CN104834215A - 一种变异粒子群优化的bp神经网络pid控制算法 - Google Patents
一种变异粒子群优化的bp神经网络pid控制算法 Download PDFInfo
- Publication number
- CN104834215A CN104834215A CN201510128343.0A CN201510128343A CN104834215A CN 104834215 A CN104834215 A CN 104834215A CN 201510128343 A CN201510128343 A CN 201510128343A CN 104834215 A CN104834215 A CN 104834215A
- Authority
- CN
- China
- Prior art keywords
- neural network
- particle
- population
- value
- error
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种变异粒子群优化的BP神经网络PID控制算法,它包括如下步骤:步骤一、初始化BP神经网络;步骤二、初始化变异粒子群优化算法;步骤三、确定BP神经网络输入信号;步骤四、计算PID控制***输出可调参数;步骤五、更新粒子个体最优值以及全局最优值;步骤六、进行变异操作;步骤七、判断是否终止迭代;步骤八确定PID控制***输出可调参数。本发明不需要建立精确地数学模型,能够自动识别被控制过程参数、自动整定控制参数、适应被控制过程的参数变化,还克服了传统BP神经网络的反向传播误差修正方法执行速度缓慢,极易陷入到局部最小的缺陷,具有更强的鲁棒性以及更为优秀的控制效果。
Description
技术领域
本发明属于智能控制技术领域,尤其涉及一种变异粒子群优化的BP神经网络PID控制算法。
背景技术
PID控制即比例-积分-微分控制,它是建立在经典控制理论基础上的一种控制策略,在工业过程控制中应用最广泛,历史最悠久,生命力最强的控制方式,在目前的工业生产中,90%以上的控制***都为PID控制***。它采用了基于数学模型的方法,由于算法简单、鲁棒性好和可靠性高、控制效果良好,因此被广泛应用于工业控制过程,对于传统PID控制***,在把其投入运行之前,必须先整定好三个参数:比例系数kp、积分系数ki、微分系数kd,以便得到最佳控制效果,如果控制***参数整定不好,即使控制***本身很先进,其控制效果也会很差。
随着工业的发展,控制对象的复杂程度也在不断加深,许多大滞后、时变的、非线性的复杂***,如温度控制***被控制过程机理复杂具有高阶非线性、慢时变、纯滞后等特点,常规PID控制显得无力了。在这种情况下,智能优化算法被引入到PID控制***,用以整定PID参数,智能优化算法以其具有的充分任意地逼近任意复杂的非线性关系、具有很强的信息综合能力、能够学习和适应严重不确定***的动态特性等特性而被引入到PID控制器设计中,使原有的PID***可以处理那些难以用模型和规则描述的过程。其中神经网络以其具有的非线性特性、优化和自适应控制性能等被引入到PID控制器设计中。但是在其实际应用的过程中,采用BP神经网络所设计的BP神经网络PID控制***由于反向传播学习算法的学习效率低、收敛速度慢、全局搜索能力弱以及易陷入局部最优等,其控制效果并不理想,从而限制了神经网络在PID控制器中的应用。
论文:徐胜男等.基于粒子群优化的神经网络自适应控制算法[J].中国机械工程,2012,23(22),2732-2738.公开了一种基于粒子群优化的神经网络自适应控制算法,克服了神经网络容易陷入局部极小值以及收敛速度慢的缺陷。粒子群优化的神经网络自适应控制算法虽然操作简单、简单易行,并且在一定程度上克服了BP算法易陷入局部最优值,但是在算法优化后期,也存在着优化速度降低以及早熟等情况,导致其全局搜索能力较弱,因此,其控制效果欠佳并且导致个别区域误差比较大。
发明内容
为解决上述问题本发明提供了一种变异粒子群优化的BP神经网络PID控制算法,通过对最优适应度值得判断而确定固定变异算子来提高粒子群跳出局部最优解的能力且增加了粒子群的多样性,从而使其全局搜索能力增强,算法的鲁棒性也得到了较大提高。具有很强的全局搜索能力,计算速度快、精确度高、控制效果好、具有很高的实用性。
为达到上述技术效果,本发明的技术方案是:
一种变异粒子群优化的BP神经网络PID控制算法,包括以下步骤:
步骤一、初始化BP神经网络:初始化BP神经网络,确定BP神经网络输入层节点数N和隐含层节点数S,并给出隐含层加权系数初值wij和输出层加权系数初值wjo;
步骤二、初始化变异粒子群优化算法:初始化变异粒子群优化算法,确定变异粒子群优化算法的粒子群维数M,并给出粒子群惯性权重范围[wmin,wmax]、加速系数c1和c2、位置范围[xmin,xmax]、速度范围[vmin,vmax]、变异操作粒子数概率p范围[pmin,pmax];
步骤三、确定BP神经网络输入信号:由被控制对象的传递函数及当前输入值rin(k),控制***计算当前输出值yout(k),以及误差函数error(k),得到BP神经网络的输入信号:rin(k)、yout(k)、error(k),然后对BP神经网络的输入信号进行采样、归一化预处理之后输入BP神经网络;其中error(k)=rin(k)-yout(k);
步骤四、计算PID控制***输出可调参数:正向计算BP神经网络各层神经元输入值、输出值,BP神经网络输出层的三个输出值即为PID控制器的三个可调参数kp、ki、kd,根据增量式PID,得到Δu,并与PID控制***第k-1次运算的输出值u(k-1)相加,得到PID控制***第k次运算的输出值u(k)并送入被控制对象;
步骤五、更新粒子个体最优值以及全局最优值:根据变异粒子群算法修正BP神经网络的加权系数,更新粒子群每个粒子的位置和速度,进而计算每个粒子的适应度值,更新粒子个体最优值以及全局最优值;其中粒子群粒子的位置和速度更新公式,如下所示:
vid=wvid+c1r1(pid-xid)+c2r2(pgd-xid);
xid=xid+vid;
w为惯性权重,惯性权重的引进使变异粒子群算法可以调节算法的全局与局部寻优能力;c1和c2为正常数,称为加速系数;r1和r2是[0,1]的随机数;xid为粒子位置;vid为粒子速度;pid为粒子个体最优位置;pgd为粒子群最优位置;
其中粒子的适应度即为***误差值,计算公式如下;
rin(k)和yout(k)为步骤三中所给出的BP神经网络的当前输入值和当前输出值,i为第i个粒子,M为第i个粒子的维数;
粒子个体最优值为:pi=(pi1,pi2,pi3,…piD);
粒子全局最优值为:pg=(pg1,pg2,pg3,…pgD);
步骤六、进行变异操作:计算种群适应度方差σ2,根据方差及种群全局最优值,确定变异操作粒子数概率p,若p∈[pmin,Pmax],则按p进行变异操作,否则再考虑粒子群方差值σ2是否超出设定最大方差值σ2 d,粒子群的最优值适应度值f(gbest)是否超出设定的最优适应度值fd,若满足变异操作粒子数概率p以固定概率β进行变异操作,否则不进行变异操作,其中pmax为粒子最大变异概率;pmin为粒子最小变异概率;
步骤七、判断是否终止迭代:判断迭代次数以及误差值,若满足终止条件则终止迭代,否则转回第5步;
步骤八、确定PID控制***输出可调参数:将经过变异粒子群优化的隐含层加权系数wij和输出层加权系数wjo送入BP神经网络,BP神经网络输出层的三个输出值即为PID控制器的三个可调参数kp、ki、kd。
进一步的改进,所述步骤一中,BP神经网络的输入层节点数对应所选的被控***运行状态量,输出层神经元的积分函数取非负的Sigmoid函数,而隐含层神经元的激发函数取正负对称的Sigmoid函数。
进一步的改进,所述步骤二中,变异粒子群算法的维数M为隐含层加权系数与输出层加权系数个数之和;粒子群惯性权重在[wmin,wmax]范围内按线性关系递减;速度的随机值限制在[vmin,vmax];位置的随机值限制在[xmin,xmax]
进一步的改进,所述步骤四中,增量式PID公式如下所示:
Δu=kp×(error(k)-error(k-1))+ki×error(k)+kd×(error(k)-2error(k-1)+error(k-2));
u(k)=u(k-1)+Δu;
其中error(k)为BP神经网络中第k次误差值,error(k-1)为BP神经网络中第k-1次误差值,error(k-2)为BP神经网络中第k-2次误差值。
进一步的改进,所述步骤六中,变异操作粒子数概率p取值规则如下:
其中pmax为粒子最大变异概率;pmin为粒子最小变异概率;
若p∈[pmin,pmax],则按p进行变异操作,否则再考虑粒子群方差值σ2是否超出设定最大方差值σ2 d,粒子群的最优值适应度值f(gbest)是否超出设定的最优适应度值fd,若满足变异操作粒子数概率p以固定概率β进行变异操作,否则不进行变异操作,其中Pmax为粒子最大变异概率;pmin为粒子最小变异概率;
其中fd为设定的最优适应度值;f(gbest)为此次优化过程中最优适应度值;σ2 d为设定最大方差值;σ2为此次优化过程中方差值;β为常数,固定概率;
本发明的优点和积极效果:本发明将BP神经网络和变异粒子群算法相结合形成新的改进型BP神经网络,而后,改进型BP神经网络与传统的PID控制结合,构成智能性的神经网络PID控制***。它不仅不需要建立精确地数学模型,能够自动识别被控制过程参数、自动整定控制参数、适应被控制过程的参数变化,同时,克服了传统BP神经网络的反向传播误差修正方法,不仅在执行速度上缓慢,而且极易陷入到局部最小的情况。本发明在粒子群算法的基本框架中增加了由种群适应度方差以及粒子数确定的随机变异算子和通过对最优适应度值得判断而确定固定变异算子来提高粒子群跳出局部最优解的能力且增加了粒子群的多样性,从而使其全局搜索能力增强,算法的鲁棒性也得到了较大提高。基于变异粒子群优化的BP神经网络PID控制***在多变的环境具有更加优秀控制能力。
附图说明
图1是本发明的基于变异粒子群优化的BP神经网络PID控制***原理图。
图2是本发明的BP神经网络结构图。
图3是本发明的基于变异粒子群优化的BP神经网络PID控制***工作流程。
具体实施方式
实施例:
如图1-3所示的一种变异粒子群优化的BP神经网络PID控制算法,包括以下步骤:
步骤一、初始化BP神经网络:初始化BP神经网络,确定BP神经网络输入层节点数N和隐含层节点数S,并给出隐含层加权系数初值wij和输出层加权系数初值wjo;BP神经网络的输入层节点数对应所选的被控***运行状态量,输出层神经元的积分函数取非负的Sigmoid函数,而隐含层神经元的激发函数取正负对称的Sigmoid函数。
步骤二、初始化变异粒子群优化算法:初始化变异粒子群优化算法,确定变异粒子群优化算法的粒子群维数M,并给出粒子群惯性权重范围[wmin,wmax]、加速系数c1和c2、位置范围[xmin,xmax]、速度范围[vmin,vmax]、变异操作粒子数概率p范围[pmin,pmax];变异粒子群算法的维数M为隐含层加权系数与输出层加权系数个数之和;粒子群惯性权重在[wmin,wmax]范围内按线性关系递减;速度的随机值限制在[vmin,vmax];位置的随机值限制在[xmin,xmax]。
步骤三、确定BP神经网络输入信号:由被控制对象的传递函数及当前输入值rin(k),控制***计算当前输出值yout(k),以及误差函数error(k),得到BP神经网络的输入信号:rin(k)、yout(k)、error(k),然后对BP神经网络的输入信号进行采样、归一化预处理之后输入BP神经网络;其中error(k)=rin(k)-yout(k);
步骤四、计算PID控制***输出可调参数:正向计算BP神经网络各层神经元输入值、输出值,BP神经网络输出层的三个输出值即为PID控制器的三个可调参数kp、ki、kd,根据增量式PID,得到Δu,并与PID控制***第k-1次运算的输出值u(k-1)相加,得到PID控制***第k次运算的输出值u(k)并送入被控制对象;增量式PID公式如下所示:
Δu=kp×(error(k)-error(k-1))+ki×error(k)+kd×(error(k)-2error(k-1)+error(k-2));
u(k)=u(k-1)+Δu;
其中error(k)为BP神经网络中第k次误差值,error(k-1)为BP神经网络中第k-1次误差值,error(k-2)为BP神经网络中第k-2次误差值。
步骤五、更新粒子个体最优值以及全局最优值:根据变异粒子群算法修正BP神经网络的加权系数,更新粒子群每个粒子的位置和速度,进而计算每个粒子的适应度值,更新粒子个体最优值以及全局最优值;其中粒子群粒子的位置和速度更新公式,如下所示;
vid=wvid+c1r1(pid-xid)+c2r2(pgd-xid);
xid=xid+vid;
w为惯性权重,惯性权重的引进使变异粒子群算法可以调节算法的全局与局部寻优能力;c1和c2为正常数,称为加速系数;r1和r2是[0,1]的随机数;xid为粒子位置;vid为粒子速度;pid为粒子个体最优位置;pgd为粒子群最优位置;
其中粒子的适应度即为***误差值,计算公式如下:
rin(k)和yout(k)为步骤三中所给出的BP神经网络的当前输入值和当前输出值,i为第i个粒子,M为第i个粒子的维数;
粒子个体最优值为:pi=(pi1,pi2,pi3,…piD);
粒子全局最优值为:pg=(pg1,pg2,pg3,…pgD);
步骤六、进行变异操作:变异操作粒子数概率p取值规则如下:
其中pmax为粒子最大变异概率;pmim为粒子最小变异概率;
若p∈[pmin,pmax],则按p进行变异操作,否则再考虑粒子群方差值σ2是否超出设定最大方差值σ2 d,粒子群的最优值适应度值f(gbest)是否超出设定的最优适应度值fd,若满足变异操作粒子数概率p以固定概率β进行变异操作,否则不进行变异操作,其操作过程如下公式:;
其中fd为设定的最优适应度值;f(gbest)为此次优化过程中最优适应度值;σ2 d为设定最大方差值;σ2为此次优化过程中方差值;β为常数,固定概率;
步骤七、判断是否终止迭代:判断迭代次数以及误差值,若满足终止条件则终止迭代,否则转回第5步;
步骤八、确定PID控制***输出可调参数:将经过变异粒子群优化的隐含层加权系数wij和输出层加权系数wjo送入BP神经网络,BP神经网络输出层的三个输出值即为PID控制器的三个可调参数kp、ki、kd。
本发明的优点和积极效果:本发明将BP神经网络和变异粒子群算法相结合形成新的改进型BP神经网络,而后,改进型BP神经网络与传统的PID控制结合,构成智能性的神经网络PID控制***。它不仅不需要建立精确地数学模型,且能够自动识别被控制过程参数、自动整定控制参数、适应被控制过程的参数变化,同时,克服了传统BP神经网络的反向传播误差修正方法,不仅在执行速度上缓慢,而且极易陷入到局部最小的情况,基于变异粒子群优化的BP神经网络PID控制***在多变的环境具有更加优秀控制能力。
以上实例的说明只是用于帮助理解本发明的核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (5)
1.一种变异粒子群优化的BP神经网络PID控制算法,其特征在于,包括以下步骤:
步骤一、初始化BP神经网络:初始化BP神经网络,确定BP神经网络输入层节点数N和隐含层节点数S,并给出隐含层加权系数初值wij和输出层加权系数初值wjo;
步骤二、初始化变异粒子群优化算法:初始化变异粒子群优化算法,确定变异粒子群优化算法的粒子群维数M,并给出粒子群惯性权重范围[wmin,wmax]、加速系数c1和c2、位置范围[xmin,xmax]、速度范围[vmin,vmax]、变异操作粒子数概率p范围[pmin,pmax];
步骤三、确定BP神经网络输入信号:由被控制对象的传递函数及当前输入值rin(k),控制***计算当前输出值yout(k),以及误差函数error(k),得到BP神经网络的输入信号:rin(k)、yout(k)、error(k),然后对BP神经网络的输入信号进行采样、归一化预处理之后输入BP神经网络;其中error(k)=rin(k)-yout(k);
步骤四、计算PID控制***输出可调参数:正向计算BP神经网络各层神经元输入值、输出值,BP神经网络输出层的三个输出值即为PID控制器的三个可调参数kp、ki、kd,根据增量式PID,得到Δu,并与PID控制***第k-1次运算的输出值u(k-1)相加,得到PID控制***第k次运算的输出值u(k)并送入被控制对象;
步骤五、更新粒子个体最优值以及全局最优值:根据变异粒子群
算法修正BP神经网络的加权系数,更新粒子群每个粒子的位置 和速度,进而计算每个粒子的适应度值,更新粒子个体最优值以及全局最优值;其中粒子群粒子的位置和速度更新公式,如下所示:
vid=wvid+c1r1(pid-xid)+c2r2(pgd-xid);
xid=xid+vid;
w为惯性权重;c1和c2为正常数,称为加速系数;r1和r2是[0,1]的随机数;xid为粒子位置;vid为粒子速度;pid为粒子个体最优位置;pgd为粒子群最优位置;
其中粒子的适应度即为***误差值,计算公式如下:
rin(k)和yout(k)为步骤三中所给出的BP神经网络的当前输入值和当前输出值,i为第i个粒子,M为第i个粒子的维数;
粒子个体最优值为:pi=(pi1,pi2,pi3,...piD);
粒子全局最优值为:pg=(pg1,pg2,pg3,...pgD);
步骤六、进行变异操作:计算种群适应度方差,根据方差及种群全局最优值,确定变异操作粒子数概率p,若p∈[pmin,pmax],则按p进行变异操作,否则再考虑粒子群方差值σ2是否超出设定最大方差值σ2 d,粒子群的最优值适应度值f(gbest)是否超出设定的最优适应度值fd,若满足变异操作粒子数概率p以固定 概率β进行变异操作,否则不进行变异操作,其中pmax为粒子最大变异概率;pmin为粒子最小变异概率;
步骤七、判断是否终止迭代:判断迭代次数以及误差值,若满足终止条件则终止迭代,否则转回第5步;
步骤八、确定PID控制***输出可调参数:将经过变异粒子群优化的隐含层加权系数wij和输出层加权系数wjo送入BP神经网络,BP神经网络输出层的三个输出值即为PID控制器的三个可调参数kp、ki、kd。
2.根据权利要求1所述的变异粒子群优化的BP神经网络PID控制算法,其特征在于,所述步骤一中, BP神经网络的输入层节点数对应所选的被控***运行状态量,输出层神经元的积分函数取非负的Sigmoid函数,而隐含层神经元的激发函数取正负对称的Sigmoid函数。
3.根据权利要求1所述的变异粒子群优化的BP神经网络PID控制算法,其特征在于,所述步骤二中,变异粒子群算法的维数M为隐含层加权系数与输出层加权系数个数之和;粒子群惯性权重在[wmin,wmax]范围内按线性关系递减;速度的随机值限制在[vmin,vmax];位置的随机值限制在[xmin,xmax]。
4.根据权利要求1所述的变异粒子群优化的BP神经网络PID控制算法,其特征在于,所述步骤四中,增量式PID公式如下所示:
Δu=kp×(error(k)-error(k-1))+ki×error(k)+kd×(error(k)-2error(k-1)+error(k-2));
u(k)=u(k-1)+Δu;
其中error(k)为BP神经网络中第k次误差值,error(k-1)为BP神经网络中第k-1次误差值,error(k-2)为BP神经网络中第k-2次误差值。
5.根据权利要求1所述的变异粒子群优化的BP神经网络PID控制算法,其特征在于,所述步骤六中,变异操作粒子数概率p取值规则如下:
其中pmax为粒子最大变异概率;pmin为粒子最小变异概率;
若p∈[pmin,pmax],则按p进行变异操作,否则再考虑粒子群方差值σ2是否超出设定最大方差值σ2 d,粒子群的最优值适应度值f(gbest)是否超出设定的最优适应度值fd,若满足 变异操作粒子数概率p以固定概率β进行变异操作,否则不进行变异操作,其操作过程如下公式:
其中fd为设定的最优适应度值;f(gbest)为此次优化过程中最优适应度值;σ2 d为设定最大方差值;σ2为此次优化过程中方差值;β为常数,固定概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510128343.0A CN104834215B (zh) | 2015-03-24 | 2015-03-24 | 一种变异粒子群优化的bp神经网络pid控制算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510128343.0A CN104834215B (zh) | 2015-03-24 | 2015-03-24 | 一种变异粒子群优化的bp神经网络pid控制算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104834215A true CN104834215A (zh) | 2015-08-12 |
CN104834215B CN104834215B (zh) | 2018-02-09 |
Family
ID=53812169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510128343.0A Active CN104834215B (zh) | 2015-03-24 | 2015-03-24 | 一种变异粒子群优化的bp神经网络pid控制算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104834215B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106208130A (zh) * | 2016-07-11 | 2016-12-07 | 温州大学 | 一种基于自适应约束优化的三相并网逆变器鲁棒控制方法 |
CN106647247A (zh) * | 2016-12-29 | 2017-05-10 | 西安工程大学 | 一种适用于伺服控制器的控制算法 |
CN107070802A (zh) * | 2016-12-21 | 2017-08-18 | 吉林大学 | 基于pid控制器的无线传感器网络拥塞控制技术 |
CN107272403A (zh) * | 2017-06-14 | 2017-10-20 | 浙江师范大学 | 一种基于改进粒子群算法的pid控制器参数整定算法 |
CN107818199A (zh) * | 2017-09-27 | 2018-03-20 | 国网浙江瑞安市供电有限责任公司 | 基于自适应神经网络的山区10kV线路接地电阻设计方法 |
CN108490965A (zh) * | 2018-04-19 | 2018-09-04 | 东华大学 | 基于遗传算法优化神经网络的旋翼飞行器姿态控制方法 |
CN108535208A (zh) * | 2018-03-28 | 2018-09-14 | 广西科技大学 | 瓦斯检测装置的控制方法及控制*** |
CN108710288A (zh) * | 2018-04-19 | 2018-10-26 | 东华大学 | 基于风速预测的旋翼飞行器空中悬停防漂移的控制方法 |
CN109145409A (zh) * | 2018-08-01 | 2019-01-04 | 浙江大学 | 一种隐式曲面多孔结构的优化方法 |
CN109343343A (zh) * | 2018-09-19 | 2019-02-15 | 广州大学 | 基于深度学习与深度神经网络的舵机控制***及方法 |
CN109696827A (zh) * | 2018-12-28 | 2019-04-30 | 西安邮电大学 | 惯性权重余弦调整粒子群优化算法的pid参数整定方法 |
CN111221245A (zh) * | 2020-02-13 | 2020-06-02 | 广东工业大学 | 一种基于pso的定型机模糊pid张力控制参数自整定方法 |
CN112947056A (zh) * | 2021-03-04 | 2021-06-11 | 北京交通大学 | 基于igwo-bp-pid的磁浮列车位移速度跟踪控制方法 |
CN118014009A (zh) * | 2024-02-26 | 2024-05-10 | 广芯微电子(广州)股份有限公司 | 一种基于遗传算法的神经网络初值寻优方法 |
CN118279289A (zh) * | 2024-05-10 | 2024-07-02 | 国网安徽省电力有限公司电力科学研究院 | 一种电力设备视频图像缺陷识别方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101816822A (zh) * | 2010-05-27 | 2010-09-01 | 天津大学 | 功能性电刺激pid参数双源特征融合微粒子群整定方法 |
CN103592852A (zh) * | 2013-11-29 | 2014-02-19 | 西南交通大学 | 基于粒子群膜算法的pid控制器优化设计方法 |
CN103645636A (zh) * | 2013-11-25 | 2014-03-19 | 南京航空航天大学 | 一种pid控制器参数优化方法 |
-
2015
- 2015-03-24 CN CN201510128343.0A patent/CN104834215B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101816822A (zh) * | 2010-05-27 | 2010-09-01 | 天津大学 | 功能性电刺激pid参数双源特征融合微粒子群整定方法 |
CN103645636A (zh) * | 2013-11-25 | 2014-03-19 | 南京航空航天大学 | 一种pid控制器参数优化方法 |
CN103592852A (zh) * | 2013-11-29 | 2014-02-19 | 西南交通大学 | 基于粒子群膜算法的pid控制器优化设计方法 |
Non-Patent Citations (6)
Title |
---|
NTOGRAMATZIDIS L,等: "Exact tuning of controllers in control feedback design", 《IET CONTROL THEORY AND APPLICATION》 * |
SHI Y,等: "Particle swarm optimization:developments, applications and resources", 《PROCEEDINGS OF THE IEEE CONGRESS ON EVOLUTIONARY COMPUTATION》 * |
刘岩: "增强学习的PID控制参数优化快速整定算法", 《计算机测量与控制》 * |
徐胜男,等: "基于粒子群优化的神经网络自适应控制算法", 《中国机械工程》 * |
李界家,等: "基于改进PSO和模糊RBF神经网络的退火炉温控制", 《南京理工大学学报》 * |
霍延军: "基于量子粒子群算法的PID参数自整定方法", 《微电子学与计算机》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106208130B (zh) * | 2016-07-11 | 2018-08-14 | 温州大学 | 一种基于自适应约束优化的三相并网逆变器鲁棒控制方法 |
CN106208130A (zh) * | 2016-07-11 | 2016-12-07 | 温州大学 | 一种基于自适应约束优化的三相并网逆变器鲁棒控制方法 |
CN107070802A (zh) * | 2016-12-21 | 2017-08-18 | 吉林大学 | 基于pid控制器的无线传感器网络拥塞控制技术 |
CN106647247B (zh) * | 2016-12-29 | 2019-08-20 | 西安工程大学 | 一种适用于伺服控制器的控制算法 |
CN106647247A (zh) * | 2016-12-29 | 2017-05-10 | 西安工程大学 | 一种适用于伺服控制器的控制算法 |
CN107272403A (zh) * | 2017-06-14 | 2017-10-20 | 浙江师范大学 | 一种基于改进粒子群算法的pid控制器参数整定算法 |
CN107818199A (zh) * | 2017-09-27 | 2018-03-20 | 国网浙江瑞安市供电有限责任公司 | 基于自适应神经网络的山区10kV线路接地电阻设计方法 |
CN108535208A (zh) * | 2018-03-28 | 2018-09-14 | 广西科技大学 | 瓦斯检测装置的控制方法及控制*** |
CN108490965A (zh) * | 2018-04-19 | 2018-09-04 | 东华大学 | 基于遗传算法优化神经网络的旋翼飞行器姿态控制方法 |
CN108710288A (zh) * | 2018-04-19 | 2018-10-26 | 东华大学 | 基于风速预测的旋翼飞行器空中悬停防漂移的控制方法 |
CN109145409A (zh) * | 2018-08-01 | 2019-01-04 | 浙江大学 | 一种隐式曲面多孔结构的优化方法 |
CN109145409B (zh) * | 2018-08-01 | 2020-06-26 | 浙江大学 | 一种隐式曲面多孔结构的优化方法 |
CN109343343A (zh) * | 2018-09-19 | 2019-02-15 | 广州大学 | 基于深度学习与深度神经网络的舵机控制***及方法 |
CN109696827A (zh) * | 2018-12-28 | 2019-04-30 | 西安邮电大学 | 惯性权重余弦调整粒子群优化算法的pid参数整定方法 |
CN109696827B (zh) * | 2018-12-28 | 2021-11-09 | 西安邮电大学 | 惯性权重余弦调整粒子群优化算法的pid参数整定方法 |
CN111221245A (zh) * | 2020-02-13 | 2020-06-02 | 广东工业大学 | 一种基于pso的定型机模糊pid张力控制参数自整定方法 |
CN111221245B (zh) * | 2020-02-13 | 2023-04-07 | 广东工业大学 | 一种基于pso的定型机模糊pid张力控制参数自整定方法 |
CN112947056A (zh) * | 2021-03-04 | 2021-06-11 | 北京交通大学 | 基于igwo-bp-pid的磁浮列车位移速度跟踪控制方法 |
CN112947056B (zh) * | 2021-03-04 | 2022-10-14 | 北京交通大学 | 基于igwo-bp-pid的磁浮列车位移速度跟踪控制方法 |
CN118014009A (zh) * | 2024-02-26 | 2024-05-10 | 广芯微电子(广州)股份有限公司 | 一种基于遗传算法的神经网络初值寻优方法 |
CN118279289A (zh) * | 2024-05-10 | 2024-07-02 | 国网安徽省电力有限公司电力科学研究院 | 一种电力设备视频图像缺陷识别方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN104834215B (zh) | 2018-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104834215A (zh) | 一种变异粒子群优化的bp神经网络pid控制算法 | |
CN108694467B (zh) | 一种对配电网线损率进行预测的方法及*** | |
Han et al. | Energy saving of buildings for reducing carbon dioxide emissions using novel dendrite net integrated adaptive mean square gradient | |
CN104833154B (zh) | 基于模糊pid与神经内模的冷冻水回路控制方法 | |
CN113489014B (zh) | 一种快速灵活全纯嵌入式电力***最优潮流评估方法 | |
CN110264012A (zh) | 基于经验模态分解的可再生能源功率组合预测方法及*** | |
WO2023216150A1 (zh) | 一种燃料电池的热管理方法 | |
CN113253779A (zh) | 一种基于粒子群模糊pid算法的热泵温度控制*** | |
CN113361214A (zh) | 一种基于水位流量数据的明渠控制模型参数辨识方法 | |
CN111556631A (zh) | 基于pso和rbfnn的隧道交通照明***智能控制方法 | |
CN114545766A (zh) | 一种麻雀搜索算法优化的bp神经网络pid控制方法 | |
Tian et al. | Generalized predictive PID control for main steam temperature based on improved PSO algorithm | |
CN111969662B (zh) | 数据驱动的多智能软开关分区协同自适应电压控制方法 | |
CN111797363A (zh) | 基于数据的污水处理***自学习轨迹跟踪方法 | |
CN112180733A (zh) | 一种基于模糊逻辑的建筑能耗***预测控制参数整定方法 | |
CN113270867B (zh) | 一种薄弱电网潮流无解自动调整方法 | |
CN109586313B (zh) | 无功优化的高效内点求解方法 | |
CN111474850A (zh) | 基于改进正弦余弦算法优化pid液压调平***控制方法 | |
CN105334730A (zh) | 加热炉氧含量的iga优化t-s模糊arx建模方法 | |
CN109946959A (zh) | 一种脱硫塔***的智能建模及控制方法 | |
TW202018534A (zh) | 太陽光電模組陣列最大功率追蹤方法 | |
CN113641101B (zh) | 一种基于数值仿真的多渠池控制参数寻优算法 | |
CN115599161A (zh) | 一种基于粒子群优化及扰动观测的改进型混合式全局最大功率跟踪控制方法 | |
CN114384931A (zh) | 一种基于策略梯度的无人机多目标最优控制方法和设备 | |
CN112947665A (zh) | 光伏阵列在动态阴影遮挡条件下的最大功率跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |