智能控制技术第8章遗传算法在控制工程中的应用.ppt

智能控制技术第8章遗传算法在控制工程中的应用.ppt第八章遗传算法在控制工程中的应用
引言
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)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。