蚁群算法优化BP神经网络在主汽温控制中的应用

针对火电厂主汽温被控对象的不确定性及大延迟、大惯性及非线性等特点,设计了一种基于蚁群算法、BP神经网络的智能PID串级控制系统.采用蚁群算法对BP神经网络的初始权值进行优化,再利用BP神经网络算法对PID参数进行在线调整,从而实现了对主蒸汽温度的动态控制.仿真结果表明：该系统在控制品质、鲁棒性方面都明显优于常规PID控制系统.     

智能自整定注塑机PID闭环控制系统

针对注塑机系统在注塑过程中控制精度不高、控制灵敏度不强的问题,提出利用群体智能算法蚁群算法优化注塑机在注塑过程中PID参数快速优化选取的问题,又利用混沌算法将蚁群算法中的部分参数进行变异,提高系统的鲁棒性、灵敏性。仿真实验表明:智能自整定PID控制器控制效果明显优于传统意义上的普通PID控制系统,能够获得更高的参数寻优效果,也在很大程度上实现了注塑机闭环注塑系统的有效优化。     

蚁群优化的改进型神经网络控制器设计

利用可调激活函数改进神经网络,提高神经网络的泛化能力,并推导出激活函数参数的调节公式;对蚁群算法加以改进,以加快算法收敛速度、避免局部最优解,利用改进的蚁群算法对神经网络参数加以优化,并用优化后的改进型神经网络在线整定控制器参数。仿真表明,对于较复杂的系统该方法比传统的神经网络PID控制有更好的控制效果。     

新型模糊预测PID控制在pH中和过程中的应用

利用自适应学习算法及模糊推理方法在线修正pH过程所得的局部线性化模型，同时基于广义预测控制(GPC)的思想和离散PID算法的相互关系，提出了一种以预测控制这类先进控制方法为思想，以经典PID控制为实现的新型控制器。其中，控制器的参数通过GPC与PID的相互关系递推计算得到。仿真研究表明本文所提出方法的可行性和有效性。     

模糊自适应PID控制算法在纸机烘缸蒸汽系统中的应用

介绍一种模糊自适应PID控制算法及其实现方法.它包含四个部分:①模糊自适应PID参数模型的整定;②模糊逻辑推理及PID参数修正方法;③模糊自适应PID控制算法的实现方法;④系统稳定性分析.该算法能够实现造纸机干燥部烘缸蒸汽温度按设定曲线控制.应用结果表明该算法合理,实现简单,烘缸干燥效果更佳.     

二杆机械臂运动参数的灰色控制系统

控制算法的好坏直接影响到机器人机械臂执行指令的效果.灰色预测控制因不需要被控对象精确的数学模型,且自适应能力强,超调适中,参数调整方便,具有更好的动、静态特性,较常规的PID控制有更多的优越性,适用于很多系统的自动控制.将灰色预测控制理论与PID控制理论有机地融合在一起形成了一套灰色预测控制系统并将其运用于二杆机械臂的控制中,通过MATLAB/Simulink环境仿真分析.     

PID参数优化算法

PID参数优化是自动控制领域研究的一个重要问题。为了实现最优PID控制,PID参数优化算法已成为国内外控制理论研究的一个热点。随着计算机技术的发展,一些新的智能算法得到了迅速发展和广泛应用,并在理论和应用方面都有重要的意义。主要介绍了PID参数优化算法以及近年来在此方面取得的研究成果,并对未来PID参数优化的研究方向作了展望。     

GAAS优化PID算法在全电动注塑机注射系统中的应用

全电动注塑机有2个伺服电机同时进行驱动,与一般的伺服液压注塑机相比,控制精度更高、控制速度更快,针对其控制系统提出一种遗传算法修正的蚁群算法(GAAS)对闭环PID控制的控制参数进行优化,该算法能够有效提高系统的快速性和准确性。Rosenbrock函数验证了嵌入遗传算法后蚁群算法的优越性,嵌入遗传算法后收敛速度更快,算法具有更优良的收敛速度。GAAS算法能够提供更加准确可靠的PID参数,且不会降低系统的调节性能。仿真实验证明,GAAS算法能够有效减小系统超调量、缩短调节时间;在实际运行中,注射螺杆的控制精度在0. 5%以内。因此,控制器可以大幅度改善全电动注塑机的闭环控制效果,参考价值较大。     

基于Smith预估器的PID自适应控制及其应用

针对大时滞时变对象 ,把Smith补偿控制原理和PID参数的自适应调整方法结合起来 ,提出了基于BP神经网络整定Smith PID控制算法 ,即在Smith预估补偿控制系统中 ,利用BP神经网络在线自学习整定PID参数 ,使PID参数实现最佳的非线性组合 ,以适应对象特性的变化 ,从而克服了常规PID算法不适应大时滞系统控制和常规Smith算法过于依赖模型精度的缺陷。仿真研究和实际应用表明 ,本文算法具有很强的鲁棒性和良好的控制品质 ,工程应用控制效果令人满意。     

基于新型蚁群算法优化的重油热裂解模型

针对重油热裂解模型的参数估计问题呈高维、高度非线性的特征,提出一种基于新型蚁群算法优化的重油热裂解模型.通过新型蚁群算法优化确定模型参数,获得具有良好预测精度的模型.新型蚁群算法通过将解空间划分成若干子域,并引入遗传操作,实现连续优化问题的寻优.仿真结果表明它具有良好的性能,且优于传统的遗传算法.