基于改进PSO算法的FESS的PI参数优化

提出了一种改进粒子群优化（IPSO）算法用于FESS的PI控制器的参数优化设计。IPSO算法通过混沌初始化、迭代中加入混沌扰动和自适应调整惯性权重系数来克服传统PSO算法效率低、易陷入局部极值和算法早熟等缺陷。基于IPSO算法,以ITAE指标最小为目标函数对FESS的PI控制器参数进行优化,并以FESS接入四机系统为例,通过非线性仿真验证了优化结果的有效性,并通过与其他优化方法比较,得出IPSO具有更好的优化性能的结论。     

基于改进PSO算法的FESS的PI参数优化

提出了一种改进粒子群优化(IPSO)算法用于FESS的PI控制器的参数优化设计.IPSO算法通过混沌初始化、迭代中加入混沌扰动和自适应调整惯性权重系数来克服传统PSO算法效率低、易陷入局部极值和算法早熟等缺陷.基于IPSO算法,以ITAE指标最小为目标函数对FESS的PI控制器参数进行优化,并以FESS接入四机系统为例,通过非线性仿真验证了优化结果的有效性,并通过与其他优化方法比较,得出IPSO具有更好的优化性能的结论.     

改进的混沌算法在PID参数整定中的应用

PID控制由于鲁棒性好和易于实现等优点，在工业上广泛应用；但是PID参数整定繁琐、难以达到最优状态、控制结果出现较强的振荡和大超调等问题。在传统的混沌算法的基础上，引入微粒群算法的寻优思想，形成了一种新的混沌算法，并应用在PID控制器的参数优化上。仿真证明了该算法能有效地实现PID参数最优整定，控制结果具有稳定、超调小、响应快的优点。该算法寻优速度快，效率高，容易实现，其性能优于常规遗传算法，为解决PID控制器参数全局最优设计提供了一种有效的方法。     

基于改进粒子群算法的水轮机调速器参数优化

PSO（粒子群算法）是一种随机全局优化技术.该算法简单,易实现,且功能强大.文章研究了水轮机PID调节器参数的优化问题,利用改进PSO对系统所处的不同状态和工况进行了PID参数寻优.仿真结果表明,此种PID控制器比常规PID有更好的动态调节特性和鲁棒性,不失为一种具有较好实用价值的PID参数优化方法.     

一种新型的PID控制器参数优化整定方法

PID控制器参数的优化整定一直是自动控制领域的研究热点。本文采用微粒群算法(PSO)进行PID控制器参数的优化研究。仿真结果表明根据本文提出的方法得到的PID控制器参数可以获得满意的控制效果,各项性能指标优于由遗传算法(GA)整定得到的效果。     

基于改进微粒群算法的PID控制器参数优化设计

介绍了微粒群优化（PSO）算法的基本原理和流程,提出了改进的PSO算法并将其与控制系统优化设计相结合,对传统PID控制器的参数整定进行优化研究,仿真实验结果表明改进PSO方法得到的PID控制器具有快速、无超调的响应特性,获得了满意的控制效果,各项控制性能指标优于传统方法整定得到的PID控制器。     

改进的PSO算法在摊铺机行驶控制器中的应用

摊铺机行驶系统为液压伺服系统,具有非线性、时变的特点。针对行驶系统控制器PID参数整定困难且不同工况下参数整定烦琐及易出现较大的振荡和超调使控制结果不理想等问题。提出一种非线性变权重、随机学习因子、并行搜索PSO算法的PID控制器参数优化方法。利用MATLAB语言对摊铺机行驶系统近似模型进行了仿真分析,仿真结果在保证PID控制稳定性基础上提高了PID控制的精度。与混沌优化方案进行了比较,ITAE性能指标值的精度提高了6个数量级,结果表明该改进的PSO算法实现简单,对参数初值设置不敏感,鲁棒性强,快速有效地实现了PID参数的全局优化。在稳定、超调量、响应时间、调节时间几项综合性能上优于混沌优化算法,表明了此算法在PID参数整定中的有效性及应用前景。     

基于混沌粒子群优化算法的数字PID参数整定

移相全桥零电压(PS-FB-ZVS)PWM DC/DC变换器是变换器的一个研究热点。针对PID控制器参数的整定及自适应调整难以达到最优状态,使控制结果出现较大的超调量,在此利用混沌粒子群优化算法(ChaosParticle Swarm Optimization,简称CPSO)、原始粒子群优化算法和遗传算法对变换器的数字PID控制器参数进行了整定,得到评价函数值收敛趋势图和系统的单位阶跃响应曲线,并利用PID参数整定结果得到输出电压动态响应曲线。通过分析几种算法整定PID参数的结果,表明CPSO具有更好的优化效果。     

基于改进粒子群算法的海洋IPT系统参数优化

首先建立了海洋环境下感应电能传输(IPT)系统能量模型和优化模型,在满足系统传输功率的基础上,以传输效率最优为优化指标,提出一种基于改进粒子群优化(IPSO)算法的IPT系统参数优化方法.该算法在标准粒子群优化(PSO)算法基础上,通过引入约束因子和惯性权重线性增大,实现算法的快速收敛,提高了搜索效率.仿真和实验表明,IPSO算法综合搜索性能更好、优化效率高,可应用于海洋环境下IPT系统的参数优化设计.     

高阶非线性系统的位置控制器PID参数优化

针对高阶非线性系统的位置控制器PID参数优化问题,以五阶传递函数横动伺服系统为例,结合粒子群算法成功实现了参数的优化。设计了粒子群算法的PID参数优化原理。在已知系统传递函数的基础上,利用Z-N法进行参数初求解,然后利用粒子群算法对初解进行参数寻优,并将优化前后的系统进行动态性能对比,结果表明:优化后的高阶非线性系统动态性能更好,响应速度更快,调节时间更短,鲁棒性更强。     

粒子群算法在电动机辨识中的应用及研究

介绍了粒子群算法(PSO)及其实现电动机参数辨识的工作原理,总结了应用粒子群算法实现电动机参数辨识的国内研究状况,并指出了粒子群算法在电动机参数辨识领域以离线电动机工程应用为主的发展趋势.     

基于粒子群优化设计的直流无刷电机控制系统研制

针对直流无刷电机控制器优化设计的问题,提出了基于粒子群优化PSO算法的比例、积分和微分(PID)控制器的优化设计方法.结合PSO的基本原理和BLDC系统的控制策略,考虑到综合评价系统的各项性能指标,给出了优化PID控制器设计的步骤.仿真和实验结果表明:该方法能搜寻到最优或次最优的参数数值,优化得到的控制器速度响应快、超...     

动态惯性权重粒子群优化算法

针对基本粒子群优化(Particle Swarm Optimization,PSO)算法的不足,提出动态惯性权重粒子群优化算法,其惯性系数随算法进化而动态减少。仿真结果验证了该改进算法的有效性:算法的收敛速度比基本PSO算法的收敛速度快;同时,算法得到的最优解比基本PSO算法好。     

一种基于PSO-PID算法的分布式机器人实时控制

分析了粒子群优化(PSO)算法的原理、算法参数及其对算法性能的影响。以PSO算法为基础,提出了一种新的粒子群优化不完全微分PID算法。根据多关节机器人系统的特点,介绍了一种新的分布式机器人实时控制系统。系统采用双速率控制策略和分布式控制方式,机器人运动控制运用粒子群优化算法定时寻优PID参数,使其随着系统参数的变化而实时更新,实现最优不完全微分PID控制。实验结果表明,该系统设计科学、性能优越,新算法寻优能力强、控制效果好。     

基于ITAE指标的PID控制器参数优化设计

研究了比例一微分一积分（PID）控制器参数自整定问题,提出一种基于改进粒子群优化算法的PID控制器参数自整定方法,并以时间乘以误差绝对值积分（ITAE）的性能指标为适应度函数,对具有实参数不确定性的热工对象进行PID控制器参数整定,所设计的PID控制系统的ITAE性能指标比极点法,GPM法,Cohen法,IMC法效果更好,并通过超临界锅炉过热汽温控制的仿真实例验证了方法的有效性。     

基于粒子群优化的电力负荷灰色预测模型

通过对dt^-dx^（1）＋ax^（1）=u的通解x^^（1）=ce^-ak＋a^-u的参数a、u、c直接求解,避免了灰微分方程参数辨识时选取合理背景值的问题,构建了适应性更强的不需构造GM（1,1）模型的背詈值而直接求解灰微分方程参数的模型,并且在求解这些参数的过程中,应用了在求解非线性问题中具有全局寻优能力的粒子群算法（PSO）。提出了基于粒子群算法优化的电力负荷灰色预测模型PSOGM（1,1,a,u,c）,通过在电力负荷实例中的应用并与传统的GM（1,1）预测模型进行了效果比较,验证了基于粒子群算法优化的电力负荷GM（1,1）模型具有很好的预测精度和适用性。     

基于GIS和改进PSO算法的配电网络变电站选址规划

提出了一种改进的PSO算法,用于解决配电网络变电站选址问题。改进PSO算法是将模拟退火思想和变异算子引入粒子群算法中,在计算初期保证群体的多样性,后期增强了算法的寻优精度。在变电站计算模型中,首次将地理信息作为元数据权重因子引入到选址模型中。通过实例分析,给配电网规划建设提供了参考。     

基于改进粒子群优化算法的比例-积分-微分控制器

粒子群优化算法自1995年问世以来得到了很大的发展,简要阐述了粒子群优化算法的基本原理,并提出了根据改进该算法而构成的比例—积分—微分控制器。比例—积分—微分控制器的3个参数可以得以优化。该控制器具有结构简单,易于实现,鲁棒性好的特点,仿真结果表明基于改进粒子群优化算法的比例—积分—微分控制器具有良好的性能。     

基于粒子群算法的控制器参数稳定域寻优

针对确定参数及带纯延迟模型,提出一种优化比例微分积分控制器参数设计方法。利用广义Hermite-Biehler定理获得使闭环系统控制器的稳定域,在该稳定域内,运用粒子群优化算法寻找基于指标函数的优化的控制器参数。仿真结果表明：该算法对高阶及带纯延迟对象具有良好的控制性能,且对模型的不确定因素有较好的适应性。