基于POS算法优化的PID神经网络的系统控设计精品文档完整版.docx

基于POS算法优化的PID神经网络的系统控设计精品文档完整版.docx

《基于POS算法优化的PID神经网络的系统控设计精品文档完整版.docx》由会员分享，可在线阅读，更多相关《基于POS算法优化的PID神经网络的系统控设计精品文档完整版.docx（15页珍藏版）》请在冰豆网上搜索。

基于POS算法优化的PID神经网络的系统控设计精品文档完整版

中北大学

研究生《神经网络及应用》作业

课题名称

中文基于PSO算法优化的PID神经网络的系统控设计

英文ResearchontheDesignofAlgorithmOptimizationofPSOofNeuralNetworkPIDControlsystem

姓名王强龙

学号S20100622

班级Y100202

专业模式识别与智能系统

研究方向基于网络的智能控制

所在院、系机械工程及其自动化学院

基于PSO算法优化的PID神经网络的系统控设计

摘要

PID控制技术是一种应用很普遍的控制技术，目前在很多方面都有广泛的应用。

本文首先简要介绍了神经网络的理论基础和神经网络的学习算法，传统的常规PID控制器，针对常规PID控制器对于复杂的、动态的和不确定的系统控制还存在着许多不足之处进行了分析。

为了达到改善常规PID控制器在复杂的、动态的和不确定的系统控制还存在着许多不足之处的目的，文中系统的介绍了两种种改进方式，主要有:

遗传算法PID控制器和神经网络PID控制器。

神经网络具有强的非线性映射能力、自学习能力、联想记忆能力、并行信息处理方式及优良的容错性能。

应用神经网络对PID控制器进行改进后，对于工业控制中的复杂系统控制有着更好的控制效果，有效的改善了由于系统结构和参数变化导致的控制效果不稳定。

文中主要对基于单神经元PID控制器、BP神经网络PID控制器进行研究。

对于BP神经网络初始权值选择困难的问题，本文采用粒子群优化算法（PSO）来对BP神经网络控制器进行优化。

本文同时也利用PSO算法对常规PID控制器的参数进行整定研究。

最后，本文对单神经元自适应PID控制系统和基于PSO优化的BP神经网络PID控制系统进行仿真试验，发现后者使系统的性能有所提高。

关键词:

神经网络PID控制器;BP算法;PSO算法;

ResearchontheDesignofAlgorithmOptimizationofPSOofNeuralNetworkPIDControlsystem

Abstract

ThetechniqueofPIDcontrolisverygeneral,anditisappliedinmanyfieldsatpresent.Inthepaper,neuralnetworktheoryfoundation,studyingalgorithmoftheneuralnetworkandtraditionalPIDcontrollerareintroduced,andtraditionalPIDcontrollerweakpointisanalyzedincontrollingthecomplicated,dynamicanduncertainsystem.InordertoachievethegoalofimprovingtraditionalPIDcontroller,twokindimprovementwaysareputforwardinthepaper—hereditaryalgorithmPIDcontrollerandneuralnetworkPIDcontroller.

Becauseofthestrongnonlinearitytoshineuponability,studyadaptivecapacity,associativememoryability,processingmethodofproceedinformationandfinefault-tolerantperformance,therearebettercontrolresultstothecomplicatedsysteminindustrialcontrol,andtheunstablecontrolresultscausedbythechangeofsystemstructureorparametershavebeenimprovedafterthePIDcontrollerimprovedbyneuralnetwork.SingleneuralnetworkPIDcontrollerandBPneuralnetworkPIDcontrollerhavebeenstudychieflyinthepaper.BecausetherearesomedifficultinchoosingthefirstpowervalueoftheBPneuralnetwork,PSOalgorithmhasbeenusedtoimproveBPneuralnetworkcontrollerinthepaper.Inthepaper,PSOalgorithmhasbeenusedtoimprovetraditionalPIDcontroller.

Lastly,IfoundthatthesystemofPSOBP-PIDsimulationresultwasbetterthanthesingleneuraladaptivesystem.

Keywords:

NeuralPIDControllerArithmetic;BPArithmetic;PSOArithmetic.

1.引言

PID控制是人类最早发展起来的控制策略之一，由于其算法简单、鲁棒性好、可靠性能高，至今仍被广泛的应用于工业过程控制中。

实际的工业过程当中往往具有非线性、时变性，一般难以建立精确的数学模型，应用常规的PID控制难以达到理想的控制效果;在实际工业现场中，由于PID参数整定困难，常规PID的控制参数往往整定不好、性能欠佳，对实际工业环境的适应性很差。

近十几年来，一门新型的交叉学科—人工神经网络（ArtificialNeuralNetwork-ANN）迅速发展起来。

控制科学的研究者们很快发现ANN的与众不同的魅力能够充分逼近任意复杂的非线性关系，从而形成非线性的动力学系统，以表示某些被控对象的模型或控制器模型;2能够学习和适应不确定性系统的动态特性;3所有定量或定性的信息都分布贮存于网络内的各个神经单元，从而具有很强的容错性和鲁棒性;4采用信息的分布式并行处理，可以进行快速大量的运算。

对于长期困扰控制学界的非线性和不确定性系统来说，ANN无疑是解决问题的有效途径。

将ANN应用到传统的PID控制也是控制学界一个重要的研究方向，二者结合既保留了传统PID控制的鲁棒性好可靠性高的特点，又使ANN的上述优点融入到PID控制中，大量研究成果表明了这种控制大大改善了系统的控制性能。

微粒群优化（（particleswarmoptimization一PSO）的出现为神经网络权值ail练提供了一个新的研究方向。

微粒群算法是由Kennedy和Eberhart等于1995年提出的。

它通过简单的社会模型的模拟，将需寻优的参数组合成群体，用每个微粒表示被优化问题的一个解，通过粒子间的相互作用，使群体中的个体向目标区域移动，从而发现复杂搜索空间的最优区域。

其不采用遗传算法的交叉和变异等算子，各个微粒根据自己的位置和速度来搜索，整个搜索和更新过程是跟随当前最优解来进行的。

因此，PSO算法能够更快的寻找最优解。

本文介绍：

1.神经网络的各种模型。

主要有MP模型，感知器，多层前馈网络和BP学习算法，径向基函数神经网络RBF,小脑模型神经网络等，最后介绍了神经网络的基本学习规则。

2.讨论改进型PID控制系统中的神经网络PID控制系统，重点研究了神经元PID控制器、单神经元自适应PID控制器、基于BP神经网络参数自学习PID控制器、改进型BP神经网络参数自学习PID控制器以及组合优化改进型PID控制器。

3.介绍了PSO算法的基本原理以及它主要几种改进方式。

重点研究用PSO算法改进常规PID控制器和BP神经网络PID控制器，提出了改进的算法流程。

4.对常规整定法整定PID控制和PSO整定法的PID控制进行了仿真研究，发现PSO算法大大改善了控制系统的性能。

对单神经元PID控制和PSO算法优化的BP神经网络PID控制器仿真，发现后者在不改变系统稳定性的情况下提高了系统的响应速度。

2.神经网络PID控制

2.1神经网络的基础

神经生理学和神经解剖学证明了人的思维是由脑完成的。

神经元是组成人脑的最基本单元，能够接受并处理信息。

人工神经网络（ANN—ArtificialNeuralNetwork）是源于人脑神经系统的一类模型，是模拟人类智能的一条重要途径，具有模拟人的部分形象思维的能力。

它是由简单信息处理单元（人工神经元，简称神经元）互联组成的网络，能接受并处理信息，网络的信息处理由处理单元之间的相互作用来实现，它是通过把问题表达成处理单元之间的连接权来处理的。

神经网络是具有高度非线性的系统，具有一般非线性系统的特性。

虽然单

个神经元的组成和功能极其有限，但大量神经元构成的网络系统，所能实现的功能却是极其丰富多彩的。

通常单个自然生物并不是智能的，但是整个生物群体（swarm）却能表现出处理复杂问题的能力，群体智能就是这些群体行为在人工智能领域中的应用。

从20世纪90年代初开始，人们开始了模拟自然生物群体行为的优化技术方而的研究，并产生了一系列群优化算法。

Dorig。

等从生物进化的机理中受到启发，通过模拟蚂蚁的寻径行为，提出了蚁群优化算法。

Eberhart和Kennedy通过对鸟群、鱼群的捕食行为的模拟，于1995年提出了粒子群优化算法（PSO）。

这些研究都可以称为群体智能（SwarmIntelligence）。

粒子群优化算法是一种基于群体智能方法的演化计算（EvolutionaryComputation技术，其思想来源于人工生命和演化计算理论。

由于认识到PSO在函数优化等领域所蕴含的广阔的应用前景，在Eberhart和Kennedy之后很多学者都进行了这方而的研究。

目前，己提出了多种PSO改进算法，而且PSO算法已广泛应用于函数优化、神经网络训练、模式分类、模糊系统控制等领域。

PSO的优点在于简单容易实现，同时又有深刻的智能背景，它既适合科学研究，又特别适合工程应用。

2.2粒子群算法

通常单个自然生物并不是智能的，但是整个生物群体（swarm）却能表现出处理复杂问题的能力，群体智能就是这些群体行为在人工智能领域中的应用。

从20世纪90年代初开始，人们开始了模拟自然生物群体行为的优化技术方而的研究，并产生了一系列群优化算法。

Dorig。

等从生物进化的机理中受到启发，通过模拟蚂蚁的寻径行为，提出了蚁群优化算法。

Eberhart和Kennedy通过对鸟群、鱼群的捕食行为的模拟，于1995年提出了粒子群优化算法（PSO）。

这些研究都可以称为群体智能（SwarmIntelligence）。

粒子群优化算法是一种基于群体智能方法的演化计算（EvolutionaryComputation技术，其思想来源于人工生命和演化计算理论。

由于认识到PSO在函数优化等领域所蕴含的广阔的应用前景，在Eberhart和Kennedy之后很多学者都进行了这方而的研究。

目前，己提出了多种PSO改进算法，而且PSO算法已广泛应用于函数优化、神经网络训练、模式分类、模糊系统控制等领域。

PSO的优点在于简单容易实现，