基于AMCDE优化RBF神经网络的PID参数整定研究

摘要

针对工业过程中PID(proportional integral derivative)参数整定难的问题，提出一种带有存储机制的自适应变异交叉策略差分进化算法(adaptive mutation crossover strategy differential evolution algorithm with storage mechanism, AMCDE)的神经网络算法RBF(radial basis function)整定PID控制器参数。首先，在差分进化算法(differential evolution algorithm, DE)中引入带有存储机制的策略，对种群的个体进行实时排序，充分利用当前种群的方向信息和搜索状态；其次，通过引入自适应变异交叉策略，实现自适应调整变异交叉概率因子，有效地避免种群在迭代后期陷入局部最优解；再次，采用AMCDE算法优化RBF的初始参数，接着由RBF在线辨识得到梯度信息；最后，根据梯度信息对PID的3个参数进行在线调整。仿真实验和某乳制品公司的加热炉温度控制实验表明：与IDE-RBF-PID、GODE-RBF-PID和MCOBDE-RBF-PID相比，AMCDE-RBF-PID控制器的调节时间分别降低了62.6%、55.3%、53.6%,超调量分别降低了79.3%、66.4%、64.7%,抗干扰性能分别提高了42.5%、15.3%、14.8%,控制精度分别提高了35.6%、12.3%、11.2%。由上述结果可知：AMCDE-RBF-PID控制器的动态性能更好，抗干扰性能更强，控制精度更高。

关键词

自适应变异交叉策略 / 差分进化算法 / RBF神经网络 / PID参数整定