基于改进粒子群算法的PID控制器参数整定

粒子群算法是一种新的基于群体智能的全局优化算法,算法简单并且容易实现,已经被广泛应用在各个领域.本文为改善传统PID控制器的参数整定问题,提出了一种改进的粒子群算法.并用它来优化PID控制器的三个参数,得到的控制器结构简单,易于实现,仿真结果证明这种控制器具有良好的性能.     

基于粒子群算法的自整定PID控制器

粒子群算法是一种基于群智能的全局寻优方法,方法简单易于实现,寻优效果好。本文设计了一种基于粒子群算法的自整定PID控制器。它可以根据系统参数的变化实现在线的PID参数优化。仿真结果证明其性能良好。     

基于改进粒子群优化算法的PID控制器参数整定

针对标准粒子群优化算法优化PID控制器参数存在的早熟以及陷入局部最优等问题,引入粒子二阶振荡环节、反向学习、自适应惯性权重,并结合设计的惯性权重动态调整策略、粒子越界随机反射墙,提出一种新型分阶段迭代的改进粒子群优化算法。在6个标准测试函数上进行测试,其性能相比于一些已有的改进粒子群优化算法更加优秀。将这些算法用于自动电压调节器系统的PID控制器参数整定,仿真结果表明,所提出的改进粒子群优化算法整定的PID控制器的控制效果更好。     

基于粒子群算法的自整定PID控制器

粒子群算法是一种基于群智能的全局寻优方法,方法简单易于实现,寻优效果好.本文设计了一种基于粒子群算法的自整定PID控制器.它可以根据系统参数的变化实现在线的PID参数优化.仿真结果证明其性能良好.     

基于粒子群算法的PID控制器参数自整定

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,提出一种对PID控制器参数和非最小相位系统的两阶段PI／PD控制器参数进行自整定的计算框架．仿真结果表明了所提出算法的有效性和所设计控制器的优越性．     

粒子群算法在PID控制器参数整定中的研究与应用

针对自动化控制系统中PID控制器参数整定困难的问题,提出了基于粒子群算法的PID控制器的设计方法,给出了具体的实验架构。采用系统参数鉴定的方式得到直流伺服发电机的传递函数,并利用粒子群算法搜寻PID参数。实验采用MATLAB仿真证明了该方法的可行性和优越性。所得到模拟结果跟遗传算法搜索PID参数的结果做比较,结果显示用粒子群算法调整PID参数所得到的运算时间比用遗传算法的运算时间要短。     

一种PID参数整定的粒子群优化算法

提出了一种PID控制器参数整定的粒子群优化算法。该方法首先通过定义一个包含系统超调量、上升时间和稳态误差指标项的适应度函数,并根据系统的实际控制要求对各指标项适当加权。之后由带收缩因子的粒子群算法对PID进行多目标寻优,从而实现PID控制器的自动参数整定。仿真结果表明,该方法优化得到PID控制器的综合性能优于常规方法得到的PID控制器。     

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。     

基于改进粒子群优化算法的PID控制器整定

由传统的Z-N(Ziegler-Nichols)整定公式得出的PID参数,不能得到最佳的控制性能.为此,本文提出一种基于适应度指数定标和边界缓冲墙相结合的改进型粒子群算法,应用于PID参数的整定.首先采用适应度指数定标的选中概率,挑选出粒子进行随机变异;其次对越界的粒子进行缓冲,保证粒子落在寻优空间内以增加粒子种群多样性,同时调整种群粒子个数、社会和认知因子以提高寻优效率.在仿真实验中,将改进的粒子群算法分别应用于5种不同的工业过程,整定他们的PID参数.对误差绝对值乘以时间积分的性能指标(ITAE)做最小化,得到了相应的PID参数,验证了这里提出的改进型粒子群算法的有效性.     

基于量子粒子群算法的PID控制器参数整定

量子粒子群(Quantum-Delta-Potential-Well-BasedParticleSwarmOptimization,QDPSO)算法是量子空间里的粒子群算法。基于QDPSO提出了一种新的PID参数整定算法,该算法具有操作简单、稳定收敛、寻优快速等优点。同时,引进了一种新的时域评价标准函数来评价QDPSO-PID控制器的性能。仿真结果表明了所提出算法的有效性和所设计控制器的优越性。     

自适应混沌粒子群算法及在PID整定中的应用

针对微藻自动培养装置的温度控制,常规PID控制器的参数整定需耗费大量人力进行调节,提出一种采用自适应混沌粒子群的PID参数整定算法,充分利用多涡卷广义Jerk混沌序列的随机性及遍历性,对粒子群进行混沌初始化;采用非线性调整机制对惯性权重进行自适应调整;引入基于适应度方差的局部收敛判别机制,以混沌扰动的方式帮助种群跳出局部最优.仿真结果表明,相较于标准粒子群算法,改进算法能始终保持粒子群的多样性,系统响应超调量小,调节时间短,具有更好的全局搜索能力,控制精度较高,适应性和鲁棒性好.     

基于多目标粒子群算法的PID控制器设计

随着对控制系统的要求越来越高,进行比例积分微分(Proortion Integration Differentiation,PID)控制器的设计的时候应该同时考虑到系统时域指标和频域指标,常规的PID整定方法往往很难实现.为解决上述问题,采用多目标粒子群算法进行PID控制器参数的设计,算法将系统的超调量、上升时间和稳定时间作为目标函数,频域指标作为约束条件.算法的运算结果为一组Pareto最优解,运行者可以根据当前对系统的要求从中选取合适的解.通过与常规PID整定方法和采用单目标粒子群算法的方法进行比较,证明了改进方法的有效性.     

基于MATLAB的粒子群优化算法及其应用

该文探讨了粒子群优化算法及其改进，并提出了算法的离线性能评估准则和在线性能评估准则。在此基础上重点研究了MATLAB环境中粒子群优化算法的仿真方法，主要包括数据结构设计、参数编码以及进化信息跟踪等关键内容。最后，对典型的多峰函数优化试验表明：作者开发的粒子群优化算法结构简单，运行快，是一个通用有效的优化工具。     

基于密度的微粒群优化混合聚类算法

在分析了现有的基于密度的聚类算法的基础上,结合微粒群算法,提出了一种基于密度的微粒群混合聚类算法。相对于DENCLUE聚类算法,该算法能够对使用的资源进行有效的控制,有利于实现对数据库数据的增量处理。实验证明了算法的有效性。     

基于改进PSO算法的PID参数自整定

研究了比例-微分-积分(PID)控制器参数自整定问题，提出一种基于改进粒子群优化算法的PID控制器参数自整定方法。采用实编码方法和基于指数曲线的非线性惯性因子取值策略，该途径易于实现，并且提高了寻优的速度和精度。仿真实例表明了该方法的有效性。     

基于免疫粒子群算法的参数估计方法

针对污水生化反应模型参数估计问题,提出一种基于免疫粒子群算法的估计方法。该方法采用免疫算法保持粒子群的多样性,避免粒子群算法的过早收敛而降低寻优能力。利用估计的参数值对实验数据进行拟合,仿真结果表明,拟合误差率低于标准的粒子群和遗传算法,进一步提高了污水生化反应模型参数估计精度。     

一种新的融合粒子群算法的混合蟑螂群算法

针对连续蟑螂算法存在初始解质量不高和算法评价次数过多的问题,提出了一种融合了粒子群算法的混合蟑螂群算法并应用于函数优化问题.首先由基本粒子群算法快速收敛到解空间内一个相对优的解,然后由一种改进的蟑螂算法完成全局寻优.仿真结果显示:混合蟑螂算法具有收敛速度快、求解精度高的特点,其算法整体性能优于已存在的连续蟑螂算法.     

基于粒子群优化算法的模糊模拟

模糊模拟通常用于模糊规划中。该文提出了基于粒子群优化算法（PSO）的模糊模拟方法,通过这一方法,可以用来计算可能值以及临界值。PSO是一种演化算法,它能够有效地进行全局搜索。试验表明,基于PSO的模糊模拟有更好的性能。