基于粒子群优化算法的PID控制器参数整定

PID控制器的性能完全依赖于其参数的整定和优化，但参数的整定及在线自适应调整对常规的PID控制器是难以解决的问题。根据粒子群算法具有对整个参数空间进行高效并行搜索的特点，提出了一种基于粒子群优化算法整定PID控制器参数的设计方法，并定义了一种新的性能指标函数来评价PID控制器的性能。现以二阶的船舶控制装置为研究对象，运用粒子群优化方法对PID控制器参数进行了寻优研究。仿真结果表明，该方法比一般PID参数整定方法具有更好的控制性能指标，有着一定的工程应用价值。     

小型固定翼无人机纵向姿态控制律的研究

针对无人机在实际飞行过程中受到外部环境影响大,控制精度不够高的问题;研究了一种模糊参数自整定PID控制方法来完成对无人机的纵向姿态的控制;该方法在传统的PID控制的基础上,利用无人机实际飞行中的数据,建立起模糊控制规则来实现PID参数自整定,最后在通过建立的纵向姿态模型上进行仿真控制,得出仿真曲线;仿真实验结果表明,所设计的模糊PID控制器,相比于传统的PID控制器具有更好的控制性能,并且具有很好的抗干扰能力,能够满足无人机控制系统的要求。     

基于粒子群算法的汽车悬架PID控制仿真

研究汽车悬架稳定性控制优化问题,由于PID控制器在汽车主动悬架中参数的选择决定汽车行驶的稳定性能.针对传统参数整定的方法存在盲目性,设计了一种用粒子群算法优化整定PID参数的方法.利用粒子群算法的并行全局搜索策略,以主动悬架性能指标为目标函数对PID参数进行优化设计.应用改进方法对汽车悬架主动控制系统进行仿真.仿真结果表明,用粒子群算法优化的PID控制器的汽车主动悬架相对于PID控制主动悬架及被动悬架而言,改善了车身垂向加速度和悬架动行程.同时解决了PID控制器参数整定的问题.     

进化算法多目标优化的飞控参数自整定方法

随着飞行品质要求的提高,且由于飞控系统模型的复杂,控制器参数的传统整定方法耗时长且精度低;引入多目标进化,针对某飞机横侧向控制系统模型中的协调转弯模态,采用改进的非劣排序进化算法对飞行控制器参数进行了整定;此优化策略具有经典控制系统简洁实用的特点,且能同时优化多个目标,能够快速得到符合要求的控制器参数;仿真结果表明所设计的控制器具有良好的性能指标和鲁棒性,具有一定的实用价值。     

模糊自整定PID的航空发动机转速控制研究

航空发动机具有强非线性和强时变性的特点,使用定参数PID方法的转速控制系统的性能在全飞行包线内难以保证.针对上述问题,提出设计模糊自整定PID控制器,利用输入误差及变化率建立一组PID参数在线调整规则,运用模糊推理方法实时进行参数自整定.结合某型航空发动机核心机非线性实时模型,进行转速串级控制硬件在回路仿真.结果表明,提出的模糊自整定PID控制方法实现了控制器参数在线调整,参数切换扰动小,满足全包线内转速控制的指标要求.     

基于人工鱼群算法的鲁棒PID控制器参数整定方法研究

本文首先分析了采用极小--极大原理设计鲁棒PID控制器的方法,指出这是一类复杂非线性且非单鞍点的优化命题,常规优化算法通常不能有效的求解.随后提出了采用人工鱼群算法进行参数整定的方法.最后对典型问题进行了仿真研究.结果表明,人工鱼群算法具备分布并行的寻优能力,对初值不敏感,能够快速对鲁棒PID的参数进行整定,整定后的PID控制器具有良好的控制效果.     

PID数字控制器多指标优化模拟设计方法研究

建立PID数字控制器多指标统一优化模拟设计方法;用SIMULINK仿真研究数字PID控制对模拟PID控制的复现能力和PID计算机控制系统的阶跃响应,用MATLAB仿真筛选PID参数的优化组合值;提出并建立了一种新的PID数字控制器多指标优化模拟设计方法,包括:PID初值确定方法、模拟PID优化参数MATLAB筛选方案和软件流程图、模拟PID参数转换数字PID参数的方法、SIMULINK仿真验证设计结果的有效性的方法等;研究表明,该方法可用于1～5ms采样周期的PID数字控制器多指标优化模拟设计,且能独立使用、无需PID经验数据和其它设计/整定方法;提供了4个代表性的实例设计,验证了该方法的有效性。     

中央空调房间温度智能PID控制的仿真研究

中央空调房间温度控制系统是一个复杂系统,针对一次性整定得到的PID参数难以保证系统控制始终处于优化状态和良好的品质特性,提出了参数自整定方法,通过实时改变PID参数从而保证控制系统的优良品质。结合粒子群优化算法和模糊控制以及传统PID控制各自的优势,设计了一种新的自适应模糊PID控制器。鉴于PID控制器的性能完全依赖于其参数的整定和优化,采用粒子群算法离线优化PID参数,并利用模糊控制在线调整PID参数,以取得良好的控制效果。利用Matlab软件进行了数字仿真。仿真结果表明,方法调节精度较高,调节迅速,超调小,具有一定的可行性。     

基于模型跟随的神经网络PID飞行控制律设计

为了抑制飞行控制系统的外部扰动和建模误差,应用模型跟随自适应神经网络PID控制方法,进行飞行控制律设计。首先使用RBF神经网络进行飞行系统模型辨识,在线学习系统正向输入输出特性,辨识对象的Jacobian信息;然后应用BP神经网络实时在线调整PID参数,设计自适应神经网络PID控制器,控制飞行状态变量跟随模型输出;最后以F-8飞机纵向飞行控制系统为研究对象进行控制仿真。仿真结果表明,设计的控制器具有很强的自适应和抗干扰能力。     

基于单纯形法的PID控制器的最优设计

PID参数整定与优化一直是自动控制领域研究的重要问题．根据开放式设计方法，采用Visual C++语言编制控制程序，用单纯形寻优法整定PID参数，以实现离散控制器的最优设计，使其具有通用的意义．仿真试验结果证明，利用此方法设计的控制器具有优良的有效性和通用性．     

粒子群优化点匹配算法

点匹配问题一直是计算机视觉,模式识别,医学临床诊断等领域的一项重要基础性工作。本文提出了一种基于粒子群优化算法的准确、快速和鲁棒性的点匹配方法。该方法首先确定两个特征点集的点匹配问题的能量函数,通过最小化该能量函数可以同时得到点集之间的匹配矩阵和映射参数,利用粒子群优化算法求解变换参数。实验表明,该算法适用于点匹配,具有操作方便,可靠性好,不易陷入局部极值等优点。     

电力系统无功优化中PSO算法的改进研究

针对电力系统无功优化中的PSO算法的特点,采用的信息拓扑结构为环形结构,对PSO算法中的变异算子进行研究.针对环形拓扑结构的PSO算法,其后期收敛精度差是一个常见问题,提出了一种称之为"球面变异"的变异算子,充分利用粒子群迭代后期种群的信息,对变异的方向与速度进行引导,进而建立了变异算子与当代种群适应度之间的关系,明显地提高了算法收敛速度与精度.最后,对陷入局部收敛等问题进行相应的改良,诸如无法达到最优解等问题.使用IEEE14节点系统作为算例进行测试,结果达到优良.     

Bacterial Foraging Optimization Approach to Portfolio Optimization

In this paper we propose a heuristic approach based on bacterial foraging optimization (BFO) in order to find the efficient frontier associated with the portfolio optimization (PO) problem. The PO model with cardinality and bounding constraints is a mixed quadratic and integer programming problem for which no exact algorithms can solve in an efficient way. Consequently, various heuristic algorithms, such as genetic algorithms and particle swarm optimization, have been proposed in the past. This paper aims to examine the potential of a BFO algorithm in solving the PO problem. BFO is a new swarm intelligence technique that has been successfully applied to several real world problems. Through three operations, chemotaxis, reproduction, and elimination-dispersal, the proposed BFO algorithm can effectively solve a PO problem. The performance of the proposed approach was evaluated in computational tests on five benchmark data sets, and the results were compared to those obtained from existing heuristic algorithms. The proposed BFO algorithm is found to be superior to previous heuristic algorithms in terms of solution quality and time.     

用于函数优化的最大引力优化算法

提出一种基于牛顿万有引力定理的函数优化方法──最大引力优化算法。该算法通过“引力分组”和“引力淘汰”过程更新搜索体。文中给出4个引理来描述算法的数学基础,同时也给出算法的收敛性证明。此外还对该算法进行改进。最后与粒子群算法、差分算法、郭涛算法进行比较,数值结果显示该算法在解决连续函数优化问题具有较高的性能。     

求解矩形包络问题的量子行为粒子群优化算法

介绍了一种利用量子行为粒子群算法（QPSO）求解矩形包络的方法。矩形包络是将二维不规则形状样片用它们的最佳包络矩形来代替，是服装排料的第一步。实验结果表明量子行为粒子群算法比粒子群算法，遗传算法能更好地解决求二维不规则形状样片的矩形包络的问题。     

基于粒子群优化算法的系统可靠性优化

系统可靠性优化问题是典型的NP难题,建立了可靠性冗余优化模型,采用粒子群优化算法对其进行求解。通过对其它文献中仿真实例的计算和结果对比,表明了算法对求解可靠性优化问题的可行性和有效性。     

改进聚合树的高维多目标降维优化算法

对于高维多目标优化问题,降维优化算法通过去除或融合冗余目标的方法解决算法耗时过多的问题,但同时也会导致算法分布性能下降。聚合树算法定义非参数秩冲突从而可以快速计算出各目标间冲突度,但聚合树算法鲁棒性有待提高,且需要用户自行决策去除冗余目标。针对这些问题,提出数组叠加机制并定义冲突趋势和冲突度误差,以提高算法鲁棒性;通过合并冲突度较低的冗余目标的方法来进行目标降维,并定义降维截止冲突度;与NSGA-III算法结合,以达到对高维多目标问题进行完整降维优化的目的。为检验该算法性能,与其他经典高维算法进行对DTLZ测试函数集的优化对比,实验结果表明,该算法在耗时更少的同时,也具有较为优秀的分布性能和收敛性能。     

电力系统无功优化的柯西粒子群算法

针对传统粒子群算法易陷入局部最优解、收敛速度慢的缺点,提出了柯西粒子群算法,并首次将其应用于电力系统无功优化问题.柯西粒子群算法是基于柯西分布的期望和方差均不存在的原理,对每一代粒子的全局极值进行柯西变异,以此来增加种群的多样性,扩大全局最优粒子的搜索区域,以尽快获得适应度更优的个体,从而可以避免算法陷入局部最优解,同...     

灰狼优化与差分进化的混合算法及函数优化

灰狼优化(Grey Wolf Optimization,GWO)算法是近年被提出的一种新型智能优化算法,具有收敛速度快和优化精度高的特点,但对于一些复杂优化问题易陷入局部最优。差分进化(Differential Evolution,DE)算法的全局搜索能力强,但其性能对参数敏感,且局部搜索能力不足。为了发挥二者各自的优点并弥补存在的缺陷,提出了一种灰狼优化与差分进化的混合优化算法。首先使用嵌入趋优算子的GWO算法搜索,以便在更短的过程中获得更高的优化精度和更快的收敛速度;然后采用自适应调节参数的差分进化策略来进一步提高算法对复杂优化函数的寻优性能,从而获得一种高性能的混合优化算法,以便能更高效地解决各种函数优化问题。对12个高维函数的优化结果表明,与标准GWO,ACS,DMPSO及SinDE相比,新的混合优化算法不仅具有更好的收敛速度和优化性能,而且具有更好的普适性,更适用于解决各种函数优化问题。