【正文】 2) is Hurwitz for all and [0,2)。 proportional–integral–derivative (PID) control。 HF %適應(yīng)度函數(shù)源程序（）function result=fitness(x,D)sum=0。最后得到的優(yōu)化極值為：39。)disp(39。 end if p(i)fitness(pg,D) pg=y(i,:)。 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,:))。 %隨機初始化速度 endend%先計算各個粒子的適應(yīng)度，并初始化Pi和Pgfor i=1:N p(i)=fitness(x(i,:),D)。 %搜索空間維數(shù)（未知數(shù)個數(shù)）N=40。 %學(xué)習因子1c2=。謹以此文獻給養(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。從論文的選題、實驗和論文的撰寫都得到了導(dǎo)師細心的指導(dǎo)和大力支持，不僅為我的研究指明了方向，而且在理論上給予我精心的指導(dǎo)。(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)。因此，采用粒子群算法的優(yōu)越性是顯而易見的。，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)。，增大會增大系統(tǒng)的超調(diào)量，但降低了峰值時間和調(diào)節(jié)時間；而減少則相對地降低了超調(diào)量，但增加了峰值時間和調(diào)節(jié)時間。 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。 粒子群算法參數(shù)整定用粒子群算法優(yōu)化后得到的參數(shù)為=，=，=。記錄下此時的比例帶d值，并計算兩個波峰的間距，記做。對加熱爐測試的結(jié)果表明：燃油流量qm(s)及助燃風量擋板開度X(s)對爐出口溫度T(s)及煙氣中氧體積分數(shù)φO2(s)的關(guān)系均可用二階滯后傳遞函數(shù)來描述。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)剂系牧髁俊４_切的說是爐溫變化的速度跟不上。如欲將爐溫由900℃升到1000℃，當爐溫達到設(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℃。對于測量系統(tǒng)產(chǎn)生的滯后可以用常規(guī)的滯后補償系統(tǒng)進行校正，而加熱爐溫度滯后是加熱爐固有的物理特性，是由于爐溫變化速度低于燃料流量變化速度造成的，因此用常規(guī)的滯后補償軟件進行校正效果是不好的。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。在實現(xiàn)了最佳燃燒控制與最佳爐溫控制后，克服爐溫慣性問題愈顯重要。 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。引入Smith預(yù)估補償器的目的，是使調(diào)節(jié)器所控制的等效對象中能消除純滯后部分， += () 由此可得Smith預(yù)估補償器的數(shù)學(xué)模型為 = () 于是。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。為了保證系統(tǒng)輸出響應(yīng)無殘差，一般要求兩個PID動作調(diào)節(jié)器。常用的有史密斯(Smith)預(yù)估補償方法，當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。當對系統(tǒng)進行特別調(diào)整后還不能獲得滿意的結(jié)果時，還可以在常規(guī)控制的基礎(chǔ)上稍微加以改動。則說明該過程具有大滯后的工藝過程。在這些過程中，由于純滯后的存在，使得被調(diào)量不能及時反映系統(tǒng)所受的擾動，即使測量信號達到調(diào)節(jié)器，調(diào)節(jié)機關(guān)接受調(diào)節(jié)信號后立即動作，也需要經(jīng)過純滯后時間以后，才波及被調(diào)量，使之受到控制。因此本文在選擇目標函數(shù)的表達式取。這種目標函數(shù)的選取不止一種方法可以更精確地反映系統(tǒng)的最終品質(zhì)要求。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)指標的要求。這種目標函數(shù)的表達式為 ()其中e(t)=r(t)y(t)表示系統(tǒng)誤差。第二類是誤差型目標函數(shù)，它是采用期望響應(yīng)和實際響應(yīng)之差的某個函數(shù)作為目標函數(shù)。 目標函數(shù)選取在參數(shù)最優(yōu)化的問題中要涉及性能指標函數(shù)，性能指標函數(shù)是被尋參數(shù)的函數(shù)，稱為目標函數(shù)。（2） 目標函數(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，它們可以用設(shè)計變量的函數(shù)來表示，被稱為目標函。要實現(xiàn)問題的優(yōu)化必須具備兩個條件，一是存在一個優(yōu)化目標；另一是具有多個方案可供選擇。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)，以達到最佳的設(shè)計目標。 PID控制的特點PID控制器原理簡單、魯棒性好、可靠性高，因此一直是工業(yè)過程控制中應(yīng)用最廣的策略，尤其適用于可建立精確數(shù)學(xué)模型的確定性系統(tǒng)。 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。目前PSO算法還沒有成熟的理論分析，少部分研究者對算法的收斂性進行了分析，大部分研究者在算法的結(jié)構(gòu)和性能改善方面進行研究，包括參數(shù)分析，拓撲結(jié)構(gòu)，粒子多樣性保持，算法融合和性能比較等。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。如何確定局部搜索能力和全局搜索能力的比例，對一個問題的求解過程很重要。粒子群算法已被證明能很好地解決許多全局優(yōu)化問題。對局部版本，式()改為： () 其中，pij為鄰近粒子的局部最優(yōu)。（5）根據(jù)方程()和方程()對粒子的速度和位置進行進化。 算法流程基本粒子群算法的流程如下：（1）初始化粒子群，隨機初始化各粒子。微粒的空間位置是目標優(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j表示微粒的第j維，下標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)。在人們的不斷交互過程中，由于相互的影響和模仿，他們總會變得更相似，結(jié)果就形成了規(guī)范和文明。在仿真中，一開始每一只鳥都沒有特定的飛行目標，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。(2)匹配鄰域個體的速度。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。 本文的主要工作本文采用粒子群算法對PID參數(shù)進行尋優(yōu)。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。盡管當今出現(xiàn)了許多高級控制方法，但是實際控制系統(tǒng)仍然是以比例積分微分(PID) 控制為主，即使已經(jīng)有了一些行之有效的整定規(guī)則，但是手動整定PID控制器參數(shù)仍是一件復(fù)雜和費時的工作。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。微分作用：微分作用的大小由微分時間來決定。影響控制系統(tǒng)指標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。對有自衡的非振蕩過程，廣義對象傳遞函數(shù)常可用近似。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。這類優(yōu)化問題的困難性不僅體現(xiàn)在具有極大的規(guī)模，更為重要的是，它們多數(shù)是非線性的、動態(tài)的、多峰的、具有欺騙性的或者不具有任何導(dǎo)數(shù)信息。信息素按照一定的比例釋放的。其基本思想是：先初始化一個種群(種群是由經(jīng)過基因編碼的一定數(shù)目的個體組成的，每個個體代表所求問題的一種解決方案)，然后按照生物進化理論中的適者生存和優(yōu)勝劣汰的原理，逐代演化產(chǎn)生出越來越好的個體。爬山法精度較高，但是易于陷入局部極小。優(yōu)化問題是工業(yè)設(shè)計中經(jīng)常遇到的問題，許多問題最后都可以歸結(jié)為優(yōu)化問題。 optimal design。因此，采用粒子群算法的優(yōu)越性是顯而易見的。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?shù)姆椒?。本文采用粒子群算法進行參數(shù)優(yōu)化，主要做了如下工作：其一，選擇控制系統(tǒng)的目標函數(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。關(guān)鍵詞 目標函數(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 chara