利用改进微粒群算法优化PID参数

提出一种利用改进微粒群算法优化PID参数的方法。微粒群算法(PSO)是一种随机全局优化技术，算法通过微粒间的相互作用发现复杂搜索空间中的最优区域，算法简单、容易实现且功能强大。将PSO算法加以改进并应用在PID控制器的参数优化，经仿真证明了PSO算法的有效性，其性能优于遗传算法和传统的经验公式。     

多变量系统的PID 控制器设计

针对多输入多输出系统,提出一种基于微粒群算法的灰色系统预测PID 控制算法．该方案将多 输入多输出系统转化成若干个多输入单输出子系统,使用多变量一阶灰色模型GM(1;N) 预测出每个子系统的 输出,实现了多输入多输出系统的对角解耦．然后用微粒群算法优化PID 控制器的参数,用优化后的PID 控 制器对每个子系统进行控制．对两个典型的多变量控制过程进行了仿真,结果表明,这种控制方法超调量较 小,鲁棒性强,响应速度快,抗干扰能力强.     

微粒群算法在PID参数优化中的应用

微粒群算法是近年来兴起的一种智能优化算法,PID控制是当前工控领域运用最为广泛的一种控制方案,PID控制的效果与其三个参数息息相关,参数的设置与选取直接影响到控制系统的性能,本文基于MATLAB GUI设计出了可视化的仿真平台,利用PSO算法针对炼钢炉铁水温度控制系统PID控制器参数优化进行仿真研究,并和其它几种方案的控制效果进行比较,得出PSO算法应用于PID参数整定的可行性、有效性和优越性。     

基于微粒群算法的PID控制器优化研究

研究PID控制器性能优化中,由于被控对象具有高阶、非线性等特点,而在工业生产过程中,传统的PID参数整定方法易出现超调和震荡问题,使系统响应特性差。为改善系统性能,提出一种改进粒子群算法的智能优化策略,将PID控制器参数作为粒子群中的粒子,以控制误差时间积分函数作为优化目标,进行PID控制参数的并行优化。利用MATLAB仿真软件进行仿真,并通过与传统整定方法(Z-N法)进行比较。结果表明,粒子群的PID参数整定法可提高控制器性能,并能够实现目标的最优整定,为PID控制器性能优化提供依据。     

基于微粒群优化算法的二自由度PID调节器的设计

提出了一种新二自由度PID调节器的设计方法。基于灵敏度函数,采用PSO优化算法对二自由度PID参数进行自适应调整,仿真结果和改进的遗传算法进行比较,系统同时具有良好的跟随性能和抗干扰能力,所设计的二自由度调节器具有很强的鲁棒性,证明了PSO算法的有效性。     

基于改进粒子群优化算法的PID控制器参数优化

针对PID控制器参数整定问题,提出一种基于改进粒子群优化算法的优化方法。该方法在实数编码及设定参数搜索空间的基础上,采用基于指数曲线的非线性惯性权值递减策略,以较大幅度地提高算法的收敛速度和精度;嵌入基于差分进化算法变异算子的局部搜索策略,以有效提高粒子个体的适应性和群体的多样性,改善解的质量,同时增强算法全局空间探索和局部区域改良能力的平衡。仿真结果表明,该方法与传统和智能算法相比较,所得到的控制器参数能够使控制系统获得更好的动态响应特性和满意的控制效果。     

基于微粒群算法的PID参数优化及其在电阻炉温度控制中的应用

PID控制在工业上广泛应用;但是PID参数整定困难。该文提出一种改进的微粒群算法,进行PID参数寻优,并应用于电阻炉温度控制。仿真证明了该算法能有效地实现PID参数整定,应用于电阻炉温度控制时,具有响应快,超调小等优点。     

基于粒子群算法的一种非线性PID控制器

基于PID控制器各增益参数与偏差信号之间非线性关系,分析了一种P/I/D各部分参数关于误差的理想变化过程,根据控制与误差之间的调节规律,给定一组增益参数的连续非线性函数,构造出一种非线性PID控制器。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,采用该算法寻优整定该非线性PID控制器的各增益参数。仿真结果表明了所提算法的有效性和所设计控制器的优越性能。     

基于粒子群算法的一种非线性PID控制器

基于PID控制器各增益参数与偏差信号之间非线性关系，分析了一种P／I／D各部分参数关于误差的理想变化过程，根据控制与误差之间的调节规律，给定一组增益参数的连续非线性函数，构造出一种非线性PID控制器。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，采用该算法寻优整定该非线性PID控制器的各增益参数。仿真结果表明了所提算法的有效性和所设计控制器的优越性能。     

基于改进粒子群算法的模糊神经网络PID控制器设计

针对模糊神经网络PID控制器中参数初始值的设置对控制器性能影响大的问题,提出一种改进的PSO算法优化模糊神经网络PID控制器参数的设计方法.该方法采用实数编码的方式对控制器参数进行优化,并以ITAT指标作为改进的PSO优化算法的适应度函数.实验仿真表明:经过改进的PSO算法优化的模糊神经网络PID控制器具有良好的动静态性能,响应速度更快,超调量更小,控制精度更高.     

基于粒子群算法的无线充PID控制器优化设计

对于谐振式无线充电系统,由于负载和线圈耦合变化等扰动影响,供电池负载充电的电流若只进行开环控制易产生扰动,故在前向通道中加入经典PID控制器,对系统进行实时有效的闭环控制。针对经典PID控制器的参数无法自适应整定的问题,提出了利用粒子群算法（PSO）自整定设计无线充电PID控制器参数的方法,并进行仿真分析和实验验证,结果表明：引入粒子群算法后的PID控制器快速性和稳定性都优于经典PID控制器,调节时间减少0.647s,最大超调量下降了4,1%,稳态误差误差下降了1.04%,证明了该方法对于改善无线充电系统输出动静态特性的可行性和有效性。     

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．     

求解多目标优化问题的灰色粒子群算法

鉴于基本粒子群算法无法解决高维多目标优化问题,提出了一种适合求解高维多目标优化问题的灰色粒子群算法(GPSO),该算法根据灰色关联能够很好地分析目标矢量之间的接近程度,并能掌握解空间全貌的特点,利用灰色关联度的大小来选取粒子群算法中的全局极值和个体极值。实验结果证明,该算法可行而有效,同时也拓展了粒子群算法的应用领域。     

利用改进粒子群算法整定PID参数

PID控制器的性能取决于其控制参数的组合,针对其参数的整定与优化问题,提出了一种改进的粒子群算法,该算法将区间算法与轮盘赌选择引入种群微粒位置的初始化操作。仿真实验表明,新算法能有效克服早熟收敛现象,降低随机性初始种群的影响,提高算法收敛精度。     

一种多目标优化问题的理想灰色粒子群算法*

针对逼近理想解的排序方法对Pareto前端的距离跟踪以及灰色关联度能够很好地分析非劣解集曲线与Pareto最优解集曲线的相似性,提出了一种求解多目标优化问题的理想灰色粒子群算法。该算法利用理想解理论与灰色关联度理论来求解粒子与理想解之间的相对适应度和灰色关联度系数,把两者的和定义为相对理想度,通过相对理想度来判别粒子的优劣,以确定个体极值和全局极值。通过四组不同类型的基准函数测试算法性能,并与目标加权法和灰色粒子群算法比较分析,结果表明该算法能够较好地收敛到Pareto最优解集,不但具有较好的收敛性和分布     

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。     

基于改进粒子群算法的PID控制器参数自整定

针对标准粒子群算法寻优精度不高、易出现早熟收敛等缺陷,提出一种自适应混沌移民变异粒子群算法IPSO。该算法通过引入基因距离来反映粒子间合作与竞争的隐性知识,使粒子种群的多样性得到量化,采取自适应混沌移民变异策略对陷入聚集区域的粒子进行处理,使之获得继续搜索的能力,从而防止算法过早陷入局部最优。仿真结果表明,IPSO算法在PID控制器参数寻优问题上具有遗传算法和标准粒子群算法无法比拟的优势。     

基于权重QPSO算法的PID控制器参数优化

传统的PID控制器参数优化方法容易产生振荡和较大的超调量,因此智能算法如遗传算法（SGA）和粒子群算法（PSO）被用于参数优化,弥补传统算法的不足,但是遗传算法在进化过程中收敛速度慢,粒子群算法存在易于早熟的缺点。在分析量子粒子群算法（QPSO）的基础上,在算法中引入了权重系数,提出使用改进的量子粒子群算法（WQPSO）优化PID控制器参数。将改进量子粒子群算法与量子粒子群算法、粒子群算法通过benchmark测试函数进行了比较。最后,通过三个传递函数实例,分别使用Z-N、GA、PSO方法和改进的量子粒子群算法进行了PID控制器参数优化设计,并对结果进行了分析。     

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。