《智能控制技术(第8章-遗传算法在控制工程中的应用).ppt》由会员分享，可在线阅读，更多相关《智能控制技术(第8章-遗传算法在控制工程中的应用).ppt（44页珍藏版）》请在三一办公上搜索。
1、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,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,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
2、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 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（Population Size）-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 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
3、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 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,遗传算法以目标函数（适应度函数）
4、为依据进行寻优。,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,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。,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”（
5、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(fitness value)，并且知道自己到目前为止发现的最好位置(particle best，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(global best，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
6、)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）PSO算法主要计算步骤如下:Step 1: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
7、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。,蚁群算法 蚁群系统(Ant System)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。,先进控制 过程控制策略的分类:第一类
8、: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。,内模控制概述 内模控制(Internal Model Control，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
9、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,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)；c 为(前馈)内模控制器；Gf为反馈滤波器。,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
10、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，满足|Gm+(j)|=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。,步骤2 IMC控制器的设计 若Gm-1(s)存在且正则，则Gc(s)=Gm-1(s)是唯
11、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。,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
12、)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。,(A)(B)内模控制与经典反馈控制的关系,经典反馈控制器C与IMC控制器的关系是：(5-2)(5-3),常规PID控制，C(S)为PID控制器,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,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
13、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。,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
14、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。,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
15、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。,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
16、行,4.与数采的区别为数据量大、采样周期短(1秒一次),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,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,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,.基于遗传算法的模糊控制器设计,.遗传算法在神经网络控制中的应用,设计神经网络的
17、关键是如何确定神经网络的结构及连接权系数。它实质上也是一个优化问题，其优化的目标是使得所设计的神经网络具有尽可能好的函数估计及分类功能。对于应用最为广泛的BP网络，网络的结构（网络层数和隐层的结点数）主要靠经验和试凑来确定，而连接权系数则通过BP学习算法来确定。BP学习算法本质上是一种梯度寻优方法，因而容易陷入局部极值，它取决于初始权值的选择。这是BP学习算法的一个主要缺点。,遗传算法可用于优化计算，因而它也可用于神经网络的设计，这里以多层前馈网为例来说明。遗传算法与神经网络的结合可在不同的层次进行。低层的结合是若神经网络的结构已定，利用遗传算法来确定连接权系数，高层的结合是利用遗传算法来设计
18、神经网络的结构。完全的应用则是上述两者的结合。,在用遗传算法训练多层前馈神经网络时，有时会碰到结构冗余性问题，即存在许多功能等效而结构不同的网络。也就是说，对于一组最优的连接权和阈值参数，它们可能以不同的次序出现在许多不同的网络结构中。理论上对于一个有N个隐层结点的多层前馈网，则对于一个特定的映射总共有个冗余网络。因此有可能出现这样的情况：两个性能良好的父母样本经交叉操作后，可能产生两个很差的子女样本。因此若能在每次进行交叉操作之前，先进行再排序，则可避免这样的情况发生，从而进一步改善遗传算法的性能。,采用遗传算法有可能获得全局的最优点，这是它的最大优点，但是由于受编码字长的限制，它的分辨率往往不高。因此在用它训练多层前馈神经网络时，可以将它与常规的BP学习算法相结合，利用遗传算法获得大致的全局最优点，再由BP学习算法对其进行精心的调整。,
