基于粒子群算法的模糊控制在倒立摆中的应用

粒子群算法是一种仿生进化算法,源于对鸟群觅食行为的模拟,由于其计算简单、快速,被广泛应用。但是,基本粒子群算法在求解的过程中存在着全局搜索能力和局部求精能力两个性能指标之间的矛盾,算法容易陷入局部极值,进化后期的收敛速度慢。针对上述问题,提出了基于混沌变异算子的粒子群算法,可以使粒子摆脱局部极值,继续优化,加快收敛速度。将基于混沌变异的粒子群算法与模糊算法相结合,用于控制倒立摆系统的平衡。仿真实验表明,混沌变异粒子群算法优化了倒立摆系统模糊控制器的设计,改善了控制效果。     

基于改进粒子群算法的旋转倒立摆PID参数整定

针对旋转倒立摆PID参数整定耗时费力且精度低的问题,对旋转倒立摆实验系统PID参数整定展开了研究.利用MAT-LAB进行仿真,分别采用试凑法、粒子群算法和改进粒子群算法求取了旋转倒立摆的PID参数.实验结果表明,相比于试凑法,通过粒子群算法得到的PID参数可使系统性能更优;改进后的粒子群算法寻优过程产生的超调量和达到收敛所需时间更小,得到的PID参数可进一步提高旋转倒立摆实验系统的性能.基于改进粒子群算法整定旋转倒立摆PID参数的方法在其他控制系统中也有参考价值.     

基于自适应神经模糊推理的倒立摆控制

本文研究基于自适应神经模糊推理（ANFIS）的三级倒立摆控制。ANFIS建立在专家经验的基础上，以收集到的数据为样本，进行训练学习，从而优化模糊控制器参数，然后用优化的控制器对倒立摆系统进行控制，并与线性二次型最优控制LQR做了比较，实验表明ANFIS具有调节时间短和稳定性好等优点。     

基于改进蜂群算法的倒立摆控制器优化设计

环形倒立摆系统以其非线性、不稳定、高阶的、强耦合的特性,已经成为控制理论教学以及模拟机器人行走、卫星飞行姿态等复杂系统控制的重要实验平台;文章中引入了LQR控制算法,实现对倒立摆的稳定控制;而为了避免LQR控制器设计过程中反复调节加权矩阵Q,R的复杂性,同时得到更优异的控制效果,将人工蜂群(ABC)算法应用于LQR控制器设计中;而为了克服传统蜂群算法的缺陷,加快收敛速度和增加种群的多样性,在雇佣蜂阶段和跟随蜂阶段对算法进行了改进;仿真结果表明,改善的ABC算法的能够很好地完成LQR控制器参数寻优,控制效果良好。     

直线二级倒立摆的一种稳定控制算法研究

针对线性二次型调节器(LQR)的权重矩阵Q和R的选取没有一个固定解析类方法,LQR的控制性能好坏基本取决于人工经验对Q和R的选取,若系统状态变量变多,调参就变得过于繁琐,以及基本粒子群算法(PSO)存在收敛速度慢,容易陷入局部最优等缺点,从惯性权重非线性动态调整,学习因子非线性动态调整以及基于自然选择机理三个角度来改进基本粒子群算法。并将改进粒子群算法应用于LQR参数优化,对直线二级倒立摆进行稳定控制。仿真结果表明,改进粒子群算法优化后的LQR相比一些传统的方法优化的LQR有着更好的控制效果。     

多种群遗传算法的倒立摆LQR控制器设计

针对传统遗传算法在设计倒立摆LQR控制器时,算法会因个别超常个体或群体较快趋于单一化而导致不能得到满意控制参数的问题,利用Sheffield遗传工具箱,设计了多种群遗传算法。算法的开始引入了多个种群同时进行优化搜索,不同的种群采用不同的交叉概率和变异概率,种群之间采用移民算子建立联系,各种群产生的最优个体通过精华种群实现留优。在Simulink环境下建立模型并计算性能指标,Simulink环境下的输出值作为多种群遗传算法的目标函数值。仿真结果表明,在存在建模误差的情况下,本算法稳定性好、遗传代数小,有效地避免了早熟,更为适合复杂问题的优化。     

基于改进灰狼算法的LQR优化控制方法研究

针对二级倒立摆在使用LQR(线性二次调节器)进行优化控制过程中,由经验选取的加权矩阵Q和R参数存在着较大的随机性和不稳定性问题,提出了改进灰狼算法优化控制器加权矩阵Q和R的方法。为灰狼算法设计了基于二次余弦规律的自适应收敛因子a和增强α狼适应度值f_α的比例权重方法。增强了算法迭代前期的全局搜索能力和后期的收敛速度,通过MATLAB/Simulink仿真,并与传统灰狼算法相比较,得出改进算法能够有效降低倒立摆回归平衡状态时的超调量,更快达到稳定状态,使控制效果更加理想。     

基于LQR的双并联倒立摆系统的建模与仿真

研究了一种具有多变量、强耦合、高阶次和开环绝对不稳定等复杂特性的双并联倒立摆(加弹簧链接)控制系统.依据动力学原理建立了系统状态空间数学模型,并利用线性二次型最优控制方法设计了双并联倒立摆系统的控制器.仿真结果表明,两个摆杆可以很好地稳定在垂直位置附近,具有一定的抗干扰能力.研究结果对复杂工业过程控制具有一定的指导意义.     

二级倒立摆的二次型最优控制研究

倒立摆系统以其自身的不稳定性而难以控制,也因此成为自动控制实验中验证控制策略优劣的极好的实验装置。针对二级倒立摆系统的平衡控制问题,对其进行数学建模,应用二次型最优控制理论设计了控制器。仿真结果表明,二次型最优控制对于典型非线性自不稳定系统有着很好的控制能力。     

基于留优遗传算法的倒立摆最优LQR控制

被控系统稳定性与LQR控制器权重矩阵Q和R的选择有关。针对选择适当的Q和R使系统在约束条件下达到稳定性最优的问题,提出了一种通过留优遗传算法实现二级倒立摆系统LQR控制器参数寻优的新方法。以被控系统的动能积分为性能指标来实现寻优,以能量为寻优性能指标,可使二级倒立摆系统各部分的稳定性以统一的量纲表示。可依据倒立摆系统的耦合性,从总体的角度考虑系统的稳定性。仿真的结果表明了该方法的有效性。     

基于留优遗传算法的倒立摆最优LQR控制

被控系统稳定性与LQR控制器权重矩阵Q和R的选择有关.针对选择适当的Q和R使系统在约束条件下达到稳定性最优的问题,提出了一种通过留优遗传算法实现二级倒立摆系统LQR控制器参数寻优的新方法.以被控系统的动能积分为性能指标来实现寻优,以能量为寻优性能指标,可使二级倒立摆系统各部分的稳定性以统一的量纲表示.可依据倒立摆系统的耦合性,从总体的角度考虑系统的稳定性.仿真的结果表明了该方法的有效性.     

基于混合算法的二级倒立摆LQR最优控制器设计

针对遗传算法寻优的速度和精度的不足,提出采用混合算法寻优的策略。以GIP-200型二级倒立摆为控制对象进行仿真,仿真结果表明基于混合算法的最优控制器能使系统调节时间更短、精度更高,对二级倒立摆的控制效果更为理想。     

基于粒子群算法的模糊控制在倒立摆中的应用

粒子群算法是一种仿生进化算法,源于对鸟群觅食行为的模拟,由于其计算简单、快速,被广泛应用.但是,基本粒子群算法在求解的过程中存在着全局搜索能力和局部求精能力两个性能指标之间的矛盾,算法容易陷入局部极值,进化后期的收敛速度慢.针对上述问题,提出了基于混沌变异算子的粒子群算法,可以使粒子摆脱局部极值,继续优化,加快收敛速度.将基于混沌变异的粒子群算法与模糊算法相结合,用于控制倒立摆系统的平衡.仿真实验表明,混沌变异粒子群算法优化了倒立摆系统模糊控制器的设计,改善了控制效果.     

基于LQR最优调节器的倒立摆控制系统

倒立摆控制系统是一个典型的高阶次、不稳定、多变量、非线性和强藕合控制系统。本文研究分析了单节倒立摆控制系统的数学模型，介绍了线性二次型最优调节器(LQR)的基本原理，并用该方法实现对单节倒立摆的最优控制，MATLAB仿真结果和实验结果表明了该方法的有效性。     

基于改进粒子群优化算法的污水处理过程优化控制

针对前置反硝化工艺污水处理过程,提出了一种基于分工策略粒子群优化算法的优化控制方案.以国际水协会(IWA)开发的基准仿真模型BSM1为基础,综合考虑出水水质、曝气能耗和泵送能耗,通过动态优化底层PI控制器的最佳设定值达到出水水质高、能量消耗少的目的.基于分工策略的粒子群算法具有更强的全局寻优能力,仿真结果表明了该优化方案能够在保证污水水质达标的情况下,有效减少污水处理过程的能耗.     

基于灰色预测模型的倒立摆LQR最优控制

基于一级倒立摆系统线性模型的不确定性,建立了灰色预测模型.提出了一种基于灰色预测模型的一级倒立摆LQR最优控制算法,通过系统仿真,与一级倒立摆LQR最优控制进行了对比,结果表明基于灰色预测模型的倒立摆LQR最优控制具有更强的鲁棒性和更好的节能效果.