毕业论文课题相关文献综述
1.课题的研究意义和应用价值
长期以来，人们一直在寻找 PID 控制器参数的自适应技术，以适应复杂的工况和高性能指标的要求。主要体现在两个方面：一是对原有常规 PID 控制器本身结构的改进，即变结构的 PID 控制。另一方面，由于计算机技术的迅速发展，智能控制得到了巨大的发展，特别是模糊控制、神经网络控制和专家控制等目前人们更加关心的控制思想与常规 PID 控制相结合，充分发挥各自的作用，组成所谓的智能 PID 控制[1]。
与一般工程整定法和单纯性法相比，将遗传算法应用到PID控制器参数的优化中去，可使系统具有更好的动态品质。也不需要给出调节器参数初始值，克服了单纯形法对初始参数初始值的敏感性，并满足各种不同的性能需要。遗传算法对于多变、目标函数不可微或不确定问题解的寻优，比传统的优化方法有更广泛的适应性。传统PID控制器中的kp、ki、kd参数的选择主要靠大量的调试和经验，有的时候难以达到理想的控制效果，将遗传算法与PID控制结合起来，采用新的实行策略，用遗传算法对其优化，优化后的kp、ki、kd去控制被控对象，能够取得较好控制效果[2]。
2.国内外研究现状
遗传算法是模仿生物遗传学和自然选择机理，通过人工方式构造的一类优化搜索算法，是对生物进化过程进行的一种数学仿真。自从Holland于1975年首次提出遗传算法以来，经过30多年的研究，现在已经发展到一个比较成熟的阶段，并且在实际中得到很好的应用[3， 4]。在过程控制系统中，对控制品质要求越来越高，传统PID整定方法多采用试验加试凑的人工方法，精度较低，调试时间较长，有时难于满足目前对自动化的要求。近年来许多学者提出了基于各种智能算法的PID整定策略，如专家系统，模糊PID，神经元网络PID等.但这些先进算法都要求对被控对象有很多的先验知识，或者要求参数优化的搜索空间可微，这在实际控制系统应用中往往难于做到，其应用也受到一定的限制。
目前己经形成的PID参数优化方法有很多，比如单纯形法、最速下降法、遗传算法等。单纯形法是一种求解多变量无约束最优化问题的直接搜索法，它需要给定参数初始值，并且对参数初值的依赖性很强。最速下降法是一种以梯度法为基础的多维无约束最优化问题的数值计算法，优化中梯度法需要对目标函数微分，而PID调节器参数优化无法用一个数学表达式来表达目标函数与参数变量之间的关系，因此最速下降法不适宜于求解PID参数优化问题。同时梯度法与单纯形法都会陷入局部最优点。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概率搜索算法。它是一种寻求全局最优点的优化方法，无需对目标函数微分，它最显著的特点是无需任何有关对象的先验知识和优化问题本身的任何信息，适合于编制成一个通用的优化程序模块[2]。
现代控制理论是20实际60年代在经典控制理论的基础上，随着科学技术的发展和工程实践的需要而迅速发展起来的。现代控制理论的内容主要以状态空间法为基础，研究多输入多输出、变参数、非线性、高精度、高效能等控制系统的分析和设计问题。最优控制、最佳滤波、系统辨识、在适应控制、鲁棒控制和预测控制等理论都是这一领域研究的主要课题[5]。
进入九十年代，遗传算法(GA)迎来了兴盛发展时期，无论是在理论研究还是应用研究方面都成为了热门课题。尤其是应用研究方面显得更加活跃，不但应用领域扩大，而且领用遗传算法进行优化和规则学习的能力也得到显著提高。这使得遗传算法和神经网络、模糊推理以及混沌理论等智能计算方法日益结合。文献[6]提出了无需知道系统阶数，网络拓扑结构的调整由遗传算法来完成，以方便网络的动态建模过程。并通过仿真结果证实了该算法的可行性。文献[7]将遗传算法与神经网络相结合，在基于并行遗传算法的基础上对 RBF 神经网络进行训练，并将其成功应用在非线性系统的辨识中。文献[8]将提出的基于增量式遗传神经网络的模式识别方法成功应用于多元非线性过程中。文献[9-11]充分发挥了遗传算法的优势，对 RBF 神经网络的隐层节点数目、中心值和宽度，以及输出权值进行确定。遗传算法对优化 RBF 神经网络的拓扑结构作用明显，但是缺浪费了大量的时间，所以文献[12]采用遗传算法优化 RBF 神经网络的拓扑结构(即隐层节点数目、隐层节点的中心值和宽度)，用梯度下降法优化隐层到输出层的权值，将两种方法充分而且有机的结合起来，这样既达到了全局收索，克服了局部最小值问题的目的，又节约了时间。
3.课题研究方法及目标
研究方法：
