共查询到10条相似文献,搜索用时 578 毫秒
1.
针对粒子群优化算法(PSO)容易出现早熟收敛的问题,提出一种改进的粒子群优化算法(IMPSO)。该算法通过引入粒子群聚合度和变异的思想,能很好避免早熟,提高粒子全局搜索能力。将此改进的粒子群优化算法用于PID控制器的参数整定,具有操作简单,寻优快速等优点。 相似文献
2.
《计算机应用与软件》2017,(7)
PID控制器的参数寻优是当代反馈控制系统设计的核心内容。PID控制器参数寻优意味着在三个参数空间域中寻找最优解,使得控制系统的性能达到最佳。为更好地对PID控制器的参数整定,引入自适应变步长策略的群智能萤火虫算法。利用MATLAB进行仿真实验,与粒子群(PSO)算法和经典的Z-N参数整定方法进行比较。实验表明,所提算法精度高、原理简单,可高效整定PID控制器参数。 相似文献
3.
《电子技术应用》2018,(5)
由于船舶动力定位控制系统是一个复杂的非线性系统,常规整定的PID参数难以取得理想的控制效果,由此提出将免疫类电磁机制(IEM)算法用于PID控制器的参数自整定。针对类电磁机制(EM)算法易陷入局部最优的缺陷,引入免疫信息处理机制,利用其特有的浓度选择机制保留优良的粒子并通过免疫算子使粒子靠近最优位置。使用IEM、EM和PSO算法整定PID控制器参数,分析结果可以得出IEM算法具有更优的稳定性、更高的收敛精度。最后在IEM-PID和常规PID控制器作用下分别对船舶DP的位置和艏向进行仿真,仿真结果表明,相比常规PID控制器,IEM-PID控制器响应速度更快、稳定性更优、稳态误差更小。 相似文献
4.
分析了非线性PID控制器各部分参数对于误差的理想变化过程,构造出一种非线性PID控制器;整定参数较多时,传统的参数优化方法容易产生振荡和较大的超调量,在分析量子粒子群算法(QPSO)的基础上,引入了随机选择最优个体的思想,提出使用改进的量子粒子群算法(GQPSO)优化非线性PID控制器参数。将改进量子粒子群算法与量子粒子群算法、粒子群算法通过benchmark测试函数进行了比较。最后,通过典型传递函数实例,分别使用Z-N、PSO、QPSO方法和改进的量子粒子群算法进行了PID控制器参数优化设计,并对结果进行了分析。 相似文献
5.
6.
7.
《微型机与应用》2015,(17):7-11
PID控制器是过程控制中应用最为广泛的控制器,而传统PID控制器参数整定难以达到最优状态,同时,存在控制结果超调量过大、调节时间偏长等缺点,因此,将变异粒子群优化算法(Mutation Particle Swarm Optimization,MPSO)运用于BP-PID的参数整定过程中,设计了一种高效、稳定的自适应控制器。考虑MPSO的变异机制,以种群适应度方差与种群最优适应度值为标准,进行种群变异操作,可以克服早熟,提高收敛精度和PSO的全局搜索能力,使MPSO优化的BP神经网络整定的PID控制器能以更快的速度、更高的精度完成过程控制操作。在实验中,通过比较BP-PID、PSOBP-PID以及MPSO-BP-PID三控制器仿真结果,证明了所提MPSO算法的有效性和所设计MPSOBP-PID控制器的优越性。 相似文献
8.
传统的PID控制器参数优化方法容易产生振荡和较大的超调量,因此智能算法如遗传算法(SGA)和粒子群算法(PSO)被用于参数优化,弥补传统算法的不足,但是遗传算法在进化过程中收敛速度慢,粒子群算法存在易于早熟的缺点。在分析量子粒子群算法(QPSO)的基础上,在算法中引入了权重系数,提出使用改进的量子粒子群算法(WQPSO)优化PID控制器参数。将改进量子粒子群算法与量子粒子群算法、粒子群算法通过benchmark测试函数进行了比较。最后,通过三个传递函数实例,分别使用Z-N、GA、PSO方法和改进的量子粒子群算法进行了PID控制器参数优化设计,并对结果进行了分析。 相似文献
9.
10.
针对微粒群优化算法存在的早熟问题,提出了一种基于T-S模型的模糊自适应PSO算法(T-SPSO算法)。算法依据种群当前最优性能指标和惯性权重值所制定T-S规则,动态自适应惯性权重取值,改善了PSO算法的收敛性。将该算法应用于PID控制器的参数整定,可得到更优的控制器参数。仿真结果验证了所提出算法的有效性和所设计控制器的优越性。 相似文献