【正文】 控制系統(tǒng)中，配備了先進的計算機控制系統(tǒng)，建立了復(fù)雜的數(shù)學(xué)模型。(1)純滯后系統(tǒng)的特性純滯后是物理系統(tǒng)的一種性質(zhì)，具有純滯后的工藝過程當(dāng)外界對其施加了一定作用后，工藝過程不會立即做出反應(yīng)，而總要滯后一段時間。 Smith預(yù)估補償系統(tǒng)一般型框圖。其中主調(diào)節(jié)器只需要按照模型完全精確的情況進行整定?？梢圆捎梦⒎窒刃械目刂品桨?，即將微分作用移動到反饋前面，以加強微分作用，達(dá)到減小超調(diào)量的目的。因此，這樣的過程必然會產(chǎn)生比較明顯的超調(diào)量和較長的調(diào)節(jié)時間。（3）誤差絕對值積分型。一般要求e(t)越小越好，即要求控制系統(tǒng)的輸出響應(yīng)y(t)盡可能的接近輸入r(t)。選擇不同的目標(biāo)函數(shù)的出發(fā)點是使它即能比較明確的反映系統(tǒng)的品質(zhì)，又便于計算。工程設(shè)計問題的最優(yōu)化，可以表達(dá)為一組優(yōu)選的設(shè)計參數(shù)，在滿足一系列限制條件下，使設(shè)計指標(biāo)達(dá)到最優(yōu)。但是實際工業(yè)生產(chǎn)過程往往具有非線性、時變不確定性等困難性，難以建立精確的數(shù)學(xué)模型，應(yīng)用常規(guī)PID控制器不能達(dá)到理想的控制效果。PSO由于有簡單、易于實現(xiàn)、設(shè)置參數(shù)少、無需梯度信息等特點，其在連續(xù)非線性優(yōu)化問題和組合優(yōu)化問題中都表現(xiàn)出良好的效果。1998年，Yuhui Shi[9]提出了帶有慣性權(quán)重的改進粒子群算法。比較兩種版本的算法，我們可以發(fā)現(xiàn)：因為全局版本PSO算法中所有粒子信息是共享的，所以算法收斂到全局最優(yōu)的速度比局部版本PSO算法快。（2）根據(jù)適應(yīng)度函數(shù)計算各粒子的適應(yīng)度值。人類的自然行為和魚群及鳥群并不類似，而人類在高維認(rèn)知空間中的思維軌跡卻與之非常類似。(3)飛向鳥群中心，且整個群體飛向目標(biāo)。先選擇控制系統(tǒng)的目標(biāo)函數(shù)，本控制系統(tǒng)選用時間乘以誤差的絕對值，通過對控制系統(tǒng)的逐步仿真，對結(jié)果進行分析。因此出現(xiàn)了許多自整定算法[5]。越大，越能克服系統(tǒng)的容量滯后和測量滯后，對縮短調(diào)節(jié)時間有一定作用。K，和T可用圖解法等得出。因此，發(fā)展通用性更強、效率更高的優(yōu)化算法總是需要的。在每一代，根據(jù)個體的適應(yīng)度大小挑選出較好的個體，并借助于自然遺傳學(xué)的遺傳算子進行組合交叉和變異，產(chǎn)生出代表新的解集的種群。為了解決各種各樣的優(yōu)化問題，人們提出了許多優(yōu)化算法，比較著名的有爬山法、神經(jīng)算法和遺傳算法等。關(guān)鍵詞 目標(biāo)函數(shù)；PID參數(shù)；粒子群算法；優(yōu)化設(shè)計；SIMULINKOptimal design of PID parameter of the control system based on Particle Swarm OptimizationAbstractThe main purpose of this paper is to study the optimal design of PID parameter of the control system based on Particle Swarm Optimization and find a way to improve the PID control. There are a lot of methods of optimization for the parameters of PID, and each of them has its own characteristics. The proper methods need to be selected according to the actual characteristics of the system. In this paper we adopt the Particle Swarm Optimization to tune the parameters. To finish it, the following tasks should be done. First, select the target function of the control system. The target function of the control system should be chosen as the absolute value of the error multiplied by time. Then we simulate the control system gradually, and analyze the results of the process. Because the solution of the target function cannot be worked out directly, this design adopts simulation gradually. Second, this paper adopts the engineering method (the critical ratio method) to determine its initial parameters , then uses the Particle Swarm Optimization to get a series better PID parameters. Third, this paper uses the tool of SIMULINK to optimize the parameters of PID and gets the response curve of the system. By contrast with the two response curves, it is clearly that the performance has improved a lot than the former one. Therefore, it is obviously to find the advantages in using the Particle Swarm Optimization.Key word: target function。PID參數(shù)的尋優(yōu)方法有很多種，各種方法的都有各自的特點，應(yīng)按實際的系統(tǒng)特點選擇適當(dāng)?shù)姆椒ā?optimal design。爬山法精度較高，但是易于陷入局部極小。信息素按照一定的比例釋放的。根據(jù)所得曲線，若衰減大于 應(yīng)調(diào)整朝小比例帶方向；若小于，應(yīng)調(diào)整朝大比例帶方向。影響控制系統(tǒng)指標(biāo)的因素除了對象的時間常數(shù)、放大系數(shù)及滯后常數(shù)外，還有調(diào)節(jié)器的參數(shù)整定情況。要實現(xiàn)PID參數(shù)的自整定，首先要對被控制的對象有一個了解，然后選擇相應(yīng)的參數(shù)計算方法完成控制器參數(shù)的設(shè)計。每種控制方法都有各自的優(yōu)點以及適用范圍，在實際的操作中不同的方法來實現(xiàn)同一控制模型，其精確度也會有差別。通過粒子群算法優(yōu)化系統(tǒng)性能最佳的PID參數(shù)后采用SIMULINK的仿真工具對PID參數(shù)優(yōu)化系統(tǒng)進行仿真，得出系統(tǒng)的響應(yīng)曲線。在仿真中，一開始每一只鳥都沒有特定的飛行目標(biāo)，只是使用簡單的規(guī)則確定自己的飛行方向和飛行速度（每一只鳥都試圖留在鳥群中而又不相互碰撞），當(dāng)有一只鳥飛到棲息地時，它周圍的鳥也會跟著飛向棲息地，這樣，整個鳥群都會落在棲息地。微粒的空間位置是目標(biāo)優(yōu)化問題中的一個解，將它代入適應(yīng)度函數(shù)可以計算出適應(yīng)度值，根據(jù)適應(yīng)度值的大小衡量微粒的優(yōu)劣；第i個微粒的飛行速度也是一個D維的向量，記為vi=(vi1，vi2，…，viD)；第i個微粒所經(jīng)歷過的具有最好適應(yīng)值的位置稱為個體歷史最好位置，記為pi=(pi1，pi2，…，piD)；整個微粒群所經(jīng)歷過的最好位置稱為全局歷史最好位置，記為pg=(pg1，pg2，…，pgD)，粒子群的進化方程可描述為： () () 其中：下標(biāo)j表示微粒的第j維，下標(biāo)i表示微粒i，t表示第t代，c1，c2為加速常量，通常在(0,2)間取值，r1 ~U(0,1)，r2 ~U(0,1)為兩個相互獨立的隨機函數(shù)。（5）根據(jù)方程()和方程()對粒子的速度和位置進行進化。粒子群算法已被證明能很好地解決許多全局優(yōu)化問題。w較大，全局收斂能力強，局部收斂能力弱；w較小，局部收斂能力強，全局收斂能力弱。 PID控制原理，該控制系統(tǒng)由模擬PID控制器和被控對象組成。在日常的設(shè)計過程中，常常需要根據(jù)產(chǎn)品設(shè)計的要求，合理地確定各種參數(shù)，以達(dá)到最佳的設(shè)計目標(biāo)。（2） 目標(biāo)函數(shù)：每一個設(shè)計問題，都有一個或多個設(shè)計中所追求的目標(biāo)，它們可以用設(shè)計變量的函數(shù)來表示，被稱為目標(biāo)函。第二類是誤差型目標(biāo)函數(shù)，它是采用期望響應(yīng)和實際響應(yīng)之差的某個函數(shù)作為目標(biāo)函數(shù)。但是在過度過程中，不同時期的誤差是不完全相同的，如果全部用誤差的平方再積分顯然是不怎么合理的，不能很好的反映系統(tǒng)的最終品質(zhì)指標(biāo)的要求。因此本文在選擇目標(biāo)函數(shù)的表達(dá)式取。則說明該過程具有大滯后的工藝過程。常用的有史密斯(Smith)預(yù)估補償方法，當(dāng)然還有一些改進過的史密斯(Smith)預(yù)估補償方法，比如1977年甲而思和巴特利在史密斯方法的基礎(chǔ)上提出了增益的自適應(yīng)補償方案。1959年由Smith率先提出了大滯后系統(tǒng)的預(yù)估補償方案，其主要原理是預(yù)先估計出被控過程的動態(tài)模型，然后將預(yù)估器并聯(lián)在被控過程上，使其對過程中的純滯后特性進行補償，力圖將被延遲的時間的被控量提前送入調(diào)節(jié)器，因而調(diào)節(jié)器能提前動作，這樣就通過補償裝置消除了純滯后特性在閉環(huán)中的影響。 加熱爐系統(tǒng)的重要特點在加熱爐爐溫控制過程中都會遇到純滯后調(diào)節(jié)控制問題，因為加熱爐的溫度控制是一個典型的純滯后工藝對象，爐溫的滯后不僅僅浪費能源。但對具有純滯后的工藝對象而言，控制系統(tǒng)對其施加校正作用后，工藝過程并不立即變化。如欲將爐溫由900℃升到1000℃，當(dāng)爐溫達(dá)到設(shè)定值1000℃ 后，由于其慣性作用，溫度值會偏離設(shè)定值而升到1100℃。在滯后的這段時間內(nèi)，溫度偏差沒有改變，因而控制系統(tǒng)的P、I.、D仍按原來的偏差繼續(xù)改變?nèi)剂系牧髁?。記錄下此時的比例帶d值，并計算兩個波峰的間距，記做。 P、I、D參數(shù)對系統(tǒng)性能影響的研究針對本文的研究對象，在仿真中分別改變不同的P、I、D值，觀察其結(jié)果，并對其結(jié)果進行相關(guān)比較。，加了Smith預(yù)估補償器后，系統(tǒng)的超調(diào)量有了明顯進步，穩(wěn)定時間也相對降低，有效的改善了控制品質(zhì)。(4)加了Smith預(yù)估補償器后，系統(tǒng)的超調(diào)量有了明顯進步，穩(wěn)定時間也相對降低，有效的改善了控制品質(zhì)。謹(jǐn)以此文獻給養(yǎng)育我、愛護我、關(guān)心我、支持我的親人和朋友們，謝謝你們!參考文獻[1] 邱黎輝，等．模糊PID控制在中央空調(diào)系統(tǒng)中的應(yīng)用[J]．計算機測量與控制，2004，12(1)：1526．[2] Ho MingJzu，Lin ChiaYin．PID controller design for robust performance[J]．IEEE Transactions on Automatic Control，2003，48(8)：38．[3] Ho M．T．Robust and nonfragile PID controller design [J]．Robust Nonlinear Control，2001，11：681708．[4] 夏紅，賞星耀，宋建成．PID參數(shù)自整定方法綜述[J]．浙江科技學(xué)院學(xué)報，2003，12(15)：912．[5] 熊志強，王煒，邱祖廉．一種新型PID自整定方法[J]．控制工程, 2003,5(10)：1117．[6] ChiaJu Wu and ChingHuo Huang，A Hybrid Method for Parameter Tuning of PID Controllers[J]．1996，6：215266．[7] Reynolds C W．Flocks，herds and schools：A distributed behavioral model[J]．Computer Graphics，1987，21(4)：2534．[8] Hepper F，U Grenander．A stochastic nonlinear model for coordinated bird flocks[A]．In：Krasner S．The Ubiquity of Chaos[C]．Washington DC：AAAS Publications，1990．[9] Shi Y，Eberhart R．A modified particle swarm optimizer[A]．In：IEEE World Congress on Computational Intelligence[C]．Piscataway，NJ：IEEE Press，1998：6973．[10] 賢思齊，優(yōu)化設(shè)計及常用優(yōu)化方法特點比較[M]．2001．[11] 宋云霞，朱學(xué)峰．大時滯過程控制方法與應(yīng)用[J]．化工自動化及儀表，2001，28 (4)：915．附錄 A（程序清單）基本粒子群優(yōu)化算法Matlab源程序 %初始格式化clear all。 %搜索空間維數(shù)（未知數(shù)個數(shù)）N=40。 endend%進入主要循環(huán)，按照公式依次迭代，直到滿足精度要求for t=1:MaxDT for i=1:N v(i,:)=w*v(i,:)+c1*rand*(y(i,:)x(i,:))+c2*rand*(pgx(i,:))。)disp(39。 HF %適應(yīng)度函數(shù)源程序（）function result=fitness(x,D)sum=0。2) is Hurwitz for all and [0,2)。 prop