共查询到10条相似文献,搜索用时 15 毫秒
1.
2.
3.
针对一些非线性场合或者控制对象可变的条件下,传统PID控制达不到要求且需要靠经验不断地调整PID参数的情况,提出了一种基于粒子群优化(particle swarm optimization,PSO)的神经网络自适应控制算法。该算法结合传统PID控制、BP神经网络和PSO全局优化算法,用PSO算法优化BP神经网络的初始权值,然后用优化后的BP神经网络在线调整PID参数。优化过程中引入了变异操作,并考虑激活函数增益及隐含层数的选择对PSO算法和BP神经网络的综合影响。该算法克服了神经网络容易陷入局部极小值以及收敛速度慢的缺陷,仿真结果表明,该算法在精确性和实时性上有很大的改进。 相似文献
4.
5.
王征义 《机械制造与自动化》2023,(2):197-200
针对汽车发动机在怠速状态下存在超调过大以及响应时间慢等问题,提出一种基于PID算法的燃油汽车发动机怠速跟踪控制方法。分析汽车发动机怠速控制系统的要求,结合PID算法构建燃油汽车发动机怠速跟踪控制器,同时获取发动机的基本参数以及工作数据。在标准粒子原有搜索策略的基础上加入混沌搜索策略,通过混沌粒子群算法优化PID参数,将优化后的参数存储到控制器中,完成PID控制器参数的离线整定,最终实现燃油汽车发动机怠速跟踪控制。经实验测试结果表明:所提方法可以有效降低跟踪误差以及超调量,同时还能够减少响应时间。 相似文献
6.
PID的参数优化是应用工程中非常关键的一个问题.针对PID的参数优化,分析了两种最常用、经典的群智能算法——粒子群算法和蚁群算法在PID参数优化中的应用.两种群智能算法与PID控制器的结合适用于不同场合,各有优势和不足.两种群智能算法都能够有效地对PID参数进行整定,使得系统得到更好的鲁棒性和精确度. 相似文献
7.
针对燃油系统地面模拟试验气箱压力控制所存在的非线性、时变性问题,提出了一种基于改进粒子群算法(IPSO)优化的BP-PID控制器。该控制器结合改进粒子群算法全局搜索能力强和收敛速度快的特点,对BP神经网络的连接权值不断地调整,输出最优的PID控制参数。依据地面模拟试验参数,建立了主要器件的数学模型,利用Simulink软件对各器件的仿真模块进行搭建,构成一个完整的气箱控制系统进行研究。结果表明,IPSO-BP-PID控制比BP-PID控制响应速度快,稳定性好,超调量小,大大提高了气箱压力控制过程的精确性与鲁棒性。 相似文献
8.
9.
粒子群优化算法(PSO)基于群体的演化算法,本质上是一种随机搜索算法,并能以较大概率收敛到全局最优.针对非线性机械臂系统,利用径向基函数(RBF)神经网络和PID控制器作为混合控制器,运用PSO算法对神经网络参数进行在线学习优化,同时在PID控制器的辅助下对机械臂系统进行在线自校正控制.计算机仿真表明,该控制器具有较高的控制精度和响应速度,可以满足机械臂工作要求. 相似文献