基于最大-最小蚂蚁系统的PID参数整定

PID参数是影响PID控制器控制效果的重要参数。本文提出一种基于最大-最小蚂蚁系统(MMAS)进行PID参数整定的新型算法MPID,并给出了MPID算法的具体实现步骤。实验仿真表明,MPID算法与基于遗传算法、基本蚁群算法的PID整定方法相比,优化效果有明显改善,说明了该算法的可行性和优越性。     

基于蚁群算法自整定PID的风电系统最大风能追踪研究

针对风力发电系统处于欠功率阶段时,风能利用系数须保持在最大值的问题,以欠功率阶段的最大风能追踪为研究重点,对风力机捕获风能的过程进行理论分析,提出了一种基于蚁群算法自整定PID的最大风能追踪控制策略,利用蚁群算法的全局优化能力优化PID的3个参数,给出了该算法的基本思想以及具体实现步骤,设计了蚁群算法自整定PID控制器,搭建了系统仿真图,并对其进行相应的仿真分析;仿真结果表明,与传统的PID控制策略相比,该控制策略使控制系统具有良好的动态响应能力,提高了风电系统的控制精度、风能利用率、输出功率,实现了机组的优化运行.     

非线性系统的蚁群优化预测PID控制

针对非线性、时变及大惯性系统的控制问题,提出了一种基于蚁群算法的预测PID控制算法。该算法以神经网络作为预测模型,将预测控制和PID控制相结合,并用蚁群算法在线优化控制器参数,其中以常规的Ziegler-N ichols方法整定的控制器参数为基础,选取蚁群优化变量的动态搜索区间。该算法考虑了控制能量受限情况下,非线性系统的预测控制问题。计算机仿真结果表明,该非线性控制方案具有较好的鲁棒性,相对传统PID控制策略还表现出了良好的动态性能,能够满足对再热汽温对象的控制要求。     

改进蚁群算法优化PID控制器参数及其应用(英文)

绝大多数工业工程控制仍然使用PID控制器,但由于它不易获得精确的数学模型和其非线性时变系统的性质,传统PID控制难以获得良好的控制品质、难以满足精确的控制要求。为了使PID控制器达到理想的控制效果,提出了一种基于改进蚁群算法的PID参数优化整定算法。该算法采用了信息素挥发系数和信息素强度自适应调整机制和动态更新策略,用以加速优化算法的收敛。该算法简单易行,更容易找到全局最优解,优化效率和性能明显提高。仿真实验结果表明,同现有的优化算法整定的结果比较,被控系统的超调量、调整时间等明显减少,动态特性、鲁棒性和稳定性等明显提高,进而验证了所设计算法的可行性和优越性。     

基于蚁群算法的PID控制器智能优化

PID控制由于算法简单，鲁棒性好在过程控制中获得了广泛的应用，但是经典的Z-N算法整定的PID参数却并不是最佳的。蚁群算法是一种新型的优化算法，具有收敛速度快、鲁棒性强的优点。本文介绍了蚁群算法的数学模型，针对某个线性系统设计了基于蚁群算法的智能PID控制器，仿真表明智能PID控制器具有良好的控制性能。     

一种新型自适应复合控制器在锂电池充电系统中的应用

为了解决锂电池充电系统的不确定性和参数整定困难的问题,本文提出了一种基于蚁群算法优化的模糊＋变论域模糊PID复合控制器的新方法。该控制器在系统波动频繁时,采用模糊控制使其具有最优的动态性能;当系统进入稳定阶段,采用PID参数自适应的变论域模糊控制以提高准确度。而用蚁群算法对PID参数值进行离线优化,并将优化后的值作为在线调节的初值,使系统更加稳定。将提出的复合控制策略应用于锂电池充电控制系统中。仿真结果表明,该系统具有良好的抗干扰性和鲁棒性。     

基于蚁群算法的航空发动机PID参数优化

提出一种基于蚁群算法的PID参数优化控制算法,对航空发动机的双变量解耦控制方法进行了研究.蚁群算法采用分布式并行计算机制,易于与PID控制方法结合,优化后的控制器克服了传统的PID控制参数不易整定的缺点,且控制器结构简单规范、动态和静态性能良好,具有较强的鲁棒性.仿真结果表明该控制系统实现了解耦控制,对航空发动机模型参数在大范围内的变化均有良好的控制效果.     

混沌乌燕鸥算法优化发动机参数自整定PID控制

针对传统PID参数整定存在的问题,结合混沌乌燕鸥优化算法（Chaos Sooty Tern Optimization Algorithm, CSTOA）良好的搜索性能,提出了一种基于混沌乌燕鸥优化算法的航空发动机参数自整定PID控制方法（CSTOA-PID）。首先通过引入混沌映射的思路,改进了乌燕鸥优化算法（Sooty Tern Optimization Algorithm, STOA）。接着设计了性能指标加权的适应度函数,用来避免发动机供油量极大超调与急剧供油现象。最后对某型涡扇发动机的数学模型进行仿真验证,结果表明：在地面状态下,经CSTOA-PID控制器优化后的PID参数分别为4.31878、14、0.214426。CSTOA-PID控制器的参数整定效果都好于STOA-PID控制器和PID控制器,转速阶跃响应反应迅速,同时供油量出现的超调最小,证明了该方法的有效性和可行性。     

基于蚁群算法的六自由度并联平台控制参数优化

由于PID控制具有高度的非线性、时变不确定性等特点,因此控制过程较为复杂。针对PID控制的关键问题——PID参数整定,设计了一套基于蚁群算法的PID参数优化系统。对六自由度并联平台控制参数优化进行了研究。蚁群算法是一种寻优简单、鲁棒性强、效率高的寻优方法。该算法可根据蚁群信息素反馈载体确定决策点。为了规划蚁群活动的行为方向,需要根据相应的信息素更新规则,对每只蚂蚁个体进行信息素的增量构建,以达到优化PID控制器三个参数的目的,进而消除系统参数不确定性对控制系统的影响。详细阐述了基于蚁群算法的六自由度并联平台的电液伺服PID控制参数优化。理论分析和实例仿真研究表明,提出的优化策略是有效、可行的。该方案不但降低了设计的难度,而且提高了控制系统设计的品质,在控制工程领域中有着十分广阔的应用前景。     

基于粒子群优化算法对PID参数的优化整定

本文首先介绍了PID控制器,在此基础上提出了一种基于智能群算法对PID控制器的比例、积分、微分三个参数进行优化整定的改进PSO算法,并利用Mat lab对PID工业控制器进行模拟仿真,利用仿真曲线进行直观的对比。通过与标准PSO优化算法及常规的Z-N整定法的比较,结果表明基于改进PSO算法对PID的整定方法不仅能快速的从全局搜索出优化的整定参数,而且也能够大大地提升整定效果。实验结果也表明该算法具体良好的收敛速度和稳定性,是一种具有高控制精度、高稳定性和快速性的PID整定算法。     

ACOCS:一种云环境下资源调度混合算法

蚁群算法在优化组合问题中有着重要的意义,传统的蚁群调度算法搜索速度慢、容易陷入局部最优。针对这种情况,结合布谷鸟搜索算法,提出一种基于蚁群算法与布谷鸟搜索算法的混合算法(ACOCS),用于云环境下的资源调度。该方法有效保留了蚁群算法求解精度高和鲁棒性的特性,并融入了布谷鸟搜索具有快速全局搜索能力的优势。仿真实验结果表明,提出的ACOCS调度算法有效减少了调度所需的响应时间,也在一定程度上提高了系统资源利用率。     

基于蚁群算法的分布多处理机系统任务调度研究

本文主要基于现代蚁群算法讨论分布式系统调度。蚁群算法是一种构造型启发算法,在离散优化问题中得到广泛应用。分布式系统调度属于NP-hard,为了提高算法性能,把问题任务图的优先级作为启发信息。最后,采用随机产生的任务图将调度结果和模拟退火算法、遗传算法等进行了比较。     

基于改进蚁群算法的物流配送路径问题研究

针对蚁群算法求解物流配送路径问题易陷入早熟、停滞、局部最优的缺点,提出了混沌、变异与最大最小蚂蚁算法相融合的改进蚁群算法。在仿真实验中,分别采用最大最小蚂蚁算法、加入混沌的最大最小蚂蚁算法、加入变异的最大最小蚂蚁算法、加入混沌和变异的最大最小蚂蚁算法对物流配送路径问题进行求解。实验结果表明,加入混沌和变异的最大最小蚂蚁算法能够有效提高蚁群算法的全局寻优能力,对物流配送路径问题的求解能够得出比较好的结果。     

蚁群聚类组合方法参数M的研究

蚁群算法中参数在不同取值情况下,常常会对算法的性能和求解效率产生重大影响。该文在基于蚁群聚类组合方法的研究基础上,重点研究了蚁群聚类组合方法KMAOC算法中蚁群算法参数蚂蚁数m对KMAOC算法性能的影响,对KMAOC算法中的参数蚂蚁数m分别取值进行实验,通过几组实验验证提供了KMAOC算法中参数蚂蚁数m配置的较好建议。     

混沌扰动模拟退火蚁群算法低碳物流路径优化

低碳物流是目前物流配送领域的热点研究课题,也是群体智能优化算法的重要应用方向。针对物流配送中碳排放的度量方法,以VRP问题为基本模型,以碳排放成本为目标函数,建立了低碳物流配送路径优化模型。为了避免基本蚁群算法出现停滞及早熟现象,提出了带混沌扰动的模拟退火蚁群算法来求解低碳物流配送路径优化模型。该算法将混沌系统及模拟退火机制引入基本蚁群算法,避免了算法陷入局部最优,增强了全局搜索能力,提高了求解效率。通过实验仿真及对比分析可知,带混沌扰动的模拟退火蚁群算法的求解结果明显优于基本蚁群算法,表明了该算法的有效性和合理性。     

基于模拟退火的蚁群算法求解Job-Shop问题

引用蚁群算法来解决Job-Shop问题(简称JSP),但是由于蚁群算法本身的原理和Job-Shop问题之间的差异性,使得用基本的蚁群算法来解决Job-Shop问题存在一些缺陷.从蚁群算法的改进入手,采用了不同策略的信息素更新方法,并采用模拟退火算法对搜索到的解进行处理,不仅加快了算法的收敛速度,而且能收敛到更好的解,最后用实例对算法的有效性进行了验证.     

基于量子蚁群算法的网格任务调度研究

任务调度策略是网格计算的核心问题。在系统任务调度和资源分配中,提出一种基于量子蚁群算法的任务调度策略。算法将量子计算与蚁群算法相融合,通过对蚁群进行量子化编码并采用量子旋转门及非门操作,实现对任务自适应启发式的分配和优化。算法有效增强了种群的多样性、克服了遗传算法和蚁群算法的早熟收敛和退化现象。仿真实验中,分别与基于遗传算法和基于蚁群算法的任务调度策略相对比,结果表明算法有效缩短了任务调度的时间跨度,增强了网格系统的性能。     

基于改进型蚁群系统的多约束电路路由算法

分析现有路由算法的缺点,对蚁群系统工作模型和传送网多约束电路路由选择原则进行描述,指出传统蚁群系统在解决多约束路由选择问题中的不足,改进了传统蚁群系统。阐述采用改进后的蚁群系统的多约束电路路由选择算法过程,用实例验证了算法的有效性。     

基于蚁群算法的软件测试数据自动生成

提出了一种基于蚁群算法的测试数据自动生成方法。该方法采用位串形式编码,实现了被测程序输入空间到蚂蚁路径网络的映射模型。根据程序插装函数定义的路径信息素轨迹强度,蚂蚁进行群体协作搜索最佳路径,生成测试数据。在基本蚁群算法基础上,通过引入变异算子和自适应挥发系数,提高了蚂蚁路径的多样性,克服了早熟停滞的缺陷。和模拟退火遗传算法进行了对比实验研究,结果表明了该方法的可行性,生成测试数据的效率优于模拟退火遗传算法。     

蚁群算法在油库发油PID控制中的应用

针对目前油库定量发油过程具有非线性、滞后性等特点,常规PID控制难以达到预期的控制精度,提出一种蚁群算法优化PID参数的控制方案。在PID发油控制系统的基础上引入蚁群算法,通过蚁群迭代寻优的方式优化PID控制参数,从而实现油库发油的稳定性。在控制系统中,采用S7-1200 PLC为控制器,通过SCL语言实现算法,PID参数基于蚁群算法动态优化。实验表明,所提出的方法较PID参数Z-N整定法更具实用性和有效性,超调量减少58%,能够使发油控制更加稳定。