一種變異粒子群優(yōu)化的bp神經(jīng)網(wǎng)絡pid控制算法
【技術領域】
[0001] 本發(fā)明屬于智能控制技術領域，尤其涉及一種變異粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡PID 控制算法。
【背景技術】
[0002] PID控制即比例-積分-微分控制，它是建立在經(jīng)典控制理論基礎上的一種控制 策略，在工業(yè)過程控制中應用最廣泛，歷史最悠久，生命力最強的控制方式，在目前的工業(yè) 生產(chǎn)中，90%以上的控制系統(tǒng)都為PID控制系統(tǒng)。它采用了基于數(shù)學模型的方法，由于算法 簡單、魯棒性好和可靠性高、控制效果良好，因此被廣泛應用于工業(yè)控制過程，對于傳統(tǒng)PID 控制系統(tǒng)，在把其投入運行之前，必須先整定好三個參數(shù)：比例系數(shù)&、積分系數(shù)h、微分系 數(shù)kd，以便得到最佳控制效果，如果控制系統(tǒng)參數(shù)整定不好，即使控制系統(tǒng)本身很先進，其 控制效果也會很差。
[0003] 隨著工業(yè)的發(fā)展，控制對象的復雜程度也在不斷加深，許多大滯后、時變的、非線 性的復雜系統(tǒng)，如溫度控制系統(tǒng)被控制過程機理復雜具有高階非線性、慢時變、純滯后等特 點，常規(guī)PID控制顯得無力了。在這種情況下，智能優(yōu)化算法被引入到PID控制系統(tǒng)，用以 整定PID參數(shù)，智能優(yōu)化算法以其具有的充分任意地逼近任意復雜的非線性關系、具有很 強的信息綜合能力、能夠學習和適應嚴重不確定系統(tǒng)的動態(tài)特性等特性而被引入到PID控 制器設計中，使原有的PID系統(tǒng)可以處理那些難以用模型和規(guī)則描述的過程。其中神經(jīng)網(wǎng) 絡以其具有的非線性特性、優(yōu)化和自適應控制性能等被引入到PID控制器設計中。但是在 其實際應用的過程中，采用BP神經(jīng)網(wǎng)絡所設計的BP神經(jīng)網(wǎng)絡PID控制系統(tǒng)由于反向傳播 學習算法的學習效率低、收斂速度慢、全局搜索能力弱以及易陷入局部最優(yōu)等，其控制效果 并不理想，從而限制了神經(jīng)網(wǎng)絡在PID控制器中的應用。
[0004] 論文：徐勝男等.基于粒子群優(yōu)化的神經(jīng)網(wǎng)絡自適應控制算法[J].中國機械工 程，2012, 23 (22)，2732-2738.公開了一種基于粒子群優(yōu)化的神經(jīng)網(wǎng)絡自適應控制算法，克 服了神經(jīng)網(wǎng)絡容易陷入局部極小值以及收斂速度慢的缺陷。粒子群優(yōu)化的神經(jīng)網(wǎng)絡自適應 控制算法雖然操作簡單、簡單易行，并且在一定程度上克服了 BP算法易陷入局部最優(yōu)值， 但是在算法優(yōu)化后期，也存在著優(yōu)化速度降低以及早熟等情況，導致其全局搜索能力較弱， 因此，其控制效果欠佳并且導致個別區(qū)域誤差比較大。

【發(fā)明內(nèi)容】

[0005] 為解決上述問題本發(fā)明提供了一種變異粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡PID控制算法， 通過對最優(yōu)適應度值得判斷而確定固定變異算子來提高粒子群跳出局部最優(yōu)解的能力且 增加了粒子群的多樣性，從而使其全局搜索能力增強，算法的魯棒性也得到了較大提高。具 有很強的全局搜索能力，計算速度快、精確度高、控制效果好、具有很高的實用性。
[0006] 為達到上述技術效果，本發(fā)明的技術方案是：
[0007] 一種變異粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡PID控制算法，包括以下步驟：
[0008] 步驟一、初始化BP神經(jīng)網(wǎng)絡：初始化BP神經(jīng)網(wǎng)絡，確定BP神經(jīng)網(wǎng)絡輸入層節(jié)點數(shù) N和隱含層節(jié)點數(shù)S，并給出隱含層加權系數(shù)初值Wu和輸出層加權系數(shù)初值w %;
[0009] 步驟二、初始化變異粒子群優(yōu)化算法：初始化變異粒子群優(yōu)化算法，確定變異粒子 群優(yōu)化算法的粒子群維數(shù)M，并給出粒子群慣性權重范圍[w min，Wmax]、加速系數(shù)cdP c 2、位置 范圍[Xniin, x_]、速度范圍[Vniin, ν_]、變異操作粒子數(shù)概率P范圍[Pniin, PniaJ ;
[0010] 步驟三、確定BP神經(jīng)網(wǎng)絡輸入信號：由被控制對象的傳遞函數(shù)及當前輸入值 rin (k)，控制系統(tǒng)計算當前輸出值Ytjut (k)，以及誤差函數(shù)error (k)，得到BP神經(jīng)網(wǎng)絡的輸 入信號：rin(k)、y(Mt(k)、errorGO,然后對BP神經(jīng)網(wǎng)絡的輸入信號進行采樣、歸一化預處 理之后輸入BP神經(jīng)網(wǎng)絡；其中error(k) = rin(k)-yQUt(k);
[0011] 步驟四、計算PID控制系統(tǒng)輸出可調(diào)參數(shù)：正向計算BP神經(jīng)網(wǎng)絡各層神經(jīng)元輸入 值、輸出值，BP神經(jīng)網(wǎng)絡輸出層的三個輸出值即為PID控制器的三個可調(diào)參數(shù)k p、kp kd，根 據(jù)增量式PID，得到Λ u，并與PID控制系統(tǒng)第k-1次運算的輸出值u (k-1)相加，得到PID 控制系統(tǒng)第k次運算的輸出值u (k)并送入被控制對象；
[0012] 步驟五、更新粒子個體最優(yōu)值以及全局最優(yōu)值：根據(jù)變異粒子群算法修正BP神經(jīng) 網(wǎng)絡的加權系數(shù)，更新粒子群每個粒子的位置和速度，進而計算每個粒子的適應度值，更新 粒子個體最優(yōu)值以及全局最優(yōu)值；其中粒子群粒子的位置和速度更新公式，如下所示：
[0013] Vid= WV Jc1A (Pid-Xid) +c2r2 (Pgd-Xid);
[0014] Xid= x id+vid；
[0015] w為慣性權重，慣性權重的引進使變異粒子群算法可以調(diào)節(jié)算法的全局與局部尋 優(yōu)能力；cl和c2為正常數(shù)，稱為加速系數(shù)；rl和r2是[0,1]的隨機數(shù)；X id為粒子位置；V id 為粒子速度；Pid為粒子個體最優(yōu)位置；P gd為粒子群最優(yōu)位置；
[0016] 其中粒子的適應度即為系統(tǒng)誤差值，計算公式如下；
【主權項】
1. 一種變異粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡PID控制算法，其特征在于，包括以下步驟： 步驟一、初始化BP神經(jīng)網(wǎng)絡：初始化BP神經(jīng)網(wǎng)絡，確定BP神經(jīng)網(wǎng)絡輸入層節(jié)點數(shù)N和 隱含層節(jié)點數(shù)S，并給出隱含層加權系數(shù)初值^和輸出層加權系數(shù)初值w %; 步驟二、初始化變異粒子群優(yōu)化算法：初始化變異粒子群優(yōu)化算法，確定變異粒子群優(yōu) 化算法的粒子群維數(shù)M，并給出粒子群慣性權重范圍[wmin，Wmax]、加速系數(shù)cdP c 2、位置范圍 [Xmin，XmJ、速度范圍[Vmin，V maJ、變異操作粒子數(shù)概率P范圍[Pmin，PmJ ; 步驟三、確定BP神經(jīng)網(wǎng)絡輸入信號：由被控制對象的傳遞函數(shù)及當前輸入值rin (k)， 控制系統(tǒng)計算當前輸出值Ytjut (k)，以及誤差函數(shù)error (k)，得到BP神經(jīng)網(wǎng)絡的輸入信號： rin(k)、YtjutGO、error (k)，然后對BP神經(jīng)網(wǎng)絡的輸入信號進行采樣、歸一化預處理之后輸 入 BP 神經(jīng)網(wǎng)絡；其中 error(k) = rin(k)-yQUt(k); 步驟四、計算PID控制系統(tǒng)輸出可調(diào)參數(shù)：正向計算BP神經(jīng)網(wǎng)絡各層神經(jīng)元輸入值、輸 出值，BP神經(jīng)網(wǎng)絡輸出層的三個輸出值即為PID控制器的三個可調(diào)參數(shù)kp、ki、kd，根據(jù)增量 式PID，得到Λ u，并與PID控制系統(tǒng)第k-Ι次運算的輸出值u (k-Ι)相加，得到PID控制系 統(tǒng)第k次運算的輸出值u (k)并送入被控制對象； 步驟五、更新粒子個體最優(yōu)值以及全局最優(yōu)值：根據(jù)變異粒子群 算法修正BP神經(jīng)網(wǎng)絡的加權系數(shù)，更新粒子群每個粒子的位置和速度，進而計算每 個粒子的適應度值，更新粒子個體最優(yōu)值以及全局最優(yōu)值；其中粒子群粒子的位置和速度 更新公式，如下所示： Vid= WV (Pid-Xid) +C2T2 (Pgd-Xid)； Xid - X id+Vid; w為慣性權重；cl和c2為正常數(shù)，稱為加速系數(shù)；rl和r2是[0,1]的隨機數(shù)；xid為粒 子位置；Vid為粒子速度；P id為粒子個體最優(yōu)位置；P gd為粒子群最優(yōu)位置； 其中粒子的適應度即為系統(tǒng)誤差值，計算公式如下：
rin(k)和y()Ut(k)為步驟二甲所街出的BP押迕FJ塔的白則犧八但利白前輸出值，i為 第i個粒子，M為第i個粒子的維數(shù)； 粒子個體最優(yōu)值為：pi = (pil，pi2, pi3, · · · piD); 粒子全局最優(yōu)值為：pg = (pgl，pg2, pg3, · · · pgD); 步驟六、進行變異操作：計算種群適應度方差，根據(jù)方差及種群全局最優(yōu)值，確定變異 操作粒子數(shù)概率P，若P e [Pmin，Pmax]，則按p進行變異操作，否則再考慮粒子群方差值〇 2 是否超出設定最大方差值〇2d，粒子群的最優(yōu)值適應度值f(gbest)是否超出設定的最優(yōu)適 應度值f d，若滿足σ2 <〇·,)&&./_(g/W)>/d ,變異操作粒子數(shù)概率p以固定概率β進行變 異操作，否則不進行變異操作，其中Pmax為粒子最大變異概率；P min為粒子最小變異概率； 步驟七、判斷是否終止迭代：判斷迭代次數(shù)以及誤差值，若滿足終止條件則終止迭代， 否則轉回第5步； 步驟八、確定PID控制系統(tǒng)輸出可調(diào)參數(shù)：將經(jīng)過變異粒子群優(yōu)化的隱含層加權系數(shù) Wij和輸出層加權系數(shù)w送入BP神經(jīng)網(wǎng)絡，BP神經(jīng)網(wǎng)絡輸出層的三個輸出值即為PID控 制器的三個可調(diào)參數(shù)kp、Iii、kd。
2. 根據(jù)權利要求1所述的變異粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡PID控制算法，其特征在于， 所述步驟一中，BP神經(jīng)網(wǎng)絡的輸入層節(jié)點數(shù)對應所選的被控系統(tǒng)運行狀態(tài)量，輸出層神經(jīng) 元的積分函數(shù)取非負的Sigmoid函數(shù)，而隱含層神經(jīng)元的激發(fā)函數(shù)取正負對稱的Sigmoid 函數(shù)。
3. 根據(jù)權利要求1所述的變異粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡PID控制算法，其特征在于， 所述步驟二中，變異粒子群算法的維數(shù)M為隱含層加權系數(shù)與輸出層加權系數(shù)個數(shù)之和； 粒子群慣性權重在[w min，Wmax]范圍內(nèi)按線性關系遞減；速度的隨機值限制在[vmin，V max];位 置的隨機值限制在[Xmin, Xmax]。
4. 根據(jù)權利要求1所述的變異粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡PID控制算法，其特征在于， 所述步驟四中，增量式PID公式如下所示： Δ u = kp X (error (k) -error (k-1)) +kj X error (k) +kd X (error (k) -2error (k-1) +erro r(k-2))； u (k) = u (k_l) + Δ u ; 其中error (k)為BP神經(jīng)網(wǎng)絡中第k次誤差值，error (k-1)為BP神經(jīng)網(wǎng)絡中第k-1次 誤差值，error (k-2)為BP神經(jīng)網(wǎng)絡中第k-2次誤差值。
5. 根據(jù)權利要求1所述的變異粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡PID控制算法，其特征在于， 所述步驟六中，變異操作粒子數(shù)概率P取值規(guī)則如下：
其中PmaxS粒子最大變異概率;PminS粒子最小變異概率； 若P e [pmin，pmax]，則按p進行變異操作，否則再考慮粒子群方差值〇 2是否超出設定 最大方差值〇2d，粒子群的最優(yōu)值適應度值f(gbest)是否超出設定的最優(yōu)適應度值4，若 滿足<r 2<crj&&/(g/W)>/rf ,變異操作粒子數(shù)概率p以固定概率β進行變異操作，否則 不進行變異操作，其操作過程如下公式：
其中fd為設定的最優(yōu)適應度值；f (gbest)為此次優(yōu)化過程中最優(yōu)適應度值；σ ~為設 定最大方差值；σ 2為此次優(yōu)化過程中方差值；β為常數(shù)，固定概率。
【專利摘要】本發(fā)明公開了一種變異粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡PID控制算法，它包括如下步驟：步驟一、初始化BP神經(jīng)網(wǎng)絡；步驟二、初始化變異粒子群優(yōu)化算法；步驟三、確定BP神經(jīng)網(wǎng)絡輸入信號；步驟四、計算PID控制系統(tǒng)輸出可調(diào)參數(shù)；步驟五、更新粒子個體最優(yōu)值以及全局最優(yōu)值；步驟六、進行變異操作；步驟七、判斷是否終止迭代；步驟八確定PID控制系統(tǒng)輸出可調(diào)參數(shù)。本發(fā)明不需要建立精確地數(shù)學模型，能夠自動識別被控制過程參數(shù)、自動整定控制參數(shù)、適應被控制過程的參數(shù)變化，還克服了傳統(tǒng)BP神經(jīng)網(wǎng)絡的反向傳播誤差修正方法執(zhí)行速度緩慢，極易陷入到局部最小的缺陷，具有更強的魯棒性以及更為優(yōu)秀的控制效果。
【IPC分類】G05B13-04
【公開號】CN104834215
【申請?zhí)枴緾N201510128343
【發(fā)明人】蔣敏蘭, 鄭華清
【申請人】浙江師范大學
【公開日】2015年8月12日
【申請日】2015年3月24日