论文部分内容阅读
[摘 要]针对传统PID参数控制方法费时费力且无法满足控制要求的问题，基于粒子群优化算法（PSO）原理简单、易实现且收敛速度快的特点，采用PSO算法来实现PID控制器的参数优化。由于PSO算法存在搜索精度较低、容易陷入局部最优和早熟收敛等固有缺点，在基于PSO算法的PID控制器参数优化研究的基础上，结合云模型，对PSO算法进行改进，从而达到拓宽算法使用领域的目的。
[关键词]PID控制；粒子群优化算法（PSO）；云模型；
中图分类号：TP544 文献标识码：A 文章编号：1009-914X（2018）42-0151-01
0 前言
PID控制作为经典控制方法，是控制工程中最早发展起来的得到广泛应用的控制策略之一，传统的PID控制参数主要用于人工调整，往往费时而且难以满足控制的实时要求，无法保证控制最优。近年来，粒子群算法作为一种新的智能算法越来越受到学者的关注。与传统进化算法相比，它的思想简单、容易实现、可调参数较少和应用效果明显等优点，所以得到了广泛地研究和应用。
本文针对粒子群算法也存在搜索精度较低、容易陷入局部最优和早熟收敛缺点进行改进研究，以达到拓宽算法的使用领域的目的。
1PID控制器
PID控制器具有算法简单、鲁棒性好、可靠性高等优点，90%以上的工业过程控制都使用的是PID类控制器。
其系统原理框图如图1所示。
在实际的PID控制的应用中，通过调节PID控制器的三个参数，常规的PID控制可以使被控对象达到比较好的控制效果。有一个足够好的参数对于系统的性能有决定性作用，在很多的实际工程中，一点微小的控制误差都有可能造成不可估量的后果，所以无论是从工程控制效果方面来考虑还是仅仅从人类对于科学永无止境的追求的角度来说，PID控制器参数进行优化都是十分有意义并且值得去研究的。
2基本粒子群算法及其改进
粒子群优化算法（PSO）是一种进化计算技术（evolutionary computation），有Eberhart博士和kennedy博士发明的一种新的全局优化进化算法。源于对鸟群捕食的行为研究。粒子群优化算法通常应用于求解优化问题。在粒子群优化算法中，每个优化问题的可能解都可以想象成D维搜索空间中称作“粒子”（Particle）的一个点，粒子以一定速度在搜索空间中飞行，并根据该粒子本身的飞行经验及所在种群同伴的飞行经验进行动态调整。
将传统的粒子群智能优化方法与云理论相结合而形成云粒子群优化算法（Cloud Particle Swarm Optimization， CPSO算法）。
云粒子群算法基本流程如图2所示：
3 基于粒子群优化算法及其改进的PID参数优化研究
在本次研究中，选用ITAE性能指标函数作为适应度函数，这个指标是一种具有很好工程实用性和选择性的控制系统性能评价指标。
利用MATLAB语言编程实现利用PSO及其改进的算法对PID控制器参数进行优化的仿真，并对基本PSO算法以及改进后的PSO算法（CPSO）进行比较，分析两种优化算法在PID控制器参数优化问题上的相同点和不同点。
对于两种优化算法，本文采用了相同的粒子个数m，学习因子c11、c12以及相同的迭代次数，并且将其他初始化条件也设定为相同的值，比较两种算法优化结果。可以发现改进后的算法比改进前更加稳定，并且可以更加快速的找到理想的解。
粒子群优化算法及其改进的优化算法对PID控制器参数的优化结果证明了粒子群优化算法及云粒子群优化算法的可行性和有效性，为PID控制器的参数优化提供了一种有效实用的方法
4 结语
本文主要介绍了基于PSO算法的PID控制器参数优化的问题，介绍了PID控制器的原理和發展状况、数学模型以及PID控制器的参数优化的意义。还提出对粒子群算法的基于云模型的改进方法，通过对两种算法对PID控制器参数优化效果的比较，发现两种算法都可以达到优化参数的目的，相比于粒子群优化算法，改进后的云粒子群优化算法的优化结果更加稳定且优化速度更快。
参考文献
[1]YAN J， HU T S， HUANG CH CH， et al.An improved particle swarm optimization algorithm[J] .Applied Mathematics and Computation， 2007， （27）： 1232-1247.
[2]陈颖， 徐晓晖， 李志全. 基于免疫克隆原理的改进粒子群优化算法的研究[J]. 系统仿真学报， 2008， 20（6）：1471-1474
[3]陈丽丽. 改进的粒子群算法[J]. 计算机与数字工程2009， 37（8）： 33-35.
作者简介
韩宜轩 （1995.07--） 性别女，陕西省延安市人，学历本科，专业：检测技术与自动化装置。
[关键词]PID控制；粒子群优化算法（PSO）；云模型；
中图分类号：TP544 文献标识码：A 文章编号：1009-914X（2018）42-0151-01
0 前言
PID控制作为经典控制方法，是控制工程中最早发展起来的得到广泛应用的控制策略之一，传统的PID控制参数主要用于人工调整，往往费时而且难以满足控制的实时要求，无法保证控制最优。近年来，粒子群算法作为一种新的智能算法越来越受到学者的关注。与传统进化算法相比，它的思想简单、容易实现、可调参数较少和应用效果明显等优点，所以得到了广泛地研究和应用。
本文针对粒子群算法也存在搜索精度较低、容易陷入局部最优和早熟收敛缺点进行改进研究，以达到拓宽算法的使用领域的目的。
1PID控制器
PID控制器具有算法简单、鲁棒性好、可靠性高等优点，90%以上的工业过程控制都使用的是PID类控制器。
其系统原理框图如图1所示。
在实际的PID控制的应用中，通过调节PID控制器的三个参数，常规的PID控制可以使被控对象达到比较好的控制效果。有一个足够好的参数对于系统的性能有决定性作用，在很多的实际工程中，一点微小的控制误差都有可能造成不可估量的后果，所以无论是从工程控制效果方面来考虑还是仅仅从人类对于科学永无止境的追求的角度来说，PID控制器参数进行优化都是十分有意义并且值得去研究的。
2基本粒子群算法及其改进
粒子群优化算法（PSO）是一种进化计算技术（evolutionary computation），有Eberhart博士和kennedy博士发明的一种新的全局优化进化算法。源于对鸟群捕食的行为研究。粒子群优化算法通常应用于求解优化问题。在粒子群优化算法中，每个优化问题的可能解都可以想象成D维搜索空间中称作“粒子”（Particle）的一个点，粒子以一定速度在搜索空间中飞行，并根据该粒子本身的飞行经验及所在种群同伴的飞行经验进行动态调整。
将传统的粒子群智能优化方法与云理论相结合而形成云粒子群优化算法（Cloud Particle Swarm Optimization， CPSO算法）。
云粒子群算法基本流程如图2所示：
3 基于粒子群优化算法及其改进的PID参数优化研究
在本次研究中，选用ITAE性能指标函数作为适应度函数，这个指标是一种具有很好工程实用性和选择性的控制系统性能评价指标。
利用MATLAB语言编程实现利用PSO及其改进的算法对PID控制器参数进行优化的仿真，并对基本PSO算法以及改进后的PSO算法（CPSO）进行比较，分析两种优化算法在PID控制器参数优化问题上的相同点和不同点。
对于两种优化算法，本文采用了相同的粒子个数m，学习因子c11、c12以及相同的迭代次数，并且将其他初始化条件也设定为相同的值，比较两种算法优化结果。可以发现改进后的算法比改进前更加稳定，并且可以更加快速的找到理想的解。
粒子群优化算法及其改进的优化算法对PID控制器参数的优化结果证明了粒子群优化算法及云粒子群优化算法的可行性和有效性，为PID控制器的参数优化提供了一种有效实用的方法
4 结语
本文主要介绍了基于PSO算法的PID控制器参数优化的问题，介绍了PID控制器的原理和發展状况、数学模型以及PID控制器的参数优化的意义。还提出对粒子群算法的基于云模型的改进方法，通过对两种算法对PID控制器参数优化效果的比较，发现两种算法都可以达到优化参数的目的，相比于粒子群优化算法，改进后的云粒子群优化算法的优化结果更加稳定且优化速度更快。
参考文献
[1]YAN J， HU T S， HUANG CH CH， et al.An improved particle swarm optimization algorithm[J] .Applied Mathematics and Computation， 2007， （27）： 1232-1247.
[2]陈颖， 徐晓晖， 李志全. 基于免疫克隆原理的改进粒子群优化算法的研究[J]. 系统仿真学报， 2008， 20（6）：1471-1474
[3]陈丽丽. 改进的粒子群算法[J]. 计算机与数字工程2009， 37（8）： 33-35.
作者简介
韩宜轩 （1995.07--） 性别女，陕西省延安市人，学历本科，专业：检测技术与自动化装置。