智能控制技术（第8章遗传算法在控制工程中的应用）课件

第八章遗传算法在控制工程中的应用8.1引言第八章遗传算法在控制工程中的应用8.1引言8.2基于遗传算法的PID控制器设计基于遗传寻优的PID控制器设计方法编码选取初始种群确定适应度函数遗传算法的操作8.2基于遗传算法的PID控制器设计基于遗传寻优的PID控制器参数优化控制器参数优化概述

采用智能控制或先进控制自动寻找最优的PID参数，使系统性能指标达到最优。参数寻优就是函数求极值的问题，一般情况先给出一个初始点，然后由程序按照一定的方法反复迭代求极值点。参数寻优方法很多，如：插值法、补偿加速法、方向加速法、遗传算法、粒子群寻优算法、蚁群算法等。

控制器参数优化控制器参数优化概述控制器参数优化遗传算法与控制器参数优化

遗传算法是一种借鉴生物界自然选择和自然遗传机制的随机化搜索算法。1975年提出，主要特点是群体搜索策略和群体中个体的信息交换。尤其适用于解决复杂和非线性问题，广泛应用于组合优化、自适应控制中，是21世纪智能计算关键技术之一。控制器参数优化遗传算法与控制器参数优化控制器参数优化遗传算法与控制器参数优化

遗传算法中涉及的几个重要名称：

染色体----参数空间的数据或数组，或称基因型个体（Individuals），是遗传算法处理的基本单位；

种群（Population）----由一定数量个体组成；

种群规模（PopulationSize）----种群中个体的数目，也叫种群的大小；

适应度（Fitness）----各个体对环境的适应程度。

控制器参数优化遗传算法与控制器参数优化控制器参数优化遗传算法与控制器参数优化

参数编码（Coding）----数据转换操作，表现型到基因型的转换，把搜索空间中的参数或解转换成遗传空间中的染色体或个体；

初始种群的设定；

适应度函数的计算；遗传操作：选择、交叉、变异；参数解码（Decoding）----数据转换操作，基因型到表现型的转换。

控制器参数优化遗传算法与控制器参数优化控制器参数优化遗传算法与控制器参数优化

遗传操作：1、选择首先对适应度值进行从大到小排序，再计算其平均值，把低于适应度值平均值的染色体依次用前面最好的个体代替。2、交叉将选择后的种群个体（称为父代）随即配对，按照选定的交叉方式及确定的交叉概率把个体的基因部分地进行交换，形成一对子代个体。产生新个体的主要手段。3、变异：部分基因进行突变，加强后代的多样性，扩展解空间。

控制器参数优化遗传算法与控制器参数优化控制器参数优化

遗传算法以目标函数（适应度函数）为依据进行寻优。控制器参数优化控制器参数优化遗传算法与控制器参数优化

采用遗传算法进行PID参数整定：

控制器参数优化遗传算法与控制器参数优化控制器参数优化粒子群算法（PSO） 自然界中一些生物的行为特征呈现群体特征，可以用简单的几条规则将这种群体行为在计算机中建模，实际上就是在计算机中用简单的几条规则来建立个体的运动模型，但这个群体的行为可能很复杂。例如，使用了下列三个规则作为简单的行为规则:l)向背离最近的同伴的方向运动;2)向目的运动;3)向群体的中心运动。群体中每个个体都遵循以上原则，从这种群行为特性中得到启发求解优化问题。

控制器参数优化粒子群算法（PSO）粒子群算法（PSO） 在PSO中，每个优化问题的可能解都可以想象成d维搜索空间上的一个点，我们称之为“微粒”（Particle)。粒子在搜索空间中以一定的速度飞行，这个速度根据它本身的飞行经验和同伴的飞行经验来动态调整。所有的粒子都有一个被目标函数决定的适应值(fitnessvalue)，并且知道自己到目前为止发现的最好位置(particlebest，记为pbest)和当前的位置，这个可以看作是粒子自己的飞行经验。除此之外，每个粒子还知道到目前为止整个群体中所有粒子发现的最好位置(globalbest，记为gbest)(gbest是在pbest中的最好值)，这个可以看作是粒子的同伴的经验。每个粒子使用下列信息改变自己的当前位置:1)当前位置;2)当前速度;3)当前位置与自己最好位置之间的距离;4)当前位置与群体最好位置之间的距离。优化搜索正是在由这样一群随机初始化形成的粒子而组成的种群中，以迭代的方式进行的。粒子群算法（PSO）粒子群算法（PSO）

PSO算法主要计算步骤如下:Step1:初始化，设定加速常数Cl.C2，最大进化代数Tmax，将当前进化代数置为t=1，在定义空间中随机产生m个粒子，组成初始种群s(t);随机产生各粒子初始速度和位置。

Step2:评价种群，计算每个粒子在每一维空间的适应值。

Step3:比较粒子的适应值和自身最优值pbest。如果当前值比pbest更优，则置pbest为当前值，并设pbest位置为n维空间中的当前位置。

Step4:比较粒子的适应值与种群最优值gbest。如果当前值比gbest更优，则重置gbest的索引号。

Steps:按公式更新粒子的速度和位置，产生新种群S(t十1)。

Step6:检查结束条件，若满足，则结束寻优;否则，t=t+1，转至Step2。结束条件为寻优达到最大进化代数或足够好的适应值。粒子群算法（PSO）蚁群算法 蚁群系统(AntSystem)是由意大利学者Dorigo等于20世纪90年代初提出的一种基于蚁群种群的新型优化算法[2],它通过模拟自然界蚁群寻食过程中通过信息素(Pheromone)的相互交流从而找到由蚁巢至食物的最短路径的现象,提出了一种基于信息正反馈原理的蚁群优化算法并用于解决了一系列组合优化问题。蚁群算法先进控制过程控制策略的分类:

第一类:传统控制策略，包括:手动控制、PID控制、比值控制、串级控制、前馈控制:

第二类:先进控制一经典技术，包括:增益调整、时滞补偿、解耦控制;

第三类:先进控制一流行技术，包括:模型预测控制、内模控制、自适应控制、统计质量控制;

第四类:先进控制一潜在技术，包括:最优控制、非线性控制、专家系统、神经控制、模糊控制;

第五类:先进控制一研究中的策略，包括:鲁棒控制、H∞控制等。先进控制内模控制概述

内模控制(InternalModelControl，简称IMC)是一种基于过程数学模型进行控制器设计的新型控制策略。由于具有良好的跟踪性能和抗干扰能力，并对模型失配有一定的鲁棒性，使其在工业过程控制中获得了越来越广泛的应用。所谓内模控制，其设计思路就是将对象模型与实际对象相并联，控制器逼近模型的动态逆，内模控制的一般内模控制概述结构如图所示。图中yp，u为被控对象的输出量和控制量；ym为内部模型输出；r为给定值(参考轨迹)；d为外部扰动；Gp为被控对象；Gm为内部模型(标称模型)；Ｇc为(前馈)内模控制器；Gf为反馈滤波器。结构如图所示。图中yp，u为被控对象的输出量和控制

内模控制系统的性质对偶稳定性：当模型精确时(即Gp(s)=Gm(s))，系统内部稳定的充要条件是控制器和对象同时稳定；理想控制：假设Gp(s)=Gm(s)且Gp(s)稳定，当设计控制器为Gc(s)=Gm-1(s)，且模型的逆存在并可实现时，则不论有无外界干扰，均可现理想控制；无静差：当闭环系统稳定时，只要控制器和模型的稳态增益乘积为1，即Gc(0)=Gm-1(0)，则无论对象与模失配与否，系统对于阶跃输入及阶跃干扰均不存在输出静差。

内模控制系统的性质对偶稳定性：当模型精确时(即Gp(s)

内模控制器设计的两步法

步骤1过程模型的分解：

Gm(s)可以分解成两项：Gm+(s)和Gm-(s)，有：

Gm(s)=Gm+(s)Gm-(s)(5-1)此处，Gm+(s)是一个全通滤波器传递函数，对于所有频率ω，满足|Gm+(jω)|=1。事实上，Gm+(s)包含了所有时滞和右半平面零点。Gm-(s)是具有最小相位特征的传递函数，即Gm-(s)稳定且不包含预测项。

内模控制器设计的两步法

步骤1过程模型的分解：步骤2IMC控制器的设计若Gm-1(s)存在且正则，则Gc(s)=Gm-1(s)是唯一的最优内模控制器。若非Gm-1(s)正则，则Gm-1(s)物理不可实现，可引入滤波器f(s)，构成次优IMC控制器Gc(s)=Gm--1(s)f(s)。通常对于阶跃输入和扰动，取的形式，式中k是一个可计算的常数，即，以保证系统无静差；n为相对阶；>0为滤波器时间常数，是内模控制器仅有的设计参数。步骤2IMC控制器的设计

内模控制器与经典反馈控制器的关系

由于目前大多数工业过程仍然采用PID控制器，因将内模控制器转换为经典反馈控制器，是其应用于实际的一条出路。下面具体讨论这两种控制器间的关系。如果将控制器等效分解成图5.2(A)中虚线包围的部分，图5.1的方框图（）可转化成图5.2(A)所示的控制系统。推导图5.2(A)系统的输入输出关系可以发现，两个模型模块互相抵消，因而即为图5.2(B)所示的经典反馈控制系统。

内模控制器与经典反馈控制器的关系

由于目前(A)(B)内模控制与经典反馈控制的关系智能控制技术（第8章遗传算法在控制工程中的应用）ppt课件经典反馈控制器C与IMC控制器的关系是：

(5-2)

(5-3)经典反馈控制器C与IMC控制器的关系是：+—C(S)G(S)常规PID控制，C(S)为PID控制器C(S)G(S)Gm(S)+—+—+—Gm(S)Gc(S)G(S)Gm(S)+—+—Gc(S)存在转换公式Gc=(I+CGm)-1C常规内模控制

用内模控制整定的PID控制器参数原理图+—C(S)G(S)常规PID控制，C(S)为PID控制器C

基于全极点近似的时滞系统内模控制及IMC-PID转化

Rivera等人首先提出了IMC-PID控制器的设计问题，并对纯滞后分别采用零阶和一阶Pade近似，通过近似后转变模型分解方法设计了一阶与二阶加纯滞后过程的IMC-PID控制器，龚晓峰等采用非对称二阶Pade近似对一阶加纯滞后过程导出了IMC-PID控制器。但上述方法在Pade近似引入了零点，同时在应用于二阶加纯滞后过程或高阶过程时带来的较大误差，且计算相对复杂。针对上述问题，本培训资料将全极点近似引入IMC-PID控制的研究。全极点法具有较好的近似性，因此在本培训资料中将结合内模控制进行深入研究，将其应用于典型的化工过程：一阶加纯滞后环节和二阶加纯滞后环节，结合麦克劳林式对转化后的PID控制器表达式展开，从而推导出IMC-PID控制器参数求取的一般通式。

基于全极点近似的时滞系统内模控制及IMC-PID转化

内模控制作用对比还可参见测试曲线中效果内模控制作用对比还可参见测试曲线中效果

用预测控制算法优化PID参数

预测PID控制概述

作为先进控制中的一种，由于预测控制在应用中所表现出来简易性及控制的鲁棒性，使它得到了工业控制界的广泛重视和应用。

预测控制不是某一种统一理论的产物，而是在工业实践过程中独立发展起来的。它是由美国和法国几家公司在70年代先后提出的。而且一经问世就在石油、电力和航空等工业中得到了十分成功的应用。随后又相继出现了各种其他相近的算法，到目前为止已有几十种之多，可统称之为预测控制算法。

用预测控制算法优化PID参数

预测PID控制概述

预测PID控制算法的基本原理及研究现状

自1992年Hagglund提出预测PI控制器的思想以来，预测PID算法得到了逐步发展和完善，并成功应用在一些复杂对象的控制上。目前文献上所述预测PID控制算法可以归纳为两种：

(1)有预测功能的PID控制器。本质上，它是种PID控制器，只不过依据一些先进控制机理，如内模原理、广义预测原理、模糊理论、遗传算法和人工智、能原理来设计控制器参数，或根据某种最优原则在线给定PID控制器参数，使之具有预测功能。

(2)预测算法和PID算法融合在一起的控制器。在这种控制器中，包括预测控制器和PID控制器。PID控制器和过程的滞后时间无关，而预测控制器则主要依赖过程的滞后时间，根据以前的控制作用给出现在的控制作用。

预测PID控制算法的基本原理及研究现状

DCS控制柜工程师站操作站操作站基于IMC-PID的控制器优化项目实施情况

具体技术细节:实施的硬件结构控制器优化站数据单向传输1.安全可靠2.完全不影响装置的正常运行3.完全不影响数采的正常运行4.与数采的区别为数据量大、采样周期短(1秒一次)DCS控制柜工程师站操作站操作站基于IMC-PID的控制器优具体技术细节DCS数据交换接口模型仿真对象的动态测试对象的模型辨识内模PID参数整定PID参数下发PID参数输出显示

控制器参数优化整定软件包模块图具体技术细节DCS数据交换接口模型仿真对象的动态测试对象的模包括：1.通信接口

2.关系型数据库

3.模型辨识软件包

4.控制器优化软件包

5.装置运行自控率监控模块(长周期)6.装置运行平稳率监控模块

可以监控统计和随时查询：小时、日、周、月、年自控率和平稳率具体技术细节:软件结构包括：1.通信接口具体技术细节:软件结构内模-PID应用前后作用对比应用效果内模-PID应用前后作用对比应用效果内模-PID应用前后作用对比内模-PID应用前后作用对比８.３

基于遗传算法的模糊控制器设计８.３基于遗传算法的模糊控制器设计智能控制技术（第8章遗传算法在控制工程中的应用）ppt课件智能控制技术（第8章遗传算法在控制工程中的应用）ppt课件智能控制技术（第8章遗传算法在控制工程中的应用）ppt课件智能控制技术（第8章遗传算法在控制工程中的应用）ppt课件智能控制技术（第8章遗传算法在控制工程中的应用）ppt课件智能控制技术（第8章遗传算法在控制工程中的应用）ppt课件智能控制技术（第8章遗传算法在控制工程中的应用）ppt课件８.４遗传算法在神经网络控制中的应用

设计神经网络的关键是如何确定神经网络的结构及连接权系数。它实质上也