《基于遗传算法改进的bp神经网络加热炉控制系统参数优化(1)》由会员分享，可在线阅读，更多相关《基于遗传算法改进的bp神经网络加热炉控制系统参数优化(1)（4页珍藏版）》请在金锄头文库上搜索。
1、从本学科出发，应着重选对国民经济具有一定实用价值和理论意义的课题。课题具有先进性，便于研究生提出新见解，特别是博士生必须有创新性的成果基于遗传算法改进的BP神经网络加热炉控制系统参数优化(1)摘 要 以加热炉控制系统为研究对象，提出了一种基于遗传算法改进的BP网络优化PID控制参数方法，并与经典的临界比例度Ziegler-Nichols方法进行比较。仿真结果表明该算法具有较好的控制效果。 关键词 PID控制；BP神经网络；遗传算法；参数优化1 引言 由于常规PID控制具有鲁棒性好，结构简单等优点，在工业控制中得到了广泛的应用。PID控制的基本思想是将P，I和 D进线性组合构成控制器，对被控对象
2、进行控制。所以系统控制的优劣取决于这三个参数。但是常规PID控制参数往往不能进行在线调整，难以适应对象的变化，另外对高阶或者多变量的强耦合过程，由于整定条件的限制，以及对象的动态特性随着环境等的变化而变化，PID参数也很难达到最优的状态。 神经网络具有自组织、自学习等优点，提出了利用BP神经网络的学习方法，对控制器参数进行在线调整，以满足控制要求。由于BP神经网络学习过程较慢，可能导致局部极小点2。本文提出了改进的BP算法，将遗传算法和BP算法结合对网络阈值和权值进行优化，避免权值和阈值陷入局部极小点。2 加热炉的PID控制 加热炉控制系统如图1所示，控制规律常采用PID控制规律。 图1 加热
3、炉控制系统简图若加热炉具有的数学模型为： 则PID控制过程箭图可以用图2表示。 其中， 采用经典参数整定方法临界比例度对上述闭环系统进行参数整定，确定PID控制器中 Kp=， Ki=， Kd=。参考输入为单位阶跃信号，仿真曲线如图3所示。图2 PID控制系统图3 ZN整定的控制曲线 仿真曲线表明，通过ZN方法整定的参数控制效果不佳，加上PID参数不易实现在线调整，所以该方法不宜用于加热炉的在线控制。3 基于遗传算法改进的BP神经网络PID控制器参数优化整定 对于加热炉控制系统设计的神经网络自整定PID控制，它不依赖对象的模型知识，在网络结构确定之后，其控制功能能否达到要求完全取决于学习算法。
4、遗传算法改进的BP算法实现 一般BP网络结构如图4所示，其算法步骤为： 输入训练样本，按网络结构得到输出； 将实际输出与希望输出比较，得到误差，根据误差调节阈值和权值。重复两个步骤，直到误差满足要求为止；图4 BP网络结构 研究表明，采用上述BP算法逐步调整权值和阈值，可能导致学习过程收殓速度慢，训练时间过长，又易陷入局部极小点而得不到最佳的权值和阈值分布。为了加快学习速率，已经有了一些优化BP算法3，采用动态学习因子和惯性因子。这些方法在加快网络收殓速度方面比较显著，能较好地避免网络陷入局部极小。遗传算法不要求目标函数具有连续性，而且可以对复杂的多峰的，非线性及不可微的函数实现全局寻优，因此
5、容易得到全局最优解或性能很好的次优解。将遗传算法和BP算法相结合可以具有寻优的全局性和精确性。算法过程为： 对权值和阈值编码生成初始种群，由于是多参数优化问题，采用多参数映射编码； 计算适应度值； 如果不满足遗传算法停止条件，则对当代种群进行交叉、选择和变异产生新的个体，转(2)；否则，转； 对遗传算法找到的较好的解空间，采用BP算法在这些小的解空间中搜索出最优解。 PID参数优化 由图5可知，神经网络根据系统的运行状态，通过在线调整PID的三个参数 Kp， Ki，Kd ，以达到某种性能指标的最优化。图5 BP网络整定PID参数原理图经典增量式PID的控制算法：算法步骤： (1)确定网络结构，
6、采用343的结构，输入分别为 e(k)，e(k)-e(k-1)，e(k)-2e(k-1)+e(k-2)。输出为 Kp， Ki，Kd 。 (2)选择初始种群N=60，交叉概率 Pc=，权值，阈值的范围和初始化。选取目标函数为：，适应度函数为： (3)采样得到rin 和yout ，计算该时刻的误差。 (4)对网络进行学习，在线调整权值，阈值，计算神经网络的各层输入，输出，得到三个可调参数Kp， Ki，Kd 。计算系统输出。 (5)计算适应度若不满足要求，转入第步。 (6)找到最优的Kp， Ki，Kd，对系统仿真。图6 BP网络整定的控制曲线 仿真结果显示，用BP神经网络整定的PID控制系统比经典的
7、ZN法有更快的响应特性，良好的动态特性和比较强的鲁棒性。4 结束语 由于神经网络具有自组织、自学习等优点，本文提出的优化的BP神经网络相结合的方法对控制器参数进行寻优，可根据对象的变化情况对控制器参数的在线调整，满足控制对象的动态特性随着环境变化而变化的要求。达到好的控制效果。遗传算法与BP网络的结合弥补了BP网络学习过程收敛速度慢，可能陷入局部级小的不足。参考文献1 王树青等编著. 工业过程控制工程M. 北京：化学工业出版社，XX2 李士勇著. 模糊控制、神经控制和智能控制论M. 哈尔滨：哈尔并工业大学出版社，19963 胡志军，王建国，王鸿斌. 基于优化BP神经网络的PID控制研究与仿真J. 微电子学与计算机XX，23(12)：1381404 张文修著. 遗传算法的数学基础M. 西安：西安交通大学出版社，XX5 韩力群著. 人工神经网络理论、设计及应用M. 北京：化学工业出版社，XX6 赵文峰著. Matlab控制系统设计与仿真M. 西安：西安电子科技大学出版社，XX 课题份量和难易程度要恰当，博士生能在二年内作出结果，硕士生能在一年内作出结果，特别是对实验条件等要有恰当的估计。
