基于ISA-DE算法的神经网络PID控制

摘要

神经网络作为一种现代信息处理的技术，在很多应用中显示其独特的优越性，神经网络PID控制在其中扮演了十分重要的角色，具有很高的研究和应用研究价值。但是，对于目前的神经网络PID控制算法存在极易陷入局部极小值等缺陷。因此，本文针对这一问题进行了探讨。
　　 本论文主要完成了以下几方面工作：
　　 1.仿真分析了RBF神经网络的非线性系统辨识，认识到是由神经元向被控对象提供Jacobian信息，实现PID控制参数的在线调整。
　　 2.把遗传算法优化的最优解作为RBF神经网络的初始权值，以梯度下降算法微调各控制参数，仿真结果表明经遗传算法优化后的控制精度要优于未经优化的结果，证明了进化算法与神经网络PID控制结合的可行性。
　　 3.由于差分进化算法作为一种新的进化算法，被国内外学者广泛关注。大量研究结果发现，差分进化算法具有极强的全局优化能力，比较适合于非线性系统的优化。因此，本文全面深入地研究了差分进化算法的原理、结构和算法特点，针对神经网络初始权值选取不当的缺点，将差分进化算法与RBF神经网络PID控制相结合，仿真证明DE算法优化RBF网络PID控制的可行性。
　　 4.由于梯度下降算法自身容易陷入局部极小值，本文提出了用ISA算法训练RBF神经网络并和DE组成了联合算法，共同优化RBF网络的PID控制并用于非线性、时变控制系统，实验仿真证明ISA-DE联合算法的有效性。