基于改进粒子群算法的PID参数整定

粒子群算法是一种基于群智能的全局寻优方法,方法简单,易于实现,寻优效果好。PID控制因其算法简单、鲁棒性好、可靠性高而被广泛应用于工业控制过程。该文提出了一种改进的PSO算法以提高其优化性能,通过典型测试函数的实验证明了该改进的PSO算法具有较好的优化性能。最后,将改进后的PSO算法应用到PID参数整定中,通过MATLAB仿真证明了该方法的可行性和优越性。     

基于改进粒子群算法的PID参数整定

提出一种改进的粒子群算法,算法中对粒子的进化方程进行了改进,以此来增加种群间信息的共享。通过典型函数的测试,验证了改进粒子群算法具有较好的优化性能。将改进后的算法应用到PID参数整定中,通过MATLAB仿真证明了该方法的可行性和优越性。     

基于PSO自整定PID控制器的柔性臂振动控制

针对压电柔性机械臂运行过程中的弹性振动问题,提出了基于粒子群优化算法（particle swarm optimization,简称PSO）自整定比例积分微分（proportional integral differential,简称PID）控制器参数的柔性臂振动抑制方法。采用标准粒子群优化算法,以时间乘绝对误差积（integrated time and absolute error,简称ITAE）准则为适应度函数,整定PID控制器的3个控制参数K-p,K-i和K-d,并采用Matlab Simulink平台建立双连压电柔性机械臂振动控制仿真模型,研制基于虚拟仪器技术的柔性臂振动控制试验系统。仿真与试验结果表明,采用常规PID控制算法和基于PSO自整定的PID控制算法均能有效地抑制柔性机械臂的弹性振动,但后者的振动抑制效果、鲁棒性与稳定性优于前者。     

基于免疫粒子群算法的PID参数优化研究

针对传统PID控制系统中存在的调节时间长、控制精度低、响应速度慢等问题,提出使用免疫粒子群算法对PID参数进行优化。首先,对粒子群优化算法（PSO）中的惯性权重、学习因子、粒子学习模式进行改进,使得微粒更新适应各个阶段;其次,引入人工免疫思想形成免疫粒子群算法,保证了迭代过程中粒子的多样性,提高了算法精度;最后,在仿真环境下经过对ZN公式法、参数改进后的粒子群算法、免疫粒子群算法在PID控制参数优化效果进行对比可知,免疫粒子群算法的优化控制效果更佳。     

基于粒子群算法的PID控制器参数优化

提出了使用粒子群算法对PID控制器的比例带δ、积分时间Ti寻找最优解的方法.运用MATLAB通过对电厂中过热汽温控制系统内回路一级过热器的辨识模型进行仿真,表明该种算法的有效性.     

粒子群优化算法中惯性权重的研究

惯性权重是粒子群优化算法中的关键参数,文章对惯性参数进行了系统的研究,在此基础上,分析了固定权重,典型的线性递减惯性权重,步长较小的线性递减惯性权重时收敛性能的影响.通过对4个测试函数的仿真实验,验证了它们各自的全局收敛性和收敛速度,说明了惯性权重在粒子群优化算法中有很大的自由度.     

基于改进粒子群优化PID的矿用机电设备控制策略

针对矿用机电设备自动控制误差大、实时性差的问题,文中基于改进粒子群优化PID算法,设计了一种矿用机电设备优化控制策略。在矿产行业常用电机设备工作特点的基础上,推导了其定子电压、磁链方程和传递函数。使用模糊PID控制算法来改善PID算法超调严重问题,同时采用动态惯性权重对粒子群算法进行改进,改进后的粒子群算法被用来对PID控制参数进行优化,从而实现PID控制器的最佳性能。实验测试结果表明,所提控制策略的超调量为0.035%,过渡时间为0.35 s,相比于传统PID控制模型分别降低了0.015%和18.6%,证明该方案具有一定的工程应用价值。     

PSO优化算法的参数研究

分析了惯性权重与学习因子对算法性能的影响,相应提出了几种调整策略并对其优缺点进行比较,之后基于前人的基础数据,借助Matlab软件进行编程,对6种组合调整策略进行优化试验,并与前人试验的最优解进行比较,最终通过试验数据,找出了一种较为可行的优化调整策略.     

基于改进粒子群算法的神经网络PID控制研究

BP神经网络PID控制是利用BP神经网络的自学习和逼近任意非线性函数功能,对PID控制器的三个参数进行在线整定,但网络初始权值的选取困难.采用改进的PSO算法优化BP神经网络的初始权值,并对基于PAO算法的BP神经网络PID控制进行仿真实验.仿真结果表明,PSO算法使得网络初始权值的选取比较快速,系统的性能有所提高.     

基于改进PSO算法的数控机床主轴优化设计

通过分析主轴结构和加工过程中受载变形情况, 建立了主轴优化设计的数学模型。根据邓克莱法计算得到的一阶固有频率近似值,引入动态约束条件 。针对传统优化设计方法在解决主轴优化设计中出现的问题,引入粒子群优化 (PSO) 算法,并提出了一种惯性权重值适应性递减的粒子群（ADW）算法。将ADW算法用于数控机床主轴优化实例中,得到主轴结构参数优化组合。研究结果表明,运用所建立的主轴优化设计数学模型及改进粒子群算法可以得到主轴结构参数优化组合,充分显示了该研究方法的有效性。     

基于PSO算法的自适应PMD补偿系统设计

提出了一种应用于WDM系统中的自适应偏振模色散(PMD)补偿方法,用粒子群优化(PSO)算法来实现DOP的搜索和跟踪,并经D/A转换,将对应的电压施加在偏振控制器上,调制电压范围为0～10V,调节信号的基本偏振态,从而形成闭环反馈控制模块,通过多次迭代,得到DOP的最佳值,实现对PMD的自适应补偿.     

基于改进量子粒子群算法的PID参数优化

受遗传算法中变异机制的启发,提出一种引入变异因子的改进量子粒子群算法(MQPSO),粒子以不同的概率在种群最优解的位置附近进行变异。在典型函数的测试中,MQPSO算法的收敛精度要好于QPSO算法。应用于电厂主汽温控制系统PID参数优化,仿真结果表明,系统获得了较好的控制效果。     

权重改进的蛙跳算法优化PID参数

针对非线性、大延迟、时变的控制系统,传统的PID控制效果不理想,为此提出用蛙跳(shuffled frog leaping algorithm,SFLA)仿生优化算法整定PID参数,但传统蛙跳算法易陷入局部最优,收敛速度慢,因此提出权重改进的蛙跳算法(weight improved shuffled frog leaping algorithm,WISFLA)。该算法引入线性递减惯性权重修正最差青蛙的更新策略,可以平衡算法的全局搜索和局部搜索。通过两个经典控制系统的仿真测试,结果表明,WISFLA算法可以平衡算法的全局搜索和局部搜索,比SFLA和PSO(particle swarm optimization)的寻优能力强,迭代次数少,更适合PID参数的整定优化。     

基于粒子群算法的PID参数寻优

粒子群优化PSO(particle swarm optimization)算法是近几年出现的一种新型演化算法,对连续函数的优化效果良好。我们采用PSO算法对PID参数进行了优化,结果显示性能优于遗传算法。     

基于改进量子粒子群算法的火电厂再热汽温调节系统PID参数自整定

鉴于热控工作人员的技术水平和经验不足等问题,目前火电厂中许多控制回路整定效果不佳,因此PID参数的自整定具有极其重要的意义。为此,提出了一种基于改进量子粒子群算法的PID参数自整定方法,并采用MATLAB软件对火电厂再热汽温调节系统进行了仿真及PID参数自整定。通过与工程上的临界比例度法、传统粒子群算法、传统量子粒子群算法自整定的仿真结果相比较,证明了基于改进量子粒子群算法的PID参数自整定方法的优越性。     

基于运动目标路径的粒子群优化算法研究

粒子群优化算法(PSO),是一种基于迭代的优化方法,能用于各类优化问题.首先分析传统粒子群优化的搜索策略与基本算法,通过修改限制因素,并对粒子群算法全局极值和个体极值选取方式的改进,从而得到了一个求解运动目标路径优化问题的算法.实验结果证明了算法的有效性.     

电锅炉温度控制系统PID参数整定算法的改进

针对电锅炉温度控制系统常规PID控制性能欠佳的问题,提出一种PID参数整定的改进算法。先用RBF网络在线辨识温度采样信息,得到控制器所需的Jacobian信息,然后用LM算法代替传统的梯度法整定PID参数,得到改进的PID算法。通过电锅炉温度控制系统仿真分析,验证了算法的快速性、抗扰性、鲁棒性,具有较好的应用前景。     

基于混沌蚂蚁群算法的PID控制器的参数整定

将蚂蚁混沌动力学、群组织和优化机制进行巧妙的结合，本文给出了一种基于群智能理论的新的优化方法，即混沌蚂蚁群算法CAS。同时采用该方法对PID控制器的参数进行了整定，它以误差积分型性能指标为目标函数、以设计参数的取值范围及最小增益和相位裕度为约束条件，建立了优化数学模型，数值结果显示采用混沌蚂蚁群算法的整定性能要优于采用遗传算法整定的性能。同时本文的方法由于不需要采用编码过程，因此比采用遗传算法的辨识方法要简练。     

基于PSO算法优化模糊PID控制器的灵巧手抓取控制研究

随着仿生学的进展,机器人领域中五指灵巧手作为主要执行机构的重要性不断增强。然而,在抓取过程中,五指灵巧手常常面临内部作用复杂、速度缓慢和效率低等问题。为了应对这些挑战,该文提出了一种基于角度闭环模糊自适应控制算法。该算法采用模糊策略来推断灵巧手关节角度偏差与控制器参数之间的关系,并制定相应的模糊规则。通过实时调整控制器参数,该算法能够提高系统的稳定性和抓取效率。此外,通过建立ADAMS模型和相应的闭环控制系统,以提高实验过程的可视化程度。实验结果表明,通过采用粒子群算法(Particle Swarm Optimization Algorithm)优化模糊自适应PID算法并改进系统参数,相较于传统的PID算法,可以显著减少灵巧手在抓取过程中的关节抖动,并展现出更好的手指指尖接触力控制性能。