智能控制技術（第8章遺傳算法在控制工程中的應用）課件

第八章遺傳算法在控制工程中的應用8.1引言第八章遺傳算法在控制工程中的應用8.1引言8.2基于遺傳算法的PID控制器設計基于遺傳尋優(yōu)的PID控制器設計方法編碼選取初始種群確定適應度函數(shù)遺傳算法的操作8.2基于遺傳算法的PID控制器設計基于遺傳尋優(yōu)的PID控制器參數(shù)優(yōu)化控制器參數(shù)優(yōu)化概述

采用智能控制或先進控制自動尋找最優(yōu)的PID參數(shù)，使系統(tǒng)性能指標達到最優(yōu)。參數(shù)尋優(yōu)就是函數(shù)求極值的問題，一般情況先給出一個初始點，然后由程序按照一定的方法反復迭代求極值點。參數(shù)尋優(yōu)方法很多，如：插值法、補償加速法、方向加速法、遺傳算法、粒子群尋優(yōu)算法、蟻群算法等。

控制器參數(shù)優(yōu)化控制器參數(shù)優(yōu)化概述控制器參數(shù)優(yōu)化遺傳算法與控制器參數(shù)優(yōu)化

遺傳算法是一種借鑒生物界自然選擇和自然遺傳機制的隨機化搜索算法。1975年提出，主要特點是群體搜索策略和群體中個體的信息交換。尤其適用于解決復雜和非線性問題，廣泛應用于組合優(yōu)化、自適應控制中，是21世紀智能計算關鍵技術之一。控制器參數(shù)優(yōu)化遺傳算法與控制器參數(shù)優(yōu)化控制器參數(shù)優(yōu)化遺傳算法與控制器參數(shù)優(yōu)化

遺傳算法中涉及的幾個重要名稱：

染色體----參數(shù)空間的數(shù)據(jù)或數(shù)組，或稱基因型個體（Individuals），是遺傳算法處理的基本單位；

種群（Population）----由一定數(shù)量個體組成；

種群規(guī)模（PopulationSize）----種群中個體的數(shù)目，也叫種群的大??；

適應度（Fitness）----各個體對環(huán)境的適應程度。

控制器參數(shù)優(yōu)化遺傳算法與控制器參數(shù)優(yōu)化控制器參數(shù)優(yōu)化遺傳算法與控制器參數(shù)優(yōu)化

參數(shù)編碼（Coding）----數(shù)據(jù)轉(zhuǎn)換操作，表現(xiàn)型到基因型的轉(zhuǎn)換，把搜索空間中的參數(shù)或解轉(zhuǎn)換成遺傳空間中的染色體或個體；

初始種群的設定；

適應度函數(shù)的計算；遺傳操作：選擇、交叉、變異；參數(shù)解碼（Decoding）----數(shù)據(jù)轉(zhuǎn)換操作，基因型到表現(xiàn)型的轉(zhuǎn)換。

控制器參數(shù)優(yōu)化遺傳算法與控制器參數(shù)優(yōu)化控制器參數(shù)優(yōu)化遺傳算法與控制器參數(shù)優(yōu)化

遺傳操作：1、選擇首先對適應度值進行從大到小排序，再計算其平均值，把低于適應度值平均值的染色體依次用前面最好的個體代替。2、交叉將選擇后的種群個體（稱為父代）隨即配對，按照選定的交叉方式及確定的交叉概率把個體的基因部分地進行交換，形成一對子代個體。產(chǎn)生新個體的主要手段。3、變異：部分基因進行突變，加強后代的多樣性，擴展解空間。

控制器參數(shù)優(yōu)化遺傳算法與控制器參數(shù)優(yōu)化控制器參數(shù)優(yōu)化

遺傳算法以目標函數(shù)（適應度函數(shù)）為依據(jù)進行尋優(yōu)。控制器參數(shù)優(yōu)化控制器參數(shù)優(yōu)化遺傳算法與控制器參數(shù)優(yōu)化

采用遺傳算法進行PID參數(shù)整定：

控制器參數(shù)優(yōu)化遺傳算法與控制器參數(shù)優(yōu)化控制器參數(shù)優(yōu)化粒子群算法（PSO） 自然界中一些生物的行為特征呈現(xiàn)群體特征，可以用簡單的幾條規(guī)則將這種群體行為在計算機中建模，實際上就是在計算機中用簡單的幾條規(guī)則來建立個體的運動模型，但這個群體的行為可能很復雜。例如，使用了下列三個規(guī)則作為簡單的行為規(guī)則:l)向背離最近的同伴的方向運動;2)向目的運動;3)向群體的中心運動。群體中每個個體都遵循以上原則，從這種群行為特性中得到啟發(fā)求解優(yōu)化問題。

控制器參數(shù)優(yōu)化粒子群算法（PSO）粒子群算法（PSO） 在PSO中，每個優(yōu)化問題的可能解都可以想象成d維搜索空間上的一個點，我們稱之為“微粒”（Particle)。粒子在搜索空間中以一定的速度飛行，這個速度根據(jù)它本身的飛行經(jīng)驗和同伴的飛行經(jīng)驗來動態(tài)調(diào)整。所有的粒子都有一個被目標函數(shù)決定的適應值(fitnessvalue)，并且知道自己到目前為止發(fā)現(xiàn)的最好位置(particlebest，記為pbest)和當前的位置，這個可以看作是粒子自己的飛行經(jīng)驗。除此之外，每個粒子還知道到目前為止整個群體中所有粒子發(fā)現(xiàn)的最好位置(globalbest，記為gbest)(gbest是在pbest中的最好值)，這個可以看作是粒子的同伴的經(jīng)驗。每個粒子使用下列信息改變自己的當前位置:1)當前位置;2)當前速度;3)當前位置與自己最好位置之間的距離;4)當前位置與群體最好位置之間的距離。優(yōu)化搜索正是在由這樣一群隨機初始化形成的粒子而組成的種群中，以迭代的方式進行的。粒子群算法（PSO）粒子群算法（PSO）

PSO算法主要計算步驟如下:Step1:初始化，設定加速常數(shù)Cl.C2，最大進化代數(shù)Tmax，將當前進化代數(shù)置為t=1，在定義空間中隨機產(chǎn)生m個粒子，組成初始種群s(t);隨機產(chǎn)生各粒子初始速度和位置。

Step2:評價種群，計算每個粒子在每一維空間的適應值。

Step3:比較粒子的適應值和自身最優(yōu)值pbest。如果當前值比pbest更優(yōu)，則置pbest為當前值，并設pbest位置為n維空間中的當前位置。

Step4:比較粒子的適應值與種群最優(yōu)值gbest。如果當前值比gbest更優(yōu)，則重置gbest的索引號。

Steps:按公式更新粒子的速度和位置，產(chǎn)生新種群S(t十1)。

Step6:檢查結束條件，若滿足，則結束尋優(yōu);否則，t=t+1，轉(zhuǎn)至Step2。結束條件為尋優(yōu)達到最大進化代數(shù)或足夠好的適應值。粒子群算法（PSO）蟻群算法 蟻群系統(tǒng)(AntSystem)是由意大利學者Dorigo等于20世紀90年代初提出的一種基于蟻群種群的新型優(yōu)化算法[2],它通過模擬自然界蟻群尋食過程中通過信息素(Pheromone)的相互交流從而找到由蟻巢至食物的最短路徑的現(xiàn)象,提出了一種基于信息正反饋原理的蟻群優(yōu)化算法并用于解決了一系列組合優(yōu)化問題。蟻群算法先進控制過程控制策略的分類:

第一類:傳統(tǒng)控制策略，包括:手動控制、PID控制、比值控制、串級控制、前饋控制:

第二類:先進控制一經(jīng)典技術，包括:增益調(diào)整、時滯補償、解耦控制;

第三類:先進控制一流行技術，包括:模型預測控制、內(nèi)模控制、自適應控制、統(tǒng)計質(zhì)量控制;

第四類:先進控制一潛在技術，包括:最優(yōu)控制、非線性控制、專家系統(tǒng)、神經(jīng)控制、模糊控制;

第五類:先進控制一研究中的策略，包括:魯棒控制、H∞控制等。先進控制內(nèi)?？刂聘攀?/p>

內(nèi)模控制(InternalModelControl，簡稱IMC)是一種基于過程數(shù)學模型進行控制器設計的新型控制策略。由于具有良好的跟蹤性能和抗干擾能力，并對模型失配有一定的魯棒性，使其在工業(yè)過程控制中獲得了越來越廣泛的應用。所謂內(nèi)?？刂?，其設計思路就是將對象模型與實際對象相并聯(lián)，控制器逼近模型的動態(tài)逆，內(nèi)?？刂频囊话銉?nèi)模控制概述結構如圖所示。圖中yp，u為被控對象的輸出量和控制量；ym為內(nèi)部模型輸出；r為給定值(參考軌跡)；d為外部擾動；Gp為被控對象；Gm為內(nèi)部模型(標稱模型)；Ｇc為(前饋)內(nèi)?？刂破鳎籊f為反饋濾波器。結構如圖所示。圖中yp，u為被控對象的輸出量和控制

內(nèi)?？刂葡到y(tǒng)的性質(zhì)對偶穩(wěn)定性：當模型精確時(即Gp(s)=Gm(s))，系統(tǒng)內(nèi)部穩(wěn)定的充要條件是控制器和對象同時穩(wěn)定；理想控制：假設Gp(s)=Gm(s)且Gp(s)穩(wěn)定，當設計控制器為Gc(s)=Gm-1(s)，且模型的逆存在并可實現(xiàn)時，則不論有無外界干擾，均可現(xiàn)理想控制；無靜差：當閉環(huán)系統(tǒng)穩(wěn)定時，只要控制器和模型的穩(wěn)態(tài)增益乘積為1，即Gc(0)=Gm-1(0)，則無論對象與模失配與否，系統(tǒng)對于階躍輸入及階躍干擾均不存在輸出靜差。

內(nèi)?？刂葡到y(tǒng)的性質(zhì)對偶穩(wěn)定性：當模型精確時(即Gp(s)

內(nèi)?？刂破髟O計的兩步法

步驟1過程模型的分解：

Gm(s)可以分解成兩項：Gm+(s)和Gm-(s)，有：

Gm(s)=Gm+(s)Gm-(s)(5-1)此處，Gm+(s)是一個全通濾波器傳遞函數(shù)，對于所有頻率ω，滿足|Gm+(jω)|=1。事實上，Gm+(s)包含了所有時滯和右半平面零點。Gm-(s)是具有最小相位特征的傳遞函數(shù)，即Gm-(s)穩(wěn)定且不包含預測項。

內(nèi)?？刂破髟O計的兩步法

步驟1過程模型的分解：步驟2IMC控制器的設計若Gm-1(s)存在且正則，則Gc(s)=Gm-1(s)是唯一的最優(yōu)內(nèi)?？刂破?。若非Gm-1(s)正則，則Gm-1(s)物理不可實現(xiàn)，可引入濾波器f(s)，構成次優(yōu)IMC控制器Gc(s)=Gm--1(s)f(s)。通常對于階躍輸入和擾動，取的形式，式中k是一個可計算的常數(shù)，即，以保證系統(tǒng)無靜差；n為相對階；>0為濾波器時間常數(shù)，是內(nèi)模控制器僅有的設計參數(shù)。步驟2IMC控制器的設計

內(nèi)模控制器與經(jīng)典反饋控制器的關系

由于目前大多數(shù)工業(yè)過程仍然采用PID控制器，因?qū)?nèi)?？刂破鬓D(zhuǎn)換為經(jīng)典反饋控制器，是其應用于實際的一條出路。下面具體討論這兩種控制器間的關系。如果將控制器等效分解成圖5.2(A)中虛線包圍的部分，圖5.1的方框圖（）可轉(zhuǎn)化成圖5.2(A)所示的控制系統(tǒng)。推導圖5.2(A)系統(tǒng)的輸入輸出關系可以發(fā)現(xiàn)，兩個模型模塊互相抵消，因而即為圖5.2(B)所示的經(jīng)典反饋控制系統(tǒng)。

內(nèi)模控制器與經(jīng)典反饋控制器的關系

由于目前(A)(B)內(nèi)?？刂婆c經(jīng)典反饋控制的關系智能控制技術（第8章遺傳算法在控制工程中的應用）ppt課件經(jīng)典反饋控制器C與IMC控制器的關系是：

(5-2)

(5-3)經(jīng)典反饋控制器C與IMC控制器的關系是：+—C(S)G(S)常規(guī)PID控制，C(S)為PID控制器C(S)G(S)Gm(S)+—+—+—Gm(S)Gc(S)G(S)Gm(S)+—+—Gc(S)存在轉(zhuǎn)換公式Gc=(I+CGm)-1C常規(guī)內(nèi)?？刂?/p>

用內(nèi)模控制整定的PID控制器參數(shù)原理圖+—C(S)G(S)常規(guī)PID控制，C(S)為PID控制器C

基于全極點近似的時滯系統(tǒng)內(nèi)?？刂萍癐MC-PID轉(zhuǎn)化

Rivera等人首先提出了IMC-PID控制器的設計問題，并對純滯后分別采用零階和一階Pade近似，通過近似后轉(zhuǎn)變模型分解方法設計了一階與二階加純滯后過程的IMC-PID控制器，龔曉峰等采用非對稱二階Pade近似對一階加純滯后過程導出了IMC-PID控制器。但上述方法在Pade近似引入了零點，同時在應用于二階加純滯后過程或高階過程時帶來的較大誤差，且計算相對復雜。針對上述問題，本培訓資料將全極點近似引入IMC-PID控制的研究。全極點法具有較好的近似性，因此在本培訓資料中將結合內(nèi)?？刂七M行深入研究，將其應用于典型的化工過程：一階加純滯后環(huán)節(jié)和二階加純滯后環(huán)節(jié)，結合麥克勞林式對轉(zhuǎn)化后的PID控制器表達式展開，從而推導出IMC-PID控制器參數(shù)求取的一般通式。

基于全極點近似的時滯系統(tǒng)內(nèi)模控制及IMC-PID轉(zhuǎn)化

內(nèi)?？刂谱饔脤Ρ冗€可參見測試曲線中效果內(nèi)?？刂谱饔脤Ρ冗€可參見測試曲線中效果

用預測控制算法優(yōu)化PID參數(shù)

預測PID控制概述

作為先進控制中的一種，由于預測控制在應用中所表現(xiàn)出來簡易性及控制的魯棒性，使它得到了工業(yè)控制界的廣泛重視和應用。

預測控制不是某一種統(tǒng)一理論的產(chǎn)物，而是在工業(yè)實踐過程中獨立發(fā)展起來的。它是由美國和法國幾家公司在70年代先后提出的。而且一經(jīng)問世就在石油、電力和航空等工業(yè)中得到了十分成功的應用。隨后又相繼出現(xiàn)了各種其他相近的算法，到目前為止已有幾十種之多，可統(tǒng)稱之為預測控制算法。

用預測控制算法優(yōu)化PID參數(shù)

預測PID控制概述

預測PID控制算法的基本原理及研究現(xiàn)狀

自1992年Hagglund提出預測PI控制器的思想以來，預測PID算法得到了逐步發(fā)展和完善，并成功應用在一些復雜對象的控制上。目前文獻上所述預測PID控制算法可以歸納為兩種：

(1)有預測功能的PID控制器。本質(zhì)上，它是種PID控制器，只不過依據(jù)一些先進控制機理，如內(nèi)模原理、廣義預測原理、模糊理論、遺傳算法和人工智、能原理來設計控制器參數(shù)，或根據(jù)某種最優(yōu)原則在線給定PID控制器參數(shù)，使之具有預測功能。

(2)預測算法和PID算法融合在一起的控制器。在這種控制器中，包括預測控制器和PID控制器。PID控制器和過程的滯后時間無關，而預測控制器則主要依賴過程的滯后時間，根據(jù)以前的控制作用給出現(xiàn)在的控制作用。

預測PID控制算法的基本原理及研究現(xiàn)狀

DCS控制柜工程師站操作站操作站基于IMC-PID的控制器優(yōu)化項目實施情況

具體技術細節(jié):實施的硬件結構控制器優(yōu)化站數(shù)據(jù)單向傳輸1.安全可靠2.完全不影響裝置的正常運行3.完全不影響數(shù)采的正常運行4.與數(shù)采的區(qū)別為數(shù)據(jù)量大、采樣周期短(1秒一次)DCS控制柜工程師站操作站操作站基于IMC-PID的控制器優(yōu)具體技術細節(jié)DCS數(shù)據(jù)交換接口模型仿真對象的動態(tài)測試對象的模型辨識內(nèi)模PID參數(shù)整定PID參數(shù)下發(fā)PID參數(shù)輸出顯示

控制器參數(shù)優(yōu)化整定軟件包模塊圖具體技術細節(jié)DCS數(shù)據(jù)交換接口模型仿真對象的動態(tài)測試對象的模包括：1.通信接口

2.關系型數(shù)據(jù)庫

3.模型辨識軟件包

4.控制器優(yōu)化軟件包

5.裝置運行自控率監(jiān)控模塊(長周期)6.裝置運行平穩(wěn)率監(jiān)控模塊

可以監(jiān)控統(tǒng)計和隨時查詢：小時、日、周、月、年自控率和平穩(wěn)率具體技術細節(jié):軟件結構包括：1.通信接口具體技術細節(jié):軟件結構內(nèi)模-PID應用前后作用對比應用效果內(nèi)模-PID應用前后作用對比應用效果內(nèi)模-PID應用前后作用對比內(nèi)模-PID應用前后作用對比８.３

基于遺傳算法的模糊控制器設計８.３基于遺傳算法的模糊控制器設計智能控制技術（第8章遺傳算法在控制工程中的應用）ppt課件智能控制技術（第8章遺傳算法在控制工程中的應用）ppt課件智能控制技術（第8章遺傳算法在控制工程中的應用）ppt課件智能控制技術（第8章遺傳算法在控制工程中的應用）ppt課件智能控制技術（第8章遺傳算法在控制工程中的應用）ppt課件智能控制技術（第8章遺傳算法在控制工程中的應用）ppt課件智能控制技術（第8章遺傳算法在控制工程中的應用）ppt課件８.４遺傳算法在神經(jīng)網(wǎng)絡控制中的應用

設計神經(jīng)網(wǎng)絡的關鍵是如何確定神經(jīng)網(wǎng)絡的結構及連接權系數(shù)。它實質(zhì)上也