基于自适应蚁群遗传混合算法的 PID 参数优化

针对遗传算法易重复迭代、蚁群算法易陷入停滞的缺点,提出基于自适应蚁群遗传混合算法的 PID 参数优化。先用遗传算法获得 PID 参数的初值,再用改进后的蚁群算法自适应调整路径选择概率和信息素更新规则,最终搜索出 PID 参数的最优值。仿真结果表明,对于给定的被控对象,相比于 GA 和 ACS 算法,该算法搜索出的 Kkp、Kki 、Kkd 最优,系统响应时间短,动态性和稳定性佳,说明该方法整定出的 PID 参数值具有最优性。对于其他的控制对象和过程也具有参考价值。     

混合蚁群算法和遗传算法在特征选择和参数优化问题中的运用

机器学习的性能受特征选择和参数优化的影响很大，针对这一问题，采用基于蚁群算法和遗传算法的混合算法对特征选择和参数优化问题进行了探究。实验结果表明，该混合算法相比单个的蚁群算法或遗传算法，在特征选择和参数优化方面，具有更高的准确率。     

基于感知模糊自适应蚁群算法的非线性PID控制

随着系统复杂度的提高和对象不确定性因素的增加,为克服线性PID动态性能和稳态性能差的缺陷,分析了非线性PID控制器各控制参数对误差的理想变化过程,构造非线性PID控制器。由于增益参数大量增加,传统参数优化方法不再适用,在分析蚁群算法的基础上,提出了基于感知自适应蚁群算法,并加入模糊自适应信息素更新机制,用于优化非线性PID控制器的设计方法。通过仿真实验将该控制器与基于蚁群算法的非线性PID控制器和基于蚁群算法、Z-N法的PID控制器进行对比,并对控制性能和收敛性能进行了分析,结果表明该算法有效克服了传统蚁群算法收敛速度较慢、容易陷入局部最优而停滞的缺陷,该控制器具有更好的动态性能和稳态性能。     

基于蚁群算法的PID参数优化设计

蚁群算法是一种模拟进化算法,初步的研究表明该算法具有许多优良的性质.针对PID控制器参数优化设计问题,将蚁群算法设计的结果与遗传算法设计的结果进行了比较,数值仿真结果表明,蚁群算法具有一种新的模拟进化优化方法的有效性和应用价值.     

基于最大-最小蚂蚁系统的PID参数整定

PID参数是影响PID控制器控制效果的重要参数。本文提出一种基于最大-最小蚂蚁系统(MMAS)进行PID参数整定的新型算法MPID,并给出了MPID算法的具体实现步骤。实验仿真表明,MPID算法与基于遗传算法、基本蚁群算法的PID整定方法相比,优化效果有明显改善,说明了该算法的可行性和优越性。     

基于蚁群遗传算法的氨基酸序列比对方法

蚁群遗传算法是在蚁群算法的基础上用遗传算法对其参数进行优化而产生的一种改进算法。把蚁群遗传算法应用于生物信息学中的氨基酸序列比对上，从而提出了一种新颖的蚁群遗传序列比对算法，实验结果表明这种新颖的序列比对算法是非常有效的。     

基于蚁群算法的PID控制参数优化

蚁群算法是近几年优化领域中新出现的一种仿生进化算法,该算法采用的分布式并行计算机制特别适用于组合优化问题（COP）的求解。在简要介绍蚁群算法的基础上,针对PID控制参数整定问题提出了一种基于蚁群算法的PID参数优化策略,并给出了该算法的具体实现步骤。仿真试验结果表明同传统的Ziegler-Nichols（ZN）法、遗传算法优化整定的结果进行比较,系统单位阶跃响应的超调量σ分别减少了51.5％和22％和调整时间ts分别减少了61.4％和67.5％,动态和稳态性能进一步改善,进而验证了该方法的可行性和有效性。     

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。     

具有杂交、变异因子的自适应蚁群算法最优PID参数

以蚁群系统为基础,提出了一种具有杂交、变异因子的自适应蚁群算法优化PID控制参数的方法,该方法克服了一般蚁群算法收敛速度比较慢,容易出现停滞以及全局搜索能力较低的缺点,能够令人满意地实现PID控制参数的优化。仿真实验结果与Z-N法、遗传算法优化的结果进行比较,系统单位阶跃响应的超调量σ和调整时间ts大幅度减少,动态和稳态性能进一步改善,证明该算法具有更新的模拟进化优化方法的有效性。     

基于蚁群算法的真空烧结炉最优PID温控系统

蚁群算法是一种新型的优化算法,具有收敛速度快、鲁棒性强等优点;针对真空烧结炉大惯性、大滞后性、非线性和时变性等特点,采用常规PID控制难以达到温度的精度控制,论文采用蚁群算法优化PID控制器参数,并给出了真空烧结炉最优PID控制系统设计的方法;该方法以误差绝对值为性能指标,实现了不完全微分PID参数的优化;仿真结果表明,该系统与传统的PID相比,有较好的稳态精度和动态性能,具有一定的科学性和实用性.     

一类Takagi-Sugeno模糊控制器的自适应遗传优化设计

提出了一类Takagi-Sugeno模糊控制器的自适应遗传优化设计方法。采用实数编码方式,并由自适应交叉和变异概率来控制遗传操作,有效地提高了参数优化的精度和算法的寻优效率。在优化过程中引入对称性参数约束条件,大大减小了算法的搜索空间。将该算法用于倒立摆T-S模糊控制器的设计,实现了控制器参数的快速自动整定。仿真结果表明,获得的T-S模糊控制器具有优良的性能。     

基于遗传BP网络的快速分类算法的构建

为获取能快速分类的智能算法,在分析BP算法原理与缺陷的基础上,首先对标准的BP算法进行了改进,然后利用已改进的BPX算法优化遗传算法选优过程,提出了GA＆BP混合算法,该算法兼顾了GA算法的全局收敛特性和BP算法快速的局部收敛能力,使算法既有较快的收敛速度又不易陷入局部解。仿真结果表明GA＆BP混合算法的收敛速度、误差精度等主要性能指标有明显改善。     

一种基于改进遗传算法的模糊神经网络控制器及其在烧结终点控制中的应用

针对烧结过程这一复杂、多参数耦合的高度非线性系统,融合遗传算法、神经网络和模糊控制的优点,提出一种基于改进遗传算法的模糊神经网络控制方法,并应用于烧结过程终点控制．首先采用遗传算法对给定的模糊神经网络控制器结构参数进行离线优化,然后利用BP算法较强的局部搜索能力和对对象的适应能力,进一步进行参数的在线调整．同时,为解决传统遗传算法早熟和收敛速度慢的问题,从交叉和变异算子、适应度函数选取等方面对遗传算法进行改进．采用精英保留策略,提高了全局搜索性能和收敛速度．仿真结果表明,所提出的控制器优于常规的模糊神经网络控制器(Fuzzy Neural Network Controller, FNNC)．算法的实际应用效果良好,为解决烧结终点控制问题提供了一条新的途径．     

采用遗传优化自适应模糊PID控制球杆系统

为解决球杆系统动态、静态性能不高的问题,提出了遗传算法优化自适应模糊PID控制器的控制方法.该模型在拉格朗日方程建立球杆系统数学模型的基础上,采用遗传算法优化模糊控制规则、隶属函数和自适应PID参数.在GBB1004系统中建立了遗传算法优化后的自适应模糊PID控制器以及控制模型,并对该控制器进行实验验证.实验结果证明了遗传算法优化后的模糊控制器有效地减小了系统的超调量,缩短了系统的调节时间,能够较好地控制球杆系统.     

基于改进遗传算法的PID参数寻优与控制器设计

相比传统的调节方法,遗传算法具有更好的鲁棒性、最优性,能较好的实现参数的自动化调节。对标准遗传算法（SGA）进行了分析、研究,并在SGA的基础上进行了改进。改进的遗传算法从提高全局搜索性能和加快收敛速度出发,提出了改进的选择算子、交叉算子和变异算子,仿真结果表明,改进的遗传算法的全局搜索性能和收敛速度远远优于标准遗传算法。     

基于遗传算法的PID参数寻优

遗传算法是一种模拟自然进化而提出的简单高效的优化组合方法。该文主要研究了控制器参数优化问题 ,并利用遗传算法的基本原理对单回路及串级回路进行了离线寻优。仿真结果表明了遗传算法应用于控制器参数优化的可行性和有效性。同时遗传算法还克服了其它方法的某些弊端     

一种改进的遗传算法及其在PID控制中的应用

针对经典遗传算法收敛速度慢、易于早熟、局部寻优能力差等缺点，提出了一种改进的遗传算法，并将其应用于PID参数寻优。该算法既具有经典遗传算法的全局寻优能力，又具有局部寻优能力；同时，它又能有效地抑制早熟，保证得到的优化参数为最优。仿真结果表明，基于此遗传算法寻优设计的PID控制器可以极大地提高寻优的速度，鲁棒性强，具有很好的动态品质和稳定性。     

基于遗传算法的柔性机械臂的同时优化设计

针对单连杆柔性机械臂系统,采用同时设计的方法,对包含柔性机械臂结构参数、传感器参数和控制器参数的系统模型进行整体优化设计,改进的遗传算法用于参数的全局寻优.仿真结果显示,优化设计后的单连杆柔性机械臂为变截面梁,可以仅采用简单的控制器(PD控制器)达到减小梁末端振动的效果.     

Combining genetic algorithms and Lyapunov-based adaptation for online design of fuzzy controllers.

This paper proposes a hybrid approach for the design of adaptive fuzzy controllers (FCs) in which two learning algorithms with different characteristics are merged together to obtain an improved method. The approach combines a genetic algorithm (GA), devised to optimize all the configuration parameters of the FC, including the number of membership functions and rules, and a Lyapunov-based adaptation law performing a local tuning of the output singletons of the controller, and guaranteeing the stability of each new controller investigated by the GA. The effectiveness of the proposed method is confirmed using both numerical simulations on a known case study and experiments on a nonlinear hardware benchmark.     

Speed control of SRM supplied by photovoltaic system via ant colony optimization algorithm

This paper proposes a speed control of switched reluctance motor supplied by photovoltaic system. The proposed design of the speed controller is formulated as an optimization problem. Ant colony optimization (ACO) algorithm is employed to search for the optimal proportional integral (PI) parameters of the proposed controller by minimizing the time domain objective function. The behavior of the proposed ACO has been estimated with the behavior of genetic algorithm (GA) in order to prove the superior efficiency of the proposed ACO in tuning PI controller over GA. Also, the behavior of the proposed controller has been estimated with respect to the change of load torque, variable reference speed, ambient temperature and radiation. Simulation results confirm the better behavior of the optimized PI controller based on ACO compared with optimized PI controller based on GA over a wide range of operating conditions.