CN114545766A - 一种麻雀搜索算法优化的bp神经网络pid控制方法 - Google Patents
一种麻雀搜索算法优化的bp神经网络pid控制方法 Download PDFInfo
- Publication number
- CN114545766A CN114545766A CN202210188814.7A CN202210188814A CN114545766A CN 114545766 A CN114545766 A CN 114545766A CN 202210188814 A CN202210188814 A CN 202210188814A CN 114545766 A CN114545766 A CN 114545766A
- Authority
- CN
- China
- Prior art keywords
- neural network
- search algorithm
- value
- sparrow
- fitness
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 53
- 241000287127 Passeridae Species 0.000 title claims abstract description 32
- 238000010845 search algorithm Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 16
- 230000006870 function Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 6
- 238000013178 mathematical model Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
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.
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种麻雀搜索算法优化的BP神经网络PID控制方法,解决了现有神经网络控制系统学习效率低、收敛速度慢,易陷入局部最优等问题,其技术方案要点是先确定麻雀搜索算法中的初始化种群数量、设定适应度函数计算初始适应度值以及确定BP神经网络的拓扑结构,更新发现者、跟随者、预警者的位置,计算适应度并更新最优值,判断是否满足条件,若满足则将得到的值赋予BP神经网络作为初始权值和阈值,若不满足进行迭代直至满足;用最优权值进行BP神经网络训练,计算判断误差是否达到要求,若达到则计算出相应PID参数;否则重新训练直至满足要求,本发明的方法,能得到最优的PID参数,收敛速度快、稳定性好,能使控制效果更加明显。
Description
技术领域
本发明涉及PID控制器参数优化算法,特别涉及一种麻雀搜索算法优化的BP神经网络PID控制方法。
背景技术
PID控制器不依赖被控对象的数学模型,具有稳定性好、容易实现、抗干扰能力强等优点,是电能变换系统中应用最广、最成熟的控制器。但常规的PID控制器已经无法满足对要求高性能的开关电源的控制。在这种情况下,智能优化算法被引入到PID控制系统,用以整定PID参数,智能优化算法以其具有的充分任意地逼近任意复杂地非线性关系、具有很强地信息综合能力、能够学习和适应严重不确定系统地动态特性等特性而被引入到PID控制器设计中,使原有的PID系统可以处理那些难以用模型和规则描述的过程。其中神经网络以其神经网络以其具有的非线性特性、优化和自适应控制性能等被引入到PID控制器设计中。但是在其实际应用过程中,采用BP神经网络所设计的BP神经网络PID控制系统由于反向传播学习算法的学习效率低、收敛速度慢、全局搜索能力弱以及易陷入局部最优等,其控制效果不理想,从而限制了神经网络在PID控制器中的应用。
发明内容
本发明的目的是提供一种麻雀搜索算法优化的BP神经网络PID控制方法,能得到最优的PID参数,收敛速度快、稳定性好,能使控制效果更加明显。
本发明的上述技术目的是通过以下技术方案得以实现的:
一种麻雀搜索算法优化的BP神经网络PID控制方法,包括有以下步骤:
S1、确定麻雀搜索算法中的初始化种群、设定适应度函数计算初始适应度值以及确定BP神经网络的拓扑结构;
S2、更新发现者的位置、跟随者位置,随机选择预警者并更新位置计算适应度并更新最优值,判断是否满足条件,满足时将得到的值赋予BP神经网络作为初始权值和阈值,不满足则再次迭代;
S3、用最优的权值进行BP神经网络的训练,同时计算误差,判断误差是否达到要求,达到则计算出相应的PID参数,否则重新训练直至满足要求。
作为优选,麻雀搜索算法将种群群体分为探索者、跟随者及预警者;
引入正弦余弦算法,定义学习因子并将学习影子融入到探索者的位置移动更新中;
根据设定的预警值判断探索者进行搜索,将Levy飞行策略融入到跟随者的位置更新中;
预警者进行危险预警观察,并于感知危险时进行位置更新以带领种群飞往其他位置。
综上所述,本发明具有以下有益效果:
通过麻雀搜索算法于BP神经网络相结合,优化后的BP神经网络权值能得到最优的PID参数,能使PID控制参数达到最优,结合麻雀搜索算法和BP神经网络各自的优点,使得控制效果更加明显;
通过引入正弦余弦算法和Levy飞行策略,使得探索者在前期能够更好地展开全局搜索同时后期也能够更好地进行局部搜索;并且跟随者搜索者地方向更加全面,进而使得种群位置更多样化,防止陷入局部最优。以此来优化BP神经网络权值从而得到最优的PID参数。
附图说明
图1为本实施例的结构示意图;
图2为图1所示本实施例的局部剖视图;
图3为实例中三种控制器阶跃响应输出曲线图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
根据一个或多个实施例,公开了一种麻雀搜索算法优化的BP神经网络PID控制方法,如图1及图2所示,包括有以下步骤:
S1、确定麻雀搜索算法中的初始化种群、设定适应度函数计算初始适应度值以及确定BP神经网络的拓扑结构;
S2、更新发现者的位置、跟随者位置,随机选择预警者并更新位置计算适应度并更新最优值,判断是否满足条件,满足时将得到的值赋予BP神经网络作为初始权值和阈值,不满足则再次迭代;
S3、用最优的权值进行BP神经网络的训练,同时计算误差,判断误差是否达到要求,达到则计算出相应的PID参数,否则重新训练直至满足要求。
麻雀搜索算法将种群群体分为探索者、跟随者及预警者。
引入正弦余弦算法,定义学习因子并将学习影子融入到探索者的位置移动更新中。
引入的正弦余弦算法的定义学习因子为
ω=ωmin+(ωmax-ωmin)·Sin(tπ/itermax)
将学习因子融入到探索者的位置移动中,得:
式中:Tmax为最大迭代次数;为第t代时麻雀i第j维的坐标信息;为(0,1]上的随机数;E为预警值,其中E∈[0,1];Ts为安全值,其中Ts∈[0.5,1];Q为服从正态分布的随机数;L为一行多列矩阵且元素都为1;分别为[0,2π]和[0,2]内的随机数。
根据设定的预警值判断探索者进行搜索,将Levy飞行策略融入到跟随者的位置更新中。
Levy飞行的随机步长s为:
将随机步长s加入跟随者的位置更新,得到跟随者位置更新:
预警者进行危险预警观察,并于感知危险时进行位置更新以带领种群飞往其他位置。
BP神经网络的确定具体为:
确定网络输入层的节点数、隐含层节点数、输出层节点数;
通过麻雀搜索算法确定神经网络的初始连接矩阵和阈值,取BP神经网络的性能指标函数Ek,
式中,r(k)为系统期望输入,y(k)为系统实际输入,E(k)为实际输入与期望输入的误差。
由于麻雀搜索算法具有收敛速度快、稳定性好的优点,同时我们引入正弦余弦算法和Levy飞行策略,使得探索者在前期能够更好地展开全局搜索同时后期也能够更好地进行局部搜索;并且跟随者搜索者地方向更加全面,进而使得种群位置更多样化,防止陷入局部最优。以此来优化BP神经网络权值从而得到最优的PID参数。此技术方案结合了改进后麻雀搜索算法和BP神经网络各自的优点,使得控制的效果更加明显。
为表述清楚,现举一实例:
运用仿真对传统的BP神经网络PID控制器(BP_PID)、粒子群优化的BP神经网络PID控制器(PSO_BP_PID)和麻雀搜索算法优化的BP神经网络PID(SSA_BP_PID)进行建模分析,采用二阶传递函数为被控对象,输入阶跃信号;如图3所示,经过仿真对比发现,三种优化算法在起初调节阶段都存在一定的误差和震荡并持续一定的时间,其中未被优化的BP神经网络PID控制器表现得最为明显,但经过麻雀搜索算法优化的BP神经网络PID控制器只有轻微的误差和超调,并且能够快速稳定。同时我们对这三种控制器的性能进行了测试,如下表1所示:
表1
结果表明BP神经网络PID控制器进入稳态时间长且有明显的超调,经粒子群算法优化的BP神经网络PID控制器相比于前者在上升时间和进入稳态时间分别缩短了33.3%和51.9%同时超调量减少了5.18%。经麻雀搜索算法优化的BP神经网络PID控制器在进入稳态时间方面又进一步缩短了7.4%同时消除了超调量。
本发明将麻雀搜索算法与BP神经网络相结合,结合了麻雀搜索算法强大的搜索能力和快速收敛的优势和BP神经网络良好逼近非线性系统的能力,两者的有机结合使得控制的效果更加趋于平稳。本发明的被控对象数学模型为一二阶系统,这是在工业当中比较常用的数学模型,用阶跃信号作为输入,由表1的结果可知,经麻雀搜索算法和BP神经网络共同优化的PID控制器,在上升时间、稳定时间等方面,都有一定的优越性,对实际工业生产控制具有一定的指导意义。
本具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (4)
1.一种麻雀搜索算法优化的BP神经网络PID控制方法,其特征是,包括有以下步骤:
S1、确定麻雀搜索算法中的初始化种群、设定适应度函数计算初始适应度值以及确定BP神经网络的拓扑结构;
S2、更新发现者的位置、跟随者位置,随机选择预警者并更新位置计算适应度并更新最优值,判断是否满足条件,满足时将得到的值赋予BP神经网络作为初始权值和阈值,不满足则再次迭代;
S3、用最优的权值进行BP神经网络的训练,同时计算误差,判断误差是否达到要求,达到则计算出相应的PID参数,否则重新训练直至满足要求。
2.根据权利要求1所述的麻雀搜索算法优化的BP神经网络PID控制方法,其特征是:麻雀搜索算法将种群群体分为探索者、跟随者及预警者;
引入正弦余弦算法,定义学习因子并将学习影子融入到探索者的位置移动更新中;
根据设定的预警值判断探索者进行搜索,将Levy飞行策略融入到跟随者的位置更新中;
预警者进行危险预警观察,并于感知危险时进行位置更新以带领种群飞往其他位置。
3.根据权利要求2所述的麻雀搜索算法优化的BP神经网络PID控制方法,其特征是:
引入的正弦余弦算法的定义学习因子为
ω=ωmin+(ωmax-ωmin)·sin(tπ/itermax)
将学习因子融入到探索者的位置移动中,得:
式中:Tmax为最大迭代次数;为第t代时麻雀i第j维的坐标信息;为(0,1]上的随机数;E为预警值,其中E∈[0,1];Ts为安全值,其中Ts∈[0.5,1];Q为服从正态分布的随机数;L为一行多列矩阵且元素都为1;分别为[0,2π]和[0,2]内的随机数;
Levy飞行的随机步长s为:
将随机步长s加入跟随者的位置更新,得到跟随者位置更新:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210188814.7A CN114545766A (zh) | 2022-02-28 | 2022-02-28 | 一种麻雀搜索算法优化的bp神经网络pid控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210188814.7A CN114545766A (zh) | 2022-02-28 | 2022-02-28 | 一种麻雀搜索算法优化的bp神经网络pid控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114545766A true CN114545766A (zh) | 2022-05-27 |
Family
ID=81661759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210188814.7A Pending CN114545766A (zh) | 2022-02-28 | 2022-02-28 | 一种麻雀搜索算法优化的bp神经网络pid控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114545766A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115150284A (zh) * | 2022-06-13 | 2022-10-04 | 上海工程技术大学 | 基于改进麻雀算法的通信网拓扑优化方法及系统 |
CN115145145A (zh) * | 2022-07-08 | 2022-10-04 | 贵州大学 | 一种自适应茶叶加工模糊控制方法 |
CN116183216A (zh) * | 2022-12-06 | 2023-05-30 | 淮阴工学院 | 基于tvf-emd和thgwo-elm的齿轮箱故障诊断方法 |
CN116449686A (zh) * | 2023-06-15 | 2023-07-18 | 斯润天朗(北京)科技有限公司 | 改进麻雀种群算法优化rbf神经网络的pid控制方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112000096A (zh) * | 2020-08-12 | 2020-11-27 | 中国计量大学 | 一种基于麻雀搜索算法的差速agv轨迹跟踪控制方法 |
CN113485371A (zh) * | 2021-08-11 | 2021-10-08 | 河海大学 | 一种基于改进麻雀搜索算法的水下多auv路径规划方法 |
-
2022
- 2022-02-28 CN CN202210188814.7A patent/CN114545766A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112000096A (zh) * | 2020-08-12 | 2020-11-27 | 中国计量大学 | 一种基于麻雀搜索算法的差速agv轨迹跟踪控制方法 |
CN113485371A (zh) * | 2021-08-11 | 2021-10-08 | 河海大学 | 一种基于改进麻雀搜索算法的水下多auv路径规划方法 |
Non-Patent Citations (1)
Title |
---|
孙全: "《基于麻雀搜索算法的BP 神经网络优化技术》", 《上海电机学院学报》, vol. 25, no. 1, 25 February 2022 (2022-02-25), pages 12 - 16 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115150284A (zh) * | 2022-06-13 | 2022-10-04 | 上海工程技术大学 | 基于改进麻雀算法的通信网拓扑优化方法及系统 |
CN115145145A (zh) * | 2022-07-08 | 2022-10-04 | 贵州大学 | 一种自适应茶叶加工模糊控制方法 |
CN115145145B (zh) * | 2022-07-08 | 2024-05-07 | 贵州大学 | 一种自适应茶叶加工模糊控制方法 |
CN116183216A (zh) * | 2022-12-06 | 2023-05-30 | 淮阴工学院 | 基于tvf-emd和thgwo-elm的齿轮箱故障诊断方法 |
CN116449686A (zh) * | 2023-06-15 | 2023-07-18 | 斯润天朗(北京)科技有限公司 | 改进麻雀种群算法优化rbf神经网络的pid控制方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114545766A (zh) | 一种麻雀搜索算法优化的bp神经网络pid控制方法 | |
CN110308649B (zh) | 应用于工业过程控制的基于pso-soa融合算法的pid参数优化方法 | |
CN110888317A (zh) | 一种pid控制器参数智能优化方法 | |
CN112636368B (zh) | 针对多源多区域互联电力系统的自动发电控制方法 | |
CN112330487B (zh) | 一种光伏发电短期功率预测方法 | |
CN104834215A (zh) | 一种变异粒子群优化的bp神经网络pid控制算法 | |
CN113253779A (zh) | 一种基于粒子群模糊pid算法的热泵温度控制系统 | |
CN110110380B (zh) | 一种压电执行器迟滞非线性建模方法及应用 | |
CN107908113A (zh) | 基于改进tlbo算法的自抗扰控制器参数整定方法 | |
CN113281993B (zh) | 一种贪心k-均值自组织神经网络多机器人路径规划方法 | |
CN114036813A (zh) | 一种粒子群bp神经网络pid控制的温室温湿度方法 | |
CN109116724A (zh) | 一种基于粒子群改进细菌觅食算法的负荷频率控制方法 | |
CN113885328A (zh) | 一种基于积分强化学习的核电功率跟踪控制方法 | |
CN116449686A (zh) | 改进麻雀种群算法优化rbf神经网络的pid控制方法及装置 | |
CN117970782B (zh) | 一种基于鱼鳞进化gsom改进的模糊pid控制方法 | |
CN106896724B (zh) | 用于太阳跟踪器的跟踪系统及跟踪方法 | |
CN113868961A (zh) | 一种基于自适应值迭代核电系统的功率跟踪控制方法 | |
Tian et al. | Generalized predictive PID control for main steam temperature based on improved PSO algorithm | |
CN113885324A (zh) | 一种建筑智能用电控制方法及系统 | |
Chen et al. | Optimization of ADRC Parameters Based on Particle Swarm Optimization Algorithm | |
CN108427271A (zh) | 压水堆核电站一回路冷却剂温度控制方法 | |
CN115586801B (zh) | 基于改进模糊神经网络pid的瓦斯掺混浓度控制方法 | |
CN111427261A (zh) | 一种基于猫群算法的pid参数整定方法 | |
CN113270867B (zh) | 一种薄弱电网潮流无解自动调整方法 | |
CN113807005B (zh) | 基于改进fpa-dbn的轴承剩余寿命预测方法 |
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 |