[发明专利]惯性权重余弦调整粒子群优化算法的PID参数整定方法

说明书

一种惯性权重余弦调整粒子群优化算法的PID参数整定方法，涉及粒子群算法技术领域，包括以下步骤：（1）种群初始化操作；（2）将粒子群个体解码为比例Kp、积分Ki和微分Kd；（3）运行simulink模型，选取误差绝对值乘时间积分ITAE准则作为算法的适应度函数；（4）根据适应度值函数计算初始化群体的适应度值，并得到个体极值pBest和全局极值gBest；（5）根据惯性权重余弦调整公式对惯性权重进行动态调整，并根据进化迭代公式计算速度和位置从而得到新一代的粒子群；（6）由ITAE准则计算更新后的粒子群个体的适应度值；（7）若达到最大迭代次数或精度最小值的终止条件，则进入步骤（8），若未达到终止条件则进入步骤（5）；（8）结束，得到全局最优值。

技术领域

本发明涉及粒子群算法技术领域，且更具体地涉及一种惯性权重余弦调整粒子群优化算法的PID参数整定方法。

背景技术

在目前的工业控制中，应用最广泛的控制器是PID控制器(Process Identifier)，其作用是使误差朝需要的越来越小的方向逼近，以达到工业控制要求的控制精度。其具有结构简单、调整方便等优点。通常，该控制器由偏差的比例(Kp)、积分(Ki)、微分(Kd)线性组成，并对被控对象进行控制，其中比例Kp成比例的反应控制系统的偏差信号，偏差一旦生成，控制器立即产生控制作用，以减少偏差；积分环节Ki主要用于消除静态差；微分环节Kd反应偏差信号的变化趋势，能够在偏差信号变得太大之前，在系统中引入一个有效的早期修正信号，从而加快系统的运动速度，减少调节时间。不同Kp、Ki、Kd的组合值会使得偏差朝不同的趋势发展，而工业控制中偏差越小越好，同时随着工业控制的发展，实际工业控制领域中出现了越来越多复杂的被控对象导致对偏差控制的精度要求越来越高，所以PID控制器参数的整定优化问题成为了工业控制领域的一个关注点。

近年来，群智能优化算法得到了迅猛的发展，其中由Eberhart博士和kennedy博士提出的粒子群优化算法(Particel Swarm Optimization,PSO)因其收敛速度快、参数设置少、简单易行得到了广泛的应用。但其在迭代后期易陷入局部最优解从而降低了算法结果的精度。为了改善这一缺陷，研究者们从惯性权重出发先后提出了线性权值递减(LDIW)策略、随机惯性权值(RIW)策略、惯性权值正弦调整策略等改进方法，尽管这些方法在性能和效率上都得到了一定的提高，但还是在如何平衡局部与全局搜索能力、避免算法后期陷入局部最优解这一问题中存在缺陷。

发明内容

针对上述技术的不足，本发明公开一种惯性权重余弦调整粒子群优化算法的PID参数整定方法，对惯性权重公式引入余弦调整，并将该惯性权重公式用于PID控制器的参数整定优化中，得到了较传统粒子群优化算法和惯性权重正弦调整的粒子群优化算法应用于PID控制器更快的收敛速度和更高精度的整定结果。

本发明采用以下技术方案：

一种惯性权重余弦调整粒子群优化算法的PID参数整定方法，其特征在于，所述方法在Matlab/simulink环境下编写m函数代码并搭建simulink模型完成的，包括以下步骤：

步骤一，种群初始化操作；

设置以下参数：

种群规模、算法最大迭代次数、惯性权重及学习因子的初始值、粒子速度和搜索位置的范围、种群的维度，并在搜索空间中随机初始化粒子种群；

步骤二，将粒子群个体解码为比例Kp、积分Ki和微分Kd；

步骤三，运行simulink模型，选取误差绝对值乘时间积分ITAE准则作为算法的适应度函数；

步骤四，根据适应度值函数计算初始化群体的适应度值，并得到个体极值pBest和全局极值gBest；

步骤五，根据惯性权重余弦调整公式对惯性权重进行动态调整，并根据进化迭代公式计算速度和位置从而得到新一代的粒子群；