PID控制参数优化中的改进免疫遗传算法

针对传统的PID控制起参数优化方法的缺点,提出了一种结合精英策略的改进的人工免疫遗传算法(IGAE),该算法的特点是以新的抗体相似度、期望繁殖率以及克隆选择概率的定义方法和计算公式作为优化问题的目标函数,采用IGAE去调整和优化PID控制器的三个增益参数,结合精英选择策略(elitism strategy)以获得性能最优的PID控制器.仿真实验结果表明新的免疫遗传算法具有全局优化的能力,响应速度快、鲁棒性强,对变参数PID控制的参数优化设计是成功和有效的.     

基于改进的免疫克隆算法的PID参数优化

依据PID控制器的控制原理,结合人工免疫算法和克隆选择原则,提出了一种新的基于周期变异的免疫克隆算法,并基于此算法在线优化PID控制参数,仿真结果表明控制输出能快速平稳地跟随期望输出值,系统响应可以获得良好的实时性、稳定性和较高的控制精度。     

一种基于改进的粒子群优化算法的神经网络PID控制器

针对多输入多输出(MIMO)复杂过程控制中控制性能偏慢等问题,对神经网络PID控制器以及PID控制理论物理机制之间的相互作用进行了研究。对神经元PID控制器隐层和输出层之间的初始权值进行了归纳,提出了一种粒子群优化算法,提高了PSO算法的收缩因子以保证优化的收敛性,并进行了Matlab仿真。研究结果表明,所提出的神经网络PID控制器的改进粒子群算法优化,在高耦合效应的复杂MIMO对象中具有良好的精度以及快速响应的特性。     

粒子群优化模糊PID在燃烧器温度控制中的应用

针对燃烧器温度控制系统是一个时变、大延迟和非线性的控制系统,无法建立准确数学模型,难以进行精确控制的问题,常使用模糊PID算法实现对此类系统的控制.但模糊PID算法需要专家给出模糊规则并调节参数,且参数调节过程中存在误差,控制性能较差.本文采用粒子群优化模糊PID算法中的量化因子Ke、Kec和比例因子Ku,快速整定模糊...     

基于粒子群算法液压伺服系统PID参数的优化

PID控制器在液压伺服系统中得到广泛的应用。为了有效地寻找液压伺服系统的最佳PID控制器参数,提出一种基于粒子群算法的PID参数优化策略。通过建立PSO-PID控制器参数模型,对PID控制器的参数进行实时优化;利用MATLAB对系统进行仿真,结果显示在液压伺服系统的工况相同时．新型控制器能取得满意的控制效果。     

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.     

基于微粒群算法优化PID参数研究

提出一种利用微粒群算法优化PID控制器参数的方法.微粒群算法(P S O)是一种新的随机优化算法,具有搜索速度快、寻优能力强、算法简单等特点.介绍了将微粒群算法用于PID控制器参数优化的方法、算法实现流程,仿真实验证明了微粒群算法的有效性,其性能优于遗传算法和传统的经验方法.     

两种群智能算法在PID参数优化中的应用分析

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.     

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。     

细菌群觅食优化算法及PID参数优化应用

针对细菌觅食(BF)算法收敛速度慢和粒子群优化(PSO)算法早熟的缺点,提出了一种细菌群觅食优化(BSFO)算法。将PSO算法中粒子速度的更新公式替代BF算法位置公式中的方向向量,使细菌在优化过程中具备感应周围细菌位置并向细菌群体历史最优位置游动的能力。Benchmark函数的测试表明,BSFO算法对于大部分测试函数的结果较为理想。将BSFO算法用于材料试验机电液位置伺服系统的PID控制器参数寻优仿真,获得了较好的控制性能。     

基于动力驱动微粒群算法的液压矫直机PID控制参数优化

为兼顾微粒群算法收敛速度与跳出局部解的能力，利用阶段性搜索方式将算法搜索过程分为前、后两个不同阶段。在算法的前期搜索阶段，当前微粒受个体最优微粒与全局最优微粒的引力作用，在算法的后期搜索阶段引入中值导向加速度，提出一种动力驱动微粒群算法。最后，针对液压矫直机PID控制的参数优化问题，考虑控制信号、上升时间和误差量的关系，建立液压矫直机PID控制参数优化模型，利用动力驱动微粒群算法优化得到更好的参数组合，实现PID控制参数优化。     

基于模拟退火遗传算法的PID控制器参数优化

针对遗传算法存在容易早熟的不足,将模拟退火算法融合到遗传算法中,建立了模拟退火遗传算法,并将其应用于PID控制器的参数优化.结果表明,将模拟退火算法融合到遗传算法中是有效的,基于模拟退火遗传算法的PID控制器参数优化是可行的.     

泵控马达调速系统单神经元PID控制参数优化的改进算法

针对常规PID控制的不足以及泵控马达调速系统动态性能差的特点，提出了一种基于单神经元的自适应PID控制器．并结合误差二次型最优控制理论对单神经元的性能指标进行改进，推导出相应的单神经元输入权值调整算法。仿真结果表明，改进的单神经元自适应PID控制器具有更快的响应特性和良好的动态特性，其控制效果明显优于常规的PID控制器，将其应用于泵控马达调速系统是行之有效的。     

基于粒子群算法的参数自整定伺服控制器的设计

提出了一种可以不考虑系统的数学模型以及外部的工作状况,直接通过在可行域内搜索最优解来找到合适的控制器参数的方法。以伺服系统的速度环控制器为研究对象,将粒子群优化算法应用于控制器的参数自整定中,设计了参数自整定PI控制器。在Matlab／Simulink环境下建立永磁同步电机伺服系统的仿真模型,对比了通过人工参数整定与基于粒子群优化算法的参数整定两种方法。仿真实验结果表明,该方法整定出的控制器参数可以使伺服系统的性能得到较大提高,具有较大的应用价值。     

改进遗传算法在直流伺服电动机的PID优化控制

提出了一种改进型遗传算法,它可减少传统遗传算法的进化时间和收敛代数,提高了进化的爬坡能力。同时,利用此改进算法对直流伺服电动机的控制系统进行PID控制参数优化整定,仿真结果表明该方法得到的优化参数更接近全局最优解,使控制系统具有更好的鲁棒性和稳定性。     

基于粒子群优化算法的航天器惯性参数辨识

在地面上精确测量航天器的惯性参数是困难的,并且由于燃料的消耗、航天器的交会对接、载荷及姿态的变化等因素将会使航天器的惯性参数在轨发生变化。因而航天器的控制系统、状态估计系统将会受到航天器惯性参数变化的影响。在轨辨识出航天器的惯性参数,可以为更加优化、实时的控制航天器服务。文中提出了一种基于粒子群优化算法的航天器惯性参数辨识算法。建立了引入带有模型误差以及由于航天器惯性参数变化引起的误差的航天器姿态运动学与动力学模型,基于模型误差最小准则建立目标函数,利用改进的粒子群优化算法对模型误差进行实时估计,从而实现对航天器惯性参数的辨识,并将其应用到航天器的姿态控制中,并通过仿真实验证明了该算法的有效性以及实用性。