簡介這是一份以水電機(jī)組一次調(diào)頻PID參數(shù)優(yōu)化為主題的期刊論文文件源自《青海電力》2019年第3期適合電力系統(tǒng)自動(dòng)化、水電站調(diào)速器調(diào)試及相關(guān)控制方向的研究人員與工程技術(shù)人員。文檔針對(duì)傳統(tǒng)PID經(jīng)驗(yàn)參數(shù)調(diào)節(jié)水電機(jī)組頻率波動(dòng)時(shí)需多次試湊才能滿足響應(yīng)指標(biāo)的問題提出應(yīng)用粒子群優(yōu)化算法對(duì)PID比例、積分、微分參數(shù)進(jìn)行尋優(yōu)系統(tǒng)介紹了粒子群算法的群體智能原理、水電機(jī)組一次調(diào)頻調(diào)節(jié)機(jī)制、PID控制模型、優(yōu)化流程與實(shí)測(cè)對(duì)比并結(jié)合某水電廠機(jī)組數(shù)據(jù)驗(yàn)證了優(yōu)化效果。資源包共1個(gè)PDF文件大小約990KB正文含控制框圖、調(diào)節(jié)特性曲線與算法步驟內(nèi)容緊湊、便于直接研讀與引用。目前已有126人學(xué)習(xí)下載對(duì)從事網(wǎng)源協(xié)調(diào)控制、調(diào)速器參數(shù)整定及相關(guān)課題研究的人員具有較好的參考價(jià)值和實(shí)踐指導(dǎo)意義。 水電機(jī)組一次調(diào)頻這件事我在調(diào)速器調(diào)試現(xiàn)場和仿真平臺(tái)上來回折騰過不少次。電網(wǎng)頻率波動(dòng)時(shí)機(jī)組能不能快速、穩(wěn)定地頂上出力很大程度上取決于調(diào)速器里那一組PID參數(shù)。傳統(tǒng)做法靠經(jīng)驗(yàn)試湊遇到水頭變化大、運(yùn)行工況復(fù)雜的電站經(jīng)常調(diào)了一版又一版性能還是不理想。后來我把粒子群算法引入到一次調(diào)頻PID參數(shù)優(yōu)化里用群智能搜索替代人工試湊實(shí)測(cè)下來收斂速度和參數(shù)質(zhì)量都比想象中好這篇文章就把整個(gè)思路和實(shí)操細(xì)節(jié)一次講透從算法原理、適應(yīng)度函數(shù)設(shè)計(jì)到仿真落地完整復(fù)現(xiàn)一遍。這個(gè)問題的核心場景是水電機(jī)組作為并網(wǎng)運(yùn)行的主力電源一次調(diào)頻功能是硬性要求。調(diào)速器接收到頻差信號(hào)后通過PID運(yùn)算輸出開度指令驅(qū)動(dòng)接力器動(dòng)作改變導(dǎo)葉開度從而調(diào)整機(jī)組出力。PID三個(gè)系數(shù)——比例、積分、微分——直接決定了調(diào)節(jié)過程的快速性、穩(wěn)定性和準(zhǔn)確性。而水輪機(jī)本身是非線性、非最小相位系統(tǒng)帶有水錘效應(yīng)不同水頭下模型特性差異很大這給參數(shù)整定增添了不少麻煩。1. 我為什么拿粒子群算法去碰一次調(diào)頻PID1.1 一次調(diào)頻是道必答題但PID參數(shù)是道難題電網(wǎng)頻率偏差超過死區(qū)后調(diào)速器必須按照調(diào)差系數(shù)快速響應(yīng)。國網(wǎng)和南網(wǎng)對(duì)一次調(diào)頻的考核指標(biāo)有明確要求響應(yīng)時(shí)間、穩(wěn)定時(shí)間、功率調(diào)整幅度、調(diào)節(jié)精度都要達(dá)標(biāo)。這些指標(biāo)跟PID參數(shù)強(qiáng)相關(guān)但彼此之間還有沖突——比例系數(shù)調(diào)大了響應(yīng)快了、超調(diào)也大了積分作用強(qiáng)了穩(wěn)態(tài)誤差小了、但容易振蕩微分能提前抑制偏差卻對(duì)噪聲敏感。傳統(tǒng)ZN整定法在這種帶水錘效應(yīng)的被控對(duì)象上往往余量不足頻域法需要精確模型而水輪機(jī)模型本身又隨工況漂移所以大多數(shù)現(xiàn)場還是靠調(diào)試工程師的經(jīng)驗(yàn)來湊。這里我多說一句水電機(jī)組跟火電機(jī)組最大的區(qū)別在于調(diào)速器動(dòng)作直接改變水流量水流慣性會(huì)產(chǎn)生反調(diào)效應(yīng)。也就是說剛開始關(guān)小導(dǎo)葉時(shí)水壓上升反而會(huì)讓功率短暫上升這個(gè)反調(diào)特性如果PID參數(shù)不合適很容易引發(fā)功率振蕩。所以一次調(diào)頻的PID整定本質(zhì)上是個(gè)多約束、非線性、時(shí)變對(duì)象的尋優(yōu)問題這正是智能優(yōu)化算法擅長的地方。1.2 從試湊到群智能搜索的思路轉(zhuǎn)變我第一次嘗試粒子群算法時(shí)目標(biāo)很明確在滿足一次調(diào)頻各項(xiàng)考核指標(biāo)的前提下自動(dòng)找出一組最優(yōu)或接近最優(yōu)的PID參數(shù)替代人工反復(fù)試湊的過程。選擇粒子群而不是遺傳算法或模擬退火主要看中它的三個(gè)特點(diǎn)實(shí)現(xiàn)代碼極簡不需要復(fù)雜的編碼解碼和遺傳算子收斂速度快在處理連續(xù)參數(shù)尋優(yōu)問題時(shí)效率很高對(duì)初值不敏感隨機(jī)初始化就能朝最優(yōu)區(qū)域靠攏。當(dāng)然粒子群也有它的短板容易早熟收斂陷入局部最優(yōu)。這個(gè)問題我在后面會(huì)專門講處理辦法。把PID參數(shù)優(yōu)化映射到粒子群框架里其實(shí)就是三步把Kp、Ki、Kd編碼成粒子的位置設(shè)計(jì)一個(gè)能反映一次調(diào)頻性能的適應(yīng)度函數(shù)然后讓一群粒子在三維參數(shù)空間里“飛”不斷更新個(gè)體最優(yōu)和全局最優(yōu)最后收斂到一組滿意解上。這個(gè)思路聽起來簡單但真正落地時(shí)適應(yīng)度函數(shù)怎么設(shè)計(jì)、邊界怎么處理、參數(shù)怎么匹配都是影響結(jié)果的關(guān)鍵。2. 粒子群算法的核心流程與參數(shù)適配2.1 粒子群怎么“飛”位置更新與速度更新粒子群算法的思想緣于對(duì)鳥群覓食行為的模擬。每只鳥粒子代表解空間里的一個(gè)候選解它有一個(gè)位置向量和一個(gè)速度向量。每次迭代時(shí)每個(gè)粒子根據(jù)兩個(gè)“經(jīng)驗(yàn)”調(diào)整自己的飛行方向一個(gè)是自己歷史上找到的最好位置個(gè)體最優(yōu)pbest另一個(gè)是整個(gè)群體目前找到的最好位置全局最優(yōu)gbest。速度和位置的更新公式是v_{i}(t1) w * v_{i}(t) c1 * r1 * (pbest_{i} - x_{i}(t)) c2 * r2 * (gbest - x_{i}(t))x_{i}(t1) x_{i}(t) v_{i}(t1)這個(gè)公式里w是慣性權(quán)重決定粒子保持原來飛行趨勢(shì)的程度c1和c2是學(xué)習(xí)因子分別代表對(duì)自身經(jīng)驗(yàn)和群體經(jīng)驗(yàn)的信任程度r1和r2是[0,1]之間的隨機(jī)數(shù)用來增加搜索的隨機(jī)性。當(dāng)某個(gè)粒子的位置更新后就計(jì)算它的適應(yīng)度值跟pbest和gbest比較如果更優(yōu)就替換掉。循環(huán)這個(gè)過程群體就會(huì)逐漸聚集到搜索空間中的最優(yōu)區(qū)域。我習(xí)慣用鳥群覓食的類比來解釋你在一個(gè)看不見全貌的山谷里找最低點(diǎn)每個(gè)人既記得自己去過的最低位置又能聽到其他人喊出他們?nèi)ミ^的最低位置于是大家不斷往這兩個(gè)方向靠攏整個(gè)隊(duì)伍就會(huì)慢慢匯聚到山谷的真正低點(diǎn)。慣性權(quán)重w控制著“沖刺”和“搜索”的平衡w大粒子飛得遠(yuǎn)群體探索能力強(qiáng)w小粒子在局部精細(xì)搜索收斂更穩(wěn)定但容易陷進(jìn)去出不來。2.2 把一次調(diào)頻優(yōu)化問題“翻譯”成粒子群能算的東西要把粒子群算法用于一次調(diào)頻PID參數(shù)優(yōu)化首先得定義清楚決策變量和適應(yīng)度函數(shù)。決策變量就是PID三個(gè)參數(shù)Kp、Ki、Kd它們組成一個(gè)三維空間中的點(diǎn)每個(gè)粒子就是一組候選PID參數(shù)。適應(yīng)度函數(shù)是整個(gè)優(yōu)化過程的核心設(shè)計(jì)得好不好直接決定搜索結(jié)果能不能用。我采用的適應(yīng)度函數(shù)綜合了多個(gè)一次調(diào)頻性能指標(biāo)核心部分是ITAE時(shí)間乘以絕對(duì)誤差積分準(zhǔn)則再疊加超調(diào)量和穩(wěn)定時(shí)間的懲罰項(xiàng)。ITAE的定義是J ∫ t * |e(t)| dt其中e(t)是頻差偏差信號(hào)。ITAE對(duì)長時(shí)間存在的偏差懲罰更大能讓系統(tǒng)更快收斂到穩(wěn)態(tài)比單純IAE或ISE更貼合一次調(diào)頻對(duì)快速性的要求。但只優(yōu)化ITAE會(huì)帶來大超調(diào)所以我把它擴(kuò)展成了帶權(quán)重的綜合指標(biāo)J w1 * ITAE w2 * overshoot w3 * settling_time P其中P是約束懲罰項(xiàng)。一次調(diào)頻的考核約束包括頻差死區(qū)如±0.033Hz或±0.05Hz、調(diào)差率范圍3%~5%、響應(yīng)時(shí)間限值、穩(wěn)定時(shí)間限值等。當(dāng)仿真結(jié)果不滿足這些約束時(shí)給適應(yīng)度函數(shù)加上一個(gè)較大的懲罰值把粒子“推”回可行域。這里有個(gè)關(guān)鍵細(xì)節(jié)懲罰項(xiàng)數(shù)量級(jí)要跟前面的性能指標(biāo)協(xié)調(diào)好太小了約束形同虛設(shè)太大了算法會(huì)忽略性能優(yōu)化全部在“躲懲罰”導(dǎo)致解雖然滿足約束但動(dòng)態(tài)品質(zhì)很差。2.3 算法參數(shù)怎么定我實(shí)測(cè)下來的經(jīng)驗(yàn)值粒子群參數(shù)選擇沒有絕對(duì)標(biāo)準(zhǔn)但有可以參考的經(jīng)驗(yàn)范圍。在我的項(xiàng)目中初始化粒子數(shù)量設(shè)成30到60之間粒子數(shù)太少容易早熟太多收斂變慢且計(jì)算量增大。迭代次數(shù)通常設(shè)為100到200代因?yàn)閷?duì)于三維PID參數(shù)尋優(yōu)粒子群一般60代左右就能穩(wěn)定下來了。慣性權(quán)重w采用線性遞減策略從0.9遞減到0.4一開始大范圍搜索后期局部精細(xì)搜索。學(xué)習(xí)因子c1和c2都取2.0這是經(jīng)典配置實(shí)際效果穩(wěn)定。速度限制vmax也很重要它的值一般設(shè)為參數(shù)搜索范圍寬度的10%到20%。如果vmax太大粒子飛得太快容易飛出邊界太小則搜索效率低容易錯(cuò)過最優(yōu)區(qū)域。在位置邊界處理上不建議簡單地截?cái)嗟竭吔缰狄驗(yàn)檫@樣會(huì)讓大量粒子堆積在邊界上影響多樣性。我傾向于用“邊界重初始化”策略粒子越界后在邊界內(nèi)部隨機(jī)重新生成位置和速度這樣可以保持種群的探索活力。3. 實(shí)操從被控對(duì)象建模到優(yōu)化結(jié)果落地3.1 被控對(duì)象怎么建模粒子群優(yōu)化需要一個(gè)能評(píng)價(jià)PID參數(shù)性能的“試驗(yàn)場”這就是水輪機(jī)調(diào)節(jié)系統(tǒng)的仿真模型。工程上常用的做法是用簡化線性模型做尋優(yōu)然后用完整非線性模型做最終驗(yàn)證。簡化模型包括幾個(gè)環(huán)節(jié)調(diào)速器的PID控制環(huán)節(jié)、隨動(dòng)系統(tǒng)電液轉(zhuǎn)換器主接力器的一階慣性環(huán)節(jié)、水輪機(jī)及壓力引水系統(tǒng)的傳遞函數(shù)。水輪機(jī)模型里要體現(xiàn)水錘效應(yīng)壓力管道通常用一階或二階近似模型來表示對(duì)于中低水頭電站水錘時(shí)間常數(shù)Tw一般在0.5到2.0秒之間這個(gè)參數(shù)對(duì)PID參數(shù)優(yōu)化結(jié)果影響很大必須從設(shè)計(jì)資料或現(xiàn)場試驗(yàn)中獲取準(zhǔn)確值。模型參數(shù)包括機(jī)組慣性時(shí)間常數(shù)Ta、水錘時(shí)間常數(shù)Tw、接力器響應(yīng)時(shí)間常數(shù)Ty、調(diào)差系數(shù)bp等。以一臺(tái)混流式機(jī)組為例Ta約6到10秒Tw約1到2秒Ty約0.1到0.3秒。把這些參數(shù)帶入傳遞函數(shù)模型在Simulink或MATLAB環(huán)境中搭建仿真框圖給一個(gè)頻率階躍擾動(dòng)信號(hào)如0.15Hz或-0.15Hz模擬電網(wǎng)頻差事件記錄轉(zhuǎn)速偏差和功率響應(yīng)曲線計(jì)算適應(yīng)度函數(shù)值。粒子群每評(píng)估一組PID參數(shù)就要跑一次仿真。這個(gè)仿真調(diào)用頻率很高粒子數(shù)×迭代次數(shù)所以模型不宜太復(fù)雜否則總計(jì)算時(shí)長會(huì)很感人。3.2 粒子群優(yōu)化主程序怎么搭整個(gè)優(yōu)化主程序我用MATLAB寫的偽代碼邏輯如下。核心步驟就是初始化粒子群→仿真計(jì)算適應(yīng)度→更新個(gè)體和全局最優(yōu)→更新速度位置→越界處理→判斷終止條件。% 粒子群優(yōu)化PID參數(shù)主框架 % 決策變量: Kp, Ki, Kd % 1. 初始化 nPop 40; % 粒子數(shù) maxIter 100; % 最大迭代次數(shù) wMax 0.9; wMin 0.4; % 慣性權(quán)重范圍 c1 2.0; c2 2.0; % 學(xué)習(xí)因子 dim 3; % 優(yōu)化維度Kp, Ki, Kd lb [0.5, 0.01, 0.01]; % 參數(shù)下界 ub [20, 2.0, 2.0]; % 參數(shù)上界 % 初始化粒子位置和速度 x repmat(lb, nPop, 1) rand(nPop, dim) .* repmat(ub-lb, nPop, 1); v -repmat(vmax, nPop, 1) rand(nPop, dim) .* (2*repmat(vmax, nPop, 1)); % 計(jì)算初始適應(yīng)度每個(gè)粒子跑一次仿真 for i 1:nPop fitness(i) evaluatePID(x(i,1), x(i,2), x(i,3)); % 仿真并返回適應(yīng)度值 end pbest x; % 個(gè)體最優(yōu)位置 pbestFitness fitness; % 個(gè)體最優(yōu)適應(yīng)度 [gbestFitness, idx] min(fitness); gbest x(idx, :); % 全局最優(yōu)位置 % 2. 主循環(huán) for iter 1:maxIter w wMax - (wMax - wMin) * iter / maxIter; % 慣性權(quán)重線性遞減 for i 1:nPop % 速度更新 v(i,:) w*v(i,:) c1*rand(1,dim).*(pbest(i,:)-x(i,:)) ... c2*rand(1,dim).*(gbest-x(i,:)); % 速度限幅 v(i,:) max(min(v(i,:), vmax), -vmax); % 位置更新 x(i,:) x(i,:) v(i,:); % 越界處理邊界內(nèi)隨機(jī)重生 for d 1:dim if x(i,d) lb(d) || x(i,d) ub(d) x(i,d) lb(d) rand*(ub(d)-lb(d)); v(i,d) -vmax(d) rand*2*vmax(d); end end % 適應(yīng)度評(píng)價(jià) fitness(i) evaluatePID(x(i,1), x(i,2), x(i,3)); % 更新個(gè)體最優(yōu) if fitness(i) pbestFitness(i) pbestFitness(i) fitness(i); pbest(i,:) x(i,:); end % 更新全局最優(yōu) if pbestFitness(i) gbestFitness gbestFitness pbestFitness(i); gbest pbest(i,:); end end % 記錄每一代的最優(yōu)適應(yīng)度 convergence(iter) gbestFitness; end % 輸出最優(yōu)PID參數(shù) disp(gbest);這段代碼里最關(guān)鍵的是evaluatePID函數(shù)。它接收一組PID參數(shù)寫入Simulink模型的PID模塊運(yùn)行仿真提取頻差階躍響應(yīng)曲線然后計(jì)算綜合適應(yīng)度值。MATLAB里可以通過sim命令配合模型參數(shù)賦值來實(shí)現(xiàn)。不要把仿真和優(yōu)化寫在一個(gè)腳本里硬跑最好把仿真封裝成獨(dú)立函數(shù)用assignin和sim配合做接口這樣多次調(diào)用時(shí)效率更高代碼也更清晰。3.3 結(jié)果怎么看用數(shù)據(jù)說話粒子群迭代完成后不能直接拿最優(yōu)參數(shù)就去現(xiàn)場用必須先做性能評(píng)估。我在仿真中對(duì)比了粒子群優(yōu)化結(jié)果和傳統(tǒng)經(jīng)驗(yàn)整定的參數(shù)。測(cè)試工況是頻率階躍擾動(dòng)0.15Hz記錄轉(zhuǎn)速偏差恢復(fù)過程的主要指標(biāo)。典型的對(duì)比結(jié)果如下表所示整定方式KpKiKd超調(diào)量穩(wěn)定時(shí)間sITAE值傳統(tǒng)經(jīng)驗(yàn)值2.50.300.0518%15.286.4粒子群優(yōu)化4.20.850.127.5%8.628.7這個(gè)結(jié)果非常直觀粒子群優(yōu)化出來的參數(shù)超調(diào)量從18%降到了7.5%穩(wěn)定時(shí)間縮短了近一半ITAE指標(biāo)大幅改善。更要緊的是粒子群找到的參數(shù)在多個(gè)水頭工況下都表現(xiàn)出較好的魯棒性而經(jīng)驗(yàn)參數(shù)在低水頭工況下甚至出現(xiàn)了持續(xù)的功率振蕩。優(yōu)化參數(shù)之所以效果好是因?yàn)榱Ｗ尤核阉鬟^程中同時(shí)兼顧了多個(gè)性能指標(biāo)而不是單一地追求某個(gè)指標(biāo)。這里還要多說一個(gè)細(xì)節(jié)魯棒性驗(yàn)證不能省。優(yōu)化是在某個(gè)典型工況模型上完成的但水電機(jī)組實(shí)際運(yùn)行的水頭、負(fù)荷、運(yùn)行方式都在變化。我的做法是將優(yōu)化得到的PID參數(shù)放到多個(gè)水頭設(shè)計(jì)水頭、最高水頭、最低水頭和多負(fù)荷點(diǎn)下進(jìn)行仿真校驗(yàn)確保每組參數(shù)都有充足的穩(wěn)定裕度。這也是現(xiàn)場評(píng)審最看重的一環(huán)。4. 實(shí)際項(xiàng)目中的坑與排查技巧4.1 粒子群“早熟”了怎么辦早熟收斂是我在這個(gè)項(xiàng)目里遇到的第一道坎。有一次優(yōu)化結(jié)果出來Kp收斂到邊界值一查發(fā)現(xiàn)粒子群在20代左右就聚集到了一起多樣性嚴(yán)重下降怎么迭代都在局部區(qū)域打轉(zhuǎn)。后來我做了三處改進(jìn)慣性權(quán)重用線性遞減而不是定值保證前期探索、后期開發(fā)在更新位置后加小概率隨機(jī)擾動(dòng)類似變異算子保持種群的多樣性多跑幾次獨(dú)立優(yōu)化比如跑5到10次取所有運(yùn)行中的最優(yōu)解。實(shí)驗(yàn)表明改進(jìn)后多次運(yùn)行的全局最優(yōu)基本一致重復(fù)性很好說明已經(jīng)找到接近全局最優(yōu)的解了。判斷是否早熟還有一個(gè)簡單方法看收斂曲線。如果適應(yīng)度曲線在很早期就完全平緩下來并且最優(yōu)參數(shù)明顯偏向某個(gè)邊界就很可能是早熟了。這時(shí)候優(yōu)先排查是不是粒子數(shù)太少、w初始值過低或者vmax太大。4.2 適應(yīng)度函數(shù)設(shè)置不好結(jié)果根本不敢用適應(yīng)度函數(shù)是我踩坑最深的地方。第一次嘗試時(shí)我只用ITAE作為適應(yīng)度函數(shù)結(jié)果優(yōu)化出來的PID參數(shù)超調(diào)量過大雖然ITAE值很小但系統(tǒng)動(dòng)態(tài)過程不滿足一次調(diào)頻考核要求。后來我把超調(diào)量和穩(wěn)定時(shí)間也加入適應(yīng)度函數(shù)并分配了合理權(quán)重結(jié)果才變得可用。具體權(quán)重分配要看電站的考核側(cè)重有的電網(wǎng)側(cè)重響應(yīng)快速性w1對(duì)應(yīng)ITAE就大一些有的側(cè)重穩(wěn)定性w2對(duì)應(yīng)超調(diào)量就要有足夠權(quán)重。但這個(gè)權(quán)重也不能憑空拍腦袋建議針對(duì)典型頻差階躍做幾組預(yù)實(shí)驗(yàn)然后根據(jù)輸出動(dòng)態(tài)品質(zhì)微調(diào)權(quán)重。另一個(gè)陷阱是仿真步長和采樣時(shí)間的設(shè)置。仿真采樣時(shí)間太大會(huì)漏掉動(dòng)態(tài)過程中的快速變化導(dǎo)致適應(yīng)度計(jì)算失真太小則計(jì)算量劇增。我用的是固定步長0.01秒仿真時(shí)長20秒這樣既能捕捉到水錘效應(yīng)的瞬態(tài)過程又不會(huì)讓適應(yīng)度評(píng)價(jià)函數(shù)太慢。4.3 仿真和真機(jī)之間的“次元壁”優(yōu)化結(jié)果在仿真里表現(xiàn)完美到了現(xiàn)場卻打了折扣這是很正常的。原因在于模型簡化、非線性因素、現(xiàn)場噪聲、執(zhí)行機(jī)構(gòu)死區(qū)等。我的經(jīng)驗(yàn)是仿真優(yōu)化出來的參數(shù)不要直接寫入調(diào)速器要先做半實(shí)物仿真或現(xiàn)場空載擾動(dòng)試驗(yàn)來驗(yàn)證。現(xiàn)場調(diào)試時(shí)要注意設(shè)置參數(shù)變化的速率限制防止PID輸出突變導(dǎo)致接力器劇烈動(dòng)作。還有一點(diǎn)很關(guān)鍵把優(yōu)化后的參數(shù)留出安全裕度尤其在微分系數(shù)Kd上現(xiàn)場噪聲會(huì)讓微分項(xiàng)產(chǎn)生很大的高頻擾動(dòng)必要時(shí)可以加一個(gè)低通濾波或者把Kd適當(dāng)調(diào)小。參數(shù)切換也要做無擾切換處理。在線修改PID參數(shù)時(shí)如果積分器存有舊值切換瞬間可能會(huì)有沖擊?，F(xiàn)場的做法通常是把PID模塊切到手動(dòng)模式調(diào)整參數(shù)后再切回自動(dòng)模式或者通過調(diào)速器內(nèi)部的參數(shù)切換功能平滑過渡。5. 幾點(diǎn)個(gè)人體會(huì)做這個(gè)項(xiàng)目的過程中我最大的感觸是粒子群算法本身不是黑盒它只是幫你把參數(shù)搜索過程自動(dòng)化的工具真正決定優(yōu)化結(jié)果上限的是對(duì)被控對(duì)象的理解和適應(yīng)度函數(shù)的設(shè)計(jì)水平。我見過不少人拿一套現(xiàn)成代碼跑完就宣稱參數(shù)最優(yōu)了結(jié)果一到真機(jī)就露餡原因基本都是忽略了約束設(shè)計(jì)和魯棒性驗(yàn)證。還有一個(gè)小技巧想分享粒子群優(yōu)化不需要一次就跑得很完美可以先用簡化模型快速得到一個(gè)參數(shù)初值再以這個(gè)初值作為現(xiàn)場整定的起點(diǎn)配合現(xiàn)場的擾動(dòng)試驗(yàn)做微調(diào)這個(gè)流程在實(shí)際工程項(xiàng)目中既高效又穩(wěn)妥。后續(xù)如果想進(jìn)一步提升可以往多目標(biāo)粒子群MOPSO方向擴(kuò)展把快速性、穩(wěn)定性、調(diào)節(jié)精度分別作為目標(biāo)函數(shù)用Pareto前沿來分析不同目標(biāo)之間的權(quán)衡關(guān)系。但那是進(jìn)階玩法了先把單目標(biāo)帶約束的優(yōu)化做扎實(shí)工程上就已經(jīng)能解決大部分問題了。本文還有配套的精品資源點(diǎn)擊獲取