非线性PID控制器参数优化方法

分析了非线性PID控制器各部分参数对于误差的理想变化过程,构造出一种非线性PID控制器;整定参数较多时,传统的参数优化方法容易产生振荡和较大的超调量,在分析量子粒子群算法（QPSO）的基础上,引入了随机选择最优个体的思想,提出使用改进的量子粒子群算法（GQPSO）优化非线性PID控制器参数。将改进量子粒子群算法与量子粒子群算法、粒子群算法通过benchmark测试函数进行了比较。最后,通过典型传递函数实例,分别使用Z-N、PSO、QPSO方法和改进的量子粒子群算法进行了PID控制器参数优化设计,并对结果进行了分析。     

基于权重QPSO算法的PID控制器参数优化

传统的PID控制器参数优化方法容易产生振荡和较大的超调量,因此智能算法如遗传算法（SGA）和粒子群算法（PSO）被用于参数优化,弥补传统算法的不足,但是遗传算法在进化过程中收敛速度慢,粒子群算法存在易于早熟的缺点。在分析量子粒子群算法（QPSO）的基础上,在算法中引入了权重系数,提出使用改进的量子粒子群算法（WQPSO）优化PID控制器参数。将改进量子粒子群算法与量子粒子群算法、粒子群算法通过benchmark测试函数进行了比较。最后,通过三个传递函数实例,分别使用Z-N、GA、PSO方法和改进的量子粒子群算法进行了PID控制器参数优化设计,并对结果进行了分析。     

基于改进粒子群优化算法的PID控制器参数整定

针对标准粒子群优化算法优化PID控制器参数存在的早熟以及陷入局部最优等问题,引入粒子二阶振荡环节、反向学习、自适应惯性权重,并结合设计的惯性权重动态调整策略、粒子越界随机反射墙,提出一种新型分阶段迭代的改进粒子群优化算法。在6个标准测试函数上进行测试,其性能相比于一些已有的改进粒子群优化算法更加优秀。将这些算法用于自动电压调节器系统的PID控制器参数整定,仿真结果表明,所提出的改进粒子群优化算法整定的PID控制器的控制效果更好。     

基于改进PSO算法的加热系统分数阶控制

针对分数阶加热系统,提出一种基于改进粒子群优化算法的分数阶PIλDμ控制方法。首先,将细菌趋化行为机制引入带收缩因子的粒子群优化算法中,解决粒子群优化算法中由于只存在吸引操作没有排斥操作导致种群多样性失去的问题,从而避免PSO早熟收敛及陷入局部最优;然后使用改进PSO算法优化分数阶PIλDμ控制器的参数;最后,以加热系统为被控对象,分别采用改进粒子群优化算法、标准粒子群优化算法、遗传算法优化分数阶PIλDμ控制器的参数。仿真结果表明,使用该改进算法整定分数阶PIλDμ控制器参数,控制器能有效地抑制模型参数的摄动,系统鲁棒性更强。     

永磁同步电机的自抗扰控制器参数自整定

当永磁同步电机的工作环境和工作任务发生改变时,被控对象的模型会出现较大的变化;由于每次模型改变都要对控制器的参数进行调整,为了简单、快速地对线性自抗扰控制器的参数w0、wc、b0进行整定,设计了一种基于改进粒子群的算法的参数自整定方法;该算法引入了自适应权重因子从而兼顾了粒子的局部搜索能力和全局搜索能力;为了避免粒子陷入局部最优解,采用了对粒子群进行柯西变异的方法使粒子跳出局部最优从而找到全局最优解;仿真实验表明,采用改进粒子群算法整定的线性自抗扰控制器跟踪误差比较标准粒子群算法整定的控制器的跟踪误差降低了4.89％,且比标准粒子群算法收敛速度提高了50％、收敛精度平均提高了73个数量级.     

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。     

基于智能优化的移动机器人轨迹跟踪控制

建立了机器人运动学模型,设计了基于Lyaponov稳定理论的轨迹跟踪控制器,该控制器的性能取决于其参数的大小。粒子群优化算法具有收敛速度快,需要调节的参数少等优点,但优化过程中容易发生“早熟”收敛,使优化陷入局部极小值。通过引入模拟退火算法、“交叉算子”和“变异算子”,提出了一种改进粒子群优化算法,对控制器的参数进行优化设计。最后,通过仿真计算,证明了该方法的有效性。     

基于粒子群算法的自抗扰飞行控制器优化设计

提出了一种基于粒子群算法的自抗扰飞行控制器优化设计方法。方法中,利用自抗扰控制方法抗干扰能力强、鲁棒性好与对模型参数变化适应能力强的特点,设计了自抗扰纵向飞行控制器,以提高飞行控制性能。同时针对所设计的自抗扰飞行控制器参数较多,难以设计的问题,应用粒子群优化算法进行了控制器参数的自寻优设计。仿真结果表明:不需要人工调参,通过粒子群优化算法自寻优获得的飞行控制器参数具有良好的控制性能,提高了设计效率。     

基于动态参数的移动机器人轨迹跟踪控制

针对移动机器人轨迹跟踪控制问题,建立了机器人运动学模型,设计了基于Lyapunov稳定理论的轨迹跟踪控制器,该控制器的性能取决于其参数的取值.采用人工神经网络来动态地调解参数的大小,使控制器获得最优的性能.粒子群优化算法具有收敛速度快,需要调节的参数少等优点,但优化过程中容易发生早熟收敛,使优化陷入局部极小值.通过引入模拟退火算法、交叉算子和变异算子,设计了一种改进的粒子群优化算法,对人工神经网络的参数进行优化计算.最后,仿真计算结果表明了该方法的有效性.     

基于改进粒子群算法的PID控制器参数整定

粒子群算法是一种新的基于群体智能的全局优化算法,算法简单并且容易实现,已经被广泛应用在各个领域.本文为改善传统PID控制器的参数整定问题,提出了一种改进的粒子群算法.并用它来优化PID控制器的三个参数,得到的控制器结构简单,易于实现,仿真结果证明这种控制器具有良好的性能.     

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。     

基于改进粒子群算法的四旋翼自抗扰控制器优化设计

针对四旋翼飞行器自抗扰控制器参数较多,人工整定困难且难以得到最优控制效果的问题,提出一种基于改进粒子群算法的四旋翼自抗扰控制器优化方法。在设计了四旋翼飞行器的自抗扰控制器之后,将自抗扰控制器的参数作为粒子群中的粒子进行迭代寻优,同时在传统的粒子群算法基础上,参考遗传算法,对适应值不好的粒子进行交叉保优,以提高粒子的多样性,加快寻优速度。仿真结果表明,对比人工整定参数的控制器,优化后的控制器超调更小,调节时间更快。该方法能够解决四旋翼飞行器自抗扰控制器人工参数整定困难的问题,且优化后的控制器具有更好的控制效果。     

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。     

基于多种群遗传算法的水面无人艇航迹控制方法

针对水面无人艇(USV)的航迹控制问题,提出了一种由视线导向法和多种群遗传算法整定的PID航向控制器组成的航迹跟踪控制方法.该方法采用多种群遗传算法克服了传统遗传算法容易陷入局部最优的问题,增强了算法的全局寻优能力;并根据模型特点改进了适应度函数,使得对控制器性能的评价更加合理.与标准遗传算法和粒子群算法的对比仿真表明,多种群遗传算法在PID参数整定方面寻优能力更强、稳定性更高;同时,整定出的PID控制器针对不同的模型参数,均表现出收敛速度快、无超调、无稳态误差的优良特性.航迹仿真结果表明,设计的航迹控制方法能够有效跟踪给定航迹.     

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。     

基于PSO算法的测试信号模型参数提取

为了提高自动测试系统的自动化水平,提出了基于粒子群算法的测试信号模型参数提取方法.阐述了采用PSO算法提取测试信号模型参数的原理,针对参数提取过程中的早熟收敛问题,提出了一种改进算法.该算法监控粒子群多样性,采用局部初始化的方法,克服了早熟收敛的缺点,提高了参数提取的稳定性.仿真实验验证了基于PSO算法的测试信号模型参数提取方法具有较高的稳定性和精度.     

Intelligent identification and control using improved fuzzy particle swarm optimization

This paper presents a novel improved fuzzy particle swarm optimization (IFPSO) algorithm to the intelligent identification and control of a dynamic system. The proposed algorithm estimates optimally the parameters of system and controller by minimizing the mean of squared errors. The particle swarm optimization is enhanced intelligently by using a fuzzy inertia weight to rationally balance the global and local exploitation abilities. In the proposed IFPSO, every particle dynamically adjusts inertia weight according to particles best memories using a nonlinear fuzzy model. As a result, the IFPSO algorithm has a faster convergence speed and a higher accuracy. The performance of IFPSO algorithm is compared with advanced algorithms such as Real-Coded Genetic Algorithm (RCGA), Linearly Decreasing Inertia Weight PSO (LDWPSO) and Fuzzy PSO (FPSO) in terms of parameter accuracy and convergence speed. Simulation results demonstrate the effectiveness of the proposed algorithm.     

改进的粒子群优化算法对断路器储能弹簧的优化设计

针对断路器储能弹簧传统经验试算的设计方法易导致弹簧结构参数不合理、断路器的体积大及分断性能差的问题，应用一种结合鲶鱼效应改进的云粒子群优化算法对断路器的储能弹簧参数进行优化设计。首先，根据储能弹簧的工作原理，推导储能弹簧的数学优化设计模型以及弹簧参数设计的约束条件；然后，根据优化模型对算法进行改进，在传统粒子群优化算法的基础上，引入鲶鱼效应策略产生多样候选解，避免算法陷入局部最优值，并结合云模型适时调整寻优速度权重因子，以加快算法的收敛和提高全局搜索能力；最后，采用改进算法对断路器的储能弹簧优化模型进行仿真及相应的弹簧参数计算。实验结果表明，可以应用改进的粒子群优化算法对断路器储能弹簧进行优化设计，设计结果更加小型化、分断性能更优。     

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。