摘要：研究自动控制器参数整定问题，PID参数整定是自动控制领域研究的重要内容，系统参数选择决定控制的稳定性和快速性，也可保证系统的可靠性。传统的PID参数多采用试验加试凑的方式由人工进行优化，往往费时而且难以满足控制的实时要求。为了解决控制参数优化，改善系统性能，提出一种遗传算法的PID 参数整定策略。
在本文里，通过介绍了遗传算法的基本原理，并针对简单遗传算法在PID控制中存在的问题进行了分析，提出在不同情况下采用不同的变异概率的方法，并对其进行了实验仿真。结果表明，用遗传算法来整定PID参数，可以提高优化性能，对控制系统具有良好的控制精度、动态性能和鲁棒性。
关键词：PID控制器;遗传算法;整定PID
1 引言
传统的比例、积分、微分控制，即PID控制具有算法简单、鲁棒性好和可靠性高等优点，已经被广泛用于工业生产过程。但工程实际中，PID控制器的比例、积分和微分调节参数往往采用实验加试凑的方法由人工整定。这不仅需要熟练的技巧，往往还相当费时。更为重要的是，当被控对象特性发生变化，需要控制器参数作相应调整时，PID控制器没有自适应能力，只能依靠人工重新整定参数，由于经验缺乏，整定结果往往达不到最优值，难以满足实际控制的要求。考虑生产过程的连续性以及参数整定费事费力，这种整定实际很难进行。所以，人们从工业生产实际需要出发，基于常规PID控制器的基本原理，对其进行了各种各样的改进。近年来许多学者提出了基于各种智能算法的PID整定策略，如模糊PID，神经元网络PID等…，但这些先进算法都要求对被控对象有很多的先验知识，在实际应用中往往难于做到。随着计算技术的发展，遗传算法有了很大的发展。将遗传算法用于控制器参数整定，已成为遗传算法的重要应用之一。
本文介绍基于遗传算法的PID参数整定设计方法。这是一种寻求全局最优的控制器优化方法，且无需对目标函数微分，可提高参数优化效果，简化计算过程。仿真实例表明该方法与其他传统寻优方法相比，在优化效果上具有一定的优势。
2 遗传算法简介
2.1 遗传算法的基本原理
遗传算法是John H．Holland根据生物进化的模型提出的一种优化算法。自然选择学说是进化论的中心内容。根据进化论，生物的发展进化主要有三个原因：即遗传、变异和选择。遗传算法基于自然选择和基因遗传学原理的搜索方法，将“优胜劣汰，适者生存”的生物进化原理引入待优化参数形成的编码串群体中，按照一定的适应度函数及一系列遗传操作对各个体进行筛选，从而使适应度高的个体被保留下来，组成新的群体；新群体包含上一代的大量信息，并且引入了新的优于上一代的个体。这样周而复始，群体中各个体适应度不断提高，直至满足一定的极限条件。此时，群体中适应度最高的个体即为待优化问题的最优解。
遗传算法通过对参数空间编码并用随机选择作为工具来引导搜索过程朝着更高效的方向发展。正是由于遗传算法独特的工作原理，使它能够在复杂空间进行全局优化搜索，具有较强的鲁棒性。另外，遗传算法对于搜索空问，基本上不需要什么限制性的假设(如连续、可微及单峰等)。而其它优化算法，如解析法，往往只能得到局部最优解而非全局最优解，且需要目标函数连续光滑及可微；枚举
法虽然克服了这些缺点，但计算效率太低，对于一个实际问题常由于搜索空间太大而不能将所有情况都搜索到；即使很著名的动态规划法，也遇到“指数爆炸”问题，对于中等规模和适度复杂性的问题常常无能为力。
2.2 遗传算法的特点
同常规优化算法相比，遗传算法有以下特点：
1)遗传算法是对参数的编码进行操作，而不对参数本身。首先基于一个有限的字母表，把最优化问题的自然参数集编码为有限长度的字符串。
2)遗传算法是从许多点开始并行操作的，而不局限于一点，有效防止搜索过程收敛于局部最优解。
3)遗传算法通过目标函数来计算适应度，不需要其他推导和附加信息，对问题的依赖性较小。
4)遗传算法的寻优规则是由概率决定的，而非确定性的。
5)遗传算法在解空间进行高效启发式搜索，而非盲目地穷举或完全随机搜索。
6)遗传算法对于待寻优的函数基本无限制，它不要求函数连续和可微，可以是数学解析式所表达的显函数，又可以是映射矩阵甚至是神经网络等隐函数，因而应用范围较广。
7)遗传算法具有并行计算的特点，因而可以通过大规模并行计算来提高计算速度。
8)遗传算法计算简单，功能强，更适合大规模复杂问题的优化。
3 遗传算法的基本操作
3.1 复制
复制是从一个旧种群中选择生命力强的个体位串产生新种群的过程。根据位串的适配值拷贝，也就是指具有高适配值的位串更有可能在下一代中产生一个或多个子孙。它模仿了自然现象，应用了达尔文的适者生存理论。复制操作可以通过随机方法来实现。若用计算机程序来实现，可考虑首先产生0~1之间均匀分布的随机数，若某串的复制概率为40%，则产生的随机数在0~0.40之间时，该串被复制，否则被淘汰。此外，还可以通过计算方法实现，其中较典型的几种方法为适应度比例法、期望值法、排位次序法等。适应度比例法较常用。
3.2 交叉
复制操作能从旧种群中选择出优秀者，但不能创造新的染色体。而交叉模拟了生物进化过程中的繁殖现象，通过两个染色体的交换组合，来产生新的优良品种。它的过程为：在匹配池中任选两个染色体，随机选择一点或多点交换点位置；交换双亲染色体交换点右边的部分，即可得到两个新的染色体数字串。交换体现了自然界中信息交换的思想。交叉有一点交叉、多点交叉、还有一致交叉、顺序交叉和周期交叉。一点交叉是最基本的方法，应用较广，它是指染色体切断点有一处，例如：
A:101100 1110->101100 0101
B:001010 0101->001010 1110
3.3 变异
变异运算用来模拟生物在自然界的遗传环境中由于各种偶然因素的基因突变，它以很小的概率随机地改变遗传基因（表示染色体的符号串的某一位）的值。在染色体以二进制编码的系统中，它随机地将染色体的某一基因由1变为0，或由0变为1。若只有选择和交叉，而没有变异，则无法在初始基因组合以外的空间进行搜索，使进化过程在早期就陷入局部解而进入终止过程，从而影响解的质
量。为了在尽可能大的空间中获得质量较高的优化解，必须采用变异操作。
4 基于遗传算法的PID控制设计
4.1 遗传算法整定PID参数的优点
采用遗传算法进行PID三个系数的整定，具有以下优点：
1）与单纯形法相比，遗传算法同样具有良好的寻优特性，且它克服了单纯形法的初值敏感性。在初始条件选择不当的情况下，遗传算法在不需要给出调节器初始参数的情况下，仍能寻找到合适的参数，使控制目标满足要求。同时单纯形法难以解决多值函数问题以及在多参数寻优（如串级系统）中，容易造成寻优失败或时间过长，而遗传算法的特性决定了它能很好地克服以上问题。
2）与专家整定法相比，它具有操作方便，速度快的优点，不需要复杂的规则，只需要对字符串进行复制、交叉、变异运算，便可达到寻优。避免了专家整定法中前期大量的知识库整理工作以及大量的仿真实验。
3）遗传算法是从许多点开始并行操作，在解空间进行高效启发式搜索，克服了从单点出发的弊端以及搜索的盲目性，从而提高运算速度，避免了过早陷入局部最优解（如图1所示）。
4）遗传算法不仅适用于单目标寻优，而且也适用于多目标寻优。根据不同的控制系统，针对一个或多个目标，遗传算法均能在规定的范围内寻找到合适参数。遗传算法作为一种全局优化算法，得到了越来越广泛的应用。近年来，遗传算法在控制上的应用日益增多。
图1 遗传算法的运算过程
4.2 基于遗传算法整定PID参数的步骤
（1）确定决策变量和约束条件
我们知道，PID控制的三个系数为Kp 、Ki 、Kd，我们可以根据参数的物
理意义和经验来确定它们的取值范围，即约束条件。
（2）建立优化模型
为获取满意的过渡过程动态特性，采用误差绝对值时间积分性能指标作为参数选择最小目标函数。为防止控制量过大，在目标函数中加入控制输入的平方项。最后选用以下公式作为参数选择的最优指标： J=?∞
++0
3221))()((u t w dt t u w t e w
式中，有e(t)为系统误差，u(t)为控制器输出，u t 为上升时间，1w ，2w ，3w 为加权值。
同时，为避免超调，采用遗传算法的处罚功能，即一旦超调，将超调量作为最优指标的一项，此时最优指标为：
如果 e(t)<0 则 J=?
∞
+++0
34221))()()((u t w dt t e w t u w t e w 其中，4w 为加权值，且4w ?1w 。
（3）确定编码和解码方法。
遗传算法有二进制、格雷码、浮点数和实数编码方法。用实数编码无需解码，但进行遗传操作时不太方便;用二进制编码方法，遗传操作方便，解码处理后即可得到最优解。
（4）确定个体评价方法，即确定个体适应度函数（Fitness Function ）。
评价个体适应度的一般过程是：对个体编码串进行解码处理后，可得到个体的表现型;由表现型可计算出对应个体的目标函数值;根据最优问题的类型，有目标函数值按一定的转换规则可求出个体的适应度。
（5）确定遗传算法的运行参数
根据实际情况确定群体大小M 、遗传代数kg 、交叉概率Pc 、变异概率Pm 和权值1w ，2w ，3w ，4w 的大小。本文取M=30，kg=100，Pc=0.9，Pm 不固定，1w =0.999 2w =0.001 ，3w =2 ，4w =100。
编写遗传算法程序，并进行仿真，从而得到优化后的PID 参数。
5遗传算法整定PID 参数的编程实现与仿真
5.1 工业对象的数学建模
由于工业领域中的被控对象一般为一阶或二阶环节，因此，在本文里我们拟定受控对象的传递函数为如下： G(s)= 1s 60e s
80-+
其中采样时间为20s 。
5.2 遗传算法整定PID 参数的实现与控制效果
5.2.1 编写最优指标的M 文件
利用遗传算法整定PID 参数，首先，最核心的是要编写最优指标的m 文件。m
文件里主要是一个函数，函数里包含了受控对象以及性能指标的程序实现。它是联系遗传算法与PID 整定环节的桥梁。具体程序见附件。根据4.2的步骤(2)可以得出目标函数J 如下： J=?∞
++0
3221))()((u t w dt t u w t e w e(t)≥0 J=?∞
+++0
34221))()()((u t w dt t e w t u w t e w e(t)<0
MATLAB 程序实现：
for i=1:1:P
Ji(i)=0.999*abs(error(i))+0.001*u(i)^2;
B=B+Ji(i);
if i>1
erry(i)=yout(i)-yout(i-1);
if erry(i)<0
B=B+100*abs(erry(i));
end
end
end
BsJ=B+2*tu;
在控制系统里要求目标函数的值越小越好。然而，在遗传算法里是按照最大化方向进行搜索的。因此，设计适应度函数为：F=1/J.主程序的编程实现也比较简单，具体如下：
Ji=BsJi+1e-10; %避免分母为零
fi=1./Ji;
在MATLAB 程序里用此句来调用函数：[Kpidi,BsJ]=fitness(Kpidi,BsJ);因此，在写完m 文件时，应把文件命名为fitness.m 。
另外一个也是非常重要的，那就是传递函数的生成与定义输出，实现如下： 由于传递函数为：G(s)= 1s 60e s
80-+
Z 变换后可得G(z)=165
.70-z 835.20 程序实现：
ts=20; %采样时间20s
sys=tf(1,[60,1]，’inputdelay ’,80); %生成传递函数G(s)
dsys=c2d(sys,ts,'z'); %Z 变换G(z)
[num,den]=tfdata(dsys,'v'); %返回z 变换后的各项系数
其中：
num(1)=0 num(2)=0.2835
den(1)=1 den(2)=-0.7165
本科生毕业设计(论文) 论文题目：基于遗传算法的PID参数优化
毕业设计（论文）原创性声明和使用授权说明 原创性声明 本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。尽我所知，除文中特别加以标注和致谢的地方外，不包含其他人或组织已经发表或公布过的研究成果，也不包含我为获得及其它教育机构的学位或学历而使用过的材料。对本研究提供过帮助和做出过贡献的个人或集体，均已在文中作了明确的说明并表示了谢意。 作者签名：日期： 指导教师签名：日期： 使用授权说明 本人完全了解大学关于收集、保存、使用毕业设计（论文）的规定，即：按照学校要求提交毕业设计（论文）的印刷本和电子版本；学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。 作者签名：日期：
学位论文原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。 作者签名：日期：年月日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 涉密论文按学校规定处理。 作者签名：日期：年月日 导师签名：日期：年月日
主程序：chap5_2.m %GA(Generic Algorithm) Program to optimize PID Parameters clear all; close all; global rin yout timef Size=30; CodeL=3; MinX(1)=zeros(1); MaxX(1)=20*ones(1); MinX(2)=zeros(1); MaxX(2)=1.0*ones(1); MinX(3)=zeros(1); MaxX(3)=1.0*ones(1); Kpid(:,1)=MinX(1)+(MaxX(1)-MinX(1))*rand(Size,1); Kpid(:,2)=MinX(2)+(MaxX(2)-MinX(2))*rand(Size,1); Kpid(:,3)=MinX(3)+(MaxX(3)-MinX(3))*rand(Size,1); G=100; BsJ=0; %*************** Start Running *************** for kg=1:1:G time(kg)=kg; %****** Step 1 : Evaluate BestJ ****** for i=1:1:Size Kpidi=Kpid(i,:); [Kpidi,BsJ]=chap5_2f(Kpidi,BsJ); BsJi(i)=BsJ; end [OderJi,IndexJi]=sort(BsJi); BestJ(kg)=OderJi(1); BJ=BestJ(kg); Ji=BsJi+1e-10; %Avoiding deviding zero fi=1./Ji; % Cm=max(Ji);
遗传算法在调节控制系统参数中的应用 【摘要】自动化控制系统多采用PID 控制器来调节系统稳定性和动态性，PID 的 Kp,Ki,Kd 参数需要合理选择方能达到目标。遗传算法是一种模拟生物进化寻求最优解的有效算法，本文通过利用GAbx 工具箱实现对控制电机的PID 进行参数优化，利用matlab 的仿真功能可以观察控制效果。 1. 直流伺服电机模型 1.1物理模型 图1 直流伺服电机的物理模型 αu ---电枢输入电压（V ） a R ---电枢电阻（Ω） S L ---电枢电感（H ） q u ---感应电动势（V ） g T ---电机电磁转矩（N m ?） J---转动惯量（2m kg ?） B---粘性阻尼系数（s m N ??） g i ---流过电枢的电流（A ） θ---电机输出的转角（rad ） 1.2传递函数 利用基尔霍夫定律和牛顿第二定律得出电机基本方程并进行拉布拉斯变换 ) ()()()()()()()()()()(2s s K s U K s I s T s Bs s Js s T s I s L R s I s U s U e q t a g g a a a a q a θθθ?=?=?+?=?+?=- 式中：t K 为电机的转动常数（m N ?）A ；e K 为感应电动势常数（s V ?）rad
图2 直流伺服电机模型方框图 消去中间变量得系统的开环传递函数： s K K B Js R s L K s U s s G C t a d t a ]))([() () ()(+++= = θ 系统参数如下：s m uN B m mg J ??=?=51.3,23.32 A m N K K uH L R e t a a )(03.0,75.2,4?===Ω= 2. PID 校正 图3 PID 校正 s K s K K s G d i p c ++ =)( Kp,Ki,Kd 为比例，积分，微分系数 令Kp=15、Ki=0.8 、Kd=0.6 M 文件：J=3.23E-6; B=3.51E-6; Ra=4; La=2.75E-6; Kt=0.03; num= Kt; den=[(J*La) ((J*Ra)+(La*B)) ((B*Ra)+Kt*Kt) 0]; t=0:0.001:0.2; step(num,den,t); Kp=15; Ki=0.8; Kd=0.6; numcf=[Kd Kp Ki]; dencf=[1 0]; numf=conv(numcf,num); denf=conv(dencf,den); [numc,denc]=cloop(numf,denf); t=0:0.001:0.04; step(numc,denc,t); matlab 进行仿真，我们可以看出不恰当的PID 参数并不能使系统达到控制系统的要求，
龙源期刊网 https://www.doczj.com/doc/8d9779606.html, 基于遗传算法的PID控制概述 作者：张亚飞 来源：《卷宗》2013年第08期 摘要：基于PID控制应用的广泛性，本文简要阐述了遗传算法理论的关键思想及其在PID 控制中的应用策略，并用Matlab软件对一个控制实例进行了仿真研究。 关键词：PID控制；遗传算法；Matlab仿真 0 引言 PID控制作为最早实用化的控制算法已有70多年历史，现在仍然是控制系统中应用最为 普遍的一种控制规律。它所涉及的算法和控制结构简单，实际经验以及理论分析都表明，这种控制规律对许多工业过程进行控制时，一般都能得到较为满意的控制效果。随着控制理论的 发展，尤其是人工智能研究的日趋成熟，许多先进的算法理论逐渐被应用到传统的PID控制中，并取得了更为优越的控制效果。本文就以传统PID控制和遗传算法理论为基础，简述了基于遗传算法整定的PID控制基本理论和方法。 1 PID控制 通过将偏差的比例（Proportional）、积分（Integral）、微分（Derivative）进行线性组合构成控制量，对被控对象进行控制，这种控制方法叫做PID控制。在自动控制发展的历程中，常规PID控制得到了广泛的应用，整个控制系统由常规PID控制器和被控对象组成，根据系统给定值r（t）与实际输出值y（t）存在的控制偏差e（t）=r（t）-y（t）组成控制规律。PID控制器将偏差e（t）的比例-积分-微分通过线性组合构成控制量，对被控对象进行控制。其基本控制规律为 式中，Kp为比例增益，Ti为积分时间常数，Td为微分时间常数，u（t）为控制量，e （t）为偏差。 2 遗传算法基本操作 遗传算法，简称GA（Genetic Algorithms），是由美国Michigan大学的Holland教授于上世纪六十年代率先提出的一种高效并行全局最优搜索方法。遗传算法是模拟达尔文生物进化论的自然选择和孟德尔遗传学机理的生物进化过程的计算模型，它将“优胜劣汰，适者生存”的生物进化理论引入优化参数形成的编码串联群体中，按所选择的适配值函数通过遗传中的复制、交叉和变异对种群个体进行筛选，并保留适配值高的种群个体，组成新的群体。新的群体既继承了上一代的种群信息，又包含有优于上一代的个体信息，这样周而复始，种群中个体的适应度不断提高，直到满足一定的特定条件而停止运算，从而得到最优解。
摘要：研究自动控制器参数整定问题，PID参数整定是自动控制领域研究的重要内容，系统参数选择决定控制的稳定性和快速性，也可保证系统的可靠性。传统的PID参数多采用试验加试凑的方式由人工进行优化，往往费时而且难以满足控制的实时要求。为了解决控制参数优化，改善系统性能，提出一种遗传算法的PID 参数整定策略。 在本文里，通过介绍了遗传算法的基本原理，并针对简单遗传算法在PID控制中存在的问题进行了分析，提出在不同情况下采用不同的变异概率的方法，并对其进行了实验仿真。结果表明，用遗传算法来整定PID参数，可以提高优化性能，对控制系统具有良好的控制精度、动态性能和鲁棒性。 关键词：PID控制器;遗传算法;整定PID 1 引言 传统的比例、积分、微分控制，即PID控制具有算法简单、鲁棒性好和可靠性高等优点，已经被广泛用于工业生产过程。但工程实际中，PID控制器的比例、积分和微分调节参数往往采用实验加试凑的方法由人工整定。这不仅需要熟练的技巧，往往还相当费时。更为重要的是，当被控对象特性发生变化，需要控制器参数作相应调整时，PID控制器没有自适应能力，只能依靠人工重新整定参数，由于经验缺乏，整定结果往往达不到最优值，难以满足实际控制的要求。考虑生产过程的连续性以及参数整定费事费力，这种整定实际很难进行。所以，人们从工业生产实际需要出发，基于常规PID控制器的基本原理，对其进行了各种各样的改进。近年来许多学者提出了基于各种智能算法的PID整定策略，如模糊PID，神经元网络PID等…，但这些先进算法都要求对被控对象有很多的先验知识，在实际应用中往往难于做到。随着计算技术的发展，遗传算法有了很大的发展。将遗传算法用于控制器参数整定，已成为遗传算法的重要应用之一。 本文介绍基于遗传算法的PID参数整定设计方法。这是一种寻求全局最优的控制器优化方法，且无需对目标函数微分，可提高参数优化效果，简化计算过程。仿真实例表明该方法与其他传统寻优方法相比，在优化效果上具有一定的优势。 2 遗传算法简介 2.1 遗传算法的基本原理 遗传算法是John H．Holland根据生物进化的模型提出的一种优化算法。自然选择学说是进化论的中心内容。根据进化论，生物的发展进化主要有三个原因：即遗传、变异和选择。遗传算法基于自然选择和基因遗传学原理的搜索方法，将“优胜劣汰，适者生存”的生物进化原理引入待优化参数形成的编码串群体中，按照一定的适应度函数及一系列遗传操作对各个体进行筛选，从而使适应度高的个体被保留下来，组成新的群体；新群体包含上一代的大量信息，并且引入了新的优于上一代的个体。这样周而复始，群体中各个体适应度不断提高，直至满足一定的极限条件。此时，群体中适应度最高的个体即为待优化问题的最优解。 遗传算法通过对参数空间编码并用随机选择作为工具来引导搜索过程朝着更高效的方向发展。正是由于遗传算法独特的工作原理，使它能够在复杂空间进行全局优化搜索，具有较强的鲁棒性。另外，遗传算法对于搜索空问，基本上不需要什么限制性的假设(如连续、可微及单峰等)。而其它优化算法，如解析法，往往只能得到局部最优解而非全局最优解，且需要目标函数连续光滑及可微；枚举
基于遗传优化算法对离散PID控制器参数的优化设计摘要 PID控制作为一种经典的控制方法，从诞生至今，历经数十年的发展和完善，因其优越的控制性能业已成为过程控制领域最为广泛的控制方法；PID控制器具有结构简单、适应性强、不依赖于被控对象的精确模型、鲁棒性较强等优点，其控制性能直接关系到生产过程的平稳高效运行，因此对PID控制器设计和参数整定问题的研究不但具有理论价值更具有很大的实践意义，遗传算法是一种借鉴生物界自然选择和自然遗传学机理上的迭代自适应概率性搜索算法。本论文主要应用遗传算法对PID调节器参数进行优化。 关键词：遗传优化算法PID控制器参数优化 1.前言 PID调节器是最早发展起来的控制策略之一，因为它所涉及的设计算法和控制结构都是简单的，并且十分适用于工程应用背景，此外PID控制方案并不要求精确的受控对象的数学模型，且采用PID控制的控制效果一般是比较令人满意的，所以在工业实际应用中，PID调节器是应用最为广泛的一种控制策略，也是历史最久、生命力最强的基本控制方式。调查结果表明: 在当今使用的控制方式中，PID型占84. 5% ，优化PID型占68%，现代控制型占有15%，手动控制型66%，人工智能(AI)型占0.6% 。如果把PID型和优化PID型二者加起来，则占90% 以上，这说明PID控制方式占绝大多数，如果把手动控制型再与上述两种加在一起，则占97.5% ，这说明古典控制占绝大多数。就连科学技术高度发达的日本，PID控制的使用率也高达84.5%。这是由于理论分析及实际运行经验已经证明了PID调节器对于相当多的工业过程能够起到较为满足的控制效果。它结构简单、适用面广、鲁棒性强、参数易于调整、在实际中容易被理解和实现、在长期应用中己积累了丰富的经验。特别在工业过程中，由于控制对象的精确数学模型难以建立，系统的参数又经常发生变化，运用现代控制理论分析综合要耗费很大的代价进行模型辨识，但往往不能达到预期的效果，所以不论常规调节仪表还是数
基于遗传算法的PID参数整定 1引言 传统的比例、积分、微分控制，即PID控制具有算法简单、鲁棒性好和可靠性高等优点，已经被广泛用于工业生产过程。但工程实际中，PID控制器的比例、积分和微分调节参数往往采用实验加试凑的方法由人工整定。这不仅需要熟练的技巧，往往还相当费时。更为重要的是，当被控对象特性发生变化，需要控制器参数作相应调整时，PID控制器没有自适应能力，只能依靠人工重新整定参数，由于经验缺乏，整定结果往往达不到最优值，难以满足实际控制的要求。考虑生产过程的连续性以及参数整定费事费力，这种整定实际很难进行。所以，人们从工业生产实际需要出发，基于常规PID控制器的基本原理，对其进行了各种各样的改进。近年来许多学者提出了基于各种智能算法的PID整定策略，比如模糊PID、神经元网络PID等等。然而，这些先进算法都要求对被控对象有很多的先验知识，在实际应用中往往难于做到。随着计算技术的发展，遗传算法有了很大的发展。将遗传算法用于控制器参数整定，已成为遗传算法的重要应用之一。 本文介绍基于遗传算法的PID参数整定设计方法。这是一种寻求全局最优的控制器优化方法，且无需对目标函数微分，可提高参数优化效果，简化计算过程。仿真实例表明该方法与其他传统寻优方法相比，在优化效果上具有一定的优势。2遗传算法简介 2.1 遗传算法的基本原理 遗传算法是John H．Holland根据生物进化的模型提出的一种优化算法。自然选择学说是进化论的中心内容。根据进化论，生物的发展进化主要有三个原因：即遗传、变异和选择。遗传算法基于自然选择和基因遗传学原理的搜索方法，将“优胜劣汰，适者生存”的生物进化原理引入待优化参数形成的编码串群体中，按照一定的适应度函数及一系列遗传操作对各个体进行筛选，从而使适应度高的个体被保留下来，组成新的群体；新群体包含上一代的大量信息，并且引入了新的优于上一代的个体。这样周而复始，群体中各个体适应度不断提高，直至满足一定的极限条件。此时，群体中适应度最高的个体即为待优化问题的最优解。 遗传算法通过对参数空间编码并用随机选择作为工具来引导搜索过程朝着更