| 【论文摘要】 | PID控制是一种应用很普遍的控制技术,目前在很多方面都有广泛的应用。然而,在工业上有许多无法建立精确数学模型的复杂控制对象,和比较复杂、非线性的控制对象,如果用传统的PID来进行控制的话,那么很难获得比较理想的控制效果。
近年来,采用结合遗传算法的人工神经网络的控制方法已日益引起人们的重视。神经网络具有表示任意非线性函数、自适应学习和并行分布处理等优点;而遗传算法(GA)有高效的全局随机搜索能力,因此本文提出了一种融合遗传算法的神经网络PID控制方法。该方法用遗传算法(GA)学习优化神经网络的初始权系数,得到一组接近最佳的BP网络初始权系数的参数组合;在此基础上,采用RBF辨识网络求取对象的灵敏度信息,同时通过BP算法修正BP网络自身权系数,实现PID参数的在线调整。该算法既保留了遗传算法的强全局随机搜索能力,又具有神经网络的鲁棒性和自学习能力。仿真结果显示了遗传算法快速学习神经网络权系数的能力,并且有效地提高了多层前向神经网络权系数的学习效率与收敛精度,确保了快速达到全局收敛,克服了多层前向神经网络传统的误差反向传播算法中精度低、收敛速度慢、容易陷入局部极小的缺陷,表明了该方法的可行性与有效性。 |
