PID参数优化算法

化工自动化及仪表，2010, 37(1);1 -4综述与评论Control and Instruments in Chemical IndustryPID参数优化算法何佳佳,侯再恩(陕西科技大学电气与信息工程学院,西安71021)摘要: PI参教优化是 自动控制领域研究的一个重要问题。为了实现最优PID控制,PID参教优化算法巳成为国内外控制理论研究的一个热点。随着计算机技术的发展,一些新的智能算法得到了迅速发展和广泛应用，.并在理论和应用方面都有重要的意义。主要介绍了PID参敏优化算法以及近年来在此方面取得的研究成果,并对未来PID参数优化的研究方向作了展望。关键词: PID 控制;动态性能;参数优化;算法中圈分类号: TP301文献标识码:A 文章编号: 1003020120100010PID控制器由比例、积分和微分环节组成,其控1引言PID控制即比例-积分-微分( Proportion-Inte-制规律可表示为:gal-Deivative)控制,它是建立在经典控制理论上的() =K[()+卡[(cu+oud()]-种控制策略。在工业过程控制系统中,当被控对将式(1)写成传递函数形式:象的结构和参数不能完全掌握,或精确的数学模型难以建立,或控制理论的技术难以采用时，系统控制C(x) =K,[1+亦+叫(2)器的结构和参数必须依靠经验和现场调试来确定，式中: K,--比例系数;T-积分时间常 数;这时最常用的就是PID控制。即使我们不完全了解T,- -微分时间常 数。-个系统和被挖对象,或不能通过有效的测量手段PID参数优化通常由两部分组成,分别为目标来获得系统参数时,也适合采用PID控制技术。PID函数与优化算法的选取。PID 参数优化的目标函数控制器就是根据系统的误差,利用比例、积分、微分通常是控制系统性能指标的定最描述,而控制系统计算出控制量进行控制的。它是迄今为止历史最悠的性能指标通常包括动态和静态两个方面。动态性久,生命力最强的控制方式，国内外95%以上的控能指标用于反应控制系统的瞬态响应情况,体现在:制回路仍然采用PID结构。在控制理论和技术飞跃①控制系统的准确性或控制精度,通常用稳态误差发展的今天, PID控制器仍被广泛应用主要是因为来描述,它表示系统输出稳态值与期望值之差;②晌其控制结构简单稳定性能好、可靠性高、易于实现应的快速性,通常用上升时间(系统输出值第一次等优点,而且许多高级控制都是以PID控制为基础达到稳态值的时间)来定量描述;③控制系统的稳的。而PID控制效果完全取决于PID参数的整定与定性,通常用超调量和调节时间来描述。优化,因此,PID参数的整定"-1与优化算法'I显得PID控制器的比例环节可以缩短系统响应时尤为重要。为了实现最优PID控制,PID参数优化间,积分环节可以减小系统稳态误差,微分环节可以算法已成为国内外控制理论研究的一个热点，由于改善系统超调量,因此,可以通过调整Kp,TI,Tp这单纯形法'|等算法运算量大,而且极易陷入局部最三个参数来改善动态性能指标，使系统的控制性能优,因此需要找- -种简单而高效的PID参数优化算达到给定的要求。从优化的角度来说，就是在这三个法。近年来,随着计算机技术的发展,一些新的智能变量的参数空间寻找最优值,使系统的控制性能达算法得到了迅速发展和广泛应用,特别是模拟进化到最优。算法,在理论研究和应用研究方面都相当活跃。目3 PID参数优化算法前,对PID参数优化算法的研究仍在继续,许多期刊中国煤化工不断地发表新的研究成果。本文主要介绍了五种PID参数优化算法,并对PID参数优化算法的发展收JTYCHCNMHG作一综述。基金项目:陕西省教厅专项号(08]K 237);陕西科技大学2 PID 参数优化简介研究生创新基金资助项目●2.化工自动化及仪表第37卷遗传算法(Genetic Algoithm, GA)是一种新发觅食的蚂蚁在自己经过的路上留下一定数量的信息展起来的优化算法,它起源于60年代对自然和人工素,信息素一方面会随着时间的流逝而挥发,另一方自适应系统的研究,是模拟生物在自然环境中的遗面,当有其他的蚂蚁再次经过该路径时会再次留下传和进化进程而形成的一种自适应全局优化慨率搜信息素以加强该处的信息素。在任何一个路口,蚂索算法,其基本思想是,将待求解问题转换成由个体蚁会按照概率选择任意-一个方向前进,在信息索浓组成的演化群体和对该群体进行操作的一-组 遗传算度较高的方向具有较大的选择概率。子,经历生成- -评价-选择- 操作的演化过程 ,反复蚁群算法的基本特点是:①其原理是一种正反进行,直到搜索到最优解。馈机制,它通过信息素的累积和更新收敛于最优路遗传算法的基本特点是:①它是对所求参数对径;②它是一种通用型随机优化算法,但人工蚁群算应染色体进行进化,而不是对参数本身,因此不受目法决不是对蚂蚁的简单模拟,它融进了人类的智能; .标响数约束条件的限制，也不受搜索空间的限制;②③它具有分布式并行搜索能力,该计算机制易于与.它是对参数表示成的二进制编码串群体进行搜索，其它算法结合 ;④它是一种全局优化的算法,可用于而不是在单个点上寻优,这大大减小了陷人局部最.任何一类优化问题;⑤它有较强的鲁棒性;⑥其缺点优的可能性,具有全局快速收敛的特点;③它只需已是初期信息索匮乏,求解速度较慢,计算时间较长。知目标明数及适应度函数便可开始操作;④其初始王建国等101将神经网络作为预测模型来预估群体是随机生成的,可以很快到达最优解附近;⑤它过程未来的偏差值,并利用数字计算机的计算能力具有并行性,即用较少的编码串对数量较大的区域实现在线滚动优化计算,从而确定当前最优输人策完成搜索;⑥其缺点是实时性不好，容易出现早熟现略,运用蚁群算法预测PID控制能够适应控制对象象,对于系统中的反馈信息利用却无能为力,而且求模型参数的时变,具有较好的鲁棒性,相对传统PID解到一定范围时往往做大量无为的冗余迭代,求解控制策略还表现出了良好的动态性能;贺慧杰"将最优解的效率较低。遗传算法和蚁群算法相结合对PID参数进行优化，毛敏6)等用基本的遗传算法对PID参数进行了可以较好地控制复杂的对象,但是, - -旦外界扰动发优化,但在优化-些复杂问题时有着不可忽视的缺生时，必须重新根据需要再进行参数的整定优化;陈点,而且基本遗传算法收敛速度慢、容易早熟,这就建涛1等用高斯分布较好的局部搜索能力来增强使得该算法的优化性能大大降低;范敏!”提出了基蚁群算法的局部寻优能力,很好地弥补了基本蚁群.于多种群遗传算法的优化方法,并将其与下山单纯算法易于陷人局部最优的缺点,且该算法不依赖于形法相结合,用下山单纯形法进行局部优化,加快了被控对象的精确数学模型,有着很好的适应性和鲁收敛速度,避免了早熟现象的发生,实现了快速优化棒性。求解,并得到了比基本遗传算法更为理想的控制效3.3基于粒子群算 法的PID参数优化果;王焱等"针对标准遗传算法收敛速度慢、易陷入粒子群( Particle Swarn Optimization, PSO)算局部极小等问题,提出了基于变尺度混沌优化策略法"是由Kennedy和Eberhart 博士于1995年受鸟的混沌遗传算法,该算法对经过一次遗传操作的群类群体行为研究结果的启发,而提出的一种基于群体进行混沌搜索寻优,引导种群快速进化,并将其成体智能的进化计算技术。在PS0算法中,每个粒子功应用于冷轧参数的优化计算中,大大提高了局部代表解空间的一个候选解,粒子在搜索空间以定搜索能力,有效地避免了早熟以及局部最优现象的的速度飞行,飞行速度根据飞行经验进行动态调整。发生。该算法基于群智能的并行全局搜索策略,采用速度.2 基于蚊群算法的PID参数优化-位置搜索模型实现对整个空间的寻优操作。PSO蚁群算法由意大利学者M. Dorigo、V. Maniez-算法是模仿生物社会性行为而得出的--种全局优化zo、A.Colorini9i等人根据蚂蚁群体具有智能的特点算法,是一种高效简单的并行搜索算法,其优点在首先提出,当时他们称之为蚁群系统,后来M. Dorigo于概念简单、实现容易、鲁棒性好,并且能以较大概等为了其他学者研究的方便,将各种蚂蚁算法统称率收敛到全局最优,而且它对所优化目标的先验知为蚁群算法,并为该算法提出了一个统一的框架结识要求甚少,一般只需知道其数值关系即可。但是，构模型。蚁群算法是90年代初期才提出的一种新该算法中国煤化士很大的影响,另型的进化算法,虽然其起步较晚,但是对蚁群算法的外,在=经验估计出PID研究已引起了国际上学者们的广泛关注。三个YHCNMHG采用随机生成蚁群算法是-种基于种群的启发式仿生进化算的方式,对其可行解空间进行搜索的,因此需要合理法,其基本思想来源于蚂蚁之间的交流过程。外出估计PID三个参数的取值范围。第11期何佳佳等. PID参数优化算法●3.杨诚4等针对全局版标准PS0算法容易陷人的整定!8局部极值点这一-缺点,提出了实数编码的局部版标由于主管道蒸汽温度控制具有大惯性、大延迟、准PSO算法,采用该算法搜索所得的解比全局版算时变等特性,而采用常规PID控制难以获得满意的法更优,但速度较慢;熊伟丽5等对标准PSO算法控制效果,李茜等“9 提出一种模糊自整定PID控制进行了改进,提出了一种改进的粒子群算法MWP-器的串级控制算法,该算法通过模糊决策来对其控sO,使惯性权重具有了一定的灵活性,同时,该算法制器的PID参数进行调整,用模糊规则进行推理,模在收敛的情况下,所有粒子都向最优解的方向飞去，糊规则采用产生式表示方式,即IF(条件)THEN(结.从而粒子趋于同一化的问题进行了改进,为改善系.果)形式,并且它对不同的控制指标和被控对象均统的过渡性能和动态特性,还在月标函数中加入控能实现PID最佳调整,是一种实施简单、性能良好、制输人的平方项,并采用了惩罚功能,使得相同迭代易于工程实现的方法;曾晓红[2}等首先利用遗传算次数下该算法的性能指标远远优于遗传算法;李凌法的全局优化能力优化PID参数,得到PID参数的舟([0等提出一种改进的微粒群优化算法(IPSO),该初始值,然后根据系统当前的误差和误差变化率,用算法是在基本PS0算法的惯性权重部分加人一个模糊推理方法在线优化调整PID参数的权值来动态调节因子项,实现惯性权重的非线性调整,并通过调地调整参数,抗干扰强,灵敏性较好。节因子的调节,使得算法的前期有较大的收敛速度,3.5基于神经网络的 PID参数优化后期则能以较大的概率收敛到全局最优;郭成等人工神经网络( Artificial Neural Network ，ANN)针对微粒群优化算法存在的早熟问题，提出了一种是由大量简 单人工神经元互联而成的-种计算结基于T-S模型的模糊自适应PS0算法(T-SPS0算构。由于其大规模并行处理、学习、联想和记忆等功法),该算法通过T-S规则,动态自适应更新惯性权能，以及它的高度自组织和自适应能力,并且能够充.重取值,使得算法前期以较大惯性权重值保证算法分任意地逼近任何复杂的非线性系统,所有定量和的全局搜索能力,而后期则以较小惯性权重值加快定性分析都等势分布储存于神经网络内的各种神经收敛,从而有效解决了PSO算法的早熟问题,改善元中 ,具有很强的信息综合能力,能够学习和适应严了算法的收敛性。重不确定系统的动态特性,有很强的魯棒性和容错3.4基于模糊推理的PID参数优化性,可以处理那些难以用模型和规则描述的过程,因随着计算机尤其是微机的发展和应用,自动控此,神经网络已成为解决许多工程问题的有工具，制理论和技术获得了飞跃的发展。基于状态变量描并且在一些不确定系统的控制中已成功应用。述的现代控制理论对于解决线性或非线性、定常或Hopfield 神经网络( Hopfield Neural Network ,HNN)是时变的多输人多输出系统问题,获得了广泛的应用。Hopfield于1982年提出的反馈神经网络模型,简称但是,无论采用经典控制理论还是现代控制理论设Hopfield 网络。由于网络中引人了反馈,所以它是.计-一个控制系统,都需要事先知道被控制对象精确-个非线性动力学系统。通常非线性动力学系统最的数学模型,然后根据数学模型以及给定的性能指关心的是系统的稳定性问题,在Hopfield模型中,神标,选择适当的控制规律,进行控制系统设计。PID经网络之间的联系总是设为对称的,这保证了系统控制器设计的关键在于如何合理地确定比例、积分、最终会达到一个固定的有序状态,即稳定状态。利微分参数的大小，然后进行人工在线整定。然而,在用该特性,可以将Hopfield网络用于联想记忆，也可许多情况下被控对象(或生产过程)的精确数学模以用来对组合优化问题进行求解“1。型很难建立,或系统参数不能通过有效的测量手段韩伟”)利用神经网络来逼近实际系统,用闭环来获得,或控制理论的技术难以采用时,就难以进行控制下 所得的观测数据进行系统在线辨识,并针对自动控制。自1965年L.A.Zadeh提出模糊集的慨不同的系统建立不同的对象模型，并在该模型的基念以来,关于模糊系统的研究得到了飞速的发展,随础上,运用遗传算法进行PID参数寻优,取得了较好后模糊控制技术也被广泛应用于工业控制过程中,的控制效果;鉴于遗传算法虽能求得全局解,但收敛并取得了令人瞩目的成就。模糊推理是模糊控制的速度馒,而基于神经网络的控制器结构简单、可塑性理论基础,,该算法就是运用模糊数学的基本理论和强,但容易陷人局部解,何军旗.21等提出将遗传算方法,把控制规则的条件、操作用模糊集表示,并把法和BI中国煤化宁数优化,使系这些模糊控制规则以及有关信息(评价指数、初始统整体节精度更高。.PID参数等)作为知识存人计算机知识库中,然后计4小FYHCNMHG算机会根据控制系统的实际响应情况(即专家系统PID控制器是整个控制系统的核心,它的控制的输人条件),运用模糊推理自动实现对PID参数作用以及参数对控制品质有直接影响。目前，PID●4.化工自动化及仪表第37卷参数优化算法很多,但是,无论哪种优化算法,都有表,200 ,34(5):7-13.一定的适用范围。以上介绍的参数优化算法也只是[s]张磊.基于单纯形法的 PID控制器的最优设计[J].信息与控制,2004 ,3(3) :376 -379.其中比较有代表性的算法,对其研究已经取得--定[6]毛敏,于希宁. 基于遗传算法的PID参数优化方法[].的成果,但仍有许多不足之处,有待进-步研究。从中国电力,2002 ,35(8) ;48 -51.目前PID参数优化算法的研究现状来看,以下几个[7] 范敏.基于多种群遗传算法的PID控制器参数优化技术方面将是今后- -段时间内研究和实践的重点。研究[J].软件导.2008.73):112 -114.(1)由于基本的粒子群算法易陷人局部极小值[8]王焱,孙一康. 变尺度混沌遗传算法及其在冷轧参数优点,且搜索精度不高,因此,可以利用混沌序列的化中的应用[J].化工自动化及仪表,2002 ,29(2) :24 -27.“遍历性、随机性.规律性”,在其中加入混沌细搜[9] COLORNI A,DORIGO M, MANIEZZO V ,et al. Ant Sytem for索,使得局部搜索能力大大提高。Job Shop Scheduling[J]. Belgian J of Operations Research Sta-tieties and Computer Sicence ,1994 ,34(1):39 -53.(2)鉴于蚁群算法具有分布式并行搜索能力,[10]王建国,张吴宇 ,明学星,等基于蚊群算法优化的再热汽且易于与其它算法结合,是- -种全局优化的算法,因温系统变参数预测PID控制[].化工自动化及仪表，此,可以利用蚁群算法的全局优化能力优化PID参2008 ,35(3):19 -22.数，得到PID参数的初始值,然后根据系统当前的误[11]贺慧杰. 基于智能算法的PID控制器参数优化设计的应用差和误差变化率,用模糊推理方法在线优化调整研究[J].科技创新导报,009,(8);16.PID参数的权值来动态地调整参数。[12]陈建涛,姚万业. 一种用于优化PID参数的改进蚁群算法(3)由于人工神经网络能够充分任意地過近任[J].仪器仪表用户,09 ,20(5):34 -35.何复杂的非线性系统,能够学习和适应严重不确定[13]徐志成 基于微粒群优化的鲁櫸PID挖制器参数整定方法研究[J].化工自动化及仪表2006 ,3(5):22 -25.系统的动态特性,有很强的鲁棒性和容错性,可以处[14] 杨诚,杨传启.基于粒子群算法的PID参数优化[J].自理那些难以用模型和规则描述的过程,因此，可以用动化仪表,2006 ,27(SI):95 -96.神经网络来過近实际系统,用闭环控制下所得的观[15]熊伟丽 ,徐保国,周其明.基于改进粒子群算法的PID参数测数据进行系统在线辨识，并针对不同的系统建立优化方法研究[J].计算机工程,2005 ,31(24):41 -43.不同的对象模型,并在该模型的基础上,运用蚁群算[16]李凌舟,陈 利. 基于改进PSO算法的PID参数优化研究法进行PID参数寻优。[J].四川电力技术,09 ,32(5):29 -31.(4)除了对各种算法继续进行全面深入的研究[17] 郭成,李群湛利用T-S模糊自适应PSO算法优化PID参数[J].计算机工程与应用,2009 ,45(3) :245 -248.外,还应考虑将各种算法互相结合,互相渗透,充分[18]李士勇. 模糊控制,神经控制和智能控制论[ M].哈尔滨:发挥各自的优势,并且希望能更多地结合实际工程哈尔滨工业大学出版礼,1998.应用,扩展各算法的应用领城，从而进-步提高控制[19] 李茜,李彬,朱雪丹.模糊自整定PID控制器的设计与系统的性能,实现PID最优控制。仿真[J].化工自动化及仪表,2010,37(3):25 -28.参考文献:[20]曾晓红,龚 伟. 基于遗传优化和模糊推理PID及MAT-[1] 杨智,朱海锋，黄以华. PID控制器设计与参数整定方法LAB仿真[J].微计算机信息(测控自动化) ,2006 ,22(12综述[J].化1自动化及仪表,2005.32(5);1 -7.-1):57-59.[2] uUA C P,DALEYB s. OimlaTring PID Control for Indus- [21] 黄平.孟永钢最优化理论与方法[ M]北京:清华大学trial Systems[J]. Control Engineering Practice ,2001 ,9(11):出版杜,009.1185 -1194.[22]韩伟基于遗传算法和神经网络的PID控制参数的优化研3] 刘思华,王 英基于相角裕度优化的PID参数整定方法研究[J].叮编程控制器与工厂自动化205):119 -121.究[J].化工自动化及仪表,2008 ,35(1):17-19.[23]何军旗,万少松,齐 蜂基于BP遗传算法的PID控制器[4] 王辉,钱锋.群体智能优化算法[J].化工自动化及仪参数设计[J].弹箭与制导学报,2007 ,27(5):53 -54.Algorithms for Parameters Optimization of PID ControllerHE Jiajia, HOU Zai-en(School of Electric and Informatin Eninering, Shaanxi University of Science and Technology ,Xi' an 710021, China)Abstract: Parameters optimization of PID controller is an important problem in automatic control feld. In order to 8a-chieve optimal PID control, the algorithms for parameters optimizatio中国煤化工hotspou of n8tional control theory research.With the development of computer tealgorithms havebeen rapidly developed and widely used, and are significant in theaYHCNMHGmsforparame-ters optimization and the latest achievements in this aspect were mainly introduced, and the future directions of PIDparameter optimization were also discussed. .Key words: PID control ; dynamic performance ; parameters optimization; algorithm