毕业论文课题相关文献综述
文献综述
1.课题的研究意义和应用价值
遗传算法是近几年发展起来的一种崭新的全局优化算法[9]。他是模拟生物在自然环境中的遗传和进化过程而形成的一种概率搜索算法即自然选择和基因遗传学原理搜索算法[3]。它将优胜劣汰,适者生存的生物进化原理引人待优化参数形成的编码申群体中,按照一定的适配值函数及一系列遗传操作对各个体进行筛选,从而使适配值高的个体被保留下来,组成新的群体,新群体包含上一代的大量信息,并且引人了新的优于上一代的个体[6].而常规PID控制参数整定方法，不能达到理想的控制效果。因此，利用遗传算法的全局优化特点，把遗传算法推广到函数优化领域，应用于PID控制参数进行优化整定，其计算过程简单、易于理解，且所需先验信息少[9]。
遗传算法的这种使用群体搜索技术,通过对前群体施加选择、交叉、变异等一系列遗传操作,产生出新一代群体,他不受搜索空间的限制性假设约束,不必要求诸如连续性、导数存在和单峰值的条件,具有内在的并行性。该算法已在包括PID控制器数整定等各类优化问题的求解中得到应用,尤其适合那些复杂的多目标优化问题[1]。
遗传算法的主要特点有:(l)对参数编码进行操作,而非对参数本身;(2）从多点开始并行操作,而非局限于一点,可有效防止搜索过程收敛于局部最优解;(3)通过目标函数计算适配值,不需要其他推导和附加信息,从而对问题的依赖性较小;(4)其寻优规则是由概率决定的.而非确定性的;(5)对待寻优的函数基本无限制,如连续、可徽等要求;(6)具有并行计算的特点,可提高计算速度[6]。
遗传算法存在的主要问题是收敛速度慢和易出现早熟收敛[3]。针对遗传算法在PID参数调节应用中存在的遗传算法的局限性问题,一些文献在研究GA用于PID参数整定时将标准遗传算法进行了改进。但是,在大多数文献资料中都忽略了一个问题,即在用遗传算法进行参数优化的过程中,适应度计算耗用了大部分时间和资源,减少个体适应度的评价次数才能根本提高优化速度[4]。
比例-积分-微分控制(PID控制)作为一种经典控制器已经广泛应用于各种工业过程控制系统中,但往往依靠人工调整其各部分参数,这个过程通常相当繁琐,而且在很大程度上取决于设计者的经验[10]。PID控制要取得好的控制效果,就必须通过调整好比例、积分和微分三种控制作用。基于传统PID设计的控制器难以获得较好的控制效果。神经网络具有任意非线性表达能力,遗传算法在初始参数值的整定过程中起着重要作用[7]。PID控制器由于具有算法简单、鲁棒性强、稳定可靠等优点,在工业控制系统中得到广泛应用。PID控制器的设计一直是控制领域里深受关注的一个重要课题,现已提出了多种PID参数整定方法如Ziegler-Nichols法,Cohen-Coon法,IAE,ISE和ISTE方法等。然而,由于目前PID控制器参数整定方法大都是针对某一类具体的被控对象或是某一类特定的性能指标而提出的,缺乏通用性和柔性,使得设计出的PID控制器常常难以满足实际控制系统的性能要求[3].基于遗传算法的PID整定原理：通过编码；适应度函数；初始种群；选择、交叉和变异；确定运行参数；算法终止条件等遗传算法得以实现[9]。
2.GA的PID控制的研究现状
目前随着现代工业控制过程和环境的日趋复杂化,对PID控制系统的控制品质提出了更高的要求。由于常规理论整定法复杂、繁琐且效果不佳,而工程整定法实际上属于人工整定法,需要实际操作者有一定的控制领域知识和丰富的经验,且往往整定效果不理想。传统的整定方法当系统结构和参数发生变化时,需要停下来重新进行整定,不能满足生产的连续性要求,更不要说一些实时性要求高的系统;目前随着模糊控制、神经网络、专家系统智能控制理论的发展,形成了多种智能控制与PID控制相结合的智能PID控制策略。遗传算法(GeneticAlgorithm,GA)研究的历史比较短,20世纪60年代末期到70年代初期,主要由美国Michigan大学的JohnHolland与其同事、学生们研究形成了一个较完整的理论和方法,从试图解释自然系统中生物的复杂适应过程入手,模拟生物进化的机制来构造人工系统的模型。随后经过20余年的发展,取得了丰硕的应用成果和理论研究的进展。遗传算法是一种具有良好的全局搜索能力、鲁棒性好、不需要问题本身解空间可微,不依赖于先验知识的一种优化算法,近年来已有很多国内外学者将遗传算法用于PID控制器的参数优化设计[4]。
3.课题研究的目的和方向
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
