓｈａｎｇｈａｉ２０００４０，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇａｔｔｈｅｄｅｆｅｃｔｓｏｆｔｈｅｂａｓｉｃｆｒｕｉｔ?ｆｌｙｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ（ＦＯＡ），ｔｈｅｃｏｎｔｒｏｌａｃｃｕｒａｃｙｗａｓｎｏｔｈｉｇｈａｎｄｅａｓｙ ｔｏｆａｌｌｉｎｔｏｌｏｃａｌｏｐｔｉｍｕｍ，ａｍｅｔｈｏｄｆｏｒｐａｒａｍｅｔｅｒｏｐｔｉｍｉｚａｔｉｏｎｏｆＰＩＤｃｏｎｔｒｏｌｌｅｒｂａｓｅｄｏｎｉｍｐｒｏｖｅｄｆｒｕｉｔ?ｆｌｙｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ（ＩＦＯＡ）ｗａｓｐｒｏｐｏｓｅｄ，ｉｎｗｈｉｃｈａｂｓｏｌｕｔｅｅｒｒｏｒａｎｄｔｈｅｓｑｕａｒｅｏｆｃｏｎｔｒｏｌｉｎｐｕｔｗｅｒｅｕｓｅｄａｓｆｉｔｎｅｓｓｆｕｎｃｔｉｏｎａｎｄｔｈｅｏｐｔｉｍａｌＰＩＤｐａｒａｍｅｔｅｒｖａｌｕｅｗａｓｏｂｔａｉｎｅｄｔｈｒｏｕｇｈｉｔｅｒａｔｉｖｅｏｐｔｉｍｉｚａｔｉｏｎ．Ｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｂａｓｉｃｆｒｕｉｔ?ｆｌｙｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ，ｔｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅａｌｇｏｒｉｔｈｍｈａｓｈｉｇｈｃｏｎｔｒｏｌｐｒｅｃｉｓｉｏｎ，ｆａｓｔｒｅｓｐｏｎｓｅａｎｄｒｏｂｕｓｔｎｅｓｓｔｈｒｏｕｇｈｔｗｏｏｒｄｅｒｄｅｌａｙｓｙｓｔｅｍｔｅｓｔ．ＩｔｐｒｏｖｉｄｅｓａｒｅｆｅｒｅｎｃｅｆｏｒＰＩＤｐａｒａｍｅｔｅｒｏｐｔｉｍｉｚａｔｉｏｎ． Ｋｅｙｗｏｒｄｓ：Ｉｍｐｒｏｖｅｄｆｒｕｉｔ?ｆｌｙｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ（ＩＦＯＡ）；Ｆｉｔｎｅｓｓｆｕｎｃｔｉｏｎ；ＰＩＤ；Ｐａｒａｍｅｔｅｒｏｐｔｉｍｉｚａｔｉｏｎ ０一前言 ＰＩＤ控制器由于其算法简单二鲁棒性好二可靠性 高，被广泛应用于工业过程控制中［１］三传统的ＰＩＤ 控制器参数整定采用人工经验，很难得到理想的最优值三目前，随着人工智能技术的发展，不少学者针对ＰＩＤ参数整定提出新的算法，如遗传算法二粒子群算法等得到了一定的效果［２］三这些算法灵活二简单二易理解，在解决工业过程控制的实际问题中具有非常广阔的应用前景［３］三然而，遗传算法编程复杂，参数较多；粒子群算法在进化后期收敛速度减慢，同时陷入局部最优的可能性加大三 果蝇优化算法（Ｆｒｕｉｔ?ｆｌｙＯｐｔｉｍｉｚａｔｉｏｎＡｌｇｏｒｉｔｈｍ，ＦＯＡ）是２０１１年台湾学者潘文超提出的一种新的全局优化进化算法［４］三该算法由于程序代码简单二易于 理解二参数较少，且全局寻优能力强二收敛速度快等优点，在近几年来引起广泛关注［５］三ＪＨＡＮ等［６］采用果蝇优化算法进行ＰＩＤ参数整定，得到ＦＯＡ避免早熟的结论；ＹＬＩＵ等［７ －８］ 采用混沌搜索的ＦＯＡ算法整 定ＰＩＤ参数，减少了适应度波动；宋娟［９］采用ＦＯＡ与ＰＳＯ相结合的混合寻优来优化ＰＩＤ整定参数，使得控制器有较好的控制效果和收敛特性三 作者针对基本果蝇优化算法（ＦＯＡ）寻优精度不高二容易陷入局部最优的缺陷，提出一种自适应果蝇优化算法［１０］的ＰＩＤ参数优化方案三通过在果蝇搜索过程中引入半径调节系数以及选择合适的适应度函数，对ＰＩＤ的３个参数进行了优化三结果表明该算法能够快速高效地寻找到最优参数，有效提高了ＰＩＤ控制器的控制精度三 １一ＰＩＤ控制器基本原理 ＰＩＤ控制器是通过对偏差信号进行比例二积分二微分３个参数的控制，使得系统表现较好性能三ＰＩＤ控制原理如图１所示 三 图１一ＰＩＤ控制系统框图
粒子群算法优化模糊pid
本文选取常见的二阶惯性加纯滞后环节,传递函数为: )1)(1(21++=-s T s T e G s s τ 在这里,3.0,2,,121===τT T PID 参数取为2,1,2===i d p K K K 本设计中的模糊控制器采用两输入(e, ec),三输出(P,I,D)的形式来调整PID 参数。e 的论域为[-3,3],ec 的论域为[-3,3]。推理机使用 {,,,,,,}NB NM NS O PS PM PB ,表示{负大,负中,负小,零,正小,正中,正大}为了可以调节尽可能多的系统,此控制器选定在负边界处与正边界处分别选用平滑连续的Z 型隶属度函数与S 型隶属度函数,在中间部分采用灵敏度较强的三角形隶属度函数。规则表如下图所示: (1)主程序: clear clc %% 参数设置 w = 0、6; % 惯性因子 c1 = 1、414; % 加速常数 c2 = 1、623; % 加速常数 Dim = 5; % 维数 SwarmSize = 100; % 粒子群规模 ObjFun = @PSO_PID; % 待优化函数句柄
MaxIter = 100; % 最大迭代次数 MinFit = 0、01; % 最小适应值 Vmax = 2; Vmin =-2; Ub = [20 50 1 1 1]; Lb = [0 0 0 0 0]; %% 粒子群初始化 Range = ones(SwarmSize,1)*(Ub-Lb); Swarm = rand(SwarmSize,Dim)、*Range + ones(SwarmSize,1)*Lb; % 初始化粒子群 VStep = rand(SwarmSize,Dim)*(Vmax-Vmin) + Vmin; % 初始化速度 fSwarm = zeros(SwarmSize,1); for i=1:SwarmSize fSwarm(i,:) = feval(ObjFun,Swarm(i,:)); % 粒子群的适应值 end %% 个体极值与群体极值 [bestf,bestindex]=min(fSwarm); zbest=Swarm(bestindex,:); % 全局最佳 gbest=Swarm; % 个体最佳 fgbest=fSwarm; % 个体最佳适应值 fzbest=bestf; % 全局最佳适应值 %% 迭代寻优 iter = 0; y_fitness = zeros(1,MaxIter); % 预先产生4个空矩阵 K_p = zeros(1,MaxIter);
PID参数优化算法研究
PID参数优化算法研究 陕西科技大学何佳佳 【摘要】PID参数优化是自动控制领域研究的一个重要问题。本文主要介绍了PID参数优化算法以及近年来在此方面取得的的研究成果，并对未来PID参数优化的研究方向作了展望。 【关键词】PID控制；算法；参数优化 Study of algorithms on PID parameter optimization HE Jiajia, HOU Zai-en Abstract: PID parameter optimization is an important problem in automatic controlling field. The Algorithms of PID parameter optimization and the latest achievements in this aspect are mainly introduced in this paper, and the future directions of PID parameter optimization are also discussed. Keywords:PID control; algorithm; parameter optimization 1 引言 PID控制即比例-积分-微分(Proportion-Integral-Derivative)控制，它是建立在经典控制理论上的一种控制策略。在工业过程控制系统中，当被控对象的结构和参数不能完全掌握，或精确的数学模型难以建立，或控制理论的技术难以采用时，系统控制器的结构和参数必须依靠经验和现场调试来确定，这时最常用的就是PID控制。即使我们不完全了解一个系统和被控对象，或不能通过有效的测量手段来获得系统参数时，也适合采用PID控制技术。PID控制器就是根据系统的误差，利用比例、积分、微分计算出控制量进行控制的。它是迄今为止历史最悠久，生命力最强的控制方式，国内外95%[1]以上的控制回路仍然采用PID结构。在控制理论和技术飞跃发展的今天，PID控制器仍被广泛应用主要是因为其控制结构简单，稳定性能好，可靠性高，易于实现等优点，而且许多高级控制都是以PID控制为基础的。而PID控制效果完全取决于PID参数的整定与优化，因此，PID参数的整定[2-6]与优化算法显得尤为重要。为了实现最优PID控制， PID参数优化算法已成为国内外控制理论研究的一个热点，由于单纯形法[7-8]等算法运算量大，而且极易陷入局部最优[9]，因此需要找一种简单而高效的PID参数优化算法。近年来，随着计算机技术的发展，一些新的智能算法得到了迅速发展和广泛应用，特别是模拟进化算法，在理论研究和应用研究方面都相当活跃。目前，对PID参数优化算法的研究仍在继续，许多期刊不断地发表新的研究成果。本文主要介绍了五种PID参数优化算法，并对PID参数优化算法的发展作一综述。 2 PID参数优化简介 PID控制器由比例，积分和微分环节组成，其控制规律可表示为： () 1 ()()() t D P I T de t u t K e t e t dt T dt ??=++ ?? ?? ? （1）将式（1）写成传递函数形式：
粒子群算法优化模糊pid(谷风软件)
本文选取常见的二阶惯性加纯滞后环节，传递函数为： )1)(1(21++=-s T s T e G s s τ 在这里，3.0,2,,121===τT T PID 参数取为2,1,2===i d p K K K 本设计中的模糊控制器采用两输入(e, ec)，三输出(P,I,D)的形式来调整PID 参数。e 的论域为[-3,3]，ec 的论域为[-3,3]。推理机使用 {,,,,,,}NB NM NS O PS PM PB ，表示{负大，负中，负小，零，正小，正中，正大}为了可以调节尽可能多的系统，此控制器选定在负边界处和正边界处分别选用平滑连续的Z 型隶属度函数和S 型隶属度函数，在中间部分采用灵敏度较强的三角形隶属度函数。规则表如下图所示： （1）主程序： clear clc %% 参数设置 w = 0.6; % 惯性因子 c1 = 1.414; % 加速常数 c2 = 1.623; % 加速常数 Dim = 5; % 维数 SwarmSize = 100; % 粒子群规模 ObjFun = @PSO_PID; % 待优化函数句柄 MaxIter = 100; % 最大迭代次数 MinFit = 0.01; % 最小适应值 Vmax = 2; Vmin =-2; Ub = [20 50 1 1 1]; Lb = [0 0 0 0 0]; %% 粒子群初始化 Range = ones(SwarmSize,1)*(Ub-Lb); Swarm = rand(SwarmSize,Dim).*Range + ones(SwarmSize,1)*Lb; % 初始化粒子群
VStep = rand(SwarmSize,Dim)*(Vmax-Vmin) + Vmin; % 初始化速度fSwarm = zeros(SwarmSize,1); for i=1:SwarmSize fSwarm(i,:) = feval(ObjFun,Swarm(i,:)); % 粒子群的适应值end %% 个体极值和群体极值 [bestf,bestindex]=min(fSwarm); zbest=Swarm(bestindex,:); % 全局最佳 gbest=Swarm; % 个体最佳 fgbest=fSwarm; % 个体最佳适应值 fzbest=bestf; % 全局最佳适应值 %% 迭代寻优 iter = 0; y_fitness = zeros(1,MaxIter); % 预先产生4个空矩阵 K_p = zeros(1,MaxIter); K_i = zeros(1,MaxIter); K_d = zeros(1,MaxIter); e= zeros(1,MaxIter); ec = zeros(1,MaxIter); while( (iter < MaxIter) && (fzbest > MinFit) ) for j=1:SwarmSize % 速度更新 VStep(j,:) = w*VStep(j,:) + c1*rand*(gbest(j,:) - Swarm(j,:)) + c2*rand*(zbest - Swarm(j,:)); if VStep(j,:)>Vmax, VStep(j,:)=Vmax; end if VStep(j,:) 基于遗传算法的PID参数整定 1引言 传统的比例、积分、微分控制，即PID控制具有算法简单、鲁棒性好和可靠性高等优点，已经被广泛用于工业生产过程。但工程实际中，PID控制器的比例、积分和微分调节参数往往采用实验加试凑的方法由人工整定。这不仅需要熟练的技巧，往往还相当费时。更为重要的是，当被控对象特性发生变化，需要控制器参数作相应调整时，PID控制器没有自适应能力，只能依靠人工重新整定参数，由于经验缺乏，整定结果往往达不到最优值，难以满足实际控制的要求。考虑生产过程的连续性以及参数整定费事费力，这种整定实际很难进行。所以，人们从工业生产实际需要出发，基于常规PID控制器的基本原理，对其进行了各种各样的改进。近年来许多学者提出了基于各种智能算法的PID整定策略，比如模糊PID、神经元网络PID等等。然而，这些先进算法都要求对被控对象有很多的先验知识，在实际应用中往往难于做到。随着计算技术的发展，遗传算法有了很大的发展。将遗传算法用于控制器参数整定，已成为遗传算法的重要应用之一。 本文介绍基于遗传算法的PID参数整定设计方法。这是一种寻求全局最优的控制器优化方法，且无需对目标函数微分，可提高参数优化效果，简化计算过程。仿真实例表明该方法与其他传统寻优方法相比，在优化效果上具有一定的优势。2遗传算法简介 2.1 遗传算法的基本原理 遗传算法是John H．Holland根据生物进化的模型提出的一种优化算法。自然选择学说是进化论的中心内容。根据进化论，生物的发展进化主要有三个原因：即遗传、变异和选择。遗传算法基于自然选择和基因遗传学原理的搜索方法，将“优胜劣汰，适者生存”的生物进化原理引入待优化参数形成的编码串群体中，按照一定的适应度函数及一系列遗传操作对各个体进行筛选，从而使适应度高的个体被保留下来，组成新的群体；新群体包含上一代的大量信息，并且引入了新的优于上一代的个体。这样周而复始，群体中各个体适应度不断提高，直至满足一定的极限条件。此时，群体中适应度最高的个体即为待优化问题的最优解。 遗传算法通过对参数空间编码并用随机选择作为工具来引导搜索过程朝着更基于遗传算法的PID参数整定的MATLAB程序代码