基于粒子群优化的桥式起重机模糊PID控制

由于桥式起重机调速系统具有非线性特点,采用传统PID控制效果不佳,而模糊控制却能很好地改善非线性系统的性能,因此将二者相结合设计出了桥式起重机的模糊PID控制器。同时为了进一步改善控制器的性能,利用粒子群算法（PSO）的寻优特性对其参数进行优化,并通过 Matlab仿真与优化前的控制器以及传统 PID控制器进行对比,结果表明,采用粒子群算法优化后的模糊PID控制器动态性能更佳,具有超调小、调节时间短、适应性强的优点。     

一种基于粒子群算法的模糊隶属函数优化方法

在分析图像模糊增强算法对于隶属函数及其模糊区域选择方法不足的基础上,提出一种新的基于粒子群算法的模糊隶属函数优化方法。该方法给出一个新模糊熵的定义,这个新模糊熵定义不仅考虑到图像在模糊域中划分区域时随隶属函数变化而变化的情况,同时又考虑到图像在空域中划分区域时随隶属函数变化而变化的情况。这样就使得图像依照最大熵准则变换到模糊域更能够有效地反映图像的固有信息。另外,根据图像增强算法中使用double型数据类型的特点,采用改进粒子群优化算法寻求隶属函数的最优参数。将新算法应用于图像增强中,取得了优于现有大多数模糊增强算法的效果。     

基于粒子群算法的抄纸过程PID神经元网络优化控制

抄纸过程中定量和水分的控制是一个大纯滞后、强耦合和非线性的系统,本文提出使用粒子群算法优化的PID神经元网络来解决这些控制问题。设计的双PID神经元网络闭环控制系统中,网络结构简单,使用增加动量项的误差反向传播算法,提高了学习速度,减少了系统的反应时间,并采用粒子群算法优化网络的初始权值,克服PID神经网络学习过程中由于权值易陷入局部最优值的缺点,提高了系统的控制精度。仿真结果表明：初始权值优化后的PID神经网络控制系统具有更高的控制精度和更快的响应时间,能更好地实现抄纸过程的解耦控制。这为抄纸过程定量水分的自动控制提供了一种新的方法。      

基于模糊的多目标粒子群优化算法及应用

粒子群优化算法的思想来源于人工生命和进化计算理论,由于其容易理解、易于实现,在很多领域得到了应用.由于传统的粒子群优化算法无法对多目标优化问题进行求解,因此文中利用模糊理论中的隶属度函数和给定的最优解评估选取原则,提出了一种适合求解约束型多目标优化问题的模糊粒子群算法(FPSO).模糊粒子群算法很好地解决了汽车零部件可靠性稳健优化设计的求解问题,仿真结果证明,该算法可行而有效,同时也拓展了粒子群算法的应用领域.     

基于混合粒子群算法的烧结配料优化

在引入惩罚函数和对目标函数进行适当修改的前提下,充分利用粒子群优化算法的全局搜索能力和约束条件下共轭梯度法的局部搜索能力,设计了烧结配料优化算法．利用惩罚函数方法将约束条件优化问题转化为无约束条件优化问题,然后利用粒子群优化算法进行寻优．当群体最优信息陷入停滞时将目标函数进行适当变化,继续利用共轭梯度法进行寻优．计算结果表明,采用该方法能够在提高混合料中的有用成分、降低有害成分的前提下,更多地降低生产成本．     

基于粒子群算法模糊PID控制的智能原油脱水控制方案设计

为了提高智能原油脱水控制的效率,克服原有工作方法的缺陷,尝试通过使用粒子群算法,针对模糊PID的比例因子和量化因子进行参数的迭代寻优,得到一个性能较好的模糊控制器,从而对多个变量的油水分离系统进行有效控制.经过粒子群算法优化的模糊PID控制器可以在系统响应迅速并且没有超调的情况下使系统的适应性和鲁棒性都得到提升,使原油...     

基于改进粒子群优化算法的PID控制器参数优化

针对PID控制器参数整定问题,提出一种基于改进粒子群优化算法的优化方法。该方法在实数编码及设定参数搜索空间的基础上,采用基于指数曲线的非线性惯性权值递减策略,以较大幅度地提高算法的收敛速度和精度;嵌入基于差分进化算法变异算子的局部搜索策略,以有效提高粒子个体的适应性和群体的多样性,改善解的质量,同时增强算法全局空间探索和局部区域改良能力的平衡。仿真结果表明,该方法与传统和智能算法相比较,所得到的控制器参数能够使控制系统获得更好的动态响应特性和满意的控制效果。     

基于改进粒子群算法的模糊神经网络PID控制器设计

针对模糊神经网络PID控制器中参数初始值的设置对控制器性能影响大的问题,提出一种改进的PSO算法优化模糊神经网络PID控制器参数的设计方法.该方法采用实数编码的方式对控制器参数进行优化,并以ITAT指标作为改进的PSO优化算法的适应度函数.实验仿真表明:经过改进的PSO算法优化的模糊神经网络PID控制器具有良好的动静态性能,响应速度更快,超调量更小,控制精度更高.     

改进粒子群的模糊神经PID控制研究与应用

设计一款电子负载用于对稳压电源进行检测。在硬件方面,对DSP控制器的选择、电子负载各芯片的选取、键盘及显示电路的设计进行了详细的介绍;在软件方面,针对模糊神经PID控制算法易陷入局部极值和迭代过久的缺点,加入了改进的粒子群算法,并且在神经网络在线调整时加入训练参数,对算法进行了改进,提高了算法的效率。将设计好的电子负载对稳压电源源效应进行检测,取得了较好的结果。     

基于多目标粒子群算法的PID控制器设计

随着对控制系统的要求越来越高,进行比例积分微分(Proortion Integration Differentiation,PID)控制器的设计的时候应该同时考虑到系统时域指标和频域指标,常规的PID整定方法往往很难实现.为解决上述问题,采用多目标粒子群算法进行PID控制器参数的设计,算法将系统的超调量、上升时间和稳定时间作为目标函数,频域指标作为约束条件.算法的运算结果为一组Pareto最优解,运行者可以根据当前对系统的要求从中选取合适的解.通过与常规PID整定方法和采用单目标粒子群算法的方法进行比较,证明了改进方法的有效性.     

基于粒子群优化的分数阶PID预测函数参数整定

为避免分数阶PID预测函数手动调节参数的不确定性以及繁琐性,应用粒子群算法优化其参数,完善分数阶PID预测函数控制器,并提高其控制精度,充分体现了算法的智能性。将粒子群整定分数阶PID预测函数算法应用于单变量的励磁控制系统中,通过Matlab仿真并与模糊分数阶PID预测函数以及经验调节方法相比较,结果表明,粒子群算法整定参数收敛速度快,找到最优点时间短,整定后的算法具有静态误差小、无超调、上升速度快、调节时间短、抗干扰能力强等优点,能很好地满足励磁系统的动态特性,并具有较强的鲁棒性及适应性。     

基于粒子群优化的分数阶PID滑模控制参数整定

为了提高系统的控制性能,解决单一控制方法不足,将分数阶PID算法与滑模变结构算法相结合,同时为了规避分数阶PID的滑模变结构算法手动调节参数的复杂性以及不确定性,采用粒子群算法对其参数进行优化,完善分数阶PID的滑模变结构控制器,提高其控制精度.并将新型算法应用于单相全桥逆变器,通过Matlab仿真并与分数阶PID滑模变结构控制函数(PID-SMC)及滑模变结构控制(SMC)方法相比较,研究结果表明,粒子群算法整定参数收敛速度快,较短时间内可以找出最优解,整定后的算法静态误差小,上升速度快,抑制系统抖振能力强,具有较强的鲁棒性.     

一种基于自适应模糊支配的高维多目标粒子群算法

高维多目标优化问题由于具有巨大的目标空间使得一些经典的多目标优化算法面临挑战.提出一种基于自适应模糊支配的高维多目标粒子群算法MAPSOAF,该算法定义了一种自适应的模糊支配关系,通过对模糊支配的阈值自适应变化若干步长,在加强个体间支配能力的同时实现对种群选择压力的精细化控制,以改善算法的收敛性;其次,通过从外部档案集中选取扰动粒子,并在粒子速度更新公式中新增一扰动项以克服粒子群早熟收敛并改善个体分布的均匀性;另外,算法利用简化的Harmonic归一化距离评估个体的密度,在改善种群分布性的同时降低算法的计算代价.该算法与另外五种高性能的多目标进化算法在标准测试函数集DTLZ{1,2,4,5}上进行对比实验,结果表明该算法在收敛性和多样性方面总体上具有较显著的性能优势.     

基于粒子群算法的一种非线性PID控制器

基于PID控制器各增益参数与偏差信号之间非线性关系,分析了一种P/I/D各部分参数关于误差的理想变化过程,根据控制与误差之间的调节规律,给定一组增益参数的连续非线性函数,构造出一种非线性PID控制器。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,采用该算法寻优整定该非线性PID控制器的各增益参数。仿真结果表明了所提算法的有效性和所设计控制器的优越性能。     

基于改进粒子群算法的PID参数优化与仿真

提出了一种基于改进的粒子群优化（PSO）算法的PID控制器参数整定方法。该方法采用了PSO的惯性权值自适应调整机制和粒子种群的动态更新策略,用以加速优化算法的收敛和维持群体的多样性。与常规的PSO算法相比,该方法简单易行,更容易找到全局最优解,优化效率和性能明显提高。将该算法应用非最小相位、一阶滞后等系统的PID控制器参数的优化,能够使控制系统获得较好的动态特性和很强的鲁棒性。仿真实验表明了所提出算法的有效性和优越性。     

基于改进型粒子群算法的PID神经网络控制系统

针对传统的PID神经网络(PIDNN)应用范围受限及积分误差规则难以获取的问题.为实现对非线性多变量系统的有效控制,拓展神经网络控制系统的应用范围,提出了基于改进型粒子群算法在PID神经网络控制系统设计中的解决方案,取代了传统的BP反向传播算法.仿真结果表明,与传统的PIDNN相比,系统的稳定性、鲁棒性及精确性都有了明...     

基于粒子群优化和模糊c均值聚类的入侵检测

针对模糊c均值算法对初始化敏感及易陷入局部极值的问题,利用粒子群优化算法的全局优化性能,结合模糊c均值聚类算法,提出基于粒子群优化和模糊c均值聚类的入侵检测方法。该方法可快速得到全局最优聚类,并且有效检测出未知的攻击。实验表明该方法不仅对未知攻击有较好的检测效果,而且具有较低的误报率和较高的检测率。