基于改进遗传算法寻优的神经网络PID控制及应用

根据神经网络PID控制器初值的选取影响系统控制性能的特点,提出了一种基于改进遗传算法寻优的神经网络PID控制方法.即先利用遗传算法对PID控制器参数离线寻优,将求出的参数值作为控制器的比例、积分、微分系数的初值,再进行神经网络PID控制.对一类液位过程的实时控制结果表明采用本方法的控制系统具有较好的稳定性和鲁棒性.     

基于改进差分进化算法的PID优化设计

提出一种基于改进差分进化算法的PID控制器参数优化方法.针对差分进化算法的优化性能受控制参数取值和差分进化类型的影响较大,算法容易早熟收敛的问题,提出改进差分进化算法.该算法在标准差分进化理论基础上对差分矢量的初始种群、缩放因子、交叉概率和差分进化模式进行优化,将缩放因子和交叉概率由固定数值设计为随机函数,随着搜索过程的进行,自适应选取差分进化模式,从而增强搜索能力.在PID参数的优化设计中通过仿真实验研究,表明采用新方法获得的PID控制器性能优于基于常规方法、遗传算法和基本差分进化算法设计的PID控制器.     

基于神经网络的PID自整定控制系统

文章介绍了一种应用神经网络技术建立的PID自整定控制系统,给出了系统结构,详细分析了BP神经网络和RBF神经网络的结构和学习算法。该系统采用3层BP神经网络,其输出为PID控制器的参数;通过变结构的RBF神经网络辨识控制对象,将得到的输出对输入的梯度信息提供给BP神经网络,BP神经网络根据该信息优化PID控制器参数。仿真结果表明,该系统对于参数扰动较大的非线性系统,其收敛速度快、动态响应能力强、稳定性好,且具有较强的鲁棒性和适应性。     

PID控制器参数优化算法的仿真研究

研究PID控制器参数优化问题,现代控制对象具有复杂非线性、时变性特点,引起系统的输出品质特性差,超调大稳定性时间长,控制精度差等.传统PID控制是针对线性控制系统提出的,控制精度比较低.为了提高PID控制精度,基于神经网络提出PID控制器参数自适应优化方法.通过将系统控制偏差和PID控制器的3个参数作为神经网络的输入,最优控制性能作为优化目标,通过神经网络自身学习和加权系数调整,获得最优控制性能的PID控制器参数.仿真结果表明,神经网络的PID控制方法提高了系统控制精度,系统响应速度更快,具有很强的自适应性和鲁棒性,为优化控制系统提供了参考.     

基于PCC的神经网络PID控制器设计

提出了一种基于可编程计算机控制器(PCC)的神经网络PID控制器,实现了以新一代PCC为硬件,利用神经网络逼近任意非线性函数的能力,对PID控制算法中的三个参数K_p,K_i,K_d进行在线调整,并利用神经网络模型对被控对象的输出值进行预测,根据预测值对神经网络各层中的加权系数进行在线修正,同时引入了带死区的控制算法;该控制方案具有调节速度快、适应能力强、可靠性高等优点;实验结果表明,该控制器具有强抗扰、响应快、鲁棒性好等特点。     

基于蚁群神经网络的工业自动化PID参数优化

针对常规方法无法获得最优PID控制器参数的缺点,提出一种基于蚁群神经网络的PID控制器参数优化方法（ACO-RBFNN）。ACO-RBFNN将PID控制器的3个参数作为RBF神经网络的输入,系统输出为RBF神经网络期望输出,通过蚁群算法对RBF神经网络的参数进行优化,并通过RBF神经网络构造参数自学习的PID控制器,从而实现PID控制器参数在线优化。仿真实验结果表明,基于ACO-RBFNN的PID控制器可以得到令人满意的控制效果,可以应用于工业自动化控制系统的PID控制器参数优化。     

基于遗传神经网络的自适应PID控制器的设计

提出了一种基于遗传算法和神经网络的自适应PID控制器的设计方法。该控制器主要由三个部分组成:利用遗传算法优化PID参数,和RBF神经网络结合,对被控对象逼近,搜索出一组准优的初始参数;RBF神经网络完成对被控对象Jacobian信息辨识;基于单神经元的自适应PID控制器,在线调整PID参数,以确保系统的响应具有最优的动态和稳态性能。仿真结果表明,控制器具有响应速度快,稳态精度高等特点,可用于控制不同的对象和过程。     

基于BP网络的PID控制在滑油压力气动控制中的应用

根据实验室现场对控制的要求,提出了一种将常规PID控制与BP神经网络相结合的自适应PID控制器,该控制器运用神经网络和BP算法实现了对PID参数的在线调整。把该控制器应用于某航空发动机燃油泵调节器滑油压力控制中,实验结果表明,与传统数字PID控制器相比,该控制器具有更好的控制效果和更好的鲁棒性。     

一种基于人工免疫原理的最优模糊神经网络控制器

提出了一种基于人工免疫原理的最优RBF模糊神经网络控制器设计方案．首先给出了控制器结构，其次将免疫进化算法用于控制器参数的优化，设计了一种满足二次型性能指标的最优RBF模糊神经网络控制器．将该控制器用于控制实际倒立摆系统，并采用状态变量合成方法以大大减少模糊规则的数目，实验结果验证了该控制器的有效性．     

神经网络在PID控制器参数优化中的研究

研究PID控制器参数优化问题.工业过程控制要求稳定性,跟踪特性均应实时快速.由于PID控制效果取决于比例、积分和微分3个参数取值,传统PID参数采用试凑方式进行优化,往往费时且难以满足实时控制效果,导致控制精度不高.为了提高PID控制精度,改善系统性能,提出一种神经网络的PID参数优化方法.方法将PID控制器输入作为神经网络输入,最优PID控制性能作为神经网络的输出,通过神经网络的联想记忆能力和自学习适应能力,在控制过程中动态调整PID参数(比例、积分、微分),从而实现PID控制器参数实时优化,获得最佳PID控制效果.仿真结果表明,应用神经网络的PID参数优化方法提高了PID控制精度和系统响应速度,具有较强的自适应性和鲁棒性.     

免疫克隆算法调节参数的非线性控制器设计

以模糊神经网络( FNN)为基础,结合误差线性反馈构造了一种新型的非线性控制器. 非线性控制器的设计难点在于参数的确定问题,用传统的算法对控制器参数寻优时容易陷入局部收敛,难于取得可靠的参数,因此提出一种改进的免疫克隆选择算法,用于确定非线性控制器的最优参数. 倒立摆的仿真实验表明改进的免疫克隆算法在控制器参数寻优中取得良好的效果,所设计的控制器具有很强的非线性适应能力.     

Design of a hybrid fuzzy logic proportional plus conventionalintegral-derivative controller

Presents approaches to the design of a hybrid fuzzy logic proportional plus conventional integral-derivative (fuzzy P+ID) controller in an incremental form. This controller is constructed by using an incremental fuzzy logic controller in place of the proportional term in a conventional PID controller, By using the bounded-input/bounded-output “small gain theorem”, the sufficient condition for stability of this controller is derived. Based on the condition, we modify the Ziegler and Nichols' approach to design the fuzzy P+ID controller. In this case, the stability of a system remains unchanged after the PID controller is replaced by the fuzzy P+ID controller without modifying the original controller parameters. When a plant can be described by any modeling method, the fuzzy P+ID controller can be determined by an optimization technique. Finally, this controller is used to control a nonlinear system. Numerical simulation results demonstrate the effectiveness of the fuzzy P+ID controller in comparison with the conventional PID controller, especially when the controlled object operates under uncertainty or in the presence of a disturbance     

基于神经网络-遗传算法的双轴运动系统PID控制

提出了一种针对双轴运动系统的基于神经网络-遗传算法的PID控制器参数寻优设计方案。离线部分用遗传算法(GA)的寻优得到一组最优的PID参数Kp^ ，Ki^ ，Kd^ ，并将其作为存线调整部分的仞始值；在线部分用神经网络的BP网络调整系统的瞬态PID响应，同时利用插补器使双轴运动系统进行圆弧插补运动。通过计算机仿真可证明，此寻优方法具有良好的控制性能。     

Evolutionary learning of fuzzy logic controllers and theiradaptation through perpetual evolution

This paper presents an adaptive control architecture, where evolutionary learning is applied for initial learning and real-time tuning of a fuzzy logic controller. The initial learning phase involves identification of an artificial neural network model of the process and subsequent development of a fuzzy controller with parameters obtained via a genetic search. The neural network model is utilized for evaluating trial fuzzy controllers during the genetic search. The proposed adaptive mechanism is based on the concept of perpetual evolution, where parameters of the fuzzy controller are updated at each time step with solutions extracted from a continuously evolving population of trials. There are two mechanisms that accommodate the real-time changes in the control task and/or the process into the continuous genetic search: a scheme that dynamically modifies the fitness evaluation criteria of the genetic algorithm, and an online learning of the neural network model used for evaluating the trial controllers. The potential of using evolutionary learning for real-time adaptive control is illustrated through computer simulations, where the proposed technique is applied to a chemical process control problem     

采用免疫进化算法优化设计径向基函数模糊神经网络控制器

基于生物免疫系统的计算智能近年来正逐渐成为一个研究热点.针对模糊神经网络控制器难于设计的问题,提出了一种免疫进化算法用于径向基函数模糊神经网络控制器参数的优化设计.首先将控制器参数进行编码表示成个体,并由若干随机个体组成初始群体;然后模拟生物适应性免疫应答过程,通过扩展操作在群体中较优秀个体的小邻域内进行局部搜索,同时利用突变操作在较差个体的大邻域内搜索;最后将设计的控制器用于控制倒立摆系统,仿真结果验证了该控制器的有效性.     

Design of an enhanced hybrid fuzzy P+ID controller for a mechanicalmanipulator

We propose in this paper an enhanced fuzzy P+ID controller to improve control performance in both dynamic transient and steady-state periods for mechanical manipulators under uncertainty. The fuzzy P+ID controller adds only two additional parameters to be tuned relative to the original PID controller. One of these parameters is mainly used to reduce a steady-state error. The other is used to speed up the dynamic response. A simulation study and experimental results for a two-link manipulator with uncertainty demonstrate the superior control performance of the proposed fuzzy P+ID controllers.     

改进克隆选择算法的层叠滤波器的优化设计

层叠滤波器优化设计的核心是正布尔函数最优化的问题.为了提高优化速度并对层叠滤波器进行全局优化设计,提出了一种改进的克隆选择算法.该算法引入多克隆算子和记忆单元及保留群体同时进化的思想.多克隆算子中的个体克隆规模根据个体的亲和度浓度自适应变化;重组操作在父代记忆个体与子代变异后的记忆个体之间展开,避免了近亲繁殖;保留群体的变异保证了群体的多样性.实验结果证明,该算法优化的层叠滤波器能在较短的时间内得到较好的滤波结果.     

改进的粒子滤波器目标跟踪方法

针对现有的粒子滤波跟踪方法存在的不足,提出了一种改进的粒子滤波器方法用于运动目标跟踪.将颜色直方图和边缘直方图结合起来建立目标的参考模型,有效地克服了使用单一特征建模的缺点,提高了跟踪的准确性.分别计算目标颜色模型和目标边缘模型与粒子的欧几里德距离,使用这2个距离作为粒子权值计算的重要依据.实验结果表明该算法具有较高的实时性、准确性和鲁棒性.     

Diagnostic neural adaptive control of drifting systems

A hierarchical network of neural network planning and control is employed to successfully accomplish a task such as grasping in a cluttered real world environment. In order for the individual robot joint controllers to follow their specific reference commands, information is shared with other neural network controllers and planners within the hierarchy. Each joint controller is initialized with weights that will acceptably control given a change in any of several crucial parameters across a broad operating range. When increased accuracy is needed as parameters drift, the diagnostic node fuzzy supervisor interprets the controller network's diagnostic outputs and transitions the weights to a closest fit specificchild controller. Future reference commands are in turn influenced by the diagnostic outputs of every robot joint neural network controller. The neural network controller and diagnostics are demonstrated for linear and nonlinear plants.