非线性PID控制器参数优化方法

分析了非线性PID控制器各部分参数对于误差的理想变化过程,构造出一种非线性PID控制器;整定参数较多时,传统的参数优化方法容易产生振荡和较大的超调量,在分析量子粒子群算法（QPSO）的基础上,引入了随机选择最优个体的思想,提出使用改进的量子粒子群算法（GQPSO）优化非线性PID控制器参数。将改进量子粒子群算法与量子粒子群算法、粒子群算法通过benchmark测试函数进行了比较。最后,通过典型传递函数实例,分别使用Z-N、PSO、QPSO方法和改进的量子粒子群算法进行了PID控制器参数优化设计,并对结果进行了分析。     

一种改进的双转式永磁无刷直流电动机PSO优化控制方法

研究了使用改进的PSO(Particle swarm optimization,粒子群优化)算法与PID控制器相结合实现对双转式永磁无刷直流电动机(PMBLDCM)进行控制的方法;针对传统PID调节器控制精度不高和鲁棒性差的缺点,提出了一种结合PSO优化算法和传统PID控制的新控制器;首先建立PMBLDCM的动力学模型,通过引入改进的PSO优化算法,提出了一种使用PSO优化PID控制器参数的模型,并定义了使用PSO优化PID控制器3个比例参数的具体算法;最后,使用Matlab/Simulink对PMBLDCM控制实例进行了仿真;空载和负载两种情况下的仿真结果表明:新的控制方法克服了PID控制器的不足,具有控制精度高、响应速度快、速度跟随准确等优点。     

多量子粒子群协同优化算法研究

针对标准粒子群优化（PSO）算法及其改进算法存在的局部收敛与收敛速度问题,提出了一种多量子粒子群协同优化（QPSCO）方法。该算法采用双层的多粒子群协同优化结构：用多个量子粒子群在底层独立地搜索解空间,同时引入参数变异策略,以扩大搜索范围;上层用1个量子粒子群追逐当前全局最优解,并对飞离搜索区域粒子的位置用新位置取代,以加快算法收敛。在此基础上,将该算法应用于实际控制系统低阶时滞对象的PID控制器设计中。仿真结果表明,QPSCO是一种有效的参数优化算法,与标准PSO、QPSO等算法相比具有更好的全局收敛性能。     

利用改进微粒群算法优化PID参数

提出一种利用改进微粒群算法优化PID参数的方法。微粒群算法(PSO)是一种随机全局优化技术，算法通过微粒间的相互作用发现复杂搜索空间中的最优区域，算法简单、容易实现且功能强大。将PSO算法加以改进并应用在PID控制器的参数优化，经仿真证明了PSO算法的有效性，其性能优于遗传算法和传统的经验公式。     

改进粒子群优化算法在PID参数整定中的研究

针对粒子群优化算法（PSO）容易出现早熟收敛的问题,提出一种改进的粒子群优化算法（IMPSO）。该算法通过引入粒子群聚合度和变异的思想,能很好避免早熟,提高粒子全局搜索能力。将此改进的粒子群优化算法用于PID控制器的参数整定,具有操作简单,寻优快速等优点。     

改进PSO算法在主汽温系统PID参数优化中的应用

提出了一种基于改进的粒子群优化（PSO）算法的PID控制器参数整定方法。通过对粒子赋予不同的初始惯性权重,较好地协调了粒子的全局与局部搜索能力。通过对具有严重参数不确定性、多扰动以及大迟延的电厂主汽温被控对象的仿真研究,结果表明：改进的粒子群算法在保证PID控制稳定性基础上提高了PID控制的精度,且编码简单,易于实现,具有较好的应用前景。     

改进粒子群算法整定PID参数研究

PID控制器的性能取决于其控制参数的组合,针对其参数的整定和优化问题,提出了应用一种改进的粒子群优化算法,该算法借鉴了遗传算法的杂交机制,并采用惯性权值的非线性递减策略,用以加速算法的收敛速度和提高粒子的搜索能力。将该算法应用于一个二阶系统的PID控制器参数的优化。仿真结果表明该改进的粒子群算法具有比传统粒子群算法和遗传算法更好的优化效果,具有一定的工程应用前景。     

基于粒子群优化的桥式起重机模糊PID控制

由于桥式起重机调速系统具有非线性特点,采用传统PID控制效果不佳,而模糊控制却能很好地改善非线性系统的性能,因此将二者相结合设计出了桥式起重机的模糊PID控制器。同时为了进一步改善控制器的性能,利用粒子群算法（PSO）的寻优特性对其参数进行优化,并通过 Matlab仿真与优化前的控制器以及传统 PID控制器进行对比,结果表明,采用粒子群算法优化后的模糊PID控制器动态性能更佳,具有超调小、调节时间短、适应性强的优点。     

基于改进粒子群算法的PID参数优化与仿真

提出了一种基于改进的粒子群优化（PSO）算法的PID控制器参数整定方法。该方法采用了PSO的惯性权值自适应调整机制和粒子种群的动态更新策略，用以加速优化算法的收敛和维持群体的多样性。与常规的PSO算法相比，该方法简单易行，更容易找到全局最优解，优化效率和性能明显提高。将该算法应用非最小相位、一阶滞后等系统的PID控制器参数的优化，能够使控制系统获得较好的动态特性和很强的鲁棒性。仿真实验表明了所提出算法的有效性和优越性。     

改进QPSO算法的移动机器人轨迹跟踪控制方法

分析了智能群体的决策机制,发现在智能群体决策过程中,个体粒子参与决策的权利根据个体的优劣程度是不同的,提出了在量子粒子群优化（QPSO）算法中引入线性权重算子进一步提高QPSO算法的搜索效率及优化性能。分析了移动机器人轨迹跟踪控制的滑模变结构控制器设计方法,并采用指数趋近律和幂次趋近律相结合的方法,设计了新的滑模跟踪控制律,使用PSO算法、QPSO算法和改进算法优化了滑模跟踪控制器中的参数,通过两个实例验证了优化后的跟踪控制器的设计效果;设计效果的分析和比较表明了设计的跟踪控制器能够控制机器人实现对既定轨迹的跟踪,仿真结果显示改进QPSO算法能够在轨迹跟踪控制器的参数优化中取得更好的优化效果。     

混沌量子粒子群算法在模型修正中的应用

混沌粒子群算法和量子粒子群算法在一定程度上改进了标准粒子群算法的搜索质量,但两者仍存在收敛速度慢、易陷入局部极小等问题。混沌量子粒子群算法将混沌搜索机制引入量子粒子群算法,提高了搜索效率和计算质量。用粒子群算法、混沌粒子群算法、量子粒子群算法和混沌量子粒子群算法对一平板结构进行模型修正,结果表明,混沌量子粒子群算法具有较高的搜索效率和避免陷入局部最优的能力,修正后的模型比单独采用混沌或者量子粒子群算法具有更高的修正精度。     

关于多处理机调度问题的量子粒子群算法研究

对多处理机调度问题建立数学模型,提出了将量子计算和粒子群算法相结合的方法来解决这类调度问题,该方法不仅寻优速度快,而且提高了进化后期算法的收敛精度。通过对比测试,体现了量子粒子群算法的有效性。     

基于量子粒子群算法的多方法协作优化方法

介绍粒子群算法和具有量子行为的粒子群优化算法QPSO(Quantum-behaved Particle Swarm Optimization).针对QPSO在处理高维复杂函数时存在的收敛速度慢、易陷入局部极小等问题,提出了基于QPSO算法的多方法协作优化算法,将QPSO算法与进化规划EP(Evolutionary Programming)算法协作.实验结果表明,改进算法在收敛性和取得最优值方面优于PSO算法和QPSO算法.     

应用QPSO算法求解二维热传导反问题

热传导反问题在国内研究起步较晚,研究方法有很多,但通常方法很难较好地接近全局最优。在经典的微粒群优化算法(PSO)的基础上,通过研究基于量子行为的微粒群优化算法(QPSO)提出了应用基于量子行为的微粒群优化算法进行二维热传导参数优化,具体介绍依据目标函数如何利用上述的算法去寻找最优参数组合。在具体应用中为了提高算法的收敛性和稳定性对算法进行了改进,并进行了大量实验,结果显示在解决热传导反问题优化问题中,基于QPSO算法的性能优越,证明QPSO在热传导领域具有很大的实际应用价值。     

基于动态邻域的QPSO算法

为了保证种群的多样性,提高算法的全局搜索能力,在具有量子行为的粒子群优化算法（QPSO）中引入邻域拓扑结构的概念,采用邻域结构中的轮形结构,提出一种基于动态邻域的具有量子行为的粒子群优化算法（NQPSO）。并用若干个标准函数进行测试,比较了NQPSO算法与标准PSO（SPSO）和传统QPSO算法的性能。实验结果表明,NQPSO算法具有强的全局搜索能力,其性能优于其它两个算法,尤其体现在解决高维的优化问题上。     

随机选择最优个体的量子粒子群优化算法

在分析量子行为粒子群优化算法的基础上,针对算法后期粒子群体容易聚集到一个狭小搜索区域,群体多样性降低的问题,提出了在算法中引入随机选择最优个体的改进方法,提高算法搜索过程中粒子群体的多样性。将改进后的量子粒子群算法与量子粒子群算法、粒子群算法通过benchmark测试函数进行了比较,仿真结果表明改进后的算法更适合解决多峰类的优化问题。     

基于全局层次的自适应QPSO算法

阐明了具有量子行为的粒子群优化算法理论（QPSO）,并提出了一种基于全局领域的参数控制方法。在QPSO中引入多样性控制模型,使PSO系统成为一个开放式的进化粒子群,从而提出了自适应具有量子行为的粒子群优化算法（AQPSO）。最后,用若干个标准函数进行测试,比较了AQPSO算法与标准PSO（SPSO）和传统QPSO算法的性能。实验结果表明,AQPSO算法具有强的全局搜索能力,其性能优于其它两个算法,尤其体现在解决高维的优化问题。     

基于QPSO的图像融合算法的研究*

提出了一种基于量子行为的粒子群优化算法(QPSO)的图像融合方法.将图像融合问题归结为最优化问题,采用了QPSO算法进行优化.QPSO不仅参数个数少,其每一个迭代步的取样空间能覆盖整个解空间,因此能保证算法的全局收敛.与PSO算法和遗传算法进行了比较,证明了QPSO算法在图像融合中具有良好的效果.     

基于QPSO算法的RBF神经网络参数优化仿真研究

针对粒子群优化(PSO)算法搜索空间有限，容易陷入局部最优点的缺陷，提出一种以量子粒子群优化(QPSO)算法为基础的RBF神经网络训练算法，将RBF神经网络的参数组成一个多维向量，作为算法中的粒子进行进化，由此在可行解空间范围内搜索最优解。实例仿真表明，该学习算法相比于传统的学习算法计算简单，收敛速度快，并由于其算法模型的自身特性比基于PSO的学习算法具有更好的全局收敛性能。     

一种求解多峰函数优化问题的量子行为粒子群算法

介绍了一种利用量子行为粒子群算法（QPSO）求解多峰函数优化问题的方法。为此，在QPSO中引进一种物种形成策略，该方法根据群体微粒的相似度并行地分成子群体。每个子群体是围绕一个群体种子而建立的。对每个子群体通过QPSO算法进行最优搜索，从而保证每个峰值都有同等机会被找到，因此该方法具有良好的局部寻优特性。将基于物种形成的QPSO算法与粒子群算法(PSO)对多峰优化问题的结果进行比较。对几个重要的测试函数进行仿真实验结果证明，基于物种形成的QPSO算法可以尽可能多地找到峰值点，峰值收敛性能优于PSO。