基于人群搜索算法的PID控制器参数优化

关于PID控制器在工业控制领域应用优化问题,PID参数优化成为工业自动化研究的热点.PID参数优化对于系统的稳定性、可靠性和快速响应等特性有着重要的意义.为了改善和优化PID控制器性能,提出一种人群搜索算法(SOA),以PID三个参量为搜寻队伍,以误差绝对值和控制输入平方项的时间积分作为优化目标,经过迭代寻优计算得到系统最优控制量.通过对比遗传算法和粒子群算法PID参数优化,仿真结果表明,改进算法提高了系统的控制精度,系统响应速度快,鲁棒性好,为控制系统PID参数整定提供了参考.     

基于免疫遗传算法的PID控制器参数优化研究

PID控制器参数优化一直是自动控制领域研究的热点问题.由于自动控制过程中被控对象具有非线性、时变不确定性等特点,传统的PID控制多采用试凑方式进行优化,往往费时而且难以满足控制的实时要求,导致控制精度不高.为了解决PID控制器参数优化问题,改善系统性能,提出一种基于免疫遗传算法的PID参数优化方法.该方法将PID控制器参数作为抗原,最优参数作为抗体,通过免疫算法的记忆细胞和抗体浓度调节机制,在控制过程中动态调整PID控制参数,从而实现PID控制器参数实时优,最后将该参数优化方法应用于实际的自动控制系统.实验应用研究表明,相对于传统参数优化方法,该方法在处理非线性和时变系统时,减少了超调小,响应速度提高,改善了系统性能,系统稳定性增强,控制精度相应提高,更能适应实际的自动控制系统需要.     

混合粒子群算法优化分数阶PID控制参数研究

分数阶比例-积分-微分(PID)控制器是一种把PID控制器的整数阶次推广到分数的比例、积分、微分控制器,它比传统的PID控制器更能精确地控制复杂的被控系统.而参数的取值对控制效果的好坏起着决定性作用,为此提出了一种混合粒子群算法BFA-PSO优化参数值.该算法将具有趋化、繁殖和驱散特点的细菌觅食算法和参数少,易于优化的粒子群算法相结合来计算出精确的分数阶PID控制器的参数值.通过对传统PID控制器和分数阶PID控制器参数优化的实验仿真,结果表明基于该算法的分数阶PID控制不仅无超调量、收敛速度快,而且鲁棒性强、收敛精度高,可用于控制不同的对象和过程.     

基于粒子群优化算法的PID控制器参数整定

PID控制器的性能完全依赖于其参数的整定和优化，但参数的整定及在线自适应调整对常规的PID控制器是难以解决的问题。根据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，提出了一种基于粒子群优化算法整定PID控制器参数的设计方法，并定义了一种新的性能指标函数来评价PID控制器的性能。现以二阶的船舶控制装置为研究对象，运用粒子群优化方法对PID控制器参数进行了寻优研究。仿真结果表明，该方法比一般PID参数整定方法具有更好的控制性能指标，有着一定的工程应用价值。     

基于PSO优化的潜艇深度非线性PID控制

根据潜艇操纵控制过程非线性、慢时变的特点,在潜艇深度垂直面运动方程的基础上设计了一种基于粒子群算法的潜艇深度非线性PID控制器,针对非线性PID控制设计参数较多的问题,将参数设计问题转化为一种优化设计问题,借助粒子群优化算法,以某型潜艇深度控制系统为研究对象,对系统中的非线性PID控制参数进行了优化.仿真结果表明,该控制器不仅能较好地实现深度保持,相对于传统PID控制具有更好的稳态精度,对舵机的损耗也比传统PID控制小.     

基于强化学习的参数自整定及优化算法

传统PID控制算法在非线性时滞系统的应用中,存在参数整定及性能优化过程繁琐、控制效果不理想的问题。针对该问题,提出了一种基于强化学习的控制器参数自整定及优化算法。该算法引入系统动态性能指标计算奖励函数,通过学习周期性阶跃响应的经验数据,无需辨识被控对象模型的具体数据,即可实现控制器参数的在线自整定及优化。以水箱液位控制系统为实验对象,对不同类型的PID控制器使用该算法进行参数整定及优化的对比实验。实验结果表明,相比于传统的参数整定方法,所提出的算法能省去繁琐的人工调参过程,有效优化控制器参数,减少被控量的超调量,提升控制器动态响应性能。     

非线性系统的蚁群优化预测PID控制

针对非线性、时变及大惯性系统的控制问题,提出了一种基于蚁群算法的预测PID控制算法。该算法以神经网络作为预测模型,将预测控制和PID控制相结合,并用蚁群算法在线优化控制器参数,其中以常规的Ziegler-N ichols方法整定的控制器参数为基础,选取蚁群优化变量的动态搜索区间。该算法考虑了控制能量受限情况下,非线性系统的预测控制问题。计算机仿真结果表明,该非线性控制方案具有较好的鲁棒性,相对传统PID控制策略还表现出了良好的动态性能,能够满足对再热汽温对象的控制要求。     

基于蚁群神经网络的工业自动化PID参数优化

针对常规方法无法获得最优PID控制器参数的缺点,提出一种基于蚁群神经网络的PID控制器参数优化方法（ACO-RBFNN）。ACO-RBFNN将PID控制器的3个参数作为RBF神经网络的输入,系统输出为RBF神经网络期望输出,通过蚁群算法对RBF神经网络的参数进行优化,并通过RBF神经网络构造参数自学习的PID控制器,从而实现PID控制器参数在线优化。仿真实验结果表明,基于ACO-RBFNN的PID控制器可以得到令人满意的控制效果,可以应用于工业自动化控制系统的PID控制器参数优化。     

一种PID参数整定的粒子群优化算法

提出了一种PID控制器参数整定的粒子群优化算法。该方法首先通过定义一个包含系统超调量、上升时间和稳态误差指标项的适应度函数,并根据系统的实际控制要求对各指标项适当加权。之后由带收缩因子的粒子群算法对PID进行多目标寻优,从而实现PID控制器的自动参数整定。仿真结果表明,该方法优化得到PID控制器的综合性能优于常规方法得到的PID控制器。     

灰狼算法优化分数阶模糊控制器参数

PID模糊控制在工业控制中是最广泛的一种控制方法,在一些复杂的实际系统中,应用分数阶PID模糊控制器在整定系统参数性能上优于整数模糊控制器.分数阶模糊控制器具有较多的控制参数,这些控制参数直接影响了模糊控制器的性能.用传统的算法校准分数阶模糊控制器并不能得到最佳的参数值,而且标定参数的过程较为复杂.因此提出用灰狼优化算法(Grey Wolf Optimizer,GWO)优化分数阶模糊控制器的参数.将基于灰狼优化算法的分数阶模糊控制器优化方法与其他五种典型的基于群智能的优化方法进行了比较.实验结果表明,该方法的控制效果更好.     

改进粒子群算法整定PID参数研究

PID控制器的性能取决于其控制参数的组合,针对其参数的整定和优化问题,提出了应用一种改进的粒子群优化算法,该算法借鉴了遗传算法的杂交机制,并采用惯性权值的非线性递减策略,用以加速算法的收敛速度和提高粒子的搜索能力。将该算法应用于一个二阶系统的PID控制器参数的优化。仿真结果表明该改进的粒子群算法具有比传统粒子群算法和遗传算法更好的优化效果,具有一定的工程应用前景。     

Teaching–learning based optimization algorithm based fuzzy-PID controller for automatic generation control of multi-area power system

This paper deals with the design of a novel fuzzy proportional–integral–derivative (PID) controller for automatic generation control (AGC) of a two unequal area interconnected thermal system. For the first time teaching–learning based optimization (TLBO) algorithm is applied in this area to obtain the parameters of the proposed fuzzy-PID controller. The design problem is formulated as an optimization problem and TLBO is employed to optimize the parameters of the fuzzy-PID controller. The superiority of proposed approach is demonstrated by comparing the results with some of the recently published approaches such as Lozi map based chaotic optimization algorithm (LCOA), genetic algorithm (GA), pattern search (PS) and simulated algorithm (SA) based PID controller for the same system under study employing the same objective function. It is observed that TLBO optimized fuzzy-PID controller gives better dynamic performance in terms of settling time, overshoot and undershoot in frequency and tie-line power deviation as compared to LCOA, GA, PS and SA based PID controllers. Further, robustness of the system is studied by varying all the system parameters from −50% to +50% in step of 25%. Analysis also reveals that TLBO optimized fuzzy-PID controller gains are quite robust and need not be reset for wide variation in system parameters.     

永磁同步电机PID参数优化研究

研究永磁同步电机优化控制问题,永磁同步电机具有强耦合和强非线性特性的特点,应用环境一般较为复杂且常常存在各种干扰使电机系统稳定性差,针对传统PID控制方式很难满足电机系统要求,控制效果差,超调大。为提高控制精度,提出一种改进的PID控制方法。将PID控制器的参数作为粒子群中的粒子,系统控制精度作为粒子的寻优目标,通过粒子搜索找到最优PID控制参数,从而对电机进行精确的控制。仿真结果表明,粒子群算法的PID控制器提高了永磁同步电机系统控制精度,为永磁同步电机优化设计提供了科学依据。     

基于布谷鸟搜索算法优化的BLDCM角度控制

当前,经典比例积分微分(PID)控制在无刷直流电机(BLDCM)控制领域仍然占据十分重要的地位。为了解决传统PID控制器参数优化费时、最佳控制性能难以保证的问题,提出使用布谷鸟搜索(CS)算法优化PID控制器(CS-PID)构成电机的角度位置控制。其次,选用时间乘绝对误差积分(ITAE)函数作为CS算法的适应性函数,为PID控制器参数优化的合理性提供参考。最后,以粒子群算法优化PID(PSO-PID)控制器为基准,利用MATLAB仿真软件在恒定阶跃函数下分别对CS-PID控制器和PSO-PID控制器进行了实验测试。仿真试验结果表明:CS-PID控制器具有较好的控制性能指标;相对于PSO-PID控制器,CS-PID控制器优化算法具有优越性和有效性。     

一种非线性PID控制算法的仿真研究

研究PID控制系统优化问题,工业控制被控对象均具有非线性、时变和大时滞性,引起系统的品质性能差,传统的线性控制难以达到所要求精度。为了提高系统控制精度,利用PID控制器各增益参数与偏差信号间的非线性关系,提出一种非线性PID控制算法。首先将PID参数转化为优化问题,然后采用粒子群算法的全局、并行搜索能力对非线性控制参数进行求解,得到一组最优的PID控制参数。仿真结果表明,相对于传统线性PID控制,非线性PID控制器超调小,调节时间短,并提高了控制精度,有效解决了传统PID难以准确控制非线性对象的难题。     

基于多种群风驱动优化算法的PID参数整定

针对标准风驱动优化算法容易收敛到局部最优和未成熟收敛的问题,提出了一种多种群风驱动优化算法,并将其用于PID控制器的参数整定。该算法将PID控制器的比例、积分和微分参数作为空气微团的位置矢量,以ITAE指标作为算法的适应度函数,通过多个种群协同搜索,寻求解空间中适应度值最小的位置。通过实验仿真,并与基于标准风驱动优化算法、基于遗传算法和基于粒子群算法的PID参数整定相比,该算法在收敛速度、收敛精度等方面均表现出更好的性能。     

利用改进遗传算法优化PID参数

为了改善单纯遗传算法早熟收敛与寻优能力不足的问题,将粒子群算法引入遗传算法变异操作中,提出了一种基于遗传算法与粒子群算法的组合算法。将改进的遗传算法应用于PID控制器参数优化中,通过仿真实验表明,新算法效果明显优于单纯遗传算法,能有效克服早熟收敛现象、降低随机性初始种群的影响、提高算法收敛精度,具有良好的收敛性和寻优能力。     

基于遗传算法优化的跳汰机排料系统PID控制仿真

针对传统PID控制方法应用于跳汰机排料系统时难以获得最优控制参数、控制效果差的问题,提出一种基于遗传算法的PID控制参数优化方法,介绍了基于遗传算法优化的PID控制结构、参数优化方法及步骤,并以某矿井跳汰机排料系统为例,对基于该方法的PID控制器的控制性能进行了仿真研究。仿真结果表明,该方法能够实现PID控制参数的在线优化,收敛速度快,具有较强的鲁棒性;基于该方法的PID控制器具有良好的动、静态性能,无超调现象,控制精度高。