自适应PI主动队列管理算法

主动队列管理是一个非常活跃的研究领域,相对于丢尾算法,AQM(active queue management)能够提供更短的平均队列延迟和更高的带宽利用率.虽然PI(proporrional integral)主动队列管理算法的性能优于RED(random early detection)算法,但是PI算法的收敛速度比较慢.以PI算法为基础提出了一种自适应PI算法API(adaptive proportional integral).API通过实时测量链路的报文丢失率,获得当前的负载信息,然后动态设置PI算法中的有关参数.通过ns-2模拟表明,相对于PI及其改进算法PIP(proportional integral based series compensation and position feedback compensation),API具有更快的收敛速度和更小的队列抖动.  

基于改进BP神经网络的PID控制方法研究

针对最速下降法收敛速度慢和易陷入局部极小的缺点，提出一种新型的基于改进BP神经网络的PID控制方法，该方法将神经网络和PID控制策略相结合，既具有神经网络自学习、自适应及逼近任意函数的能力。又具有常规PID控制器结构简单的特点。该控制器的算法采用Fletcher—Reeves共轭梯度法，它可以避免网络陷入局部极小点，同时加快网络的训练速度。并用这种改进的共轭梯度法对神经网络PID控制器参数实现在线修正。最后给出了在Matlab平台上的实现算法。仿真结果表明该控制方法是有效的。  

有源电力滤波器的比例递推积分控制

在采用有源电力滤波器消除谐波中,由于滤波器的检测精度、指令电流计算延时和输出滤波器的相移等因素的影响,滤波效果不是很理想.提出了应用于并联型有源滤波器的比例递推积分控制算法,比例系数和积分系数由模糊推理在线整定.该算法能有效地提高系统的动态和稳态性能,可适应于单相、三相三线制、三相四线制非线性负载电流波形畸变的抑制.实验结果证明了所提出的控制算法的有效性.  

一种消除PSD背景光干扰的新方法

光电位置敏感探测器(PSD)已应用到非接触式高精度动态位移测量中。但在实际应用中经常受到背景光的干扰,直接影响到测量系统的精度和可靠性。根据PSD的工作原理,分析了杂光下的输出信号与杂光的非线性关系。提出采用比例积分微分(PID)控制激光二极管的驱动电源来消除PSD背景光补偿方法,并设计了硬件补偿电路,实验结果和实际应用均表明:该方法能有效地消除背景光的干扰,可大大增加PSD的实用性。  

模糊自整定PID温度控制系统的建模与仿真

针对炒茶机的加热控制系统跟踪设定的温度值滞后、自动调节加热装置实时性差的问题，设计一种模糊自整定比例积分微分(PID)参数控制器。采用PID控制和模糊控制算法相结合的方法，实现模糊控制对PID参数的调整。利用Matlab在Simulink中建立模型，并对该控制器进行仿真分析。结果表明，模糊PID自整定控制器的超调量 ≈1%，稳态误差es=0。该方法可提高温度控制系统的性能。  

直流无刷电机位置跟踪伺服系统设计与仿真

为了设计高精度的直流无刷电机伺服控制系统,性能优良的位置跟踪控制器是其重要保障.基于直流无刷电机的工作原理.运用Matlab模糊工具箱建立其自动位置跟踪控制系统的计算机仿真模型,系统的电流和速度环采用Pl控制,结合PID控制和模糊控制设计了系统位置环的模糊PID控制器.数字仿真结果表明,模糊PID控制的动静态特性优于传统单一的PID控制,对设计性能优良的直流无刷电机控制器具有借鉴意义.  

基于模糊PID的随动系统优化设计与仿真

该文介绍了模糊控制,PID（比例-积分-微分）控制,以及两者柔性相结合的模糊逻辑在线整定PID（比例-积分-微分）控制原理;结合目标系统的特点,将该方法应用于随动扫描系统以进行优化设计,并利用simulink对优化后的系统进行目标跟踪和抗干扰仿真,分析仿真所得到的输入输出曲线和PID参数变化曲线,结果表明系统的随动灵敏度和抗干扰能力得到了明显改善,继而设计了实现该方法的原理电路,完成了系统的优化设计,同时通过仿真试验进一步分析了模糊PID的内部工作机理,奠定了理论创新的基础.  

改进遗传算法在PID优化中的应用

现有的比例积分微分(PID)优化设计算法难以兼顾系统对快速性、稳定性和鲁棒性的要求。为此，提出一种改进的Pareto遗传算法。该算法采用新的拥挤距离计算算法，改进非支配性的比较算法，引入双重精英机制，提高进化效率和解的质量，并且解的多样性好。将该算法应用于PID多目标优化设计，仿真结果表明，决策者可根据当前工作需求在所得的Pareto解集中选择最优的满意解。  

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。  

Statistic PID Tracking Control for Non-Gaussian Stochastic Systems Based on T-S Fuzzy Model

A new robust proportional-integral-derivative （PID） tracking control framework is considered for stochastic systems with non-Gaussian variable based on B-spline neural network approximation and T-S fuzzy model identification. The tracked object is the statistical information of a given target probability density function （PDF）, rather than a deterministic signal. Following B-spline approximation to the integrated performance function, the concerned problem is transferred into the tracking of given weights. Different from the previous related works, the time delay T-S fuzzy models with the exogenous disturbances are applied to identify the nonlinear weighting dynamics. Meanwhile, the generalized PID controller structure and the improved convex linear matrix inequalities （LMI） algorithms are proposed to fulfil the tracking problem. Furthermore, in order to enhance the robust performance, the peak-to-peak measure index is applied to optimize the tracking performance. Simulations are given to demonstrate the efficiency of the proposed approach.