摘  要： 傳統(tǒng)的PID參數(shù)整定方法由于需要決策者具有較強的工程經(jīng)驗，難以處理非連續(xù),、非線性或時滯的復雜系統(tǒng),。針對這種情況，提出一種新的基于量子粒子群優(yōu)化的PID參數(shù)自整定方法,。該算法采用問題的時間絕對偏差乘積積分方程來評價粒子的適應(yīng)值,；設(shè)計一種時變變異算子，用來均衡粒子的全局和局部開發(fā)能力,。實驗結(jié)果表明,，該算法在超調(diào)量和調(diào)節(jié)時間等指標上皆優(yōu)于傳統(tǒng)粒子群優(yōu)化算法。

　　關(guān)鍵詞： PID參數(shù),；量子粒子群,；時變變異

0 引言

　　PID控制器因其原理簡單、結(jié)構(gòu)清晰和可替換性強等優(yōu)點,，備受廣大工程人員的好評[1],。然而，由于所設(shè)計控制器的效果完全取決于PID的三個參數(shù),，因此,，PID參數(shù)整定一直備受學者的關(guān)注。

　　根據(jù)所采用方式的不同,，已有PID參數(shù)整定方法可分為傳統(tǒng)整定方法和智能優(yōu)化方法兩類[2],。對于低階、線性和實時控制系統(tǒng),，傳統(tǒng)整定方法可以取得好的控制效果,；但是，隨著工業(yè)水平的快速發(fā)展,，實際工業(yè)生產(chǎn)中經(jīng)常會出現(xiàn)一些復雜非連續(xù),、非線性或時滯的系統(tǒng)。為了提高PID參數(shù)整定的效果,，人們嘗試將智能算法用于PID參數(shù)的整定,，典型方法如模糊推理算法[3]、神經(jīng)網(wǎng)絡(luò)方法[4],、遺傳算法[5]和粒子群優(yōu)化算法（PSO）[6-7]等,。

　　量子粒子群優(yōu)化算法[8]（Quantum behaved Particle Swarm Optimization，QPSO）是孫俊等人在2004年提出的一種改進型粒子群優(yōu)化算法,。相對傳統(tǒng)粒子群優(yōu)化算法[9],，該算法在保留結(jié)構(gòu)簡單和易于執(zhí)行等優(yōu)點的基礎(chǔ)上，顯著提高了粒子的搜索能力,。本文將量子粒子群優(yōu)化算法用于自動調(diào)整PID的參數(shù),，提出一種改進的量子粒子群自整定方法,。

1 PID參數(shù)的改進量子粒子群自整定方法

　　1.1 粒子編碼及初始種群

　　本文將PID控制器三個參數(shù)作為粒子群優(yōu)化三個決策變量，并進行實數(shù)編碼,，也就是說將每一個粒子看作一個三維空間向量即：

　　xi=（xi1,，xi2，xi3）=（kip,，kii,，kid）

　　運行粒子群算法之前，本文先用傳統(tǒng)的Z-N整定法得到一個參數(shù)整定結(jié)果,，并將該結(jié)果作為一個參考范圍,，用來確定每一維決策變量的取值范圍。出于實際考慮,，粒子位置不可能出現(xiàn)負數(shù),，所以粒子搜索空間設(shè)定如下：

　　其中，,、和為Z-N整定法得到的參數(shù)參考值,，若迭代過程中粒子位置超出上述邊界，則取邊界值,。

　　1.2 適應(yīng)度函數(shù)的選取

　　針對PID參數(shù)自整定問題,，需要確定一個用來判定PID控制效果的性能指標。本文選取時間絕對偏差乘積積分方程（ITAE）作為評價指標,，計算公式如下：

　　利用增量式的PID控制算法將PID控制器的三個控制參數(shù)KP,、KI和KD作為系統(tǒng)輸入，并以系統(tǒng)響應(yīng)曲線確定的J值作為響應(yīng)粒子的適應(yīng)值,。

　　1.3 一致時變變異算子

　　為了均衡算法的全局和局部搜索能力,，給出一種時變變異算子，同時調(diào)節(jié)粒子的變異概率和變異范圍,。所提變異算子的偽代碼如下：

　　FOR i=1 to N//*N為粒子群規(guī)模*//

　　IF pm=e（-2×t/Tmax）>rd//*rd為間隨機數(shù)*//

　　d=rand（1,，3）//*在{1，2,，3}中隨機選擇一維*//

　　xid=xid+N（0，1）×rang//*N（0,，1）為標準高斯分布函數(shù)*//

　　ENDIF

　　ENDFOR

　　可以看出,，在算法初期階段，粒子群中所有粒子將受變異算子的影響,，并且每個粒子允許在整個決策空間中變異,，因此，在初始階段算法具有好的全局探索能力,。隨著迭代次數(shù)的增加,，變異算子的影響逐漸變?nèi)酰虼耍诘笃谒惴▽⒕哂泻玫木植块_發(fā)能力,。

　　1.4 算法執(zhí)行步驟

　　本文所提改進算法的流程如下：

　?。?）根據(jù)Z-N方法確定KP、KI和KD的取值范圍,，隨后在取值范圍內(nèi)隨機初始化N個粒子,；

　　（2）初始化粒子的自身位置為其個體最優(yōu)點,，粒子群中最好位置為粒子的全局最優(yōu)點,；

　　（3）計算每個粒子的平均最優(yōu)位置：

　　Ait=（c1r1Pit+c2r2Pgt）/（c1r1+c2r2）（3）

　　其中,，Pit=（P ti,，1，P ti,，2,，P ti，3）為到目前t時刻第i個粒子發(fā)現(xiàn)的最好位置,，即通常說的微粒個體最優(yōu)點,；Pgt=（P tg，1,，P tg,，2，P tg,，3）為到目前t時刻所有粒子發(fā)現(xiàn)的最好位置,，即通常說的粒子全局最優(yōu)點；c1和c2為學習因子,，r1和r2為服從均勻分布U（0,，1）的隨機數(shù)。

　?。?）更新每個粒子的位置：

　　其中,，參數(shù)為收縮-擴張系數(shù)，為保證粒子收斂,，本文取0<<1.782,；參數(shù)u為服從均勻分布U（0，1）的隨機數(shù),；N為粒子群的規(guī)模,。

　　（5）執(zhí)行一致變異算子,；

　?。?）利用式（1）計算每個粒子的適應(yīng)值,；

　　（7）更新粒子的個體最優(yōu)點和全局最優(yōu)點,；

　?。?）判斷是否達到預設(shè)的算法終止條件，如果滿足,，則終止算法并輸出結(jié)果,，否則返回步驟（3）。

2 實驗仿真

　　為了驗證上述改進量子粒子群優(yōu)化算法在PID控制上的優(yōu)越性,，本文利用Simulink良好的模擬能力,，進行PID控制器的參數(shù)優(yōu)化與模擬。

　　被控對象如下：

　　圖1給出了Simulink開發(fā)的仿真系統(tǒng),。

　　2.1 參數(shù)設(shè)置

　　設(shè)置模型輸入信號為系統(tǒng)階躍響應(yīng),，采樣周期為0.01 s。分別運用改進量子粒子優(yōu)化算法和基本PSO算法,，比較兩者所產(chǎn)生參數(shù)的控制效果,。兩種算法采用相同的種群規(guī)模20以及迭代次數(shù)50。

　　2.2 結(jié)果分析

　　利用本文所提改進算法和基本PSO算法,，分別優(yōu)化問題30次,，表1和表2出示了兩者算法所得的統(tǒng)計結(jié)果?？梢钥闯?，本文所提算法性能明顯優(yōu)于基本PSO算法，其所得最差結(jié)果（即適應(yīng)值最大的解）也優(yōu)于基本粒子群優(yōu)化算法所得最優(yōu)結(jié)果（即適應(yīng)值最小的解）,。進一步,，圖2和圖3展示了某次實驗時兩種算法所得最優(yōu)參數(shù)對應(yīng)的控制響應(yīng)曲線。

可以看出,，本文算法所得控制參數(shù)展示了更好的控制效果,，在超調(diào)量和調(diào)節(jié)時間等指標上皆優(yōu)于傳統(tǒng)PSO算法。

3 結(jié)論

　　本文將量子粒子群優(yōu)化算法用于自動調(diào)整PID的三個控制參數(shù),，通過采用一致時變變異算子均衡粒子的全局和局部開發(fā)能力,，提出一種改進的PID參數(shù)量子粒子群自整定方法。利用Simulink對系統(tǒng)進行仿真,，并與基本PSO算法進行比較,，實驗驗證了所提算法的有效性。

參考文獻

　　[1] 陶永華.新型PID控制及其應(yīng)用[M].北京：機械工業(yè)出版社,，2003.

　　[2] 安鳳栓，?？×?，蘇丕朝,，等.基于改進粒子群優(yōu)化算法的PID控制器參數(shù)優(yōu)化[J].工礦自動化，2010（5）：54-57.

　　[3] 朱穎合,，薛凌云,，黃偉.基于自組織調(diào)整因子的模糊PID控制器設(shè)計[J].系統(tǒng)仿真學報，2011,，23（12）：2732-2737.

　　[4] 杜海樹,，楊智，邱熔勝,，等.神經(jīng)智能PID控制算法應(yīng)用[J].甘肅工業(yè)大學學報,，1999，25（3）：72-76.

　　[5] 周洪波,，齊占慶,，衡強，等.一種改進的遺傳算法及其在PID控制中的應(yīng)用[J].控制工程,，2007,，14（6）：589-591.

　　[6] 王介生，王金城,，王偉.基于粒子群算法的PID參數(shù)自整定[J].控制與決策,，2005，20（1）：73-76.

　　[7] 孫慧,，楊守義,，穆曉敏.NC-OFDM系統(tǒng)導頻設(shè)計的離散粒子群算法[J].電子技術(shù)應(yīng)用，2014,，40（7）：99-102.

　　[8] 孫俊.量子行為粒子群優(yōu)化算法研究[D].無錫：江南大學,，2009.

　　[9] KENNEDY J， EBERHART R. Particle swarm optimization[C]. Proceedings of the 1995 IEEE International Conference on Neural Networks,， 1995：1942-1948.