基于参考点的时变参数不可测对象PID控制器优化设计

发布时间：2021-11-11 23:03

　　针对参数时变,且含有多个目标函数的PID控制器设计,提出了一种基于参考点的时变参数不可测动态多目标优化遗传算法.该算法在常规动态多目标优化遗传算法基础上,加入了参考点及局部搜索和种群更新机制,以实现对不同环境及环境不可测情况下PID控制器参数的优化,用典型测试函数将该算法与DNSGA2-A算法进行比较,验证了算法的有效性.在PID控制器设计部分,首先建立PID控制器时变动态多目标优化模型,将多目标PID控制器设计问题转化为动态多目标优化问题;然后建立参考点,定义基于参考点占优帕累托支配关系,通过局部搜索和种群更新机制对种群进行处理,优化PID参数;最后将该方法应用于柴油机优化问题实例,将误差和方差作为优化目标,对PID控制器的3个参数进行优化,验证了方法的有效性. 

【文章来源】：中国科学技术大学学报. 2019,49(02)北大核心CSCD

【文章页数】：7 页

【部分图文】：

图１算法优化过程图Ｆｉｇ．２Ａｌｇｏｒｉｔｈｍｏｐｔｉｍｉｚａｔｉｏｎｐｒｏｃｅｓｓｄｉａｇｒａｍ

∈［０，１］烍烌烎（１３）反向时代距离（ＩＧＤ）衡量算法的收敛性和多样性，值越小，性能越好．ＩＧＤ的表达式为ＩＧＤ＝１ｎＰＯＦ∑ｎＰＯＦｉ＝１ｄｉ（１４）式中，ｎＰＯＦ表示真实Ｐａｒｅｔｏ前沿中的种群个体个数，ｄｉ表示真实Ｐａｒｅｔｏ前沿中的每个个体到算法选出的种群个体的最短距离．本文算法运行８００代，环境ｔ从０变化到４，种群规模为１００，得到的ｄＭＯＰ１的Ｐａｒｅｔｏ前沿如图２所示．图２本文算法运行８００代得到的ｄＭＯＰ１的Ｐａｒｅｔｏ前沿Ｆｉｇ．２ＴｈｅｏｂｔａｉｎｅｄＰＦｓｆｏｒｄＭＯＰ１ｒｕｎ８００ｇｅｎｅｒａｔｉｏｎｓ图２中，中间的＊为每个环境下的参考点，ｏ表示得到的每个环境下的最优解．本文算法与ＤＮＳＧＡ２－Ａ算法运行８００代，计算的ＩＧＤ值如图３所示．图３本文算法与ＤＮＳＧＡ２－Ａ算法运行８００代的ＩＧＤ值Ｆｉｇ．３ＴｈｅＩＧＤｖａｌｕｅｓｏｆｔｈｉｓａｌｇｏｒｉｔｈｍａｎｄｔｈｅＤＮＳＧＡ２－Ａａｌｇｏｒｉｔｈｍｒｕｎ８００ｇｅｎｅｒａｔｉｏｎ由图３可以看出，本文算法与ＤＮＳＧＡ２－Ａ算８２１中国科学技术大学学报第４９卷

群个体的最短距离．本文算法运行８００代，环境ｔ从０变化到４，种群规模为１００，得到的ｄＭＯＰ１的Ｐａｒｅｔｏ前沿如图２所示．图２本文算法运行８００代得到的ｄＭＯＰ１的Ｐａｒｅｔｏ前沿Ｆｉｇ．２ＴｈｅｏｂｔａｉｎｅｄＰＦｓｆｏｒｄＭＯＰ１ｒｕｎ８００ｇｅｎｅｒａｔｉｏｎｓ图２中，中间的＊为每个环境下的参考点，ｏ表示得到的每个环境下的最优解．本文算法与ＤＮＳＧＡ２－Ａ算法运行８００代，计算的ＩＧＤ值如图３所示．图３本文算法与ＤＮＳＧＡ２－Ａ算法运行８００代的ＩＧＤ值Ｆｉｇ．３ＴｈｅＩＧＤｖａｌｕｅｓｏｆｔｈｉｓａｌｇｏｒｉｔｈｍａｎｄｔｈｅＤＮＳＧＡ２－Ａａｌｇｏｒｉｔｈｍｒｕｎ８００ｇｅｎｅｒａｔｉｏｎ由图３可以看出，本文算法与ＤＮＳＧＡ２－Ａ算８２１中国科学技术大学学报第４９卷

【参考文献】：
期刊论文
[1]电液比例阀阀心位置控制PID自整定方法[J]. 覃展斌,陈飞飞,金波,张璐璐.  浙江大学学报(工学版). 2015(08)
[2]高效动态微型多目标遗传算法及其应用[J]. 刘桂萍,于瑞贞.  系统仿真学报. 2014(02)
[3]PID参数优化算法[J]. 何佳佳,侯再恩.  化工自动化及仪表. 2010(11)
[4]焦炉模糊免疫自适应PID控制的应用研究[J]. 高宪文,赵亚平.  控制与决策. 2005(12)



本文编号：3489708