遺傳演算法PID
Ⅰ 怎麼通過MATLAB使用遺傳演算法實現pid參數整定
我的畢設只用把PID和模糊PID相比較
常規PID，用Matlab里的Simulink模塊模擬，建立你要做的動力學模型的傳函或者狀態空間。PID參數調節可用臨界比度法。
模糊PID就麻煩了，打開Matlab中FIS模塊，一般都用二階模糊？輸入E,EC的隸屬函數，一般為高斯，和輸出模糊Kp,Ki,Kd，一般為三角。還要整定模糊規則，再載入到Simulink里。調節模糊因子Gu，Ge，Gec，設置模糊PID的參數。
總之，你這個問題在白度知道里很難說清楚。
Ⅱ 用遺傳演算法對pid參數整定是否屬於現代控制理論范疇。
不算，現代控制理論指的是上世紀60年代發展起來的以狀態空間為基礎的分析方法。
遺傳演算法對pid參數整定應該屬於自適應控制的范疇
Ⅲ 遺傳演算法怎麼與pid控制器進行結合
pid控制有3個參數，不同的參數值對應不同的控制效果，所以這三個參數是輸入量。但是對於目標函數來說就比較復雜了，可以是系統響應，系統增益等，根據不同情況選用。
Ⅳ matlab遺傳演算法程序解讀誰能逐句給我解釋一下
高手解釋下，這個選擇、交叉、變異各是採用了什麼方法?????我也很想知道這段程序呀。這個是基於實數編碼的遺傳演算法優化PID參數。
Ⅳ 請問哪位朋友知道溫控器PID自整定功能是什麼意思啊
PID自整定功能檢查系統接線，確定系統的反饋為負反饋。例如電機調速系統，輸入信號為正，要求電機正轉時，反饋信號也為正（PID演算法時，誤差=輸入-反饋），同時電機轉速越高，反饋信號越大。其餘系統同此方法。
測量控制范圍：溫度 -50℃～150℃ 顯示精度 ±0.1℃ （ <100℃ ）檢測精度：±0.5℃◆參數設置： 控制值：全量程0～100% 回差：溫度1~30℃感測器誤差修正：溫度-50℃～150℃
顯示方式：三位LED數碼管顯示，1位小數，加熱控制：啟動：溫度≤設定溫度（下限）； 停止：溫度≥設定溫度（下限）+溫度回差；
風扇控制：啟動：溫度≥設定溫度（上限）； 停止：溫度≤設定溫度（上限）－溫度回差；
(5)遺傳演算法PID擴展閱讀：
溫度控制器自整定at意思的詳細解釋：
在現代工業生產中，溫度是許多生產環節中非常重要的一個指標。以溫度為主要參數的被控對象，如大型鍋爐，往往難以得到精確的數學模型。並且控制系統往往存在著結構的不確定性、大滯後特性以及變數的耦合性。
隨著控制理論和無線通信技術的發展，工業對於控制器的自適應性、智能性以及網路化管理的要求也在逐步提高。本文正是將Smith補償器與遺傳演算法相結合，設計出一個具有自整定功能的PID控制器，並在此基礎上。
Ⅵ 基於遺傳演算法的PID參數的在線整定和離線尋優區別是什麼
離線整定即根據系統實際工況或已知數學模型情況下，預先進行PID參數設置。這種方法不具備自適應性。
當然可以不停改變PID參數，不過對於被控對象變化很快的系統，不論是人工整定還是自整定，工作量都太大了。
Ⅶ 「基於遺傳演算法的PID控制參數優化」matlab程序
那本書應該是沒有問題的
我按照那本書做過以及神經網路的PID控制參數優化 沒有問題 你再修改下吧
Ⅷ 那個遺傳演算法PID的 MATLAB 我怎麼也弄不出來。直接抄書上的程序就是 Error using ==> le Not enoug
%Improved algorithm for PID parameters tuning
clear all;
close all;
global rom yout timef
SIze=30;
CodeL=3;
MinX(1)=zeros(1);
MaxX(1)=20*ones(1);
MinX(2)=zeros(1);
MaxX(2)=1.0*ones(1);
Minx(3)=zero(1);
MaxX(3)=1.0*ones(1);
Kpid(:,1)=MinX(1)+(MaxX(1)-MinX(1))*rand(Size,1);
Kpid(:,2)=MinX(2)+(MaxX(2)-MinX(2))*rand(Size,2);
Koid(:,3)=MinX(3)+(MaxX(3)-MinX(3))*rand(Size,3);
G=100;
Bsj=0;
%***************Start Running***************
for kg=1:1G
time(kg)=kg;
%******Step 1 : Evaluate BestJ******
for i=1:1:Size
Kpidi=Kpid(i,:);
[Kpidi,BsJ]=chap5_2f(Kpidi,BsJ);
BsJi(i)=BsJ;
end
[OderJi,IndexJi]=sort(BsJi);
BestJ(kg)=OderJi(1);
BJ=BestJi(kg);
Ji=BSJi+le-10; %Avoiding deviding zero
di=1./Ji;
% Cm=max(Ji);
% fi=Cm-Ji;
[Oderfi,Indexfi]=sort(fi); %Arranging fi small to bigger
Bestfi=Oderfi(Size); %Let Bestfi=max(fi)
BestS= Kpid(Indexfi(Size),:); %Let BestS=E(m),m is the Indexfi belong to max(fi)
kg
BJ
BestS
%******Step 2 : Select and Eeproct Operation******
fi_sum=sum(fi);
fi_Size=(Oderfi/fi_sum)*Size;
fi_S=floor(fi_Size); %Selecting Bigger fi value
r=Size-sum(fi_S);
Rest=fi_Size-fi_S
[RestValue,Index]=sort(Rest);
for i=Size:-1:Size-r+1
fi_S(Index(i))=fi_S(Index(i))+1; % Addig rest to equal Size
end
k=1;
for i=Size:-1:1 %Select the Sizeth and Reproce firstly
for j=1:1:fi_S(i)
TempE(k,:)=Kpid(Indexfi(i),;) %Select and Reproce
k=k+1; % k is used to reproce
end
end
%**********Step 3:Crossover Operation******
fiavg=fi_sum/30;
fimax=1/BJ;
for i=1:2:(Size-1);
if fi(i)>fi(i+1);
fi1(i)=fi(i);
else fi1(i)=fi(i+1);
end
end
for i=1:2:(Size-1);
if fi1(i)>fiavg
Pc(i)=0.9-0.3*(fi1(1)-fiavg)/fimax-fiavg
else Pc(i)=0.9;
end
end
for i=1:2:(Size-1);
temp=rand;
if Pc(i)>temp %Crossover Condition
alfa=rand;
TempE(i,:)=alfa*Kpid(i+1,:)+(1-alfa)*Kpid(i,:);
TempE(i+1,:)=alfa*Kpid(i,:)+(1-alfa)*Kpid(i+1,:);
end
end
TempE(Size,:)=BestS;
Kpid=TempE;
%***************Step 4: Mutation Operation**************
for i=1:1:Size;
if fi(i)>fiavg;
Pm(i)=0.1-0.099*(fimax-fi(i));
else Pm(i)=0.1;
end
end
%Pm=0.10-[1:1:Size]*(0.01)/Size; %Bigger fi,smaller pm
Pm_rand=rand(Size,CodeL);
Mean=(MaxX + MinX)/2;
Dif=(MaxX-MinX);
for i=1:1:Size
for j=1:1:CodeL
if Pm(i)>Pm_rand(i,j) %Mutation Condition
TempE(i,j)=Mean(j)+Dif(j)*(rand-0.5);
end
end
end
%Guarantee TempE(Size,:) belong to the best indivial
TempE(Size,:)=BestS;
Kpid=TempE;
end
Bestfi
BestS
Best_J=BestJ(G)
figure(1);
plot(time,BestJ);
xlabel('Times');ylabel('Best J');
figure(2);
plot(timef,rin,'r',timef,yout,'b');
xlabel('Time(s)');ylabel('ran,yout');
Ⅸ 遺傳演算法在pid參數整定運用中是如何將ki，kd，kp和目標函數掛鉤起來的
pid控制有3個參數，不同的參數值對應不同的控制效果，所以這三個參數是輸入量。
但是對於目標函數來說就比較復雜了，可以是系統響應，系統增益等，根據不同情況選用。