基于改进型粒子群算法的PID神经网络控制系统

2011 年 第20卷 第 10 期 http:// 计 算 机 系 统 应 用

基于改进型粒子群算法的PID神经网络控制系统

沈学利，徐 涛

(辽宁工程技术大学 电子与信息工程学院，葫芦岛 125105)

①

摘 要：针对传统的PID神经网络（PIDNN）应用范围受限及积分误差规则难以获取的问题。为实现对非线性

多变量系统的有效控制，拓展神经网络控制系统的应用范围，提出了基于改进型粒子群算法在PID神经网络控制系统设计中的解决方案，取代了传统的BP反向传播算法。仿真结果表明，与传统的PIDNN相比，系统的稳定性、鲁棒性及精确性都有了明显的提高，该方法有效的提高了PIDNN控制的使用范围，为智能方法在PID控制中的应用提出了一个新的参考。

关键词：PID神经网络；改进型粒子群算法；非线性控制系统；稳定性；精确性

PID Neural Network Control System Based on Improved Particle Swarm Optimization Algorithm

SHEN Xue-Li, XU Tao

(Electronic and Information Engineering College, Liaoning Technology University, Huludao 125105, China)

Abstract: The traditional PID neural network (PIDNN) limited the scope of application and integration problems are

difficult to obtain the error rule. For the realization of nonlinear multivariable control systems, neural network control system to expand the application range of this paper, based on improved version particle swarm optimization algorithm for PID neural network control system design solution, replacing the traditional BP back the propagation algorithm, simulation results show that compared with traditional PIDNN, the steady-state system, robustness and accuracy have improved obviously, this method is effective to improve the use of PID control, intelligent method for the PID Control proposed a new reference.

Key words: PID neural network; improved version particle swarm optimization algorithm; nonlinear control systems;

stability; accuracy

1 引言

传统PID控制在工业控制系统中具有广泛的应用，其控制结构简单，易于在线调整参数，主要适用于线性控制系统。然而现实工业环境中被控对象往往机理复杂，具有很强的非线性、时变不确定性和纯滞后等特点，常规的PID控制器存在参数整定不良、工矿适应性差等问题[1]。为实现有效控制，获得优良的控制性能，神经网络被引入控制领域，神经网络具有非线性特征，可实现自适应控制，适合解决非线性问题。但是直到现在，人工神经网络仍未在现实控制系

① 基金项目:2009年度中国煤炭工业科技计划(MTKJ2009-240)

收稿时间:2011-03-09;收到修改稿时间:2011-04-06

统中得到广泛的应用，对此，文献[1]给出了具体的原因：仿真训练时间长，不能满足快速性要求；连接权重随机初始化，影响控制结果，有时导致系统不稳定；BP算法全局搜索能力弱，易陷入局部最优；训练有时

不收敛，需用强迫方法提前终止以保证控制系统稳定性与鲁棒性[2]。此外，为获得优良控制性能，神经网络层数也难于抉择。

针对上述问题，笔者提出一种新型的PID神经网络(PIDNN)模型，此模型基于改进型的粒子群算法(IPSO),与BP、PSO算法相比在精确性、搜索能力、稳

Research and Development 研究开发 129

计 算 机 系 统 应 用 http:// 2011 年 第20卷 第 10 期

定性、鲁棒性等方面都有了明显的提高。有助于PIDNN在控制领域的广泛应用。

公式[2]为：

J

Δω=η=ij ω

sij

223m I(k) O(k) Os ω(k) 1 xP m∑∑∑ ss x′′sihsineuron

shk===111h O 223m

′ xI∑∑∑Is(k) Os(k) ωsih(k) usj sineuron x′′

ms=1h=1k=1h

x′ O 223m ω(k) sj xD IkOk()() ∑∑∑ s x′′sihsineuronms=1h=1k=1 s u′ hsj

2 多变量PIDNN（MPIDNN）控制系统

为实现非线性不对称MIMO系统的解耦控制，建

立了MPIDNN控制系统[1]。MPIDNN由多个单变量PID神经网络结构（SPIDNN）子网交叉并联而成。如果被控对象为M个输入，N个输出，该MPIDNN就有2N个输入单元，隐含层有3N个处理单元，构成2N×3N×M结构的网络。它的输入层到隐含层是按子网独立的，而其隐含层至输出层的连接权则是相互交叉连接的，使整个多输出PIDNN结合为一体。其结构如图1所示。

(2)

Δωjh=η

J22m O

= ∑∑[Is(k) Os(k)] s x′sj(k) (3) ′′ ωsjh xhms=1k=1

式(3)中： OsO(k+1) Os(k)

=sgn[s′′′′(k) x′′ xhxhh(k 1)式(2)中：

] (4)

x′ ′ x′sjsj(k) xsj(k 1)

=sgn (5)

′′()(1) u′ ukuk sjsjsj

由式2可以看出系统的非线性特性及其输入输出

之间的强耦合特性。

4 粒子群算法(PSO)

4.1 PSO算法基本原理

PSO算法是Kennedy J和Eberhart R在1995年提出的，该算法是模拟鸟群的飞行觅食行为，通过个体之间的协作来搜寻最优解。设N维的搜索空间中，有m个粒子，其中第i个粒子的位置向量为Xi=(xi1，xi2,…，xiN)，i=1，2，…，m，粒子的速度向量为Vi=(vi1，vi2，…，viN)。第i个粒子经过的最好位置（最优解）为Pbest，粒子群的最好位置记为Gbest。根据Kenddy等提出的PSO算法公式：

Vid(t+1)=vid(t)+c1 Rand1 (Pbest xid(t))

+c2 Rand2 (Gbest xid(t))

图1 MPIDNN控制系统拓扑结构图

由图1可知，被控系统是3输入2输出的多变量系统，层间的连接权值分别定义为ωsij和ωsjh，其中s为SPIDN …… 此处隐藏：5317字，全部文档内容请下载后查看。喜欢就下载吧 ……