智能控制大作业-遗传算法

1、智能控制与应用实验报告遗传算法控制器设计实验内容考虑一个单连杆机器人控制系统，其可以描述为：M0.5mglsin（q）yq其中M0.5kgm2为杆的转动惯量，m1kg为杆的质量，l1m为杆长，g9.8m/s2,q为杆的角位置，q为杆的角速度，q为杆的角加速度，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 .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。对象模型建立XiIX2根据公式（1）,令

2、状态量x1=q,x2X1得到系统状态方程为:X20.5*mgl*sin(x1)MyXi由此建立单连杆机器人的模型如下:functiondy=robot(t,y,u)M=;m=;l=;g=;dy=zeros(2,1);dy(1)=(u-*m*g*l*sin(y(2)/M;dy(2)=y(1);三、基于遗传算法的PID控制器设计仿真的采样时间为，输入指令为阶跃信号。采用实数编码方式，算法中使用的样本为20个，交叉概率和变异概率分别为Pc=,Pm=,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。为获得满意的过渡过程动态特性，采用误差绝对值时间

3、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：J=0(ie(t)2u2(t)dt3%,式中，e(t)为系统误差，u(t)为控制器输出，tu为上升时间，1,2,3为权值。取10.99,20.01,32.5。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=,优化后的PID参数为Kp=,Ki=,Kd=。75itt(t:70-I165一B60-I55-rLJr5012345678910Times图1性能指标将训练好的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2:1.4PIDGA-PID0.2一l0

4、L1c1J012345678910t/s图2GA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=8。从图2中可以看出，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J=,优化后的PID参数为Kp=,Ki=,Kd-得到的控制效果如图3所示：1.4PIDGA-PID8,O012345678910t/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

5、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:1.4PIDGA-PID8,O0.2一If0L1c1012345678910t/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,得到的系统响应曲线如图5所示:2345678910t/s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3 .加入时滞系统的响应曲线如图在PID系统和神经网络系统中分别加入相同的时滞后,6所示:1.5PIDGA-PID0L1L1012345678910t/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题，它直接影响控