遗传优化的仿人智能控制在温度控制系统中的研究

贾　勇

(西安邮电大学，陕西 西安 710121)

遗传优化的仿人智能控制在温度控制系统中的研究

贾勇

(西安邮电大学，陕西 西安 710121)

摘要：提出了一种基于遗传优化的新型仿人智能控制方法和一些遗传算法的基本概念，同传统的仿人智能控制相比，遗传优化后的仿人智能控制有许多优点。把遗传优化的仿人智能控制方法应用到工业领域的温度控制系统中，仿真结果表明这种控制方法具有较高控制精度和较强的适应性以及良好的控制效果。

关键词：仿人智能控制；遗传算法；温度控制系统

对于工业中常见的温度控制系统，其生产过程特性可用具有二阶纯滞后的传递函数近似等效[1-2]。针对纯滞后对象的控制问题，采用常规的PID控制无法满足控制精度的要求，因为常规PID控制器的参数是根据被控对象数学模型确定的，当被控对象的数学模型是变化的、非线性的时候，PID参数不容易根据其实际的情况做出调整，从而影响了控制质量，使控制系统的控制品质下降。仿人智能控制对滞后对象有良好的控制效果，但通常认为只适合于对一阶纯滞后对象的控制，对二阶纯滞后对象的控制效果很难令人满意，因为仿人智能控制的控制性能主要取决于调节器的比例增益KP和抑制系数K，但由于它们与被控对象之间的关系尚不清楚，故难以优化。对于KP和 K的选择，一阶纯滞后对象尚可凭经验进行试凑，而二阶纯滞后对象则很难选择好．此问题可归结为一非线性组合优化问题，适合用遗传算法求解；为此，本文提出了一种基于遗传优化的仿人智能控制算法，并把该方法在温度控制系统中用MATLAB仿真软件进行了仿真。

1仿人智能控制算法

实际工业领域中的大部分对象都具有非线性、时变性和不确定性等特点，因此要获得准确的数学模型比较难。仿人智能控制采用被控对象的“类等效”模型简化方法为设计者提供了一个十分有效的途径，它具有多模态(变结构，多参数)和分层递阶(运行控制MC、参数校正SR、任务适应TA)的控制结构，因而鲁棒性和适应性较强。仿人智能控制器的设计任务就是采用尽可能简单的结构和较少的控制模态和参数，在对象模型参数变化范围内达到控制指标的要求，它解决了没有对象准确数学模型条件下的对象模型处理问题。简单来说就是以实际轨迹与理想轨迹的偏差轨迹为依据，划分出特征模型，并给出对应的控制模态。为了简化设计，将理想轨迹投影到平面，以该投影曲线为仿人智能控制器设计的目标轨迹。控制算法的具体设计过程如下所述[3]。

1.1运行控制级设计

运行控制级的特征模型如图1所示，其中虚线为理想误差目标轨迹，为了使实际误差轨迹尽量与其一致，采用了下述控制策略：1)偏差很大时，对应区域1、2采用磅-磅控制；2)偏差和偏差变化率很小时，对应区域3采用保持控制；3)偏差增大时，对应区域4采用保持+比例控制；4)偏差减小，系统缓慢趋向给定值时，对应区域5采用适当加大保持控制；5)偏差减小，系统正常趋向给定值时，对应区域6采用保持控制；6)偏差减小，系统快速趋向给定值时，对应区域7采用保持+微分控制；7)系统设定值改变时，引入预估控制，改变控制量的保持值。控制方程见式1。

图1　运行控制级的特征模型

e>e1

e<-e1

(1)

u0=u0(n-1)+β·ΔRΔR≠0

1.2参数校正级设计

参数校正级特征模型如图2所示(一、二象限部分与三、四象限类似)，其中虚线为理想误差目标轨迹，采用下述参数校正策略：1)区域1、2、3、5不需要参数校正；2)区域4偏差变化率低于要求，按与偏差变化率成反比增大保持作用；3)区域6偏差变化率高于要求，按与偏差变化率成反比增大微分作用；4)区域7偏差和偏差变化率较小，减小比例作用；5)区域8、9、10增大比例作用；6)区域11偏差变化率大，减小比例作用。

图2　参灵敏校正级的特征模型

特征模态基元集：

特征模型：

决策模式集：

a21、a22、a23、a24、a25、a26、a27为常量。

推理规则集：

式中，Ω2i:Φ2i→Ψ2i,i=1,2,3,4,5,6,7。

2遗传优化算法

2.1遗传算法的基本操作

遗传算法 (genetic algorithm，简称GA)是1962年由美国Holland提出的一种模仿模拟生命进化机制的随机寻优算法[4],它将“优胜劣态，适者生存”的生物进化原理引入优化参数形成的编码串群体中，按所选择的适配值函数并通过遗传中的复制、交叉及变异对各个体进行筛选，使适配值高的个体被保留下来，组成新的群体，新的群体既继承了上一代的信息，又优于上一代。这样周而复始，群体中各个体适应度不断提高，直至满足一定的条件。其算法简单，可并行处理，能得到全局最优解。

图3　遗传算法流程图

2.2基于遗传算法的仿人智能控制参数寻优过程[5-6]

3)初始群体生成。为了同时保证选择的随机性和个体具有较大的适应值，本文采用轮盘选择方式选择个体，即个体被选中的概率与其适应值成正比，从而使适应度高的个体被选择的概率大，有更多的繁殖后代的机会，保证优良基因得以遗传。

4)算法终止条件。种群按照适应度的高低来排列，第1个染色体为最高的适应度，如果HSIC的控制效果满足了系统的要求或是迭代的代数达到了预先的设定值，那么GA操作就停止。

5)生成新一代群体。遗传算法有3个算子：选择概率Ps、交叉概率Pc和变异概率Pm。选择概率Ps通过适应值确定，交叉概率决定了交叉的次数，Pc过小导致搜索停滞不前，太大也会使高适应值的结构被破坏；因此，交叉概率一般选取0.25～0.8。变异概率一般为0.001～0.1，太大会引起不稳定，太小则难以寻到全局最优解。

3遗传算法HSIC控制器结构

遗传算法HSIC控制器结构如图4所示。

图4　遗传逄法HSTC控制器组成框图

4在温度控制系统中的仿真实验

对于工业中常见的温度控制系统，其生产过程特性可用具有二阶纯滞后的传递函数近似等效。设被控的温度控制过程的传递函数为：

3种控制方案参数取值见表1。

表1　3种控制方案参数取值

3种控制方案仿真结果如图5所示。

从仿真结果可以看出，在3种控制方案中，遗传优化后的HSIC控制产生的超调量和过渡时间比常规的PID控制和HSIC控制要小得多，控制性能最好，遗传优化后的HSIC控制具有更好的自适应性和更好的控制精度。

图5　3种控制方案仿真比较

5结语

本文利用遗传优化的仿人智能控制算法对二阶纯滞后的温度控制系统进行了仿真实验，试验结果表明，用遗传算法优化后的仿人智能控制自适应性强，鲁棒性好，控制精度高，其控制品质比常规PID和未优化的仿人智能控制有了显著的改善。随着研究的不断深入，这种控制方法在工业过程控制中有着广泛的应用前景。

参考文献

[1] 曹晓莉．大滞后对象的仿人智能控制器设计及仿真研究[J]．重庆工商大学学报：自然科学版，2003，20(3)：18-20.

[2] Zhou Q J，B J G．Proceedings of a multinational instrument conference[C]．Shanghai: China Instrument and Control Society， 1983.

[3] 李祖枢，涂亚庆．仿人智能控制[M]．北京：国防工业大学出版社，2003.

[4] Holland J H. Adaption in natural and artificial systems[M]．Michigan : The University of Michigan Press．1975.

[5] 郑双泉，章兢．改进的遗传算法及其在优化Ic中的应用[J]．湖南教育学院学报，1997，15(2)：44-48.

[6] 刘咪，王进华．遗传优化模糊控制器方法[J]．福建电脑，2005(8)：40-41.

[7] 宇华，余发山．基于遗传算法的IC自适应系统设计[J]．焦作工学院学报，2004，23(5)：386-388.

[8] 薛定宇．控制系统计算机辅助设计——MATLAB语言及应用[M]．北京：清华大学出版社，1998.

[9] 王以琦，施建华，苏震，等.温度和过程自动控制技术在感应加热生产中的应用[J].新技术新工艺，2014(9):86-90.

责任编辑李思文

Research on Human-simulated Intelligent Control based on Genetic Optimization in Temperature Control System

JIA Yong

(Xi'an University of Posts and Telecommunications，Xi'an 710121，China)

Abstract:The paper presented a new kind of human-simulated intelligent control method based on genetic optimization and some basic concepts about genetic algorithm, human-simulated intelligent control based on genetic optimization has many advanced properties compared with traditional human-simulated intelligent control．The human-simulated intelligent control method based on genetic optimization was applied to temperature control system in industry field. The simulation results showed that the control method has high control accuracy, strong adaptation and excellent control effects.

Key words:human-simulated intelligent control, genetic algorithm, temperature control system

收稿日期：2014-12-03

作者简介：贾勇(1980-)，男，工程师，主要从事公共管理等方面的研究。

中图分类号：TP 273+.5

文献标志码：A