基于遗传算法的PID神经网络解耦控制

提出一种基于遗传算法的ＰＩＤ神经网络解耦控制算法。该算法将遗传算法用于多层前向神经网络的连接权系数的学习。克服了ＢＰ算法易陷入局部极值的缺点,并具备ＰＩＤ神经网络控制器结构简单规范、动态和静态性能良好等优点,适用于对非线性多变量系统的解耦控制。     

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。     

遗传算法在PID自适应控制中的应用

提出一个基于遗传算法的PID自适应控制系统。在连续系统辨识部分，设计了一种分层遗传算法（HGA），完成对控制对象结构与参数的同步辨识；根据所获得的对象模型，在PID控制器参数设计部分，采用一种基于基因差异的实数编码遗传算法（SAGA），并兼顾了控制系统的时域及频域要求。当控制对象发生变化时，由于借助HAG对模型进行及时修正并由SAGA对PID参数自适应优化调整，使系统能迅速稳定并处于优化的运行状态。     

基于神经网络的PID控制器

提出了一种新型PID控制器,该控制器利用BP网络实现PID参数的在线调整,采用RBF网络对被控对象在线辨识。仿真结果表明该控制器的控制效果优于传统的PID控制算法和模糊自适应PID控制算法。     

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.     

基于混沌变量优化的神经网络PID控制

对神经网络模型辨识器的输入量Y（k）,u（k）进行归一化处理,一种规范化PID控制方法作为控制器。采用Logistic映射构造多个不同的混沌变量,应用到神经网络PID参数域中,根据控制系统性能指标进行混沌寻优,获得近似最优解后,再通过时变因子Z（t）在近似最优解的附近继续混沌局部寻优。仿真实验表明该方案是有效的。     

基于实数编码遗传算法的PID控制系统设计

提出一种使用遗传算法确定PID控制系统参数的方法。它以使用工程中常用的频域指标作为目标函数,使方法更具有实效。根据这一思想,使用C语言设计遗传算法的各个部分,如编码方式、适应度函数、遗传操作算子等。最后,对实际的算例进行计算并将结果在Matlab环境下进行了仿真。仿真结果表明:本方法快速、有效。     

基于CMAC神经网络的PID控制

提出利用CMAC神经网络与PID的复合控制,实现非线性系统控制。由于CMAc网络的优点使PID控制效果有很大提高。仿真实验表明了该方法的有效性。     

基于神经元网络的智能PID控制及应用

本文提出了一种神经网络的智能ＰＩＤ控制系统，给出了有效的基于共轭梯度的神经网络学习算法，经过仿真实验和应用结果表明，这类智能控制器可用于难以建立数字模型的控制系统。     

基于BP神经网络整定的PID控制

针对经典PID控制参数不能在线调整的缺陷,研究了一种基于BP神经网络的PID控制算法,利用BP神经网络具有的任意非线性表达能力,通过对系统性能的学习,实现具有最佳组合的PID控制。     

基于动态递归网络的PID自适应控制器的设计与应用

本文分析了改进的ELMAN网络的结构,并讨论了神经网络的学习算法,针对BP算法的缺陷,提出了用遗传算法修正网络权值的学习算法。本文不仅将采用遗传算法进行训练的改进ELMAN网络应用于汽车磷化加热系统的建模,而且针对该系统的特点提出了一种带预测模型的神经网络PID自适应控制器,并最后将该控制器应用于磷化温度控制,取得了良好的控制效果。     

基于改进遗传算法的PID控制器设计

针对一般遗传算法存在的不足，提出一种改进的遗传算法，并将其应用于PID控制器参数设计。该方法采用实数编码，是为了操作方便、提高精度和收敛速度，且能克服传统PID参数整定的费时性。仿真结果表明，基于改进遗传算法设计的PID控制器获得了良好的控制效果，其控制性能优于常规的PID控制器。     

基于RBF神经网络的智能PID控制算法

针对工业中的纯滞后现象提出一种智能控制方法,在常规的PID控制器中引入Smith预估器,对纯滞后时间τ所产生的特性进行预估补偿,同时利用RBF神经网络对PID的参数进行自整定,在一定程度上增强了系统的鲁棒性和稳定性。实验证明,此控制方法对纯滞后工业对象进行控制可以得到良好的效果。     

基于神经网络PID控制的自动化测试系统的开发与设计

针对汽车交流发电机性能自动化测试系统中测试对象特性的多样性及测试环境的多变性,在进行测试条件参数调节的过程中,采用改进型BP神经网络PID控制器,实现PID参数的在线自整定,改善自动化测试系统的动态品质,从而有效提高发电机生产线的生产效率.     

遗传算法在BP网络PID控制中的应用仿真

为了有效地克服BP网络存在的局限性,即控制效果严重依赖于权值矩阵初始值,对空调系统模型进行了多次仿真,结果权值矩阵初始值的优化点分布与取值区间具有相关性,即在特定优化区间内,满意的权值矩阵初始值数量较多。引用遗传算法全局搜索能力和过程流程图,并引入到BP网络PID控制之中,既利用了遗传算法的全局搜索能力进行权值矩阵区间优化,同时利用BP网络的局部搜索能力与实时处理能力,有效地解决了常规BP网络控制的局限性。仿真结果表明,混合算法优于常规BP网络整定PID控制方法,并可推广到其它BP网络应用领域。     

一种神经网络自适应PID控制器

应用人工神经网络的原理,设计了一种神经网络的职能PID控制器。仿真结果表明,此PID控制器对非线性时不变系统有比传统的PID好的控制效果。该控制器将神经网络和PID控制规律融为一体,既具有常规PID控制器结构简单、参数物理意义明确之优点,又具有神经网络自学习、自适应之能力,控制效果明显提高。     

基于自适应交互算法的神经网络控制器设计

自适应交互算法是一种简单有效的算法，可以应用于不同类型的系统，与常用的BP算法相比，它不需要反馈网络反向传播误差，可以直接用来设计自适应神经网络控制器，使控制器的设计简单化，将这种算法应用于神经网络，并设计了神经网络控制器，通过仿真研究表明，用自适应交互算法设计的控制器不仅结构简单，而且控制效果也非常好。     

一种神经形态马赫数PID自适应控制器研究

本文从自适应控制和优化学习算法的角度出发,将传统的PID控制和神经网络BP算法相结合,构造了具有自适应、自学习功能的神经形态PID自适应马赫数控制器(NNCPID)。通过对网络控制模型的训练、学习和系统仿真,验证了该NNCPID控制器在改善马赫数控制性能、提高系统实时性、鲁棒性等方面,具有很大的优越性。