论文部分内容阅读
在啤酒发酵过程中，发酵温度对啤酒的质量和风味有着很大的影响，能够精确的按照工艺曲线对啤酒发酵温度进行控制是非常重要的任务。目前，在工程实际中，通常采用PID控制器对啤酒发酵的温度进行控制，但是啤酒发酵被控对象具有大时滞，非线性和时变性，传统的PID控制器很难满足现代化的生产要求。粒子群算法（PSO）作为群智能算法的典型代表是一种随机进化计算方法，也是一种很好的优化工具。本文将粒子群算法用于优化啤酒发酵温度PID控制器以及神经网络PID控制器。本文首先对粒子群算法进行了理论研究，介绍了基本粒子群算法的原理和两种典型的标准粒子群算法。研究了各个参数对算法性能的影响以及算法的收敛性。并针对标准粒子群算法的缺点提出了三种改进的策略：(1)针对标准PSO算法后期收敛速度较慢，解决复杂问题收敛精度较低的缺陷，将蜂群算法（ABC）的贪婪选择策略与更新坏解策略引入到PSO算法中，提出了基于蜂群算法的PSO算法。贪婪选择策略起到对粒子速度更新进行约束的作用，促使粒子以更快的速度向最佳位置飞行。而更新坏解策略则会放弃一些“坏解”，并对其重新初始化，增强了全局搜索能力。(2)针对标准PSO算法搜索精度较低，容易飞过最优解的缺点，对粒子的位置更新进行改进，引入了位置约束因子，对粒子的搜索步长进行约束，避免盲目搜索，并结合自适应惯性权重策略，提出了带位置约束因子的自适应PSO算法。(3)针对标准PSO算法容易出现“早熟”现象的缺点，引入了遗传算法中的选择和交叉因子，选择操作能够提高局部搜索能力，但会降低种群的多样性，而交叉因子的引入则会增强种群的多样性，两者结合起来能够在提高种群局部搜索能力的同时拥有更好的种群多样性。同时，为了避免盲目交叉操作，对后代的生成策略进行了改进，并采用自适应惯性权重策略，提出了带交叉因子的自适应PSO算法。最后，将寻优性能较好的两种改进的PSO算法应用到了啤酒发酵温度控制系统中。将第一种改进的PSO算法用于整定PID控制器参数。将第三种改进的PSO算法用于优化BP神经网络PID控制器。实验结果表明控制器均获得了良好的控制效果。