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

1、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Research on the Design of Algorithm Optimization of PSO of Neural Network PID Control system 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

2、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

3、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; Research on the Design of Algorithm Optimization of PSO of Neural Network PID Control sy

4、stemAbstractThe technique of PID control is very general, and it is applied in many fields at present. In the paper, neural network theory foundation, studying algorithm of the neural network and traditional PID controller are introduced, and traditional PID controller weak point is analyzed in cont

5、rolling the complicated, dynamic and uncertain system. In order to achieve the goal of improving traditional PID controller, two kind improvement ways are put forward in the paper hereditary algorithm PID controller and neural network PID controller.Because of the strong nonlinearity to shine upon a

6、bility, study adaptive capacity, associative memory ability, processing method of proceed information and fine fault-tolerant performance, there are better control results to the complicated system in industrial control, and the unstable control results caused by the change of system structure or pa

7、rameters have been improved after the PID controller improved by neural network. Single neural network PID controller and BP neural network PID controller have been study chiefly in the paper. Because there are some difficult in choosing the first power value of the BP neural network, PSO algorithm

8、has been used to improve BP neural network controller in the paper. In the paper, PSO algorithm has been used to improve traditional PID controller.Lastly, I found that the system of PSO BP-PID simulation result was better than the single neural adaptive system.Keywords: Neural PID Controller Arithm

9、etic; BP Arithmetic; PSO Arithmetic.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(Artificial Neural Network-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

10、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(particle swar

11、m optimization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

12、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

13、，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(ANNArtificial Neural Network)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

14、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(Swarm Intelligen

15、ce)。粒子群优化算法是一种基于群体智能方法的演化计算(Evolutionary Computation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

16、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(Swarm Intelligence)。粒子群优化算法是一种基于群体智能方法的演化计算(Evolutionary Computation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，