【正文】 是否會(huì)使得其它的性能指標(biāo)嚴(yán)重變壞。柴油機(jī)調(diào)速系統(tǒng)可近似為一階慣性純滯后模型，簡(jiǎn)化后的柴油機(jī)傳遞函數(shù)為:（53）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(guò)程影響極大。Ta減小時(shí)，超調(diào)量會(huì)加大，過(guò)渡過(guò)程加長(zhǎng)。Ta=2~4s時(shí)，動(dòng)態(tài)過(guò)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3s。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。利用遺傳算法優(yōu)化的具體步驟如下(1)確定每個(gè)參數(shù)的大致范圍和編碼長(zhǎng)度，進(jìn)行編碼；(2)隨機(jī)產(chǎn)生n個(gè)個(gè)體構(gòu)成種群P(0)；(3)將種群中各個(gè)體解碼成對(duì)應(yīng)的參數(shù)值，用此參數(shù)求代價(jià)函數(shù)值J,及適應(yīng)函數(shù)值f，取，；(4)應(yīng)用復(fù)制、交叉和變異算子對(duì)種群P(t)進(jìn)行操作，產(chǎn)生下一代種群P(t+1)(5)重復(fù)步驟(3)和(4)，直至參數(shù)收斂或達(dá)到預(yù)定的指標(biāo)。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。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。仿真采用的采樣時(shí)間為lms，輸入指令為階躍信號(hào)。采用二進(jìn)制編碼方式，用長(zhǎng)度為10位的二進(jìn)制編碼串分別表示3個(gè)決策變量Kp，Ki，Kd為獲得滿意的過(guò)渡過(guò)程動(dòng)態(tài)特性，采用誤差絕對(duì)值時(shí)間積分性能指標(biāo)作為參數(shù)選擇的最小目標(biāo)函數(shù)。為了防止控制能量過(guò)大，在目標(biāo)函數(shù)中加入控制輸入的平方項(xiàng)。最優(yōu)指標(biāo)：式中，e(t)為系統(tǒng)誤差，u(t)為控制器輸出，tu為上升時(shí)間，為權(quán)值。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(duì)象輸出。遺傳算法使用的樣本個(gè)數(shù)為30，交叉概率和變異概率分別為：參數(shù)的取值范圍為[0，20]，取值范圍為[0，1], 取經(jīng)過(guò)100代進(jìn)化，獲得的優(yōu)化參數(shù)如下： ,性能指標(biāo)J=28．1586，整定過(guò)程中代價(jià)函數(shù)J的變化如圖54所示。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。由圖55可以看出采用遺傳算法的PID控制器跟蹤速度快，超調(diào)量較小，穩(wěn)態(tài)誤差很小，彌補(bǔ)了傳統(tǒng)PID控制器在調(diào)節(jié)控制參數(shù)上能力的不足，取得了較好的控制效果。圖54 代價(jià)函數(shù)J的優(yōu)化過(guò)程圖55 二進(jìn)制遺傳算法優(yōu)化PID階躍響應(yīng) 本章小結(jié)經(jīng)過(guò)上面的仿真及結(jié)果分析，此種遺傳算法在參數(shù)優(yōu)化上有較好的尋優(yōu)能力，對(duì)柴油機(jī)調(diào)速系統(tǒng)的控制效果很好，精度也很高。經(jīng)過(guò)遺傳算法優(yōu)化PID參數(shù)后得出的響應(yīng)結(jié)果好，系統(tǒng)穩(wěn)定而且無(wú)論是系統(tǒng)的響應(yīng)速度還是超調(diào)量都有明顯改善，符合要求。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(guò)字串進(jìn)行簡(jiǎn)單的復(fù)制、交叉、變異，便可達(dá)到尋優(yōu)。遺傳算法是從許多點(diǎn)開(kāi)始并行操作，在解空間進(jìn)行高效啟發(fā)式搜索，克服了從單點(diǎn)出發(fā)的弊端及搜索的盲目性，從而使尋優(yōu)速度更快，避免了過(guò)早的陷入局部最優(yōu)解。本設(shè)計(jì)正是利用遺傳算法的這些優(yōu)點(diǎn)來(lái)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(guò)Matlab仿真，取得了不錯(cuò)的效果。結(jié)論P(yáng)ID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。本文完成了以下幾點(diǎn)工作：（1）介紹了PID控制器和遺傳算法的基本理論，給出了遺傳算法的基本步驟。（2）解釋了遺傳算法工具箱函數(shù)，了解了PID控制器模型。（3）將遺傳算法和PID控制結(jié)合起來(lái)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(lái)整定PID控制中的三個(gè)參數(shù)(Kp，Ki，Kd)，取得了滿意的效果。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)?？紤]到在線整定的實(shí)時(shí)性，遺傳算法只進(jìn)行了100次的迭代，因此準(zhǔn)確度可能不能滿足所有的應(yīng)用場(chǎng)合，一個(gè)有效的解決方法是：先按經(jīng)驗(yàn)選取一組參數(shù)，然后在這組參數(shù)的周?chē)眠z傳算法進(jìn)行設(shè)計(jì)，從而大大提高尋優(yōu)的盲目性，節(jié)約計(jì)算量，使控制器的實(shí)時(shí)性得到提高。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(wèn)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(wú)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(wú)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。參考文獻(xiàn)參考文獻(xiàn)1 Ziegler J G, Nichols N B. Optimum Setting for Automatic Controllers. Trans ASME, 1942, 64: 7597682 new set of controllers, Transactions,1997,36(3)。183~1873 Ho W, and gain and phase margin of wellknow PID tuning Systems Technol,1996,4(4)：473~4774 Wang P ,Kwork design of PID process controllers based on genetic Engng Practice,1994:30~365 Holland, in Natural and Artificial System:An Introductory Analysis with Applications to Biology,Control,and Artficial University of Michigan Press,2007:23~566 ,33(3):5560.7 劉曉謙,王勇,21(11):1631688 李勇,段正澄,10 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). 南京工業(yè)大學(xué)自動(dòng)化學(xué)院,江蘇南京200011 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,200312 李奇,1998,13(4):31131513 盧進(jìn)，. 控制理論與應(yīng)用,1998,15(50):74174514 張曉楠,方浩,1997,26(2):13413915 郭慶鼎,李蒙,2000,10(4):9610016 曹世宏,王正茂,(一).微電機(jī),2002,35(4):596117 :清華大學(xué)出版社，~26018 毛敏，2002,11（4）：50~5119 劉國(guó)賢，1997,14（3）：18~2220 王小平，—：5~27021 ：40~6722 ： 人民郵電出版社，199923 ?？茖W(xué)出版社,199524 ：機(jī)械工業(yè)出版社，200225 李國(guó)勇. 智能控制及其MATLAB實(shí)現(xiàn). 電子工業(yè)出版社. 2005致謝致謝這次畢業(yè)設(shè)計(jì)圓滿的結(jié)束了，在這次畢業(yè)設(shè)計(jì)中我學(xué)到了許多知識(shí)，受益匪淺，而在這個(gè)過(guò)程中，我始終得到了劉莉老師的指導(dǎo)。劉老淵博的知識(shí)，嚴(yán)謹(jǐn)?shù)闹螌W(xué)風(fēng)范給了我很大的幫助，她的為人師表、言傳身教、精益求精的作風(fēng)給我以教誨，使我學(xué)到了許多分析問(wèn)題的方法，在這次設(shè)計(jì)過(guò)程中，我不僅學(xué)到了知識(shí)還得到了做人的道理。我還要感謝我的父母，是他們給了我這次學(xué)習(xí)的機(jī)會(huì)，讓我的夢(mèng)想得以實(shí)現(xiàn)。另外，還有很多同學(xué)也在各個(gè)方面給予我支持，在這里我要向大家說(shuō)聲感謝。最后，向在我完成論文的整個(gè)過(guò)程中，所有關(guān)心、支持和幫助過(guò)我的老師和同學(xué)們表示衷心的感謝。附錄 2附錄 1開(kāi)題報(bào)告附錄1 開(kāi)題報(bào)告一、綜述本課題國(guó)內(nèi)外研究動(dòng)態(tài)，說(shuō)明選題的依據(jù)和意義 60年代初，Holland教授認(rèn)識(shí)到生物的自然遺傳現(xiàn)象與人工自適應(yīng)系統(tǒng)行為的相似性后，產(chǎn)生了建立一種仿生優(yōu)化算法的想法。1967年，Holland的學(xué)生J. D. Bagley在博士論文中首次使用了“遺傳算法”這一名詞，但基于自然進(jìn)化的思想，在當(dāng)時(shí)卻遭到學(xué)術(shù)界的懷疑和反對(duì)，Holland教授及其學(xué)生們堅(jiān)持了這一方向的研究。1975年，Holland出版了《自然和人工系統(tǒng)中的自適應(yīng)性》(Adaptation in Natural and Artificial System)，該書(shū)系統(tǒng)地闡述了遺傳算法的基本理論和方法，提出了對(duì)遺傳算法的理論發(fā)展極為重要的模式理論(schema theory)，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)和自動(dòng)控制等領(lǐng)域。1975年之后，遺傳算法不但在各個(gè)領(lǐng)域得到了廣泛應(yīng)用，而且還豐富和發(fā)展了若干遺傳算法的基本理論。1980年，Bethke對(duì)函數(shù)優(yōu)化遺傳算法進(jìn)行了研究，包括應(yīng)用研究和數(shù)學(xué)分析。Smith、Davis、Grefenstette、 Bauer、Srinivas和Patnaik等大批研究人員對(duì)遺傳算法理論的基本框架和遺傳算子進(jìn)行了構(gòu)建和改進(jìn)，并將遺傳算法分別應(yīng)用于工程設(shè)計(jì)、自動(dòng)控制、經(jīng)濟(jì)金融、博弈問(wèn)題和機(jī)器學(xué)習(xí)等諸多領(lǐng)域之中。 隨著遺傳算法研究和應(yīng)用的不斷深入和擴(kuò)展，1991年，Davis編輯出版了《遺傳算法手冊(cè)》(Handbook of Genetic Algorithms )，其中包括了遺傳算法在工程技術(shù)和社會(huì)生活中的大量應(yīng)用實(shí)例。1999年，ICGA和GP (Genetic Programming)的系列會(huì)議合并為每年一次的遺傳和進(jìn)化計(jì)算國(guó)際會(huì)議(Genetic and Evolutionary Computation Conference,GECCO)。 近年來(lái)，我國(guó)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(gè)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。遺傳算法已被成功地應(yīng)用于工業(yè)、經(jīng)濟(jì)答理、交通運(yùn)輸、工業(yè)設(shè)計(jì)等不同領(lǐng)域，解決了許多問(wèn)題。對(duì)我國(guó)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。PID調(diào)節(jié)器是最早發(fā)展起來(lái)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。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%。如果把PID型和優(yōu)化PID型二者加起來(lái)則占90%以上，這說(shuō)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(shuō)明古典控制占絕大多數(shù)。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.%。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(guò)程能夠起到較為滿足的控制效果。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)。特別在工業(yè)過(guò)程中，由于控制對(duì)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(shí)，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。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(chǎng)控制中居于主導(dǎo)地位。隨著現(xiàn)代控制理論的建立和不斷發(fā)展完善，對(duì)過(guò)程控制提出了新的方法和思路，同日寸也由于生產(chǎn)工藝不斷地改進(jìn)提高，對(duì)過(guò)程控制也提出了高要求?？蒲腥藛T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。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(huì)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(lái)設(shè)計(jì)PID控制算法是一個(gè)非常吸引人的課題二、研究的基本內(nèi)容，擬解決的主要問(wèn)題 研究的基本內(nèi)容本論文用遺傳算法對(duì)柴油機(jī)調(diào)速系統(tǒng)的PID參數(shù)進(jìn)行了優(yōu)化，對(duì)該系統(tǒng)進(jìn)行了仿真。擬解決的主要問(wèn)題遺傳算法的有效性，遺傳算法是一種簡(jiǎn)單高效的尋優(yōu)算法，遺傳算法與傳統(tǒng)的尋優(yōu)方法相比對(duì)控制系統(tǒng)的動(dòng)態(tài)性能影響，PID參數(shù)自整定，PID參數(shù)優(yōu)化，參數(shù)編碼和解碼，適應(yīng)度函數(shù)的選擇。三、研究步驟、方法及措施 研究步驟：PID參數(shù)自整定，PID參數(shù)優(yōu)化，參數(shù)編碼和解碼，適應(yīng)度函數(shù)的選擇，遺傳算法。研究方法：ZieglerNichols設(shè)定方法，臨界比例度法，單純形法,粒子群優(yōu)化算法，差分進(jìn)化算法，利用 Matlab和Simulink工具對(duì)PID參數(shù)進(jìn)行優(yōu)化控制的仿真。+種群2個(gè)體優(yōu)于種群1個(gè)體變量參數(shù)編碼種群1計(jì)算適配值滿足要求遺傳操作種群2解碼算法結(jié)束復(fù)制交叉變異是否否遺傳算法的基本流程四、研究工作進(jìn)度 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(jì)及調(diào)試 設(shè)計(jì)總結(jié)撰寫(xiě)論文準(zhǔn)備答辯 五、主要參考文獻(xiàn) [1] Ziegler J G, Nichols N B. Optimum Setting for Automatic Controllers[M]. Trans ASM