当前位置：文档之家 › 基于改进混合蛙跳算法的电渣重熔过程多变量PID控制器设计

基于改进混合蛙跳算法的电渣重熔过程多变量PID控制器设计

  • 格式：pdf
  • 大小：425.62 KB
  • 文档页数：4

(6)
Dmax .
(1)
Xw = Xw + D, D
(7)
式中: r 表示 0 与 1 之间的随机数, Dmax 表示蛙所允 许改变位置的最大值. 在经过更新后, 如果得到的蛙
Xw 优于原来的蛙 Xw , 则取代原来模因组中的蛙; 如
本文提出的电渣重熔过程多变量 PID 控制器的 结构如图 1 所示. 根据被控对象的特点和现场工况, 针对输出 2 的 PID 控制器不能包含微分环节, 否则系 统将发散, 因此系统由 PID 控制器 (PID1 和 PI2 ) 与被 控对象组成. 鉴于 PID 控制器设计实际上是多维函数 优化问题, 混合蛙跳算法采用实数编码, 对于电渣重 熔过程多变量 PID 控制器参数可直接编码为
D = r · (Xb − Xw );
2
2.1
基 于 ISFLA 的 多变 量 PID 控 制 器
多变 量 PID 控 制 策 略 PID 控制是按照偏差的比例、 微分和积分的线性
组合进行控制的一种调节器, 可描述为 1 t Td de(t) u(t) = Kp e(t) + e(t)dt + . Ti 0 dt 其中: Ki = KP /Ti , Kd = KP Td , e(t) 为反馈偏差.
1732
控
制
与
决
策 l n}, 1 k
第 26 卷
装顺序优化[7] 等方面得到应用. 为此, 本文根据电渣 重熔过程动态特性及其数学模型, 提出一种基于改进 混合蛙跳算法的多变量参数自整定 PID 控制策略.
M k = {Xk+m(l−1) ∈ P |1
m. (5)
每一个模因组中的最好适应值和最差适应值的 蛙分别记为 Xb 和 Xw , 而种群中具有最好适应值的蛙 表示为 Xg ; 然后对每个模因组进行局部搜索, 即对模 因组中的 Xw 循环进行局部搜索操作. 根据最初蛙跳 规则 (如图 2(a) 所示), 其更新方式为
控制参数优化旨在使系统总体控制偏差趋于 零、 有较快响应速度和较小的超调量, 适应度函数采 用 IAE. 针对多变量系统, 定义如下[8] :
FIAE =
Tf 0
2.3 改 进蛙 跳 规 则 在蛙群的自然模因进化中, 较差的蛙受较好蛙的 影响而为了获得更多的食物跳向较好的蛙. 根据上述 的初始蛙跳规则 (如图 2(a) 所示), 最差蛙的可能的新 位置被限定在当前值与最好蛙位置的线段上, 这种规 则限制了模因进化的搜索区域, 不仅降低了收敛速度, 而且易导致早熟收敛. 文献 [8] 提出了一种基于新蛙 跳规则的混合蛙跳算法 ( MSFLA), 可表示为
常数, ri (1
i
i
S ) 为 [−1, 1] 之间的随机数, wi,max (1
S ) 为第 i 维搜索空间的最大感知和运动的不确
定性, 此种蛙跳规则在一定程度上增大了算法搜索范 围. 本文结合 SFLA 的特性, 提出一种新的如图 2(b) 所 示的蛙跳规则, 表示为
Xb = Xb + r1 · rmax ejθ ,
D = r · c · (Xb − Xw ) + W ;
ρi |ei (t)|dt.
(3)
式中: ρi (i = 1, 2) 反映了第 i 个输出的权重因子, Tf 为 仿真结束时间. PID 控制器参数由改进混合蛙跳算法 进行全局优化, 其目标是
min FIAE (X ).
X
(4)
2.2 混 合蛙 跳 算法 SFLA 是一种结合了确定性方法和随机性方法 的进化计算方法. 其基本思想是[6] : 随机生成 N 只蛙, 组成初始种群体 P = {X1 , X2 , · · · , XN }, S 维解空间 中的第 i 只蛙表示为 Xi = [xi1 , xi2 , · · · , xiS ]. 生成初 始群体之后, 将种群内蛙的个体按适应值降序排列, 记录蛙群中具有最优适应值的蛙为 Xg ; 然后将整 个蛙群体分成 m 个模因组, 每个模因组包含 n 只蛙, 满足关系 N = m×n, 其中第 1 只蛙分入第 1 模因组, 第 2 只蛙分入第 2 模因组, 第 m 只蛙分入第 m 模因组, 第 m + 1 只蛙重新分入第 1 模因组, 依次类推, 设 M k 为第 k 个模因组的蛙的集合, 其分配过程描述如下:
PID 控制策略. 提出一种新的蛙跳规则, 用以增强 SFLA 的局部搜索能力. 该规则主要通过模拟青蛙的感知和运动的 不确定性来动态随机地调整青蛙的局部搜索空间和步长, 以防止 SFLA 算法过早收敛, 提高算法的搜索效率. 仿真结 果和工业应用实验均表明了所提出控制方法的可行性和有效性. 关键词: 电渣重熔过程；多变量系统；PID 控制器；混合蛙跳算法 中图分类号: TP273.2 文献标识码: A
(11)
第 11 期
王介生 等: 基于改进混合蛙跳算法的电渣重熔过程多变量 PID 控制器设计 D = r2 · (Xb − Xw ).
◦
1733
(12)
前提下, 通过曲线拟合方法建立电渣炉. 该工况下的 传递函数矩阵为
V2 (S ) = G21 (S ) G22 (S ) I2 (S ) 1.38 −0.32 0.54 − 20s + 1 5s + 1 s + 0.9 V2 (S ) . (13) 1.16 −τ s I2 (S ) −0.17 e 30s + 1 电流的周期性波动由滞后时间变量 τ 决定, 而 τ ν (S ) = ∆V (S ) G11 (S ) G12 (S )
1 引
言
网阻抗、 渣阻和机械特性对电渣重熔过程控制性能的 影响. PID 控制器已被广泛应用于工业过程控制领域, 而其参数的整定与优化一直是一个重要的问题[3] . 随 着群集智能理论的发展, 出现了基于遗传算法[4] 和粒 子群算法[5] 的先进 PID 控制器参数整定方法. 但是, 遗传算法需要进行复制、 交叉和变异操作, 其性能对 参数有较大的依赖性; 粒子群优化算法容易陷入局部 最优, 产生早熟现象. 混合蛙跳算法 (SFLA) 是一种基于群体的亚启发 式协同搜索群智能算法, 已在水资源网络优化[6] 、 贴
(8)
W = [r1 w1,max , r2 w2,max , · · · , rS wS,max ]T ; (9) Xw + D, D Dmax ; Xw = (10) D Xw + √ Dmax , D > Dmax . T D D 式中: r 为 [0,1] 之间的随机数, c 为 [1,2] 之间的一个
(1. College of Information Science and Engineering，Northeastern University，Shenyang 110819，China；2. School of Electronic and Information Engineering，Liaoning University Science and Technology，Anshan 114044，China. Correspondent：WANG Jie-sheng，E-mail：wang jiesheng@) Abstract： Based on the technique features and mathematical model of electroslag remelting(ESR) process, a multivariable self-tuning PID controller tuned optimally by an improved shuffled frog leaping algorithm(ISFLA) is proposed to control the two-input-two-output(TITO) ESR process. A new frog leaping rule is proposed to enhance the SFLA’s local search capabilities, which adjusts the frog local search space and the step of each flog’s jump dynamically and randomly by emulating frog’s perception and action uncertainties in order to prevent premature convergence and improve the search efficiency of SFLA. The simulation results and industrial application tests show the feasibility and effectiveness of the proposed control method. Key words： electroslag remelting process；multivariable system；PID controller；shuffled frog leaping algorithm
电渣重熔 (ESR) 是在初炼钢的基础上进一步提 纯钢质, 得到均匀致密、 纵向结晶的优质钢的冶炼 方式. 电渣炉早期的控制主要采用电压摆动、 恒电 流、 恒电压和递减功率控制等方法. 文献 [1] 分析研究 了电渣重熔模型, 对重熔电极熔速和位置进行协同控 制, 应用改进的遗传算法对协同控制器参数寻优. 文 献 [2] 针对 ESR 冶炼工艺对电极控制系统的要求, 提 出了一种模糊自适应 PID 控制方法. 这些控制策略都 只对熔炼电流和电压进行单独回路控制, 没有考虑熔 炼电流与熔炼电压之间的耦合关系, 以及主回路中短
X= Kp1 , Ki1 , Kd1 , Kp2 , Ki2 .
PID1 PI2
果没有改进, 则用 Xg 取代 Xb , 按式 (6) 和 (7) 执行局 部搜索过程; 如果仍然没有改进, 则随机产生一个新 蛙直接取代原来的 Xw . 重复上述局部搜索 Lmax 次, 当完成局部搜索后, 将所有模因组内的蛙重新混合并 排序和划分模因组, 再进行局部搜索, 如此反复, 直到 达到混合迭代次数 Gmax .

合集下载

一种改进的混合蛙跳算法

一种改进的混合蛙跳算法

第36卷第1期2017年2月兰州交通大学学报Journal of Lanzhou Jiaotong UniversityVol. 36 No. 1Feb.2017文章编号：1001-4373(2017)01-0051-06 D O I:10. 3969/j.issn. 1001-4373. 2017. 01. 010一种改进的混合蛙跳算法赵红星1>2,常小刚2(1.兰州交通大学交通运输学院，甘肃兰州730070;2.兰州交通大学现代信息技术与教育中心，甘肃兰州730070)摘要：针对混合蛙跳算法后期收敛速度慢、精度低并易陷入局部最优的问题，提出一种改进的混合蛙跳算法。

在改进的混合娃跳算法中，对青娃的覓食机制和进化迭代公式重新定义，青娃的第一跳向模因组其它青娃单维搜索，第 二跳向模因组内最优青蛙单维搜索，第三跳向全局最优青蛙单维搜索，通过青蛙的三跳协同搜索，能够使算法的全局搜索能力和局部搜索能力得到显著改善。

通过7个测试函数与A B C算法和标准混合蛙跳算法实验对比，实验结果表明改进的混合娃跳算法具有比A B C算法和混合娃跳算法更优秀的搜索性能，在收敛速度和收敛精度方面具有明显的优势。

关键词：混合蛙跳算法；人工蜂群算法；全局搜索；函数优化中图分类号：T P301. 6 文献标志码：八An Improved Shuffled Frog Leaping AlgorithmZHAO Hong-xing1,2, CHANG Xiao-gang2(1. School of Traffic and Transportation, Lanzhou Jiaotong University, Lanzhou 730070 , China；2. Modern Information Technology and Education Center, Lanzhou Jiaotong University, Lanzhou 730070 , China)Abstract：To solve the problem of slow convergence speed, low precision and easy to fall into local optimum of SFLA algorithm, an improved shuffled frog leaping algorithm (BCSFLA) is pro­posed. The searching mechanism and the evolutionary iteration formula of frogs are redefined. In the frog's first and second jump search,it?s learning toward the other frogs and the optimal frog in the model group,and in the frog's third jump search,it?s learning toward the global optimal frog.Through the cooperation of the three jump search,the global search ability and local search ability of the algorithm are improved significantly. Experiments are conducted on a set of 7 benchmark functions and compared with ABC algorithm and SFLA algorithm. Finally, the result demon­strates a good performance of BCSFLA algorithm.Key words：shuffled frog leaping algorithm；artificial bee colony algorithm；global search；num er­ical optim ization混合娃跳算法（shuffled frog leaping algorithm，SFLA)[1]是Eusuff和Lansty依据群智能思想于2000 年提出的一种亚启发式算法，诙算法结合了模因算法 (MA)[2]和粒子群算法（particle swarm optimization，PSO)[3]的优点，通过模拟青蛙群体的觅食过程，以局部搜索和全局信息交流的方式，在搜索范围内寻找最 优解.S F L A因算法简单、易于理解、控制参数少且具 有相对较优的搜索能力而得到了学者的广泛关注.文 献W]建立了S F L A的Markov链数学分析模型.文献 [5]将人工鱼群算法（artificial bee colony algorithm，收稿日期：2016-10-28 学报网址：基金项目：兰州交通大学青年科学基金（2014027)作者筒介：赵红星（1989-)，男，甘肃庆阳人，工程师，博士研究生，主要研究方向为系统分析、智能计算.E-mail:zhaohx@ .S3兰州兖通大学學报第36卷A BO与SF L A结含提出:T混合算法CSFLACcompos-ite shuffled frog leaping algorithm)•文献[6]改'进"I* S F L A的进化计算公式，使进化计算受到模因组内的 最优个体、全讀,最优个体和干扰因爭|省共同的影 响，并成功解决了无线传感网的定位问题.文献[7]提 出了基于惯性因子的SFLA.文献[g]将自适应粒子群 (SAPSO)算法与SF L A相互结合，成功解决了配电网 的重构问题.文賦[||将幂律极值动力学优化与SFLA 融合，分析了容量约束车辆路径问题，并通过实例证 明了算法的有效性.文献[1C Q:弓丨人模拟退火(SA)、免疫接种(IV)、高斯变异和混沌扰动算子以提高SFLA 算法的深度搜索能力和广度搜索能力，改进后的SF-L A算法成功优化了支持向量机(SVM)的参数.针对S F L A的全局收搜索能力和深度搜索能力 的不足之处，提出了一种改进的混合蛙跳算法（bee colony sliuffled frog leaping algorithm,.BCSFLA)，在 BCSFLA的寻优过程中，绪合了人工蜂群算法的单维 搜索机制，并且根据模因组的最坏青蛙进化情况决定 是:否:宙模厲祖的最优青蛙进行精细化搜索.，通过对青 蛙觅食过程的重新定义，使BC SFLA的全_搜索能 力和精度搜索能力闻时#到提高•利用7个SO维的 测试函数，进行了 BCSFLA、ABC、S F L A的计算试验 对比}结果表明BC SFLA在函数优化方面具有比ABC和SFLA更:萌显的优勢，1 标准SFLASFLA是模拟青蛙觅食过程中的信息交流特点的一种启发式算法，通过硫定性方法和不确定性方法 相宜结食=,_达到群体进化的g的，在D维搜索:空间 中，拿娃群体可以表承为_P==(.i',!，心，…，•1,1)U =1，2,•••,域X:JV，SIY为蛙群的青蛙总数f M为模因组的个数，JV为每个模因组所包含的青蛙 数，A为第£只青蛙的具体表示，在S F L A中屬要将 蛙群根据青蛙的适应值进行降序排序,并逐一分配至 M个模因组，每一个模因组包含iV.R青蛙.其中，第1个模因组包含第1，M+1,…，CN—1)M+1只青蛙，第2个模因组包含第2，M+2，”-，（N—l)M+2R青 蛙，以此类推，第M个模因组包含第M，2M，N M只曹蛙.而在一个模:虜逾中，.由_本模菌組的最坏資蛙 不断进化实现整个模因组的局部搜索，直到所有模因 组完成规定次数的局部搜索，然后将M个模西组中 的所有青蛙混合阵序排序并重新逐一划分至M个模 因组进行局部搜索 <直到满足算法的终止条件.模因 组的烏部搜索进化方式如图1所示，在S F L A中，每个模因组的局部搜索苜先是由 该模因组的最坏青蛙在诙模西组的最优青蛙或者全 局最优青蛙的启发下计算进化，如果产生的新个体 优于该糢因組的最坏曹蛙，M利用新个体代替该模 :雇邀，的最坏嘗蛙，在r f U次计算时，新的.最:坏有:鮭必 然优于之前的最坏青蛙，经过多次计算，从而使整个 模因组实现进化.如果该模因组的最坏青蛙在进化 计算时产生的新个体不优于i前的最坏青蛙，则在 搜索范围内随机产生新个体代替唐前的最坏青蛙，从而拓展了:箅法的全貝搜索能力.组的最坏青蛙和最优青蛙，r为服从均勻分布的（0,1)之间的随机数，jC为■依据A进化计算的新个体。

改进的混合蛙跳算法

改进的混合蛙跳算法

改进的混合蛙跳算法葛宇;王学平;梁静【期刊名称】《计算机应用》【年(卷),期】2012(032)001【摘要】为提高混合蛙跳算法在优化问题求解中的性能,提出了一种改进混合蛙跳算法.改进算法在原算法基础上加入了变异算子,并根据算法进化过程的不同阶段和进化过程中候选解分布情况,利用模糊控制器对变异算子的变异尺度进行调整,实现了变异算子在解空间中搜索范围的动态调整.通过对优化问题中4个典型测试函数的仿真实验表明,与基本蛙跳算法和已有改进算法相比,改进算法在寻优精度、收敛速度和求解成功率上均有一倍以上的提高,尤其在高维复杂优化问题求解中体现出较强的寻优能力.%To enhance the performance of Shuffled Frog Leaping Algorithm (SFLA) in solving optimization problems, this paper proposed an improved shuffled frog leaping algorithm. By adding mutation operator to the original algorithm, the improved algorithm regulated the scale of mutation operator via fuzzy controller, made a dynamic adjustment of mutation operator in the searching range of solution space with different phase and candidate solution distribution of evolution process. The simulation results of four typical functions of optimization problems show that the proposed algorithm can attain above twice improvement on accuracy, convergent speed and success rate, and it demonstrates a better optimization capability especially in solving the high dimensional complexoptimization problem, in comparison with the basic shuffled frog leaping algorithm and the known improved algorithm.【总页数】4页(P234-237)【作者】葛宇;王学平;梁静【作者单位】四川师范大学基础教学学院,成都610068;四川师范大学数学与软件科学学院,成都610068;成都电子机械高等专科学校网络中心,成都610031【正文语种】中文【中图分类】TP18【相关文献】1.基于GPU的混合蛙跳算法改进 [J], 牛宝童;钱宇浛2.基于改进混合蛙跳算法的多约束车辆路径优化 [J], 鲁建厦;翟文倩;李嘉丰;易文超;汤洪涛3.一种基于二分法查找的改进混合蛙跳算法 [J], 王晓彬;邹海荣4.基于改进混合蛙跳算法的船舶推力分配 [J], 卞显洋;肖健梅5.改进混合蛙跳算法在马斯京根模型参数优化中的应用 [J], 杨柳因版权原因，仅展示原文概要，查看原文内容请购买。

基于精英策略改进的混合蛙跳算法

基于精英策略改进的混合蛙跳算法

基于精英策略改进的混合蛙跳算法
江泽昌;刘天羽;吴星;王义东
【期刊名称】《上海电机学院学报》
【年(卷),期】2018(021)001
【摘要】针对蛙跳算法(SFLA)在后期收敛速度慢和易于陷入局部收敛的问题,研究一种改进的混合SFLA.采用精英策略对局部子群的最差青蛙进行更新,使其既向最优青蛙学习,也向周围其他较好的青蛙学习;引入Minkowski距离使全局最优青蛙向局部最优青蛙和局部进化较好的青蛙学习,提高了全局最优青蛙的质量;利用柯西变异分子避免算法陷入局部最优.选取典型测试函数进行仿真实验验证,结果表明,改进后算法是有效的且高效的.对改进后的SFLA进行收敛性分析.
【总页数】6页(P14-19)
【作者】江泽昌;刘天羽;吴星;王义东
【作者单位】上海电机学院电气学院,上海201306;上海电机学院电气学院,上海201306;上海电机学院电气学院,上海201306;上海电机学院电气学院,上海201306
【正文语种】中文
【中图分类】TP18
【相关文献】
1.基于阈值选择策略的改进混合蛙跳算法在电网规划中的应用 [J], 王茜;张粒子;舒隽;王楠
2.基于改进混合蛙跳算法的网格任务调度策略 [J], 欧阳;孙元姝
3.一种基于阈值选择策略的改进混合蛙跳算法 [J], 李英海;周建中;杨俊杰;刘力
4.基于精英保留策略与爆炸算子的改进遗传算法 [J], 罗凤鸣;吕方林;侯宗琰
5.基于改进精英策略的PCA-NSGAⅡ的高维目标调度优化 [J], 刘琼;熊书平;湛梦梦
因版权原因，仅展示原文概要，查看原文内容请购买。

基于改进WOA参数优化的反应釜PID控制器

基于改进WOA参数优化的反应釜PID控制器

现代电子技术Modern Electronics Technique2024年4月1日第47卷第7期Apr. 2024Vol. 47 No. 70 引 言在工业温度控制中，PID （比例⁃积分⁃微分）控制器是一种广泛应用的控制策略，它在调节系统中具有重要的地位。

然而，PID 参数的选择通常需要经验和实验，因为它们受到系统的复杂性、动态性质以及外部干扰的影响，然而在使用经典的Z⁃N 法进行PID 参数整定时很难得出最优的PID 参数。

近年来新型智能算法层出不穷，如粒子群优化算法[1]、鲸鱼优化算法[2]、灰狼算法[3]、海鸥优化算法[4]等，因其各自的特性运用于各类优化问题中。

众多学者针对这项问题，提出使用优化算法对PID 参数进行整定，例如，文献[5]提出基于改进SOA 算法对PID 参数进行自整定，其改进的控制系统相较于传统控制算法有更加良好的控制性能；文献[6]提出基于PPO 的自适应PID 控制算法，并通过验证表明，在遇到扰动已经震荡的情况下相较于传统的PID 算法有着更加平缓的控制过程；文献[7]将深度强化学习TD3引入到PID 参数整定中，该算法通过神经网络能够取得更优的控制策略，有效提升了控制器的动态响应性能和鲁棒性；文献[8]设计了基于Markov 参数自整定的单神经元基于改进WOA 参数优化的反应釜PID 控制器徐文光1， 麦 鴚2， 杨开明1， 幸响云1， 谭建所1， 王洪亮2（1.云南锡业锡化工材料有限责任公司， 云南 蒙自 661019；2.昆明理工大学 民航与航空学院， 云南 昆明 650504）摘 要： 为了解决工业中传统PID 控制算法对于大时滞、非线性系统较难取得良好的控制效果的问题，提出一种基于改进鲸鱼优化算法（IWOA ）的PID 控制器整定算法。

该算法考虑均衡算法的探查以及开发能力，引入非线性收敛因子；为了提高算法的勘察能力，避免陷入局部最优的情况，引入正余弦扰动因子改进位置更新策略；最后以化工反应中反应釜温度为被控对象，对其PID 控制器进行参数自整定实验，并将结果与WOA 算法、Z⁃N 整定算法、PSO 算法进行对比，验证了IWOA 算法在优化PID 控制器工程上的优越性。