一种基于改进黏菌优化算法的PID参数优化方法技术

本发明专利技术公开了一种基于改进黏菌优化算法的PID参数优化方法，属于PID控制优化技术领域，具体包括利用改进黏菌优化算法在全局搜索出最优的PID控制系统参数。本发明专利技术中，通过在基础黏菌优化算法的基础上，引入自适用可调节反馈因子和融合正余弦策略，在算法迭代前期，自适用可调节反馈因子下降速度较慢，便于全局搜索，算法迭代中期，所述自适应可调节反馈因子下降速度较快，便于提高搜索速度及跳出局部最优搜索，后期下降速度减缓，便于局部搜索，寻找最优解，能够有效提高系统的鲁棒性和控制精度，可为工业控制提供新的思路，有利于提高PID被控对象的稳定性。被控对象的稳定性。被控对象的稳定性。

【技术实现步骤摘要】
一种基于改进黏菌优化算法的PID参数优化方法


[0001]本专利技术属于PID控制优化
，尤其涉及一种基于改进黏菌优化算法的PID参数优化方法。

技术介绍

[0002]PID(Proportion Integration Differentiation)控制系统因其实现方法简单、鲁棒性好，常被应用于工业控制中，对简单线性系统有较好的控制效果，但在复杂非线性系统中，PID则显得难以应对，效果不佳。传统PID的基本原理主要是对初始值与目标设定值的差值进行简单的比例、积分以及微分运算并以输出作为反馈量，循环与目标设定值进行差的计算，构成一个线性系统。PID控制系统最重要的就是K
p
、K
i
，K
d
三个动态参数的适用性和准确性，这需要根据设计者的经验来把握且不能实时动态的变换，这使得传统PID在应对非线性系统时难以控制，出现稳定性差，精确度低等问题。
[0003]目前黏菌优化算法、粒子群算法、麻雀搜索算法以及人群搜索算法等基础智能优化算法和传统PID相结合对解决传统PID对复杂非线性系统的控制效果不佳以及实时参数整定困难等问题已经取得了一定效果，但是控制系统极容易陷于局部性极小值状态，且收敛速度慢、寻优精度低，因此，存在改进的空间。

技术实现思路

[0004]本专利技术的目的在于：为了解决PID控制系统极容易陷于局部性极小值状态，且收敛速度慢和寻优精度低的问题，而提出的一种基于改进黏菌优化算法的PID参数优化方法。
[0005]为了实现上述目的，本专利技术采用了如下技术方案：
[0006]改进黏菌优化算法的方法以及改进黏菌优化算法的PID参数优化过程，具体包括以下三个部分：
[0007](1)引入自适应可调节反馈因子；
[0008]在基础黏菌优化算法中，反馈因子(V
C
)是用于描述食物浓度与黏菌质量之间的反馈关系，其值为1线性下降至0，从粒子群算法的思想中我们知道这类线性下降的反馈因子往往很难很好地描述实际情况下质量和浓度之间的反馈关系，会使得算法出现收敛速度慢、容易限于局部最优状态的问题，因此引入自适应可调节的反馈因子，自适应可调节反馈因子数学模型描述如公式(1)所示：
[0009]v
c
＝tanh(k*(1
‑
(it/Max_iter))
k
)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0010]式中，it为当前迭代次数，Max_iter为最大迭代次数，k是调节系数；
[0011]由公式(1)可知，反馈因子(V
C
)由呈非线性变化。
[0012](2)融合正余弦策略；
[0013]在基础黏菌优化算法中，从当前迭代过程中随机选择两个黏菌个体的位置来更新产生下一代黏菌种群的个体位置，若当选择的两个个体有非常差的情况，会使得算法性能受影响。为此本文在黏菌优化算法包裹食物的位置更新中引入正余弦算法(SCA)策略，通过
利用正余弦模型震荡变化特性对黏菌个体位置进行作用，维持黏菌个体多样性，进而提高SMA的全局搜索能力。SCA的主要思想是通过SCA模型的振荡变化对全局和局部寻优，从而获取全局最优值。正余弦策略如公式(2)所示：
[0014][0015]式中：r1为SCA参数，r2为[0,2*pi]内的随机数，决定黏菌个体的移动距离；r3为[0,2]内的随机数，控制最优个体对黏菌后一位置的影响，r4为0～1间的随机数；
[0016]融入SCA策略改进后的黏菌位置更新公式如公式(3)所示：
[0017][0018]式中，UB和LB分别表示搜索区域的上下界，rand表示取值[0,1]之间的随机数，z为自定义参数；所述自定义参数z值取0.03。
[0019](3)改进黏菌优化算法(ISMA)优化PID参数的设计过程；
[0020]设计PID参数优化的改进黏菌优化算法步骤如下：
[0021]步骤1、参数初始化：设置黏菌搜索上界UB、下界LB，种群规模pop，最大迭代次数Max_iter，维度dim并初始化黏菌种群的位置；
[0022]在一实施例中，维度dim＝3；种群规模pop＝100；迭代次数Max_iter＝50；黏菌搜索上界UB＝[300 300 300]；下界LB＝[0 0 0]；
[0023]步骤2、计算黏菌种群每个个体的适应度值并递增排序，记录当前迭代最好适应度值bF和当前迭代最差适应度值wf；
[0024]步骤3、根据公式(1)计算自适用可调节反馈因子V
C
，初始化正余弦相关参数；所述自适用可调节反馈因子随迭代次数的增加呈非线性变化；
[0025]步骤4、判断rand是否大于自定义参数z，所述z取0.03；
[0026]若rand大于z，则直接执行公式(3)更新种群个体位置，否则判断rand是否大于控制变量p；
[0027]所述控制变量p由当前个体的适应度值和当前个体的最佳适应度值决定，如公式(4)所示：
[0028]p＝tanh|S(i)
‑
DF|
[0029]ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0030]若rand小于p，则执行公式(3)的
[0031][0032]更新种群个体位置；否则，则执行公式(3)的
[0033]rand
·
(UB
‑
LB)+LB
[0034]更新种群个体位置；
[0035]步骤5、根据贪婪策略保留较优解；
[0036]步骤6、判断当前迭代次数it是否满足迭代停止条件；
[0037]若满足，则迭代结束，输出全局最优解及其适应度值；所述全局最优解为PID的最优参数(K
p
、K
i
、K
d
)；
[0038]若不满足，基于改进黏菌优化算法，继续对最新迭代结果进行迭代，将步骤3～6循环进行，直至迭代结果符合所述迭代停止条件；
[0039]所述步骤1中初始化黏菌种群的位置，黏菌种群初始位置是由PID的三个参数(K
p
、K
i
、K
d
)决定；在实验仿真时，会根据实际设置PID的比例参数K
p
、积分参数K
i
、微分参数K
d
各自的取值范围，黏菌种群个体的初始位置在所述取值范围内由三个参数随机组合产生。
[0040]进一步的，所述步骤2中黏菌种群每个个体的适应度值由适应度函数计算得出，适应度值大小由当前取值下的PID控制系统的ITAE性能指标决定；所述ITAE性能指标作为目标函数，适应度函数如下公式(5)为：
[0041][0042]其中：S(i)为当前个体适应度值，J为模型目标函数值，e(t)为PID控制系统的输入
‑‑
系统的反馈偏差本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进黏菌优化算法的PID参数优化方法，其特征在于，具体包括利用改进黏菌优化算法在全局搜索出最优的PID控制系统参数。2.根据权利要求1所述的一种基于改进黏菌优化算法的PID参数优化方法，其特征在于，具体包括以下步骤：建立PID控制系统参数的数学模型；在预设的取值范围内随机选取一组PID控制系统参数(K
p
，K
i
，K
d
)作为黏菌初始位置，利用改进黏菌优化算法在全局搜索出最优的PID控制系统参数；基于改进黏菌优化算法，对所述PID控制系统参数的数学模型进行优化，获得最佳PID控制系统参数(K
p
，K
i
，K
d
)。3.根据权利要求2所述的一种基于改进黏菌优化算法的PID参数优化方法，其特征在于，所述PID控制系统参数取值范围作为黏菌群体的搜索空间。4.根据权利要求1所述的一种基于改进黏菌优化算法的PID参数优化方法，其特征在于，所述的PID控制系统参数的数学模型包括：选用ITAE(绝对误差矩积分)指标作为目标函数，其定义为：其中，J为模型目标函数值，e(t)为PID控制系统的输入
‑‑
系统的反馈偏差，t为时间；设计被控对象，其传递函数为：5.根据权利要求1所述的一种基于改进黏菌优化算法的PID参数优化方法，其特征在于，通过改进基础黏菌优化算法对PID控制系统参数进行优化，具体包括：步骤1、参数初始化：设置黏菌搜索上界UB、下界LB，种群规模pop，最大迭代次数Max_iter，维度dim并初始化黏菌种群的位置，其中黏菌种群初始位置是由PID的三个参数(K
p
、K
i
、K
d
)决定；步骤2、计算黏菌种群每个个体的当前适应度值并递增排序，记录当前迭代最好适应度值bF和当前迭代最差适应度值wf；步骤3、计算自适用可调节反馈因子V
C
，初始化正余弦相关参数；步骤4、判断rand是否大于自定义参数z，所述z取0.03；若rand大于z，则直接执行公式(3)更新种群个体位置，否则判断rand是否大于控制变量p；式中，UB和LB分别表示搜索区域的上下界，rand表示取值[0,1]之间的随机数，z为自定义参数，t为当前迭代次数，W为黏菌重量，含义为适应度权重，v
b
和v
c
为控制参数，其中v
b
∈[
‑
a,a]，v
c

【专利技术属性】
技术研发人员：张玉璘，徐明辉，相丽晓，
申请(专利权)人：济南大学，
类型：发明
国别省市：