【正文】 但是，遺傳算法還有大量的問題需要研究，目前也還有很多不足之處。本設(shè)計(jì)正是利用遺傳算法的這些優(yōu)點(diǎn)來進(jìn)行PID參數(shù)整定的，構(gòu)造基于遺傳算法的PID控制器，通過Matlab仿真，取得了不錯(cuò)的效果。為了避免超調(diào)，采用了懲罰功能，即一旦產(chǎn)生超調(diào)，將超調(diào)量作為最優(yōu)指標(biāo)的一項(xiàng)，此時(shí)最優(yōu)指標(biāo)為：If ey(t)0式中，w3為權(quán)值，且y(t)為被控對象輸出。變量參數(shù)編碼種群1計(jì)算適配值滿足條件種群2解碼算法結(jié)束復(fù)制交叉變異是否圖53遺傳算法的基本流程圖 柴油機(jī)調(diào)速系統(tǒng)仿真實(shí)驗(yàn)在MATLAB編程時(shí)要先設(shè)定選擇算子、交叉算子和變異算子。（6） 結(jié)果仿真與分析。用數(shù)學(xué)分析或者實(shí)驗(yàn)的方法建立被控對象的數(shù)學(xué)模型（2） 控制器性能指標(biāo)的選定。為了進(jìn)一步提高控制效果，本控制器引入了遺傳算法，利用遺傳算法強(qiáng)大的尋優(yōu)能力，整定出不同e和ec下最優(yōu)的PID控制參數(shù)，提高了PID控制器的自適應(yīng)能力和準(zhǔn)確度本章介紹了PID控制器參數(shù)優(yōu)化方法及柴油機(jī)PID控制器模型，通過對幾種不同優(yōu)化方法的比較來體現(xiàn)遺傳算法在線整定PID參數(shù)的優(yōu)越性，同時(shí)說明遺傳算法具有強(qiáng)大的尋優(yōu)功能。然后將燃油以霧狀噴入高溫空氣中，與高溫空氣混合形成可燃混合氣，自動(dòng)著火燃燒。其思想是利用神經(jīng)網(wǎng)絡(luò)辨識器進(jìn)行多步預(yù)測的結(jié)果來確定當(dāng)前控制器參數(shù)的調(diào)節(jié)量。這時(shí)，該神經(jīng)網(wǎng)絡(luò)辨識器的結(jié)構(gòu)就可以作為被控對象結(jié)構(gòu)的一個(gè)近似。Step4:根據(jù)式(5)計(jì)算個(gè)體的適應(yīng)度，根據(jù)式(3)對每個(gè)個(gè)體進(jìn)行選擇操作。ek=ykyref為采樣時(shí)刻k的輸出誤差。rand為(0，1)之間的隨機(jī)數(shù)。（2）.變異操作。PSO算法有些類似于人的思維方式:在尋求一致的認(rèn)知過程中，個(gè)體往往記住它們自己的信念，同時(shí)考慮同事們的信念。rand2PSO算法[14]和其它演化算法相似，也是基于群體的，根據(jù)對環(huán)境的適應(yīng)度將群體中的個(gè)體移動(dòng)到好的區(qū)域，然而它不象其它演化算法一樣對個(gè)體使用演化算子，而是將每個(gè)個(gè)體看作是D維搜索空間中的一個(gè)沒有體積的微粒，在搜索空間中以一定的速度飛行，這個(gè)速度根據(jù)它本身的飛行經(jīng)驗(yàn)和同伴的飛行經(jīng)驗(yàn)來動(dòng)態(tài)調(diào)整。 （4）按步驟3進(jìn)行迭代，直到對應(yīng)檢驗(yàn)數(shù)滿足最優(yōu)性條件（這時(shí)目標(biāo)函數(shù)值不能再改善），即得到問題的最優(yōu)解。根據(jù)單純形法的原理，在線性規(guī)劃問題中，決策變量（控制變量）x1，x2，…xn的值稱為一個(gè)解，滿足所有的約束條件的解稱為可行解。 圖41用作圖法確定參數(shù)表41 ZieglerNichols參數(shù)整定算法控制器類 型根據(jù)模型設(shè)定根據(jù)頻率響應(yīng)設(shè)定PPIPID方法二：臨界比例度法當(dāng)已知系統(tǒng)的臨界比例增益和振蕩周期時(shí)，也可以用經(jīng)驗(yàn)整定公式來確定PID控制器的參數(shù)，例如： （42）特征參數(shù)和，一般由系統(tǒng)整定實(shí)驗(yàn)確定，或者用頻率特性分析算法根據(jù)受控過程直接算得，即由增益裕量gm確定，由相位剪切頻率確定。目標(biāo)函數(shù)值會根據(jù)插入的后代被復(fù)制，保留整個(gè)種群的經(jīng)過驗(yàn)算的目標(biāo)函數(shù)值。如果subpop被忽略或者nan，則subpop＝1。mut_f是低位變異函數(shù)的名稱。xovr是指定了交叉概率的參數(shù)。（7）．recint功能：中間重組。所有chrom 中的后代必須由相同的大小。sel_f是一個(gè)串，它包含了低位選擇函數(shù)的名稱，比如rws或者sus。rfun是一個(gè)隨機(jī)的向量1，2或者length(objv)參數(shù)。　　scale是指定對于每一個(gè)子串是用算術(shù)采樣還是用對數(shù)采樣的二進(jìn)制行向量。功能：phen=bs2rv(chrom，fieldd)格式：phen=bs2rv(chrom，fieldd)是把用二進(jìn)制的表示方法表示種群chrom轉(zhuǎn)化成實(shí)值。rep執(zhí)行的是一個(gè)矩陣的復(fù)制，matin是repn指定的數(shù)值，隨后返回一個(gè)復(fù)制的矩陣，matout。 遺傳算法工具箱總體介紹根據(jù)Matlab的強(qiáng)大的數(shù)值計(jì)算能力、大量的內(nèi)建輔助函數(shù)和開放、可擴(kuò)展的體系結(jié)構(gòu)這些性質(zhì)，將Matlab引入遺傳算法，在Matlab平臺上開發(fā)遺傳算法工具箱，可幫助人們更好地認(rèn)識和了解遺傳算法，并為進(jìn)一步開發(fā)遺傳算法提供基礎(chǔ)和幫助。這種過程不斷迭代，直到初始群體中個(gè)體數(shù)達(dá)到了預(yù)先確定的規(guī)模。一般可以把問題的模型函數(shù)作為對象函數(shù)，但有時(shí)也需要另行構(gòu)造。適應(yīng)度函數(shù)的確定：進(jìn)化論中的適應(yīng)度，是表示某一個(gè)體對環(huán)境的適應(yīng)能力，也表示該個(gè)體繁殖后代的能力。評估編碼策略常采用以下3個(gè)規(guī)范：完備性(pleteness):問題空間中的所有點(diǎn)(候選解)都能作為GA空間中的點(diǎn)(染色體)表現(xiàn)。~。適應(yīng)度低的個(gè)體，繁殖下一代的數(shù)目比較少，甚至被淘汰。本文采用了絕對誤差積分模型： () 定義適應(yīng)度函數(shù)f為: () 本文中應(yīng)用Simulink完成適應(yīng)度函數(shù)的選擇。遺傳算法利用進(jìn)化過程獲得的信息自行組織搜索時(shí)，適應(yīng)度大的個(gè)體具有較高的生存概率，并獲得更適應(yīng)環(huán)境的基因結(jié)構(gòu)。遺傳算法從串集開始搜索，覆蓋面大，利于全局擇優(yōu)。(9) 非線性：它對應(yīng)遺傳學(xué)中的異位顯性?；蛭恢糜纱淖笙蛴矣?jì)算，例如在串s=1101中，0的基因位置是3。另外，很多專家學(xué)者將GA應(yīng)用于各自所從事的工程領(lǐng)域，比如VLSI設(shè)計(jì)，運(yùn)輸規(guī)劃，設(shè)備布局，土木工程，生物工程等，對解決具體實(shí)踐問題起到了極大的促進(jìn)作用。目前，遺傳算法已經(jīng)成為一個(gè)多學(xué)科、多領(lǐng)域的重要研究方向。1975年以后，遺傳算法作為函數(shù)優(yōu)化器不但在各個(gè)領(lǐng)域的得到了廣泛應(yīng)用，而且還豐富和發(fā)展了若干遺傳算法的基本理論。所以，遺傳算法既是一種自然進(jìn)化系統(tǒng)的計(jì)算模型，也是一種通用的求解優(yōu)化問題的適應(yīng)性搜索方法。其基本思想是把GA待優(yōu)化的參數(shù)編碼成二進(jìn)制位串形式，然后由若干個(gè)位串形成一個(gè)初始種群作為待求問題的候選解，使用選擇(select)、交叉(crossover)、變異(mutation)進(jìn)行操作，不斷迭代優(yōu)化，直到找到最優(yōu)解。因?yàn)镻ID控制有其固有的優(yōu)點(diǎn)，使得PID控制在今后仍會大量使用，如何進(jìn)一步提高PID控制算法的能力或者依據(jù)新的現(xiàn)代控制理論來設(shè)計(jì)PID控制算法是一個(gè)非常吸引人的課題。如果把PID型和優(yōu)化PID型二者加起來則占90%以上，這說明PID控制方式占絕大多數(shù)，如果把手動(dòng)控制型再與上述兩種加在一起，則占97. 5%，這說明古典控制占絕大多數(shù)。例如太大的變異律會導(dǎo)致丟失最優(yōu)解，而過小的變異律會導(dǎo)致算法過早的收斂于局部最優(yōu)點(diǎn)。對于這個(gè)問題，研究者提出了一些方法增加基因的多樣性，從而防止過早的收斂。實(shí)驗(yàn)結(jié)果表明，SIGH與單點(diǎn)交叉、均勻交叉的神經(jīng)遺傳算法相比，所測試的六個(gè)函數(shù)中有四個(gè)表現(xiàn)出更好的性能，而且總體來講，SIGH比現(xiàn)存的許多算法在求解速度方面更有競爭力。PID參數(shù)優(yōu)化是指依據(jù)一定的控制目標(biāo)和給定的生產(chǎn)過程的模型通過理論計(jì)算得到最優(yōu)的PID參數(shù)，PID參數(shù)優(yōu)化在PID控制應(yīng)用之初人們就開始作了大量研究工作，已經(jīng)提出了許多種方法，如粒子群優(yōu)化算法，免疫算法，單純形法，差分進(jìn)化算法，神經(jīng)網(wǎng)絡(luò)算法，遺傳算法等。因?yàn)镻ID控制有其固有的優(yōu)點(diǎn)，使得PID控制在今后仍會大量使用，如何進(jìn)一步提高PID控制算法的能力或者依據(jù)新的現(xiàn)代控制理論來設(shè)計(jì)PID控制算法是一個(gè)非常吸引人的課題。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%。PID調(diào)節(jié)器是最早發(fā)展起來的控制策略之一，遺傳算法是一種借鑒生物界自然選擇和自然遺傳學(xué)機(jī)理上的迭代自適應(yīng)概率性搜索算法。（ ）；（ ）；（ ）。科學(xué)出版社,1995⒊ ：機(jī)械工業(yè)出版社，2002⒋ 李國勇. 智能控制及其MATLAB實(shí)現(xiàn). 電子工業(yè)出版社. 2005年。關(guān)鍵詞： 遺傳算法；PID控制器；參數(shù)優(yōu)化；仿真I 燕山大學(xué)本科生畢業(yè)設(shè)計(jì)（論文）AbstractThis paper puts forward a new method of designing the parameters of PID error integral criterion as the objective function along with the constraints described by the minimal gain and phase margin and the parameter ranges,we get the mathematical model for genetic algorithm developed under Matlab environment is well bined with Simulink techniques to solve the optimization numerical experiment shows that though the method is simple and perspicuous,it gives PID of high it is a very suitable method for designing PID in engineering application.PID regulator is one of the first developed one of the control strategy, genetic algorithm is a kind of natural selection from biological genetics and natural mechanism of the iterative adaptive probabilistic search algorithm. In this paper, a genetic algorithm based on the Optimal Design of PID controller parameters. Genetic algorithms to imitate the steps of biological evolution, in the optimization process of the introduction of selection, crossover and mutation operators, etc., choose from the parent population will adapt to a higher degree of individual choice in order to optimize the population。特別在工業(yè)過程中，由于控制對象的精確數(shù)學(xué)模型難以建立，系統(tǒng)的參數(shù)又經(jīng)常發(fā)生變化，運(yùn)用現(xiàn)代控制理論分析綜合要耗費(fèi)很大的代價(jià)進(jìn)行模型辨識，但往往不能達(dá)到預(yù)期的效果，所以不論常規(guī)調(diào)節(jié)儀表還是數(shù)字智能儀表都廣泛采用這種調(diào)節(jié)方式。至今仍有人在這方面繼續(xù)作研究。遺傳算法的應(yīng)用研究已從初期的組合優(yōu)化求解擴(kuò)展到了許多更新、更工程化的應(yīng)用方面。 2005年，江雷等針對并行遺傳算法求解TSP問題,探討了使用彈性策略來維持群體的多樣性,使得算法跨過局部收斂的障礙,向全局最優(yōu)解方向進(jìn)化。所以在使用遺傳算法的同時(shí)，也可以嘗試其他算法，互相補(bǔ)充，甚至根本不用遺傳算法。對我國科技的進(jìn)步與經(jīng)濟(jì)的發(fā)展產(chǎn)生了不可估量的作用。正是PID控制算法具有以上多種優(yōu)點(diǎn)，所以這種算法仍將在現(xiàn)場控制中居于主導(dǎo)地位。是以自然選擇與遺傳理論為基礎(chǔ)，將生物進(jìn)化過程中適者生存與群體內(nèi)部染色體的隨機(jī)信息交換機(jī)制相結(jié)合的全局搜索算法。Holland認(rèn)為：通過簡單的模擬機(jī)制可以描述復(fù)雜的適應(yīng)性現(xiàn)象。在20世紀(jì)60年代中期至70年代末期，基于自然進(jìn)化的思想遭到了懷疑和反對。隨著遺傳算法研究和應(yīng)用的不斷深入與擴(kuò)展，1985年，在美國召開了第一屆遺傳算法國際會議，即ICGA(International Conference on Genetic Algorithm)這次會議是遺傳算法發(fā)展的重要里程碑，此會以后每隔一年舉行一次。Maclay等人用遺傳算法求解電車模型參數(shù)辨識問題，取得了很好的效果；Karr采用遺傳算法設(shè)計(jì)自適應(yīng)模糊邏輯控制器，取得了顯著的效果；Freeman等人提出了應(yīng)用遺傳算法精調(diào)控制中的由人定義的模糊邏輯集合概念。例如有一個(gè)s=1011，則其中的1，0，1，1這4個(gè)元素分別稱為基因?；虿僮魇窃诮Y(jié)構(gòu)空間中進(jìn)行的。遺傳算法具有以下幾方面的特點(diǎn)：　　(1) 遺傳算法從問題解的串集開始嫂索，而不是從單個(gè)解開始。這一特點(diǎn)使得遺傳算法的應(yīng)用范圍大大擴(kuò)展。PID 中三個(gè)參數(shù)Kp，Ki和Kd作為編碼對象，采用如下公式進(jìn)行編碼：其中，u是編碼對象，和是U的取值范圍，是二進(jìn)制編碼的長度。最常用的選擇算子是基本遺傳算法中的比例選擇算子，本文采用的就是這種方法。交叉時(shí)，可以執(zhí)行單點(diǎn)交叉和多點(diǎn)交叉。~，又可維持群體的多樣性，避免出現(xiàn)初期收斂問題，也就是說變異增加了全局優(yōu)化的可能性。即是由二進(jìn)值字符集{0, 1}產(chǎn)生通常的0, 1字符串來表示問題空間的候選解。在具體應(yīng)用中，適應(yīng)度函數(shù)的設(shè)計(jì)要結(jié)合求解問題本身的要求而定。遺傳算法中初始群體中的個(gè)體是隨機(jī)產(chǎn)生的。因此，MATLAB中含有諸多的面向不同應(yīng)用領(lǐng)域的工具箱。 遺傳算法工具箱函數(shù)應(yīng)用本文運(yùn)用遺傳算法工具箱函數(shù)在MATLAB運(yùn)行環(huán)境下進(jìn)行程序編寫，以達(dá)到對PID參數(shù)尋優(yōu)的目的。[chrom，lind，basev]=crtbp(nind，lind，base)產(chǎn)生一個(gè)染色體矩陣base，如果base是一個(gè)向量，base中元素的值就指定為base中染色體的軌跡。code是指定每一個(gè)子串的解碼方式的二進(jìn)制行向量。lbinubin{l|u}bin(i)=1 把{l|u}b(i)包含在表示范圍中。（5）．select功能：從種群中選擇出個(gè)體（高位選擇）