【導(dǎo)讀】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。本文提出了一種基于。遺傳算法的PID控制器參數(shù)優(yōu)化設(shè)計(jì)。遺傳算法模仿生物進(jìn)化的步驟，在優(yōu)化過。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(jiǎn)便，整定精度較高。本文用遺傳算法對(duì)柴油機(jī)調(diào)速系統(tǒng)的PID參數(shù)。調(diào)查結(jié)果表明在當(dāng)今使用的控制方式中，PID型占%，優(yōu)化PID型占%，現(xiàn)代控制型占有%，手動(dòng)控制型%，如果把PID型和優(yōu)化PID型二者加起來則占90%以上，占97.5%，這說明古典控制占絕大多數(shù)。控制的使用率也高達(dá)84.%。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. 特別在工業(yè)過程中，由于控制對(duì)象的精確數(shù)學(xué)模型難以建立，表都廣泛采用這種調(diào)節(jié)方式。正是PID控制算法具有以上多種優(yōu)點(diǎn)，所以這種算。路，同日寸也由于生產(chǎn)工藝不斷地改進(jìn)提高，對(duì)過程控制也提出了高要求。人員在不斷探索新方法的同時(shí)，也對(duì)傳統(tǒng)的PID控制的改進(jìn)做了大量的研究。

　　

【正文】 的行向量， objvch 需要以適應(yīng)度為基礎(chǔ)重新插入。 objvsel 是一個(gè)包含了 selch 中的個(gè)體目標(biāo)函數(shù)值的行向量， objvsel 是必須的如果后代的數(shù)目大于將要被重新插入的后代的數(shù)目，在這種情況下，將根據(jù)后代的適應(yīng)度來選擇將要被重新插入的后 代。 如果 objvch 是一個(gè)輸出參數(shù)， objvch 和 objvsel 組要輸入?yún)?shù)。目標(biāo)函數(shù)值會(huì)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。 基于 Matlab 的遺傳算法工具箱提供了一個(gè)標(biāo)準(zhǔn)的、可擴(kuò)展的、簡(jiǎn)單的算法，其利用 Matlab 的強(qiáng)大的函數(shù)運(yùn)算能力，使使用者可以避免維護(hù)遺傳算法種群和染色體的數(shù)據(jù)結(jié)構(gòu)的繁重編程工作，將精力集中在遺傳算法的改進(jìn)和具體問題的應(yīng)用中去。 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)。 小結(jié) 本章重點(diǎn)講述遺傳算法工具箱函數(shù)及其功能和用法，為下第五章做仿真和編程做了充足的準(zhǔn)備。4 柴油機(jī)調(diào)速系統(tǒng)模型 測(cè)速環(huán)節(jié) 采用磁電式傳感器測(cè)量轉(zhuǎn)速，把頻率轉(zhuǎn)換為與轉(zhuǎn)速成正比的脈沖信號(hào)，此方法簡(jiǎn)單可靠。 柴油機(jī) 柴油機(jī)是用柴油作燃料的內(nèi)燃機(jī)。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。 柴油機(jī)在工作時(shí)，吸入柴油機(jī)氣缸內(nèi)的空氣，因活塞的運(yùn)動(dòng)而受到較高程度的壓縮，達(dá)到 500～ 700 的高溫。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。燃燒中釋放的能量作用在活塞頂面上，推動(dòng)活塞并通過連桿和曲軸轉(zhuǎn)換為旋轉(zhuǎn)的機(jī) 式中： y t ―柴油機(jī)轉(zhuǎn)速，是時(shí)間 t 的函數(shù)； ―控制供油量的齒條位移，是時(shí)間 t 的函數(shù)； ―純滯后時(shí)間， S； ―擾動(dòng)，是時(shí)間 t 的函數(shù)； ―柴油機(jī)時(shí)間常數(shù)， S； 將柴油機(jī)模型近似于二階慣性純滯后環(huán)節(jié)； 5 柴油機(jī)調(diào)速系統(tǒng)的 PID 參數(shù)優(yōu)化設(shè)計(jì)及仿真 柴油機(jī)調(diào)速系統(tǒng)可近似為二階慣性純滯后模型，簡(jiǎn)化后的柴油機(jī)傳遞函數(shù)為 : 時(shí)間常數(shù) Ta 是表征柴油機(jī)動(dòng)力裝置的一個(gè) 主要參數(shù)，它對(duì)動(dòng)態(tài)過程影響極大。 Ta 減小時(shí)，超調(diào)量會(huì)加大，過渡過程加長(zhǎng)。 Ta 2~4s 時(shí)，動(dòng)態(tài)過程基本良好，對(duì)于 6 缸柴油發(fā)動(dòng)機(jī)，其 Ta 值一般在 3s 左右 [11]，本仿真試驗(yàn) Ta 取 。柴油機(jī)的傳遞函數(shù)為： 基于遺傳算法優(yōu)化柴油機(jī)調(diào)速系統(tǒng) PID 參數(shù) 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。 具體的優(yōu)化步驟如下： 編碼：本文采用的是二進(jìn)制編碼。 適應(yīng)度函數(shù)的選擇：適應(yīng)度函數(shù)表明個(gè)體對(duì)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)。本文采用了絕對(duì)誤差積分模型： J 定義適應(yīng)度函數(shù) f 為 : f 設(shè)計(jì)遺傳算子。選擇運(yùn)算采用比例選擇算子，交叉運(yùn)算采用雙點(diǎn)交叉算子，變異運(yùn)算采用高位變異算子； 選取遺傳算法的控制參數(shù)。如群體大小，各遺傳操作概率，最大迭代次數(shù)等，并隨機(jī)產(chǎn)生初始群體； 進(jìn)行遺傳算法搜索過程，即采用隨機(jī)采樣的方法選擇個(gè)體、通過交叉和變異產(chǎn)生新個(gè)體、再計(jì)算新個(gè)體的目標(biāo)函數(shù)值； 中止循環(huán)的條件：確定個(gè)體評(píng)價(jià)方法。如果收斂條件滿足，則結(jié)束算法。 圖 51 遺傳算法的基本流程 5． 2 柴油 機(jī)調(diào)速系統(tǒng)仿真實(shí)驗(yàn) 采用遺傳算法整定 PID 參數(shù)時(shí)所應(yīng)用的仿真模型如圖 52 所示。 圖 52 遺傳算法整定模型 在 MATLAB 編程時(shí)要先設(shè)定選擇算子、交叉算子和變異算子。我在 MATLAB仿真時(shí)選擇算子為：高位選擇。交叉算子為：中間重組雙點(diǎn)交叉。變異算子為：高位變異。 遺傳算法整定的波形如圖所示。都有明顯改善結(jié)論 PID 控制器結(jié)構(gòu)簡(jiǎn)單，容易實(shí)現(xiàn)，且魯棒性好，因此廣泛應(yīng)用于各種控制領(lǐng)域，并取得了良好的控制效果。遺傳算法是目前比較流行的算法之一，它尋優(yōu)功能十分強(qiáng)大，在不需要任何初始信息的情況下就能找到問題的最優(yōu)解。 本文試圖將遺傳算法和 PID 控制結(jié)合起來應(yīng)用于柴油機(jī)調(diào)速系統(tǒng)，利用遺傳算法強(qiáng)大的尋優(yōu)能力來整定 PID 控制中的三個(gè)參數(shù) Kp， Ki， Kd ，取得了滿意的效果。運(yùn)用遺傳算法整定 PID 參數(shù)時(shí)得到的響應(yīng)曲線如圖 53，遺傳算法運(yùn)用于 PID 的參數(shù)整定，就可以克服常規(guī) PID 整定方法的缺點(diǎn)，使要整定的參數(shù)精確收斂，從而使控制效果最優(yōu)。 遺傳算法雖然可以在多種領(lǐng)域都有實(shí)際應(yīng)用，并且也展示它的潛力和寬廣前景。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。首先，在變量多，取值范圍大或者無給定搜索范圍時(shí)，收斂速度下 降；其次，可以接近最優(yōu)解附近，但是無法精確確定最優(yōu)解位置；最后，遺傳算法的參數(shù)選擇尚未有定量方法。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。致謝 感謝。。參考文獻(xiàn) [1] Ziegler J G, Nichols N B. Optimum Setting for Automatic Controllers[M]. Trans ASME, 1942, 64: 759768. [2] 張磊 ,于單純形法 PID 控制器的最優(yōu)設(shè)計(jì) [J].信息與控制 2020,33 3 :5560. [3] 劉曉謙 ,王勇 ,穆順勇 .基于單純形法的 PID 控制器參數(shù)優(yōu)化設(shè)計(jì)[J].2020,21 11 :163168. [4] 李勇 ,段正澄 ,胡倫驥 .基于粒子群優(yōu)化算法的液壓伺服控制系統(tǒng) PID 參數(shù)優(yōu)化 [D].華中科技大學(xué) .湖北武漢 2020. [5] 周劉喜 ,張興華 ,李緯 . 基于差分進(jìn)化算法的 PID 優(yōu)化設(shè)計(jì) [D]. 南京工業(yè)大學(xué)自動(dòng)化學(xué)院 ,江蘇南京 2020. [6] 郭鵬 ,韓濮 . 基于神經(jīng)網(wǎng)絡(luò)的 PID 參數(shù)優(yōu) 化方法研究 . 華北電力大學(xué)動(dòng)力系保定 [D],2020. [7] 李奇 ,李世華一類神經(jīng)網(wǎng)絡(luò)智能 PiD 控制算法的分析和改進(jìn) [J].控制與決策 ,1998,13 4 :311315. [8] 盧進(jìn)，徐文立 .神經(jīng)網(wǎng)絡(luò)并聯(lián)辨識(shí)算法的收斂性研究 [J]. 控制理論與應(yīng)用 ,1998,15 50 :741745. [9] 張曉楠 ,方浩 ,戴冠 .遺傳算法的編碼機(jī)制研究 [J].信息與控制 ,1997,26 2 :134139. [10] 郭慶鼎 ,李蒙 ,郭威 .控制器參數(shù)的遺傳算法優(yōu)化設(shè)計(jì) [J].沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào) ,2020,10 4 :96100. [11] 曹世宏 ,王正茂 ,等 .柴油發(fā)電機(jī)組數(shù)字調(diào)速系統(tǒng)的設(shè)計(jì)與分析 一 [J].微電機(jī) ,2020,35 4 :5961.附錄 程序清單 NIND 30。 %種群中個(gè)體的數(shù)目 GEN 10。 %遺傳的最大代數(shù) NVAR 3。 %變量的個(gè)數(shù) GGAP 。 %有多少新個(gè)體產(chǎn)生 XOVR 。 %交叉概率 MUTR 。 %變異概率 PRECI 8。 %變量精度 %定義 FieldD 矩陣 FieldD [8,8,8。 0, 0,0。 0. 2, 1,。 0, 0,0。 0, 0,0。 1,1,1。 1,1,1]。 %創(chuàng)建初始群體 Chrom crtbp NIND, NVAR*PRECI 。 Phen bs2rv Chrom, FieldD 。 gen 0。 k Phen。 for i 1:1:NIND Kp k i, 1 。 Ki k i, 2 。 Kd k i, 3 。 sim 39。139。 。 aa i J 408,1 。 end objV aa39。 Best gen+1 min objV 。 while gen GEN, %代循環(huán) FitnV ranking objV 。 %適應(yīng)度分配 SelCh select 39。sus39。,Chrom,FitnV,GGAP,1 。 %個(gè)體選擇 SelCh recint 39。xovdp39。,SelCh,XOVR 。 %交叉操作 SelCh mutate SelCh, MUTR 。 %變異操作 Phen bs2rv SelCh, FieldD 。 [m,n] size Phen 。 p Phen。 for g 1:1:m。 Kp p g, 1 。 Ki p g, 2 。 Kd p g, 3 。 sim 39。139。 。 aa1 g J 408,1 。 end objVsel aa139。 %插入子代 [chrom objV] reins Chrom, SelCh, 1, 1, objV, objVsel 。 gen gen+1。 end plot a, b Best gen+1 min objVsel 。 for t 1:1:m。 if Best gen+1 objVsel t,1 。 break end end c Phen t,: 。 Kp c 1 。 Ki c 2 。 Kd c 3 。 sim 39。139。 。 第 III 頁(yè) 是 否 復(fù)制 交叉 變異 種群 2 個(gè)體優(yōu)于種群 1 個(gè)體 算法結(jié)束 解碼 種群 2 遺傳操作 滿足要求 計(jì)算適配值 種群 1 編碼 變量參數(shù) Vk+1 O Vgbest Vpbest Sk Sk+1 Vk X Y + + u t y t r t 學(xué)習(xí)算法 優(yōu)化算法 NNI 對(duì)象 PID