自适应PID控制器的参数优化方法.pdf

《自适应PID控制器的参数优化方法.pdf》由会员分享，可在线阅读，更多相关《自适应PID控制器的参数优化方法.pdf（13页完成版）》请在专利查询网上搜索。

1、(19)国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202410000418.6(22)申请日 2024.01.02(71)申请人 济南大学地址 250024 山东省济南市市中区南辛庄西路336号(72)发明人 张玉璘曹旭(51)Int.Cl.G05B 11/42(2006.01)(54)发明名称一种自适应PID控制器的参数优化方法(57)摘要本发明公开了一种自适应PID控制器的参数优化方法，属于PID控制技术领域，具体包括以下步骤：步骤一：构建PID控制系统模型；步骤二：改进暴龙算法，具体实现为：结合算法适应度函数，改进暴龙狩猎的成功率；步骤三：。

2、利用改进暴龙算法对PID控制器参数整定优化，迭代得到优化后的PID控制器的Kp、Ki、Kd参数；步骤四：采用MATLAB和Simulink对自适应PID控制系统进行仿真；改进后的暴龙算法能够在搜索空间中完成更好的寻优，提高了PID控制的适应性和鲁棒性。权利要求书2页 说明书6页 附图4页CN 117492359 A2024.02.02CN 117492359 A1.一种自适应PID控制器的参数优化方法，其特征在于，利用改进暴龙算法优化PID控制器的参数，具体步骤如下：步骤一：构建自适应PID控制系统模型；步骤二：改进暴龙算法，具体实现方式为：改进暴龙狩猎的成功率，从而改进算法开发阶段的更新策略。

3、；步骤三：利用改进暴龙算法对PID控制器参数整定优化，迭代得到优化后的PID控制器的Kp、Ki、Kd参数；步骤四：采用MATLAB和Simulink对自适应PID控制系统进行仿真。2.根据权利要求1所述的一种自适应PID控制器的参数优化方法，其特征在于，所述步骤一中，自适应PID控制系统模型包括目标值，实时值，偏差计算模块，PID控制器模块，改进暴龙算法模型，被控对象模块。3.根据权利要求1所述的一种自适应PID控制器的参数优化方法，其特征在于，所述步骤二中，改进暴龙狩猎的成功率，改进后数学模型公式为：；式中，为待更新的改进后的暴龙狩猎成功率，为当前迭代 次的改进后的暴龙狩猎成功率，为所有个体。

4、的适应度值的和，为当前最优适应度值，为取值0,1内的随机数，为暴龙种群数量，为扰动因子，数学模型公式为：；式中，为标准正态分布的随机数，为当前迭代次数，为总的迭代次数。4.根据权利要求1所述的一种自适应PID控制器的参数优化方法，其特征在于，所述步骤三中，利用改进暴龙算法对PID控制器参数整定优化，迭代得到优化后的PID控制器的Kp、Ki、Kd参数，具体步骤为：S1.将自适应PID控制器的参数Kp、Ki、Kd的解组合编码为暴龙算法的暴龙位置；S2.初始化改进暴龙算法参数：包括暴龙算法种群初始位置、算法搜索空间上下界、种群规模、空间维度和最大迭代次数；所述种群初始位置为自适应PID控制参数的初始。

5、解，所述算法搜索空间上下界为Kp、Ki、Kd的解的上下限；S3.计算改进暴龙算法当前迭代的个体适应度值，并记录最优适应度值，适应度函数 公式为：；式中，为迭代时刻 时被控对象的目标值与当前值的误差；S4.模拟暴龙搜索猎物和猎食猎物的过程，更新暴龙种群个体位置；S5.计算当前适应度，并与历史最优适应度比较，更新个体最优解，同时，根据所有个体的适应度，更新群体最优解；S6.判断当前迭代次数 是否满足，若满足，则输出最优解，否则返回执行S2；S7.将最优解分解得到Kp，Ki，Kd三个参数，代入到PID控制器中，完成自适应PID控制器参数的优化。权利要求书1/2 页2CN 117492359 A25.。

6、根据权利要求4所述的一种自适应PID控制器的参数优化方法，其特征在于，所述S4中，模拟暴龙搜索猎物和猎食猎物的过程，更新暴龙种群个体位置，具体步骤为：S41.算法搜索阶段，暴龙随机进行搜索猎物，利用公式（1）更新暴龙种群位置；（1）；式中，为暴龙到达猎物的估计距离，为随机距离值，为暴龙待更新的位置，为当前迭代猎物的位置，为随机猎物的位置；S42.算法开发阶段，结合算法适应度函数，改进暴龙狩猎的成功率，位置更新公式如式（2）所示：（2）；式中，为待更新的改进后的暴龙狩猎成功率，介于0.1,1；为暴龙运动速度，影响算法寻优速度；为猎物运动速度，影响算法寻优速度；为当前暴龙个体与猎物的距离；为暴龙与。

7、目标猎物的最小距离。权利要求书2/2 页3CN 117492359 A3一种自适应PID控制器的参数优化方法技术领域0001本发明属于PID控制技术领域，具体涉及一种自适应PID控制器的参数优化方法。背景技术0002PID控制技术，即比例积分微分控制技术，是在工业过程中控制一个或多个变量的一种基本方法。其核心思想是通过比例、积分和微分三个环节来调整控制信号，以达到对被控对象的有效控制。PID控制器的输出是根据输入误差的比例、积分和微分计算得出的，因此能够快速响应系统的变化，并消除误差。PID控制器的设计原理相对简单，易于理解和实现。PID控制器对系统的参数变化不太敏感，因此具有较强的鲁棒性。0。

8、003通过调整PID控制器的参数，可以灵活地调整控制系统的性能，满足不同的控制需求。但PID控制器的参数调整相对复杂，需要一定的经验和技巧，对于某些特定的控制系统，如果参数选择不当，可能会导致PID控制器不稳定，从而影响控制效果。0004近年来，最优控制问题在解决实际问题中越来越重要。在这方面，元启发式算法在有效地解决这些问题时是有效的。暴龙优化算法（TROA）的灵感来自于霸王龙的狩猎行为，该算法在12个基准问题和4个实际最优控制问题上进行了测试，将微分进化（DE）算法、粒子群优化（PSO）、灰狼优化器（GWO）、白鲨优化器（WSO）、水母搜索（JS）、乌鸦搜索算法（CSA）、金鹰优化（GEO。

9、）等7种著名的优化技术进行了比较，与这些方法相比，该方法的计算效果更好。但是，标准暴龙优化算法仍然可以在寻优精度和阻止算法陷入局部最优问题上优化。发明内容0005本发明的目的在于：提出一种自适应PID控制器的参数优化方法，改进暴龙算法，通过改进暴龙狩猎的成功率，解决暴龙算法易陷入局部最优解，导致寻优精度低的问题，从而解决目前传统PID控制器在复杂环境和非线性被控对象中应用时存在的控制灵敏度和控制精度低的问题。0006为了实现上述目的，本发明采用了如下技术方案，一种自适应PID控制器的参数优化方法，具体步骤如下。0007步骤一：构建自适应PID控制系统模型。0008步骤二：改进暴龙算法，具体实现。

10、为：改进暴龙狩猎的成功率，从而改进算法开发阶段的更新策略。0009步骤三：利用改进暴龙算法对PID控制器参数整定优化，迭代得到优化后的PID控制器的Kp、Ki、Kd参数。0010步骤四：采用MATLAB和Simulink对自适应PID控制系统进行仿真。0011进一步地，所述步骤一中，自适应PID控制系统模型包括目标值输入模块，实时值读取模块，偏差计算模块，PID控制器模块，改进暴龙算法模型，非线性被控对象模块。0012进一步地，偏差计算模块计算控制非线性被控对象的目标值与实时值的差值，将差值输入到改进暴龙算法模型中适应度函数，用于协调改进暴龙算法对Kp、Ki、Kd的寻优，说明书1/6 页4CN。

11、 117492359 A4将寻优得到的最优参数输入到自适应PID控制器，经自适应PID控制器输出最优被控对象控制数值。0013进一步地，所述步骤一中，自适应PID控制系统模型中被控对象的传递函数为：；式中，为拉普拉斯变量。0014进一步地，所述步骤二中，改进暴龙狩猎的成功率，改进后数学模型公式为：；式中，为待更新的改进后的暴龙狩猎成功率，为当前迭代 次的改进后的暴龙狩猎成功率，为所有个体的适应度值的和，为当前最优适应度值，为取值0,1内的随机数，为暴龙种群数量，为扰动因子，数学模型公式为：；式中，为标准正态分布的随机数，为当前迭代次数，为总的迭代次数。0015进一步地，暴龙狩猎成功率，是暴龙算。

12、法特有的因子参数，影响暴龙算法的寻优精度，改进暴龙狩猎成功率时，使其随暴龙算法每次迭代的适应度值和当前最优适应度值变化而变化，同时加入扰动因子，在迭代前期，扰动因子保持较大值，可以扩大暴龙狩猎范围，保证种群多样性，迭代后期，扰动因子保持较小值，提高暴龙狩猎精度，降低算法陷入局部最优的概率。0016进一步地，所述步骤三中，利用改进暴龙算法对PID控制器参数整定优化，迭代得到优化后的PID控制器的Kp、Ki、Kd参数，具体步骤为：S1.将自适应PID控制器的参数Kp、Ki、Kd的解组合编码为暴龙算法的暴龙位置；S2.初始化改进暴龙算法参数：包括暴龙算法种群初始位置、算法搜索空间上下界、种群规模、空。

13、间维度和最大迭代次数；所述种群初始位置为自适应PID控制参数的初始解，所述算法搜索空间上下界为Kp、Ki、Kd的解的上下限；S3.计算改进暴龙算法当前迭代的个体适应度值，并记录最优适应度值，适应度函数 公式为：；式中，为迭代时刻 时被控对象的目标值与当前值的误差；S4.模拟暴龙搜索猎物和猎食猎物的过程，更新暴龙种群个体位置；S5.计算当前适应度，并与历史最优适应度比较，更新个体最优解，同时，根据所有个体的适应度，更新群体最优解；S6.判断当前迭代次数 是否满足，若满足，则输出最优解，否则返回执行S2；S7.将最优解分解得到Kp，Ki，Kd三个参数，带入到PID控制器中，完成自适应PID控制器参。

14、数的优化。0017进一步地，所述S4中，模拟暴龙搜索猎物和猎食猎物的过程，更新暴龙种群个体位置，具体步骤为：S41.算法搜索阶段，暴龙随机进行搜索猎物，利用公式（1）更新暴龙种群位置；说明书2/6 页5CN 117492359 A5（1）；式中，为暴龙到达猎物的估计距离，为随机距离值，为暴龙待更新的位置，为当前迭代猎物的位置，为随机猎物的位置；S42.算法开发阶段，结合算法适应度函数，改进暴龙狩猎的成功率，位置更新公式如式（2）所示：（2）；式中，为待更新的改进后的暴龙狩猎成功率，介于0.1,1；为暴龙运动速度，影响算法寻优速度；为猎物运动速度，影响算法寻优速度；为当前暴龙个体与猎物的距离；为。

15、暴龙与目标猎物的最小距离。0018进一步地，所述步骤S1中，采用实数编码编码的方式将自适应PID控制器的参数Kp、Ki、Kd的解组合编码为暴龙算法的暴龙位置。0019进一步地，所述步骤S2中，初始化改进暴龙算法，随机生成暴龙种群位置，公式为：；式中，为暴龙各个个体的位置，N为暴龙的总数，dim为空间维度，取值为3，ub为暴龙算法搜索上界，lb为暴龙算法搜索下界。0020综上所述，由于采用了上述技术方案，本发明的有益效果是：1、本发明提出的一种自适应PID控制器的参数优化方法，本发明初次将暴龙优化算法（TROA）应用于PID控制参数寻优，利用改进暴龙算法在线调整PID控制器的三个参数，避免人工调。

16、参的复杂性。改进后的暴龙算法能够在搜索空间中完成较好寻优，在算法前期避免了陷入局部最优解的风险，在算法后期收敛速度明显加快，并具备一定的强适应性和鲁棒性。00212、改进暴龙狩猎成功率时，使其随暴龙算法每次迭代的适应度值和当前最优适应度值变化而变化，同时加入扰动因子，在迭代前期，扰动因子保持较大值，可以扩大暴龙狩猎范围，保证种群多样性，迭代后期，扰动因子保持较小值，提高暴龙狩猎精度，降低算法陷入局部最优的概率。附图说明0022图1为自适应PID控制器系统的模型结构图。0023图2为利用改进暴龙算法优化PID控制器参数的流程图。0024图3为标准暴龙算法（TROA）与改进暴龙算法（ITROA）优。

17、化PID的Kp、Ki、Kd三个参数的寻优对比曲线图。0025图4为标准暴龙算法（TROA）与改进暴龙算法（ITROA）的适应度函数变化对比曲线图。0026图5为标准暴龙算法（TROA）与改进暴龙算法（ITROA）优化PID控制器的效果对比曲线图。具体实施方式0027下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于说明书3/6 页6CN 117492359 A6本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。0028本发明提供一种技术。

18、方案：一种自适应PID控制器的参数优化方法，利用改进暴龙算法优化PID控制器的参数，如图1所示，具体步骤如下。0029步骤一：构建自适应PID控制系统模型。0030步骤二：改进暴龙算法，具体实现为：改进暴龙狩猎的成功率，从而改进算法开发阶段的更新策略。0031步骤三：利用改进暴龙算法对PID控制器参数整定优化，迭代得到优化后的PID控制器的Kp、Ki、Kd参数。0032步骤四：采用MATLAB和Simulink对自适应PID控制系统进行仿真。0033进一步地，所述步骤一中，自适应PID控制系统模型包括目标值输入模块，实时值读取模块，偏差计算模块，PID控制器模块，改进暴龙算法模型，非线性被控对。

19、象模块。0034进一步地，偏差计算模块计算控制非线性被控对象的目标值与实时值的差值，将差值输入到改进暴龙算法模型中适应度函数，用于协调改进暴龙算法对Kp、Ki、Kd的寻优，将寻优得到的最优参数输入到自适应PID控制器，经自适应PID控制器输出最优被控对象控制数值。0035进一步地，所述步骤一中，自适应PID控制系统模型中被控对象的传递函数为：；式中，为拉普拉斯变量。0036进一步地，所述步骤二中，改进暴龙狩猎的成功率，改进后数学模型公式为：；式中，为待更新的改进后的暴龙狩猎成功率，为当前迭代 次的改进后的暴龙狩猎成功率，为所有个体的适应度值的和，为当前最优适应度值，为取值0,1内的随机数，为暴。

20、龙种群数量，为扰动因子，数学模型公式为：；式中，为标准正态分布的随机数，为当前迭代次数，为总的迭代次数。0037进一步地，暴龙狩猎成功率，是暴龙算法特有的因子参数，影响暴龙算法的寻优精度，改进暴龙狩猎成功率时，使其随暴龙算法每次迭代的适应度值和当前最优适应度值变化而变化，同时加入扰动因子，在迭代前期，扰动因子保持较大值，可以扩大暴龙狩猎范围，保证种群多样性，迭代后期，扰动因子保持较小值，提高暴龙狩猎精度，降低算法陷入局部最优的概率。0038进一步地，所述步骤三中，利用改进暴龙算法对PID控制器参数整定优化，迭代得到优化后的PID控制器的Kp、Ki、Kd参数，如图2所示，具体步骤为：S1、将自适。

21、应PID控制器的参数Kp、Ki、Kd的解组合编码为暴龙算法的暴龙位置；S2.初始化改进暴龙算法参数：包括暴龙算法种群初始位置、算法搜索空间上下界、种群规模、空间维度和最大迭代次数；所述种群初始位置为自适应PID控制参数的初始说明书4/6 页7CN 117492359 A7解，所述算法搜索空间上下界为Kp、Ki、Kd的解的上下限；S3.计算改进暴龙算法当前迭代的个体适应度值，并记录最优适应度值，适应度函数 公式为：；式中，为迭代时刻 时被控对象的目标值与当前值的误差；S4.模拟暴龙搜索猎物和猎食猎物的过程，更新暴龙种群个体位置；S5.计算当前适应度，并与历史最优适应度比较，更新个体最优解，同时，。

22、根据所有个体的适应度，更新群体最优解；S6.判断当前迭代次数 是否满足，若满足，则输出最优解，否则返回执行S2；S7.将最优解分解得到Kp，Ki，Kd三个参数，带入到PID控制器中，完成自适应PID控制器参数的优化。0039进一步地，所述S4中，模拟暴龙搜索猎物和猎食猎物的过程，更新暴龙种群个体位置，具体步骤为：S41.算法搜索阶段，暴龙随机进行搜索猎物，利用公式（1）更新暴龙种群位置；（1）；式中，为暴龙到达猎物的估计距离，为随机距离值，为暴龙待更新的位置，为当前迭代猎物的位置，为随机猎物的位置；S42.算法开发阶段，结合算法适应度函数，改进暴龙狩猎的成功率，位置更新公式如式（2）所示：（2。

23、）；式中，为待更新的改进后的暴龙狩猎成功率，介于0.1,1；为暴龙运动速度，影响算法寻优速度；为猎物运动速度，影响算法寻优速度；为当前暴龙个体与猎物的距离；为暴龙与目标猎物的最小距离。0040进一步地，所述步骤S1中，采用实数编码编码的方式将自适应PID控制器的参数Kp、Ki、Kd的解组合编码为暴龙算法的暴龙位置。0041进一步地，所述步骤S2中，初始化改进暴龙算法，随机生成暴龙种群位置，公式为：；式中，为暴龙各个个体的位置，N为暴龙的总数，dim为空间维度，取值为3，ub为暴龙算法搜索上界，lb为暴龙算法搜索下界。0042实施中，采用MATLAB和Simulink对自适应PID控制系统进行仿。

24、真，设置暴龙种群规模N=100，最大迭代次数=30，暴龙算法寻优上界ub=100，暴龙算法寻优下界lb=0；如图3所示，改进暴龙算法（ITROA）整定PID控制器的Kp、Ki、Kd的最优值为78.32、0、88.16；标准暴龙算法（TROA）整定PID控制器的Kp、Ki、Kd的最优值为30.00、0、37.64；从图3中，参数寻优变化曲线可知，标准暴龙算法（TROA）整定PID控制器的Kp、Ki、Kd参数时，在开始迭代5次左右便陷入局部最优，而改进暴龙算法（ITROA）整定PID控制器的Kp、Ki、Kd参数时，算法没有陷入局部最优。0043根据图4基础暴龙算法与改进暴龙算法的最佳适应度函数对比。

25、曲线图，按照适应度值越小，算法性能越好的准则，在相同迭代次数内改进暴龙算法能够获得更好的适应度说明书5/6 页8CN 117492359 A8值，即改进暴龙算法性能更好。0044分析图5可知，改进暴龙算法PID系统的超调量明显比基础暴龙算法PID系统的超调量更低，可以说明的是，改进暴龙算法PID系统要比基础暴龙算法PID系统能更快达到稳态，控制性能更好。说明书6/6 页9CN 117492359 A9图 1说明书附图1/4 页10CN 117492359 A10图 2说明书附图2/4 页11CN 117492359 A11图 3图 4说明书附图3/4 页12CN 117492359 A12图 5说明书附图4/4 页13CN 117492359 A13。