基于遗传算法的PID控制器调谐研究（Matlab代码实现）

荔枝科研社

于 2023-04-24 17:16:00 发布

阅读量554

点赞数

分类专栏：灵敏性/PID 文章标签：算法

本文链接：https://blog.csdn.net/weixin_46039719/article/details/130310139

版权

灵敏性/PID 专栏收录该内容

22 篇文章 3 订阅

订阅专栏

文章介绍了PID控制器在自动化控制中的重要性以及传统参数整定方法的局限性。提出使用遗传算法进行PID参数优化，通过建立适应度函数和遗传操作寻找最佳控制器参数，以实现控制系统性能的提升。实验结果展示了遗传算法的优化过程和效果。

摘要由CSDN通过智能技术生成

👨‍🎓个人主页：研学社的博客

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现

💥1 概述

传统的 PID 控制器参数整定方法包括经验凑试法、对数频率特性法、临界比例度法。经验凑试法是工程人员在长期实践中总结的一套方法，整定过程简单但是需要系统的理论知识和丰富的整定经验；对数频率特性法是利用系统的对数频率特性来整定参数，整定过程依赖被控对象精确的数学模型；临界比例度法整定过程简单，但对于有干扰的控制系统，难以得到良好的控制器参数。

PID 控制器因其结构简单、控制高效等优点在自动化生产过程中得到了广泛应用，目前在工业过程控制中占据主导地位。PID 的 3 个控制参数（比例系数 Kp、积分系数 Ki、微分系数 Kd）决定了控制系统的动态性能及稳态特性。PID 控制器

的参数整定是一个复杂的过程，需要工程人员具备系统的专业理论知识和丰富的整定经验。在非线性系统中，用传统的方法整定得到的参数往往不能获得良好的动态性能。

遗传算法通过模拟生物遗传学中的“优胜劣汰”规则，在搜索范围内寻找最优个体。本文将 PID 控制器参数序列作为初始化种群，建立基于多个性能指标的适应度函数，通过 3 个遗传操作产生子代，新产生的子代与最优父代融合形成下一代种群。遗传算法通过检查停止条件决定是否终止迭代，最终输出最佳个体，使得基于时

域的目标函数值最优。

📚2 运行结果

部分代码：

global time
den1=[1 6 5 0];
num1=[1];
sysrl=tf(num1,den1);
%____________________________________________________________________
%Initialising the genetic algorithm
populationSize=30;
variableBounds=[-100 100;-100 100;-100 100];
evalFN='PID_objfun_MSE';
%Change this to relevant object function
evalOps=[];
options=[1e-6 1];
initPop=initializeoga(populationSize,variableBounds,evalFN,evalOps,options);
%____________________________________________________________________
%Setting the parameters for the genetic algorithm
bounds=[-100 100;-100 100;-100 100];
evalFN='PID_objfun_MSE';%change this to relevant object function
evalOps=[];
startPop=initPop;
opts=[1e-6 1 0];
termFN='maxGenTerm';
termOps=100;
selectFN='roulette';
selectOps=0.08;
xOverFNs='arithXover';
xOverOps=4;
mutFNs='unifMutation';
mutOps=8;
%____________________________________________________________________
%Iterating the genetic algorithm
[x,endPop,bPop,traceInfo]=ga(bounds,evalFN,evalOps,startPop,termFN,...
[50],[],[],[],[],mutFNs,mutOps);
%[x,endPop,bPop,traceInfo]=ga(bounds,'GAeval',evalOps,startPop,'optMaxGenTerm',...
% [maxGen 0.0 1e-6],[],[],[],[],mutFNs,mutOps);
%____________________________________________________________________
%Plotting Genetic algorithm controller
den1=[1 6 5 0];
num1=[1];
sysrl=tf(num1,den1);
%Creating the optimal PID controller from GA results
ga_pid=tf([x(1) x(2) x(3)],[1 0]);
ga_sys=feedback(series(ga_pid,sysrl),1);
figure(1)
hold on;
step(ga_sys,time,'g');%Green-genetic algorithm
%Plotting best population progress
figure(2)
subplot(3,1,1),plot(bPop(:,1),bPop(:,3)),...
title('Kp Value'),, ylabel('Gain');
subplot(3,1,2),plot(bPop(:,1),bPop(:,4)),...
title('Ki Value'),, ylabel('Gain');
subplot(3,1,3),plot(bPop(:,1),bPop(:,2)),...
title('Kd Value'),xlabel('Generations'), ylabel('Gain');