基于IASHGA算法的水轮发电机组PID调速器参数优化研究

针对遗传算法（SGA）存在求解精度与收敛速度间的矛盾,提出了一种自适应对称调和遗传算法（IASHGA）,并将该算法用于水轮发电机组PID调速系统参数的优化设计,以系统的上升时间和超调量指标作为IASHGA算法的适应度函数;以四川某水电站的真实数据对经过优化后遗传算法PID控制规律进行计算机仿真．仿真结果表明,改进的算法较之常规遗传算法（SGA）和粒子群优化算法（PSO）,不但提高了全局的搜寻能力,而且有效避免了早熟收敛问题．为水轮机调速器PID参数优化研究提供了新途径．     

免疫遗传PID汽车纯机械转向系统参数优化

以免疫反馈机理和遗传PID算法为基础,提出了一种免疫遗传PID算法.该算法的核心是将免疫反馈机理和遗传算法结合,并以ITAE性能准则为目标函数;将该算法用于汽车纯机械转向系统PID参数优化的过程中,并用Matlab仿真实验.仿真结果表明:基于免疫反馈机理和遗传算法的PID参数优化可以有效地提高汽车转向柱转角跟随转向盘转角的速度,缩短滞后时间,且使汽车机械转向系统具有较好的稳定性,其结果可为汽车电动助力转向系统的参数优化提供理论依据.     

基于实数编码的自适应遗传算法及应用

为了解决遗传算法(GA)存在的早熟收敛、收敛速度慢等不足,从编码方式及遗传算子操作等几个方面对其作了改进,提出了一种基于实数编码的自适应遗传算法(RAGA)．基于典型复杂函数的优化仿真结果表明,该算法的全局收敛速度和命中全局最优值的几率相对标准遗传算法(SGA)有较大提高．     

遗传算法在PID参数优化中的应用

采用遗传算法直接优化数字 PID控制器参数 ,并控制一个带时延的系统 ,仿真结果表明遗传算法收敛较快 ,得到的 PID控制器控制效果明显优于传统的 PID控制     

改进遗传算法应用于静态MDR问题

简述静态MDR问题的研究现状,提出一种新的改进遗传算法.针对静态MDR问题的特点,考虑基因位的影响力及跟踪进化过程的遗传参数调整策略,采用各种变异操作,提高算法的收敛能力.仿真结果表明,改进遗传算法相对于SGA解决MDR问题在收敛速度上有明显提高,算法稳定性也有所改善.新算法的优化质量较高,具有更好的实际应用效果.     

基于GA-CGA优化神经网络解耦方法的应用研究

为了克服神经网络存在的收敛速度慢、易于陷入局部极值等不足,采用一种混合学习算法优化神经网络,即将改进遗传算法(GA)和共轭梯度算法(CGA)的混合学习算法用于对神经网络权值的修改,针对流浆箱的总压和浆位之间存在耦合问题,提出一种基于GA-CGA混合优化算法的神经网络PID解耦方法,成功地实现了总压、浆位之间的解耦.仿真结果表明该系统比神经网络PID解耦具有更好的控制效果和抗干扰能力.     

基于SOA的PMSM驱动系统PID参数优化研究

针对永磁同步电机驱动系统所具有的强耦合和非线性特点,对电机d-q轴模型进行分析,推导出矢量控制下永磁同步电机状态方程及传递函数.为了解决传统PID控制方法中参数确定困难的缺点,本文利用人群搜索优化算法(seeker optimization algorithm,缩写SOA)对PID参数进行优化,并提出了基于人群搜索算法优化的PID永磁同步电机控制方法.仿真结果表明,与遗传算法(Genetic Algorithm,缩写GA)、粒子群算法(Particle Swarm Optimization,缩写PSO)相比,人群搜索算法对PID参数的优化能力更好,且最先达到稳定状态.     

基于遗传算法的PID参数寻优

针对工业过程中常见的二阶大滞后对象的PID参数调节问题,采用具有全局优化能力的遗传算法对PID参数调节和优化,并同单纯形算法作了比较.仿真结果表明了遗传算法应用于控制器参数优化的可行性和有效性     

一种新的模糊自适应模拟退火遗传算法在配电网重构中的应用

本文对配电网的重构问题进行了研究,提出了结合实际的配电网重构目标函数,并将遗传算法引入其中,用来解决这个复杂的,多目标,多约束的组合优化问题。针对遗传算法收敛速度慢、容易"早熟"等缺点,结合模糊推理、模拟退火算法和自适应机制,采用一种改进的遗传算法——模糊自适应模拟退火遗传算法(FASAGA),实例分析表明,该算法比标准的遗传算法(SGA)具有更快的收敛速度和寻优效果。     

基于蝙蝠算法的PID控制参数优化技术与仿真研究

PID参数整定是PID控制中的一个重要环节,传统的PID参数整定方法已经不能完全适用。为提高PID参数优化精度,解决传统PID参数整定时产生的误差较大问题,将蝙蝠算法引入控制系统中优化PID控制参数。通过MATLAB仿真,比较蝙蝠算法、粒子群优化算法和增量式PID控制算法对控制参数优化的性能。实验结果表明：在函数寻优测试中,与遗传算法、粒子群优化算法相比,蝙蝠算法能防止陷入局部最优,使种群更加稳定并达到更好的收敛速度和寻优精度;在PID控制参数优化中,与粒子群优化算法、增量式PID控制算法相比,蝙蝠算法优化PID控制参数的实际输出曲线最贴近理论输出曲线,稳定性更好。