基于改进粒子群优化算法的PID控制器参数优化

针对PID控制器参数整定问题,提出一种基于改进粒子群优化算法的优化方法。该方法在实数编码及设定参数搜索空间的基础上,采用基于指数曲线的非线性惯性权值递减策略,以较大幅度地提高算法的收敛速度和精度;嵌入基于差分进化算法变异算子的局部搜索策略,以有效提高粒子个体的适应性和群体的多样性,改善解的质量,同时增强算法全局空间探索和局部区域改良能力的平衡。仿真结果表明,该方法与传统和智能算法相比较,所得到的控制器参数能够使控制系统获得更好的动态响应特性和满意的控制效果。     

基于风驱动优化算法WDO的PID参数优化

鉴于PID控制器的优越性,其在工业控制领域中的引用越来越广泛。PID控制器的性能主要在于其参数优化设计,PID参数优化问题一直是研究热点。为了解决PID参数优化问题,提出了一种基于自然启发的风驱动优化算法（WDO）的PID优化控制方法,该算法以PID三个参量为控制对象,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。通过计算机仿真,并与遗传算法和粒子群算法PID参数优化相比,结果表明：该算法提高了系统的控制精度、响应速度和鲁棒性,为控制系统PID参数整定提供了参考。     

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。     

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PSO的电容生产工序参数优化

粒子群优化算法是一种基于群智能理论的仿生全局优化方法。该文在对粒子群算法进行研究的基础上,将其应用于解决流程型生产企业的生产过程工艺参数优化。在建立实际生产线模型的基础上,提出了多目标优化策略。仿真结果表明利润、均衡度和库存费均达到一个满意的结果。     

神经网络基于粒子群优化的学习算法研究

研究神经网络基于粒子群优化的学习算法，将粒子群优化算法用于神经网络的学习训练，并与遗传算法进行了比较，结果表明，神经网络基于粒子群优化的学习算法简单容易实现，而且能更快地收敛于最优解。     

基于灰狼优化算法的PID控制器设计

为了寻找最佳的比例、积分和微分（PID）控制器增益因子,使系统输出尽可能接近参考输入信号的变化,使得控制系统的时间加权绝对误差积分最小,提出了基于灰狼优化算法（GWO）进行PID控制器增益因子优化设计的方法。为了评估该方法的性能,针对设定点跟踪设计目标,通过使用3种基准线性数学模型进行仿真测试,并与粒子群优化算法（PSO）、引力搜索算法（GSA）得到的仿真结果进行了比较。仿真结果表明,基于灰狼优化算法的最优参数PID控制器比基于其他算法的性能更好,最优值更佳。     

交叉反向学习和同粒社会学习的粒子群优化算法

针对社会学习粒子群优化（SLPSO）算法存在的优化效率低、收敛速度慢等问题,提出了一种改进的SLPSO算法,即基于交叉反向学习和同粒社会学习的PSO算法（CPPSO）。首先,将最优解随机纵向交叉与一般反向学习以及随机反向学习构建交叉反向学习;然后,以此交叉反向学习策略更新种群中的最优粒子位置,增强探索能力,并克服SLPSO中最优粒子无更新导致效率低下的缺点;最后,对于非最优粒子,与SLPSO采用基于维的社会学习不同,均采用新型基于粒子的社会学习机制,在提高全局搜索能力同时,更提高开采能力和搜索效率。在一组不同维基准函数上优化的实验结果表明,CPPSO的优化性能、搜索效率和普适性大幅度领先于SLPSO和其他先进的PSO改进算法,如交叉搜索PSO （CSPSO）算法、自我调节的PSO （SRPSO）算法、异构综合学习的PSO （HCLPSO）算法和反向学习和局部学习能力的PSO （RLPSO）算法。     

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。     

基于微粒群算法的灰色预测PID控制器

针对大滞后系统，提出一种基于微粒群算法的灰色预测PID控制算法．采用灰色预测模型GMC（1，2）预测时滞系统的输出并用微粒群算法优化PID控制器的参数．这种控制方法不需要精确的数学模型，在线估计参数少，计算简单．仿真结果表明该方法的有效性．     

变增益智能PID控制器设计

针对典型的具有滞后的一阶惯性环节进行了变增益智能PID控制器的设计和数字仿真研究。仿真结果表明，该控制器对滞后较大的对象比常规最优PID控制器具有更好的控制性能。     

基于改进QPSO算法的电动汽车模糊控制器参数优化

目前电动汽车常以无刷直流电机（BLDCM）作为驱动器,但BLDCM调速控制系统中模糊控制器的量化因子和比例因子采用传统方法,自调节能力弱,针对该问题提出一种改进QPSO算法（AMF-QPSO）实现对量化因子和比例因子的自适应调节。AMF-QPSO算法以收缩—扩张系数（contraction expansion,CE）控制方式为研究重点,提出粒子活性概念,并以其作为反馈量实现动态自适应调节CE系数; 同时,为防止种群高度聚集,采用精英群体随机交叉学习机制,对部分活性低的精英粒子进行扰动,增强种群后期多样性。最后,通过LabVIEW实验平台,以具体案例验证AMF-QPSO算法性能。实验结果表明,AMF-QPSO优化的模糊PID控制器具有比标准模糊PID控制器和QPSO优化的模糊PID控制器更好的控制性和自适应性。     

A novel optimal PID controller autotuning design based on the SLP algorithm

A novel optimal proportional integral derivative (PID) autotuning controller design based on a new algorithm approach, the “swarm learning process” (SLP) algorithm, is proposed. It improves the convergence and performance of the autotuning PID parameter by applying the swarm and learning algorithm concepts. Its convergence is verified by two methods, global convergence and characteristic convergence. In the case of global convergence, the convergence rule of a random search algorithm is employed to judge, and Markov chain modelling is used to analyse. The superiority of the proposed method, in terms of characteristic convergence and performance, is verified through the simulation based on the automatic voltage regulator and direct current motor control system. Verification is performed by comparing the results of the proposed model with those of other algorithms, that is, the ant colony optimization with a new constrained Nelder–Mead algorithm, the genetic algorithm (GA), the particle swarm optimization (PSO) algorithm, and a neural network (NN). According to the global convergence analysis, the proposed method satisfies the convergence rule of the random search algorithm. With respect to the characteristic convergence and performance, the proposed method provides a better response than the GA, the PSO, and the NN for both control systems.     

基于粒子群算法的无线充PID控制器优化设计

对于谐振式无线充电系统,由于负载和线圈耦合变化等扰动影响,供电池负载充电的电流若只进行开环控制易产生扰动,故在前向通道中加入经典PID控制器,对系统进行实时有效的闭环控制。针对经典PID控制器的参数无法自适应整定的问题,提出了利用粒子群算法（PSO）自整定设计无线充电PID控制器参数的方法,并进行仿真分析和实验验证,结果表明：引入粒子群算法后的PID控制器快速性和稳定性都优于经典PID控制器,调节时间减少0.647s,最大超调量下降了4,1%,稳态误差误差下降了1.04%,证明了该方法对于改善无线充电系统输出动静态特性的可行性和有效性。     

基于执行器–评价器学习的自适应PID控制

针对传统PID控制器无法在线自整定参数的不足,提出了一种基于执行器一评估器（Actor-Critic,AC）学习的自适应PID控制器结构与学习算法．该控制器利用AC学习实现PID参数的自适应整定,采用一个径向基函数网络同时对Actor的策略函数和Critic的值函数进行逼近．径向基函数网络的输入为系统误差、误差的一次差分和二次差分,Actor实现系统状态到PID参数的映射,Critic则对Actor的输出进行评判并且生成时序差分（temporaldifference,TD）误差信号．基于AC学习的体系结构和TD误差性能指标,给出了控制器设计的步骤流程图．两个仿真实验表明：与传统的PID控制器相比,基于AC学习的PID控制器在响应速度和自适应能力方面要优于传统PID控制器．     

基于一种新的正交优化的群智能优化算法

目前的智能优化算法易陷入本地最优平衡态,并且进化后期的效率低下。为了克服这些缺陷,提出了一种基于正交优化的群智能优化算法。该算法突破了以往正交设计方法仅能用在粒子群初始化和进化前优化搜索过程的局限,基于方差分析和方差比例分析,证实了正交设计方法进一步的搜索方向和范围。使用正交设计的特征在一次阵列计算中寻找包含最优值的间隔,算法可以在优化搜索过程中循环进行方差比例分析。对六峰值驼背函数的仿真分析结果说明,正交智能优化算法相比目前的智能优化算法,计算量更低,搜索时间更短,运行速度更快,且优化搜索过程的精度更高。