基于遗传算法-BP神经网络优化的PID控制

利用遗传算法全局随机搜索能力,设计一种基于遗传算法的神经网络学习算法。对于非线性复杂系统,常规PID控制器不能获得理想的控制效果,针对复杂非线性对象的神经网络PID控制不失为一种有效的控制策略。该文提出了基于遗传算法优化参数的神经网络PID控制器,实现了基于实数编码的GA参数优化。仿真结果证明了该算法的有效性。     

轧钢加热炉燃烧过程的模糊自适应控制策略

针对加热炉燃烧过程的非线-陛系统的不确定性、多干扰、大滞后等特点,提出了基于模糊参数自校正PID算法实现轧钢加热炉燃烧过程的温度控制策略,该方法采用模糊参数自校正比例、积分、微分（PID）控制,结果表明这种控制策略比传统PID控制器更具有较快的响应速度,抗干扰能力强,提高加热炉燃烧过程的效率和质量。     

基于实数编码遗传算法的模糊励磁调节器研究

针对发电机励磁调节器设计过程中输入和输出变量的隶属度函数以及量化因子的选取问题,在常规模糊式励磁控制的基础上提出了采用实数编码遗传算法来优化模糊参数,进而设计出基于遗传算法优化的发电机模糊励磁调节器。仿真实验证明,该励磁调节器比传统PID励磁控制方式的控制效果更好,鲁棒性更强。     

遗传优化的模糊免疫PID控制器在SRM中的应用

针对开关磁阻电机驱动系统的严重非线性、时变和强耦合性,应用免疫反馈机理和模糊控制理论,在传统PID控制器基础上设计一种模糊免疫PID控制器,并提出利用遗传算法对PID控制器参数进行优化设计方法.仿真结果表明,基于遗传优化的模糊免疫PID控制器具有良好的调速和控制特性,其控制性能明显优于传统PID控制和模糊免疫PID控制.     

采用GA提高模糊控制器适应性的方法及应用研究

对于工业控制中广泛存在的多容量、大惯性、大延迟的被控对象,模糊控制是一种较有效的方法,模糊控制中隶属函数的正确选择是模糊控制器设计的关键,针对传统的获取隶属度函数方法的不足,本文设计了一种基于遗传算法的模糊控制器,系统采用遗传算法优化模糊控制器的隶属函数及其量化因子和比例因子的初值.仿真结果表明,采用该算法设计的模糊控制器较传统的PID控制器与模糊控制器具有鲁棒性强、超调量小的特点.这种改进型的模糊控制器具有良好的控制性能,体现了遗传算法在参数寻优方面的优越性.     

改进的BP神经网络PID控制器在温室环境控制中的研究

为了更好的实现对温室环境系统的智能控制,针对温室环境系统存在非线性、强耦合、大滞后、强时变等问题,在分析BP神经网络技术的基础上,提出并设计出一种基于遗传粒子群优化的BP神经网络PID控制器,该控制器结合遗传算法强全局搜索能力以及粒子群算法强局部搜索能力和收敛速度快的特点,对神经网络的权值进行优化,对温室环境系统起到了有效的控制。最后对常规和改进后的BP神经网络PID控制器进行仿真对比研究。仿真结果表明,经过改进后的BP神经网络PID控制有更好的稳定性和鲁棒性。     

水轮发电机组GA模糊控制器研究

模糊控制器设计的困难之一就是确定量化因子和隶属度函数，它们对控制器性能具有重要影响。文中提出用遗传算法(GA)对水轮发电机组模糊控制器进行优化设计，描述了控制器结构、优化算法和动态仿真结果。仿真对比试验表明，经过GA优化的模糊控制器比经过MATLAB NCD工具箱优化的PID控制器具有更好的控制效果和更强的鲁棒性。     

改进量子遗传算法在PID参数整定中应用

参数整定是PID控制器设计的关键,针对PID控制器参数整定问题,提出一种基于改进量子遗传算法的参数整定方法.该算法在基本量子遗传算法的基础上引入了量子交叉、量子变异和群体灾变操作.基于改进量子遗传算法的PID参数整定方法将PID控制器参数整定转化为参数优化问题,通过改进量子遗传算法的进化计算实现参数整定.与其他参数整定优化算法的仿真结果比较表明,该方法能获取更好的控制品质.仿真结果验证了该方法的可行性.     

水轮发电机组GA模糊控制器研究

模糊控制器设计的困难之一就是确定量化因子和隶属度函数，它们对控制器性能具有重要影响。文中提出用遗传算法（GA）对水轮发电机组模糊控制器进行优化设计，描述了控制器结构，优化算法和动态仿真结果。仿真对比试验表明，经过GA优化的模糊控制器比经过MATLAB NCD工具箱优化的PID控制器具有更好的控制效果和更强的鲁棒性。     

基于遗传算法PID参数寻优的电加热炉温度控制系统

针对工业过程中常见的一阶大滞后对象的PID参数整定问题,提出自适应遗传算法对PID控制进行参数寻优。应用自适应遗传算法对电加热炉温度控制器参数进行优化,并将结果与常规的PID控制方法进行比较,仿真与实际结果表明,当被控对象存在较大纯滞后特性时,采用本方法优化PID控制器参数可获得比较满意的调节效果。     

前馈神经网络的模糊 PID 算法及其在电力系统负荷预测中的应用

提出了多层前馈神经网络的模糊ＰＩＤ学习算法（ＦＰＢＰ）。这种算法是把多层前馈神经网络的学习过程当作一个动态控制系统来处理,确定出动态控制系统达到稳态时的ＰＩＤ控制器参数,然后再基于模糊控制的思想,对确定出的ＰＩＤ控制器参数进行模糊调整。文中给出了这种算法在电力系统负荷预测中的实际应用,并与标准ＢＰ算法作了比较。结果表明,该算法提高了网络的学习速度和预测的精度。     

复杂工业过程的模糊神经网络自适应控制

本文针对复杂工业过程控制系统的特点 ,提出一种模糊神经网络自适应控制系统 ,该系统由两个模糊神经网络组成 ,一个完成Fuzzy学习控制 ,另一个完成未知被控对象模型的建模。仿真和复杂工业回转窑炉温控实验结果表明 ,控制系统有良好的性能     

过热汽温模糊神经网络预测控制器的设计

针对锅炉过热汽温的特点，设计前馈—反馈串级复合型控制系统。主控制器采用基于神经网络预测模型的模糊神经控制，即该控制器首先是将神经网络与预测控制相结合，采用改进的递阶遗传算法对神经网络的权值和结构同时进行训练，实现了非线性、大时滞系统模型的精确预测；然后将模糊控制与神经网络相结合，实现模糊神经预测控制。副控制器采用二自由度PID控制器。仿真结果表明，该控制显著提高锅炉过热汽温这一非线性、大时滞系统的控制品质，且易于工程实现。     

综合智能控制策略在真空退火炉中的应用

真空退火炉退火温度的精确控制是一个典型的大时滞、大惯性、存在强交叉耦合的、时变的复杂控制问题,采用常规的PID控制器很难满足对退火温度的精确控制。通过对退火炉工作机理及退火温度控制系统的分析,提出了一种综合智能控制方案;首先利用人工神经网络对真空退火炉进行建模,之后利用遗传算法对神经网络的权值和阈值进行优化;最后,将此模型作为一个预估模型投入到控制系统中去。在控制器的设计过程中,不再使用单一的控制策略,而是在生产过程中,根据退火工件温度的输出误差大小来随时改变控制器的结构,从而达到对真空退火炉退火状态的最佳控制。     

基于模糊神经网络PID算法的液位控制系统研究

在工业生产中,液位控制系统得到了广泛应用,但是对于这种大滞后、非线性的复杂控制系统,传统的PID控制方法存在着参数整定困难,控制效果不理想的缺陷。在对传统的PID算法、模糊控制算法和神经网络算法研究的基础上,提出了一种将模糊神经网络PID算法应用到液位控制系统中去的解决方案,并采用MATLAB对液位对象控制进行仿真实验,同时采用A3000型水箱实验平台对仿真实验结果进行验证。研究结果表明,基于模糊神经网络的PID算法的液位控制系统在调整时间和超调量上都优于传统的PID算法,控制效果和抗干扰能力更强,克服了传统PID算法的不足。     

基于混沌遗传算法的主汽温系统RBF-PID控制

针对火电厂主汽温控制系统具有大惯性、大迟延等特性,提出一种基于混沌遗传算法的径向基函数神经网络整定PID参数的控制策略。利用遗传算法优化神经网络权系数,同时利用混沌优化方法的局部快速搜索能力,实现全局最优化。该控制策略不仅具有常规PID串级控制的特性,而且具有智能控制器的自学习能力,增强了系统对不确定因素的适应性。仿真研究结果表明,这种方法具有全局优化的能力,对PID控制的参数优化设计是成功和有效的,系统动态品质明显优于通常的PID串级控制,系统控制性能得到了较大提高。     

电动汽车动力传动系转矩波动抑制研究

针对电动汽车由于传动系低阻尼特性产生的转矩波动问题,在Matlab/Simulink平台上搭建了基于永磁同步电机矢量控制策略的传动系扭振仿真模型,在电机速度环设计出模糊自整定PID控制器和神经网络PID控制器,以提高电机控制器的响应速度和抗干扰能力。仿真结果表明:运用机电耦合的建模方法能够有效揭示电动汽车传动系的动力学特性;通过模糊逻辑方法或者神经网络算法对PID控制器进行参数整定,能够改善由突变负载和突变控制信号引起的传动系转矩波动问题。     

基于RBF神经网络PID控制的列车ATO系统优化

针对在复杂环境下列车高速运行时,现有的Fuzzy-PID控制算法自适应性差在受到外界因素的干扰时会导致列车追踪误差较大的问题,提出了一种基于径向基(RBF)神经网络PID控制的列车速度控制算法。首先,在构建列车优化模型时,充分考虑列车经过电分相时必须处于惰行工况的特点,并且依据电分相和限速条件的特点将列车行驶过程中的区段进行了划分,简化了求解过程;然后使用RBF神经网络PID控制器对目标速度曲线进行追踪仿真,同时与现有的Fuzzy-PID控制器进行比较。实验结果表明,基于RBF神经网络PID控制算法能够实时有效的追踪目标速度曲线且追踪误差较小。     

基于RBF神经网络PID控制的列车ATO系统优化

针对在复杂环境下列车高速运行时,现有的Fuzzy-PID控制算法自适应性差在受到外界因素的干扰时会导致列车追踪误差较大的问题,提出了一种基于径向基(RBF)神经网络PID控制的列车速度控制算法。首先,在构建列车优化模型时,充分考虑列车经过电分相时必须处于惰行工况的特点,并且依据电分相和限速条件的特点将列车行驶过程中的区段进行了划分,简化了求解过程;然后使用RBF神经网络PID控制器对目标速度曲线进行追踪仿真,同时与现有的Fuzzy-PID控制器进行比较。实验结果表明,基于RBF神经网络PID控制算法能够实时有效的追踪目标速度曲线且追踪误差较小。