论文部分内容阅读
PID控制因其控制原理简单,易于操作,适合于大多数对控制要求低的工业控制场所,但其难以满足非线性、时变的复杂控制系统,且参数无法自整定。而模糊控制对复杂的控制情况能够经过过模糊度量、识别,然后经知识推理做出决策,实现对被控对象的控制,非常适合非线性、时变等无法获得精确函数模型的控制系统。依据两者的特点,研究者常将模糊控制与PID控制结合构成模糊PID控制器,实现PID参数的自整定。但是,由于模糊控制中的隶属度函数及模糊控制规则仅仅依赖专家知识和现场操作人员的经验获得,无法避免人为因素造成的偏差,常导致控制效果不太理想。Dan Simon提出的生物地理学优化算法(Biogeography-Based Optimization,BBO)是一种用于解决优化问题的智能进化算法。该算法具有机制新颖,结构简单,收敛性好等特点。在研究BBO算法后,将其用于优化模糊PID控制器中的隶属度函数和模糊规则等参数,减小人为因素对控制器的影响,提升其控制性能。本文所做的主要内容有:1)介绍了PID控制和模糊控制的研究现状,分析了模糊PID控制器的优势和不足,并详细给出模糊PID控制器的设计步骤。2)介绍了一种新颖的智能进化算法——生物地理学优化算法,并将该算法用于优化模糊PID控制器隶属度函数和模糊规则的参数寻优。通过MATLAB仿真平台,使用BBO算法优化模糊PID控制器参数,然后与常规的模糊PID器及常规PID控制器进行仿真实验对比,实验结果表明其控制效果更加有效。3)针对BBO算法到后期收敛速度慢的不足,使用云模型理论对算法的迁移操作中的最重要的迁移模型进行改进,然后将改进后的BBO算法与原BBO算法、遗传算法(Genetic Algorithm,GA)及粒子群算法(Particle Swarm Optimization,PSO)进行六种基准函数测试对比。最后将这四种算法对模糊PID控制器的参数进行优化,并进行仿真实验对比。实验结果表明经改进的BBO算法优化后模糊PID控制器具有更好的控制效果。4)将改进的BBO算法用于工业生产中具有代表性的伺服控制领域。通过MATLAB/Simulink搭建交流伺服控制系统模型,然后使用基于改进的BBO算法优化的模糊PID控制器进行仿真实验,并与常规模糊PID控制器做对比。结果表明前者用于伺服系统的速度控制使的系统有更好的稳定性和抗干扰能力。