改进微粒群算法优化PID参数的研究

微粒群算法是一种新的随机优化算法,算法通过微粒间相互作用发现复杂搜索空间中的最优区域,该算法具有搜索速度快、寻优能力强、算法简单等特点,但也存在普遍的缺点。本文基于微粒群算法容易陷入局部极值和收敛速度慢的缺点,提出一种新的改进算法,介绍了将改进微粒群算法用于PID控制器参数优化的方法,算法实现流程,并结合Matlab强大Simulink系统仿真功能证明了改进算法的有效性,其性能优于经验公式和遗传算法。     

基于改进量子进化算法的PID参数优化

PID控制器是一类广泛使用的控制器,其参数优化决定了控制器的性能。提出了一种基于改进量子进化算法的PID控制参数优化方法。在该算法中量子个体的每位量子比特都可以向不同的目标学习,实现了量子个体之间信息的充分交换,一方面保证了算法的收敛性,另一方面保证了算法的探索能力,有效提高了算法的优化性能。将该方法用于PID控制器参数优化,与其他优化算法的仿真结果比较表明,该方法能获取更好的控制效果,验证了该方法的有效性。     

基于连续空间的萤火虫算法改进

针对萤火虫算法在全局寻优过程中求解精度差,且容易陷入局部最优的问题,文中提出了一种优化的萤火虫算法.采用离散-连续的方法将传统萤火虫算法的空间连续化,在传统萤火虫算法的基础上定义新的吸引度计算式以及相应的更新策略,实现待求的离散问题的空间连续化,改善萤火虫单体相应的移动方式.实验仿真结果证明了该改进算法的有效性.文中对...     

求解TSP问题的离散型萤火虫群优化算法

基于求解TSP问题,提出一种离散型萤火虫群优化(DGSO)算法,该算法结合TSP问题特点,给出一种有效编码和解码方法,并定义适合编码的个体间距离计算公式和编码更新公式.同时,为增强算法求解TSP问题的局部搜索能力,加快算法的收敛速度,算法使用了操作简单的2-Opt优化算子.最后,通过对10个TSP问题进行仿真实验,实验结果表明本文提出的算法是在种群规模较小,迭代次数较少的情况下就可以收敛到已知最优解.在大规模TSP算例中算法获得的最优值与理论最优值的误差也在1%以下.     

基于改进萤火虫算法的WSN覆盖优化

针对无线传感器网络节点部署不均所导致的网络覆盖率较低问题,以无线传感器网络覆盖率最大化为目标,提出一种基于改进萤火虫算法(IFA)的网络覆盖优化方法。该方法运用佳点集方法初始化种群,提高种群的多样性,奠定全局搜索基础;利用具有非线性指数递减的变形Sigmoid函数作为惯性权重,平衡算法的全局搜索和局部开发能力;采用高斯扰动策略对个体位置扰动更新,避免算法早熟。仿真结果表明,该算法与人工鱼群算法(AFSA)、种子杂交粒子群算法(HSPSO)和混沌萤火虫算法(CGSO)相比,能有效提高网络覆盖率,使节点部署分布更均匀。     

基于量子粒子群算法的PID参数自整定方法

PID控制在工业生产中应用非常广泛.以直流电机模型为被控对象,提出了基于量子粒子群算法的PID参数自动整定方法.应用经典的Ziegler-Nichols方法整定PID参数,被控对象性超调大往往难以满足要求.粒子群算法是通过模拟鸟群觅食过程中的迁徙和群聚行为而提出的一种基于群体智能的全局随机搜索算法.将量子粒子群算法用于优化PID参数,并与Z-N法整定的PID控制器性能进行对比.仿真结果发现,与Z-N法相比,基于粒子群算法优化的PID控制器,系统超调明显减小.除QPSO-PID(ITSE)对应的系统具有较长调节时间外,虽然应用不同优化目标优化后的PID参数不同,控制对象的响应性能却非常相似.     

改进粒子群算法在四旋翼PID参数优化中的应用

采用试凑方式对四旋翼飞行器PID控制参数人工进行调整工作量大、费时且难以达到较好的控制效果。为了解决控制参数优化问题,提出基于带交叉因子的粒子群算法(PSO)的PID参数优化策略。将带交叉因子的粒子群算法能快速准确找到最优参数解的特点与PID控制结合起来,在控制过程中将PID参数作为粒子群中的粒子,用遗传算法对粒子进行选择、保优、交叉,以ITAE准则作为误差性能指标,用粒子群算法调整PID参数,得出最优的粒子作为四旋翼飞行器的PID控制器参数。仿真结果显示,该方法具有更强的灵活性、适应性和鲁棒性,并能提高控制系统的精度,具有很好的工程应用价值。     

利用SIMULINK和优化工具箱实现PID参数优化

主要讨论了PID控制器参数优化问题。通过利用系统仿真模块与优化目标函数模块的结合，建立了SIMULINK模型，并利用优化工具箱方便地实现PID参数优化，从而提出了一种实现PID参数优化的新方法。仿真实验结果表明该方法简单、效果理想并且可靠性高。     

基于智能算法的机械加工参数优化方法研究

将BP神经网络预测模型应用于电火花加工参数优化方法中,从而针对不同的加工工艺要求预测出最佳的脉冲间隔t0和宽度t1以及峰值电流ie组合。由于常规的BP神经网络存在容易陷入极小值以及学习速率低等缺点,而常规GA优化算法存在容易陷入局部最优解、容易早熟等问题,提出一种对GA算法的染色体结构和遗传算子进行改进并引入自适应交叉和变异概率优化BP神经网络结构参数的改进型GA-BP神经网络算法。最后通过实验,对电火花加工参数优化模型性能进行评价,与常规GA-BP神经网络算法建立的参数优化模型相比,提出的参数优化模型的预测结果更加接近真实值,预测的平均准确率达到96.13%,高于常规GA-BP神经网络算法建立预测模型5.2%。     

基于遗传算法的PID控制参数整定研究

PID控制作为一种经典的控制方法被广泛应用于工业控制中,是实际工业生产过程正常运行的基本保障。随着计算机技术的发展和人工智能技术的出现,PID控制器参数整定不再只是传统整定,而出现了多种新的PID控制器参数整定方法。文章通过深入研究PID控制理论,罗列和分析了传统PID参数整定技术,最终利用遗传算法完成PID多参数智能整定,从而保证PID控制器的无超调、稳定、快速的完美控制。     

基于BAS算法优化的感应电机参数估计

为了提高感应电机系统参数估计与状态监测的准确性和效率,针对感应电机非线性、强耦合、参数易时变的特性,引入带外部输入的非线性自回归(NARX)神经网络时序预测模型。针对传统NARX神经网络初值依赖和收敛速度慢的问题,利用天牛须搜索算法(BAS)对神经网络预测模型进行参数寻优,提高神经网络的收敛速度和预测精度。实验结果表明,该方法能够以较简单的网络结构高效、准确、稳定地预测估计电机参数。     

基于萤火虫最优偏差的红外目标检测算法

为了提高红外目标检测的性能,借鉴萤火虫算法,提出了一种基于萤火虫最优偏差的红外目标检测算法。算法首先建立红外目标检测模型,通过红外拍摄系统对目标像点定位,将检测目标的光强分布看成高斯分布函数,利用质心窗口采集图像;以红外点目标成像的艾里斑能量分布做为萤火虫适应度函数,利用差分迭代对红外目标进行检测寻优;通过控制最优偏差估计的检测误差来优化检测目标。最后实验仿真显示本文算法能够检测出红外目标区域,相比其他算法边缘定位更准确,同时检测效率较高。     

基于遗传算法的烧结配料优化方法

配料是烧结的基础,烧结配料效果的好坏直接影响到企业的生产效益。传统的烧结配料试算模型存在配料成分不稳定,配料成本高等诸多弊端,本文介绍了利用遗传算法进行烧结优化配料的方法,将优化方案应用到实际生产中取得明显的经济效益。     

基于概率分布的相机内参优化方法

相机参数的准确性决定后续视觉任务的实现结果,为了提高相机校准的准确性,提出一种基于概率分布异常值去除和信息增益的内参确定方法。首先用一个摄像机对某个确定规格的棋盘图获取一组图片集,从图片集中随机选取一定数量的图片,使用张氏标定法做N组标定实验;然后将标定结果集按照其服从的概率分布进行异常值去除,将剩余的数据集中各个内参因素值分为3类,并且选择当前根节点下信息增益最大的参数类为最优节点,即以信息增益最大为主线选择最优路线;最后通过对最优路线中标定精度较高的结果集使用中值来估计相机参数。实验结果证明该方法与原始方法比较,提高了准确性。     

基于改进PSO的变流器控制参数优化方法

粒子群优化(PSO)算法在优化具有非连续特性的变流器控制参数时,因粒子多样性的减少与缺少跳出局部优值区域的机制,容易陷入局部最优值。为了解决上述问题,该文提出具有多群体和多速度更新方式的改进PSO(MMPSO)。以不同控制方式的单相逆变系统为研究对象,选取由总谐波畸变率(THD)和误差绝对值积分(IAE)组成的优化目标函数,并建立MMPSO的变流器优化模型。实验结果对比表明,MMPSO算法优化效率高,且收敛速度快。     

一种改进的PID参数整定方法

当使用先进策略整定PID控制器参数时,往往要依赖于系统所辨识的对象模型。为了降低对系统模型的依赖性,提出了一种基于同时扰动随机逼近的在线、无模型的参数整定方法。算法的核心思想是利用高效的同时扰动技术对PID控制器性能指标函数的梯度进行估计,并利用随机逼近技术对PID的三个参数进行在线调整。仿真结果验证了该方法的有效性。     

基于人工蜂群算法的支持向量机参数优化及应用

为了解决常用的支持向量机(SVM)参数优化方法在寻优过程不同程度的陷入局部最优解的问题,提出一种基于人工蜂群(ABC)算法的SVM参数优化方法。将SVM的惩罚因子和核函数参数作为食物源位置,分类正确率作为适应度,利用ABC算法寻找适应度最高的食物源位置。利用4个标准数据集,将其与遗传(GA)算法、蚁群(ACO)算法、标准粒子群(PSO)算法优化的SVM进行性能比较,结果表明,本文方法能克服局部最优解,获得更高的分类正确率,并在小数目分类问题上有效降低运行时间。将本文方法运用到计算机笔迹鉴别,对提取的笔迹特征进行分类,与GA算法、ACO算法、PSO算法优化的SVM相比,得到了更高的分类正确率。     

FA-Criminisi快速图像修复

在经典Criminisi图像修复算法框架的基础上,针对优先权可靠性低和全局搜索最佳模板效率低、错误匹配率大的缺点进行改进。改进的算法为基于萤火虫算法(FA)的快速Criminisi图像修复算法。首先从数学的角度引入正规化函数至置信度,以此提升优先权计算的可靠性;然后引入FA到最佳模板的搜索与填充中,能够有效地将全局搜索与局部搜索有效地结合,鲁棒性较高,提高效率且错误匹配率低。实验结果表明:采用本文的改进算法能在保证修复质量的基础上降低时耗,提高效率。