基于模糊神经网络和遗传算法的智能控制器

PID控制算法简单、鲁棒性强,但其参数整定过程繁琐,整定时需要控制对象的精确数学模型,而且整定往往是针对某一种具体工况进行的,缺乏自学习和自适应能力.模糊神经网络则兼备了模糊逻辑和神经网络的优点,具有函数逼近功能,具有较强的自适应、自学习能力、容错能力和泛化能力.借助于遗传算法对全局性参数进行优化设计,借助于BP算法对局部性参数进行优化,将模糊神经网络和遗传算法引入PID控制参数的整定过程,构造出一种基于模糊神经网络和遗传算法的智能PID控制器.     

基于遗传算法的PID控制参数研究分析

针对PID控制参数整定这一自动控制领域研究的难点问题,提出了一种基于遗传算法的PID控制参数优化方案,并详细给出了PID控制参数优化算法的实现步骤。为提高算法效率与控制器性能,分别对算法中的交叉环节与变异环节做自适应处理,并进行仿真实验。结果表明,提出的基于遗传算法的PID参数优化方案在最优解的质量与执行效率方面都具有较好的控制效果。     

基于改进遗传算法的PID参数优化在闪蒸罐压力控制中的应用

由于在加氢裂化过程中闪蒸罐压力控制存在非线性、大滞后等问题,运用常规比例-积分-微分(Proportion-IntegralDerivative,PID)控制效果较差,虽然传统遗传算法可以优化PID参数,提高控制精度,但是收敛速度慢,整定时间长,限制了其在闪蒸罐压力控制中的应用。针对以上问题,提出了一种通过改进遗传算法优化PID参数的新型方法,该方法以传统遗传算法为基础,通过对适应度值的自适应缩放、交叉率和变异率分别按Sigmoid函数和高斯分布函数自适应调整等策略来提高遗传算法的全局搜索能力和收敛速度,从而实现对PID控制参数的优化。仿真结果表明,用改进遗传算法优化后的闪蒸罐压力PID控制具有更好的自适应性和鲁棒性,使系统调节时间减少到86 s,超调量减少到0. 141 8%,有效地改善了系统的动、静态特性。     

基于CMAC神经网络PID控制算法控制直流电机的仿真研究

传统的PID控制算法对控制参数难以适应,抗干扰能力差,对直流电动机进行控制时速度较慢、稳定性较差,为解决上述问题,文中提出了一种基于CMAC神经网络的PID控制算法来控制直流电动机,对PID控制参数进行自适应修改,仿真结果表明,该算法提高了系统的稳定性、响应速度、参数适应性和鲁棒性,改善了系统控制存在的稳态精度不高的问题。     

基于改进遗传算法的多变量DMC参数优化

针对常规PID控制策略对多变量控制系统控制不理想的问题,提出了一种基于改进遗传算法的多变量动态矩阵控制。该方法将控制方法和参数优化算法相结合,对多变量动态矩阵控制参数进行寻优。在此基础上,对遗传算法进行改进,提高了其寻优能力。仿真结果表明,改进后的遗传算法能快速准确地跟踪设定值,减小调节时间。     

基于改进遗传算法的气体混合控制系统的设计与仿真

针对传统气体混合存在精度低、混合时间长等问题,研究了以质量流量控制器为主的气体混合系统,设计了改进遗传算法整定PID参数的控制系统。利用模式识别建立了系统数学模型,针对标准遗传算法的缺陷,设计了一种改进比例选择算子并提出自适应法调整交叉、变异概率。进行仿真实验验证改进遗传算法优化PID控制系统的控制性能。实验结果表明,相比标准遗传算法和Z-N法优化PID,基于改进遗传算法优化PID控制系统具有更高的控制精度以及更快的混合时间。     

基于神经网络的模糊自适应PID控制方法研究

针对常规PID控制器不能在线修正参数以及模糊规则和率属函数对专家经验的依赖性,提出了神经网络模糊自适应PID控制器,从而综合了传统PID控制、模糊控制、神经网络控制的优点,使其具有PID控制的广泛适用性和神经网络的自适应和自学习能力,同时又具备模糊控制的非线性控制作用;仿真实验可知该控制器具有更快的响应和更好的平稳性.     

超声电机驱动多关节机器人的类PID小波神经网络控制

针对超声电机驱动多关节机器人的运行特性,提出一种新颖的速度-位置双闭环PID控制模式,有效地抑制了超声电机响应极快所导致的速度变化剧烈的现象,从而提高了机器人的运动平稳性.为了进一步提高超声电机驱动多关节机器人的控制性能,使其能根据超声电机的变化特性对PID控制参数进行实时调节,提出类PID小波神经网络控制器.通过对传统离散型增量式PID表达式各项的合理划分,将速度-位置双闭环PID控制、实践经验、当前的轨迹误差及其变化情况都融入进了类PID小波神经网络控制器中.该控制器参数的在线学习机制采用了δ自适应律并结合了BP算法和梯度下降法,算法简单,计算量大大减少.试验结果证明,所设计的类PID小波神经网络控制器不仅明显优于PID和PID神经网络控制器,而且具有很好的抗干扰能力.     

基于改进粒子群算法的PID-CMAC控制器设计

小脑关节模型网络具有计算简单、学习速度快等特点,设计PID和CMAC的复合控制器既能够发挥PID控制器鲁棒性强的特点,又能够利用CMAC学习获取的知识根据输入的变化快速地做出响应,并能够提高控制系统的抗干扰能力.本文采用改进的粒子群算法对PID的控制参数进行优化,并在此基础上设计了一种新型的PID-CMAC复合控制器,通过仿真试验表明,该控制策略能够提高整个系统的控制品质.     

采用改进模糊神经网络PID控制的移动机器人运动误差研究

移动机器人在复杂环境中运动,容易受到各种波形的干扰,导致移动机器人跟踪误差较大.对此,创建了移动机器人平面简图模型,建立移动机器人动力学方程式.在传统PID控制方法的基础上,设计了模糊神经网络PID控制方法.采用改进粒子群算法优化模糊神经网络PID控制参数,输出最优PID控制参数.采用Matlab软件对移动机器人跟踪误差进行仿真,并与传统PID控制方法进行比较和分析.仿真结果显示:在正弦波的干扰环境中运动,传统PID控制方法不能抑制外界环境的干扰,实际运动轨迹与理论运动轨迹偏差较大;而改进模糊神经网络PID控制方法能够抑制外界环境的干扰,实际运动轨迹与理论运动轨迹偏差较小.移动机器人控制系统采用改进模糊神经网络PID控制方法,能够在线调整PID控制器参数,控制精度较高.