改进粒子群优化算法的研究及其在控制系统设计中的应用

论文摘要

现在的工业被控对象越来越复杂,并且控制要求不断的提高,为了满足不断提高的生产要求,使得生产过程更加平稳,控制质量更加符合要求,如何准确的寻找到参数模型,并且在此基础上寻找到最佳的控制器参数是十分必要且迫切的。粒子群优化算法（PSO）是近年来提出来的一种群体智能优化算法,比较适用于不可微的复杂优化问题,非线性的求解以及组合优化问题。由于粒子群优化算法原理简单,容易理解,收敛速度较快等优点,已经发展为智能优化研究的一个重要的分支,在很多领域都得到了应用,但粒子群也存在自己固有的缺陷,比如早熟收敛,容易陷入局部最优且搜索精度不高等,针对这个缺陷进行算法的改进研究,使之更加适合实际的工业生产,具有重要的理论价值和实际意义。本文在理论上针对于粒子群优化算法容易陷入局部最优以及早熟等缺点,结合遗传算法的选择交叉变异算子进行改进,并加入了对惯性因子采取非线性减小等机制,得到一种新型的GAPSO算法,同时对另外一种结合模拟退火的粒子群优化算法（SAPSO）进行了研究,对比遗传算法、GAPSO和SAPSO三种不同的优化算法,最后总结出结合了遗传算子的粒子群优化效果更好,所以后文多选择这种改进的算法来应用,使用Matlab和Visual C++实现此算法,将该方法应用于PID控制系统参数调优和被控对象参数辨识上,并比较了不同优化算法的收敛性能,仿真结果显示所提出的算法优化效果优于基本粒子群优化算法和遗传算法,收敛性能也得到很大提高,避免了早熟收敛。因为要对真实的工业对象建模以及控制器的参数调优,所有本文以Visual C++为实现语言,通过良好的可视化界面,编写和实现了改进的,PSO算法。通过比较使用Visual C++和Matlab实现的改进算法的优化效果,二者的优化结果相近,但前者的优化速度明显比后者快很多,具有更高的实用价值。然后以高级多功能过程控制实训系统（SMPT-1000）为实际被控对象,进行了PSO算法的实际应用研究,通过OPC客户端完成对被控对象的数据采集,使用Visual C++实现的结合遗传算子的改进的粒子群优化算法对换热器的模型进行参数辨识,对换热器的温度控制进行参数寻优,且实现了使用此种改进的算法对锅炉的过热蒸汽温度的控制调优以及对过热蒸汽的压力的参数模型辨识,方便了其他研究者继续进行内模控制的研究,对实验结果的分析表明,使用改进的粒子群优化算法对PID控制器参数调优和对象的参数模型辨识具有有效性和可行性。最后,总结了课题的研究成果,并指出使用此优化算法还有许多有待解决的问题。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题研究的历史背景
• 1.2 课题研究的意义
• 1.3 优化算法综述
• 1.4 本课题的主要内容
• 第二章 基本粒子群优化算法
• 2.1 国内外粒子群优化算法研究现状
• 2.1.1 粒子群优化算法的发展
• 2.1.2 粒子群优化算法的应用
• 2.2 基本粒子群优化算法介绍
• 2.2.1 粒子群优化算法的起源
• 2.2.2 粒子群优化算法的原理
• 2.2.3 粒子群优化算法的数学描述
• 2.2.4 基本算法流程
• 2.2.5 全局模型和局部模型
• 2.3 粒子群优化算法参数分析
• 2.4 粒子群优化算法特点分析
• 2.5 粒子群优化算法与其他优化算法的比较
• 2.5.1 粒子群优化算法和遗传算法的比较
• 2.5.2 粒子群优化算法和模拟退火算法的比较
• 2.6 小结
• 第三章 粒子群优化算法改进的研究
• 3.1 粒子群优化算法改进思路
• 3.1.1 粒子群优化算法需要改进问题
• 3.1.2 粒子群优化算法的改进原则分析
• 3.2 遗传算法简介
• 3.2.1 遗传算法综述
• 3.2.2 遗传算法（GA）的操作流程
• 3.3 结合遗传算法的粒子群优化算法（GAPSO）的改进过程
• 3.3.1 粒子群优化算法的改进分析
• 3.3.2 算法的改进原理分析
• 3.3.3 改进后的优化算法流程
• 3.4 粒子群优化算法和模拟退火思想结合（SAPSO）的改进过程
• 3.4.1 模拟退火算法的介绍
• 3.4.2 结合模拟退火思想的粒子群优化算法
• 3.5 基准函数的仿真实验分析
• 3.5.1 优化算法的测试
• 3.5.2 实验仿真比较
• 3.6 小结
• 第四章 结合遗传操作算子的粒子群优化算法在控制系统中的应用
• 4.1 改进的算法GAPSO应用于控制器的参数优化
• 4.1.1 PID控制器参数优化的必要性与原理分析
• 4.1.2 控制器参数对控制性能的影响
• 4.1.3 控制系统的性能评价函数的选取
• 4.1.4 GAPSO优化算法对控制器参数的优化
• 4.1.5 仿真实验分析
• 4.2 结合遗传操作算子的优化算法对被控对象的参数过程辨识
• 4.2.1 参数过程辨识的概念及其必要性分析
• 4.2.2 参数模型辨识的模型分类
• 4.2.3 过程参数模型的辨识方法分析
• 4.2.4 基于结合遗传算子的粒子群优化算法的对象参数模型辨识的实现步骤
• 4.2.5 参数模型的仿真辨识结果
• 4.3 小结
• 第五章 改进的GAPSO算法的Visual C++实现研究
• 5.1 粒子群优化算法的软件设计分析
• 5.1.1 软件技术支撑环境及其工具介绍
• 5.1.2 主程序的开发设计
• 5.1.3 软件界面设计
• 5.1.4 UML建模及关键类图分析
• 5.2 PID参数优化的软件实现结果仿真
• 5.2.1 被控对象传递函数的离散化
• 5.2.2 实验仿真结果输出
• 5.3 对象模型辨识及其实现
• 5.3.1 模型辨识常用参数结构
• 5.3.2 被控对象参数模型辨识结果仿真
• 5.4 小结
• 第六章 基于Visual C++改进的粒子群算法在SMPT-1000实训系统中的应用
• 6.1 OPC简介
• 6.1.1 OPC技术概况
• 6.1.2 OPC技术的规范
• 6.1.3 OPC技术在工业领域的应用
• 6.2 OPC在数据采集中的应用
• 6.3 改进的优化算法在换热器对象上的应用
• 6.3.1 换热器模型工艺流程
• 6.3.2 改进的优化算法在换热器出口温度参数模型辨识上的应用
• 6.3.3 改进的优化算法在换热器出口温度控制上的应用
• 6.4 结合遗传算子的改进粒子群优化算法在锅炉控制系统上的应用
• 6.4.1 锅炉的工艺介绍
• 6.4.2 改进的优化算法在锅炉的过热蒸汽温度控制上的应用
• 6.4.3 改进的优化算法对锅炉的过热蒸汽压力的参数模型辨识
• 6.5 小结
• 第七章 结论与展望
• 7.1 结论
• 7.2 展望
• 参考文献
• 致谢
• 研究成果及发表的学术论文
• 作者和导师简介
• 硕士研究生学位论文答辩委员会决议书