基于量子遗传算法的PID控制器参数自整定

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (21): 218-220.

基于量子遗传算法的PID控制器参数自整定

张兴华，朱筱蓉，林锦国

南京工业大学自动化学院，南京 210009

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-07-21 发布日期:2007-07-21
通讯作者: 张兴华

Parameter self-tuning of PID controllers based on quantum Genetic Algorithms

ZHANG Xing-hua，ZHU Xiao-rong，LIN Jin-guo

College of Automation，Nanjing University of Technology，Nanjing 210009，China

Received:1900-01-01 Revised:1900-01-01 Online:2007-07-21 Published:2007-07-21
Contact: ZHANG Xing-hua

摘要/Abstract

摘要： 提出了一种基于量子遗传算法（QGA）的PID控制器参数整定方法。首先定义一个包含表示系统超调量、上升时间和稳态误差指标项的适应度函数，并根据实际系统的性能要求对指标项进行适当加权。之后采用具有量子比特个体表示形式和量子旋转门实现种群进化的量子遗传算法，对PID进行多目标寻优，从而实现PID参数的自动整定。仿真结果表明，该方法优化得到PID控制器的综合性能优于常规方法和一般遗传算法得到的PID控制器。

关键词: 量子遗传算法, PID控制器, 多目标优化, 参数整定

Abstract: A novel parameter tuning method of PID controllers based on quantum genetic algorithms is proposed.First，a fitness function which includes some terms represent overshoot，rise time and steady error of the system is defined，and the terms are weighted properly according to the demand of the actual system.Then a quantum genetic algorithm，which represents chromosomes with quantum bits and realizes population evolution with the quantum rotation gate，is used for multi-objective optimization of PID.So the parameter self-tuning of PID controllers can be achieved.Simulation results show that the comprehensive performance of PID controllers obtained by the proposed method superior to that by conventional methods and genetic algorithms.

Key words: quantum genetic algorithms, PID controller, multi-objective optimization, parameter tuning

张兴华，朱筱蓉，林锦国. 基于量子遗传算法的PID控制器参数自整定[J]. 计算机工程与应用, 2007, 43(21): 218-220.

ZHANG Xing-hua，ZHU Xiao-rong，LIN Jin-guo. Parameter self-tuning of PID controllers based on quantum Genetic Algorithms[J]. Computer Engineering and Applications, 2007, 43(21): 218-220.

[1]	杨玮，吴莹莹，王婷. 子母式穿梭车仓储系统配置优化问题研究[J]. 计算机工程与应用, 2021, 57(4): 258-265.
[2]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[3]	胡小兵，陈树念，张盈斐，谷升豪. 求解多目标路径优化问题的涟漪扩散算法[J]. 计算机工程与应用, 2021, 57(23): 81-90.
[4]	李倩，蒋丽，梁昌勇. 基于模糊时间窗的多目标冷链配送优化[J]. 计算机工程与应用, 2021, 57(23): 255-262.
[5]	李大海，艾志刚，王振东. 基于全组合策略的多目标阴阳对算法[J]. 计算机工程与应用, 2021, 57(22): 110-124.
[6]	崔彩霞，毕超超，范勤勤. 基于隐马尔可夫链的自适应MODE及应用[J]. 计算机工程与应用, 2021, 57(14): 83-94.
[7]	吴天纬，安斯光，孙崎岖，李梅，孙丽宏，申屠南瑛. 改进聚合树的高维多目标降维优化算法[J]. 计算机工程与应用, 2020, 56(21): 47-53.
[8]	王利利，张琳娟，尚雪宁，高德云. 计算智能在电动车充电站规划的应用研究综述[J]. 计算机工程与应用, 2020, 56(2): 1-10.
[9]	涂经科，梁俊斌，蒋婵，王天舒. 大规模无环有向管网中移动物联网监测进展[J]. 计算机工程与应用, 2020, 56(17): 1-11.
[10]	王亚东，石全，尤志锋，宋卫星. 差分准对立学习多目标蚁狮算法[J]. 计算机工程与应用, 2020, 56(13): 156-163.
[11]	郭羽含，胡德甲. 基于随机森林与变邻域下降的车辆合乘求解[J]. 计算机工程与应用, 2020, 56(13): 243-253.
[12]	董骏峰，王祥，梁昌勇. 基于个体邻域的改进NSGA-II算法[J]. 计算机工程与应用, 2019, 55(5): 166-174.
[13]	戴丽，罗廷芳，李杨，李明. 基于改进细菌菌落优化算法的PID参数整定[J]. 计算机工程与应用, 2019, 55(24): 241-246.
[14]	刘庆，王洋，李星，李红叶. 基因池操作遗传算法的应用层组播路由优化[J]. 计算机工程与应用, 2019, 55(21): 142-150.
[15]	乐春宇，马义中，张建侠. 结合Kriging和物理规划的多目标代理优化算法[J]. 计算机工程与应用, 2019, 55(21): 240-246.