（1）对权值和阈值编码生成初始种群，由于是多参数优化问题，采用多参数映射编码；
（2）计算适应度值；
（3）如果不满足遗传算法停止条件，则对当代种群进行交叉、选择和变异产生新的个体，转(2)；否则，转（4）；
（4）对遗传算法找到的较好的解空间，采用BP算法在这些小的解空间中搜索出最优解。
3.2 PID参数优化
由图5可知，神经网络根据系统的运行状态，通过在线调整PID的三个参数 Kp， Ki，Kd ，以达到某种性能指标的最优化。
图5 BP网络整定PID参数原理图
经典增量式PID的控制算法：
算法步骤：
(1)确定网络结构，采用3—4—3的结构，输入分别为 e(k)，e(k)-e(k-1)，e(k)-2e(k-1)+e(k-2) 。输出为 Kp， Ki，Kd 。
(2)选择初始种群N=60，交叉概率 Pc=0.08，权值，阈值的范围和初始化。选取目标函数为（偏差绝对值积分）：
，适应度函数为： 
，适应度函数为： (3)采样得到rin（k） 和yout（k） ，计算该时刻的误差。
(4)对网络进行学习，在线调整权值，阈值，计算神经网络的各层输入，输出，得到三个可调参数 Kp， Ki，Kd 。计算系统输出。
(5)计算适应度若不满足要求，转入第（3）步。
(6)找到最优的 Kp， Ki，Kd ，对系统仿真。
图6 BP网络整定的控制曲线
仿真结果显示，用BP神经网络整定的PID控制系统比经典的Z—N（临界比例度）法有更快的响应特性，良好的动态特性和比较强的鲁棒性。
4 结束语
由于神经网络具有自组织、自学习等优点，本文提出的优化的BP神经网络相结合的方法对控制器参数进行寻优，可根据对象的变化情况对控制器参数的在线调整，满足控制对象的动态特性随着环境变化而变化的要求。达到好的控制效果。遗传算法与BP网络的结合弥补了BP网络学习过程收敛速度慢，可能陷入局部级小的不足。
参考文献
[1] 王树青等编著. 工业过程控制工程[M]. 北京：化学工业出版社，2002
[2] 李士勇著. 模糊控制、神经控制和智能控制论[M]. 哈尔滨：哈尔并工业大学出版社，1996
[3] 胡志军，王建国，王鸿斌. 基于优化BP神经网络的PID控制研究与仿真[J]. 微电子学与计算机2006，23(12)：138—140
[4] 张文修著. 遗传算法的数学基础[M]. 西安：西安交通大学出版社，2003
[5] 韩力群著. 人工神经网络理论、设计及应用[M]. 北京：化学工业出版社，2002
[6] 赵文峰著. Matlab控制系统设计与仿真[M]. 西安：西安电子科技大学出版社，2003
基于池化架构的分布式并行计算网络系统的研究
池化负载均衡技术在证券网络系统中的研究与实现