一种改进式遗传算法优化分数阶PID控制器

为提高伺服控制系统的精度及响应速度.基于改进Oustaloup近似,采用改进式遗传算法对控制参数进行整定,提出了一种基于改进式遗传算法优化的分数阶PID控制器.在控制器的参数编码、适应度函数设计和进化机制选择上,引入竞争因子和优劣空间,选用自适应调节交叉概率和变异概率的方式,加快了优良子群的遗传进化,消除了传统遗传算法早熟和收敛性差等缺陷.将优化的整定结果应用到伺服系统模型中.通过时域性能仿真分析,结果表明:提出的改进式遗传算法分数阶控制器与传统PID控制器相比,具有更低的超调、更快的响应速度和更小的稳态误差,控制系统的动、静态性能显著优化,系统鲁棒性增强.     

基于遗传算法优化的神经网络PID控制器

提出了一种新的改进遗传算法优化的神经网络PID控制器。该方法设计了基于性能指标的适应度函数、自适应的交叉概率、变异概率,引入移民的遗传算法,从而有效地抑制了早熟和维持种群多样性,保证了得到的优化参数为最优参数。该方法为非线性被控对象的控制提供了一种最优参数控制器设计途径。仿真结果证明:利用改进遗传算法设计的控制紧闭环性能优越,鲁棒性强。     

基于改进量子遗传算法的超声电机模糊PID控制

针对超声电机非线性、时变性的特点,设计了模糊自整定PID控制器,并利用量子遗传算法对模糊自整定PID控制器参数进行优化,以提高系统的动态性能和适应性.针对传统量子遗传算法的不足,对编码方式、种群初始化、量子旋转门、量子变异以及增加量子灾变5个方面进行改进.仿真结果表明:改进量子遗传算法改善了传统量子遗传算法容易产生种群早熟的问题,提高了算法收敛性能.同时,基于改进量子遗传算法的模糊自整定PID控制器与经典的模糊自整定PID控制器相比,明显提高了超声电机系统的动态和稳态性能.     

基于遗传算法的异步电机调速系统PID参数优化

在对异步电机矢量控制系统分析的基础上,给出了参数优化设计的数学模型,采用了一种改进的遗传算法,并利用Matlab软件对PID参数进行了优化设计,得到了满意的优化参数.讨论了遗传算法的一些关键技术,如改进的二进制编码方法,基于惩罚项的适应度的计算,遗传算子的构造等.提出了用遗传算法优化异步电机调速系统PID参数的方法,并...     

基于自适应遗传算法的模糊控制器优化设计

改变传统的优化模糊控制器的方法,采用自适应遗传算法优化设计了一种控制效果较好的模糊控制器。在遗传算法改进方面,不以传统的定值常量作为交叉和变异概率,而是根据遗传算法本身计算出来的个体适应度来自适应的调节交叉和变异概率的大小,以克服采用定值常量作为交叉和变异概率所带来的早熟现象和效率相对较低的问题。仿真结果表明,改进的模糊控制器具有更好的控制效果。     

基于改进粒子群算法的约束隐式广义预测控制

针对大多数工业系统的控制输入输出都存在约束的情况,提出了一种基于改进粒子群算法的广义预测控制算法.广义预测控制算法采用隐式算法,用最小二乘法直接辨识控制增量表达式中的参数,避免求解丢番图方程;为避免粒子群算法陷入早熟,提高精度,在广义预测控制算法的滚动优化环节采用速度变异的粒子群优化算法,克服了受约束优化问题处理的缺陷,更快更准确地寻到最优目标函数值.仿真结果表明了该方法的有效性和良好的控制性能.     

基于自适应遗传算法模糊PID控制器参数优化

该文针对自适应模糊控制器的多参数优化问题,提出一种自适应遗传算法同时优化模糊规则和隶属函数的方法.先对隶属度函数和控制规则进行联合编码,遗传进化前期采用锦标赛精英保留,后期采用基于轮盘赌的非线性选择方法,保留了种群中较优个体,提高种群的多样性.采用一种自适应交叉变异算子,使交叉变异概率根据进化过程不断自动调整,避免算法...     

一种基于神经网络和参数优化的隐式广义预测控制

提出一种基于神经网络和参数优化的预测控制方法。首先利用带有动量项的改进BP神经网络辨识系统模型,在辨识过程中使用粒子群算法(PSO)对改进BP网络的初始权值/偏置、学习率、动量系数等辨识参数进行学习优化,解决这些参数的取值问题;然后将辨识得到的模型用于隐式广义预测自校正控制中,使用遗传算法(GA)对控制过程进行优化,寻找最优的控制参数(预测时域、控制时域、控制加权系数、柔化系数)。将该方法应用在热工系统中,仿真结果表明了方法的有效性。     

基于改进粒子群算法的约束隐式广义预测控制

针对大多数工业系统的控制输入输出都存在约束的情况,提出了一种基于改进粒子群算法的广义预测控制算法。广义预测控制算法采用隐式算法,用最小二乘法直接辨识控制增量表达式中的参数,避免求解丢番图方程;为避免粒子群算法陷入早熟,提高精度,在广义预测控制算法的滚动优化环节采用速度变异的粒子群优化算法,克服了受约束优化问题处理的缺陷,更快更准确地寻到最优目标函数值。仿真结果表明了该方法的有效性和良好的控制性能。     

基于模拟退火遗传算法的PID参数整定与优化

结合模拟退火算法和遗传算法的思想,提出模拟退火遗传算法,用此算法进行PID参数整定与优化．同时使用自适应交叉率、变异率以及适应度拉伸方法对传统遗传算法进行改进．模拟退火遗传算法有效抑制早熟,且具有收敛性快、全局寻优与局部寻优能力．仿真结果表明,基于此算法寻优设计的PID控制器动态品质和稳定性更好、鲁棒性更强．     

基于BFO-PSO的LT-MED海水淡化温度控制

提出一种基于混合粒子群算法和细菌觅食算法的温度控制器,重点研究了菌群优化粒子群（BFO-PSO）算法的性能,包括突变、交叉、步长变化、趋化步骤和细菌的生命周期等。利用MATLAB仿真平台将其与传统比例积分微分算法（PID）及粒子群算法（PSO）进行控制效果对比,发现该方法效率高。与传统PID和PSO调节的PID相比,细菌觅食优化算法的智能PID在系统响应速度和系统稳定性能上都有很大的提高。     

基于改进粒子群算法的PID控制器参数整定优化

针对经典粒子群算法应用在PID控制器的参数上整定的方法其效果往往不佳的问题上,本文提出了一种改进粒子群算法的PID控制器参数整定优化设计,在粒子群的基础上加入遗传算法中的交叉算子,并将粒子群中的惯性权重因子改成动态参数,应用到的PID控制器,使参数的自适应整定问题也获得了改进,快速性和稳定性也都优于经典粒子群算法的PID控制器。借助Matlab进行仿真系统的响应曲线图,根据对比得出系统性能的指标改进情况。     

基于WINCC和PLC的预测PID控制仿真及实现

针对电阻加热水冷却实验室解耦控制装置系统的强耦合性,常规的PID不能得到很好的控制效果,介绍一种基于递推最小二乘法在线辨识系统模型的广义预测、PID串级控制．通过内环PID作用将一个慢性系统变成一个动态性能比较好的控制对象,再通过外环预测控制的优化功能,增强系统的适应能力和对耦合干扰的抗干扰性．通过MATLAB仿真,验证预测PID控制算法的可行性．针对仿真不能准确描述控制对象本身的情况,又通过WINCC脚本的预测控制编程与西门子PLC中的PID算法结合,实现预测PID的串级控制．试验结果表明,预测PID较PID控制对时变控制对象具有比较好的适应能力,对耦合系统的干扰具有优于常规PID的稳定性能．     

基于蚁群算法的变风量空调室温控制研究

在变风量空调系统中,采用总风量控制方式改变空调区域送风量以满足人们的舒适性要求.针对常规PID控制参数优化困难的问题,提出了采用蚁群算法对风机变频调速和室内温度控制环节中的PID控制优化,并将常规PID控制和基于蚁群算法的PID控制在MATLAB仿真环境中进行仿真对比.通过对比结果表明,基于蚁群算法的PID控制策略能使系统的动态稳定性得到较大的改善.     

改进遗传算法及其在倒立摆控制中应用研究

针对标准遗传算法寻优时存在的个体多样性不足、搜索速度迟缓、容易陷入局优的问题,使用自适应调整的交叉算子和变异算子对其进行改进,并利用改进的遗传算法对直线一级倒立摆模型实现稳定控制的关键参数进行寻优。在Python3.8软件上对寻优过程进行仿真,仿真结果表明,改进的遗传算法可以更好的平衡全局搜索和局部寻优能力,在实验中展现了良好的效果。     

基于改进人工蜂群优化算法的PID参数整定

针对传统的PID控制器参数整定方法中存在的整体效率低、控制效果差等问题,提出了一种改进的人工蜂群算法,在标准算法的搜索方程中引入差分进化算法的变异算子,并添加自适应调整参数,提升算法的收敛速度、增强局部寻优效果的同时,平衡了算法的全局探索和局部开发能力。实验表明,改进后的算法对PID控制器的参数整定优化有明显效果。     

基于改进WOAPID的LT-MED系统浓盐水温度控制

为适应低温多效蒸馏(LT-MED)海水淡化末效浓盐水温度控制系统存在的非线性时变和迟滞严重的特点,针对基于经验人为设定的PID控制器效果不佳的问题,提出了一种改进鲸鱼优化算法(WOA),以实现PID控制器参数的自动整定。首先,确定浓盐水温度控制系统的传递函数模型;然后,对基本WOA求解精度低、易陷入局部最优的缺陷对算法进行改进,实现PID控制器的参数优化。MATLAB R2019a平台的仿真实验结果表明,改进WOA算法具有更快的迭代速度和更强的全局寻优能力。改进WOA-PID控制器响应速度快且超调小,能够有效控制浓盐水温度以保障海水淡化系统正常稳定运行。     

An improved self-adaptive membrane computing optimization algorithm and its applications in residue hydrogenating model parameter estimation

In order to solve the non-linear and high-dimensional optimization problems more effectively, an improved self-adaptive membrane computing(ISMC) optimization algorithm was proposed. The proposed ISMC algorithm applied improved self-adaptive crossover and mutation formulae that can provide appropriate crossover operator and mutation operator based on different functions of the objects and the number of iterations. The performance of ISMC was tested by the benchmark functions. The simulation results for residue hydrogenating kinetics model parameter estimation show that the proposed method is superior to the traditional intelligent algorithms in terms of convergence accuracy and stability in solving the complex parameter optimization problems.