5.2 粒子群算法整定实验.24

5.2.1 Simulink 部分程序的实现.. 24

5.2.2 PSO部分程序实现..24

5.2.3 仿真实验结果..25

5.3实验结果分析：.. 29

总结与展望... 31

致谢...32

参考文献... 33

附录...34
第一章 绪论1.1 研究的背景和课题意义在现代的工业生产过程中，由于 PID控制器 ] 5 - 1 [有着结构简单，而且它又能够很好地使系统平稳运行的特点，所以 PID控制器在工业生产中受到了人们的青睐。决定 PID控制器能否在控制系统中起到较好的作用的，取决于它自身的三个参数 p K ， iK ， d K 是否合理。然而，由于许多系统需要进行控制的对象是高阶或者非线性的 ] 9 - 6 [，所以 PID控制器在许多工业生产过程中的应用也并不是十分顺利。在工业生产过程中，许多控制系统出现的问题其实都是寻找能够使系统稳定运行的控制器参数，这些问题的实质就是对系统的参数进行优化的问题。为了解决这些个色各异的优化问题，人们对这些优化问题进行了大量的研究，并且提出了许多经典的优化算法。例如：遗传算法，神经网络算法 ] 7 [等等。如何确定这些算法在系统的优化问题 ] 3 [上是否已经得到较好的解决主要体现在俩个方面：一。系统能够找到全局最小点，二是能够使系统具有较快的收敛速度。这些优化算法虽然有着许多优点，像精度高，全局优化效果好。但是，它们的缺点还是很明显的，比如系统容易陷入局部最优，而且优化的过程也比较复杂。
1.2 基本的 PID参数优化方法到现在为止，人们发现了许多能够使 PID控制器进行有效的参数整定优化办法。这些经典的优化方式有单纯形法、最速降落法、遗传算法、蚁群算法 ] 5 [等。单纯形法在寻找非线性函数的无约束极值时是一种经历法，在面对多变量无约束最优化的问题时是直接搜索法；最速降落法是通过选取目标函数 ] 9 [的负梯度方法作为每次迭代的搜索方向，然后渐渐迫近函数最小值的方法；误差积分准则 ISTE 最优设定方法是在给定对象形式后，以误差积分作为目标函数，对系统进行参数的优化整定；遗传算法的根本思想其实就是天然界中物种的优胜劣汰，模仿天然环境进化过程中探求最优解的方法。它的基本思想是： 先随机初始化一个一定大小的种群， 其次根据自然界中的适者生存的基本道理，一代一代的选择出更好的个体。在每一代中，先进行选择比较，找到比较好的个体进行生物中的交叉变异，得到一个新的种群。重复这样的过程，在经过许多代后的演化，新的种群会更加适应环境，其中的个体也会变得更加优秀；蚁群算法是人们根据天然环境中蚁群行为的开导而发现的一个新型智能优化算法。蚂蚁从巢穴到外面找寻粮食，源[自-优尔*`论/文'网·www.youerw.com/它们发现粮食后会在发现粮食的道路上散发一种信息素，别的的蚂蚁就会根据这个信息素向发现食物的道路上靠拢，并且也在道路上发出信息素，这样越靠近食物，那条道路上得信息素就会越浓。一定时间后，全部的蚂蚁都会聚集到信息素最浓的那条道路上来，这条道路便是寻找到粮食的最短道路。为了解决这类最优化问题，人们找到了许多方法，但还是满足不了复杂工业控制中的问题。所以寻找一种适应度高，能够解决复杂控制系统环境下的优化算法就显得尤其重要。
1.3 研究现状自从人们发现了粒子群 ] 1 [算法，它就被广泛的应用到各个领方面。1942 年 Ziegler提出了 PID控制器参数整定的临界振荡法。2006 年，黄婉平，周立芳等提出了变异操作和线性递增的改进方案—自适应粒子群算法 ] 12 [；2005 年，王介生，王伟等提出一种对 PID 控制器参数和最小相位系统的两阶段PI/PID 控制器参数进行自整定的计算框架 ] 13 [；2013 年，刘东，冯全源提出了基于聚集度反馈控制的粒子群优化算法，使得种群的聚集程度可控 ] 14 [；2008 年，肖琴，方旺盛提出一种基于中值迭代函数自适应序列生境粒子群优化算法 ] 15 [来解决PSO 在高维复杂问题寻优陷入局部极小的现象。粒子群算法虽然优点很不少，可是由于粒子群算法和其他全局最优算法都有一样的缺点，都容易陷入局部最优，后期收敛慢等，所以它的缺点也还有很多。