基于粒子群算法的PID神经网络解耦控制

基于粒子群的优化算法具有对整个参数空间进行高效并行搜索的特点以及PID神经网络的自调节和自适应特性,设计了具有PID结构的多变量自适应神经网络控制器。该算法采用粒子群算法优化PID神经网络初始权值,并将优化后的最优初始权值控制非线性耦合系统。系统仿真结果表明,粒子群优化后的PID神经网络控制器具有逼近控制目标更快、响应时间较短的显著优点。该控制策略可在大范围内克服系统的非线性和强耦合问题,具有一定的理论研究价值和工程实用价值。     

改进粒子群算法的PID神经网络解耦控制

综合减摇控制系统存在非线性、多变量、强耦合等因素,会导致减摇系统达不到最佳控制状态。利用粒子群算法具有对整个空间进行高效搜索以及PID神经网络的自适应特点,提出一种改进粒子群算法,以解决粒子群算法中存在算法精度不高、粒子易陷入局部极小值等问题,并提高PID神经网络训练速度和训练精度,便于参数寻优。仿真结果表明,改进的粒子群算法具有一定优越性,将其运用到综合减摇控制系统解耦控制器设计中,能够有效地减小船舶横摇,达到较好的控制效果。     

基于自调节粒子群算法的盲检测

以往基于粒子群优化的盲算法能成功实现信号盲检测,但具有算法收敛速度慢、容易陷入局部最小的缺点。文中通过分析粒子群算法的机能及参数的设置,提出一种改进的基于自调节粒子群优化的盲检测算法。算法构成思想是:基于MIMO系统的盲检测系统模型将盲检测问题转化为二次优化问题,利用改进的自调节粒子群优化算法对此优化问题进行寻优。仿真表明,改进算法具有全局收敛性好、收敛速度快、误码率低的优点,能够更好地解决盲检测问题。     

基于改进粒子群算法的解耦控制研究与仿真

针对标准粒子群算法优化多变量系统的解耦控制时存在陷入非全局最优值的问题,设计出一种基于自适应变异的粒子群算法优化多变量系统解耦控制器的方法.该方法以标准粒子群算法为基础,在种群进化过程中引入变异操作,对不同进化程度的粒子以不同的概率进行更新,其中没有达到个体最优的粒子以随机的大概率进行位置与速度的初始化,对已经早熟的粒...     

改进粒子群和模拟退火混合算法及其应用

基本粒子群优化算法每个粒子代表一个可行解,通过粒子间的协作来获得最优解。考虑粒子间协同作用,引入Gaussian核函数研究基于区域影响的粒子群算法(GPSO)。为了充分利用粒子群算法的快速全局收敛性和模拟退火算法能够跳出局部最优陷阱的优点,得到高精度的最优解,将GPSO算法与模拟退火算法相结合,研究了一种新的混合粒子群算法。混合算法在GPSO算法处于停滞状态时,于搜索到最优位置用模拟退火算法继续寻找最优解。数值实验结果表明,新混合算法兼顾了GPSO和模拟退火算法的优点,具有收敛速度快、搜索精度高、鲁棒性好等特点。这说明文中的混合算法不失为一种有效的进化算法。     

粒子群与细菌觅食相结合的案例聚类算法

案例聚类是按照案例库中案例的相似度进行归类,目的是减少案例推理系统搜索相似案例的时间、提高案例推理系统的性能和降低案例库维护的复杂度。该问题的难度在于案例库的案例规模比较大和不同的聚类算法的选择对于聚类结果的影响。本文在粒子群算法与细菌觅食算法基础上,将两者结合起来,综合两个算法的优点,并将其应用在k-prototypes方法上对案例库中案例进行聚类。与流行的聚类算法进行比较,实验结果显示本文的算法具有更高的效率并且性能相对而言更加优秀。     

基于BP神经网络的多变量PID解耦控制

基于神经网络的智能PID控制策略，以经典的PID控制理论为基础，并通过具有多变量解耦控制自学习功能的神经网络参数整定来实现。本文给出了网络的结构和算法，示出了一组二元变量强耦合时变系统的实时仿真结果。通过计算机仿真证明，基于神经网络的PID控制具有良好的自学习和自适应解耦控制能力。该系统融解耦器和控制器于一体，易于实现，适用于非线性多变量系统的解耦控制。它使解耦后的系统具有较好的动态和静态性能，特别是当根据BP控制规律确定了网络连接权系数的初值时，还能使系统参数快速收敛。     

基于改进量子粒子群算法的NCS模糊控制器参数优化

针对网络化控制系统中模糊控制器的量化因子和比例因子采用传统经验方法难以整定的问题,提出了一种改进量子粒子群(IQPSO)算法对模糊控制器量化因子和比例因子进行优化。该方法将ABC算法中的搜索算子作为变异算子引入到QPSO算法中,使得IQPSO算法较好地克服了QPSO算法保持种群多样性差容易早熟收敛的缺陷,并以ITAE指标作为IQPSO算法的适应度函数对模糊控制器进行优化。典型工业过程仿真结果表明,IQPSO优化的模糊控制器具有比PID控制器和标准QPSO优化的模糊控制器更好的控制性能和适用性。     

基于量子粒子群算法的PID控制器参数整定

量子粒子群(Quantum-Delta-Potential-Well-BasedParticleSwarmOptimization,QDPSO)算法是量子空间里的粒子群算法。基于QDPSO提出了一种新的PID参数整定算法,该算法具有操作简单、稳定收敛、寻优快速等优点。同时,引进了一种新的时域评价标准函数来评价QDPSO-PID控制器的性能。仿真结果表明了所提出算法的有效性和所设计控制器的优越性。     

基于合作粒子群算法的PID神经网络非线性控制系统

PID神经元网络 (PIDNN)模型为一种新型的神经网络模型,兼有PID与神经网络的共同优点,应用于复杂的控制系统.取得优良控制性能,但其后向传播算法 (BP)限制了该模型的应用范围.为实现对非线性多变量系统的有效控制,扩展神经网络的应有范围,本文采用PIDNN神经网络设计了多变量PIDNN神经网络 (MPIDNN)控制器,并用本文作者提出的合作粒子群算法 (CPSO)取代了传统BP后向传播算法,通过比较MPIDNN_CPSO、MPIDNNCRPSO、MPIDNN_PSO和MPIDNN_BP4种控制器的控制性能,仿真结果表明,基于CPSO算法的MPIDNN控制器实现了对非线性多变量不对称系统的有效控制.与传统的BP算法相比,CPSO算法提高了控制系统的稳定性、精确性与鲁棒性.     

基于改进粒子群算法的柴油发电机自适应PID控制

对柴油发电机数字电子调速系统进行了研究;数字电子调速系统是运用闭环控制来实现柴油发电机的转速恒定,以确保供电频率的稳定;传统的柴油发电机组调速器中都是用经典PID控制算法,传统PID控制存在的主要问题其实就是PID参数的整定问题,因为一次性得到的PID参数很难保证其系统的控制效果始终处于最优化状态,因此在频率控制器中引入了基于改进粒子群算法的PID参数自整定方法,实时改变PID参数以保证通过控制取得优化控制效果;在执行器上采用了步进电机,使其调速性能有了很大的改进,成本降低;实验仿真表明,该调速系统动态特性较好,有较高的精度,不失为柴油机调速的一种新方法。     

基于混合粒子群算法的PID参数寻优

提出一种将单纯形法SM与粒子群算法PSO结合的混合粒子群算法HPSO。通过对3种常用测试函数进行优化和比较．结果表明HPSO比PSO和SM都更容易找到全局最优解。然后用HPSO优化算法对某涡扇发动机PID控制中的参数进行优化并将结果与混合遗传算法HGA的结果进行比较，结果表明HPSO在找寻最优解效率上好于HGA。且算法实现简单，具有很高的可靠性，是一种PID控制参数寻优的有效方法。     

基于遗传算法的PID神经网络解耦控制

提出一种基于遗传算法的ＰＩＤ神经网络解耦控制算法。该算法将遗传算法用于多层前向神经网络的连接权系数的学习。克服了ＢＰ算法易陷入局部极值的缺点,并具备ＰＩＤ神经网络控制器结构简单规范、动态和静态性能良好等优点,适用于对非线性多变量系统的解耦控制。     

人工鱼群算法优化的PID神经网络解耦控制

针对多变量系统解耦控制的要求和特点,传统的PID神经网络在选取初始权值难以确定,往往是随机得到,容易导致采用的BP学习算法陷入局部极值.提出了一种人工鱼群算法优化PID神经网络初始权值.通过对多变量控制对象的mat-lab仿真验证,把人工鱼群算法优化得到的最优初始权值带入PID神经网络,结果显示加快了PID神经网络的收敛速度,使控制量迅速地接近控制目标,保证了系统稳定性,取得了满意的控制效果.     

基于免疫粒子群优化算法的增量式PID控制

基于粒子群优化算法的收敛速度快简单易实现的特点和免疫算法的免疫记忆、免疫自我调节和多峰值收敛的特点,本文设计出免疫粒子群算法,并将其应用于PID控制器中。仿真结果表明,免疫粒子群优化算法适用于增量式PID控制,并且基于免疫粒子群优化算法的增量式PID控制的跟踪效果和抗干扰能力比粒子群优化算法的PID控制和基于免疫算法的增量式PID控制跟踪效果和抗干扰能力都要好。     

基于改进型粒子群算法的PID神经网络控制系统

针对传统的PID神经网络(PIDNN)应用范围受限及积分误差规则难以获取的问题.为实现对非线性多变量系统的有效控制,拓展神经网络控制系统的应用范围,提出了基于改进型粒子群算法在PID神经网络控制系统设计中的解决方案,取代了传统的BP反向传播算法.仿真结果表明,与传统的PIDNN相比,系统的稳定性、鲁棒性及精确性都有了明...     

人工免疫算法与系统集成的研究

生物免疫系统是一个复杂、并行、鲁棒的自适应系统,以其智能的信息处理能力而逐渐备受关注。为使研究人员能全面了解人工免疫常用算法原理及其应用和免疫系统与其他智能系统的交叉融合研究,以及由此建立的人工免疫系统模型、算法。在简述免疫系统生物学原理的基础上,概括了不同的免疫算法和各自的特性,总结了当前人工免疫系统与人工神经网络、进化算法、模糊系统的集成情况及工程应用现状。最后讨论了人工免疫系统面临的问题及未来发展趋势。     

基于粒子群算法模糊PID控制的智能原油脱水控制方案设计

为了提高智能原油脱水控制的效率,克服原有工作方法的缺陷,尝试通过使用粒子群算法,针对模糊PID的比例因子和量化因子进行参数的迭代寻优,得到一个性能较好的模糊控制器,从而对多个变量的油水分离系统进行有效控制.经过粒子群算法优化的模糊PID控制器可以在系统响应迅速并且没有超调的情况下使系统的适应性和鲁棒性都得到提升,使原油...     

MIMO系统的MPSO-PID型神经网络解耦控制研究

针对多输入多输出系统(MIMO系统)多变量、非线性、强耦合的特点,提出采用改进粒子群优化算法(MPSO)对PID型神经网络的权值进行优化的方法,实现对MIMO系统的解耦控制.其中,与基本PSO算法相比,MPSO算法后期仍能保持种群的多样性和较大的搜索空间;PID型神经网络是一种3层前向神经网络,网络各层神经元个数、连接方式、连接权值的初值都是按PID控制规律确定的.通过仿真分析,该方法有很好的控制品质:跟踪快、鲁棒性强、解耦效果好,为实际应用中强耦合系统控制方法的改进提供了理论依据.     

基于粒子群算法改进BP神经网络PID垃圾焚烧控制研究

针对生活垃圾焚烧控制系统焚烧过程存在的大滞后、非线性、复杂性、强耦合等问题,本文提出一种基于粒子群算法改进的BP神经网络PID垃圾焚烧控制策略,即在原有传统PID控制器的基础上加入BP神经网络算法,再通过粒子群算法对BP神经网络进一步优化,使其训练得到全局最优控制参数,提高神经网络的收敛性^[1],从而在线实时调整PID的三个参数K_p、K_i和K_d。实验结果表明,基于粒子群算法改进的BP神经网络PID控制可以有效地克服传统PID控制存在的问题,明显减小了超调量,提高了系统的响应速度和控制精度。