基于免疫进化算法的PID参数整定

借鉴生物免疫系统中的免疫网络调节机理，提出了一种新的自适应免疫进化算法，该算法用抗体激励水平作为选择压，并同时采用了种群数的自适应控制方法和基于免疫记忆机理的精英保留策略。将该算法应用于PID控制器参数的整定，结果表明这种算法能克服遗传算法的不足，有效保持种群的多样性，并且由此设计出的PID控制器性能优于基于遗传算法的PID控制器。     

基于矢量矩免疫遗传算法的PID参数整定

对于不确定系统,PID控制器存在着跟踪设定值与抑制扰动之间、鲁棒性与控制性之间的矛盾,对此,提出采用基于矢量矩方法计算抗体浓度,用免疫遗传算法思想对PID参数进行优化,提出了一种基于矢量矩的免疫遗传算法的PID参数优化控制方法。仿真结果表明,这种优化算法加快了收敛速度,有效提高了系统的全局稳定性,增强了PID控制器的鲁棒性。     

基于遗传算法的PID参数整定与优化

PID参数整定与优化一直是自动控制领域研究的重要问题。采用遗传算法进行PID参数整定与优化是一种寻求全局最优且与初始条件无关的优化方法。在参数整定与优化过程中,考虑了过程控制系统的参数整定特点和寻优精度。     

用遗传算法实现PID参数整定

PID参数整定一直是控制领域中的重要研究问题。本文在MATLAB平台上将遗传算法应用于PID参数的自动整定,算法实例仿真取得了良好的效果,为PID参数整定方法提供了一种新的尝试。     

基于量子遗传算法的PID控制器参数自整定

提出了一种基于量子遗传算法（QGA）的PID控制器参数整定方法。首先定义一个包含表示系统超调量、上升时间和稳态误差指标项的适应度函数,并根据实际系统的性能要求对指标项进行适当加权。之后采用具有量子比特个体表示形式和量子旋转门实现种群进化的量子遗传算法,对PID进行多目标寻优,从而实现PID参数的自动整定。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和一般遗传算法得到的PID控制器。     

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。     

基于免疫遗传新算法的PID参数整定

为使PID参数整定工作更加快捷有效,在传统遗传算法的基础上,提出基于独特型免疫动力学网络模型的新型免疫算法,以激励水平作为抗体选择操作的量度,并构建精英抗体库,以便给精英抗体更多交叉变异的机会.将该算法用于PID控制器参数整定,仿真结果表明,新算法能更快地找到控制器PID参数最优组合,且经该算法优化后的系统控制性能优于传统遗传算法优化的PID控制器,故该算法用于PID参数优化是可行且有效的.     

遗传算法在PID参数整定中的应用

针对传统PID参数整定的困难性 ,本文提出了把遗传算法运用于PID参数整定中 ,采用遗传算法进行PID参数整定是一种寻求全局最优且与初始条件无关的优化方法。仿真结果表明基于遗传算法运的PID参数整定具有良好的控制特性。     

基于遗传算法的PID参数的优化控制策略

在PID参数的优化过程中,采用常规的整定方法,往往费时且难以满足控制要求。选取遗传算法来进行参数寻优,该方法是一种不需要任何初始信息并可以寻求全局最优解的、高效的优化组合方法。通过MATLAB仿真实验结果表明,该方法可以应用于多数控制系统,并能达到良好的控制效果。     

基于遗传算法的PID参数优化与仿真

本文提出了一种基于遗传算法的PID控制器参数优化设计。通过仿真研究，表明了遗传算法是一种简单高效的寻优算法。与传统的寻优方法相比明显地改善了控制系统的动态性能。     

基于改进人工免疫算法的PID参数优化研究

针对传统PID控制器参数优化方法存在的不足,提出了一种改进的人工免疫算法（IAIAE）。该算法的主要特点是,采用了基于抗体浓度的调节机制和多样性保持策略的新方法,使用了浮点数编码方法和Elitism策略。将该算法应用于PID控制器参数的优化,并与具有精英保留的SGA进行比较。仿真实验结果表明,用IAIAE算法优化PID控制器参数,其效果优于SGA。     

基于遗传算法的直流转台控制参数优化

本文介绍了一种采用遗传算法对直流转台控制参数进行优化的方法。通过对转台进行建模,确定适应度函数,利用遗传算法对其控制参数进行了优化。与模糊自适应PID控制进行了仿真比较,仿真结果表明,基于遗传算法的优化方案具有更强的适应性和鲁棒性,进而证明了该方案的可行性和有效性。     

基于遗传算法混沌系统同步的研究

把混沌同步和混沌控制相结合, 利用引导混沌轨道的基本原理, 将模拟自然界生物进化过程的遗传算法用于混沌同步, 提出基于遗传算法引导混沌轨道, 从而实现混沌系统同步的新方法, 目的是使初始条件不同的混沌系统在小扰动作用下能迅速到达同步, 并采取策略使同步得以维持. 以H啨ｎｏｎＭａｐ系统为例的仿真表明, 用此方法实现同步效果良好.     

基于量子粒子群算法的PID控制器参数整定

量子粒子群(Quantum-Delta-Potential-Well-BasedParticleSwarmOptimization,QDPSO)算法是量子空间里的粒子群算法。基于QDPSO提出了一种新的PID参数整定算法,该算法具有操作简单、稳定收敛、寻优快速等优点。同时,引进了一种新的时域评价标准函数来评价QDPSO-PID控制器的性能。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。     

基于风驱动优化算法WDO的PID参数优化

鉴于PID控制器的优越性,其在工业控制领域中的引用越来越广泛。PID控制器的性能主要在于其参数优化设计,PID参数优化问题一直是研究热点。为了解决PID参数优化问题,提出了一种基于自然启发的风驱动优化算法（WDO）的PID优化控制方法,该算法以PID三个参量为控制对象,以误差绝对值和控制输入平方项的时间积分作为优化目标,经过迭代寻优计算得到系统最优控制量。通过计算机仿真,并与遗传算法和粒子群算法PID参数优化相比,结果表明：该算法提高了系统的控制精度、响应速度和鲁棒性,为控制系统PID参数整定提供了参考。     

免疫遗传算法的混合动力汽车多目标优化

以混合动力汽车传动系统参数与控制策略参数为优化变量,以最小燃油消耗和尾气排放量（CO+HC+NOx）为优化目标,以动力性能与电池荷电状态平衡作为约束条件,建立多目标优化模型,并使用权重系数法将多目标函数优化问题转化为单目标问题。提出了基于免疫遗传算法优化混合动力汽车参数的优化方法,该算法采用实数编码,通过调用ADVISOR的后台函数,建立联合优化仿真模型。仿真结果表明,该算法可有效降低车辆的燃油消耗,减少CO与HC排放量,能够较好地解决带有约束的混合动力汽车的多目标多参数优化问题,可以获得一组具有低油耗与低污染物排放的传动系统与控制策略参数,供决策者选择。     

遗传算法在PID自适应控制中的应用

针对传统遗传算法的局限性，提出了一种新型的遗传算法。在算法上有很多改进，比如：保护最优个体。采用新型的交叉和变异操作。用Madab做仿真试验，试验结果证明新型的遗传算法有良好的动态性能。另外，解决了传统遗传算法中的一些不足．提高了优化的精确度和收敛性能。