改進的螢火蟲算法及其在PID控制器參數(shù)整定中的應用.pdf

1、在當今的工業(yè)過程控制中，PID(Proportional Integral Differential)控制器由于結構簡單、易實現(xiàn)、可靠性高、魯棒性能高等特點，因此被廣泛的應用。根據(jù)相關的統(tǒng)計資料顯示，實際的工業(yè)過程中，使用PID控制思想的控制器占95％以上。眾所周知，PID控制器性能的優(yōu)劣直接與PID控制器的參數(shù)相關聯(lián)。然而隨著現(xiàn)代工業(yè)技術的飛速發(fā)展，工業(yè)控制系統(tǒng)變的越來越復雜，傳統(tǒng)的整定PID控制器參數(shù)的算法已經(jīng)不能很好的適應于現(xiàn)代越

2、來越復雜的控制問題。但隨著人工智能領域的不斷發(fā)展和計算機技術不斷向自動化領域的滲透，涌現(xiàn)了大量智能算法整定PID控制器參數(shù)的方法。螢火蟲算法屬于智能優(yōu)化算法中的一種，因其并行性、自組織、易實現(xiàn)、分布式和魯棒性等特點被廣泛使用。本文將用改進的螢火蟲算法(Glowworm Swarm Optimization，GSO)整定PID控制器參數(shù)，研究的主要內(nèi)容概述如下:
　　1、本文提出了一種基子導向機制和自適應步長的螢火蟲算法(Based

3、 onDirected mechanism and Adaptive-step mechanism GSO，D-AGSO)。一方面，本文在算法中引入了自適應步長機制，使步長可以在算法迭代前期保持較大值，以便可以全局內(nèi)搜索最優(yōu)解，防止算法過早成熟，陷入局部最優(yōu)。在迭代后期，使步長可以保持較小值，防止算法跳過最優(yōu)解或者出現(xiàn)震蕩現(xiàn)象，更加有利于精確尋找最優(yōu)解;另一方面，對于基本的螢火蟲算法，如果螢火蟲個體在其自身動態(tài)決策域半徑內(nèi)沒有找到比自己

4、更亮的螢火蟲，則這類螢火蟲將不確定隨機移動。因此，這類螢火蟲雖然付出了大量計算代價，但卻沒有發(fā)生較好的位置移動，并且存在導致算法陷入局部最優(yōu)的危險且不利于算法的快速收斂。為了減小這種算法缺陷，本文針對這類的螢火蟲個體，采取了導向性的移動策略，以加快迭代速度和求解精度。為了驗證改進算法的有效性與可行性，本文算法與基本的螢火蟲算法、自適應步長的螢火蟲算法(Enhanced Glowworm Swarm OptimizationAlgorit

5、hm， EGSO)、基于熒光因子與覓食行為的螢火蟲算法(Foraging-behaviorAdaptive-step Glowworm Swarm Optimization Algorithm，F(xiàn)A-GSO)進行實驗比較，結果證明本文改進的螢火蟲算法具有較優(yōu)的尋優(yōu)性能。
　　2、本文提出了基于一種新的改進的螢火蟲算法整定PID控制器參數(shù)的方法，并且使用MATLAB中的Simulink工具建立PID控制器仿真模型，對本文提出的方法進

6、行仿真實驗。本文使用四種不同類型的被控對象來驗證改進的螢火蟲算法整定PID控制器參數(shù)的方法的性能，并且本文引入經(jīng)典Z-N公式整定方法、粒子群算法整定方法、差分進化整定方法與本文的算法進行比較，仿真結果證明本文提出的算法取得了較好的控制效果。
　　3、本文使用改進的ITAE評價函數(shù)來驗證本文提出的算法，仿真實驗證明通過改變評價函數(shù)中的性能權重系數(shù)，本文算法可有效的使PID控制器偏重于某一特定指標性能。因此本文算法可以整定出工業(yè)控制過