改进粒子群优化算法在PID参数整定中的研究

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。     

基于改进的萤火虫算法的PID控制器参数寻优

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。     

基于IEM的动力定位PID控制器参数整定

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。     

非线性PID控制器参数优化方法

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。     

基于粒子群算法的汽车悬架PID控制仿真

研究汽车悬架稳定性控制优化问题,由于PID控制器在汽车主动悬架中参数的选择决定汽车行驶的稳定性能.针对传统参数整定的方法存在盲目性,设计了一种用粒子群算法优化整定PID参数的方法.利用粒子群算法的并行全局搜索策略,以主动悬架性能指标为目标函数对PID参数进行优化设计.应用改进方法对汽车悬架主动控制系统进行仿真.仿真结果表明,用粒子群算法优化的PID控制器的汽车主动悬架相对于PID控制主动悬架及被动悬架而言,改善了车身垂向加速度和悬架动行程.同时解决了PID控制器参数整定的问题.     

基于改进粒子群优化算法的PID控制器参数整定

针对标准粒子群优化算法优化PID控制器参数存在的早熟以及陷入局部最优等问题,引入粒子二阶振荡环节、反向学习、自适应惯性权重,并结合设计的惯性权重动态调整策略、粒子越界随机反射墙,提出一种新型分阶段迭代的改进粒子群优化算法。在6个标准测试函数上进行测试,其性能相比于一些已有的改进粒子群优化算法更加优秀。将这些算法用于自动电压调节器系统的PID控制器参数整定,仿真结果表明,所提出的改进粒子群优化算法整定的PID控制器的控制效果更好。     

基于MPSO算法的BP神经网络PID控制器研究

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。     

基于权重QPSO算法的PID控制器参数优化

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。     

基于HS-PSO算法的PID控制器参数自整定

针对粒子群算法(PSO)算法局部搜索能力差的问题,提出一种对PID控制器参数进行自整定的基于和声搜索(HS)的改进粒子群优化算法(HS-PSO).通过引入种群进程因子对惯性权重进行自适应调节以提高PSO算法的收敛速度.另外在PSO进化过程中每代产生的最优个体以新陈代谢方式进入和声记忆库中并进行和声搜索,以克服粒子群优化...     

利用T-S模糊自适应PSO算法优化PID参数

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。