一种麻雀搜索算法优化的BP神经网络PID控制方法

一种麻雀搜索算法优化的bp神经网络pid控制方法
技术领域
1.本发明涉及pid控制器参数优化算法，特别涉及一种麻雀搜索算法优化的bp神经网络pid控制方法。


背景技术：

2.pid控制器不依赖被控对象的数学模型，具有稳定性好、容易实现、抗干扰能力强等优点，是电能变换系统中应用最广、最成熟的控制器。但常规的pid控制器已经无法满足对要求高性能的开关电源的控制。在这种情况下，智能优化算法被引入到pid控制系统，用以整定pid参数，智能优化算法以其具有的充分任意地逼近任意复杂地非线性关系、具有很强地信息综合能力、能够学习和适应严重不确定系统地动态特性等特性而被引入到pid控制器设计中，使原有的pid系统可以处理那些难以用模型和规则描述的过程。其中神经网络以其神经网络以其具有的非线性特性、优化和自适应控制性能等被引入到pid控制器设计中。但是在其实际应用过程中，采用bp神经网络所设计的bp神经网络pid控制系统由于反向传播学习算法的学习效率低、收敛速度慢、全局搜索能力弱以及易陷入局部最优等，其控制效果不理想，从而限制了神经网络在pid控制器中的应用。


技术实现要素：

3.本发明的目的是提供一种麻雀搜索算法优化的bp神经网络pid控制方法，能得到最优的pid参数，收敛速度快、稳定性好，能使控制效果更加明显。
4.本发明的上述技术目的是通过以下技术方案得以实现的：
5.一种麻雀搜索算法优化的bp神经网络pid控制方法，包括有以下步骤：
6.s1、确定麻雀搜索算法中的初始化种群、设定适应度函数计算初始适应度值以及确定bp神经网络的拓扑结构；
7.s2、更新发现者的位置、跟随者位置，随机选择预警者并更新位置计算适应度并更新最优值，判断是否满足条件，满足时将得到的值赋予bp神经网络作为初始权值和阈值，不满足则再次迭代；
8.s3、用最优的权值进行bp神经网络的训练，同时计算误差，判断误差是否达到要求，达到则计算出相应的pid参数，否则重新训练直至满足要求。
9.作为优选，麻雀搜索算法将种群群体分为探索者、跟随者及预警者；
10.引入正弦余弦算法，定义学习因子并将学习影子融入到探索者的位置移动更新中；
11.根据设定的预警值判断探索者进行搜索，将levy飞行策略融入到跟随者的位置更新中；
12.预警者进行危险预警观察，并于感知危险时进行位置更新以带领种群飞往其他位置。
13.综上所述，本发明具有以下有益效果：
14.通过麻雀搜索算法于bp神经网络相结合，优化后的bp神经网络权值能得到最优的pid参数，能使pid控制参数达到最优，结合麻雀搜索算法和bp神经网络各自的优点，使得控制效果更加明显；
15.通过引入正弦余弦算法和levy飞行策略，使得探索者在前期能够更好地展开全局搜索同时后期也能够更好地进行局部搜索；并且跟随者搜索者地方向更加全面，进而使得种群位置更多样化，防止陷入局部最优。以此来优化bp神经网络权值从而得到最优的pid参数。
附图说明
16.图1为本实施例的结构示意图；
17.图2为图1所示本实施例的局部剖视图；
18.图3为实例中三种控制器阶跃响应输出曲线图。
具体实施方式
19.以下结合附图对本发明作进一步详细说明。
20.根据一个或多个实施例，公开了一种麻雀搜索算法优化的bp神经网络pid控制方法，如图1及图2所示，包括有以下步骤：
21.s1、确定麻雀搜索算法中的初始化种群、设定适应度函数计算初始适应度值以及确定bp神经网络的拓扑结构；
22.s2、更新发现者的位置、跟随者位置，随机选择预警者并更新位置计算适应度并更新最优值，判断是否满足条件，满足时将得到的值赋予bp神经网络作为初始权值和阈值，不满足则再次迭代；
23.s3、用最优的权值进行bp神经网络的训练，同时计算误差，判断误差是否达到要求，达到则计算出相应的pid参数，否则重新训练直至满足要求。
24.麻雀搜索算法将种群群体分为探索者、跟随者及预警者。
25.引入正弦余弦算法，定义学习因子并将学习影子融入到探索者的位置移动更新中。
26.引入的正弦余弦算法的定义学习因子为
27.ω＝ω
min
(ω
max-ω
min
)
·
sin(tπ/iter
max
)
28.将学习因子融入到探索者的位置移动中，得：
[0029][0030]
式中：t
max
为最大迭代次数；为第t代时麻雀i第j维的坐标信息；为(0，1]上的随机数；e为预警值，其中e∈[0，1]；ts为安全值，其中ts∈[0.5，1]；q为服从正态分布的随机数；l为一行多列矩阵且元素都为1；分别为[0，2π]和[0，2]内的随机数。
[0031]
根据设定的预警值判断探索者进行搜索，将levy飞行策略融入到跟随者的位置更新中。
[0032]
levy飞行的随机步长s为：
[0033][0034]
将随机步长s加入跟随者的位置更新，得到跟随者位置更新：
[0035][0036]
式中：为第k次迭代时全局最优位置；β为服从均值为0，方差为1的正态分布步长调节因子；k为分布在(-1，1)上的随机数；fi为当前个体适应度值；fg、fw分别为全局最高、最低适应度；ε为极小常数。
[0037]
预警者进行危险预警观察，并于感知危险时进行位置更新以带领种群飞往其他位置。
[0038]
bp神经网络的确定具体为：
[0039]
确定网络输入层的节点数、隐含层节点数、输出层节点数；
[0040]
通过麻雀搜索算法确定神经网络的初始连接矩阵和阈值，取bp神经网络的性能指标函数ek，
[0041][0042]
式中，r(k)为系统期望输入，y(k)为系统实际输入，e(k)为实际输入与期望输入的误差。
[0043]
由于麻雀搜索算法具有收敛速度快、稳定性好的优点，同时我们引入正弦余弦算法和levy飞行策略，使得探索者在前期能够更好地展开全局搜索同时后期也能够更好地进行局部搜索；并且跟随者搜索者地方向更加全面，进而使得种群位置更多样化，防止陷入局部最优。以此来优化bp神经网络权值从而得到最优的pid参数。此技术方案结合了改进后麻雀搜索算法和bp神经网络各自的优点，使得控制的效果更加明显。
[0044]
为表述清楚，现举一实例：
[0045]
运用仿真对传统的bp神经网络pid控制器(bp_pid)、粒子群优化的bp神经网络pid控制器(pso_bp_pid)和麻雀搜索算法优化的bp神经网络pid(ssa_bp_pid)进行建模分析，采用二阶传递函数为被控对象，输入阶跃信号；如图3所示，经过仿真对比发现，三种优化算法在起初调节阶段都存在一定的误差和震荡并持续一定的时间，其中未被优化的bp神经网络pid控制器表现得最为明显，但经过麻雀搜索算法优化的bp神经网络pid控制器只有轻微的误差和超调，并且能够快速稳定。同时我们对这三种控制器的性能进行了测试，如下表1所示：
[0046][0047]
表1
[0048]
结果表明bp神经网络pid控制器进入稳态时间长且有明显的超调，经粒子群算法优化的bp神经网络pid控制器相比于前者在上升时间和进入稳态时间分别缩短了33.3％和51.9％同时超调量减少了5.18％。经麻雀搜索算法优化的bp神经网络pid控制器在进入稳态时间方面又进一步缩短了7.4％同时消除了超调量。
[0049]
本发明将麻雀搜索算法与bp神经网络相结合，结合了麻雀搜索算法强大的搜索能力和快速收敛的优势和bp神经网络良好逼近非线性系统的能力，两者的有机结合使得控制的效果更加趋于平稳。本发明的被控对象数学模型为一二阶系统，这是在工业当中比较常用的数学模型，用阶跃信号作为输入，由表1的结果可知，经麻雀搜索算法和bp神经网络共同优化的pid控制器，在上升时间、稳定时间等方面，都有一定的优越性，对实际工业生产控制具有一定的指导意义。
[0050]
本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。