智能控制大作业-遗传算法

1、智能控制大作业-遗传算法标准化文件发布号：（9456EUATWKMWUBWUNNINNUL-DDQTY-KII智能控制与应用实验报告遗传算法控制器设计一、实验内容考虑一个单连杆机器人控制系统，其可以描述为：Me + 0.5mgl sin(g) = ry = q其中M =O.5kgm2为杆的转动惯*, m = kg为杆的质量/ = 1?为杆长 g=9.8/H/52, q为杆的角位置，0为杆的角速度，。为杆的角加速度，丁为系 统的控制输入。具体要求：1设计基于遗传算法的模糊控制器、神经网络控制器或PID控制器(任选 _)。2分析采用遗传算法前后的控制效果。3分析初始条件对寻优及对控制效果的影响。4

2、.分析系统在遗传算法作用下的抗干扰能力(加噪声干扰、加参数不确定)、 抗非线性能力(加死区和饱和特性)、抗时滞的能力。二、对象模型建立根据公式(1),令状态量得到系统状态方程为： _ r 一 0.5 * mgl * sin(西)X2=M=西(i)由此建立单连杆机器人的模型如下：function dy = robot (t, y, u)M = 0.5;m=l 0;g=9.8；dy = zeros (2,1);dy(1) = (u - 0.5*m*g*l*sin (y (2)/M;dy(2) = y(l);三、基于遗传算法的PID控制器设计仿真的采样时间为0.01S,输入指令为阶跃信号。采用实数编

3、码方式， 算法中使用的样本为20个，交叉概率和变异概率分别为Pc=0.8, Pm=o.2; 选择遗传进化代数为30代。PID控制参数取值范围分别为：Kp为0,25, Ki 为0,20 , Kd 为0,20 o为获得满意的过渡过程动态特性，采用误差绝对值时间积分性能指标 作为参数选择的最小目标函数。同时，为了防止控制能量过大，在目标函 数中加入控制输入的平方项，得到最优指标为：厶（凶）| + ®/（。）力+马/“，式中，巩/）为系统误差"为控制器输 出，J为上升时间，为权值。取=0.99,码=0.01,% =2.5。遗传进化10代后，最优指标变化如图1所示，最优性能指标J二5

4、1.9516,优化后的 PID 参数为 Kp= 18.0976, Ki= 16.8281, Kd= 4.6012o3757065605550TimesrV)Q) CD10将训练好的PID参数代入原系统并与与原来的PID参数控制效果进行比较，得到图2：#1.4PID GA-PID1.210.80.60.40.20012345678910t/s图2 GA优化后的PID控制与原PID控制比较系统原来的PID参数为：Kp=16,Ki=10,Kd=8o从图2中可以看岀，训练后的PID参数控制效果明显原来的PID参数控制效果好。四、初始条件对寻优及对控制效果的影响根据第一次优化的结果，设定PID控制参数取

5、值范围分别为：Kp为10,20, Ki为10,20 , Kd为0,10,得到第二次优化的性能指标5=48.6468,优化后的PID参数为Kp= 18.6980, Ki=13.5172, Kd=5.5317o得到的控制效果如图3所示：7PID GA-PID1.210.80.60.40.20012345678910t/s图3第二次优化后的控制效果图从图3中可以看出，第二次优化后的控制效果较第一次有所提升。五、加入非线性因素的影响系统的响应特性分析1 抗干扰能力 在优化后的PID控制器与原PID控制器中分别加入相同的随机噪声，系统响应如图4所示:1.21p 0.8岳0.60.40.200123456

6、78910t/s图4加入噪声的系统响应曲线从图4中的响应曲线可以看出，优化后的PID控制比原PID控制的效果要好一些，但抗干扰效果相差不大。2加入饱和饱和区间为卜0.505,得到的系统响应曲线如图5所示：10.7 -PID GA-PID0.6、0.50.4 - 03-0.2 -0.1 ；0 11L012345t/s78910图5加入饱和的系统响应曲线从图5中可以看出加入饱和特性后，优化PID比原PID控制响应速度要一些一3 加入时滞在PID系统和神经网络系统中分别加入相同的时滞后，系统的响应曲线如图6所示：PID GA-PID0.5q Prrrrrrr012345678910t/s图6加入时滞的系统响应曲线从图6中可以看出，加入时滞特性后优化PID控制器的控制效果明显比原PID控制效果要好一点，但差别不大。六、总结PID控制是工业过程中应用最广的策略之一，因此PID控制器参数的 优化成为人们关注的问