基于改进粒子群算法的模糊PID在DEH中的应用

针对PSO算法易陷入局部极值，探索参数法，推导出一种改进的PSO算法。该算法采用惯性权重呈幂指数衰减的策略，扩大前期全局搜索范围，提升后期局部寻优准度。经测试比较，证明了可行性。同时，为解决汽轮机数字电液控制系统(DEH)中单一PID控制的局限性，将改进算法与模糊PID控制相结合，共同优化系统参数，使DEH在发生偏差变化时，实时调节系统的控制质量。最后，在Matlab软件下建立仿真模型，并与模糊PID、单一PID控制对比，结果证明了该策略在DEH控制方面的优势。     

基于改进粒子群PID的恒温控制系统设计研究

恒温系统是一个具有非线性、大时延、多干扰的复杂系统,传统的PID控制很难使系统快速地达到稳定状态。因此,设计了一种基于边界缓冲墙和适应度函数相结合的粒子群PID控制器。仿真结果表明,较传统的PID控制,本设计的控制系统具有动态响应速度快,超调量小,过渡过程时间短等优点,从而增强了控制系统的稳定性。     

基于免疫粒子群算法的PID整定对聚合温度的控制

以某化工厂聚乙烯生产为背景,研究对聚合温度的控制。大多数的化工厂对温度的控制,通常使用传统的PID控制器。但是由于传统的PID在工业中不能满足对高扰动的要求,所以单纯使用会有不足之处。采用免疫粒子群算法不仅可以克服单纯使用传统PID控制器的不足,还可以解决粒子群算法(PSO)中出现收敛变慢和早熟的缺点,并且还可以保持种群的多样性。仿真实验结果表明:免疫粒子群算法相比单纯的粒子群算法在PID控制的时域性能指标上要更加优化。     

改进粒子群算法的永磁同步电机PID控制器

采用粒子优化算法进行PID模糊控制训练能提高永磁同步电机的控制精度,提出一种基于改进粒子群算法的永磁同步电机PID控制方法,构建永磁同步电机PID模糊控制目标函数,选择电压、转矩、速度和电磁损耗等参数进行控制约束参量分析。采用改进的粒子群算法进行PID控制的加权训练,实现控制目标函数最优化求解,进行永磁同步电机PID控制律优化。实验结果表明,采用该控制方法进行永磁同步电机控制的调制性能较好,具有较好的输出增益,振荡较小,抗干扰能力较强。     

基于量子粒子群算法的PID参数自整定方法

PID控制在工业生产中应用非常广泛.以直流电机模型为被控对象,提出了基于量子粒子群算法的PID参数自动整定方法.应用经典的Ziegler-Nichols方法整定PID参数,被控对象性超调大往往难以满足要求.粒子群算法是通过模拟鸟群觅食过程中的迁徙和群聚行为而提出的一种基于群体智能的全局随机搜索算法.将量子粒子群算法用于优化PID参数,并与Z-N法整定的PID控制器性能进行对比.仿真结果发现,与Z-N法相比,基于粒子群算法优化的PID控制器,系统超调明显减小.除QPSO-PID(ITSE)对应的系统具有较长调节时间外,虽然应用不同优化目标优化后的PID参数不同,控制对象的响应性能却非常相似.     

基于PID控制技术的变风量空调系统多变量解耦回路控制

变风量空调系统包含多个控制回路,各组控制回路在运作时会产生强烈耦合效果,为保证系统稳定需要解耦控制回路,研究基于PID控制技术的变风量空调系统多变量解耦回路控制方法。基于PID控制技术建立回路增益相对矩阵,根据相对矩阵对角理论推导空调多变量解耦方式,根据误差校正规则设置补偿信号控制系统解耦回路,完成解耦回路控制方法设计。实验以变风量空调系统为测试对象,运用所提方法和传统方法,对多变量回路进行解耦控制。设定变风量空调系统中包含五组控制回路,分别为2组房间室温和管道静压,以及二氧化碳浓度和送风温度,当送风温度设定值为11℃、18℃以及14℃时,二氧化碳浓度设定值为400×10^-6、700×10^-6以及1 000×10^-6时,在所提方法下进行解耦控制,不会受到其他回路的影响,能够具备较好跟随性,减少其他控制回路的干扰和影响。     

基于天牛须算法的粒子群算法在PID参数整定上的应用

PSO虽然被广泛应用于包含PID参数整定等各种寻优问题中,但是传统粒子群算法在某些场合收敛速度慢且较容易陷入局部最优值。针对这些问题,文中提出一种将新型高效BAS融合进PSO算法的全局寻优过程,该方法可以更好地跳出局部最优点。同时,由于BAS算法为单一个体的算法,易因为早熟收敛陷入局部最优,故将BAS和传统的PSO结合也增强了BAS的丰富度。在Schaffer函数进行的20次独立测试显示,该算法相对于传统PSO和BAS取得了较好的寻优结果。最后,将算法应用到不稳定对象的PID参数寻优中,结果显示相对于PSO和改进PSO算法,新算法下的ts、tr、IAE、ISE等各项指标均得到了提高。     

改进粒子群算法在四旋翼PID参数优化中的应用

采用试凑方式对四旋翼飞行器PID控制参数人工进行调整工作量大、费时且难以达到较好的控制效果。为了解决控制参数优化问题,提出基于带交叉因子的粒子群算法(PSO)的PID参数优化策略。将带交叉因子的粒子群算法能快速准确找到最优参数解的特点与PID控制结合起来,在控制过程中将PID参数作为粒子群中的粒子,用遗传算法对粒子进行选择、保优、交叉,以ITAE准则作为误差性能指标,用粒子群算法调整PID参数,得出最优的粒子作为四旋翼飞行器的PID控制器参数。仿真结果显示,该方法具有更强的灵活性、适应性和鲁棒性,并能提高控制系统的精度,具有很好的工程应用价值。     

基于粒子群自整定PID算法的激光器温度控制系统

为了使激光器能够稳定工作, 设计并实现了一个控制速度快、精度高, 并且可调谐的温度控制系统。该系统使用ATmega328P为处理器, 通过粒子群算法自整定比例-积分-微分(PID)系数, 采用闭环负反馈的PID结构实现对激光器的温度控制。结果表明, 在本系统控制下, 激光器能在15s左右达到目标温度, 且到达目标温度后温度误差约为±0.01℃, 并可保持较长时间, 激光器输出功率波动很小, 方差仅为568.49μW。该系统对蝶形封装激光器的温度可以实现有效的温度控制。     

大学宿舍温度智能控制器PID设计

文章介绍粒子群优化算法和PID控制温度,利用Matlab软件进行仿真,仿真结果表明,调节迅速,超调亮小,具有一定的可行性。     

一种BP网校正算法的方位保持平台温控系统研究

为实现方位保持平台高精度快速反应的要求，针对方位保持平台的工作特点，提出了采用BP神经网络控制算法的三级温度控制策略。试验结果表明该温控系统及算法可有效缩短方位保持平台的反应时问，提高方位保持平台的保持精度，是一种实用而有效的温度控制方法。     

基于优化BP神经网络的PID控制研究与仿真

PID控制要取得较好的控制效果．就必须通过调整好比例、积分和微分三种控制作用，形成控制量中既相互配合又相互制约的关系。优化BP神经网络是一种前向神经元网络，具有学习速率快、振荡小、精度高的优点，将其隐含层单元分别作为比例（P）、积分（I）、微分（D）单元。可以建立参数自学习的PID控制器。仿真结果表明基于优化BP神经网络的PID控制器具有较好的自学习和自适应性。     

基于BP神经网络的温度模糊PID控制器设计

根据BP神经网络对温度控制的要求设计出一种模糊PID控制器,采用误差和误差变化率作为模糊PID控制器的输入,PID参数作为模糊PID控制器的输出,使用一组模糊规则实现对PID参数的在线优化调节。采用Simulink图形化工具平台对模糊PID控制器和传统的PID控制器进行建模和仿真,结果表明和传统PID控制器相比,模糊PID控制器性能优良,使系统响应速度加快,超调减小。     

一种改进的RBF整定PID及其仿真实现

文中在分析RBF神经网络整定PID算法优缺点的基础上,给出了一种采用遗传模拟退火算法来优化网络结构和权值参数的RBF神经网络,将改进的RBF神经网络用于整定PID控制,并给出了相应的仿真测试例子。仿真实验结果表明,与采用梯度法优化网络权值等参数的RBF神经网络相比,给出的优化算法能更好地辨识控制系统,具有通用性好、调节精度高、在抑制超调量能力强等优点。     

基于神经网络补偿的永磁同步电机控制

当永磁同步电机采用矢量控制策略时,为了在改善系统跟踪性能的同时兼顾系统的抗干扰性能,可以将速度环控制由一自由度PID控制改为二自由度PID控制,改善系统的跟踪性能和抗干扰性能,此外由于PID控制参数不可调,为减小系统误差,可以引入BP神经网络算法对系统补偿,仿真结果表明,系统的跟踪特性和抗干扰性能都得到改善。     

神经网络PID控制在系统中的仿真与比较

经典PID控制中加入神经网络的自学习能力后,PID控制参数可自行整定。通过仿真比较经典PID控制,与应用HEBB规则的神经网络PID控制,说明其优越性。     

一种新型的神经网络预测控制方法

预测控制算法的核心是预测过程中的滚动优化,滚动优化方法选择是确定其是否实用的关键,针对这一特点,在此提出了一种以径向基函数（RBF）神经网络为多步预测模型的非线性预测控制算法。算法采用RBF神经网络建立系统预测模型,并以微粒群优化（PSO）算法作为滚动优化算法,用来实现在有限时域内对控制序列的寻优,提高了优化过程的收敛性和求解精度。仿真结果表明了算法的有效性和高效性,获得了良好的控制效果。     

PM2.5测量系统中改进神经网络控制算法优化补偿

针对现阶段PM2.5测量系统的测量精度较低的问题,提出了改进的BP神经网络PID控制算法对其进行优化补偿。通过对粒子群优化算法的速度公式进行了改进,采用优化的粒子群算法优化了BP神经网络,将其用于PID的在线参数调节,以PM2.5测量系统作为研究对象,将改进的BP神经网络PID控制算法与传统PID分别作了仿真研究。研究结果表明,基于改进的粒子群优化算法改进的BP神经网络PID控制算法与传统的PID控制相比,提高了测量精度,在一定程度上减少了误差。     

基于Smith预估补偿与RBF神经网络的改进PID控制

由于工业界普遍存在且难以很好地解决恒温控制的大滞后和非线性问题,特提出了将Smith预估补偿和RBF神经网络与PID控制相结合的改进PID控制算法。该算法利用Smith预估补偿对温度滞后问题进行处理,利用RBF网络在线学习能力进行PID参数的动态调整处理非线性问题,进而保证恒温控制使系统处于最佳状态。     

一种改进的自适应线性网络多用户检测器

采用粒子群优化算法结合LMS算法来改进自适应线性网络的训练过程,改变了传统神经网络交错反复周期性循环训练样本的训练方式,可以逐个样本的进行训练来达到全局最优,从而从根本上克服了神经网络动态适应性能差的缺点.计算机仿真结果表明,改进的自适应线性网络构成的多用户检测器(简称ANN-MUD),动态适应性能明显改善,实用性大大增强.