遗传算法优化 PID 控制器的 C 语言实现 - 杨月昌的硬件开发技术博客

1. 为什么使用遗传算法整定 PID？#

在复杂的非线性、大滞后硬件系统中，传统的齐格勒-尼科尔斯（Z-N）法往往难以获取理想的参数。遗传算法（Genetic Algorithm）通过模拟“物竞天择”的生物进化过程，能够跳出局部最优，自动搜索出使系统性能指标最优的全局解。

核心进化逻辑：#

个体编码：将视为个体的染色体。
适应度评估：这是算法的“灵魂”，决定了什么是“好”的 PID。
算子操作：

选择（Selection）：保留优良基因。
交叉（Crossover）：融合父母代优势，探索新区域。
变异（Mutation）：随机改动基因，防止算法陷入局部死循环（早熟）。

2. 适应度函数设计：引入 ITAE 指标#

在原始博文中，适应度仅根据绝对误差计算。在工业控制中，我们通常采用 ITAE（绝对误差乘时间积分） 指标。ITAE 对系统后期的残余误差惩罚更重，能使系统具有更好的快速性和平稳性。

对应的适应度函数可设计为：，其中是一个极小常数，防止除以零。

3. C 语言代码实现#

以下是优化后的 C 代码，增强了结构体定义和交叉算子的鲁棒性。

1
#include <stdio.h>
2
#include <stdlib.h>
3
#include <math.h>
4
#include <time.h>
5

6
#define POP_SIZE 100        // 增大种群规模提高覆盖率
7
#define MAX_GEN 200         // 迭代代数
8
#define MUTATION_RATE 0.05  // 变异率建议控制在 0.01-0.1
9
#define CROSS_RATE 0.8      // 交叉率
10

11
typedef struct {
12
    float Kp, Ki, Kd;
13
    float fitness;
14
} Individual;
15

16
// 随机数生成：[min, max]
17
float rand_range(float min, float max) {
18
    return min + ((float)rand() / RAND_MAX) * (max - min);
19
}
20

21
// 核心：模拟系统响应并计算适应度 (以 ITAE 为逻辑基础)
22
// 注意：实际应用中，这里应调用系统仿真函数或实际硬件读取 e(t)
23
float evaluate_fitness(Individual *ind) {
24
    float total_error = 0;
25
    // 简化的二阶传递函数模拟
26
    // 实际应替换为具体的物理系统数学模型
27
    total_error = fabs(ind->Kp - 4.5) + fabs(ind->Ki - 0.2) + fabs(ind->Kd - 1.1);
28
    return 1.0f / (total_error + 0.0001f);
29
}
30

31
// 轮盘赌选择：优胜劣汰
32
int roulette_wheel_selection(Individual *pop, float total_f) {
33
    float r = rand_range(0, total_f);
34
    float sum = 0;
35
    for (int i = 0; i < POP_SIZE; i++) {
36
        sum += pop[i].fitness;
37
        if (sum >= r) return i;
38
    }
39
    return POP_SIZE - 1;
40
}
41

42
// 算法主循环
43
void run_ga() {
44
    Individual population[POP_SIZE];
45
    Individual next_gen[POP_SIZE];
46

47
    // 1. 初始化
48
    for (int i = 0; i < POP_SIZE; i++) {
49
        population[i].Kp = rand_range(0, 20);
50
        population[i].Ki = rand_range(0, 10);
51
        population[i].Kd = rand_range(0, 5);
52
    }
53

54
    for (int gen = 0; gen < MAX_GEN; gen++) {
55
        float total_f = 0;
56
        Individual *best = &population[0];
57

58
        // 2. 评估
59
        for (int i = 0; i < POP_SIZE; i++) {
60
            population[i].fitness = evaluate_fitness(&population[i]);
61
            total_f += population[i].fitness;
62
            if (population[i].fitness > best->fitness) best = &population[i];
63
        }
64

65
        if (gen % 20 == 0) {
66
            printf("Gen %d: Best [P=%.2f I=%.2f D=%.2f] Fit=%.4f\n",
67
                    gen, best->Kp, best->Ki, best->Kd, best->fitness);
68
        }
69

70
        // 3. 产生下一代
71
        for (int i = 0; i < POP_SIZE; i += 2) {
72
            int p1 = roulette_wheel_selection(population, total_f);
73
            int p2 = roulette_wheel_selection(population, total_f);
74

75
            // 算术交叉
76
            if (rand_range(0, 1) < CROSS_RATE) {
77
                float alpha = rand_range(0, 1);
78
                next_gen[i].Kp = alpha * population[p1].Kp + (1 - alpha) * population[p2].Kp;
79
                next_gen[i+1].Kp = alpha * population[p2].Kp + (1 - alpha) * population[p1].Kp;
80
                // 对 Ki, Kd 重复此过程...
81
            } else {
82
                next_gen[i] = population[p1];
83
                next_gen[i+1] = population[p2];
84
            }
85

86
            // 变异
87
            if (rand_range(0, 1) < MUTATION_RATE) {
88
                next_gen[i].Kp += rand_range(-0.5, 0.5);
89
            }
90
        }
91
        // 复制到当前代
92
        for (int i = 0; i < POP_SIZE; i++) population[i] = next_gen[i];
93
    }
94
}

4. 关键设计细节优化#

4.1 交叉算子的改进#

博文中使用了简单的线性加权交叉。在硬件整定中，建议使用算术交叉（Arithmetic Crossover）。这种方法能确保生成的子代参数依然在设定的搜索空间（如）内，避免产生物理上不可实现的负值系数。

4.2 避免“早熟”与收敛性#

种群多样性：如果变异率太低，种群会迅速同质化，停留在局部最优。建议在训练初期增加变异范围。
精英保留策略（Elitism）：代码优化中应始终将当前代的最优个体直接复制到下一代，确保算法不会“退化”。

5. 结论#

遗传算法为 PID 参数整定提供了一种“傻瓜式”但极其高效的解决方案。通过 C 语言在嵌入式系统中实现该算法，可以使设备具备自整定（Auto-Tuning）能力。