1、硕 士 学 位 论 文中文题目： 基于改进粒子群优化的双闭环自愈调控算法研究 The Research of Double Close Loop Self-healing System英文题目： Based on The Improved Particle Swarm Optimizer 论文作者： 指导教师： 专 业： 计算机应用技术 完成时间： 二XX 年四月 申请辽宁大学硕士学位论文基于改进粒子群优化的双闭环自愈调控算法研究The Research of Double Close Loop Self-healing System Based on The Improved Particl
2、e Swarm Optimizer作 者： 指导教师： 专 业： 计算机应用技术 答辩日期： 二XX 年五月中国辽宁摘要I摘要在自动化程度越来越高的今天,机器代替人完成了大量的重复性工作,机器的正常运行离不开计算机,自动化控制,机械,工业设计等方方面面领域发展的积累.在生产过程中,机器不仅要顺利的运行,而且要持续不断的投入生产之中,才能带来更大的收益,于是故障成为影响了生产进度和生产质量的重要因素,故障的产生不仅严重影响了工作的顺利进行而且有可能对人产生伤害. 故障的发生除了人的因素影响外最终要的是自身状态的因素的变化.例如工作生产中的电机由于长时间运行自身阻抗发生变化,会产生严重发热甚至烧毁
3、.机器从“健康状态“转化为“带病状态“并不是一个瞬间完成的过程,而是要经历一段“亚健康状态“.如果通过检测出“亚健康状态“,再针对“亚健康状态“对系统进行调控,使系统对于故障的发生进行提前的预测,针对“亚健康状态“进行调控,使系统返回“健康状态“,从而避免了故障的发生,同时又保证了生产的继续进行,避免了因故障发生导致的停机进而避免了大量的经济损失.对于这种“亚健康状态“和自愈调控的研究一直是国内外研究的重要课题.通过大量阅读学习故障检测及控制算法之后,对“亚健康状态“机器的自愈调控进行改进.本文提出一种基于预测控制滚动优化的方法对“亚健康状态“进行自愈调控.机器的“亚健康状态“自愈调控分为两个
4、部分,一个是“亚健康状态“的诊断和出现“亚健康状态“时返回“健康状态“的调控.针对诊断“亚健康状态“经常出现的机器噪音和信号缺失提出了一种改进的降噪自动编码算法为“亚健康状态“的诊断提供更好的分类依据,同时针对机器的“亚健康状态“提供一种滚动优化的方法保证系统整体稳定运行,保证系统的鲁棒性,而“亚健康状态“机器可以做出及时的调整或修理,保证作业的顺利完成.通过 MATLAB 平台进行模拟,通过差速轮式机器人进行实验验证,验证算法的有效性,完成机器“亚健康状态“的自愈调控.关键词：双闭环自愈调控；亚健康；改进的粒子群算法；健康度；AbstractIIAbstractIn recent years
5、, the automation of industrial production improve continually. The motor, as a core dynamic facility of machinery and electronic plant system, has been much more widely used in the industrial production in various fields. In the whole process of industrial production, the failure of the motor will n
6、ot only cause serious impact to production schedule and quality, but also does great harm to personal safety property of workers. Thus, to ensure the normal working condition of the motor is extremely important. During the working process, the running state of a motor will change because of some tra
7、nsformation of external factors or their own changes, such as the change in working temperature caused by heat production, etc. When temperature rising, the resistance of the load will reduce, which push the current up. If that kind of situation continues for a long period of time, the motor will bu
8、rn down because of the high working temperature. We call this kind of working state as sub-health state. A large amount of research has been carried out at home and abroad. How to do prevent the fault and make the motor from sub-health state back to the normal state has been a very significance topi
9、c.After reading a lot about the fault detection and control methods, the paper puts forward a kind of double-close self-healing control algorithm to deal with the sub-health state of a running motor, which has improved a lot compared with the traditional control and evaluation algorithm. A self-heal
10、ing ring is added into the traditional control ring, which constitutes a double closed structure. The PID controller is used in the control ring. The particle swarm optimization algorithm is adopted to adjust the parameter of PID controller. Aiming at the disadvantage of easily falling into local op
11、timum, both the inertia weight and the learning factor are improved to raise the effectiveness of the algorithm to get the improved particle swarm optimization. The self-healing ring uses the RMS to transform the three phase current signals and combines the “sub-health” factor with the running state
12、 to design AbstractIIIthe partition function. The concept of heath degree is adopted to divide the health level and makes a decision for the running state of the DC motor. This algorithm is focus on that the motor can do some self-healing control to deal with the incipient fault caused by some trans
13、formation of external factors or their own during the running state. It can make the motor judge the health level itself and reduce the load, which can reduce the probability of the incipient fault.The SIMULINK simulation experiment is done in the platform of MATLAB. The brush-less DC motor is used
14、to verify the effectiveness of the algorithm. The experimental result shows that when the motor running condition changes, the motor load can be reduced by the control algorithm itself and escape from the sub-health state.Key words: Double Close Loop Self-healing; Improved Particle Swarm Optimizatio
15、n; Improved SVM; Sub-health; Health DegreeAbstract目录V目录第 1 章 绪论 .11.1 研究背景和研究意义 11.2 国内外研究现状 31.2.1 自愈控制算法的研究现状 .31.2.2 “亚健康”理论的研究现状及发展 .51.3 论文的主要研究工作 61.4 论文的结构安排 7第 2 章 PSO 算法、PID 控制器及闭环控制的基础理论 92.1 群智能算法 92.1.1 蚁群优化算法 .92.1.2 人工鱼群算法 .92.1.3 群智能算法的优点 102.2 基础和标准粒子群优化算法 .102.2.1 粒子群优化算法的建立 102.2.2
16、 基本粒子群优化算法 112.2.3 标准粒子群优化算法 132.3 PID 控制器简介 .142.3.1 PID 调节器模型 .142.3.2 PID 参数对控制系统的影响 .142.4 闭环控制 .192.4.1 反馈调节 192.4.2 闭环控制的优缺点 20目录VI2.5 本章小结 .20第 3 章 基于改进粒子群算法对 PID 参数整定的研究 213.1 粒子群优化算法对 PID 参数整定的原理 .213.1.1 控制系统性能指标 213.1.2 几类典型被控对象的数学模型 243.2 粒子群优化算法的改进 .253.2.1 对惯性权重参数的改进 253.2.2 学习因子的改进 28
17、3.3 基于改进粒子群算法对 PID 参数整定的仿真研究 .313.3.1 仿真的步骤与流程 313.3.2 仿真及对比试验 323.4 本章小结 .34第 4 章 双闭环自愈调控算法的研究 354.1 设备的“亚健康”状态 .354.1.1 机械健康度（MHD）的定义 .354.1.2 运行状态的机械健康度划分 364.2 双闭环控制算法 .374.2.1 控制环 394.2.2 自愈环 394.3 划分函数的构建 .404.3.1 电机工作温升计算 414.3.2 电机“亚健康”状态的划分函数 484.4 本章小结 .49第 5 章 实验及性能评估 515.1 机械健康度的确定 .51目录
18、VII5.2 双闭环自愈调控模型构建 .525.2.1 控制环构建 525.2.2 双闭环的构建 555.3 本章小结 .57第 6 章 总结和展望 586.1 总结 .586.2 展望 .59致谢 .60参考文献 .61攻读学位期间发表的学术论文及参加科研情况 .65图表目录IX图表目录图目录图 1-1 故障诊断系统及流程 .2图 2-1 基础粒子群优化算法流程图 .13图 2-2 PID 结构框图 .14图 2-3 P 模型控制器 .15图 2-4 P 模型输出波形 .16图 2-5 PI 模型控制器 17图 2-6 PI 模型输出波形 17图 2-7 PD 模型控制器 18图 2-8 P
19、D 模型输出波形 19图 3-1 PID 控制流程 .21图 3-2 控制系统的单位阶跃响应图 .30图 3-3 不同惯性权重的平均收敛曲线 .27图 3-4 两种方案寻优对比 .30图 3-5 粒子群优化流程图 .32图 3-6 标准 PSO 优化 PID 得到的性能指标 ITAE 变化曲线 32图 3-7 改进的 PSO 优化 PID 得到的性能指标 ITAE 变化曲线 33图 3-8 标准 PSO 与改进 PSO 的对比 .33图 3-9 ZN 算法优化 PID 得到的最有参数对应的单位阶跃响应曲线 34图 4-1 闭环控制示意图 .38图 4-2 双闭环自愈调控结构图 .39图 4-3
20、 均匀物体的发热曲线 .42图 5-1 转速、电流反馈控制系统原理图 .52图 5-2 无刷直流电机的控制环模型 .53图 5-3 无刷直流电机电流 .54图 5-4 单项电流均方转化效果 .54图表目录X图 5-5 双闭环自愈调控模型 .55图 5-6 负载-温升仿真图 56图 5-7 负载-机械健康度仿真图 56图 5-8 负载-电流仿真图 57表目录表 3-1 典型被控对象的数学模型 .24表 3-2 不同惯性权重的算法性能比较 .27表 3-3 方案一 c1,c2取值及结果 29表 3-4 方案二 c1,c2取值及结果 29表 4-1 电机运行状态健康等级 .37表 4-2 常见材料热
21、导率 .43表 4-3 不同发热表面的散热系数 .46表 5-1 电机状态评价表 .51第 1 章 绪论1第 1章 绪论1.1 研究背景和研究意义在一百多年来的工业发展过程中,随着工业自动化程度的普及,越来越多的工业化过程投入了精细的自动化控制,整个系统的精细性和复杂性也因此倍增.对于如此庞杂和繁复的控制系统难免会出现故障,这些故障的发生不仅会影响工业生产的进行,而且严重时威胁人的安全和财产安全.传统故障处理的方法当故障出现时检测和诊断故障,以便减少事故的发生,但是当故障发生时难免会出现停机检测维修,难免会影响生产的进行,对于一些工业来说停机便意味着大量的经济损失,而且停机检测不一定能够准确的
22、排出所有机器异常.因此,如果能在生产中既保证生产的顺利进行,又能排除故障对于工业生产具有长远的意义.自愈控制技术的研究是以丰富的科学理论和工程时间为基础的应用研究.自愈控制流程如下:1) 异常状态产生，故障信号传给控制器，控制器对信号进行判断；2) 控制其判断完成，并确定运行状态，若故障为不可自愈类型，则停机检修，若为可自愈类型，则进行自愈调控；3) 针对可自愈故障状态，机器进行自愈调控；4) 完成自愈调控，机器恢复正常运行状态；机器正常运行异常状态控制器判断 确定运行状态 停机检修故障不可自愈自愈控制异常状态排除故障可自愈图 1-1 自愈调控系统及流程第 1 章 绪论2电机作为众多大型机器的
23、动力核心，其运行状态对整个电力设备有着巨大的影响 5。例如汽车动力系统，其运行动力来源就是依靠电机的动力传动，其工作状态和动力品质对整个系统的运行性能有着重要的意义。然而作为系统的中轴，电机发生故障的可能性也较高，使用寿命通常呈现离散分布的现象，而且由于使用环境不同，多数电机的理论寿命与其在实际运行时的工作寿命往往也会相差甚远：工作环境良好时，某些电机的使用寿命超出预期寿命时仍没出现任何决定性故障继续良好运行；工作条件恶劣时，某些电机尽管使用年限还没有达到预期，但已经严重影响系统生产能力而被替换。这种参差不齐的现象往往很难做出预先判断。由于定期停机检修局代价较大，传统维修方法又停留在一个主观性
24、较强的水平，片面性明显，因此突发异常一旦出现，处理应对措施会滞后，从而造成不可估量的经济损失。因此，怎样最大限度地发挥设备效能，并及时排除一些潜在故障状态，尽量避免由突发性失效所造成的严重事故十分必要，实现电机的“亚健康”状态的自愈调控也就亟待解决。1.2 国内外研究现状1.2.1 自愈控制算法的研究现状对自愈控制技术研究虽然才刚起步不久，但是其巨大的研究价值已让它成为热门对象，并取得了相应的研究成果。从学科上划分，自愈控制技术现在主要在通信、电力、自动化控制技术等领域已经取得了一定进展。一. 通信领域自愈调控的研究较早出现在网络通信，此技术形成的网络称为自愈网，它可以不经过人为介入，在及时排
25、除通信故障并恢复所携带的信息 6。如今，无线传感器网络的使用越加广泛，它由大量具有自组织能力的微型传感器组成的网络系统。网络具备自愈能力，可以有效提升网络的可靠性、稳定性以及信息传输效率、减少通信成本。陶志勇通过对 ZigBee 技术中的地址分配方式及树路由算法的结构进行改进，解决了可能因路由节点能量耗尽或者由于意外情况引发其死亡而导致的网络崩溃问题，实现网络的自愈 7。卞辉，范新南等提出了一种无线传感网络的自愈算法，将 Q 学习的反馈机制引用至无线第 1 章 绪论3传感网络中，动态感知网络状态，算法可以有效针对无线传感网络关键区域节点能量供给有限，能耗过快，以及通信网络拥塞等问题。当网络发生
26、拥塞或通信故障时，自适应地选区最佳恢复路径，确保网络信息的及时准确传输 8。印度学者 S.Poonguzhali, R.Sunitha 等提出了一种动态 web 服务器自愈调控的理论，算法有效地减少了网络重试时间和负载量，提高动态 web 服务器的工作效率和服务质量，解决了关于服务质量的问题 9。二. 电力领域随着自愈调控技术的发展，它在城市电网的智能恢复得到了较多地应用。配电网自愈是指对处于运行状态的配电网采用分层控制的策略，使配电网具备自我预防、自动恢复的能力 10-12，当大型灾害和电网紧急事故发生时能提供及时有效的措施，配电网供电的安全性和可靠性得到保障。陈铁军、宁美凤等学者，在电网自
27、愈控制研究与建模过程中引入了多智能体(MAS)技术，实现智能电网的自愈控制。算法对故障的在线监控及诊断子系统进行充分的设计，以应对自愈电网复杂的分布式分层控制结构。控制结构中在线监控系统主要对电网运行进行实时监控，判断电网实时状态；故障一旦发生时，诊断子系统将根据电气量和开关量数据，对两者数据进行故障特征提取，再配合 D-S 证据理论，得有关出诊断决策 13。周萌通过对智能配电网自愈控制特点及常用的自愈控制方法进行分析，总结出常用的自愈控制模型不具有良好的可移植性和可扩展性，无法针对灵活的智能配电网。通过比对混成控制模型与智能电网模型的相似之处，将混成控制引入智能电网的控制中，对模型进行了改进
28、，提出一种兼顾离散与连续且结构简单的智能配电网自愈控制模型。通过仿真实验验证表明，控制模型能够迅速准确判断智能电网故障类型和位置，并给出有效解决方案模型的可扩展性和可以执行良好 14。三. 自动化控制领域目前，自愈调控在自动化控制领域的研究还不成熟，正处于一个迅速成长的阶段，也是现在的研究热点。东北大学的柴天佑院士针对氢氧化镍钴矿浆在受到随机干扰影响时，会造成终点位置的 pH 值偏离预设的目标值，大大降低镍钴氢氧化物产品质量的问题，提出一种模型预估与模糊自适应相结合的自愈控制方法。通过预估模型控制，消除控制过程中大滞后和大惯性所产生的影响，在调整石灰石浆流量的设定值时引用模糊自适应控制理论，根
29、据实时情况及时对其调整，采用 PID 控制第 1 章 绪论4器对设定值展开跟踪，从而实现满足 pH 值的工业过程控制要求。经过实际生产过程的验证，算法保证氢氧化镍钴矿浆中和过程的稳定运行，有效提高镍钴金属成分的回收率，证明此方法的有效性 15。东北大学的侯利民、张化光等学者针对永磁同步电机（PMSM）的转速预估和调节等问题，将原有的符号函数利用双曲正切函数代替，设计出一种具有自适应能力的模糊滑模软切换控制器，实现软切换连续控制，构建出无速度传感器的 PMSM 调速系统，消除转速调节的抖动现象，且鲁棒性良好。同时建立了自适应滑模观测器，给出了速度辨识率，并通过求解线性矩阵不等式得到观测器增益。仿
30、真实验证明这种自适应控制模型有效地解决了永磁同步电机转速预估和调节问题，动态稳定性和鲁棒性良好 16。北京化工大学的高金吉院士为在线消除转子系统的振动的问题，通过对电动机转子系统动力学及电磁力可控特性的分析研究，将控制力相位采取了区域划分。并基于此提出具体寻优策略，构建出相对应的系统寻优控制策略。模型采用有限元分析法，对控制力的相位进行初步确立，并将它为初始值，根据预先制定好的寻优策略，确保控制过程中转子振幅在初始范围内,消除转子的振动问题 17。1.2.2 “亚健康”理论的研究现状及发展通过近些年的研究探索，国内外故障诊断与异常控制技术取得了长途的发展进步，仍然存在如下的问题。首先，对故障诊
31、断与异常控制技术的研究集中于针对具体控制系统故障的具体问题的原理性分析，并采取与之相对应的诊断和控制方法进行研究。此类研究不足之处在于没有对设备故障的潜在的估计和预防工作报以足够重视，而是仅着眼于已出现故障时的系统诊断和调控等补救措施 18。其次，容错控制领域现有的大量研究成果大多集中于信号传感与接收以及控制方法，或是执行措施的故障，极少对被控对象故障本身展开研究 19。而事实上，导致生产流程彻底崩溃的直接原因往往源于被控对象本身的故障，传统的控制方法面对这种情况就无计可施了。因此，想要对这类问题进行研究，就必须得跳出原有的理论框架，扩大研究范围，扩充研究方法，就被控对象发生故障的情况展开深入
32、的讨论和探究。针对上述问题，国际学术界早已经展开讨论，并提出一些针对复杂装备系第 1 章 绪论5统的健康评价理论，已经深刻认识到潜在故障的检测与控制对保证设备可靠性和稳定性具有重要价值 20-22。美国政府和高校早已着眼于对系统“亚健康”状态控制的研究，2001 年在国家自然科学基金的资助下，美国威斯康星大学和密歇根大学联合工业界共同成立了“智能维护系统（IMS）中心” ，规划出智能维护系统的宏伟蓝图 ，同时智能维护系统可以在电子信息平台的帮助下，对设备和产品进行实施有效的监测诊断和性能的退化评估，最终作出维护决策 23。爱尔兰学者 B.GAUDIN, M.H.HINCHEY, E.VASSE
33、V 等提出一种以框架为基础的软件自愈维护控制原则，帮助系统在检测到系统故障或者系统漏洞时进行一定自愈调控，此方案也是 the EU FP7 FastFix project 的重要组成部分 24。 “亚健康”状态控制方案的研究随着科技的发展也越来越多，如芬兰学者 Idriss El-Thalji 运用多种状态监测和信号分析的方法，对滚动轴承的“ 亚健康”状态进行检测，由其拓扑特征判断其“亚健康” 走势 25。在国外，基于各种先进控制理论和技术发展，美国、德国、日本、荷兰等西方发达国家在大型设备的适时维修取得重大突破，大量跨国公司在这方面丰厚的资金支持 26-28。在飞机发动机制造业中，美国的通用
34、电气公司将多种监测和控制技术相融合，集成开发处自动化诊断系统，从海量数据中提取出完备的特征信息，再与地面控制系统相配合，可以实时的对发动机运行状态进行监测与维护，实现“亚健康”状态的主动控制。此外，日本东芝公司成功研制出了大型直流电机专家诊断与控制系统，三菱公司研制的汽车发动机监测系统，也已具备针对“亚健康”状态的智能维护功能。另外，德国的大众汽车公司、荷兰飞利浦电器公司的科学研究院也已开始应对机械和电器的“亚健康”状态控制的探索。 在国内，现代医学与仿生学的深入研究为监测与控制领域提供了许多可以借鉴的理论与经验。2003 年在机械设备控制领域，北京化工大学的高金吉院士首先提出“装备系统故障自
35、愈原理”和“未来装备医工程思维”的学术概念，为机械设备潜在故障的主动防御指出研究方向，具有重大科研价值，受到国内外众多专家学者的关注。而工程实践也证明，机械设备的异常分为可自愈和不可以自愈。对于可自愈的系统异常，如果及时发现并配合恰当的控制，可以消除潜在故障，保障设备的稳定运行，延长其工作寿命。目前，高金吉课题组基于上述理论 29提出了“离心压缩机轴位移故障自愈调控系统” 和“卧螺离心机实时监测与故障自愈系统”的理论思想和模型。同时，张华光院士采用模糊第 1 章 绪论6自适应的方法消除永磁同步电机调速的抖动问题 30,31，杨永波学者在装备系统“亚健康”状态预测为本文奠定扎实的理论基础 32，
36、对本文的研究有长远的实践指导意义。1.3 论文的主要研究工作通过设备控制方法的基本理论，本文针对传统 PID 控制和粒子群算法存在的不足进行相应的改进，并将改进的算法应用 PID 参数优化选择。另外，本文就自愈控制理论进行研究，提出并建立双闭环自愈调节控制模型，并将其运用到电机的自愈控制中，针对电机运行时的“亚健康”状态进行自愈调节。主要研究工作可归纳如下：(1) 因为其原理容易理解，易于使用，鲁棒性强等特点，机械控制普遍选用 PID 控制器作为控制部件。其中，PID 参数整定是工业控制过程中热门及常见的问题。在大型复杂的工业控制过程中，准确、快速整定 PID 三个系数对控制器的效果起着关键作
37、用。本文利用粒子群优化算法对 PID 的三个系数进行整定，以快速确定适合系统的参数数值。(2) 粒子群算法是近年研究提出的一种群智能算法，因为其易于实现、精度较高、收敛速度快的特点得到广泛的应用。本文针对普通粒子群算法前期易发散、收敛过程容易陷入局部最优等缺点，对其惯性常数进行了包括线性及非线性的不同改进，同时对其学习因子也进行了两种不同改进，提高其收敛速度和精度，并将气运用到 PID 的参数整定中。(3) 在设备运行状态评估实际研究中，为了及时、精确地反馈设备的健康情况，这里引入了健康值的概念，它是衡量设备系统安全性和能否正常运行的一项综合指标，是一种模糊的概念，是对电机运行状态健康值范围的
38、定义。本文采取电机作为研究对象，将健康值具体为机械健康值（ ） ，对其运行状MHD态进行评估。(4) 自愈控制已成为当下控制算法研究的趋向。本文以自愈思想为基础，针对设备的“亚健康”状态提出一种双闭环自愈调控算法。调控算法由控制环和自愈环构成。控制环采用负反馈调节方式，使用 PID 控制器进行控制，维持系统正常运行。自愈环则是借鉴医学领域中人在轻微病变时，可以通过免疫系统进行调节，如果病变是可控的，则在调解后可自愈这一现象，类比人体免疫第 1 章 绪论7系统构建的自愈调控算法。本文以电机作为研究对象，针对电机出现“亚健康”状态，构建起自愈函数，通过双闭环自愈调控，使其恢复正常状态，继续工作。1
39、.4 论文的结构安排本文共分六个章进行阐述，各章主要内容如下：1) 第一章“绪论” 。首先介绍了论文的研究背景和意义，然后详细阐述了自愈控制理论的研究现状和“亚健康”的研究现状及发展动态，最后介绍了本论文主要研究内容和结构安排。2) 第二章“PSO 算法、PID 控制器及闭环控制的基础理论” 。作为论文的理论支撑，本章对群智能算法、PID 控制器以及闭环控制理论进行了详细介绍。首先描述了群智能算法的科研情况及 PSO 算法的相关理论；其次是 PID 控制器的三个系数 、 、 对 PID 控制性能影响；最后介绍闭环控制的理论及其pKid优缺点。3) 第三章“基于改进粒子群优化算法的 PID 参数
40、整定的研究” 。作为双闭环自愈调控算法的重要部分，本章详细介绍了改进的粒子群算法对 PID 的参数优化整定。首先阐述了 PSO 算法整定 PID 参数的原理，其次对 PSO 算法的改进，最后是改进的 PSO 算法对 PID 的整定效果的验证。4) 第四章“双闭环自愈调控算法的研究” 。首先引入“亚健康”和健康度的概念，然后以温升切入构建自愈环模型，与控制环融合构成双闭环自愈调控结构。5) 第五章“实验及性能评估” 。先讲控制环的模型原理并在 SIMULINK 平台搭建模型，然后构建自愈环并与控制环环融合成双闭环自愈调控模型，最后验证对无刷直流电机自愈调控的效果。6) 第六章“总结与展望” ，总
41、结全文，并说明下一步的研究方向。第 2 章 PSO 算法、PID 控制器及闭环控制的基础理论8第 2章 PSO 算法、PID 控制器及闭环控制的基础理论2.1 群智能算法群智能算法来源于对自然界群居生物的智能行为的模拟。在自然界中，生物在群居生活的过程中，通常表现出远远优于独立生活时的行为 33。例如，蚂蚁通过信息素标记路径，建立协作进行觅食；大雁迁徙时通过变换队形，减少空气阻力，保证整个队伍安全飞行；鱼群游动时，群中任意一只发现危险时都会通知整个鱼群躲避。这些种群的单一个体独立生活时的智能行为水平并不高，行为方式也比较简单，它们也不像某些种群存在统一的领导者。但是，似乎在某些目标或刺激的作用
42、下，种群行为又能保证群内个体生活井然有序。因此，这种奇特现象引发了人们对种群智能行极大研究兴趣，大量科学家和学者开始利用各种方法和手段着手对群智能行为展开详细的研究，并试图利用数学建模来模仿生物群居行为，来解决人类生活中实际问题。目前，已提出的群智算法主要有蚁群优化算法、人工鱼群算法、人工蜂群算法和粒子群优化算法。2.1.1 蚁群优化算法蚁群优化算法(ACO)是一种用来在图中寻找优化路径的机率型算法，是1992 年由意大利学者 Marco Dorido 在其博士论文中提出来的 34。算法基础原理来源于蚂蚁觅食时对路径的选择。蚂蚁寻找食物时，会在所走过的路途释放一种具有挥发性质的叫做信息素的化学
43、物质，这类物质会随时间推移慢慢消失。蚂蚁随机探索的过程中，在遇到没有路过的路径时，会任意选择某一个方向前进，并在这条路经上留下信息素。其他的蚂蚁再次经过此路径时，就会根据信息素浓度选择前进方向，信息浓度越高优先级越高。当然某些蚂蚁没有与其他蚂蚁一样选择已经探索过的相同路径，它们别具一格，开辟新的路径。如果新发现的路径比原有路径更短，其他的蚂蚁也会选择这条较短路径。长此以往，整个蚁群就可以找到觅食的最短路径。蚁群算法常用来解决 TSP 旅行商问题。2.1.2 人工鱼群算法第 2 章 PSO 算法、PID 控制器及闭环控制的基础理论9人工鱼群算法(AFSA)是 2002 年由我国学者李晓磊、邵之江
44、等于以鱼群觅食时的行为特点为基础提出的一种仿生学优化算法 35。该算法根据某水域中鱼生存数目最多的地方就是本水域中营养物质浓度最高的地方这一特点来模拟鱼群觅食行为而实现寻优。鱼群觅食存在三大基础行为：觅食行为、聚群行为以及追尾行为，人工鱼群算法就是基于这些行为，利用自上而下的寻优模式，以构造个体底层行为基础，通过鱼群单体之间的局部寻优，进而完成鱼群的全局最优，达到寻找最优解的目的。它的主要特点是收敛速度较快，不需要问题的精确描述，应用范围相对较广。2.1.3 群智能算法的优点群智能算法的提出大多是基于概率搜索的思想，与基于梯度应用优化算法及传统演化算法相比，有如下优点 36：(1) 采用完全分
45、布式的控制形式，单体之间、单体与种群、单体与环境之间的交互作用都是分步进行，种群的复杂性为源于单体之间的交互，自组织性也十分出色。(2) 种群内部采取间接的交互方式，每个单体都通过对环境的感知进行合作，因此整个群体具备良好的可迁移性、稳定性和安全性。(3) 不存在集中控制的约束，因而系统具备更好的鲁棒性，单体的异常不会影响整体求解过程。(4) 系统中每个只需要发挥最小智能，能力十分简单，有效简化了求解过程，单体的执行时间较短，易于实现。2.2 基础和标准粒子群优化算法2.2.1 粒子群优化算法的建立粒子群优化算法与其他群智能化算法相似，也是基于群智能规则，它是以鸟群觅食行为为原型构建的。198
46、7 年，C.W.Reynolds 为模拟大自然中鸟群飞行行为，使用计算机程序模拟出 Boids 模型，模型中的单体的运动仅受与它相邻的其他单体影响，而且单体的运动遵守以下约束规则 37：第 2 章 PSO 算法、PID 控制器及闭环控制的基础理论10a. 避免碰撞：避免与其他邻近单体发生碰撞；b. 速度匹配：保持与邻近单体平均速度相一致；c. 结群靠拢：朝向与它邻近单体平均位置移动。以上三条约束规则与鸟群飞行行为非常相似，经过大量仿真实验可以得出以下结论：起始状态时，随机分布的鸟群进行自组织飞行，经过若干时间逐渐聚拢为若干小群体，最后各个小群体再聚拢为大群体，之后整个群体保持一个相对稳定的速度
47、以统一的步调飞行。1990 年，生物学家 Frank Heppner 也提出一种鸟群飞行模型，与 Boids 模型的不同之处是设置了栖息地的概念，鸟群被设置了的目标，朝向栖息地飞行 38。在仿真实验中，鸟群单体刚开始没有被设定固定的飞行目标，只是在保证不与鸟群其他各它发生碰撞的前提下进行自由飞行，当一只鸟发现栖息地时，临近的鸟也会飞向栖息地，经过若干时间，整个鸟群都会聚集到栖息地。以上述模型为基础，1995 年美国学者 Kennedy 和 Eberhart 最早提出了粒子群优化算法(Particle Swarm Optimization，PSO) 39。该算法设定某鸟群进行随机觅食，而在觅食区
48、域仅放置一块食物，并且鸟群所有单体都不知道食物的放置坐标，但是鸟群单体可以对其当前的自身位置进行定位及计算自身与食物的距离。最简单有效的搜索策略就是对距离食物最近区域展开搜索，在搜索过程中鸟群单体之间分享搜寻经验，整个鸟群从而迅速的向食物所在位置发生靠拢。粒子群算法是以鸟群的群体生活行为为基础，利用群体中单体及时分享效信息的事实，使整个群体在问题求解空间的搜索行为从无序演化为有序的过程，因此而得到最佳搜索结果。2.2.2 基本粒子群优化算法在 PSO 算法中先初始化一系列随机粒子，每一个粒子代表待求解问题的一种随机解，求结过程采用适应度函数对粒子的优劣进行评价。所有粒子都在可行解空间中随机飞行
49、，通过一个速度变量对其飞行方向和距离进行定位。所有粒子在搜索时，经过适应度函数评价会产生一个最优粒子，其他粒子将追随当前确定的最优粒子，经过若干迭代最终获得全局最优解。每一轮迭代完成都将确定整个群体的一组最优解（ ）和粒子单体的一组最优解（ ） 。bestGbestP假设某一粒子群是由 个粒子组成，按照一定的速度在 维搜索空间飞行。MD第 2 章 PSO 算法、PID 控制器及闭环控制的基础理论11对某一粒子 在 时刻的状态进行如下设置：it当前位置： ；Ttidtiixx),(21其中满足 ， ， 分别表示搜索空间的上限和下限；dtiUL当前速度： ；Ttidtitivv),(21其中满足 ， ， 分别表示速度的上限和下限；max,in,dtid in,dvmax,单体最优位置： ；Ttititi dpp)(21全局最优位置： ；tgtgt ,其中满足 ， 。Dd1Mi粒子在 时刻的位置按如下公式更新：t（2.1）)()(21 tidtgtid
