CN108241288A - 一种基于改进tlbo算法的pid控制器参数整定方法 - Google Patents

一种基于改进tlbo算法的pid控制器参数整定方法 Download PDF

Info

Publication number
CN108241288A
CN108241288A CN201611243521.5A CN201611243521A CN108241288A CN 108241288 A CN108241288 A CN 108241288A CN 201611243521 A CN201611243521 A CN 201611243521A CN 108241288 A CN108241288 A CN 108241288A
Authority
CN
China
Prior art keywords
student
class
optimal
group
study
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201611243521.5A
Other languages
English (en)
Inventor
罗志勇
郭�旗
赵杰
杨美美
罗蓉
宦红伦
李学勤
韩冷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201611243521.5A priority Critical patent/CN108241288A/zh
Publication of CN108241288A publication Critical patent/CN108241288A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B11/00—Automatic controllers
    • G05B11/01—Automatic controllers electric
    • G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
    • G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于改进TLBO算法的PID控制器参数整定方法，包括以下步骤：S1、初始化参数，生成一个班级的学员群体并分组，根据每个学员的PID参数变量计算出适应度值，找出班级中的最优学员、班级平均成绩和各分组的最优学员、最差学员及平均成绩；S2、班级中每个学员根据所在小组平均成绩和班级最优学员之间的差异性进行学习；S3、根据生成随机数的大小，班级中每个学员选择自主学习或者选择与另一个随机学员之间的差异性进行学习；S4、各个小组的最差学员根据自己与该小组的最优学员之间的差异性进行学习；S5、若满足结束条件，则循环结束，输出最优的PID参数，若不满足，则返回S2。

Description

一种基于改进TLBO算法的PID控制器参数整定方法
技术领域
本发明涉及一种PID控制器参数整定方法，特别是涉及一种基于改进TLBO算法的PID控制器参数整定方法。
背景技术
PID控制器是工业控制领域当中最广泛使用的一种控制器，它具有原理简单、使用方便、适应性强和鲁棒性强等优点，在PID控制器的应用过程中，核心问题是设置合适的比例、积分和微分参数。传统的PID控制器参数整定方法很难得到精确的或最优的结果，近年来，越来越多的进化算法和群智能算法被用来对PID控制器进行最优参数整定，如遗传算法、粒子群算法、蚁群算法、和声搜索算法等。
教与学优化算法(Teaching Learning Based Optimization，TLBO)是一种新型的群智能优化算法，具有优化速度快、收敛能力强等特性，本文在标准TLBO算法和基于动态分组策略TLBO算法的基础上进行了改进，设计出一种基于改进TLBO算法的PID控制器参数整定方法，进一步增强了在PID控制器参数整定过程中最优参数的获取能力和收敛精度。
发明内容
发明目的：本发明的目的主要在于，将一种改进的TLBO算法应用于PID控制器的参数整定过程中，使用本方法将进一步增强在PID控制器参数整定过程中最优参数的获取能力和收敛精度。本发明所要解决的技术问题是，改善算法对最优解的搜索能力，加快收敛速度，避免迭代过程中陷入局部最优。
为了实现上述目的及解决其技术问题，本发明采用以下方法来实现，一种基于改进TLBO算法的PID控制器参数整定方法，包含如下步骤：
S1、初始化参数，生成一个班级的学员群体并分组，根据每个学员的PID参数变量计算出适应度值，找出班级中的最优学员、班级平均成绩和各分组的最优学员、最差学员及平均成绩；
S11、初始化参数，包括初始化班级学员数量、分组数量、每个学员中PID参数变量的取值范围、终止条件；
S12、根据分组数量将班级的学员分成小组，确定出每个小组的学员数量；
S13、根据每个学员的适应度值，找出班级内的最优学员、最差学员、班级平均成绩和各分组平均成绩，适应度值是指把每一个学员的PID参数变量代入目标函数中所得到的结果，目标函数是指PID控制器参数整定过程中的一种性能指标，在本文中指的是平方误差积分；
S2、班级中每个学员根据所在小组平均成绩和班级最优学员之间的差异性进行学习；
S21、根据S13步骤得到的班级内的最优学员被看作是教师，每个学员根据所在小组平均成绩和教师之间的差异性进行学习，学习过程公式如下：
GroupMean′＝(GroupMean+X)/2
newX＝X+r＊(Teacher-TF＊GroupMean′)
在上述公式中，GroupMean表示各分组平均成绩，X表示正在学习的学员，Teacher表示班级内的最优学员，TF表示学习因子，r是介于0和1之间的随机数，newX表示学习后的学员；
S22、比较学员X在学习前后的适应度值，如果学习后的适应度值优于学习前，则将学习后的参数变量更新至该学员，如果学习前的适应度值优于学习前，则该学员的参数变量保持不变；
S3、根据生成随机数的大小，班级中每个学员选择自主学习或者选择与另一个随机学员之间的差异性进行学习；
S31、生成一个介于0和1之间的随机数，如果该数小于等于0.5，则学员X选择与另一个随机学员Xj之间的差异性进行学习，学习过程公式如S311所示；如果该数大于0.5，则学员X选择自主学习，学习过程公式如S312所示；
S311、比较学员X和Xj的适应度值，如果X的适应度值优于Xj，则学习过程公式如下：
newX＝X+rand(0，1)＊(X-Xj)
如果Xj的适应度值优于X，则学习过程公式如下：
newX＝X+rand(0，1)＊(Xj-X)
在上述公式中，newX表示学习后的学员，如果学习后的适应度值优于学习前，则将学习后的参数变量更新至该学员，如果学习前的适应度值优于学习前，则该学员的参数变量保持不变；
S312、学员X自主学习过程公式如下：
tempX＝φ.＊GroupTeacher+(1-φ).＊Teacher
生成一个介于0和1之间的随机数，如果该数小于等于0.5，则
newX＝tempX+β＊|GroupMean-X|＊ln(1/u)
如果该数大于0.5，则
newX＝tempX-β＊|GroupMean-X|＊ln(1/u)
在上述公式中，GroupTeacher表示学员X所在组的最优学员，Teacher表示班级中的最优学员，newX表示学习后的学员，φ、u、β表示不同维度的向量，向量中各元素的值均介于0和1之间；如果学习后的适应度值优于学习前，则将学习后的参数变量更新至该学员，如果学习前的适应度值优于学习前，则该学员的参数变量保持不变；
S4、各个小组的最差学员根据自己与该小组的最优学员之间的差异性进行学习；
S41、学习过程公式如下：
newXw＝Xw+TF＊(GroupTeacher-Xw)
TF＝2-gen/genMax
在上述公式中，Xw表示各分组中的最差学员，TF表示学习因子，GroupTeacher表示各分组中的最优学员，newXw表示学习后的学员，gen和genMax分别表示当前迭代次数和最大迭代次数；
S42、比较学员Xw在学习前后的适应度值，如果学习后的适应度值优于学习前，则将学习后的参数变量更新至该学员，如果学习前的适应度值优于学习前，则该学员的参数变量保持不变；
S5、若满足结束条件，则循环结束，输出最优的PID参数，若不满足，则返回S2。
本发明的一种基于改进TLBO算法的PID控制器参数整定方法，通过改善教学阶段学习公式和增加对各组最差学员的辅导教学，达到的有益效果包括：进一步增加了班级学员参数变量的多样性，增强了算法对最优解的搜索能力，避免迭代过程中陷入局部最优，加快了收敛速度，从而加强了在PID控制器参数整定过程中最优参数的获取能力和收敛精度。
附图说明
图1为本发明一种基于改进TLBO算法的PID控制器参数整定方法中所述方法的结构图。
图2为本发明一种基于改进TLBO算法的PID控制器参数整定方法中所述改进TLBO算法的流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
本发明的一种基于改进TLBO算法的PID控制器参数整定方法，其方法结构图如图1所示，通过使用改进TLBO算法来得到PID控制器的最优参数，所述的改进TLBO算法的流程如图2所示，包含如下步骤：
S1、初始化参数，生成一个班级的学员群体并分组，根据每个学员的PID参数变量计算出适应度值，找出班级中的最优学员、班级平均成绩和各分组的最优学员、最差学员及平均成绩；
S11、初始化参数，包括初始化班级学员数量、分组数量、每个学员中PID参数变量的取值范围、终止条件；在本实施例中，班级学员数量设置为50，分组数量设置为5，每个学员的PID参数变量取值范围为[0，1]，终止条件为适应度评价次数等于1000；
S12、根据分组数量将班级的学员分成小组，确定出每个小组的学员数量；在本实施例中，每个小组的学员数量为10；
S13、根据每个学员的适应度值，找出班级内的最优学员、最差学员、班级平均成绩和各分组平均成绩，适应度值是指把每一个学员的PID参数变量代入目标函数中所得到的结果，目标函数是指PID控制器参数整定过程中的一种性能指标，在本文中指的是平方误差积分；
S2、班级中每个学员根据所在小组平均成绩和班级最优学员之间的差异性进行学习；
S21、根据S13步骤得到的班级内的最优学员被看作是教师，每个学员根据所在小组平均成绩和教师之间的差异性进行学习，学习过程公式如下：
GroupMean′＝(GroupMean+X)/2
newX＝X+r＊(Teacher-TF＊GroupMean′)
在上述公式中，GroupMean表示各分组平均成绩，X表示正在学习的学员，Teacher表示班级内的最优学员，TF表示学习因子，r是介于0和1之间的随机数，newX表示学习后的学员；
S22、比较学员X在学习前后的适应度值，如果学习后的适应度值优于学习前，则将学习后的参数变量更新至该学员，如果学习前的适应度值优于学习前，则该学员的参数变量保持不变；
S3、根据生成随机数的大小，班级中每个学员选择自主学习或者选择与另一个随机学员之间的差异性进行学习；
S31、生成一个介于0和1之间的随机数，如果该数小于等于0.5，则学员X选择与另一个随机学员Xj之间的差异性进行学习，学习过程公式如S311所示，如果该数大于0.5，则学员X选择自主学习，学习过程公式如S312所示；
S311、比较学员X和Xj的适应度值，如果X的适应度值优于Xj，则学习过程公式如下：
newX＝X+rand(0，1)＊(X-Xj)
如果Xj的适应度值优于X，则学习过程公式如下：
newX＝X+rand(0，1)＊(Xj-X)
在上述公式中，newX表示学习后的学员，如果学习后的适应度值优于学习前，则将学习后的参数变量更新至该学员，如果学习前的适应度值优于学习前，则该学员的参数变量保持不变；
S312、学员X自主学习过程公式如下：
tempX＝φ.＊GroupTeacher+(1-φ).＊Teacher
生成一个介于0和1之间的随机数，如果该数小于等于0.5，则
newX＝tempX+β＊|GroupMean-X|＊ln(1/u)
如果该数大于0.5，则
newX＝tempX-β＊|GroupMean-X|＊ln(1/u)
在上述公式中，GroupTeacher表示学员X所在组的最优学员，Teacher表示班级中的最优学员，newX表示学习后的学员，φ、u、β表示不同维度的向量，向量中各元素的值均介于0和1之间；如果学习后的适应度值优于学习前，则将学习后的参数变量更新至该学员，如果学习前的适应度值优于学习前，则该学员的参数变量保持不变；
S4、各个小组的最差学员根据自己与该小组的最优学员之间的差异性进行学习；
S41、学习过程公式如下：
newXw＝Xw+TF＊(GroupTeacher-Xw)
TF＝2-gen/genMax
在上述公式中，Xw表示各小组中的最差学员，TF表示学习因子，GroupTeacher表示各小组中的最优学员，newXw表示学习后的学员，gen和genMax分别表示当前迭代次数和最大迭代次数；
S42、比较学员Xw在学习前后的适应度值，如果学习后的适应度值优于学习前，则将学习后的参数变量更新至该学员，如果学习前的适应度值优于学习前，则该学员的参数变量保持不变；
S5、若满足结束条件，则循环结束，输出最优的PID参数，若不满足，则返回S2；在本实施例中，如果适度度评价次数达到1000，则循环结束，如果还未达到1000，则返回步骤S2进行下一次的学习。
以上详细描述了本发明的一个具体实施例，一种基于改进TLBO算法的PID控制器参数整定方法，通过改善教学阶段学习公式和增加对各组最差学员的辅导教学，进一步增加了班级学员参数变量的多样性，增强了算法对最优解的搜索能力，避免迭代过程中陷入局部最优，加快了收敛速度，从而加强了在PID控制器参数整定过程中最优参数的获取能力和收敛精度。

Claims (3)

1.一种基于改进TLBO算法的PID控制器参数整定方法，包含如下步骤：
S1、初始化参数，生成一个班级的学员群体并分组，根据每个学员的PID参数变量计算出适应度值，找出班级中的最优学员、班级平均成绩和各分组的最优学员、最差学员及平均成绩；
S2、班级中每个学员根据所在小组平均成绩和班级最优学员之间的差异性进行学习；
S3、根据生成随机数的大小，班级中每个学员选择自主学习或者选择与另一个随机学员之间的差异性进行学习；
S4、各个小组的最差学员根据自己与该小组的最优学员之间的差异性进行学习；
S5、若满足结束条件，则循环结束，输出最优的PID参数，若不满足，则返回S2。
2.根据权利要求1所述的一种基于改进TLBO算法的PID控制器参数整定方法，其特征在于，所述步骤S2中，每个学员根据所在小组平均成绩和班级最优学员之间的差异性进行学习，其学习过程公式为：
GroupMean′＝(GroupMean+X)/2
newX＝X+r＊(Teacher-TF＊GroupMean′)
其中，GroupMean表示各分组平均成绩，X表示正在学习的学员，Teacher表示班级内的最优学员，TF表示学习因子，r是介于0和1之间的随机数，newX表示学习后的学员。
3.根据权利要求1所述的一种基于改进TLBO算法的PID控制器参数整定方法，其特征在于，所述步骤S4中，各个小组的最差学员根据自己与该小组的最优学员之间的差异性进行学习，其学习过程公式为：
newXw＝Xw+TF＊(GroupTeacher-Xw)
TF＝2-gen/genMax
其中，Xw表示各分组中的最差学员，TF表示学习因子，GroupTeacher表示各分组中的最优学员，newXw表示学习后的学员，gen和genMax分别表示当前迭代次数和最大迭代次数。
CN201611243521.5A 2016-12-23 2016-12-23 一种基于改进tlbo算法的pid控制器参数整定方法 Pending CN108241288A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611243521.5A CN108241288A (zh) 2016-12-23 2016-12-23 一种基于改进tlbo算法的pid控制器参数整定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611243521.5A CN108241288A (zh) 2016-12-23 2016-12-23 一种基于改进tlbo算法的pid控制器参数整定方法

Publications (1)

Publication Number Publication Date
CN108241288A true CN108241288A (zh) 2018-07-03

Family

ID=62701902

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611243521.5A Pending CN108241288A (zh) 2016-12-23 2016-12-23 一种基于改进tlbo算法的pid控制器参数整定方法

Country Status (1)

Country Link
CN (1) CN108241288A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110737951A (zh) * 2019-09-04 2020-01-31 太原理工大学 一种基于高斯随机游走鲸鱼算法的旋风分离器结构参数整定方法
CN110778447A (zh) * 2019-11-04 2020-02-11 云南电网有限责任公司电力科学研究院 一种混流式水轮发电机调速器空载pid参数优化方法
CN112835286A (zh) * 2020-11-27 2021-05-25 江西理工大学 Pid参数自动整定方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105226638A (zh) * 2015-09-06 2016-01-06 清华大学 基于改进教与学算法的电力系统可用输电能力计算方法
WO2016111993A1 (en) * 2015-01-05 2016-07-14 Skullcandy, Inc. Human performance optimization and training methods and systems
CN105888971A (zh) * 2016-04-28 2016-08-24 华北电力大学 一种大型风力机叶片主动降载控制系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016111993A1 (en) * 2015-01-05 2016-07-14 Skullcandy, Inc. Human performance optimization and training methods and systems
CN105226638A (zh) * 2015-09-06 2016-01-06 清华大学 基于改进教与学算法的电力系统可用输电能力计算方法
CN105888971A (zh) * 2016-04-28 2016-08-24 华北电力大学 一种大型风力机叶片主动降载控制系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JYOTI RANJAN NAYAK等: "Fuzzy-PID controller optimized TLBO algorithm on automatic generation control of a two-area interconnected power system", 《2015 INTERNATIONAL CONFERENCE ON CIRCUITS, POWER AND COMPUTING TECHNOLOGIES [ICCPCT-2015]》 *
拓守恒等: "一种用于PID控制的教与学优化算法", 《智能系统学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110737951A (zh) * 2019-09-04 2020-01-31 太原理工大学 一种基于高斯随机游走鲸鱼算法的旋风分离器结构参数整定方法
CN110778447A (zh) * 2019-11-04 2020-02-11 云南电网有限责任公司电力科学研究院 一种混流式水轮发电机调速器空载pid参数优化方法
CN112835286A (zh) * 2020-11-27 2021-05-25 江西理工大学 Pid参数自动整定方法及系统
CN112835286B (zh) * 2020-11-27 2023-02-17 江西理工大学 Pid参数自动整定方法及系统

Similar Documents

Publication Publication Date Title
CN108241288A (zh) 一种基于改进tlbo算法的pid控制器参数整定方法
CN105426954A (zh) 一种基于多策略协同作用的粒子群优化的方法
CN109787531A (zh) 一种开关磁阻轮毂电机预测控制方法
CN107561929B (zh) 一种伺服系统的无模型鲁棒自适应优化方法
Wang et al. A restart univariate estimation of distribution algorithm: sampling under mixed Gaussian and Lévy probability distribution
Cui et al. Effect of hybrid circle reservoir injected with wavelet-neurons on performance of echo state network
CN106777566B (zh) 基于自适应果蝇算法的开关磁阻电机结构参数优化方法
Bai et al. Adversarial examples construction towards white-box Q table variation in DQN pathfinding training
Yuanxi et al. Fuzzy auto-adjust PID controller design of brushless DC motor
CN108062585A (zh) 一种基于飞蛾扑火算法计算函数最值的方法
WO2018145498A1 (zh) 基于强化学习算法的双馈感应风力发电机自校正控制方法
CN111062462A (zh) 基于差分进化算法的局部搜索和全局搜索融合方法及系统
CN108710748B (zh) 一种平面四杆机构轨迹设计的果蝇优化方法
CN110138293A (zh) 一种基于双馈风电系统的bp神经网络优化混沌控制方法
Panda et al. Model reduction of linear systems by conventional and evolutionary techniques
CN108984275A (zh) 基于Unity3D和深度增强学习的智能无人农用驾驶训练方法
Gao et al. An adaptive framework to select the coordinate systems for evolutionary algorithms
CN106953820A (zh) 基于双Sigmoid复数连续神经网络的信号盲检测方法
CN109635913A (zh) 基于自适应贪婪的q学习算法足球系统仿真方法
Wu Application of adaptive PID controller based on bacterial foraging optimization algorithm
CN110866403A (zh) 基于卷积循环实体网络的端对端对话状态跟踪方法及系统
CN110836168B (zh) 一种基于pso寻优的风机阻尼自适应控制方法及其控制器
Contardo et al. Learning states representations in pomdp
Zhao et al. An improved extreme learning machine with adaptive growth of hidden nodes based on particle swarm optimization
CN109711527A (zh) 一种基于粒子群优化算法的机器人操纵方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180703