一种基于改进蝴蝶算法的选矿厂磨机PID控制器参数优化方法

一种基于改进蝴蝶算法的选矿厂磨机pid控制器参数优化方法
技术领域
1.本发明涉及一种基于改进蝴蝶算法的选矿厂磨机pid控制器参数优化方法，属于自动控制技术领域。


背景技术：

2.在选矿过程中，磨矿占有非常重要的地位，它是矿石在选别前的一次加工过程，可以将矿石中的有用成分全部或大部分达到单体解离，为后续的选别作业有效地回收矿石中的有用成分创造条件。目前在国内大多数选矿厂都对磨机进行自动化控制操作，主要采用传统的pid控制器，由于磨机具有非线性、滞后性等特点，在用pid控制器对选矿厂的磨机进行给料控制时，会出现给料量控制不合理或控制不及时的现象，从而造成磨机的运行不稳定。为了解决传统的pid控制器在控制选矿厂磨机给料过程中存在的问题，提出了利用改进蝴蝶算法对选矿厂磨机pid控制器的k
p
，ki和kd三个参数进行优化控制，实现pid参数的最优化，然后再利用k
p
，ki和kd参数优化后的pid控制器对选矿厂磨机给料进行实时控制，实现选矿厂磨机给料的精确和实时控制，达到磨机的稳定运行。
3.蝴蝶算法是一种新的元启发式算法，它模拟了蝴蝶的觅食和求偶的行为，在进行全局寻优时表现出较好的性能，目前已经被应用于许多领域的实际工程问题中，但基本的蝴蝶算法存在容易陷入局部最优和收敛速度慢的问题，在选矿厂磨机给料pid控制器k
p
，ki和kd参数优化过程中会导致无法搜索到参数的最优值。因此，对蝴蝶算法进行改进，提出改进的蝴蝶算法，并将其应用于选矿厂磨机pid控制器k
p
，ki和kd参数的优化中。


技术实现要素：

4.本发明提供了一种基于改进蝴蝶算法的选矿厂磨机pid控制器参数优化方法，目的是克服基本的蝴蝶算法在对选矿厂磨机pid控制器k
p
，ki和kd参数进行优化时，容易陷入局部最优和收敛速度慢，这样会导致算法无法搜索到k
p
，ki和kd参数的最优值的问题，因此提出了一种改进的蝴蝶算法，用于选矿厂磨机pid控制器的参数优化中，以提高选矿厂磨机控制的实时性和精确性。
5.为了达到上述目的，本发明提供了一种基于改进蝴蝶算法的选矿厂磨机pid控制器参数优化方法，首先将用于选矿厂磨机给料控制的pid控制器的三个控制参数k
p
，ki和kd作为蝴蝶算法的蝴蝶个体，对蝴蝶个体进行初始化，以选矿厂pid控制器的传递函数作为算法的目标函数计算每个蝴蝶个体的目标函数值，对目标函数值进行排列，找出目标函数值最大的蝴蝶个体作为蝴蝶种群中的最优个体，随着迭代次数的变化对转移概率p进行自适应更新，产生随机数r，计算蝴蝶的香味系数，然后比较随机数r和转移概率p的值，若r＜p，蝴蝶个体则进行全局搜索；若r≥p，则进行局部搜索；计算每个蝴蝶个体的目标函数，通过多次迭代后，最后搜索到蝴蝶个体的最优位置，其中目标函数值最大的蝴蝶个体对应的位置就是选矿厂磨机pid控制器k
p
，ki和kd控制参数的最优值，实现选矿厂磨机的最优控制。
6.本发明在搜索pid控制器k
p
，ki和kd参数最优值的过程中，随着迭代次数的变化自适应更新转移概率p的值，具体方式如下所示：
[0007][0008]
其中t为迭代次数，p(t)为t时的转移概率，t
max
为最大迭代次数；
[0009]
实现本发明技术方案的具体方法步骤如下：
[0010]
(1)蝴蝶算法参数设置。对蝴蝶算法的参数进行设置，设置蝴蝶种群规模m、种群空间维数n、最大迭代次数t
max
，产生范围为[0,1]的均匀分布的随机数r，利用公式自适应更新转移概率p，其中t为迭代次数，p(t)为t时的转移概率，t
max
为最大迭代次数；
[0011]
(2)蝴蝶个体初始化。将pid控制器的三个参数k
p
，ki和kd作为蝴蝶个体，进行蝴蝶个体初始化；
[0012]
(3)计算蝴蝶个体的目标函数值，对目标函数值进行排列，找出目标函数值最佳的蝴蝶个体；
[0013]
(4)计算蝴蝶的香味系数：通过公式f＝cia计算蝴蝶个体的香味系数，其中f为香味系数，c为感觉模态，i为香味浓度，a为香味浓度的指数；
[0014]
(5)求磨机给料pid控制器的三个k
p
，ki和kd参数的最优值时，需要比较随机数r和转移概率p的值，需要不断迭代完成以下步骤：
[0015]
(a)若r＜p，则蝴蝶个体进行全局搜索
[0016]
向着种群中随机的多只蝴蝶飞行：
[0017][0018]
其中为在迭代次数为t+1时第i只蝴蝶个体对应的位置，为在迭代次数为t时第i只蝴蝶个体对应的位置，r为[0,1]内均匀分布的随机数，g为蝴蝶种群中目标函数值最佳的蝴蝶位置，f为香味系数。
[0019]
(b)若r≥p，则蝴蝶个体进行局部搜索
[0020]
蝴蝶个体随机移动：
[0021][0022]
其中为在迭代次数为t+1时第i只蝴蝶个体对应的位置，为在迭代次数为t时第i只蝴蝶个体对应的位置，为在迭代次数为t时第j只蝴蝶个体对应的位置，为在迭代次数为t时第k只蝴蝶个体对应的位置，r为[0,1]内均匀分布的随机数，g为蝴蝶种群中目标函数值最佳的蝴蝶位置，f为香味系数。
[0023]
(c)计算蝴蝶个体的目标函数值，对目标函数值进行排列，找出目标函数值最佳的蝴蝶个体；
[0024]
(d)判断当前迭代次数是否等于最大迭代次数t
max
，如果不等于则根据随机数r和转移概率p值比较的结果，不断重复(a)和(c)或(b)和(c),直到迭代次数等于最大迭代次数
t
max
为止循环结束，输出目标函数值最佳蝴蝶个体的位置和适应度函数值，最佳蝴蝶个体所在的位置即为选矿厂磨机pid控制器k
p
，ki和kd参数的最优值。
[0025]
(6)利用基于改进蝴蝶算法搜索到的选矿厂磨机pid控制器k
p
，ki和kd参数的最优值可以实时控制磨机的给料量，实现选矿厂磨机给料的最优化。
[0026]
本发明中所述步骤(1)中的参数，最大迭代次数t
max
范围为[20,50]，蝴蝶种群规模m为[20,40]，种群空间维数n为3，步骤(4)中的参数，感觉模态c＝0.01，香味浓度的指数a＝0.1。
[0027]
本发明与现有技术相比具有下列优点：
[0028]
1、本发明提出一种基于改进蝴蝶算法的选矿厂磨机pid控制器参数优化方法，可以有效地克服传统的pid控制器在控制选矿厂磨机时不能对磨机进行实时和精确地控制的问题，通过改进蝴蝶算法优化选矿厂pid控制器的k
p
，ki和kd参数，使得pid控制器的参数达到最优值，提高了选矿厂磨机控制的精确度和实时性。
[0029]
2、本发明提出的改进蝴蝶算法，提出随着迭代次数的变化不断更新转移概率p参数的值，提高了蝴蝶算法的全局搜索能力，避免算法陷入局部最优，并且提高了算法的收敛速度，改进后的蝴蝶算法能够快速地搜索到蝴蝶群体中目标函数值最佳的蝴蝶个体的位置，即选矿厂磨机pid控制器k
p
，ki和kd参数的最优值。
附图说明
[0030]
图1为本发明基于改进蝴蝶算法的选矿厂磨机pid控制器参数优化方法的流程图；
[0031]
图2为本发明实施例1中最佳目标函数值变化图；
[0032]
图3为本发明实施例1中基于改进蝴蝶算法的pid控制器控制磨机给料量变化图；
[0033]
图4为本发明实施例2中最佳目标函数值变化图；
[0034]
图5为本发明实施例2中基于改进蝴蝶算法的pid控制器控制磨机给料量变化图；
[0035]
图6为本发明实施例3中最佳目标函数值变化图；
[0036]
图7为本发明实施例3中基于改进蝴蝶算法的pid控制器控制磨机给料量变化图；
[0037]
图8为本发明实施例4中最佳目标函数值变化图；
[0038]
图9为本发明实施例4中基于改进蝴蝶算法的pid控制器控制磨机给料量变化图。
具体实施方式
[0039]
实施例1：参见图1，以传递函数为的选矿厂磨机pid控制器为例，利用python软件编程，使用改进蝴蝶算法对选矿厂磨机pid控制器k
p
，ki和kd参数进行优化，采用的方法和具体步骤如下：
[0040]
(1)蝴蝶算法参数设置。对蝴蝶算法的参数进行设置，设置蝴蝶种群规模m＝30、种群空间维数n＝3、最大迭代次数t
max
＝50，产生范围为[0,1]的均匀分布的随机数r，利用公式自适应更新转移概率p，感觉模态c＝0.01，香味浓度的指数a＝0.1。
[0041]
(2)蝴蝶个体初始化。将pid控制器的三个参数k
p
，ki和kd作为蝴蝶个体，进行蝴蝶个体初始化；
[0042]
(3)计算蝴蝶个体的目标函数值，对目标函数值进行排列，找出目标函数值最佳的蝴蝶个体；
[0043]
(4)计算蝴蝶的香味系数。通过公式f＝cia计算蝴蝶个体的香味系数，其中f为香味系数，c为感觉模态，i为香味浓度，a为香味浓度的指数；
[0044]
(5)求磨机给料pid控制器的三个k
p
，ki和kd参数的最优值时，需要比较随机数r和转移概率p的值，需要不断迭代完成以下步骤：
[0045]
(a)若r＜p，则蝴蝶个体进行全局搜索
[0046]
向着种群中随机的多只蝴蝶飞行：
[0047][0048]
其中为在迭代次数为t+1时第i只蝴蝶个体对应的位置，为在迭代次数为t时第i只蝴蝶个体对应的位置，r为[0,1]内均匀分布的随机数，g为蝴蝶种群中目标函数值最佳的蝴蝶位置，f为香味系数。
[0049]
(b)若r≥p，则蝴蝶个体进行局部搜索
[0050]
蝴蝶个体随机移动：
[0051][0052]
其中为在迭代次数为t+1时第i只蝴蝶个体对应的位置，为在迭代次数为t时第i只蝴蝶个体对应的位置，为在迭代次数为t时第j只蝴蝶个体对应的位置，为在迭代次数为t时第k只蝴蝶个体对应的位置，r为[0,1]内均匀分布的随机数，g为蝴蝶种群中目标函数值最佳的蝴蝶位置，f为香味系数。
[0053]
(c)计算蝴蝶个体的目标函数值，对目标函数值进行排列，找出目标函数值最佳的蝴蝶个体；
[0054]
(d)判断当前迭代次数是否等于最大迭代次数t
max
，如果不等于则根据随机数r和转移概率p值比较的结果，不断重复(a)和(c)或(b)和(c)50次，直到迭代次数等于最大迭代次数t
max
为止循环结束，输出选矿厂磨机pid控制器k
p
，ki和kd参数的最优值，搜索到的k
p
最优值为5，ki最优值为0.77544，kd最优值为0.66739，最佳目标函数值为3100。
[0055]
(6)最后利用基于改进蝴蝶算法搜索到的选矿厂磨机pid控制器k
p
，ki和kd参数的最优值实时控制磨机的给料量，实现选矿厂磨机给料的最优化。
[0056]
从图2可以看出改进蝴蝶算法的收敛速度较快，在迭代次数为5左右就可以搜索到最佳目标函数值，搜索到选矿厂磨机pid控制器k
p
，ki和kd参数的最优值。从图3可以看出，规定磨机的给料量为10，使用改进蝴蝶算法搜索到的k
p
，ki和kd参数的最优值对磨机pid控制器进行控制，可以使得磨机的给料量精确地达到10，使得pid控制器对选矿厂磨机的给料量达到了精确控制。
[0057]
实施例2：参见图1，以传递函数为的磨机pid控制器为例，利用python软件编程，使用改进蝴蝶算法对选矿厂磨机pid控制器进行优化，采用的方法和具体步骤如下：
[0058]
(1)蝴蝶算法参数设置：对蝴蝶算法的参数进行设置，设置蝴蝶种群规模m＝35、种
群空间维数n＝3、最大迭代次数t
max
＝30，产生范围为[0,1]的随机数r，利用公式自适应更新转移概率p，感觉模态c＝0.01，香味浓度的指数a＝0.1。
[0059]
(2)蝴蝶个体初始化：将pid控制器的三个参数k
p
，ki和kd作为蝴蝶个体，进行蝴蝶个体初始化；
[0060]
(3)计算蝴蝶个体的目标函数值，对目标函数值进行排列，找出目标函数值最佳的蝴蝶个体；
[0061]
(4)计算蝴蝶的香味系数：通过公式f＝cia计算蝴蝶个体的香味系数，其中f为香味系数，c为感觉模态，i为香味浓度，a为香味浓度的指数；
[0062]
(5)求磨机给料pid控制器的三个k
p
，ki和kd参数的最优值时，需要比较随机数r和转移概率p的值，需要不断迭代完成以下步骤：
[0063]
(a)若r＜p，则蝴蝶个体进行全局搜索
[0064]
向着种群中随机的多只蝴蝶飞行：
[0065][0066]
其中为在迭代次数为t+1时第i只蝴蝶个体对应的位置，为在迭代次数为t时第i只蝴蝶个体对应的位置，r为[0,1]内均匀分布的随机数，g为蝴蝶种群中目标函数值最佳的蝴蝶位置，f为香味系数；
[0067]
(b)若r≥p，则蝴蝶个体进行局部搜索
[0068]
蝴蝶个体随机移动：
[0069][0070]
其中为在迭代次数为t+1时第i只蝴蝶个体对应的位置，为在迭代次数为t时第i只蝴蝶个体对应的位置，为在迭代次数为t时第j只蝴蝶个体对应的位置，为在迭代次数为t时第k只蝴蝶个体对应的位置，r为[0,1]内均匀分布的随机数，g为蝴蝶种群中目标函数值最佳的蝴蝶位置，f为香味系数。
[0071]
(c)计算蝴蝶个体的目标函数值，对目标函数值进行排列，找出目标函数值最佳的蝴蝶个体；
[0072]
(d)判断当前迭代次数是否等于最大迭代次数t
max
，如果不等于则根据随机数r和转移概率p值比较的结果，不断重复(a)和(c)或(b)和(c)30次，直到迭代次数等于最大迭代次数t
max
为止循环结束，输出选矿厂磨机pid控制器k
p
，ki和kd参数的最优值，搜索到的k
p
最优值为5，ki最优值为0.12783，kd最优值为0.66739，最佳目标函数值为4645；
[0073]
(6)最后利用基于改进蝴蝶算法搜索到的选矿厂磨机pid控制器k
p
，ki和kd参数的最优值实时控制磨机的给料量，实现选矿厂磨机给料的最优化。
[0074]
从图4可以看出改进蝴蝶算法的收敛速度较快，在迭代次数为15左右就可以搜索到最佳目标函数值，搜索到选矿厂磨机pid控制器k
p
，ki和kd参数的最优值。从图5可以看出，规定磨机的给料量为20，使用改进蝴蝶算法搜索到的k
p
，ki和kd参数的最优值对磨机pid控制器进行控制，可以使得磨机的给料量精确地达到20，使得pid控制器对选矿厂磨机的给料量达到了精确控制。
[0075]
实施例3：参见图1，以传递函数为的磨机pid控制器为例，利用python软件编程，使用改进蝴蝶算法对选矿厂磨机pid控制器进行优化，采用的方法和具体步骤如下：
[0076]
(1)蝴蝶算法参数设置：对蝴蝶算法的参数进行设置，设置蝴蝶种群规模m＝40、种群空间维数n＝3、最大迭代次数t
max
＝40，产生范围为[0,1]的随机数r，利用公式自适应更新转移概率p，感觉模态c＝0.01，香味浓度的指数a＝0.1；
[0077]
(2)蝴蝶个体初始化：将pid控制器的三个参数k
p
，ki和kd作为蝴蝶个体，进行蝴蝶个体初始化；
[0078]
(3)计算蝴蝶个体的目标函数值，对目标函数值进行排列，找出目标函数值最佳的蝴蝶个体；
[0079]
(4)计算蝴蝶的香味系数：通过公式f＝cia计算蝴蝶个体的香味系数，其中f为香味系数，c为感觉模态，i为香味浓度，a为香味浓度的指数；
[0080]
(5)求磨机给料pid控制器的三个k
p
，ki和kd参数的最优值时，需要比较随机数r和转移概率p的值，需要不断迭代完成以下步骤：
[0081]
(a)若r＜p，则蝴蝶个体进行全局搜索
[0082]
向着种群中随机的多只蝴蝶飞行：
[0083][0084]
其中为在迭代次数为t+1时第i只蝴蝶个体对应的位置，为在迭代次数为t时第i只蝴蝶个体对应的位置，r为[0,1]内均匀分布的随机数，g为蝴蝶种群中目标函数值最佳的蝴蝶位置，f为香味系数。
[0085]
(b)若r≥p，则蝴蝶个体进行局部搜索
[0086]
蝴蝶个体随机移动：
[0087][0088]
其中为在迭代次数为t+1时第i只蝴蝶个体对应的位置，为在迭代次数为t时第i只蝴蝶个体对应的位置，为在迭代次数为t时第j只蝴蝶个体对应的位置，为在迭代次数为t时第k只蝴蝶个体对应的位置，r为[0,1]内均匀分布的随机数，g为蝴蝶种群中目标函数值最佳的蝴蝶位置，f为香味系数。
[0089]
(c)计算蝴蝶个体的目标函数值，对目标函数值进行排列，找出目标函数值最佳的蝴蝶个体；
[0090]
(d)判断当前迭代次数是否等于最大迭代次数t
max
，如果不等于则根据随机数r和转移概率p值比较的结果，不断重复(a)和(c)或(b)和(c)40次，直到迭代次数等于最大迭代次数t
max
为止循环结束，输出选矿厂磨机pid控制器k
p
，ki和kd参数的最优值，搜索到的k
p
最优值为5，ki最优值为0.15468，kd最优值为0.47132，最佳目标函数值为9665。
[0091]
(6)最后利用基于改进蝴蝶算法搜索到的选矿厂磨机pid控制器k
p
，ki和kd参数的最优值实时控制磨机的给料量，实现选矿厂磨机给料的最优化。
[0092]
从图6可以看出改进蝴蝶算法的收敛速度较快，在迭代次数为5左右就可以搜索到最佳目标函数值，搜索到选矿厂磨机pid控制器k
p
，ki和kd参数的最优值。从图7可以看出，规定磨机的给料量为30，使用改进蝴蝶算法搜索到的k
p
，ki和kd参数的最优值对磨机pid控制器进行控制，可以使得磨机的给料量精确地达到10，使得pid控制器对选矿厂磨机的给料量达到了精确控制。
[0093]
实施例4：参见图1，以传递函数为的磨机pid控制器为例，利用python软件编程，使用改进蝴蝶算法对选矿厂磨机pid控制器进行优化，采用的方法和具体步骤如下：
[0094]
(1)蝴蝶算法参数设置：对蝴蝶算法的参数进行设置，设置蝴蝶种群规模m＝20、种群空间维数n＝3、最大迭代次数t
max
＝20，产生范围为[0,1]的均匀分布的随机数r，利用公式自适应更新转移概率p，感觉模态c＝0.01，香味浓度的指数a＝0.1；
[0095]
(2)蝴蝶个体初始化：将pid控制器的三个参数k
p
，ki和kd作为蝴蝶个体，进行蝴蝶个体初始化；
[0096]
(3)计算蝴蝶个体的目标函数值，对目标函数值进行排列，找出目标函数值最佳的蝴蝶个体；
[0097]
(4)计算蝴蝶的香味系数：通过公式f＝cia计算蝴蝶个体的香味系数，其中f为香味系数，c为感觉模态，i为香味浓度，a为香味浓度的指数；
[0098]
(5)求磨机给料pid控制器的三个k
p
，ki和kd参数的最优值时，需要比较随机数r和转移概率p的值，需要不断迭代完成以下步骤：
[0099]
(a)若r＜p，则蝴蝶个体进行全局搜索
[0100]
向着种群中随机的多只蝴蝶飞行：
[0101][0102]
其中为在迭代次数为t+1时第i只蝴蝶个体对应的位置，为在迭代次数为t时第i只蝴蝶个体对应的位置，r为[0,1]内均匀分布的随机数，g为蝴蝶种群中目标函数值最佳的蝴蝶位置，f为香味系数。
[0103]
(b)若r≥p，则蝴蝶个体进行局部搜索
[0104]
蝴蝶个体随机移动：
[0105][0106]
其中为在迭代次数为t+1时第i只蝴蝶个体对应的位置，为在迭代次数为t时第i只蝴蝶个体对应的位置，为在迭代次数为t时第j只蝴蝶个体对应的位置，为在迭代次数为t时第k只蝴蝶个体对应的位置，r为[0,1]内均匀分布的随机数，g为蝴蝶种群中目标函数值最佳的蝴蝶位置，f为香味系数。
[0107]
(c)计算蝴蝶个体的目标函数值，对目标函数值进行排列，找出目标函数值最佳的蝴蝶个体；
[0108]
(d)判断当前迭代次数是否等于最大迭代次数t
max
，如果不等于则根据随机数r和转移概率p值比较的结果，不断重复(a)和(c)或(b)和(c)20次，直到迭代次数等于最大迭代次数t
max
为止循环结束，输出选矿厂磨机pid控制器k
p
，ki和kd参数的最优值，搜索到的k
p
最优值为5，ki最优值为0.16026，kd最优值为0.49777，最佳目标函数值为6750。
[0109]
(6)最后利用基于改进蝴蝶算法搜索到的选矿厂磨机pid控制器k
p
，ki和kd参数的最优值实时控制磨机的给料量，实现选矿厂磨机给料的最优化。
[0110]
从图8可以看出改进蝴蝶算法的收敛速度较快，在迭代次数为5左右就可以搜索到最佳目标函数值，搜索到选矿厂磨机pid控制器k
p
，ki和kd参数的最优值。从图9可以看出，规定磨机的给料量为25，使用改进蝴蝶算法搜索到的k
p
，ki和kd参数的最优值对磨机pid控制器进行控制，可以使得磨机的给料量精确地达到25，使得pid控制器对选矿厂磨机的给料量达到了精确控制。
[0111]
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

技术特征：
1.一种基于改进蝴蝶算法的选矿厂磨机pid控制器参数优化方法，其特征在于：所述方法首先将用于选矿厂磨机给料控制的pid控制器k
p
，k
i
和k
d
控制参数作为蝴蝶算法的蝴蝶个体，进行蝴蝶个体初始化，以pid控制器的传递函数作为算法的目标函数，计算每个蝴蝶个体的目标函数值，对目标函数值进行排列，找出全局最优值，计算蝴蝶的香味系数，产生随机数r，随着迭代次数的变化自适应更新转移概率p，若r＜p，则进行全局搜索；若r≥p，则进行局部搜索；计算每个蝴蝶个体的目标函数，通过多次迭代后，最后搜索到蝴蝶个体的最优位置，其中目标函数值最大的蝴蝶个体对应的位置就是选矿厂磨机pid控制器k
p
，k
i
和k
d
控制参数的最优值，实现选矿厂磨机的最优控制。2.根据权利要求1所述的基于改进蝴蝶算法的选矿厂磨机pid控制器参数优化方法，其特征在于：包括如下步骤：(1)蝴蝶算法参数设置：对蝴蝶算法的参数进行设置，设置蝴蝶种群规模m、种群空间维数n、最大迭代次数t
max
，产生范围为[0,1]的均匀分布的随机数r，利用公式自适应更新转移概率p，其中t为迭代次数，p(t)为t时的转移概率，t
max
为最大迭代次数；(2)蝴蝶个体初始化：将pid控制器的三个参数k
p
，k
i
和k
d
作为蝴蝶个体，进行蝴蝶个体初始化；(3)计算蝴蝶个体的目标函数值，对目标函数值进行排列，找出目标函数值最佳的蝴蝶个体；(4)计算蝴蝶的香味系数：通过公式f＝ci
a
计算蝴蝶个体的香味系数，其中f为香味系数，c为感觉模态，i为香味浓度，a为香味浓度的指数；(5)求磨机给料pid控制器的三个k
p
，k
i
和k
d
参数的最优值时，需要比较随机数r和转移概率p的值，需要不断迭代完成以下步骤：(a)若r＜p，则蝴蝶个体进行全局搜索；向着种群中随机的多只蝴蝶飞行：其中为在迭代次数为t+1时第i只蝴蝶个体对应的位置，为在迭代次数为t时第i只蝴蝶个体对应的位置，r为[0,1]内均匀分布的随机数，g为蝴蝶种群中目标函数值最佳的蝴蝶位置，f为香味系数；(b)若r≥p，则蝴蝶个体进行局部搜索；蝴蝶个体随机移动：其中为在迭代次数为t+1时第i只蝴蝶个体对应的位置，为在迭代次数为t时第i只蝴蝶个体对应的位置，为在迭代次数为t时第j只蝴蝶个体对应的位置，为在迭代次数为t时第k只蝴蝶个体对应的位置，r为[0,1]内均匀分布的随机数，g为蝴蝶种群中目标函数值最佳的蝴蝶位置，f为香味系数；
(c)计算蝴蝶个体的目标函数值，对目标函数值进行排列，找出目标函数值最佳的蝴蝶个体；(d)判断当前迭代次数是否等于最大迭代次数t
max
，如果不等于则根据随机数r和转移概率p值比较的结果，不断重复(a)和(c)或(b)和(c)，直到迭代次数等于最大迭代次数t
max
为止循环结束，输出目标函数值最佳蝴蝶个体的位置和适应度函数值，最佳蝴蝶个体所在的位置即为选矿厂磨机pid控制器k
p
，k
i
和k
d
参数的最优值；(6)利用基于改进蝴蝶算法搜索到的选矿厂磨机pid控制器k
p
，k
i
和k
d
参数的最优值实时控制磨机的给料量，实现选矿厂磨机给料的最优化。3.根据权利要求2所述的基于改进蝴蝶算法的选矿厂磨机pid控制器参数优化方法，其特征在于：最大迭代次数t
max
范围为[20,50]，蝴蝶种群规模m为[20,40]，种群空间维数n为3。4.根据权利要求2所述的基于改进蝴蝶算法的选矿厂磨机pid控制器参数优化方法，其特征在于：步骤(4)中感觉模态c＝0.01，香味浓度的指数a＝0.1。

技术总结
本发明涉及一种基于改进蝴蝶算法的选矿厂磨机PID控制器参数优化方法，首先将用于选矿厂磨机给料控制的PID控制器K


技术研发人员：黄斌 和丽芳 黄宋魏 杨社平 田妞 陈永春 丰奇成
受保护的技术使用者：昆明理工大学
技术研发日：2023.04.27
技术公布日：2023/8/6