基于粒子群算法改进BP神经网络PID垃圾焚烧控制研究

针对生活垃圾焚烧控制系统焚烧过程存在的大滞后、非线性、复杂性、强耦合等问题，本文提出一种基于粒子群算法改进的BP神经网络PID垃圾焚烧控制策略，即在原有传统PID控制器的基础上加入BP神经网络算法，再通过粒子群算法对BP神经网络进一步优化，使其训练得到全局最优控制参数，提高神经网络的收敛性^[1]，从而在线实时调整PID的三个参数K_p、K_i和K_d。实验结果表明，基于粒子群算法改进的BP神经网络PID控制可以有效地克服传统PID控制存在的问题，明显减小了超调量，提高了系统的响应速度和控制精度。     

粒子群优化算法在神经网络控制中的应用

考虑粒子群优化算法在不确定系统的自适应控制中的应用。神经网络在不确定系统的自适应控制中起着重要作用。但传统的梯度下降法训练神经网络时收敛速度慢,容易陷入局部极小,且对网络的初始权值等参数极为敏感。为了克服这些缺点,提出了一种基于粒子群算法优化的RBF神经网络整定PID的控制策略。首先,根据粒子群算法的基本原理提出了优化得到RBF神经网络输出权、节点中心和节点基宽参数的初值的算法。其次,再利用梯度下降法对控制器参数进一步调节。将传统的神经网络控制与基于粒子群优化的神经网络控制进行了对比,结果表明,后者有更好逼近精度。以PID控制器参数整定为例,对一类非线性控制系统进行了仿真。仿真结果表明基于粒子群优化的神经网络控制具有较强的鲁棒性和自适应能力。     

PSONN在可编程控制系统PID参数优化中的应用

研究可编程控制系统优化问题,可编程控制系统具有非线性、时变性等特点,传统PID控制器优化方法难以建立精确的数学模型,使得系统参数设定困难,导致可编程控制系统的控制效果不理想。为了解决传统的PID算法所带来的问题,利用RBF神经网络非线性、自学习能力,提出一种基于粒子群神经网络的PID参数优化算法。将粒子群和神经网络相结合,形成了一种智能控制算法,并将应用于可编程控制系统。测试结果表明,粒子群神经网络提高了PID控制参数优化速度,提高了可编程控制系统可靠性和鲁棒性,具有一定的理论和实用价值。     

基于PID控制器的铝热连轧张力控制系统的设计与实现

针对PID控制器在铝热连轧张力控制系统中收敛速度慢的问题,提出一种自适应权值粒子群算法优化神经网络PID控制器的设计方法,该方法采用自适应权值粒子群算法优化神经网络的权值和阈值,使它们在调节PID控制器时找到最优参数,仿真结果表明,在铝热连轧张力控制系统中,自适应粒子群算法优化的神经网络PID控制器与其他PID控制器相比能更快地使张力达到稳定状态、缩短响应时间、改善板形。     

串级液位控制系统的改进粒子群神经网络PID控制研究

串级液位控制系统是工业过程控制中最典型的系统,针对该系统具有不确定性和时变性的特点,首先在分析串级液位控制系统的结构和控制原理的基础上,采用实验建模的方法建立了系统的数学模型;然后充分利用PID结构简单、抗干扰能力强的特点以及神经网络具有自学习和自适应的特长,引入粒子群算法对网络权值进行优化,提出了一种基于改进粒子群算法的神经网络PID控制器,既克服了BP神经网络收敛速度慢,容易陷入局部极小值的缺点,也克服了粒子群算法容易陷入局部最优的缺点;最后在MATLAB环境下进行串级液位系统的仿真试验对系统的性能进行分析,实验结果表明,该控制算法具有良好的实时性、鲁棒性,抗干扰能力强,显著提高了系统的性能指标。     

基于MyPSO-BP的黄酒发酵温控系统

在 Labview组态软件、西门子PLC300和温度传感器构成的温度控制系统基础上,提出一种新的黄酒发酵温度控制系统,将带交叉因子的粒子群优化(PSO)算法应用到BP神经网络(MyPSO-BP)比例积分微分(PID)控制中。改进的PSO算法初始化神经网络的权重和阈 值,可以更好地在线整定PID参数,增强系统的稳定性和鲁棒性,减小误差。对系统进行Matlab仿真实验,结果表明,该系统相较于传统的神经网络PID控制器具有更好的温度控制性能。     

神经网络的强耦合控制系统仿真研究

研究工业控制领域的优化控制问题,工业控制对象具有强耦合特性,传统方法无法对其进行精确解耦,导致系统控制精度比较低.为提高工业控制系统的控制精度,提出一种PID控制和神经网络相融合的控制方法.利用PID优良动态控制特性和BP神经网络非线性控制特性对控制系统进行解耦,在权值调整算法式中加入增大动量项,提高网络学习效率,并采用粒子群算法优化权值初始值,提高控制精度,减少振荡产生.在MATLAB环境下,对非线性控制系统进行仿真研究,仿真结果表明,PID神经网络提高系统的抗干扰能力,提高系统控制精度,能够对系统进行精确解耦,使工业控制系统的性能得到改善.     

改进的粒子群算法优化神经网络及应用

针对神经网络权值选取不精确的问题,提出改进的粒子群优化算法结合BP神经网络动态选取权值的方法。在改进的粒子群优化算法中,采用动态惯性权重,并且认知参数与社会参数相互制约。同时,改进的粒子群优化算法结合差分进化算法使粒子拥有变异与交叉操作,保持粒子的多样性。基于改进的粒子群优化算法与BP神经网络,构建IPSONN神经网络模型并运用于酒类品质的预测。实验分别从训练精度、正确率及粒子多样性三方面验证了IPSONN模型的有效性。     

基于改进粒子群算法的旋转倒立摆PID参数整定

针对旋转倒立摆PID参数整定耗时费力且精度低的问题,对旋转倒立摆实验系统PID参数整定展开了研究.利用MAT-LAB进行仿真,分别采用试凑法、粒子群算法和改进粒子群算法求取了旋转倒立摆的PID参数.实验结果表明,相比于试凑法,通过粒子群算法得到的PID参数可使系统性能更优;改进后的粒子群算法寻优过程产生的超调量和达到收敛所需时间更小,得到的PID参数可进一步提高旋转倒立摆实验系统的性能.基于改进粒子群算法整定旋转倒立摆PID参数的方法在其他控制系统中也有参考价值.     

基于改进的粒子群优化的小波神经网络模型的传感器动态建模

提出一种基于改进的粒子群优化算法进化小波神经网络用于传感器动态建模的新方法。介绍了小波神经网络和粒子群寻优算法的原理,并且对粒子群优化算法做了改进。利用传感器动态标定的实验数据,来训练优化小波神经网络的网络结构和模型参数,从而建立了传感器的动态模型。通过Matlab软件仿真实验表明,利用改进的粒子群优化的小波神经网络对传感器进行动态建模,能克服传统BP神经网络模型误差反向传播算法易陷入局部最小,后期训练网络精度不高的缺点,并且相比遗传算法具有较小的复杂度。     

基于粒子群优化算法的PID控制器参数整定

PID控制器的性能完全依赖于其参数的整定和优化,但参数的整定及在线自适应调整对常规的PID控制器是难以解决的问题。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,提出了一种基于粒子群优化算法整定PID控制器参数的设计方法,并定义了一种新的性能指标函数来评价PID控制器的性能。现以二阶的船舶控制装置为研究对象,运用粒子群优化方法对PID控制器参数进行了寻优研究。仿真结果表明,该方法比一般PID参数整定方法具有更好的控制性能指标,有着一定的工程应用价值。     

基于粒子群优化的分数阶PID滑模控制参数整定

为了提高系统的控制性能,解决单一控制方法不足,将分数阶PID算法与滑模变结构算法相结合,同时为了规避分数阶PID的滑模变结构算法手动调节参数的复杂性以及不确定性,采用粒子群算法对其参数进行优化,完善分数阶PID的滑模变结构控制器,提高其控制精度.并将新型算法应用于单相全桥逆变器,通过Matlab仿真并与分数阶PID滑模变结构控制函数(PID-SMC)及滑模变结构控制(SMC)方法相比较,研究结果表明,粒子群算法整定参数收敛速度快,较短时间内可以找出最优解,整定后的算法静态误差小,上升速度快,抑制系统抖振能力强,具有较强的鲁棒性.     

基于PSO算法的余热锅炉水位PID参数优化

通过采用粒子群优化(PSO)算法对余热锅炉水位控制中的PID参数进行优化,分析了传统三冲量锅筒水位控制方案的不足,提高了整个系统的鲁棒性。其应用使水位得到了良好的控制,且提高了经济运行效益,同时也说明了粒子群算法寻优简单,能够使控制系统获得较好的动态特性和很强的鲁棒性,易于并行化。仿真结果表明,该算法是一种效率很高的寻优方法,是PID参数优化的理想方法。     

钢包炉配料PSO-BP-PID 控制研究

针对钢包精炼炉( Ladle Ｒefining Furnace) 又称LF 炉,配料加料过程的惯性、时滞、非线性等控制特性,设计了一种基于微粒群优化算法( Particle Swarm Optimization,PSO) 、误差反向传播( Back Propagation,BP) 神经网络以及比例－ 积分－ 微分( PID) 的复合控制算法PSO-BP-PID,并将该复合算法应用于150 t 钢包精炼炉配料称重控制系统中,实现配料称重过程的智能控制。PSO-BP-PID 算法利用微粒群优化算法的全局寻优特性,优化BP 神经网络的初始权值以提高神经网络的收敛性; 采用经微粒群算法优化后的BP 神经网络在线实时调整PID参数。通过基于PSO 和BP 网络的PID 控制器实时控制钢包精炼沪的配料过程。仿真实验和运行实验结果表明,PSO-BP-PID 算法的控制效果优于单一PID 算法的控制效果。采用PSO-BPPID算法的钢包炉配料系统后,明显提高了配料精度,有效地解决了配料称重过程中速度与精度的矛盾。     

改进粒子群算法整定PID参数研究

PID控制器的性能取决于其控制参数的组合,针对其参数的整定和优化问题,提出了应用一种改进的粒子群优化算法,该算法借鉴了遗传算法的杂交机制,并采用惯性权值的非线性递减策略,用以加速算法的收敛速度和提高粒子的搜索能力。将该算法应用于一个二阶系统的PID控制器参数的优化。仿真结果表明该改进的粒子群算法具有比传统粒子群算法和遗传算法更好的优化效果,具有一定的工程应用前景。     

永磁同步电机PID参数优化研究

研究永磁同步电机优化控制问题,永磁同步电机具有强耦合和强非线性特性的特点,应用环境一般较为复杂且常常存在各种干扰使电机系统稳定性差,针对传统PID控制方式很难满足电机系统要求,控制效果差,超调大。为提高控制精度,提出一种改进的PID控制方法。将PID控制器的参数作为粒子群中的粒子,系统控制精度作为粒子的寻优目标,通过粒子搜索找到最优PID控制参数,从而对电机进行精确的控制。仿真结果表明,粒子群算法的PID控制器提高了永磁同步电机系统控制精度,为永磁同步电机优化设计提供了科学依据。     

一种用于PID控制参数优化的混合果蝇算法

针对果蝇优化算法（ FOA）收敛速度快但寻优精度低的缺点,为了改善果蝇算法的优化性能,提出一种混合果蝇优化算法（ HFOA）。HFOA采用分段优化的思想,在优化过程后期采用收敛稳定性较好的粒子群优化（ PSO）算法优化果蝇算法中果蝇个体飞行距离和味道浓度的判定值,采用误差性能指标积分准则ITAE作为适应度函数,并将优化方案应用于一类不稳定系统的PID控制。Matlab仿真验证表明：HFOA计算高效,具有良好的稳定性,收敛精度高,进而验证了HFOA应用于PID控制参数优化是可行而有效的。     

基于改进粒子群算法的PID控制参数优化

针对粒子群优化算法(particle swarm optimization algorithm,PSO)后期易陷入局部最优解这一缺陷,提出一种惯性权重余弦调整的粒子群优化算法(IWCPSO)。在迭代过程中对惯性权重引入余弦变化,改善迭代后期的不足,提高算法的精度。在matlab 2016仿真环境下,与Ziegler-Nichols(ZN)公式法和惯性权重正弦调整的粒子群优化算法(SIPSO)在PID控制参数优化方面的应用效果对比得出该算法是一种使得PID控制系统响应函数性能指标更好,整定结果更精确的算法。     

带压缩因子的粒子群算法在汽包压力控制系统中的应用

针对基本粒子群算法的原理,阐述了一种改进算法(带压缩因子的粒子群算法),简述了PID控制器的工作原理、粒子群参数优化方法的实现,并举例说明此改进算法在某汽包压力控制系统中的应用,利用matlab进行仿真优化,证明此改进算法优化的性能优于基本的粒子群优化算法,有很好的工程应用前景。     

基于RandW-SecPSO的四旋翼飞行器分数阶PID控制器参数优化

为了提高四旋翼飞行器姿态控制的控制性能,将分数阶PID控制器运用到四旋翼飞行器的控制系统中.提出了一种带随机权重平均值的二阶粒子群算法(RandW-SecPSO)去优化分数阶PID控制器的参数.将随机权重平均值与二阶粒子群算法相结合,对粒子群进行二阶初始化,同时加入随机权重用以平衡全局搜索能力和局部开发能力,这样提高了算法的收敛精度,并将其与PID控制器进行仿真分析.通过搭建仿真平台,验证了该算法的可行性.仿真结果表明:RandW-SecPSO算法在优化四旋翼飞行器分数阶控制器的参数上要好于粒子群算法(PSO),与PSO算法相比调节时间缩短了0.7s,上升时间减少了0.2s,超调量减小了8％,具有收敛速度快、超调量小、稳定性好等优点.总之RandW-SecPSO算法优化分数阶PID动态响应特性比PID要好很多.