免疫遗传进化的PID控制器的设计本科生毕业论文

1、本科生毕业论文（设计）题 目免疫遗传进化的PID控制器的设计学生姓名指导教师学 院专业班级完成时间毕业设计（论文）原创性声明和使用授权说明原创性声明本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。尽我所知，除文中特别加以标注和致谢的地方外，不包含其他人或组织已经发表或公布过的研究成果，也不包含我为获得 及其它教育机构的学位或学历而使用过的材料。对本研究提供过帮助和做出过贡献的个人或集体，均已在文中作了明确的说明并表示了谢意。作 者 签 名： 日 期： 指导教师签名： 日期： 使用授权说明本人完全了解 大学关于收集、保存、使用毕业设计（论文）的规定，

2、即：按照学校要求提交毕业设计（论文）的印刷本和电子版本；学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。作者签名： 日 期： 学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。作者签名： 日期： 年 月 日学位论文版权使用授

3、权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权 大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。涉密论文按学校规定处理。作者签名：日期： 年 月 日导师签名： 日期： 年 月 日注 意 事 项1.设计（论文）的内容包括：1）封面（按教务处制定的标准封面格式制作）2）原创性声明3）中文摘要（300字左右）、关键词4）外文摘要、关键词 5）目次页（附件不统一编入）6）论文主体部分：引言（或绪论）、正文、结论7）参考文献8）致谢9

4、）附录（对论文支持必要时）2.论文字数要求：理工类设计（论文）正文字数不少于1万字（不包括图纸、程序清单等），文科类论文正文字数不少于万字。3.附件包括：任务书、开题报告、外文译文、译文原文（复印件）。4.文字、图表要求：1）文字通顺，语言流畅，书写字迹工整，打印字体及大小符合要求，无错别字，不准请他人代写2）工程设计类题目的图纸，要求部分用尺规绘制，部分用计算机绘制，所有图纸应符合国家技术标准规范。图表整洁，布局合理，文字注释必须使用工程字书写，不准用徒手画3）毕业论文须用A4单面打印，论文50页以上的双面打印4）图表应绘制于无格子的页面上5）软件工程类课题应有程序清单，并提供电子文档5.装

5、订顺序1）设计（论文）2）附件：按照任务书、开题报告、外文译文、译文原文（复印件）次序装订指导教师评阅书指导教师评价：一、撰写（设计）过程1、学生在论文（设计）过程中的治学态度、工作精神 优 良 中 及格 不及格2、学生掌握专业知识、技能的扎实程度 优 良 中 及格 不及格3、学生综合运用所学知识和专业技能分析和解决问题的能力 优 良 中 及格 不及格4、研究方法的科学性；技术线路的可行性；设计方案的合理性 优 良 中 及格 不及格5、完成毕业论文（设计）期间的出勤情况 优 良 中 及格 不及格二、论文（设计）质量1、论文（设计）的整体结构是否符合撰写规范？ 优 良 中 及格 不及格2、是否完

6、成指定的论文（设计）任务（包括装订及附件）？ 优 良 中 及格 不及格三、论文（设计）水平1、论文（设计）的理论意义或对解决实际问题的指导意义 优 良 中 及格 不及格2、论文的观念是否有新意？设计是否有创意？ 优 良 中 及格 不及格3、论文（设计说明书）所体现的整体水平 优 良 中 及格 不及格建议成绩： 优 良 中 及格 不及格（在所选等级前的内画“”）指导教师： （签名） 单位： （盖章）年 月 日评阅教师评阅书评阅教师评价：一、论文（设计）质量1、论文（设计）的整体结构是否符合撰写规范？ 优 良 中 及格 不及格2、是否完成指定的论文（设计）任务（包括装订及附件）？ 优 良 中 及格

7、 不及格二、论文（设计）水平1、论文（设计）的理论意义或对解决实际问题的指导意义 优 良 中 及格 不及格2、论文的观念是否有新意？设计是否有创意？ 优 良 中 及格 不及格3、论文（设计说明书）所体现的整体水平 优 良 中 及格 不及格建议成绩： 优 良 中 及格 不及格（在所选等级前的内画“”）评阅教师： （签名） 单位： （盖章）年 月 日教研室（或答辩小组）及教学系意见教研室（或答辩小组）评价：一、答辩过程1、毕业论文（设计）的基本要点和见解的叙述情况 优 良 中 及格 不及格2、对答辩问题的反应、理解、表达情况 优 良 中 及格 不及格3、学生答辩过程中的精神状态 优 良 中 及格

8、不及格二、论文（设计）质量1、论文（设计）的整体结构是否符合撰写规范？ 优 良 中 及格 不及格2、是否完成指定的论文（设计）任务（包括装订及附件）？ 优 良 中 及格 不及格三、论文（设计）水平1、论文（设计）的理论意义或对解决实际问题的指导意义 优 良 中 及格 不及格2、论文的观念是否有新意？设计是否有创意？ 优 良 中 及格 不及格3、论文（设计说明书）所体现的整体水平 优 良 中 及格 不及格评定成绩： 优 良 中 及格 不及格教研室主任（或答辩小组组长）： （签名）年 月 日教学系意见：系主任： （签名）年 月 日目 录 TOC o 1-3 h z u HYPERLINK l _T

9、oc325664402摘 要 PAGEREF _Toc325664402 h IHYPERLINK l _Toc325664403ABSTRACT PAGEREF _Toc325664403 h IIHYPERLINK l _Toc325664404第一章绪论 PAGEREF _Toc325664404 h 1HYPERLINK l _Toc325664405选题的背景以及意义 PAGEREF _Toc325664405 h 1HYPERLINK l _Toc325664406PID参数整定和优化的研究现状 PAGEREF _Toc325664406 h 1HYPERLINK l _Toc32

10、5664407遗传算法在控制领域的研究现状 PAGEREF _Toc325664407 h 3HYPERLINK l _Toc3256644081.4 本文的主要内容以及章节安排 PAGEREF _Toc325664408 h 4HYPERLINK l _Toc325664409第二章 遗传算法概述 PAGEREF _Toc325664409 h 5HYPERLINK l _Toc3256644102.1 遗传算法基础理论 PAGEREF _Toc325664410 h 5HYPERLINK l _Toc3256644112.1.1 遗传机理 PAGEREF _Toc325664411 h 5

11、HYPERLINK l _Toc3256644122.1.2 编码 PAGEREF _Toc325664412 h 5HYPERLINK l _Toc3256644132.1.3 初始种群 PAGEREF _Toc325664413 h 6HYPERLINK l _Toc3256644142.1.4 适应度函数 PAGEREF _Toc325664414 h 6HYPERLINK l _Toc325664415 遗传算子 PAGEREF _Toc325664415 h 7HYPERLINK l _Toc3256644162.2 遗传算法的特点 PAGEREF _Toc325664416 h 9

12、HYPERLINK l _Toc3256644172.2.1 遗传算法的优点 PAGEREF _Toc325664417 h 9HYPERLINK l _Toc3256644182.2.2 遗传算法的不足 PAGEREF _Toc325664418 h 10HYPERLINK l _Toc3256644192.3 遗传算法的基本流程 PAGEREF _Toc325664419 h 10HYPERLINK l _Toc3256644202.3.1 遗传算法的基本流程 PAGEREF _Toc325664420 h 10HYPERLINK l _Toc3256644212.3.2 遗传算法的流程图

13、 PAGEREF _Toc325664421 h 11HYPERLINK l _Toc3256644222.4 遗传算法的缺陷及抑制措施 PAGEREF _Toc325664422 h 12HYPERLINK l _Toc325664423.1早熟收敛产生的主要原因 PAGEREF _Toc325664423 h 12HYPERLINK l _Toc325664424解决法一：引入移民 PAGEREF _Toc325664424 h 13HYPERLINK l _Toc325664425解决法二：将粒子群算法引入遗传算法变异操作中 PAGEREF _Toc325664425 h 13HYPER

14、LINK l _Toc3256644262.4.4 解决法三：重组策略 PAGEREF _Toc325664426 h 14HYPERLINK l _Toc3256644272.5 本章小结 PAGEREF _Toc325664427 h 14HYPERLINK l _Toc325664428第三章 免疫遗传算法及其改进 PAGEREF _Toc325664428 h 15HYPERLINK l _Toc3256644293.1 免疫遗传算法的基础理论 PAGEREF _Toc325664429 h 15HYPERLINK l _Toc3256644303.1.1 自然免疫系统 PAGEREF

15、 _Toc325664430 h 15HYPERLINK l _Toc3256644313.1.2 免疫遗传算法的基本原理 PAGEREF _Toc325664431 h 16HYPERLINK l _Toc3256644323.1.3 免疫遗传算法的流程 PAGEREF _Toc325664432 h 16HYPERLINK l _Toc3256644333.1.4 免疫遗传算法的特点 PAGEREF _Toc325664433 h 17HYPERLINK l _Toc3256644343.2 免疫遗传算法的改进方法 PAGEREF _Toc325664434 h 18HYPERLINK l

16、 _Toc3256644353.2.1 基于信息熵的免疫遗传算法-AIA PAGEREF _Toc325664435 h 18HYPERLINK l _Toc3256644363.2.2 基于欧氏距离的免疫遗传算法-DBAIA PAGEREF _Toc325664436 h 19HYPERLINK l _Toc3256644373.2.3 基于曼哈顿距离法的免疫遗传算法 PAGEREF _Toc325664437 h 21HYPERLINK l _Toc3256644383.2.4 改进的免疫遗传算法：精英策略免疫遗传算法 PAGEREF _Toc325664438 h 22HYPERLINK

17、 l _Toc3256644393.3 本章小结 PAGEREF _Toc325664439 h 24HYPERLINK l _Toc325664440第四章 PID控制器概述 PAGEREF _Toc325664440 h 25HYPERLINK l _Toc3256644414.1 PID控制器的原理结构 PAGEREF _Toc325664441 h 25HYPERLINK l _Toc325664442 PID控制器的原理 PAGEREF _Toc325664442 h 25HYPERLINK l _Toc325664443位置式PID 控制算法 PAGEREF _Toc3256644

18、43 h 27HYPERLINK l _Toc325664444 增量式PID 控制算法 PAGEREF _Toc325664444 h 27HYPERLINK l _Toc3256644454.2 PID控制器在控制方面的缺陷 PAGEREF _Toc325664445 h 28HYPERLINK l _Toc3256644464.2.1 PID控制器存在的不足 PAGEREF _Toc325664446 h 28HYPERLINK l _Toc3256644474.3 本章小结 PAGEREF _Toc325664447 h 28HYPERLINK l _Toc325664448第五章 免

19、疫遗传算法在PID控制器上的应用 PAGEREF _Toc325664448 h 29HYPERLINK l _Toc3256644495.1 性能指标的选取与实现 PAGEREF _Toc325664449 h 29HYPERLINK l _Toc325664450 过渡过程的品质指标 PAGEREF _Toc325664450 h 29HYPERLINK l _Toc3256644515.1.2 误差泛函积分评价指标 PAGEREF _Toc325664451 h 29HYPERLINK l _Toc3256644525.2 基于遗传算法（GA）对PID参数整定思想 PAGEREF _To

20、c325664452 h 30HYPERLINK l _Toc3256644535.3 传统遗传算法（GA）对PID参数的整定 PAGEREF _Toc325664453 h 31HYPERLINK l _Toc3256644545.3.1 整定原理 PAGEREF _Toc325664454 h 31HYPERLINK l _Toc3256644555.3.2 整定步骤 PAGEREF _Toc325664455 h 32HYPERLINK l _Toc3256644565.4 免疫遗传算法（IGA）对PID参数的整定 PAGEREF _Toc325664456 h 33HYPERLINK

21、l _Toc3256644575.4.1 整定原理 PAGEREF _Toc325664457 h 33HYPERLINK l _Toc3256644585.4.2 整定步骤 PAGEREF _Toc325664458 h 33HYPERLINK l _Toc3256644595.5 免疫遗传算法优化PID控制器参数的仿真结构 PAGEREF _Toc325664459 h 34HYPERLINK l _Toc3256644605.5.1 仿真结构图 PAGEREF _Toc325664460 h 34HYPERLINK l _Toc3256644615.5.2 Simulink 仿真原理 P

22、AGEREF _Toc325664461 h 35HYPERLINK l _Toc325664462 确定最优增益的原理 PAGEREF _Toc325664462 h 35HYPERLINK l _Toc3256644635.6 仿真实验以及结果分析 PAGEREF _Toc325664463 h 36HYPERLINK l _Toc3256644645.6.1 仿真的典型被控对象 PAGEREF _Toc325664464 h 36HYPERLINK l _Toc3256644655.6.2 二阶系统仿真结果 PAGEREF _Toc325664465 h 36HYPERLINK l _T

23、oc3256644665.6.3 高阶系统仿真结果 PAGEREF _Toc325664466 h 38HYPERLINK l _Toc3256644675.6.4 延迟系统仿真结果40HYPERLINK l _Toc3256644685.7 本章小结 PAGEREF _Toc325664468 h 42HYPERLINK l _Toc325664469第六章 总结与展望 PAGEREF _Toc325664469 h 43HYPERLINK l _Toc325664470参考文献 PAGEREF _Toc325664470 h 44HYPERLINK l _Toc325664471致谢 PA

24、GEREF _Toc325664471 h 47摘 要生物系统是一个极其复杂的系统，但是通过对该系统的计算机模拟研究，科学的提出了遗传算法（简称GA）。美国Michigan大学Holland教授及其学生受到生物模拟技术的启发，创造出了一种基于生物遗传和进化机制的适合于复杂系统优化的自适应概率优化技术遗传算法。遗传算法作为一种实用高效，鲁棒性强的优化技术，发展极为迅速，引起国内外学者的高度重视。免疫遗传算法是免疫算法与遗传算法的有效结合。免疫遗传算法基于遗传算法并且克服了遗传算法保持群体多样性能力的不足，陷入局部最优等缺点。免疫遗传算法和遗传算法的不同就在于对群体的更新策略上。遗传算法根据个体的

25、适应度进行复制，而免疫遗传算法是根据个体的适应度和浓度进行复制，具有很强的多样性保持能力。 比例积分微分控制简称PID控制，它是工业生产过程中最常用的控制方法，在工业生产过程控制中，PID控制占85%90%,随着科学技术的发展，特别是计算机的发展，许多先进的PID控制涌现出来并得到了广泛的应用，免疫遗传进化的PID控制技术就是其中的代表之一。 国内外学者多是在控制对象标称模型下对PID控制器进行整定和优化设计的，然而在实际控制系统中由于受工作环境、元器件老化、结构的几何误差、材料制造以及测量等因素的影响，控制对象参数不确定性是客观存在的。基于控制对象标称模型下的控制器整定和优化方法，在控制对象

26、参数发生较大变化时，很难满足控制性能要求。因此本文针对控制领域普遍存在的模型参数具有不确定性的一类PID线性控制系统，利用一种免疫遗传算法来寻找PID控制器的最有整定值，取得了很好的效果。关键词：免疫遗传算法 , PID控制器 , IGAE , 早熟现象。ABSTRACTIn thispaper, the focus of the study is the design of PID controller by Immune Genetic Algorithm (IGA). The knowledgeof two areas areof greatimportance to accomplis

27、h this study. One is Immune Genetic Algorithm and the design of PID controller is another one. Thekey and difficult point is the combinationofthetwo areasof knowledge.The basics of Genetic Algorithms (GA) and Immune Genetic Algorithm (IGA) are introduced in the earlier chapters, of course something

28、about the PID controller is also theprerequisite . The main difference between IGA and GA is the concentration of antibody. In contrast, IGA makes a better performance although spends thetime longer.In order to improve the performance of the decency , the improved algorithm is necessary . In the tex

29、t, three methods including AIA, DBAIA and MHDBAIA, which measure the antibody variety, are recommended. In order to control the antibody variety, AIA stimulates and restrains the antibody by simulating body cell theory of immune network. So AIA can increase the antibody variety and avoids premature

30、convergence and sticking to local optimum. For the disadvantage of low calculation rate, two kinds of IGA are researched, which are separately based on Euclidean Distance or Manhattan Distance. Though these two definitions improve the ability of holding the antibody variety and the operating speed,

31、the definition of antibody similarity are still not visual.Elitism-based immune genetic algorithm is also introduced straightforward which is putted forward by the professor of TAN Guan-zheng , Central South University which makes great performance . This algorithm improves the diversity of the popu

32、lation and avoids the premature convergence.The simulate tool Matlab provides some convenience for this study and by using the matlab/simulink module , perfect data emerge after some ten days certificate the better performance of IGA in optimization .KEY WORDS: immune Genetic Algorithm, PID controll

33、er, IGAE, prematurity. 绪 论 选题的背景以及意义 在工业控制中，PID控制器有着非常广泛的应用，它是工业生产过程中最常用的控制算法，大约占到80%到90%。最早的PID控制策略思想是由Minorsky在1922年提出的。1942年Ziegler和Nichols提出了关于PID控制器参数的整定公式（Z-N整定公式），明确了PID参数的整定规则。由于PID控制器在结构上的简单易操作，性能上容易实现以及具有一定的鲁棒性等特点，收到了许多研究人员的关注和工业生产部门的青睐，得到了长足的进步和发展。1993年以来，PID控制器的研究迎来了爆发性的发展阶段，主要原因有大致两个方面：

34、一是现代控制理论的发展与实际工程想脱离，使得人们重新将研究方向的重点转移到了在工程控制中占主导地位的PID控制，二是针对现代工业过程对控制系统的高要求，进而引发了研究人员对传统控制策略作进一步改进和研究的想法。几十年的PID控制器研究表明：尽管在冶金，机械制造，化工，电力等工业领域，PID控制得到了广泛的应用，可是整定的方法并不是很好。有一些PID控制器从出厂便使用默认设置，控制其参数很少调整，导致生产现场控制器效果欠佳。除此之外，PID控制器本身有其结构和参数的不确定性等不足，所以对于PID控制器参数优化设计和整定对于提高控制系统的性能至关重要。许多学者都对这一领域做了研究，提出了很多的PI

35、D参数整定的方法，而基于免疫遗传算法的PID控制器便是这些整定方法之一。遗传算法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自适应全局优化方法，是解决复杂问题的有效方法。与传统搜索算法不同，它是一种自然选择与遗传机理的随机搜索算法，简单通用、可并行处理得到全局最优解，在很多领域都得到了应用，取得了很好的效果。更主要的是它使用适应度来衡量搜索效果，调整相关的适应度函数就可以达到系统全面控制的效果。适应度函数可以是时域指标、频域指标、误差积分指标和这些指标的组合的变形，因此基于遗传算法的PID控制参数优化方法得到了较大发展。而免疫遗传算法是在遗传算法的基础上对遗传算法的一个改进，以提高种群的

36、多样性，防止局部收敛，对于PID控制器的设计更加具有积极意义。PID参数整定和优化的研究现状基于PID控制器在工业控制领域的广泛应用，对于其整定和优化的方法的研究一直没有停止。PID控制器经过其近90年的发展，已经在各个方面取得了长足的进步，特别是在参数整定方面，很多研究学者都提出了相应的办法。在这些办法中有的是注重算法与PID参数整定的结合，有的是提升PID控制器本身的相关参数精度，有的利用先进的软件技术来达到提高系统性能的目的，很多整定的方法都取得了很好的效果。传统的PID参数的整定的一般方法有经验法，凑试法，这些方法对于非线性，时变不确定性的控制系统几乎束手无策，因为建立不起来精确的数学

37、模型。在此基础上运用其他相关知识来优化PID参数势在必行，在这里，利用其他的算法或者软件与PID控制器结合是解决复杂系统参数整定的新方向，在这个领域已经有很多研究成果提出，仍然具有很大的研究空间。另外，由于科学技术的不断发展，对PID控制参数的要求越来越高，单纯运用其它算法与PID控制算法结合所取得的控制参数很大程度上已经不能满足控制系统的相关要求。在PID控制器参数整定的现前研究中，出现了一种利用改进的算法去与PID控制算法的结合的方向，因为对于每一个现有的算法来说，都会有其自身的不足之处，通过对这些不足之处的改进，再运用到PID参数的整定过程中，会取得更加理想的效果，这也是现前的一个研究趋

38、势。在利用软件方面，文献4提出了利用Matlab和LabVIEW（一种强大的标准图形化编程工具，提供大量的函数用以数据的采集，分析，显示和存储等。）等多种软件来实现PID参数的整定方法。利用例如LabVIEW等图像软件，对于提高PID参数整定的精度，整定速度都有非常大的帮助。在利用相关算法的结合方面，文献5提出了一种针对不确定对象的PID参数整定方法。该方法利用改进的遗传算法作为外层搜索方法，同时利用单纯型法作为内层寻优的方法，同样取得了非常好的控制效果。文献6提出了利用改进的粒子群算法整定PID参数的方法。该算法之所以能够具有加速算法的收敛速度和提高粒子的搜索能力的优势，是因为其采用惯性权值

39、的非线性递减策略，并借鉴了遗传算法的杂交机制。文献7提出了另一种改进算法：改进量子遗传算法在PID参数中的整定与应用。在基本量子遗传算法的基础之上，文中提及了量子交叉，量子变异，量子灾变等概念，用以提高系统的性能，达到给定控制要求。除了上面列数的遗传算法，粒子群算法及其改进的算法以外，差分进化算法，蚁群算法，竞选算法以及博弈算法都在PID参数整定中取得了非常好的发展。通过这些算法对PID参数的优化整定，不仅提高了系统的性能，而且是系统的控制结构更加简单，控制速度得到很大的提升。近些年，智能控制的迅速发展同样带动了PID控制器参数整定的研究，这种新型的控制器正在通过自己的优良性能向现有的控制技术

40、提出挑战，越来越多的学者也对此深感兴趣，发展势头强劲。在自整定方面，智能PID自整定方法法包括基于神经网络的PID自整定方法，基于模糊控制的PID自整定方法，专家式智能PID自整定方法，单神经元PID自整定智能控制方法，基于规则智能PID自整定方法和加辨识信号智能PID自整定方法等。在多变量控制上，智能自整定方法有其独特的优势，应用也很广泛。遗传算法在控制领域的研究现状基于遗传算法在参数寻优上有很多的优点，进入21世纪，对于遗传算法出现了很多研究方向，为现代工业控制提供了非常好的算法依据，这些新的研究方向大致表现在以下几个方面：1） 遗传算法在机器学习上的应用。 遗传算法本身是离散的搜索空间的

41、优化算法，通过其在机器学习上的应用，使其扩展到了具有规则而独特生成功能的崭新的机器学习方法。这一研究方向使得人工智能中对知识获取以及优化精炼等问题都得到了解决。 2） 与其他计算智能方法的融合改进。 神经网络，混沌理论以及模糊推理等智能运算方法都可以与遗传算法相结合，取长补短。“计算智能”研究领域的形成也是这一趋势下的产物，许多研究成果在这一领域得以提出，为未来的智能计算技术的发展打下了坚实的基础。 3） 并行处理的遗传算法。 并行处理的遗传算法对于新一代智能计算机体系结构的研究发挥了非常大的作用，尽管它是遗传算法本身的发展。由于其高度并行性的特点，为在并行机上执行遗传算法策略提供了可能。研究

42、表明，只要通过保持多个群体和恰当地控制群体间的相互作用来模拟并执行过程，即使不用计算机我们也能提高算法的执行效率。 4） 遗传算法与人工生命的补充。 运用人工媒体（包括计算机，机械等）模拟或构造出的人造系统，这种系统具有自然生物系统特有的行为，我们把它叫做人工生命。人工生命的理论基础之一便是遗传算法的进化模型。虽然人工生命的研究尚处于启蒙阶段，但遗传算法已在其进化模型，学习模型，行为模型，自组织模型等方面显示出初步的应用能力，发展势头强劲。 5） 与进化规则及进化策略的有效补充。 作为演化计算的主要分支之一，遗传算法的借鉴对象是自然界中生物的进化过程，以其作为自适应全局优化搜索过程。进化规则与

43、进化策略也是如此，虽然三者具有很多相似性，但是他们又是从不同的生物进化机制，不同的生物进化背景开发出来的。三种算法的有效结合，实现了更加优良算法能力的进化算法。上述的诸项发展趋势，为遗传算法在工业控制中发挥作用奠定了基础,在模式识别，神经网络，机器学习，工业优化控制，自适应控制，生物科技等领域起到了非常重要的积极作用。例如文献12研究的是基于神经网络和遗传算法的PID控制器设计，将两种算法的优点结合在一起，取长补短，达到最优控制效果；文献13是研究基于遗传算法的协调控制系统鲁棒PID参数寻优的研究，文献14是研究基于遗传算法的航空发动机多目标优化PID控制的设计，文献15研究的是基于遗传算法的

44、蒸发器水位PID控制的研究，由此可见，在PID参数寻优方面，遗传算法已经在相当多的领域得到了很好的应用。其实遗传算法的应用领域相当广泛，并非仅仅局限在控制系统的PID参数寻优上。文献16研究的是基于遗传算法的多小波自适应去噪方法研究，文献17提出了利用遗传算法去优化足球机器人的参数问题，随着科学技术的不断提高，对控制系统参数的要求必将越来越高，遗传算法以其自身的诸多优点必将成为控制系统中的王牌算法之一而得到越来越多科研人员的重视。本文的主要内容以及章节安排本文通过对PID参数整定和优化的方法以及研究现状，对免疫遗传算法的应用以及研究现状的研究，提出了应用免疫遗传算法来设计PID控制器的方案。正

45、确运用免疫遗传算法可以优化系统的控制性能，从而提高系统的鲁棒性。本文主要研究内容以及各章节安排如下：第一章 通过研究PID控制器的历史发展，应用领域，不足之处以及免疫遗传算法在控制领域应用的广泛性，提出论文的研究背景以及重要意义；阐述工业PID控制器在参数整定方面的研究现状；提出免疫遗传算法未来的发展趋势以及在控制领域中的研究现状，用以了解现今该领域的发展方向及进程。第二章 主要阐述本文涉及的遗传算法的基础知识，用以更好地理解论文实质。包括遗传算法的基本原理，优点特点，不足之处以及解决措施等。第三章 主要讲述免疫遗传算法的相关知识，主要包括基本原理，操作步骤，性能特点等。另外还阐述了基于免疫遗

46、传算法的部分改进方法，用以提高控制系统的性能。第四章 主要介绍PID控制器的相关知识，包括PID控制器的基本原理，基本结构等。更好地理解PID控制器的基本控制方法，以为免疫遗传算法与PID相结合提供知识铺垫。第五章 主要介绍免疫遗传算法在PID控制器参数优化上如何应用，具体步骤，仿真的结果以及相关结论。通过matlab编程以及simulink模块实现系统的仿真，在给定的函数条件下证明利用免疫遗传算法会提高PID参数的寻优能力，从而提高系统的性能。第六章 本文结论和展望。总结研究成果，寻找不足之处，提出整改优化想法。第二章 遗传算法概述2.1 遗传算法基础理论遗传算法是一种随机全局搜索和优化方法

47、，它的依据是模仿自然界中的生物进化现象。生物的进化（Evolution）过程主要是通过染色体之间的交叉和变异等遗传操作来完成的。基于对自然界中生物遗传与进化机理的模仿，许多学者提出了自己表示问题可行解得方法，通过这些方法便形成了很多版本的遗传算法。 遗传机理在遗传算法中，个体为优化问题的解，即染色体或者基因串。染色体一般的表达方式为字符串或者数字串（其他表示方法少见），首先遗传算法会随机产生一些个体，这个过程可以人为干预。通过适应度函数对每个个体进行适应度计算，并按适应度强弱排序。接下来是下一代的产生以及种群的组成。选择和繁殖（包括杂交和突变）是这一过程的重要步骤。选择过程中要根据个体的适应度

48、进行选择，高者留下，低者淘汰。出始的数据便可以通过这种选择过程产生一个相对好的群体。之后个体进入杂交过程，杂交概率一般去0.6到1.0。假设杂交概率为0.6，则会有60%的个体会产生后代。每两个个体一次杂交长生两个新的个体，用以代替父代，不杂交的个体维持不变。再下一步为突变，遗传算法一般会设置一个固定的突变常数，在0.01以下，叫做突变概率。突变过程通常是改变染色体的一个字节，例如1变成0，0变成1。经过选择，杂交和突变等操作过程，一代更比一代的适应度强，因为适应度低的个体在这个过程中已经被淘汰。如此反复，周而复始，直到满足条件为止。终止条件有以下几种情况:1进化次数的限制； 2计算时间、计算

49、占用的内存等计算耗费的资源限制； 3找到了满足条件的最小值； 4适应度已经是最大值，再进化无意义； 5基于某种原因人为干预的情况； 6以上两种或更多种的组合。 编码作为遗传算法首先要解决的问题，编码是设计遗传算法的重要步骤。对于问题空间的参数，遗传算法是难于处理的，解决的方法是转换成遗传空间由基因按一定结构组成的染色体或者个体。执行过程中，编码问题很重要，它直接影响接下来的遗传操作。编码的方法大致可分为三类：二进制编码方法，符号编码方法以及浮点数编码方法。本文运用二进制编码方法。二进制编码用二进制字符串（由0，1组成）来表示所求解的优化问题参数。若优化问题有m个参数对应m个一定长度的字符串，将

50、m个字符串联接成一条染色体，称为个体，这就是编码的过程。在遗传算法中，遗传算子的操作对象是由字符串构成的染色体，而不是优化问题的各参数。由于遗传算法中的杂交和突变都是在字符串上进行的，所以所谓的整数或者实数表示也一定要转化为数位形式。例如一个变量的形式是实数，其范围是01，而要求的精度是0.001，那么可以用10个数位表示：0000000000表示0，1111111111表示1，那么0110001110就代表0.389。 表2.1 二进制编码的优缺点二进制编码的优点二进制编码的缺点1 编码，解码操作相对简单。2 交叉，变异等遗传操作容易实现。3 利用模式定理（二进制编码基础）容易对算法进行理论

51、分析。1 连续函数离散化有映射误差。2 不能直接反映出所求问题的本身结构特征。 初始种群遗传操作是对众多个体同时进行的，这些个体组成群体。优化问题参数经二进制编码后，必须产生一个初始群体。如何确定群体规模m是初始种群设定的关键。如何设定，方法如下：1设法把握最优解所占空间在整个问题空间中的分布范围，在此分布范围内设定初始群体。2先随机产生一定数目的个体，挑出最好的那些个体，放入初始种群中。在不断迭代的过程中，积累优秀个体数达到预定规模。遗传优化的最终结果以及遗传算法的执行效率受群体规模影响很大。过小或者过大都会不理想，一般m会取10-200之间。 适应度函数适应度函数又称作评价函数，在遗传算法

52、中使用适应度（Fitness）这个概念来度量群体中各个个体在优化计算中能达到或接近于或有助于找到最优解的优良程度。适应度较高的个体遗传到下一代的概率较大；适应度较低的个体相对较小。度量个体适应度的函数叫做适应度函数（Fitness Function）。评价个体适应度的过程如下：Step1：得到个体的表现型（对个体编码串进行编码处理后）； Step2：计算出对应个体的目标函数值（根据个体的表现型）；Step3： 由目标函数值按照一定转换规则求出个体的适应度（根据最优问题的类型）。遗传算法在求解函数极值问题时往往以适应度函数为依据。其确定一般分为如下情况:1求函数u(x)最大值时， (2.1) 2

53、求函数g(x)最小值时， (2.2)式(2.1)中，Cmin 可以是合适的输入值，或是当前一代或前K代中的g(x) 的最小值，也可以是群体方差的函数。式(2.2)中，Cmax可以是一个合适的输入值，或是进化过程中g(x) 的最大值或当前群体中g(x) 的最大值。遗传算子遗传算法的遗传操作包括三个基本遗传算子(genetic operator): 选择算子(selection operator)、交叉算子(crossover operator)和变异算子(mutation operator) 。选择算子(selection operator) 选择（Selection）又称复制（Reproduc

54、tion），即在群体中找出适应度强的个体的过程。遗传算法使用选择算子来对群体中的个体进行优胜劣汰操作：选择的的标准就是个体适应度的大小，适应度强，留下的概率大，反之留下的概率小。这样一个过程就会使个体的性状不断的接近最优解。选择算子在遗传算法中非常重要，一旦确定不当会使个体的适应度趋同，难以维持进化过程，甚至会使整个发展方向被一些适应度大的个体误导，失去种群多样性，产生早熟问题。本文的之后章节将会对早熟问题的解决办法做进一步的分析。表2.2：部分选择算子以及特点选择方式轮盘赌选择优势选择误差相对来说偏大随机竞争选择性能好于轮盘赌选择 柔性分段复制无回放随机选择 需要选择参数并可以有效防止基因的

55、缺失。选择误差有所降低，但操作麻烦。关于选择操作算子，很多学者都提出了自己的看法，所用的原理不尽相同，以上所介绍的只是其中的一部分选择操作算子。虽然轮盘赌选择的选择误差较大，但是该方法便于理解与掌握，对于不是要求很高的控制系统寻优来说仍然能够达到预期的效果，所以本文选用的是轮盘赌选择操作算子。轮盘赌选择又叫做蒙特卡罗(Monte Carlo)选择法。设群体规模为m，其中个体i 的适应度值为fi，则i被选择的概率Psi为: (2.3)概率Psi 反映了个体i的适应度在整个种群的个体适应度总和中所占的比例。个体适应度越大，其被选择的概率就越高，反之亦然。2. 交叉算子(crossover oper

56、ator)在生物的自然进化过程中，两个同源染色体通过交配和重组，形成新的染色体，从而产生出新的个体或者物种。交配重组是生物遗传和进化过程中的一个主要环节，模仿这个环节，遗传算法中使用交叉算子来产生新的个体。交叉（crossover）又称作重组（Recombination），是按较大的概率从群体中选择两个个体，交换两个个体的某个或某些位。遗传算法中所说的交叉，是指基于两个配对染色体相互交换一部分基因，进而形成了两个新的个体。产生新个体的主要方法便是交叉运算，它是遗传算法的异它性特征，在遗传算法的过程中举足轻重。表2.3：部分交叉操作以及特点交叉形式单点交叉特点标准遗传算法成员适用条件适用符号编码

57、两点交叉使用较多适用符号编码均匀交叉每一位以相同概率交叉适用符号编码多点交叉交叉点大于2适用符号编码启发式交叉应用领域知识适用序号编码 本文中只涉及单点交叉，两点交叉和多点交叉的情况，现就这三种情况讨论如下：单点交叉(one-point crossover)单点交叉是指在个体串中随机设定一个交叉点。交叉时，互换该点前面或者后面的两个个体的部分结构，产生两个新个体: 个体 A：1001 111 1001000 新个体 个体 B：0011 000 0011111 新个体 在第4和第5个基因座之间设置交叉点。交叉时，互相交换该交叉点后的两个个体的部分码串，从而得到新的个体A 和B。由于交叉点是随机的

58、，对于一个长为L的染色体，可能会实现L-1种不同交叉结果出来。两点交叉(two-point crossover)两点交叉随机设定两个交叉点。两个交叉点之间的码串相互交换，从而产生两个新个体: 个体 A：10110 11 1001011 新个体 个体 B：00010 00 0011000 新个体 对于两点交叉而言，由于交叉点是随机的，对于长为L的染色体，可能实现(L-2)(L-3)种不同交叉结果。多点交叉(multi-point crossover)多点交叉实质上是一点交叉和两点交叉的演变。用cp来表示交叉点数，当cp=1和cp=2时，分别表示一点交叉和二点交叉。由于多点交叉影响遗传算法的在线和

59、离线性能，实际应用中很少被采用。交叉概率Pc过低，遗传算法将陷入迟钝状态，Pc过高虽能增强搜索能力，但同时也会破坏高性能模式。一般Pc取0.250.90之间。变异算子(mutation operator) 生物遗传进化中，偶然的复制差错会出现在细胞的复制环节中，产生的后果便是基因发生变异，产生新的个体，产生新的性状。 生物遗传和进化的过程为我们提出遗传算法提供了现实依据。在通常的情况下，变异（Mutation）概率是很小的，其过程就是对个体的编码串上的某个（或者某些）位值进行改变，如“0”变成“1”，或者反过来，进而产生新的个体。有些学者对变异算法持怀疑态度，认为变异算法所取得的效果完全可以通

60、过选择交叉来实现，本文认为从遗传算法过程中产生新个体的能力方面来说，变异本身是一种随机算法，通过和选择交叉算法的结合，能避免由于选择和交叉运算造成的某些信息的损失，从而保证遗传算法的有效性。变异算子的作用有两个：其一可以对遗传算法局部搜索能力的改善起到关键作用。其二可以对群体的多样性的维持，防止出现早熟现象发挥很大的作用。低概率的变异可防止群体中重要的、单一基因的丢失，具有很高概率的变异将会使遗传算法趋向于纯粹的随机搜索，因而一般变异概率Pm取0.0010.02之间。 遗传算法的特点 遗传算法的优点1）广泛性的可行解表示。遗传算法所处理的内容是通过参数集编码得到的基因个体。所以遗传算法可以直接