針對參數(shù)時變,且含有多個目標(biāo)函數(shù)的PID控制器設(shè)計,提出了一種基于參考點的時變參數(shù)不可測動態(tài)多目標(biāo)優(yōu)化遺傳算法.該算法在常規(guī)動態(tài)多目標(biāo)優(yōu)化遺傳算法基礎(chǔ)上,加入了參考點及局部搜索和種群更新機(jī)制,以實現(xiàn)對不同環(huán)境及環(huán)境不可測情況下PID控制器參數(shù)的優(yōu)化,用典型測試函數(shù)將該算法與DNSGA2-A算法進(jìn)行比較,驗證了算法的有效性.在PID控制器設(shè)計部分,首先建立PID控制器時變動態(tài)多目標(biāo)優(yōu)化模型,將多目標(biāo)PID控制器設(shè)計問題轉(zhuǎn)化為動態(tài)多目標(biāo)優(yōu)化問題;然后建立參考點,定義基于參考點占優(yōu)帕累托支配關(guān)系,通過局部搜索和種群更新機(jī)制對種群進(jìn)行處理,優(yōu)化PID參數(shù);最后將該方法應(yīng)用于柴油機(jī)優(yōu)化問題實例,將誤差和方差作為優(yōu)化目標(biāo),對PID控制器的3個參數(shù)進(jìn)行優(yōu)化,驗證了方法的有效性. 

【文章來源】：中國科學(xué)技術(shù)大學(xué)學(xué)報. 2019,49(02)北大核心CSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

圖１算法優(yōu)化過程圖Ｆｉｇ．２Ａｌｇｏｒｉｔｈｍｏｐｔｉｍｉｚａｔｉｏｎｐｒｏｃｅｓｓｄｉａｇｒａｍ

∈［０，１］烍烌烎（１３）反向時代距離（ＩＧＤ）衡量算法的收斂性和多樣性，值越小，性能越好．ＩＧＤ的表達(dá)式為ＩＧＤ＝１ｎＰＯＦ∑ｎＰＯＦｉ＝１ｄｉ（１４）式中，ｎＰＯＦ表示真實Ｐａｒｅｔｏ前沿中的種群個體個數(shù)，ｄｉ表示真實Ｐａｒｅｔｏ前沿中的每個個體到算法選出的種群個體的最短距離．本文算法運(yùn)行８００代，環(huán)境ｔ從０變化到４，種群規(guī)模為１００，得到的ｄＭＯＰ１的Ｐａｒｅｔｏ前沿如圖２所示．圖２本文算法運(yùn)行８００代得到的ｄＭＯＰ１的Ｐａｒｅｔｏ前沿Ｆｉｇ．２ＴｈｅｏｂｔａｉｎｅｄＰＦｓｆｏｒｄＭＯＰ１ｒｕｎ８００ｇｅｎｅｒａｔｉｏｎｓ圖２中，中間的＊為每個環(huán)境下的參考點，ｏ表示得到的每個環(huán)境下的最優(yōu)解．本文算法與ＤＮＳＧＡ２－Ａ算法運(yùn)行８００代，計算的ＩＧＤ值如圖３所示．圖３本文算法與ＤＮＳＧＡ２－Ａ算法運(yùn)行８００代的ＩＧＤ值Ｆｉｇ．３ＴｈｅＩＧＤｖａｌｕｅｓｏｆｔｈｉｓａｌｇｏｒｉｔｈｍａｎｄｔｈｅＤＮＳＧＡ２－Ａａｌｇｏｒｉｔｈｍｒｕｎ８００ｇｅｎｅｒａｔｉｏｎ由圖３可以看出，本文算法與ＤＮＳＧＡ２－Ａ算８２１中國科學(xué)技術(shù)大學(xué)學(xué)報第４９卷

群個體的最短距離．本文算法運(yùn)行８００代，環(huán)境ｔ從０變化到４，種群規(guī)模為１００，得到的ｄＭＯＰ１的Ｐａｒｅｔｏ前沿如圖２所示．圖２本文算法運(yùn)行８００代得到的ｄＭＯＰ１的Ｐａｒｅｔｏ前沿Ｆｉｇ．２ＴｈｅｏｂｔａｉｎｅｄＰＦｓｆｏｒｄＭＯＰ１ｒｕｎ８００ｇｅｎｅｒａｔｉｏｎｓ圖２中，中間的＊為每個環(huán)境下的參考點，ｏ表示得到的每個環(huán)境下的最優(yōu)解．本文算法與ＤＮＳＧＡ２－Ａ算法運(yùn)行８００代，計算的ＩＧＤ值如圖３所示．圖３本文算法與ＤＮＳＧＡ２－Ａ算法運(yùn)行８００代的ＩＧＤ值Ｆｉｇ．３ＴｈｅＩＧＤｖａｌｕｅｓｏｆｔｈｉｓａｌｇｏｒｉｔｈｍａｎｄｔｈｅＤＮＳＧＡ２－Ａａｌｇｏｒｉｔｈｍｒｕｎ８００ｇｅｎｅｒａｔｉｏｎ由圖３可以看出，本文算法與ＤＮＳＧＡ２－Ａ算８２１中國科學(xué)技術(shù)大學(xué)學(xué)報第４９卷

【參考文獻(xiàn)】：
期刊論文
[1]電液比例閥閥心位置控制PID自整定方法[J]. 覃展斌,陳飛飛,金波,張璐璐.  浙江大學(xué)學(xué)報(工學(xué)版). 2015(08)
[2]高效動態(tài)微型多目標(biāo)遺傳算法及其應(yīng)用[J]. 劉桂萍,于瑞貞.  系統(tǒng)仿真學(xué)報. 2014(02)
[3]PID參數(shù)優(yōu)化算法[J]. 何佳佳,侯再恩.  化工自動化及儀表. 2010(11)
[4]焦?fàn)t模糊免疫自適應(yīng)PID控制的應(yīng)用研究[J]. 高憲文,趙亞平.  控制與決策. 2005(12)



本文編號：3489708