基于粒子群算法的pid参数优化

基于粒子群算法的pid参数优化

ID:2267411

大小:171.00 KB

页数:15页

时间:2017-11-15

基于粒子群算法的pid参数优化_第1页
基于粒子群算法的pid参数优化_第2页
基于粒子群算法的pid参数优化_第3页
基于粒子群算法的pid参数优化_第4页
基于粒子群算法的pid参数优化_第5页
资源描述:

《基于粒子群算法的pid参数优化》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、基于粒子群算法的PID参数优化计算机控制理论与设计作业姓名:学号:基于粒子群算法的PID参数优化基于粒子群算法的PID参数优化徐鹏翔1501086控制理论与控制工程3班摘要:粒子群算法是计算智能领域,除蚁群算法、鱼群算法之外的一种群体智能优化算法,本文利用粒子群算法优化PID参数。选用常用的误差性能指标ITAE作为目标函数,在MATLAB环境下设计粒子群优化算法,搭建simulink仿真,实现了PID控制器的自动参数整定。仿真结果表明,该优化方法得到PID控制器的综合性能优于常规方法得到的PID。关键词:粒子群算法;PID;控制;优化;仿真1引言在控制工程中,PID控制是最早发

2、展起来的得到广泛应用的控制策略之一,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,具有结构简单、易于实现、鲁棒性好等特点。PID控制设计的核心问题就是根据被控对象的不同特性来确定P、I、D等3个参数的大小。传统的PID控制参数主要通过人工经验来调整,显然这种方法主观性太强,移植性差,也不能保证控制最优。早期用来优化PID控制器参数的方法主要有Ziegler-Nichols动态特性法、Cohen-Coon响应曲线法、ISE积分平方准则整定法。近些年随着智能控制算法的兴起,出现了专家智能型PID参数自整定技术、基于Fuzzy算法的PID参数自整定技术、基于

3、GA的PID参数自整定技术、基于蚁群算法的PID参数自整定技术等,与传统方法相比,这些方法都取得了更好的控制效果,但也存在算法复杂、适用性不强等不足。动物群体中信息的社会共享有利于群体在演化中获得优势,以此可以作为开发粒子群算法的基础。粒子群算法是一种基于群体的具有全局寻优能力的优化工具,但它没有遗传算法中用的交叉以及变异等复杂的遗传操作,其简单、易于实现,同时又有深刻的智能背景,既适合科学研究,又特别适合工程应用。从粒子群算法的基本原理出发,将其运用到PID控制器参数优化当中,得到很好的效果。2PID控制器2.1PID控制器基本原理PID控制器通过对反馈误差信号进行比例、积分

4、和微分运算,以运算结果的加权和来构成系统的控制信号,其传递函数描述可写为:14基于粒子群算法的PID参数优化(1)实际中常将控制器中的纯微分环节进行滤波处理,这样PID控制器的传递函数成为:(2)其中是比例常数、和分别是积分和微分时间常数,为一个较大的正数(文中取N=50)。PID控制器的优化设计,就是寻找合适的、和在控制系统的快速性和稳定性之间进行平衡,尽量减小超调量和稳态误差,提高动态响应速度。2.2PID控制器参数对控制性能的影响在系统稳定的前提下,加大Kp可以减少稳态误差,但不能消除稳态误差。因此Kp的整定主要依据系统的动态性能。Kp加大,将使系统响应速度加快,Kp偏大

5、时,系统振荡次数增多,调节时间加长,Kp太小又会使系统的响应速度缓慢。Kp的选择以输出响应产生4:1衰减过程为宜。积分控制通常和比例控制或比例微分控制联合作用,构成PI控制或PID控制。积分控制有助于消除系统稳态误差,提高系统的控制精度,但若TI太大,积分作用太弱,则不能减少余差。积分控制通常影响系统的稳定性。TI太小,系统可能不稳定,且振荡次数较多;TI太大,对系统的影响将削弱;当TI较适合时,系统的过渡过程特性比较理想。微分控制通常和比例控制或比例积分控制联合作用,构成PD控制或PID控制。微分环节的加入,可以在误差出现或变化瞬间,按偏差变化的趋向进行控制。它引进一个早期的

6、修正作用,有助于增加系统的稳定性。微分时间TD的增加即微分作用的增加可以改善系统的动态特性,如减少超调量,缩短调节时间等。适当加大比例控制,可以减少稳态误差,提高控制精度。但TD值偏大或偏小都会适得其反。另外微分作用有可能放大系统的噪声,降低系统的抗干扰能力。3粒子群算法粒子群算法是Kennedy和Eberhart等受鸟群在寻觅食物时的行为启示,于1995年提出的一种优化算法。该算法通过群体之间的信息共享和个体对自身经验的总结来修正个体的行动策略,进而求得优化问题的解。标准的粒子群算法初始化为一群随机粒子,然后通过迭代找到最优解。在每一次迭代中,粒子通过跟踪两个“极值”来更新粒

7、子在空间中的飞行速度和位置。第一个极值就是当前第14基于粒子群算法的PID参数优化i个粒子本身所找到的最优解,称为个体极值,记为。另一个极值是当前整个种群找到的最优解,称为全局极。若将第i个粒子的速度记为,表示一次迭代计算引起的粒子位置变化量。而每个粒子的位置记为。代表一个优化问题的潜在解。则每一次迭代计算中,第i个粒子的速度和位置由下式来更新:(3)(4)其中i表示粒子序号,t是迭代次数,n为解空间的维数。w是一个小于1的常数,称为惯性权重,表示过去速度对当前速度的影响,一般在优化初期取值

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。