4.1.3 增量式PID 控制算法 ............................................... 28 4.2 PID控制器在控制方面的缺陷 .............................................. 29
4.2.1 PID控制器存在的不足 .............................................. 29 4.3 本章小结 ................................................................ 29 第五章 免疫遗传算法在PID控制器上的应用 ........................................ 30
5.1 性能指标的选取与实现 .................................................... 30
5.1.1 过渡过程的品质指标 ................................................ 30 5.1.2 误差泛函积分评价指标 .............................................. 30 5.2 基于遗传算法（GA）对PID参数整定思想 .................................... 31 5.3 传统遗传算法（GA）对PID参数的整定 ...................................... 32
5.3.1 整定原理 .......................................................... 32 5.3.2 整定步骤 .......................................................... 33 5.4 免疫遗传算法（IGA）对PID参数的整定 ..................................... 34
5.4.1 整定原理 .......................................................... 34 5.4.2 整定步骤 .......................................................... 34 5.5 免疫遗传算法优化PID控制器参数的仿真结构 ................................ 35
5.5.1 仿真结构图 ........................................................ 35 5.5.2 Simulink 仿真原理 ................................................. 36 5.5.3 确定最优增益的原理 ................................................ 36 5.6 仿真实验以及结果分析 .................................................... 37
5.6.1 仿真的典型被控对象 ................................................ 37 5.6.2 二阶系统仿真结果 .................................................. 37 5.6.3 高阶系统仿真结果 .................................................. 39 5.6.4 延迟系统仿真结果 .................................................. 40 5.7 本章小结 ................................................................ 43 第六章 总结与展望............................................................... 44 参考文献 ....................................................................... 45 致谢 ............................................................................ 1
摘 要
生物系统是一个极其复杂的系统，但是通过对该系统的计算机模拟研究，科学的提出了遗传算法（简称GA）。美国Michigan大学Holland教授及其学生受到生物模拟技术的启发，创造出了一种基于生物遗传和进化机制的适合于复杂系统优化的自适应概率优化技术——遗传算法。遗传算法作为一种实用高效，鲁棒性强的优化技术，发展极为迅速，引起国内外学者的高度重视[1]。
免疫遗传算法是免疫算法与遗传算法的有效结合。免疫遗传算法基于遗传算法并且克服了遗传算法保持群体多样性能力的不足，陷入局部最优等缺点。免疫遗传算法和遗传算法的不同就在于对群体的更新策略上。遗传算法根据个体的适应度进行复制，而免疫遗传算法是根据个体的适应度和浓度进行复制，具有很强的多样性保持能力。 比例积分微分控制简称PID控制，它是工业生产过程中最常用的控制方法，在工业生
产过程控制中，PID控制占85%~90%,随着科学技术的发展，特别是计算机的发展，许多先进的PID控制涌现出来并得到了广泛的应用，免疫遗传进化的PID控制技术就是其中的代表之一[2]。
国内外学者多是在控制对象标称模型下对PID控制器进行整定和优化设计的，然而在实际控制系统中由于受工作环境、元器件老化、结构的几何误差、材料制造以及测量等因素的影响，控制对象参数不确定性是客观存在的。基于控制对象标称模型下的控制器整定和优化方法，在控制对象参数发生较大变化时，很难满足控制性能要求。因此本文针对控制领域普遍存在的模型参数具有不确定性的一类PID线性控制系统，利用一种免疫遗传算法来寻找PID控制器的最有整定值，取得了很好的效果。 关键词：免疫遗传算法 , PID控制器 , IGAE , 早熟现象。
I
ABSTRACT
In this paper, the focus of the study is the design of PID controller by Immune Genetic Algorithm (IGA). The knowledge of two areas are of great importance to accomplish this study. One is Immune Genetic Algorithm and the design of PID controller is another one. The key and difficult point is the combination of the two areas of knowledge.
The basics of Genetic Algorithms (GA) and Immune Genetic Algorithm (IGA) are introduced in the earlier chapters, of course something about the PID controller is also the prerequisite . The main difference between IGA and GA is the concentration of antibody. In contrast, IGA makes a better performance although spends the time longer.
In order to improve the performance of the decency , the improved algorithm is necessary . In the text, three methods including AIA, DBAIA and MHDBAIA, which measure the antibody variety, are recommended. In order to control the antibody variety, AIA stimulates and restrains the antibody by simulating body cell theory of immune network. So AIA can increase the antibody variety and avoids premature convergence and sticking to local optimum. For the disadvantage of low calculation rate, two kinds of IGA are researched, which are separately based on Euclidean Distance or Manhattan Distance. Though these two definitions improve the ability of holding the antibody variety and the operating speed, the definition of antibody similarity are still not visual.
Elitism-based immune genetic algorithm is also introduced straightforward which is putted forward by the professor of TAN Guan-zheng , Central South University which makes great performance . This algorithm improves the diversity of the population and avoids the premature convergence.
The simulate tool Matlab provides some convenience for this study and by using the matlab/simulink module , perfect data emerge after some ten days certificate the better performance of IGA in optimization .
KEY WORDS: immune Genetic Algorithm, PID controller, IGAE, prematurity.
II
免疫遗传算法的PID控制器设计 第一章 绪论
第一章 绪 论
1.1 选题的背景以及意义
在工业控制中，PID控制器有着非常广泛的应用，它是工业生产过程中最常用的
控制算法，大约占到80%到90%[2]。最早的PID控制策略思想是由Minorsky在1922年提出的。1942年Ziegler和Nichols提出了关于PID控制器参数的整定公式（Z-N整定公式），明确了PID参数的整定规则。由于PID控制器在结构上的简单易操作，性能上容易实现以及具有一定的鲁棒性等特点，收到了许多研究人员的关注和工业生产部门的青睐，得到了长足的进步和发展。1993年以来，PID控制器的研究迎来了爆发性的发展阶段，主要原因有大致两个方面：一是现代控制理论的发展与实际工程想脱离，使得人们重新将研究方向的重点转移到了在工程控制中占主导地位的PID控制，二是针对现代工业过程对控制系统的高要求，进而引发了研究人员对传统控制策略作进一步改进和研究的想法[3]。
几十年的PID控制器研究表明：尽管在冶金，机械制造，化工，电力等工业领域，PID控制得到了广泛的应用，可是整定的方法并不是很好。有一些PID控制器从出厂便使用默认设置，控制其参数很少调整，导致生产现场控制器效果欠佳。除此之外，PID控制器本身有其结构和参数的不确定性等不足，所以对于PID控制器参数优化设计和整定对于提高控制系统的性能至关重要。许多学者都对这一领域做了研究，提出了很多的PID参数整定的方法，而基于免疫遗传算法的PID控制器便是这些整定方法之一。
遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化方法，是解决复杂问题的有效方法。与传统搜索算法不同，它是一种自然选择与遗传机理的随机搜索算法，简单通用、可并行处理得到全局最优解，在很多领域都得到了应用，取得了很好的效果。更主要的是它使用适应度来衡量搜索效果，调整相关的适应度函数就可以达到系统全面控制的效果。适应度函数可以是时域指标、频域指标、误差积分指标和这些指标的组合的变形，因此基于遗传算法的PID控制参数优化方法得到了较大发展。而免疫遗传算法是在遗传算法的基础上对遗传算法的一个改进，以提高种群的多样性，防止局部收敛，对于PID控制器的设计更加具有积极意义。
1.2 PID参数整定和优化的研究现状
基于PID控制器在工业控制领域的广泛应用，对于其整定和优化的方法的研究一直没有停止。PID控制器经过其近90年的发展，已经在各个方面取得了长足的进步，特别是在参数整定方面，很多研究学者都提出了相应的办法。在这些办法中有的是注重算法与PID参数整定的结合，有的是提升PID控制器本身的相关参数精度，有的利
1
