[发明专利]一种基于改进粒子群算法的PID控制器参数整定算法

权利要求书

1.一种基于改进粒子群算法的PID控制器参数整定算法，其特征在于，包括以下步骤：

步骤一、初始化种群中各微粒的速度、位置与各种参数，因为搜索空间为3维，所以每个微粒的位置中包含3个变量(k_p、k_i、k_d)，计算每个粒子的适应度值，并将各微粒的当前历史最优位置p_best设为初始个体最优位置，取粒子群所有粒子中的最优位置为g_best设为初始全局最优值；

步骤二、进行每个粒子的位置和速度的更新，更新公式如下：

v_i.d(t+1)＝ωv_i.d(t)+c₁r₁[p_best.i-x_i.d(t))]+c₂r₂[g_best-x_i.d(t))]；

x_i.d(t+1)＝x_i.d(t)+v_i.d(t+1)；

其中，d是搜索空间的维数，d＝1，2，3；i＝1，2，…，m；r₁和r₂是两个随机数；v_i.d(t)是粒子i在第t次迭代时的速度；v_i.d(t+1)是粒子i在第t+1次迭代时的速度；x_i.d(t)是粒子i在第t次迭代时的位置；x_i.d(t+1)是粒子i在第t+1次迭代时的位置；ω是惯性权重系数；c₁和c₂是学习因子；p_best.i是粒子i的个体最优位置；g_best是粒子群的全局最优位置；

粒子的适应度值计算公式为绝对误差的一阶矩积分，如下：

∫0∞t|e(t)|dt;]]>

e(t)＝r(t)-y(t)，定值r(t)与实际输出值y(t)构成偏差e(t)；

步骤三、在位置更新完后，计算它新的适应度值f′，然后在粒子的邻域内随机寻找新的位置，并计算新位置的适应度值f₁′；

步骤四、比较粒子原本位置与新位置的适应度差值Δf，Δf＝f₁′-f′，当f₁′＜g_best且Δf＜0时，则接受x_new，如果f₁′＜g_best且Δf＞0，则以模拟概率p接受新位置x_new，即当p＝exp((-1)*(f₁′-f′)/T)＞rand(1)时，采取新位置x_new，否则采用x，rand(1)为[0，1]之间的随机数，T为模拟温度，初始温度设为5000℃，温度下限设为1℃，如果f₁′＞g_best，否则继续采用x；

步骤五、根据每个粒子的位置更新适应度值，根据每个粒子的适应度值更新粒子群的群体极值g_best和每个粒子的个体极值p_best，将全部的粒子按照适应度值进行排列，用较优的一半的粒子信息去替换较差的一半的粒子信息，准备下一次迭代，同时更新温度，温度T＝T*0.9；

步骤六、如果满足终止条件，则输出粒子的3个变量即PID的三个控制参数，否则返回第二步进入下一次迭代。

2.根据权利有求1所述的一种基于改进粒子群算法的PID控制器参数整定算法，其特征在于，在基本的粒子群算法中，加入了模拟退火机制和自然选择策略，两者互相弥补，模拟退火机制弥补自然选择策略耗时的缺点，自然选择策略又能改善模拟退火机制减少种群多样性的不足，两者共同作用，既能保证算法的收敛速度，又能增强算法跳出局部最优陷阱的能力。