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.     

基于交叉和自适应权重的混合粒子群优化算法

针对粒子群算法易陷入"局部最优解"和搜索精度逐渐降低的缺点,提出了基于交叉和自适应权重的混合粒子群优化算法.加入的交叉操作使得种群在粒子数目不变的情况下多样性得以维持,而自适应权重有效地平衡了整个算法的全局与局部搜索能力.通过函数测试实验表明,新的算法能够避免早熟收敛问题,有效地提高了其寻优能力.     

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。     

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。     

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。     

改进混沌粒子群算法的四旋翼PID姿态控制

PID控制器在四旋翼飞行控制系统中比较常见,其核心问题之一就是PID参数的整定.常见的调参方法有模糊控制、神经网络及手动调参.针对四旋翼飞行器的PID控制器参数整定困难,提出一种基于混沌粒子群算法的PID参数整定方法:首先,利用粒子群算法的收敛速度较快及混沌序列的遍历性、随机性以及对初值的敏感性等特性,使得调节PID参...     

继电自整定PID控制算法比较研究

本文将粒子群优化算法与经典的PID继电自整定法相结合,利用粒子群优化算法对继电自整定获得的PID参数进行优化,并对结合了粒子群优化算法的继电自整定PID控制法与经典的继电自整定PID控制法进行了仿真,并对仿真结果进行了对比.     

一种自适应惯性权重的粒子群优化算法

为较好平衡粒子群算法中全局搜索能力与局部搜索能力,分析了PSO算法中的惯性权重与种群规模、粒子适应度以及搜索空间维度的关系,并把粒子惯性权重定义为这三者的函数.通过在每次迭代后更新每个粒子的惯性权重,实现了自适应调整全局搜索能力与局部搜索能力,并结合动态管理种群的策略提出了改进的粒子群算法.通过在多个常用测试函数上与已有惯性权重调整算法测试比较,证明新算法具有较强的全局寻优能力与较高的搜索效率.     

基于粒子群算法的PID控制器研究与应用

通过建立粒子群优化的PID控制器参数模型,在控制过程中将PID参数(比例、积分、微分)作为粒子群中的粒子,采用控制误差绝对值时间积分函数作为优化目标,在控制过程中动态调整PID的三个控制参数,从而进行PID控制参数的实时优化,最后将优化方案应用于中央空调温度控制系统.仿真应用研究表明,PID参数优化策略具有很强的灵活性、适应性和鲁棒性,进而验证了优化方案的可行性和有效性.     

逆变电源的模糊自适应整定PID控制方案

逆变电源系统结构特殊且具有较强的非线性和参数时变性,尤其在非线性负载下采用常规控制难以获得理想的控制效果。提出一种基于模糊自适应整定PID控制策略的逆变电源控制方案,该方案将模糊控制与PID控制的优势相结合,实时对PID参数进行在线调整。通过Matlab/Simulink对系统进行了仿真和验证,并与常规PID控制结果进行了对比和分析。实验结果表明,模糊自适应整定PID控制很好地实现了控制目的,并且提高了输出波形的质量,控制品质明显优于常规PID控制方法。     

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。     

动态自适应微粒群优化算法

群体智能是目前智能领域非常活跃的新兴研究领域,微粒群算法作为其典型的实现形式,受到普遍的关注.本文分析了基本微粒群算法的特点,改善了动态自适应微粒群优化算法,实验结果证明该方法的优越性.     

粒子群优化算法在PMD自适应补偿中的应用

本实验采取基于偏振度(DOP)的PMD监测技术，使用粒子群优化算法(PSO)为逻辑控制算法，控制二级偏振模散补偿器的可变时延线来实现二阶偏振模散(PMD)自适应补偿，取得了良好效果。实验表明相对于固定可变时延线的偏振模散自适应补偿，精度较高，而所用时间稍长。     

一阶加纯滞后对象的PID控制器参数整定方法的比较研究

在工业控制领域,以一阶加纯滞后控制过程为研究对象,分别采用Z-N法、粒子群、模糊控制对PID控制器的参数进行整定,并且从稳定性、跟踪性、以及抗干扰性等方面通过MATLAB仿真,分析比较各自的优缺点。研究结果表明粒子群算法以及模糊控制法对于PID参数的整定在综合性能方面有一定的优势,并对现代工业控制的PID整定设计方面有一定实用价值。     

基于微粒群改进BP算法的非线性方程PID参数整定研究

文章从微粒群算法和BP神经网络基本原理出发,研究了将其用于PID控制的可行性,实现参数的在线自整定。仿真结果表明。基于微粒群优化BP神经网络的非线性PID参数自整定取得了良好的控制效果。     

单片机模糊PID自整定控制算法的实现及仿真

工业控制中常用的传统PID算法,其参数整定不仅复杂、费时、费力,而且不易取得最优参数,使控制过程达不到理想状态。针对此利用单片机的计算优势,融合最新的模糊控制理论,提出了一种新型的自动的PID参数整定方法,通过软件模拟及实际检验,均达到了理想效果。     

自适应粒子群优化算法及其在测试数据生成中的应用研究

针对粒子群算法易陷入局部最优解及搜索精度低的问题,本文提出一种约简的自适应粒子群优化算法并应用于测试数据的自动生成.首先对粒子群进化方程约简,提出无速度项的粒子群进化方程;然后,对约简后的方程提出基于惯性权重的自适应调整方案,将惯性权重直接作用于粒子的位置,并根据粒子的适应度及聚集度将种群划分为三部分.实验表明,该方法可以有效地提高自动生成测试数据的效率.     

基于粒子群算法的PID控制器参数优化

粒子群算法是一种智能算法,在PID控制器参数整定的应用中可取得更优的效果。为解决传统的粒子群算法早熟收敛和收敛速度慢的缺点,文中采用了一种基于相似度动态调整惯性权重的方法,即越靠近目前最优粒子的个体被赋予越小的惯性权重值。最后用MATLAB对等温连续搅拌釜反应器仿真。与标准的PSO算法整定方法相比,改进的粒子群算法稳定时间为230.1 s,比传统粒子群算法524.7 s的稳定时间缩小了一半,表明改进的算法对PID控制器的参数优化有着较优的收敛效果。     

基于细菌觅食与粒子群的改进混合算法

针对粒子群优化算法（PSO）在优化过程中易陷入局部极值而产生“早熟”现象,文中提出一种基于细菌觅食与粒子群的改进混合算法。粒子群优化算法与细菌觅食优化算法的结合,增强了算法的全局搜索能力,使算法具有全局搜索能力强的优点。选用Matlab进行仿真实验,实验结果进一步显示了改进混合算法的优化能力优于基本PSO算法和基本BFO算法,收敛速度快,且具有较好的鲁棒性。