CN102298328A - 基于二进制蚁群算法的自适应pid控制器优化设计与整定方法 - Google Patents

Abstract

本发明公开了一种基于二进制蚁群算法的自适应PID控制器优化设计与整定方法。本方法能够在开环、闭环两种状态下根据设定的性能指标自动优化设计PID控制器结构并在线优化对应控制参数。本发明中提出一种最大最小二进制蚁群优化算法用于实现对象的系统辨识、控制结构设计和参数优化，具体实现中根据参数精度与范围自适应设定二进制蚁群算法的编码长度等参数，提出的依据信息素最大最小极限概率判定重新初始化的方法能进一步提高算法的全局优化性能，提高控制器的优化控制品质。该PID控制器优化设计与参数整定方法具有普遍适用性和灵活性，应用简单，可广泛应用于工业控制中PID控制器的优化设计整定。

Description

基于二进制蚁群算法的自适应 PID 控制器优化设计与整定方法

技术领域

本发明涉及自动化控制和智能计算两大领域，具体涉及一种基于二进制蚁群算法的自适应PID控制器优化设计与整定方法。

背景技术

PID控制策略因其算法简单、鲁棒性能好、可靠性高等优点被广泛应用于工业过程控制中，为广大工程技术人员所熟知。PID控制系统结构如附图1所示，主要由PID控制器和被控对象所组成。而PID控制器则由比例、积分、微分三个环节组成。PID控制器的数学描述为：

其中K_p为比例系数，T_i为积分时间常数，T_d为微分时间常数，给定控制器输入r(t)对应的输出为u(t)，e(t)=r(t)-u(t)为控制偏差。

在实际工业应用中，90％以上的控制回路采用PID结构，实际过程中比例（P）、积分（I）、微分（D）三个环节并不一定同时参与控制，还需要根据实际控制对象的特性进行选择，可以是PI、PD、PID等控制。实际应用时需要对PID控制器进行参数整定，但对于复杂工业对象，由于其大时滞、非线性等特性，加之不同对象对控制性能期望也不同，因此PID控制器调节往往难以达到理想控制效果，无法保证控制性能达到最优或近优。针对上述问题，长期以来，人们一直在寻求PID控制器参数的自整定技术，虽然目前已取得了一定的成果，但往往对参数整定时的状态（即系统开环或闭环）有限制，且无法灵活调整性能指标与控制器结构，实际应用操作比较复杂等缺点。

发明内容

本发明的目的在于针对已有技术存在的缺陷，提供一种二进制蚁群算法的自适应PID控制器优化设计与整定方法，提高控制器的控制品质。

为了达到上述目的，本发明的构思如下：

广义上，PID控制器的参数整定是一类全局优化问题，即在PID参数的可行域内找到一组最优值使得期望的性能指标最优，同时实际工业应用PID参数精度有限（如分布式控制系统DCS的PID控制模块通常有效位限定于小数点后3位）。蚁群优化算法最初是由意大利学者Dorigo等人提出的一种新型启发式优化算法，具有很强的鲁棒性和自适应性，但基本的蚁群算法只适用于离散编码问题。为此，本专利提出了一种二进制蚁群优化算法，将其与PID 控制相结合。首先根据PID控制器的手动、自动状态利用蚁群算法对受控对象进行开环或闭环的系统参数辨识，在此基础上利用算法的全局寻优能力来进行控制器结构设计和参数优化整定。

该PID控制器优化设计方法（见附图2）主要包括:PID控制器（1）、控制对象（2）、系统辨识方法块（3）、蚁群算法方法块（4）。通过PID控制器的手动/自动状态自动选取开环/闭环辨识模式，采集系统输入和输出，送入到系统辨识方法块（3）。系统辨识方法块（3）根据模型精度要求，结合蚁群算法方法块（4）自动进行系统参数辨识。考虑到模型复杂度直接关系到计算复杂度从而影响到实时性，而一般流程工业对象都可用一阶、二阶等容惯性纯滞后模型表述，因此本发明中仅考虑一阶、二阶等容惯性纯滞后模型：

其中K，T（二阶模型中为T₁，T₂），

τ即为所需要辨识的模型参数。K 为对象稳态增益，T（二阶模型中为T₁，T₂）为对象的时间常数，τ表示纯滞后时间。

蚁群算法方法块（4）中对模型的参数进行二进制编码， 实现模型结构与参数的拟合。在此基础上，蚁群算法方法块（4）进一步对PID控制器的结构与对应参数进行全局寻优。根据绝对误差积分指标、超调量、上升时间和控制信号震荡强度等复合指标实现优化设计。

具体操作步骤如下：

1、选择开环/闭环辨识模式：根据PID控制器（1）手动/自动工作状态，设定开环/闭环辨识模式进行受控对象辨识；

2、确定开/闭环模型辨识参数：根据如下一阶惯性纯滞后或二阶等容惯性纯滞后模型

确定对象的开环模型和闭环模型，由模型可得开/闭环辨识条件下，需要辨识的模型参数K，T（二阶模型中为T₁，T₂），τ；

3、个体编码表示辨识参数：用二进制编码的蚂蚁个体表示公式中未知参数K、T或T₁，T₂、τ，随机初始化种群个体

其中

表示规模为m的种群中的第

个个体。该个体首位二进制数x_G用于对被控对象模型的选择， x_G 取“0”表示采用一阶模型，取“1”表示选择二阶模型；[

]表示参数K，[]表示参数T,当采用二阶模型时，[]表示T₁，[

]表示T₂，[]表示参数τ，n表示未知参数二进制编码长度，。个体二进制编码长度为Lb=[

]；

4、确定辨识过程中蚁群算法参数：根据解的编码长度Lb自适应确定蚁群算法种群规模m为0.6×Lb，迭代次数IMAX为2×Lb，k表示当前迭代次数（k∈1,2,…, 2×Lb），设定信息素最大最小值σ_max,, σ_min，信息素蒸发因子ρ，信息素初始值σ₀=σ_max，信息素释放因子a₀，信息素更新概率选择因子P_c（P_cϵ(0,1)），重新初始化阈值参数ξ（0<ξ<1）；随机初始化种群个体；

5、更新个体：根据二进制路径上与信息素大小相关的概率为依据更新个体

σ_sj(k)表示第k轮迭代后对应编号为sj的路径节点上的信息素大小值, s∈{0,1}用于表示选择“0”节点或“1”节点，j∈{1,2,…,Lb}为当前二进制节点的序号，P_sj(k)表示蚂蚁个体从当前二进制节点上选“0”或“1”路径到达下一个节点的概率；

6、计算适应度函数：根据采集数据计算对应解的适应度函数f

Y_OI ^’ 为计算输出信号， Y_OI为实际输出信号；

7、更新最优个体：根据得到全部种群个体的适应值，获取当代最优个体P_best(k)，更新全局最优个体G_best(k)；

8、更新路径信息素：以P_c为概率交替选用当代最优P_best(k)或全局最优G_best(k)更新信息素。更新由信息素蒸发和信息素释放两部分构成：

首先所有二进制路径上的信息素的根据蒸发因子ρ进行蒸发（0<ρ<1）：

然后用当代最优P_best(k)或全局最优G_best(k)对选中的路径进行信息素的释放：

其中ρ（0<ρ<1）为信息素蒸发因子，∆σ为信息素释放因子，若当前个体对应节点

取值与全局最优或者当代最优相同，则∆σ为“a₀”，否则为“0”。a₀为一个不等于零的正实数；

9、判断是否进行重新初始化：根据最大最小信息素浓度计算邻域被充分搜索极限概率Pg如下

其中表示蚂蚁个体搜索到当前最优解邻域内的任意解的概率，n_c表示在当前最优解邻域内的搜索次数。如果（1-Pg）<ξ，即搜索次数

,则认为已对当前最优解邻域进行了充分搜索，当前最优解的邻域解已经全部搜索到，算法将收敛，为此进行重新初始化以使得算法继续搜索；否则继续；

10、判断是否满足迭代终止准则，若满足，则完成系统辨识，确定控制对象模型；否则返回步骤（5）继续迭代；

11、蚁群算法个体编码表示控制器优化参数：蚁群算法方法块（4）根据给定的控制参数精度与范围设定控制器设计优化问题的个体二进制编码长度Lc，一个控制器结构与优化参数的解编码表示为：

其中

表示规模为m的种群中的第

个个体，编码长度Lc=

,

分别表示参数K_P，K_I，K_D二进制编码长度，其中前3位

表示PID控制器的控制结构，如：当这三位对应的二进制数为“110”时，表示选择了PI控制，“111”表示采用PID控制。二进制串

编码表示参数K_P，表示参数K_I，

表示参数K_D；

12、确定控制器优化过程中蚁群算法参数：根据解的编码长度Lc自适应确定蚁群算法种群规模m为0.6×Lc，迭代次数IMAX为2×Lc，k表示当前迭代次数（k∈1,2,…, 2×Lc），设定信息素最大最小值σ_max,, σ_min，信息素蒸发因子ρ，信息素初始值σ₀=σ_max，信息素释放因子a₀，信息素更新概率选择因子P_c（P_cϵ(0,1)），重新初始化阈值参数ξ（0<ξ<1）；随机初始化种群个体；

13、更新个体：根据二进制路径上与信息素大小相关的概率为依据更新个体：

σ_{s β}(k)表示第k轮迭代对应编号为sβ的节点上的信息素大小值, s∈{0,1}用于表示选择“0”节点或“1”节点，β∈{1,2,…,Lc}为当前二进制节点的序号，P_{s β}(k)表示当前蚂蚁所在二进制节点上选“0”或“1” 路径到达下一个节点的概率，依据其产生的解即可确定控制器结构与对应的控制参数；

14、根据个体编码确定控制器结构及参数，计算适应度函数

：根据蚂蚁产生的解确定对应控制结构及参数，根据需求计算适应度函数，其可包括绝对误差积分指标IAE、超调量OS、上升时间tup和控制曲线震荡量Zd，其中指标IAE综合评价系统，OS专门评价超调量指标，tup表征系统跟随给定值的快速性，Zd为控制输出曲线中震荡次数，衡量阀门动作特性。四个指标对应权值w₁、w₂、w₃、w₄可调，从而可根据实际需要灵活设计期望控制器：

如当控制对象要求具有较小的超调或不允许有超调的情况下，可调整增大权值w₂；如希望控制器输出曲线平滑，减小执行器损伤，可增大w4；

15、更新最优个体：计算得到全部种群个体的适应值，获取当代最优个体P_best(k)，更新全局最优G_best(k)；

16、路径信息素更新：以概率因子P_c交替选用当代最优P_best(k)或全局最优个体G_best(k)更新信息素：

首先所有二进制路径上的信息素的根据蒸发因子ρ进行蒸发（0<ρ<1）：

然后用当代最优P_best或全局最优G_best对选中的路径进行信息素的释放：

其中∆σ为信息素释放因子，若当前个体对应节点取值与全局最优或者当代最优相同，则∆σ为“a₀”，否则为“0”。a₀为一个不等于零的正实数；

17、判断是否进行重新初始化：根据最大最小信息素浓度计算邻域被充分搜索极限概率Pg如下：

其中

表示蚂蚁个体搜索到当前最优解邻域内的任意解的概率，n_c表示在当前最优解邻域内的搜索次数。如果（1-Pg）<ξ，即搜索次数

,则认为已对当前最优解邻域进行了充分搜索，当前最优解的邻域解已经全部搜索到，算法将收敛，为此进行重新初始化以使得算法继续搜索；反之则不进行重新初始化；

18、判断是否满足迭代终止准则，是则将最优控制参数K_P、K_{I 、}K_D设定到PID控制器（1）中；否则返回步骤（13）继续迭代。

二进制蚁群算法的自适应PID控制器的流程图如附图3所示。

本发明与现有技术相比较，具有如下显而易见的突出实质性特点和显著优点：

（1）可同时实现开环、闭环两种状态下的参数整定；

（2）可根据期望性能自动设计控制结构（即自动选择PI、PD、PID等不同的控制策略），并实现PID控制器参数的在线优化整定；

（3）算法能自适应定义编码位数达到指定精度，特有的重新初始化策略能有效控制器优化设计性能；

（4）可灵活设计性能指标，可灵活地根据实际工业对象的需求对超调量、上升时间、阀门特性等指标进行优化，整个方法自动实现，简单易用。

附图说明

附图1为PID控制系统结构框图。

附图2为基于二进制蚁群算法的自适应PID控制器结构框图。

附图3为基于二进制蚁群算法的自适应PID控制器流程框图。

具体实施方式

本发明所提出的一种基于二进制蚁群算法的自适应PID控制器优化设计与整定方法具体实现步骤如下：

1、选择开环/闭环辨识模式：根据PID控制器（1）手动/自动工作状态，设定开环/闭环辨识模式进行受控对象辨识。开/闭环模型差别在于，开环状态下PID控制器（1）和反馈被切除出控制回路，而闭环状态下控制对象（2）受控于PID控制器（1）；

2、确定开/闭环模型辨识参数：

2.1、确定开环辨识模型辨识参数：

在参数辨识方法块（3）中采用一阶惯性纯滞后或二阶等容惯性纯滞后开环模型进行系统辨识，如下所示：

其中K，T（二阶模型中为T₁，T₂），

τ即为所需要辨识的模型参数。K 为对象稳态增益，T（二阶模型中为T₁，T₂）为对象的时间常数，τ表示纯滞后时间；

2.2、确定闭环辨识模型辨识参数：

由于PID控制器和反馈回路的存在，辨识对象由PID控制器、控制对象和反馈信号组成，控制对象（2）模型G_p(s)如下式所示：

PID控制器模型为G_PID(s)，则可推出：

将E（s）代入Y（s）表达式中得闭环辨识对象模型：

由于

代入闭环辨识对象模型中得：

其中

均为已知量，需要辨识的参数为被控对象G_p(s)中结构及其对象稳态增益K，对象的时间常数T（二阶模型中为T₁，T₂），纯滞后时间τ；

3、个体编码表示辨识参数：用二进制编码的蚂蚁个体表示公式中未知参数K、T或T₁，T₂、τ，随机初始化种群个体

其中

表示规模为m的种群中的第

个个体。该个体首位二进制数x_G用于对被控对象模型的选择，

取“0”表示采用一阶模型，

取“1”表示选择二阶模型；[

]表示参数K，[

]表示参数T,当采用二阶模型时，[

]表示T₁，[

]表示T₂，[]表示参数τ。n表示未知参数二进制编码长度，个体二进制编码长度为Lb=[]；

4、确定辨识过程算法参数：根据解的编码长度Lb自适应确定蚁群算法种群规模m为0.6×Lb，迭代次数IMAX为2×Lb，k表示当前迭代次数（k∈1,2,…, 2×Lb）,设定信息素最大最小值σ_max,, σ_min，信息素蒸发因子ρ，信息素初始值σ₀=σ_max，信息素释放因子a₀，信息素更新概率选择因子P_c，重新初始化阈值参数ξ（0<ξ<1）；随机初始化种群个体；

5、更新个体：根据二进制路径上与信息素大小相关的概率为依据更新个体

σ_sj(k)表示第k轮迭代后对应编号为sj的路径节点上的信息素大小值, s∈{0,1}用于表示选择“0”节点或“1”节点，j∈{1,2,…,Lb}为当前二进制节点的序号，P_sj(k)表示蚂蚁个体从当前二进制节点上选“0”或“1”路径到达下一个节点的概率；

6、计算适应度函数：根据采集数据计算对应解的适应度函数f

Y_OI ^’ 为计算输出信号， Y_OI为实际输出信号；

7、更新最优个体：根据计算得到的个体适应度函数值进行比较，确定当代最优个体P_best(k)，更新全局最优个体G_best(k)；

8、以P_c=0.5的概率交替选用当代最优P_best(k)或全局最优G_best(k)更新信息素，更新由信息素蒸发和信息素释放两部分构成。首先所有二进制路径上的信息素的根据蒸发因子ρ=0.15进行蒸发：

然后在当代最优P_best或全局最优G_best选中的路径上释放信息素：

其中∆σ为信息素释放因子，若当前个体对应节点取值与全局最优或者当代最优相同，则∆σ为“1”，否则为“0”；

9、判断是否进行重新初始化：根据最大最小信息素浓度计算邻域被充分搜索极限概率Pg：

其中

表示蚂蚁个体在当前最优解邻域内找到一个新解的概率，n_c表示在当前最优解邻域内的搜索次数。如果（1-Pg）<0.01，即搜索次数

,则进行重新初始化，否则继续迭代；

10、判断是否满足迭代终止准则，若满足，则完成系统辨识，确定控制对象模型；否则返回步骤（5）继续迭代；

11、蚁群算法个体编码表示控制器优化参数：蚁群算法优化方法块（4）根据给定的控制参数精度与范围设定控制器设计优化问题的个体二进制编码长度Lc，一个控制器结构与优化参数的解编码表示为：

其中

表示规模为m的种群中的第个个体，编码长度Lc=,

分别表示参数K_P，K_I，K_D二进制编码长度，其中前3位

表示PID控制器的控制结构，如当这三位对应的二进制数为“110”时，表示选择了PI控制，“111”表示采用PID控制；二进制串

编码表示参数K_P，

表示参数K_I，

表示参数K_D；

12、确定控制器优化过程中蚁群算法参数：根据解的编码长度Lc自适应确定蚁群算法种群规模m为0.6×Lc，迭代次数IMAX为2×Lc, k表示当前迭代次数（k∈1,2,…, 2×Lc），设定信息素最大最小值σ_max=0.9, σ_min=0.1，信息素蒸发因子ρ=0.15，信息素初始值σ₀=σ_max=0.9，信息素释放因子a₀=1，信息素重新初始化阈值参数ξ=0.01；随机初始化种群个体；

13、更新个体：根据二进制路径上与信息素大小相关的概率为依据更新个体：

P_{s β}(k)表示当前蚂蚁所在二进制节点上选“0”或“1” 路径到达下一个节点的概率，依据其产生的解确定控制方式和控制参数；

14、计算蚂蚁产生的解对应控制结构及参数，根据需求计算适应度函数

，其可包括绝对误差积分指标IAE、超调量OS、上升时间tup和控制曲线震荡量Zd，其中指标IAE综合评价系统，OS专门评价超调量指标，tup表征系统跟随给定值的快速性，Zd为控制输出曲线中震荡次数，衡量阀门动作特性。四个指标对应权值w₁、w₂、w₃、w₄可调，从而可根据实际需要灵活设计期望控制器：

15、更新最有个体：计算得到全部种群个体的适应值，对比得到当代最优个体P_best(k)并更新全局最优个体G_best(k)；

16、更新路径信息素：以概率P_c=0.5交替选用当代最优P_best(k)或全局最优G_best(k)更新信息素：

首先所有二进制路径上的信息素的根据蒸发因子ρ=0.15进行蒸发（0<ρ<1）：

然后对选中的当代最优P_best或全局最优G_best进行信息素的释放：

其中∆σ为信息素释放因子，若当前个体对应节点x_{i β}取值与全局最优或者当代最优相同，则∆σ为“1”，否则为“0”；

17、判断是否进行重新初始化：根据最大最小信息素浓度计算邻域被充分搜索极限概率Pg：

其中

表示蚂蚁个体搜索到当前最优解邻域内的任意解的概率，n_c表示在当前最优解邻域内的搜索次数。如果（1-Pg）<0.01，即搜索次数

,则认为已对当前最优解邻域进行了充分搜索，当前最优解的邻域解已经全部搜索到，算法将收敛，为此进行重新初始化以使得算法继续搜索；反之则不进行重新初始化；

18、判断是否满足迭代终止准则，如满足，则将最优控制参数K_P、K_{I 、}K_D设定到PID控制器（1）中，实现被控对象（2）的PID优化控制，否则返回步骤（13）继续迭代。

Claims (1)

1.一种基于二进制蚁群算法的自适应PID控制器优化设计与整定方法，具体操作步骤如下：

（1）选择开环/闭环辨识模式：根据PID控制器（1）手动/自动工作状态，设定开环/闭环辨识模式进行受控对象辨识；

（2）确定开/闭环模型辨识参数：根据如下一阶惯性纯滞后或二阶等容惯性纯滞后模型：

确定在开/闭环辨识条件下需要辨识的模型参数，根据以上公式可知需要辨识的模型参数均为G_p(S)中的K，T（二阶模型中为T₁，T₂），τ，

K 为对象稳态增益，T（二阶模型中为T₁，T₂）为对象的时间常数，τ表示纯滞后时间；

（3）蚂蚁个体编码表示辨识参数：用二进制编码的蚂蚁个体表示公式中未知参数K 、 T或T₁ ， T₂ 、τ，随机初始化种群个体

其中表示规模为m的种群中的第

个个体，

该个体首位二进制数x_G用于对被控对象模型的选择，

取“0”表示采用一阶模型，

取“1”表示选择二阶模型；[

]表示参数K，[]表示参数T,当采用二阶模型时，[

]表示T₁，[

]表示T₂，[

]表示参数τ，

n表示未知参数二进制编码长度，个体二进制编码长度为Lb=[

]；

（4）确定辨识过程中蚁群算法参数：根据解的编码长度Lb自适应确定蚁群算法种群规模m为0.6×Lb，迭代次数IMAX为2×Lb，k表示当前迭代次数（k∈1,2,…, 2×Lb），设定信息素最大最小值σ_max,, σ_min，信息素蒸发因子ρ，信息素初始值σ₀=σ_max，信息素释放因子a₀，信息素更新概率选择因子P_c（P_cϵ(0,1)），重新初始化阈值参数

（0<

<1）；随机初始化种群个体；

（5）更新个体：根据二进制路径上与信息素大小相关的概率为依据更新个体

σ_sj(k)表示第k轮迭代后对应编号为sj的路径节点上的信息素大小值, s∈{0,1}表示选择“0”节点或“1”节点，j∈{1,2,…,Lb}为当前二进制节点的序号，P_sj(k)表示蚂蚁个体从当前二进制节点上选“0”或“1”路径到达下一个节点的概率；

（6）计算适应度函数：根据采集数据计算对应解的适应度函数f

其中

为计算输出信号，

为实际输出信号；

（7）更新最优个体：根据得到全部种群个体的适应值，获取当代最优个体P_best(k)，更新全局最优个体G_best(k)；

（8）更新路径信息素：以P_c为概率交替选用当代最优P_best(k)或全局最优G_best(k)更新信息素；更新由信息素蒸发和信息素释放两部分构成：

首先所有二进制路径上的信息素的根据蒸发因子ρ进行蒸发（0<ρ<1）：

然后用当代最优P_best(k)或全局最优G_best(k)对选中的路径进行信息素的释放：

其中ρ为信息素蒸发因子，∆σ为信息素释放因子，若当前个体对应节点x_{i β}取值与全局最优或者当代最优相同，则∆σ为“a₀”，否则为“0”，a₀为一个不等于零的正实数；

（9）判断是否进行重新初始化：根据最大最小信息素浓度计算邻域搜索极限概率Pg如下

其中

表示蚂蚁个体搜索到当前最优解邻域内的任意解的概率，n_c表示在当前最优解邻域内的搜索次数，

如果（1-Pg）<

，即搜索次数,则认为已对当前最优解邻域进行了充分搜索，当前最优解的邻域解已经全部搜索到，算法将收敛，为此进行重新初始化以使得算法继续搜索；否则继续迭代直到满足算法终止条件；

（10）判断是否满足迭代终止准则，若满足，则完成系统辨识，确定控制对象模型；否则返回步骤（5）；

（11）个体编码表示控制器优化参数：蚁群算法方法块（4）根据给定的控制参数精度与范围设定控制器设计优化问题的个体二进制编码长度Lc，一个控制器结构与优化参数的解编码表示为：

其中

表示规模为m的种群中的第

个个体，编码长度Lc=

,

分别表示参数K_P，K_I，K_D二进制编码长度，其中前3位

表示PID控制器的控制结构，二进制串

编码表示参数K_P，

表示参数K_I，

表示参数K_D；

（12）确定控制器优化过程中蚁群算法参数：根据解的编码长度Lc自适应确定蚁群算法种群规模m为0.6×Lc，迭代次数IMAX为2×Lc，k表示当前迭代次数（k∈1,2,…, 2×Lc），设定信息素最大最小值σ_max,, σ_min，信息素蒸发因子ρ，信息素初始值σ₀=σ_max，信息素释放因子a₀，信息素更新概率选择因子P_c（P_cϵ(0,1)），重新初始化阈值参数

（0<

<1）；随机初始化种群个体；

（13）更新个体：根据二进制路径上与信息素大小相关的概率为依据更新个体：

σ_{s β}表示对应编号为sβ的节点上的信息素大小值, s∈{0,1}用于表示选择“0”节点或“1”节点，β∈{1,2,…,Lc}为当前二进制节点的序号，P_{s β}(k)表示当前蚂蚁所在二进制节点上选“0”或“1” 路径到达下一个节点的概率，依据其产生的解即可确定控制器结构与对应的控制参数；

（14）根据个体编码确定控制器结构及参数，计算适应度函数

：根据蚂蚁产生的解确定对应控制结构及参数，根据需求计算适应度函数，其可包括绝对误差积分指标IAE、超调量OS、上升时间tup和控制曲线震荡量Zd，其中指标IAE综合评价系统，OS专门评价超调量指标，tup表征系统跟随给定值的快速性，Zd为控制输出曲线中震荡次数，衡量阀门动作特性，

四个指标对应权值w₁、w₂、w₃、w₄可调，从而可根据实际需要灵活设计期望控制器；

（15）更新最优个体：计算得到全部种群个体的适应值，获取当代最优个体P_best(k)，更新全局最优G_best(k)；

（16）路径信息素更新：以概率因子P_c交替选用当代最优P_best(k)或全局最优G_best(k)更新信息素：

首先所有二进制路径上的信息素的根据蒸发因子ρ进行蒸发（0<ρ<1）：

然后用当代最优P_best(k)或全局最优G_best(k)对选中的路径进行信息素的释放：

其中∆σ为信息素释放因子，若当前个体对应节点

取值与全局最优或者当代最优相同，则∆σ为“a₀”，否则为“0”，

a₀为一个不等于零的正实数；

（17）判断是否进行重新初始化：根据最大最小信息素浓度计算邻域被充分搜索的极限概率Pg如下

其中表示蚂蚁个体搜索到当前最优解邻域内的任意解的概率，n_c表示在当前最优解邻域内的搜索次数，

如果（1-Pg）<，即搜索次数

,则认为已对当前最优解邻域进行了充分搜索，当前最优解的邻域解已经全部搜索到，算法将收敛，为此进行重新初始化以使得算法继续搜索；反之则不进行重新初始化；

（18）判断是否满足迭代终止准则，是则将最优控制参数K_P、K_{I 、}K_D设定到PID控制器（1）中；否则返回步骤（13）继续迭代。

Images