【正文】 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(guó)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(jiǎn)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(cè)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(jì)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(bào)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(jì)算法和控制結(jié)構(gòu)都是簡(jiǎn)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(duì)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。本科畢業(yè)設(shè)計(jì)（論文）遺傳算法的PID控制器的設(shè)計(jì)姜山燕 山 大 學(xué)2011年 6月本科畢業(yè)設(shè)計(jì)（論文）遺傳算法的PID控制器的設(shè)計(jì)學(xué)院（系）：里仁學(xué)院 專 業(yè)：測(cè)控技術(shù)與儀器 學(xué)生 姓名：姜山 學(xué) 號(hào)：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(jì)(論文)任務(wù)書學(xué)院：電氣工程學(xué)院 系級(jí)教學(xué)單位：自動(dòng)化儀表系 學(xué)號(hào)071203021060學(xué)生姓名姜山專 業(yè)班 級(jí)儀表072題目題目名稱遺傳算法的PID控制器的設(shè)計(jì)題目性質(zhì)：工程設(shè)計(jì) （ √ ）；工程技術(shù)實(shí)驗(yàn)研究型（ ）；理論研究型（ ）；計(jì)算機(jī)軟件型（ ）；綜合型（ ）。 to achieve the purpose of increasing search space。PID參數(shù)在線自整定方法比較典型的有改進(jìn)型ZieglerNichols臨界比例度法、基于過程模型辨識(shí)的參數(shù)自整定、基于經(jīng)驗(yàn)的專家法參數(shù)自整定、模糊型PID調(diào)節(jié)器等。 當(dāng)前研究存在的問題（1）遺傳算法在適應(yīng)度函數(shù)選擇不當(dāng)?shù)那闆r下有可能收斂于局部最優(yōu)，而不能達(dá)到全局最優(yōu)。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(jì)算法和控制結(jié)構(gòu)都是簡(jiǎn)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(duì)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。經(jīng)過幾十年的發(fā)展，GA算法的研究日漸成熟。Holland及其數(shù)位博士堅(jiān)持了這一方向的研究。另外，GA在故障診斷和機(jī)器人行走路徑中的應(yīng)用也取得了成功。串結(jié)構(gòu)空間對(duì)應(yīng)于遺傳學(xué)中的基因型的集合。　　(4) 遺傳算法不是采用確定性規(guī)則，而是采用概率的變遷規(guī)則來指導(dǎo)他的搜索方向。其基本思想是：各個(gè)個(gè)體被選中的概率與其適應(yīng)度大小成正比例關(guān)系。(4) 初始種群的產(chǎn)生為保證在整個(gè)解空間進(jìn)行搜索，采用隨機(jī)產(chǎn)生初始種群。適應(yīng)度函數(shù)設(shè)計(jì)直接影響到遺傳算法的性能。例如：信號(hào)處理工具箱、圖象處理工具箱、通信處理工具箱、優(yōu)化工具箱、遺傳算法工具箱等，而且這些工具箱還在不斷的擴(kuò)展中。在這種情況下，二次爭(zhēng)論就忽略了，chrom=crtbp(nind，basev)[chrom，lind，basev]=crtbp(nind，basev)=crtbp(nind，basev)也是返回一個(gè)染色體結(jié)構(gòu)的長(zhǎng)度lind，和基于染色體軌跡的向量basev。（4）．ranking功能：按適應(yīng)度等級(jí)排序。subpop是一個(gè)參數(shù)，它決定了chrom中的后代的數(shù)目。Newchrom，oldchrom包含了當(dāng)前種群中的染色體，每一行與一個(gè)個(gè)體相對(duì)應(yīng)。Selch和chrom中的每一行都對(duì)應(yīng)了一個(gè)個(gè)體。方法一：ZieglerNichols設(shè)定方法Ziegler與Nichols(1942)提出了調(diào)節(jié)PID控制器的參數(shù)的經(jīng)驗(yàn)公式[11]，這一調(diào)節(jié)器可根據(jù)帶有時(shí)滯環(huán)節(jié)的一階近似模型的階躍響應(yīng)或頻率響應(yīng)數(shù)據(jù)來設(shè)定。（2）若基本可行解不存在，即約束條件有矛盾，則問題無解。rand1DE算法的實(shí)現(xiàn)步驟如下:（1）.初始化。設(shè)σ=(|ypyref|/yref)100%為系統(tǒng)的超調(diào)量，yp和yref分別為輸出峰值和輸入?yún)⒖贾怠ID對(duì)象NNI優(yōu)化算法學(xué)習(xí)算法r(t)y(t)u(t)++否圖42 神經(jīng)網(wǎng)絡(luò)智能PID控制系統(tǒng)方框圖在網(wǎng)絡(luò)經(jīng)過學(xué)習(xí)后，神經(jīng)網(wǎng)絡(luò)辨識(shí)器的輸出便可以很好地跟蹤被控對(duì)象的輸出。柴油機(jī)屬于壓縮點(diǎn)火式發(fā)動(dòng)機(jī)，它又常以主要發(fā)明者狄塞爾的名字被稱為狄塞爾引擎。遺傳算法優(yōu)化的PID控制器框圖如圖52所示。由于，查閱文獻(xiàn)，計(jì)算得=0. 2s，取k=200，則柴油機(jī)的傳遞函數(shù)為：（54）本文運(yùn)用遺傳算法對(duì)柴油機(jī)調(diào)速系統(tǒng)的PID參數(shù)進(jìn)行優(yōu)化，遺傳算法是一種簡(jiǎn)單高效的尋優(yōu)算法，與傳統(tǒng)的尋優(yōu)方法相比明顯地改善了控制系統(tǒng)的動(dòng)態(tài)性能。本設(shè)計(jì)應(yīng)用遺傳算法對(duì)PID控制器進(jìn)行參數(shù)尋優(yōu)，遺傳算法是全局優(yōu)化算法，該方法是一種不需要任何初始信息并可以尋求全局最優(yōu)解的、高效的優(yōu)化組合方法，遺傳算法在不需要給出調(diào)節(jié)器初始參數(shù)的情況下，仍能尋找到合適的參數(shù)，使控制目標(biāo)滿足要求，它具有操作方便、速度快的優(yōu)點(diǎn)，不需要復(fù)雜的規(guī)則，只通過字串進(jìn)行簡(jiǎn)單的復(fù)制、交叉、變異，便可達(dá)到尋優(yōu)。對(duì)于遺傳算法，還需要進(jìn)一步研究其數(shù)學(xué)基礎(chǔ)理論，還需要在理論上證明它與其他優(yōu)化技術(shù)的優(yōu)劣及原因，還需要研究硬件化的遺傳算法，以及遺傳算法的通用編程的形式等。采用整定后的二進(jìn)制遺傳算法優(yōu)化PID階躍響應(yīng)如圖55所示。通過數(shù)值仿真，檢驗(yàn)其是否滿足性能指標(biāo)最優(yōu)的要求：這由些參數(shù)確定的PID 控制器應(yīng)用于系統(tǒng)，檢驗(yàn)其是否滿足實(shí)際應(yīng)用的要求，是否會(huì)使得其它的性能指標(biāo)嚴(yán)重變壞。許多被控對(duì)象一般被辨識(shí)成一階加延時(shí)、二階加延時(shí)或積分加一階加延時(shí)等數(shù)學(xué)模型。文獻(xiàn)[21]指出，神經(jīng)網(wǎng)絡(luò)并聯(lián)辨識(shí)只在滿足一定條件下才是收斂的。否則轉(zhuǎn)到Step2。比較ui，G和xi，G的適應(yīng)值，選擇適應(yīng)度小的做為下一代個(gè)體xi，G+1，即 (45)基于DE算法多目標(biāo)PID優(yōu)化設(shè)計(jì)[16]（1） 編碼PID控制器中，待優(yōu)化的參數(shù)為KP，TI和TD，DE算法采用浮點(diǎn)數(shù)編碼，可以直接將(KP，TI，TD)作為一個(gè)個(gè)體矢量。方法五：差分進(jìn)化算法差分進(jìn)化(DE)算法是一種采用浮點(diǎn)矢量編碼的在連續(xù)空間中進(jìn)行隨機(jī)搜索的優(yōu)化算法[15]。在群體所有微粒經(jīng)歷過的最好位置記作Gbest。這樣，一個(gè)最優(yōu)解能在整個(gè)由約束條件所確定的可行區(qū)域內(nèi)使目標(biāo)函數(shù)達(dá)到最大值（或最小值）。本文在仿真實(shí)驗(yàn)中既利用了遺傳算法工具箱本身提供的m函數(shù)文件，也將改進(jìn)的遺傳算法編成m文件在Matlab中運(yùn)行，通過仿真圖能夠直觀地反映遺傳算法與其他傳統(tǒng)尋優(yōu)方法相比，具有明顯優(yōu)勢(shì)。mutopt是變異概率。recint只適用于實(shí)值變量的種群。適應(yīng)值顯示每一個(gè)個(gè)體的預(yù)期的可能性。選擇scale(i)=1是對(duì)數(shù)采樣。（2）．crtbp功能：創(chuàng)建一個(gè)初始種群。第3章 遺傳算法的Matllab實(shí)現(xiàn)第3章 遺傳算法的MATLAB實(shí)現(xiàn)MATLAB是一種開放式軟件，經(jīng)過一定的程序可以將開發(fā)的優(yōu)秀的應(yīng)用程序集加入到MATLAB工具的行列。遺傳算法在搜索進(jìn)化過程中一般不需要其他外部信息，僅用評(píng)估函數(shù)來評(píng)估個(gè)體或解的優(yōu)劣，并作為以后遺傳操作的依據(jù)。在變異時(shí)，對(duì)要執(zhí)行變異的位求反，就是把1變成0，把0變成1。在選擇時(shí)，以適應(yīng)度為選擇原則。遺傳算法同時(shí)處理群體中的多個(gè)個(gè)體，即對(duì)搜索空間中的多個(gè)解進(jìn)行評(píng)估，減少了陷入局部最優(yōu)解的風(fēng)險(xiǎn)，同時(shí)算法本身易于實(shí)現(xiàn)并行化。(6) 基因特征值（gene feature）：在用串表示整數(shù)時(shí)，基因的特征值與二進(jìn)制的權(quán)一致；例如在串s=1011中，基因位置3中的1，它的基因特征值是2。比較成功的案例如下：（1）遺傳學(xué)習(xí)將遺傳算法用于知識(shí)獲取，構(gòu)成以遺傳算法為核心的機(jī)器學(xué)習(xí)系統(tǒng)，其中群體由一組產(chǎn)生規(guī)則組成。在這篇文章中盡管它沒有給出實(shí)現(xiàn)這些思想的具體技術(shù)，但卻引進(jìn)了群體，適應(yīng)值，選擇，交叉等基本概念。 首先，對(duì)遺傳算法進(jìn)行了介紹，包括遺傳學(xué)的概念，遺傳算法的歷史和發(fā)展，遺傳算法的基本原理，遺傳算法的基本步驟和遺傳算法的應(yīng)用關(guān)鍵；其次，以柴油機(jī)調(diào)速系統(tǒng)為模型，利用遺傳算法對(duì)其PID參數(shù)進(jìn)行優(yōu)化，并且利用 Matlab和Simulink工具對(duì)柴油機(jī)調(diào)速系統(tǒng)的PID參數(shù)進(jìn)行優(yōu)化控制的仿真研究。（7） 適應(yīng)度函數(shù)對(duì)于算法的速度和效果也很重要。同時(shí)，文獻(xiàn)還將三者交叉算子與點(diǎn)交叉、均勻交叉做了比較，結(jié)果表明，三者交叉算子比其余兩個(gè)有更好的性能。（1）PID參數(shù)自整定。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(gè)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(duì)個(gè)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(duì)個(gè)體按位進(jìn)行操作，以提高GA的搜索效率和全局搜索能力?；疽箝喿x國(guó)內(nèi)外有關(guān)資料；畢業(yè)設(shè)計(jì)期間遵守紀(jì)律；獨(dú)立進(jìn)行畢業(yè)設(shè)計(jì)工作，培養(yǎng)科研工作能力；完整給出設(shè)計(jì)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(jì)撰寫規(guī)范的要求；論文及圖紙中的文字符號(hào)符合國(guó)家現(xiàn)行標(biāo)準(zhǔn)。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(duì)于相當(dāng)多的工業(yè)過程能夠起到較為滿足的控制效果。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(shí)產(chǎn)業(yè)應(yīng)用方面的研究也在摸索之中。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(duì)于初期的種群來說，交叉幾乎等效于一個(gè)非常大的變異率，而這么大的變異很可能影響進(jìn)化過程。它結(jié)構(gòu)簡(jiǎn)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(zhǎng)期應(yīng)用中已積累了豐富的經(jīng)驗(yàn)。同時(shí)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)。這在某種程度上為以后的遺傳規(guī)劃奠定了基礎(chǔ)。(3) 群體大?。╬opulation size）：在群體中個(gè)體的數(shù)量稱為群體的大小。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。二進(jìn)制編碼方法是遺傳算法中最常用的一種編碼方法。(2) 交叉(crossover operator)對(duì)于選中用于繁殖下一代的個(gè)體，隨機(jī)的選擇兩個(gè)個(gè)體的相同位置，按交叉概率p在選中的位置實(shí)行交換。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。交叉概率太小時(shí)難以向前搜索，太大則容易破壞高適應(yīng)值的結(jié)構(gòu)。而Matlab的基本數(shù)據(jù)單元就是一個(gè)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(shí)間和精力?！　【仃噁ieldd的結(jié)構(gòu)如下：　　矩陣的行由以下組成：　　len，一個(gè)在染色體中包含每一個(gè)子串長(zhǎng)度的行向量。所有在subpop中的后代必須由相同的類型。newchrix=rws(fitnv，nsel)從種群中使用隨機(jī)全局采樣來選擇nsel個(gè)體。xovdp是一個(gè)低位交叉函數(shù)通常也把它叫做rebin。insopt(1)：數(shù)值指定用后代代替父代的選擇方法0－統(tǒng)一選擇，統(tǒng)一用任意的后代來替換父代1－適應(yīng)度為基礎(chǔ)的選擇，后代替換最小適應(yīng)度的父代　　如果忽略或者nan，則insopt(1)=0。它的理論根據(jù)是：線性規(guī)劃問題的可行