【正文】 提出了新的方法和思路，同時也由于生產(chǎn)工藝不斷地改進(jìn)提高，對過程控制也提出了高要求。就連科學(xué)技術(shù)高度發(fā)達(dá)的日本，PID控制的使用率也高達(dá)84.%。 to achieve the purpose of increasing search space。遺傳算法模仿生物進(jìn)化的步驟，在優(yōu)化過程中引入了選擇，交叉，變異等算子，選擇是從父代種群中將適應(yīng)度較高的個體選擇出來，以優(yōu)化種群；交叉是從種群中隨機(jī)地抽取一對個體，并隨機(jī)地選擇多位進(jìn)行交叉，生成新樣本，達(dá)到增大搜索空間的目的；變異是為了防止選擇和交叉丟失重要的遺傳信息，它對個體按位進(jìn)行操作，以提高GA的搜索效率和全局搜索能力。周 次1—4周5—8周9—12周13—16周17—18周應(yīng)完成的內(nèi)容調(diào)研 收集資料掌握遺傳算法的基本理論確定總體方案模型確立 方案分析算法研究軟件設(shè)計及調(diào)試 設(shè)計總結(jié)撰寫論文準(zhǔn)備答辯 指導(dǎo)教師：劉莉職稱：副教授 2010 年 12 月25 日系級教學(xué)單位審批： 年 月 日摘要摘要本文提出了一種新的PID參數(shù)設(shè)計方法，它以誤差積分型性能指標(biāo)為目標(biāo)函數(shù)，以設(shè)計參數(shù)的取值范圍為約束條件建立了優(yōu)化數(shù)學(xué)模型。內(nèi)容：學(xué)習(xí)遺傳算法的基本原理，設(shè)計完整的優(yōu)化控制方案，算法研究，應(yīng)用研究，仿真研究。本科畢業(yè)設(shè)計（論文）遺傳算法的PID控制器的設(shè)計姜山燕 山 大 學(xué)2011年 6月本科畢業(yè)設(shè)計（論文）遺傳算法的PID控制器的設(shè)計學(xué)院（系）：里仁學(xué)院 專 業(yè)：測控技術(shù)與儀器 學(xué)生 姓名：姜山 學(xué) 號：071203021060 指導(dǎo) 教師：劉莉 答辯 日期：2011年6月19日 燕山大學(xué)畢業(yè)設(shè)計(論文)任務(wù)書學(xué)院：電氣工程學(xué)院 系級教學(xué)單位：自動化儀表系 學(xué)號071203021060學(xué)生姓名姜山專 業(yè)班 級儀表072題目題目名稱遺傳算法的PID控制器的設(shè)計題目性質(zhì)：工程設(shè)計 （ √ ）；工程技術(shù)實(shí)驗(yàn)研究型（ ）；理論研究型（ ）；計算機(jī)軟件型（ ）；綜合型（ ）?；疽箝喿x國內(nèi)外有關(guān)資料；畢業(yè)設(shè)計期間遵守紀(jì)律；獨(dú)立進(jìn)行畢業(yè)設(shè)計工作，培養(yǎng)科研工作能力；完整給出設(shè)計說明書一份（不少于2萬字），A1圖紙一張；英文資料翻譯不少于3千字；說明書要求條理清晰，文字通順，符合畢業(yè)設(shè)計撰寫規(guī)范的要求；論文及圖紙中的文字符號符合國家現(xiàn)行標(biāo)準(zhǔn)。之后，在Matlab環(huán)境下，將遺傳算法同Simulink:仿真技術(shù)有機(jī)融合來求解該優(yōu)化模型，數(shù)值實(shí)驗(yàn)表明：本方法簡單直觀，通用性強(qiáng)，所設(shè)計的PID性能優(yōu)異，十分適合于工程應(yīng)用。通過適應(yīng)度函數(shù)來確定尋優(yōu)方向，與其他一些常規(guī)整定方法相比，遺傳算法比較簡便，整定精度較高。 variation is to prevent the loss of choice and crossimportant genetic information. In this paper, genetic algorithm of the PID speed control system of diesel engine parameters are optimized, the system simulation, experimental results show that the algorithm also shows that the genetic algorithm is a simple and efficient optimization algorithm, with the traditional optimization methods significantly improved the control system dynamic performance. Key words: genetic algorithm；PID controller；parameter optimization；simulationIII目 錄摘要 IAbstract II第1章 緒論 1 課題背景 1 國內(nèi)外研究現(xiàn)狀及成果 2 當(dāng)前研究存在的問題 4 本文研究的目的和意義 5 本論文主要工作 6第2章 遺傳算法 7 遺傳算法的簡介 7 遺傳算法的歷史和發(fā)展 7 遺傳算法的應(yīng)用領(lǐng)域 9 遺傳學(xué)的概念 9 遺傳算法的基本原理及特點(diǎn) 10 遺傳算法的基本步驟 11 遺傳算法的應(yīng)用關(guān)鍵 13 15第3章 遺傳算法的MATLAB實(shí)現(xiàn) 16 遺傳算法工具箱總體介紹 16 遺傳算法工具箱函數(shù)應(yīng)用 17 本章小結(jié) 22第4章 PID控制器模型 24 PID參數(shù)優(yōu)化方法綜述 24 柴油機(jī)PID控制器模型 33 測速環(huán)節(jié) 33 33 執(zhí)行器 34 控制器 34 34第5章 遺傳算法的PID參數(shù)優(yōu)化設(shè)計及仿真 35 遺傳算法的PID參數(shù)優(yōu)化策略 35 PID控制器在SIMULINK中的仿真框圖 36 基于遺傳算法優(yōu)化柴油機(jī)調(diào)速系統(tǒng)PID參數(shù) 37 柴油機(jī)調(diào)速系統(tǒng)仿真實(shí)驗(yàn) 39 本章小結(jié) 42結(jié)論 43參考文獻(xiàn) 44致謝 46附錄1 開題報告 47附錄2 文獻(xiàn)綜述 52附錄3 外文翻譯 56附錄4 (程序清單) 6469第1章 緒論第1章 緒論 課題背景PID調(diào)節(jié)器是最早發(fā)展起來的控制策略之一，因?yàn)樗婕暗脑O(shè)計算法和控制結(jié)構(gòu)都是簡單的，并且十分適用于工程應(yīng)用背景，此外PID控制方案并不要求精確的受控對象的數(shù)學(xué)模型，且采用PID控制的控制效果一般是比較令人滿意的，所以在工業(yè)實(shí)際應(yīng)用中，PID調(diào)節(jié)器是應(yīng)用最為廣泛的一種控制策略，也是歷史最久、生命力最強(qiáng)的基本控制方式。這是由于理論分析及實(shí)際運(yùn)行經(jīng)驗(yàn)已經(jīng)證明了PID調(diào)節(jié)器對于相當(dāng)多的工業(yè)過程能夠起到較為滿足的控制效果。科研人員在不斷探索新方法的同時，也對傳統(tǒng)的PID控制的改進(jìn)做了大量的研究。由于受控對象存在著大量不可知因素，如隨機(jī)擾動、系統(tǒng)時變、敏感誤差等，這些不可知因素的作用常會導(dǎo)致受控對象參數(shù)的改變。（2）PID參數(shù)優(yōu)化。尤其是遺傳算法的應(yīng)用研究顯得格外活躍，不但它的應(yīng)用領(lǐng)域擴(kuò)大，而且利用遺傳算法進(jìn)行優(yōu)化和規(guī)則學(xué)習(xí)的能力也顯著提高，同時產(chǎn)業(yè)應(yīng)用方面的研究也在摸索之中。 （Stochastic Iterated Genetic Hillclimbing，SIGH）采用了一種復(fù)雜的概率選舉機(jī)制，此機(jī)制中由m個“投票者”來共同決定新個體的值（m表示群體的大小）。 2002年，戴曉明等應(yīng)用多種群遺傳并行進(jìn)化的思想，對不同種群基于不同的遺傳策略，如變異概率，不同的變異算子等來搜索變量空間，并利用種群間遷移算子來進(jìn)行遺傳信息交流，以解決經(jīng)典遺傳算法的收斂到局部最優(yōu)值問題 2004年，趙宏立等針對簡單遺傳算法在較大規(guī)模組合優(yōu)化問題上搜索效率不高的現(xiàn)象，提出了一種用基因塊編碼的并行遺傳算法（Buildingblock Coded Parallel GA，BCPGA）。（2） 對于動態(tài)數(shù)據(jù)，用遺傳算法求最優(yōu)解比較困難，因?yàn)槿旧w種群很可能過早地收斂，而對以后變化了的數(shù)據(jù)不再產(chǎn)生變化。一種觀點(diǎn)認(rèn)為交叉比變異更重要，因?yàn)樽儺悆H僅是保證不丟失某些可能的解；而另一種觀點(diǎn)則認(rèn)為交叉 過程的作用只不過是在種群中推廣變異過程所造成的更新，對于初期的種群來說，交叉幾乎等效于一個非常大的變異率，而這么大的變異很可能影響進(jìn)化過程。（6） 對于任何一個具體的優(yōu)化問題，調(diào)節(jié)遺傳算法的參數(shù)可能會有利于更好的更快的收斂，這些參數(shù)包括個體數(shù)目、交叉律和變異律。 本文研究的目的和意義近年來，我國在遺傳算法理論與應(yīng)用方面取得了巨大的成就，目前的研究課題主要集中在以下幾個方面:一是算法的數(shù)學(xué)基礎(chǔ)；二是算法與其他優(yōu)化技術(shù)的比較和融合；三是算法的改進(jìn)與深化；四是算法的并行化研究等。調(diào)查結(jié)果表明在當(dāng)今使用的控制方式中，%，%，%，%，人工智能(AI)型占0. 6%。它結(jié)構(gòu)簡單、適用面廣、魯棒性強(qiáng)、參數(shù)易于調(diào)整、在實(shí)際中容易被理解和實(shí)現(xiàn)、在長期應(yīng)用中已積累了豐富的經(jīng)驗(yàn)?？蒲腥藛T在不斷探索新方法的同時，也對傳統(tǒng)的PID控制的改進(jìn)做了大量的研究。最后對論文的工作進(jìn)行了。與傳統(tǒng)的優(yōu)化算法相比，GA具有如下優(yōu)點(diǎn)：(1)不是從單點(diǎn)，而是從多點(diǎn)開始搜索；(2)在搜索最優(yōu)解時，不受問題性質(zhì)(連續(xù)性、可微性)的限制只需由目標(biāo)函數(shù)值轉(zhuǎn)換成適應(yīng)度即可；(3)搜索過程不易陷入局部最優(yōu)值。同時由于遺傳算法群體的多樣性，使其盡可能在全方向上搜索，達(dá)到全局最優(yōu)。Bremermann，De Jong等人則注重遺傳算法應(yīng)用于參數(shù)優(yōu)化問題，極大的促進(jìn)了遺傳算法的應(yīng)用。1966年，F(xiàn)ogel等人也提出了類似的思想，但是其重點(diǎn)是放在變異算子而不是采用交叉算子。1975年，Holland出版了專著《自然與人工系統(tǒng)中的適應(yīng)性行為》（Adaptation in Natural and Artificial Systems），該書系統(tǒng)的闡述了遺傳算法的基本理論和方法，提出了對遺傳算法和理論發(fā)展極為重要的模式理論，其中首次確認(rèn)了選擇，交叉，變異等遺傳算子，以及遺傳算法的隱并行性，并將遺傳算法應(yīng)用于適應(yīng)性系統(tǒng)模擬，函數(shù)優(yōu)化，機(jī)器學(xué)習(xí)，自動控制等領(lǐng)域。這在某種程度上為以后的遺傳規(guī)劃奠定了基礎(chǔ)。這些眾多的研究單位和頻繁的國際學(xué)術(shù)活動集中反映了遺傳算法的學(xué)術(shù)意義的應(yīng)用價值。比較典型的適Holland設(shè)計的用于序列決策學(xué)習(xí)的分類器系統(tǒng)，以及機(jī)器人規(guī)劃，模式識別，概念學(xué)習(xí)。（3）人工智能與計算機(jī)科學(xué)GA 在人工智能與計算機(jī)科學(xué)領(lǐng)域中的應(yīng)用包括：數(shù)據(jù)挖掘和知識獲取，數(shù)據(jù)庫優(yōu)化查詢，人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)優(yōu)化，模式識別，專家系統(tǒng)等。(3) 群體大?。╬opulation size）：在群體中個體的數(shù)量稱為群體的大小。(5) 基因位置（gene position）：一個基因在串中的位置稱為基因位置，有時也稱為基因位?；蛭恢?中的1，它的基因特征值是8。(8) 參數(shù)空間sp：這是串空間在物理系統(tǒng)中的映射，它對應(yīng)于遺傳學(xué)中的表現(xiàn)型的集合。遺傳算法模仿生物進(jìn)化的步驟，引入選擇，交叉，變異等算子。傳統(tǒng)優(yōu)化算法是從單個初始值迭代求最優(yōu)解的；容易誤入局部最優(yōu)解。 　　(3) 遺傳算法基本上不用搜索空間的知識或其它輔助信息，而僅用適應(yīng)度函數(shù)值來評估個體，在此基礎(chǔ)上進(jìn)行遺傳操作?！　?5) 具有自組織、自適應(yīng)和自學(xué)習(xí)性。二進(jìn)制編碼方法是遺傳算法中最常用的一種編碼方法。步驟二：適應(yīng)度函數(shù)的選擇適應(yīng)度函數(shù)表明個體對環(huán)境適應(yīng)能力的強(qiáng)弱，它與所選取的目標(biāo)函數(shù)有關(guān)。適應(yīng)度準(zhǔn)則體現(xiàn)了適者生存，不適應(yīng)者被淘汰的自然法則。設(shè)群體大小為，個體的適應(yīng)度為， （）從上式就可以看出：適應(yīng)度高的個體，繁殖下一代的數(shù)目比較多。(2) 交叉(crossover operator)對于選中用于繁殖下一代的個體，隨機(jī)的選擇兩個個體的相同位置，按交叉概率p在選中的位置實(shí)行交換。本文采用中間重組雙點(diǎn)交叉法，即在群體中隨機(jī)選取2個個體，并在個體編碼串中只隨機(jī)設(shè)置2個交叉點(diǎn)，然后在該點(diǎn)以一定的概率Pc相互交換2個配對個體的部分染色體。變異概率Pm與生物變異極小的情況一致，變異運(yùn)算是指將個體染色體編碼串中某些基因座上的基因值用該基因座的其它等位基因來替換，形成一個新的個體。(5) 遺傳操作迭代終止的條件 遺傳算法的應(yīng)用關(guān)鍵遺傳算法在應(yīng)用中最關(guān)鍵的問題有如下3個：串的編碼方式：遺傳算法不能直接處理問題空間的參數(shù)，必須把它們轉(zhuǎn)換成遺傳空間的由基因按一定結(jié)構(gòu)組成的染色體或個體，這一轉(zhuǎn)換操作就叫做編碼。目前的幾種常用的編碼技術(shù)有二進(jìn)制編碼，浮點(diǎn)數(shù)編碼，字符編碼，變成編碼等。一般把問題的各種參數(shù)用二進(jìn)制編碼構(gòu)成子串，然后把子串拼接成染色體串(串的長度及編碼形式對算法收斂影響很大)。由于遺傳算法中，適應(yīng)度函數(shù)要比較排序并在此基礎(chǔ)上計算選擇概率，在不少場合，將目標(biāo)函數(shù)映射成求最大值形式且函數(shù)值非負(fù)的適應(yīng)度函數(shù)是必要的。適應(yīng)函數(shù)也稱為對象函數(shù)，這是問題求解品質(zhì)的測量函數(shù)，往往也稱為問題的“環(huán)境” 。交叉概率太小時難以向前搜索，太大則容易破壞高適應(yīng)值的結(jié)構(gòu)。 （2） 先隨機(jī)生成一定數(shù)目的個體，然后從中挑出最好的個體加到初始群體中。Matlab作為一種擁有高性能數(shù)值計算能力的通用科技計算機(jī)語言在其簡單易用的操作環(huán)境中集成了數(shù)值分析、矩陣計算、圖視能力、可視化建模仿真和實(shí)時控制能力，適合多學(xué)科和多部門的發(fā)展。本文將重點(diǎn)講述遺傳算法工具箱函數(shù)及其功能。而Matlab的基本數(shù)據(jù)單元就是一個維數(shù)不加限制的矩陣，在這種環(huán)境下，用戶無需考慮大量有關(guān)矩陣算法的復(fù)雜運(yùn)算問題，更不必深入了解相應(yīng)算法的具體細(xì)節(jié)，因而利用Matlab編程可以節(jié)省大量的時間和精力。格式：matout=rep(matin，repn)描述：rep是一個低位復(fù)制函數(shù)，通常不直接應(yīng)用，rep被遺傳算法工具箱的許多函數(shù)調(diào)用。格式：[chrom，lind，basev]=crtbp(nind，lind)[chrom，lind，basev]=crtbp(nind，lind，base)[chrom，lind，basev]=crtbp(nind，basev)描述：遺傳算法的第一步是創(chuàng)建一個由隨機(jī)產(chǎn)生的染色體組成初始化種群，crtbp產(chǎn)生一個矩陣