智能控制技術(shù)（第8章遺傳算法在控制工程中的應(yīng)用）課件

第八章遺傳算法在控制工程中的應(yīng)用8.1引言第八章遺傳算法在控制工程中的應(yīng)用8.1引言8.2基于遺傳算法的PID控制器設(shè)計(jì)基于遺傳尋優(yōu)的PID控制器設(shè)計(jì)方法編碼選取初始種群確定適應(yīng)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(shè)計(jì)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(jìn)控制自動(dòng)尋找最優(yōu)的PID參數(shù)，使系統(tǒng)性能指標(biāo)達(dá)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(gè)初始點(diǎn)，然后由程序按照一定的方法反復(fù)迭代求極值點(diǎn)。參數(shù)尋優(yōu)方法很多，如：插值法、補(bǔ)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(jī)制的隨機(jī)化搜索算法。1975年提出，主要特點(diǎn)是群體搜索策略和群體中個(gè)體的信息交換。尤其適用于解決復(fù)雜和非線性問題，廣泛應(yīng)用于組合優(yōu)化、自適應(yīng)控制中，是21世紀(jì)智能計(jì)算關(guān)鍵技術(shù)之一?？刂破鲄?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(gè)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(gè)體（Individuals），是遺傳算法處理的基本單位；

種群（Population）----由一定數(shù)量個(gè)體組成；

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

適應(yīng)度（Fitness）----各個(gè)體對(duì)環(huán)境的適應(yīng)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(gè)體；

初始種群的設(shè)定；

適應(yīng)度函數(shù)的計(jì)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(duì)適應(yīng)度值進(jìn)行從大到小排序，再計(jì)算其平均值，把低于適應(yīng)度值平均值的染色體依次用前面最好的個(gè)體代替。2、交叉將選擇后的種群個(gè)體（稱為父代）隨即配對(duì)，按照選定的交叉方式及確定的交叉概率把個(gè)體的基因部分地進(jìn)行交換，形成一對(duì)子代個(gè)體。產(chǎn)生新個(gè)體的主要手段。3、變異：部分基因進(jìn)行突變，加強(qiáng)后代的多樣性，擴(kuò)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(biāo)函數(shù)（適應(yīng)度函數(shù)）為依據(jù)進(jìn)行尋優(yōu)?？刂破鲄?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(jìn)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(jiǎn)單的幾條規(guī)則將這種群體行為在計(jì)算機(jī)中建模，實(shí)際上就是在計(jì)算機(jī)中用簡(jiǎn)單的幾條規(guī)則來建立個(gè)體的運(yùn)動(dòng)模型，但這個(gè)群體的行為可能很復(fù)雜。例如，使用了下列三個(gè)規(guī)則作為簡(jiǎn)單的行為規(guī)則:l)向背離最近的同伴的方向運(yùn)動(dòng);2)向目的運(yùn)動(dòng);3)向群體的中心運(yùn)動(dòng)。群體中每個(gè)個(gè)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(gè)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(gè)點(diǎn)，我們稱之為“微?！保≒article)。粒子在搜索空間中以一定的速度飛行，這個(gè)速度根據(jù)它本身的飛行經(jīng)驗(yàn)和同伴的飛行經(jīng)驗(yàn)來動(dòng)態(tài)調(diào)整。所有的粒子都有一個(gè)被目標(biāo)函數(shù)決定的適應(yīng)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(dāng)前的位置，這個(gè)可以看作是粒子自己的飛行經(jīng)驗(yàn)。除此之外，每個(gè)粒子還知道到目前為止整個(gè)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(gè)可以看作是粒子的同伴的經(jīng)驗(yàn)。每個(gè)粒子使用下列信息改變自己的當(dāng)前位置:1)當(dāng)前位置;2)當(dāng)前速度;3)當(dāng)前位置與自己最好位置之間的距離;4)當(dāng)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(jī)初始化形成的粒子而組成的種群中，以迭代的方式進(jìn)行的。粒子群算法（PSO）粒子群算法（PSO）

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

Step2:評(píng)價(jià)種群，計(jì)算每個(gè)粒子在每一維空間的適應(yīng)值。

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

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

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(jié)束條件，若滿足，則結(jié)束尋優(yōu);否則，t=t+1，轉(zhuǎn)至Step2。結(jié)束條件為尋優(yōu)達(dá)到最大進(jìn)化代數(shù)或足夠好的適應(yīng)值。粒子群算法（PSO）蟻群算法 蟻群系統(tǒng)(AntSystem)是由意大利學(xué)者Dorigo等于20世紀(jì)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(jìn)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(dòng)控制、PID控制、比值控制、串級(jí)控制、前饋控制:

第二類:先進(jìn)控制一經(jīng)典技術(shù)，包括:增益調(diào)整、時(shí)滯補(bǔ)償、解耦控制;

第三類:先進(jìn)控制一流行技術(shù)，包括:模型預(yù)測(cè)控制、內(nèi)?？刂?、自適應(yīng)控制、統(tǒng)計(jì)質(zhì)量控制;

第四類:先進(jìn)控制一潛在技術(shù)，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(jìn)控制一研究中的策略，包括:魯棒控制、H∞控制等。先進(jìn)控制內(nèi)?？刂聘攀?/p>

內(nèi)模控制(InternalModelControl，簡(jiǎn)稱IMC)是一種基于過程數(shù)學(xué)模型進(jìn)行控制器設(shè)計(jì)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(duì)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(yīng)用。所謂內(nèi)模控制，其設(shè)計(jì)思路就是將對(duì)象模型與實(shí)際對(duì)象相并聯(lián)，控制器逼近模型的動(dòng)態(tài)逆，內(nèi)?？刂频囊话銉?nèi)模控制概述結(jié)構(gòu)如圖所示。圖中yp，u為被控對(duì)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(dòng)；Gp為被控對(duì)象；Gm為內(nèi)部模型(標(biāo)稱模型)；Ｇc為(前饋)內(nèi)?？刂破?；Gf為反饋濾波器。結(jié)構(gòu)如圖所示。圖中yp，u為被控對(duì)象的輸出量和控制

內(nèi)?？刂葡到y(tǒng)的性質(zhì)對(duì)偶穩(wěn)定性：當(dāng)模型精確時(shí)(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(duì)象同時(shí)穩(wěn)定；理想控制：假設(shè)Gp(s)=Gm(s)且Gp(s)穩(wěn)定，當(dāng)設(shè)計(jì)控制器為Gc(s)=Gm-1(s)，且模型的逆存在并可實(shí)現(xiàn)時(shí)，則不論有無外界干擾，均可現(xiàn)理想控制；無靜差：當(dāng)閉環(huán)系統(tǒng)穩(wěn)定時(shí)，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(duì)象與模失配與否，系統(tǒng)對(duì)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(duì)偶穩(wěn)定性：當(dāng)模型精確時(shí)(即Gp(s)

內(nèi)?？刂破髟O(shè)計(jì)的兩步法

步驟1過程模型的分解：

Gm(s)可以分解成兩項(xiàng)：Gm+(s)和Gm-(s)，有：

Gm(s)=Gm+(s)Gm-(s)(5-1)此處，Gm+(s)是一個(gè)全通濾波器傳遞函數(shù)，對(duì)于所有頻率ω，滿足|Gm+(jω)|=1。事實(shí)上，Gm+(s)包含了所有時(shí)滯和右半平面零點(diǎn)。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(yù)測(cè)項(xiàng)。

內(nèi)?？刂破髟O(shè)計(jì)的兩步法

步驟1過程模型的分解：步驟2IMC控制器的設(shè)計(jì)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(shí)現(xiàn)，可引入濾波器f(s)，構(gòu)成次優(yōu)IMC控制器Gc(s)=Gm--1(s)f(s)。通常對(duì)于階躍輸入和擾動(dòng)，取的形式，式中k是一個(gè)可計(jì)算的常數(shù)，即，以保證系統(tǒng)無靜差；n為相對(duì)階；>0為濾波器時(shí)間常數(shù)，是內(nèi)?？刂破鲀H有的設(shè)計(jì)參數(shù)。步驟2IMC控制器的設(shè)計(jì)

內(nèi)?？刂破髋c經(jīng)典反饋控制器的關(guān)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)模控制器轉(zhuǎn)換為經(jīng)典反饋控制器，是其應(yīng)用于實(shí)際的一條出路。下面具體討論這兩種控制器間的關(guān)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(dǎo)圖5.2(A)系統(tǒng)的輸入輸出關(guān)系可以發(fā)現(xiàn)，兩個(gè)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)?？刂破髋c經(jīng)典反饋控制器的關(guān)系

由于目前(A)(B)內(nèi)模控制與經(jīng)典反饋控制的關(guān)系智能控制技術(shù)（第8章遺傳算法在控制工程中的應(yīng)用）ppt課件經(jīng)典反饋控制器C與IMC控制器的關(guān)系是：

(5-2)

(5-3)經(jīng)典反饋控制器C與IMC控制器的關(guān)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(diǎn)近似的時(shí)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(shè)計(jì)問題，并對(duì)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(shè)計(jì)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(duì)稱二階Pade近似對(duì)一階加純滯后過程導(dǎo)出了IMC-PID控制器。但上述方法在Pade近似引入了零點(diǎn)，同時(shí)在應(yīng)用于二階加純滯后過程或高階過程時(shí)帶來的較大誤差，且計(jì)算相對(duì)復(fù)雜。針對(duì)上述問題，本培訓(xùn)資料將全極點(diǎn)近似引入IMC-PID控制的研究。全極點(diǎn)法具有較好的近似性，因此在本培訓(xùn)資料中將結(jié)合內(nèi)?？刂七M(jìn)行深入研究，將其應(yīng)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(jié)合麥克勞林式對(duì)轉(zhuǎn)化后的PID控制器表達(dá)式展開，從而推導(dǎo)出IMC-PID控制器參數(shù)求取的一般通式。

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

內(nèi)?？刂谱饔脤?duì)比還可參見測(cè)試曲線中效果內(nèi)?？刂谱饔脤?duì)比還可參見測(cè)試曲線中效果

用預(yù)測(cè)控制算法優(yōu)化PID參數(shù)

預(yù)測(cè)PID控制概述

作為先進(jìn)控制中的一種，由于預(yù)測(cè)控制在應(yīng)用中所表現(xiàn)出來簡(jiǎn)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(yīng)用。

預(yù)測(cè)控制不是某一種統(tǒng)一理論的產(chǎn)物，而是在工業(yè)實(shí)踐過程中獨(dú)立發(fā)展起來的。它是由美國(guó)和法國(guó)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(yīng)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(yù)測(cè)控制算法。

用預(yù)測(cè)控制算法優(yōu)化PID參數(shù)

預(yù)測(cè)PID控制概述

預(yù)測(cè)PID控制算法的基本原理及研究現(xiàn)狀

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

(1)有預(yù)測(cè)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(jìn)控制機(jī)理，如內(nèi)模原理、廣義預(yù)測(cè)原理、模糊理論、遺傳算法和人工智、能原理來設(shè)計(jì)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(yù)測(cè)功能。

(2)預(yù)測(cè)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(yù)測(cè)控制器和PID控制器。PID控制器和過程的滯后時(shí)間無關(guān)，而預(yù)測(cè)控制器則主要依賴過程的滯后時(shí)間，根據(jù)以前的控制作用給出現(xiàn)在的控制作用。

預(yù)測(cè)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(xiàng)目實(shí)施情況

具體技術(shù)細(xì)節(jié):實(shí)施的硬件結(jié)構(gòu)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(yùn)行3.完全不影響數(shù)采的正常運(yùn)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(shù)細(xì)節(jié)DCS數(shù)據(jù)交換接口模型仿真對(duì)象的動(dòng)態(tài)測(cè)試對(duì)象的模型辨識(shí)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(shù)細(xì)節(jié)DCS數(shù)據(jù)交換接口模型仿真對(duì)象的動(dòng)態(tài)測(cè)試對(duì)象的模包括：1.通信接口

2.關(guān)系型數(shù)據(jù)庫(kù)

3.模型辨識(shí)軟件包

4.控制器優(yōu)化軟件包

5.裝置運(yùn)行自控率監(jiān)控模塊(長(zhǎng)周期)6.裝置運(yùn)行平穩(wěn)率監(jiān)控模塊

可以監(jiān)控統(tǒng)計(jì)和隨時(shí)查詢：小時(shí)、日、周、月、年自控率和平穩(wěn)率具體技術(shù)細(xì)節(jié):軟件結(jié)構(gòu)包括：1.通信接口具體技術(shù)細(xì)節(jié):軟件結(jié)構(gòu)內(nèi)模-PID應(yīng)用前后作用對(duì)比應(yīng)用效果內(nèi)模-PID應(yīng)用前后作用對(duì)比應(yīng)用效果內(nèi)模-PID應(yīng)用前后作用對(duì)比內(nèi)模-PID應(yīng)用前后作用對(duì)比８.３

基于遺傳算法的模糊控制器設(shè)計(jì)８.３基于遺傳算法的模糊控制器設(shè)計(jì)智能控制技術(shù)（第8章遺傳算法在控制工程中的應(yīng)用）ppt課件智能控制技術(shù)（第8章遺傳算法在控制工程中的應(yīng)用）ppt課件智能控制技術(shù)（第8章遺傳算法在控制工程中的應(yīng)用）ppt課件智能控制技術(shù)（第8章遺傳算法在控制工程中的應(yīng)用）ppt課件智能控制技術(shù)（第8章遺傳算法在控制工程中的應(yīng)用）ppt課件智能控制技術(shù)（第8章遺傳算法在控制工程中的應(yīng)用）ppt課件智能控制技術(shù)（第8章遺傳算法在控制工程中的應(yīng)用）ppt課件８.４遺傳算法在神經(jīng)網(wǎng)絡(luò)控制中的應(yīng)用

設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)的關(guān)鍵是如何確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及連接權(quán)系數(shù)。它實(shí)質(zhì)上也