第七届工业仪表与自动化学术会议
基于粒子群算法的 PID 参数优化
PSO Based Optimization of PID Parameters
杨
诚 1,2 杨传启 3
(西门子工厂自动化工程有限公司 1,上海 200030;同济大学 2,上海 200092;浙江工业大学 3,杭州 310014)
摘 要:粒子群优化 PSO 算法是近几年出现的一种新型演化算法,对连续函数的优化效果良好.通过采用 PSO 算法对 PID 参数进行了优化,使用实数编码方法,用局部版粒子群算法取得了良好的优化结果.说明了粒子群算法寻优简单,鲁棒性强, 易于并行化,是一种效率很高的寻优方法,是 PID 参数优化的理想方法. 关键词:粒子群算法 函数 优化设计 中图分类号: TP29 文献标识码: A Abstract: Particle swarm optimization (PSO) has been a novel evolutionary algorithm in recent years. It offers excellent effects of optimization for continuous functions. In this paper, PSO is used to optimize the PID parameters. By using real number encoding method, good optimizing result is obtained with local PSO. The method is simple for optimization, robust, easy to concurrent operation. It is an ideal method for optimizing PID parameters. Keywords:PSO Function Optimization design
0
引言
在工业过程控制的发展史上,PID 控制是历史最悠久,生命力最强的控制方式.国内外 90%以上的回路仍 然采用 PID 控制器,PID 控制器在工程控制中占重要的地位.PID 控制器被广泛应用主要是因为其结构简单, 实际中容易被理解和实现,而且许多高级控制都是以 PID 控制为基础的.但 PID 参数的整定一般需要经验丰富 的工程技术人员来完成,既耗时又耗力,加之实际系统千差万别,使 PID 参数的整定有一定的难度.粒子群算 法是模仿生物社会性行为而得出的一种全局优化算法.它对所优化目标的先验知识要求甚少,一般只需要知道 其数值关系即可.粒子群算法在多元函数优化[1],神经网络参数优化[2],电气设备的功率反馈和电压控制[3]等方 面都得到了成功应用.
1
粒子群算法
粒子群算法是一种由 Kennedy 和 Eberhart[4]等于 1995 年提出的演化计算技术.其核心思想是对生物社会性 行为的模拟.在粒子群算法中,每个粒子表示 D 维空间的一个解,则第 i 个粒子的状态 X i = ( xi1 , xi 2 , xiD ) ,每 个粒子的速度向量 Vi = (vi1 , vi 2 ,
, viD ) .每个粒子经历过的最优状态记做 Pi ,群体经历过的最优状态用 Pg 表示,
在 t + 1 时刻状态更新方程如下所示:
Vit +1 = cVit + c2 ( P,t Xit ) + c3 ( Pg ,t Xit ) 1 i (1) Xit +1 = Xit + Vit +1 式中: c1 是惯性权重; c2 , c3 是加速度常数.从社会心理学的角度解释, c1 表示粒子对自身当前情况的依赖情
一个是全局版的,一个是局部版的.上述算法就是全局版的情况,局部版与全局版的差别在于: Pg 是局部领域
标准的粒子群算法分为两个版本, 况;c 2 表示粒子对自身经验的依赖情况;c 3 表示粒子对社群信息的依赖情况. 内最优邻居的状态,而非整个群体的最优状态.在连续问题中,全局版的收敛速度比较快,但容易陷入局部极 值点,而局部版搜索到的解可能更优,但速度较慢.此外, d(t) 对速度 Vi ,算法中有最大速度 Vmax 作为限制.粒子群算法 u(t) y(t) e(t) r(t) + 自出现以来,在连续问题的优化方面取得了很大的进展, 以收敛速度快,解的质量高而引起人们极大关注.关于算 法中各种参数的设置,可以引用参考文献[5]的论述.
PID控制器 被控对象

下一页