CN107272403A - 一种基于改进粒子群算法的pid控制器参数整定算法 - Google Patents
一种基于改进粒子群算法的pid控制器参数整定算法 Download PDFInfo
- Publication number
- CN107272403A CN107272403A CN201710490679.0A CN201710490679A CN107272403A CN 107272403 A CN107272403 A CN 107272403A CN 201710490679 A CN201710490679 A CN 201710490679A CN 107272403 A CN107272403 A CN 107272403A
- Authority
- CN
- China
- Prior art keywords
- particle
- algorithm
- new
- fitness value
- pid controller
- 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.)
- Pending
Links
- 239000002245 particle Substances 0.000 title claims abstract description 93
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 53
- 230000006872 improvement Effects 0.000 title description 5
- 238000002922 simulated annealing Methods 0.000 claims abstract description 10
- 230000000694 effects Effects 0.000 claims abstract description 8
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000007812 deficiency Effects 0.000 claims 1
- 238000012804 iterative process Methods 0.000 claims 1
- 230000001429 stepping effect Effects 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 2
- 230000008929 regeneration Effects 0.000 abstract 1
- 238000011069 regeneration method Methods 0.000 abstract 1
- 238000006467 substitution reaction Methods 0.000 abstract 1
- 238000005457 optimization Methods 0.000 description 12
- 238000000034 method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000009514 concussion Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明专利公开了一种基于改进粒子群算法的PID控制器参数整定算法,它包括如下步骤:步骤一、初始化算法参数;步骤二、进入迭代循环,进行每个粒子的位置和速度更新;步骤三、随机在当前位置的邻域内寻找一个新的位置;步骤四、计算两个位置的适应度差值,当新位置的适应度劣于原始位置但优于全局最优位置时,利用模拟退火机制判定是否接受新位置;步骤五、更新种群的全局最优位置,进行自然选择操作,根据适应度值对所有粒子进行排列,利用较优的一部分粒子的信息替代另一半粒子的信息;步骤六、判断是否终止迭代;步骤七、输出PID控制器参数或者重新执行步骤二,本发明能自动整定控制参数,且克服了传统的粒子群算法极易陷入局部最优的缺陷,实现了模拟退火操作和自然选择策略的互补,在保证算法收敛次数的前提下,提高了算法的收敛精度,具有更强的鲁棒性和精度,使得PID控制器能产生更为优秀的控制效果。
Description
技术领域
本发明专利涉及智能算法领域,并且涉及基于优化算法的PID控制。
背景技术
在工业控制中,PID是常用的调节器控制方法,PID控制器的性能主要取决于控制器的三个参数的优化,不同控制参数均对控制***产生不同的影响,PID控制器参数优化一直是自动控制领域研究的热点。
粒子群优化算法(PSO)是一种进化计算技术,是模仿生物活动而发展起来的一种优化算法。其基本思想是通过群体中个体之间的协调和信息共享来寻找最优解。目前已被广泛应用于函数优化、神经网络训练、模糊***控制以及PID控制器参数优化中。PSO算法核心思想是单个粒子向自身历史最佳位置和群体历史最佳位置聚集,形成粒子种群的快速趋同效应,但是这样容易出现陷入局部极值,早熟收敛或停滞等现象,这些缺点在PSO优化PID控制器参数时会导致容易早熟,优化结果陷入局部最优,最终导致PID控制器控制效果的误差较大。
发明内容
为解决上述问题,本发明专利提供了一种基于改进粒子群算法的PID控制器参数整定算法。本发明专利将模拟退火机制和自然选择策略加入粒子群算法中。利用模拟退火机制增加算法跳出局部最优陷阱的能力,运用自然选择策略保证算法的收敛速度。
为了达到上述的效果,本发明的技术方案是:
一种基于改进粒子群算法的PID控制器参数整定算法,包括以下步骤:
步骤一、初始化种群中各微粒的速度、位置与各种参数,因为搜索空间为3维,所以每个微粒的位置中包含3个变量(比例系数kp、积分系数ki、微分系数kd),计算每个粒子的适应度值,并将各微粒的当前历史最优位置pbest设为初始个体最优位置,取粒子群所有粒子中的最优位置为gbest设为初始全局最优值;
步骤二、进行每个粒子的位置和速度的更新,更新公式如下:
vi.d(t+1)=ωvi.d(t)+c1r1[pbest.i-xi.d(t))]+c2r2[gbest-xi.d(t))];
xi.d(t+1)=xi.d(t)+vi.d(t+1);
其中,d是搜索空间的维数,d=1,2,3;i=1,2,…,m;r1和r2是两个随机数;vi.d(t)是粒子i在第t次迭代时的速度;vi.d(t+1)是粒子i在第t+1次迭代时的速度;xi.d(t)是粒子i在第t次迭代时的位置;xi.d(t+1)是粒子i在第t+1次迭代时的位置;ω是惯性权重系数;c1和c2是学习因子;pbest.i是粒子i的个体最优位置;gbest是粒子群的全局最优位置;
粒子的适应度值计算公式为绝对误差的一阶矩积分,如下:
e(t)=r(t)-y(t),定值r(t)与实际输出值y(t)构成偏差e(t)。
步骤三、在位置更新完后,计算它新的适应度值f′,然后在粒子的邻域内随机寻找新的位置,并计算新位置的适应度值f1′;
步骤四、比较粒子原本位置与新位置的适应度差值Δf,Δf=f1′-f′,当f1′<gbest且Δf<0时,则接受xnew,如果f1′<gbest且Δf>0,则以模拟概率p接受新位置xnew,即当p=exp((-1)*(f1′-f′)/T)>rand(1)时,采取新位置xnew,否则采用x,rand(1)为[0,1]之间的随机数,T为模拟温度,初始温度设为5000℃,温度下限设为1℃,如果f1′>gbest,否则继续采用x;
步骤五、根据每个粒子的位置更新适应度值,根据每个粒子的适应度值更新粒子群的群体极值gbest和每个粒子的个体极值pbest,将全部的粒子按照适应度值进行排列,用较优的一半的粒子信息去替换较差的一半的粒子信息,准备下一次迭代,同时更新温度,温度T=T*0.9;
步骤六、对粒子群进行群体极值和个体极值的更新,对各个粒子信息进行更新后,将全部的粒子按照适应度值进行排列,用较优的一半的粒子信息去替换较差的一半的粒子信息,准备下一次迭代,同时更新温度,温度T=T*0.9;
步骤七、如果满足终止条件,则输出粒子的3个变量即PID的三个控制参数,否则返回第二步进入下一次迭代。
本发明的优点是,按照模拟退火操作来判断是否接受新位置,在每一次迭代后,进行自然选择操作,即根据每个粒子的适应度进行从优到劣排列,用适应度值较优的一半粒子去替换适应度值差的一半粒子的信息。通过适者生存、不适者淘汰的方式,能保存适应性更强的粒子。
模拟退火操作会减慢算法收敛的速度,增加算法的收敛时间,自然选择操作存在降低样本多样性的缺陷。但两种操作组合时则能互相弥补,模拟退火操作增加样本多样性的同时,自然选择能加快收敛速度。两者互相弥补,既能保证算法的收敛速度,又能增强算法跳出局部最优陷阱的能力。
附图说明
图1为本发明专利的基于改进粒子群算法的PID控制***工作流程。
图2为本发明专利的基于改进粒子群算法的PID控制***原理图。
图3为相同设定下分别采用本发明和传统PSO算法优化PID参数时的ITAE曲线图
图4为相同设定下分别采用本发明和传统PSO算法优化PID参数时PID控制***阶跃输出图
具体实施方式
实施例:
下面结合附图对本发明专利的具体实施方式进行说明,必须强调的是,此处所描述的实施例仅用于说明和解释本发明专利,并不用于限定本发明专利。
参照图2所示的一种基于改进粒子群的PID控制***原理图包括了NAPSO算法,PID控制器和被控对象。
在程序运行时,每次循环过程中,定值r(t)与实际输出值y(t)通过加法器构成偏差e(t),e(t)被传递给NAPSO算法,和PID控制器,NAPSO算法不断优化PID控制器的3个参数:kp、ki和kd,寻求最小的偏差e(t),并将优化得来的3个参数传给PID控制器。PID控制器通过PID控制规律计算得到控制量u(t),PID控制规律如下所示:
u(t)被传递给被控对象,被控对象接收u(t)并输出y(t)至加法器等待下一次循环,同时,y(t)也是PID控制***的实际输出。
参照图1所示的NAPSO算法优化PID控制器参数的步骤如下:
1.初始化粒子群规模、初始温度、温度更新系数、最大迭代次数、最小适应度值、惯性权重、加速常数、粒子维数、速度范围、粒子搜索范围,初始每个粒子的位置和速度。
2.根据每个粒子的不同参数计算每个粒子的适应度值,并且计算粒子群的群体极值gbest和每个粒子的个体极值pbest。
3.根据每个粒子的适应度值、惯性权重、学习常数、群体极值和个体极值计算每个粒子新的速度和位置,然后根据每个粒子新的位置更新所有粒子的适应度值f′。
4.比较粒子原本位置与新位置的适应度差值Δf,Δf=f1′-f′,当f1′<gbest且Δf<0时,则接受xnew,如果f1′<gbest且Δf>0,则以模拟概率p接受新位置xnew,即当p=exp((-1)*(f1′-f′)/T)>rand(1)时,采取新位置xnew,否则采用x,rand(1)为[0,1]之间的随机数,T为模拟温度,初始温度设为5000℃,温度下限设为1℃,如果f1′>gbest,否则继续采用x;
5.根据每个粒子的位置更新适应度值,根据每个粒子的适应度值更新粒子群的群体极值gbest和每个粒子的个体极值pbest。
6.根据每个粒子的适应度值排列所有粒子,利用更优的一半粒子代替较差的一半粒子,迭代次次数+1。
7.当粒子群的最优适应度值小于最小适应度值或者迭代次数大于最大迭代次数时,停止迭代,输出最优的适应度值嘴硬的粒子的位置;否则执行第三步骤。
实际工作时,首先对被优化的PID控制***进行建模,得到其传递函数的数学表达式和对应的差分方程,设定***的采样时间间隔。
为了验证本发明的有效性,对本发明(简称NAPSO-PID算法)和标准PSO-PID算法采用MatlabR2009a实现仿真测试实验。设仿真PID控制***为一个二阶延迟***,其对应的传递函数如下:
惯性权重w=0.9,学习因子c1=c2=2,最大迭代次数MaxIter=100,最小适应度为0.1,PID控制参数的范围为[0,100],粒子群的种群个数SwarmSize=100,粒子的速度范围为[-1,1],算法的适应度值计算公式为绝对误差的一阶矩积分,PID控制***的输入值r(t)为1。
使用相同的初始位置,初始适应度值,分别采用本发明和传统PSO算法优化PID控制参数,如图3所示,两者的ITAE值都随着迭代次数的增加而减小,传统PSO算法的ITAE值在第8次迭代时就已趋近与最终优化结果,此时ITAE值为25.49;而本发明在第30次迭代时才趋近于最终优化效果,此时ITAE值为24.03,传统PSO算法的最终ITAE值为25.44,而本发明的最终ITAE值为24.01;由此显示,在比较算法的ITAE值时,本发明的优越性更为明显,能够得到更好的优化结果。
如图4所示,比较PID控制***的实际输出时,基于传统PSO算法的PID控制***输出曲线有多次明显震荡,并且最大超调量达到了63.79%,且在2.6408s时达到最终稳定状态;基于本发明的PID控制***输出在产生第一次震荡以后立即减小并趋向于稳定,最大超调量为36.72%,在2.1245s时就达到了最终稳定状态。
以上实例的说明只是用于帮助理解本发明专利的核心思想;同时,对于本领域的一般技术人员,依据本发明专利的思想,在具体实施方式及应用范围上均会有改变,这些改进都应落入要求保护的本发明专利范围内。综上所述,本说明书内容不应理解为对本发明专利的限制。
Claims (4)
1.一种基于改进粒子群算法的PID控制器参数整定算法,其特征在于,包括以下步骤:
步骤一、初始化种群中各微粒的速度、位置与各种参数,因为搜索空间为3维,所以每个微粒的位置中包含3个变量(kp、ki、kd),计算每个粒子的适应度值,并将各微粒的当前历史最优位置pbest设为初始个体最优位置,取粒子群所有粒子中的最优位置为gbest设为初始全局最优值;
步骤二、进行每个粒子的位置和速度的更新,更新公式如下:
vi.d(t+1)=ωvi.d(t)+c1r1[pbest.i-xi.d(t))]+c2r2[gbest-xi.d(t))];
xi.d(t+1)=xi.d(t)+vi.d(t+1);
其中,d是搜索空间的维数,d=1,2,3;i=1,2,…,m;r1和r2是两个随机数;vi.d(t)是粒子i在第t次迭代时的速度;vi.d(t+1)是粒子i在第t+1次迭代时的速度;xi.d(t)是粒子i在第t次迭代时的位置;xi.d(t+1)是粒子i在第t+1次迭代时的位置;ω是惯性权重系数;c1和c2是学习因子;pbest.i是粒子i的个体最优位置;gbest是粒子群的全局最优位置;
粒子的适应度值计算公式为绝对误差的一阶矩积分,如下:
<mrow>
<msubsup>
<mo>&Integral;</mo>
<mn>0</mn>
<mi>&infin;</mi>
</msubsup>
<mi>t</mi>
<mo>|</mo>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mi>d</mi>
<mi>t</mi>
<mo>;</mo>
</mrow>
e(t)=r(t)-y(t),定值r(t)与实际输出值y(t)构成偏差e(t);
步骤三、在位置更新完后,计算它新的适应度值f′,然后在粒子的邻域内随机寻找新的位置,并计算新位置的适应度值f1′;
步骤四、比较粒子原本位置与新位置的适应度差值Δf,Δf=f1′-f′,当f1′<gbest且Δf<0时,则接受xnew,如果f1′<gbest且Δf>0,则以模拟概率p接受新位置xnew,即当p=exp((-1)*(f1′-f′)/T)>rand(1)时,采取新位置xnew,否则采用x,rand(1)为[0,1]之间的随机数,T为模拟温度,初始温度设为5000℃,温度下限设为1℃,如果f1′>gbest,否则继续采用x;
步骤五、根据每个粒子的位置更新适应度值,根据每个粒子的适应度值更新粒子群的群体极值gbest和每个粒子的个体极值pbest,将全部的粒子按照适应度值进行排列,用较优的一半的粒子信息去替换较差的一半的粒子信息,准备下一次迭代,同时更新温度,温度T=T*0.9;
步骤六、如果满足终止条件,则输出粒子的3个变量即PID的三个控制参数,否则返回第二步进入下一次迭代。
2.根据权利有求1所述的一种基于改进粒子群算法的PID控制器参数整定算法,其特征在于,在基本的粒子群算法中,加入了模拟退火机制和自然选择策略,两者互相弥补,模拟退火机制弥补自然选择策略耗时的缺点,自然选择策略又能改善模拟退火机制减少种群多样性的不足,两者共同作用,既能保证算法的收敛速度,又能增强算法跳出局部最优陷阱的能力。
3.根据权利有求1所述的一种基于改进粒子群算法的PID控制器参数整定算法,其特征在于,每个粒子在得到当前位置所对应的适应度值f′以后,将在粒子的邻域内随机寻找新的位置xnew,xnew=x+r3*[vmax-vmin]*r1,x是粒子在迭代过程中寻找到的位置,vmax是粒子移动的最大速度,vmin是粒子移动的最小速度,r1是算法的更新算法时采取的随机数,r3是一个3维的正太分布的随机数。
4.根据权利有求1所述的一种基于改进粒子群算法的PID控制器参数整定算法,其特征在于,粒子在到达新的位置xnew之后,将计算新的位置所对应的适应度值f1′,然后比较两个适应度值的差值,当Δf=f1′-f′且f1′<gbest时,才会利用模拟退火机制判定是否接受新位置,以此来改良粒子群算法的快速趋同效应。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710490679.0A CN107272403A (zh) | 2017-06-14 | 2017-06-14 | 一种基于改进粒子群算法的pid控制器参数整定算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710490679.0A CN107272403A (zh) | 2017-06-14 | 2017-06-14 | 一种基于改进粒子群算法的pid控制器参数整定算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107272403A true CN107272403A (zh) | 2017-10-20 |
Family
ID=60068811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710490679.0A Pending CN107272403A (zh) | 2017-06-14 | 2017-06-14 | 一种基于改进粒子群算法的pid控制器参数整定算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107272403A (zh) |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992936A (zh) * | 2017-12-26 | 2018-05-04 | 河北科技大学 | 基于粒子群的避险方法及飞行物的避险方法 |
CN108803348A (zh) * | 2018-08-03 | 2018-11-13 | 北京深度奇点科技有限公司 | 一种pid参数的优化方法及pid参数的优化装置 |
CN109193750A (zh) * | 2018-07-27 | 2019-01-11 | 湖北工业大学 | 基于pidd2控制器的风电集群参与agc方法 |
CN109188907A (zh) * | 2018-09-14 | 2019-01-11 | 哈尔滨理工大学 | 一种应用于稳定平台控制***的遗传退火粒子群混合算法及其稳定平台控制*** |
CN109212965A (zh) * | 2018-08-06 | 2019-01-15 | 广州云雷智能科技有限公司 | 基于粒子群优化算法的地暖温度控制***及方法 |
CN109342546A (zh) * | 2018-06-12 | 2019-02-15 | 山东省农业可持续发展研究所 | 一种农业动态数据管理***及方法、信息处理终端 |
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 |
CN109709795A (zh) * | 2018-12-24 | 2019-05-03 | 东华大学 | 一种基于天牛须搜索算法的pid控制器参数整定方法 |
CN109839967A (zh) * | 2019-01-24 | 2019-06-04 | 广东元森能源科技有限公司 | 一种自整定pid节能温度控制方法及模块 |
CN110671266A (zh) * | 2019-11-13 | 2020-01-10 | 大连理工大学 | 一种智能变桨距机电控制优化方法 |
CN110687778A (zh) * | 2019-11-06 | 2020-01-14 | 国网天津市电力公司 | 电供热***串级控制方法及主调节器pid参数整定方法 |
CN110705030A (zh) * | 2019-09-06 | 2020-01-17 | 重庆智能机器人研究院 | 一种基于遗传算法的pid控制器参数优化方法及电机 |
CN110750895A (zh) * | 2019-10-16 | 2020-02-04 | 苏州国方汽车电子有限公司 | 一种基于改进粒子群算法的中冷器仿真模型的参数整定方法 |
CN110780592A (zh) * | 2019-10-21 | 2020-02-11 | 上海海事大学 | 一种基于差分进化粒子群算法的六自由度平台的控制方法 |
WO2020057217A1 (zh) * | 2018-09-19 | 2020-03-26 | 郑州云海信息技术有限公司 | 一种基于机器学习算法的风扇调控方法及*** |
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 |
CN111443599A (zh) * | 2020-04-15 | 2020-07-24 | 上海电力大学 | 优化pid参数的核电站汽轮机转速控制方法 |
CN111812970A (zh) * | 2020-07-22 | 2020-10-23 | 桂林电子科技大学 | 一种基于ieee1588协议的双补偿时钟同步方法 |
CN112000096A (zh) * | 2020-08-12 | 2020-11-27 | 中国计量大学 | 一种基于麻雀搜索算法的差速agv轨迹跟踪控制方法 |
CN112034780A (zh) * | 2020-09-14 | 2020-12-04 | 上海应用技术大学 | 一种基于粒子群优化算法的桥式起重机防摇摆***及方法 |
CN112290849A (zh) * | 2020-10-21 | 2021-01-29 | 深圳蓄能发电有限公司 | 一种基于改进粒子群算法的励磁同步电动机变频调速*** |
CN112346345A (zh) * | 2020-08-28 | 2021-02-09 | 华南理工大学 | 基于粒子群算法的无线充电pid控制器优化设计方法 |
CN112947091A (zh) * | 2021-03-26 | 2021-06-11 | 福州大学 | 基于pid控制的生物组织内磁纳米粒子产热优化方法 |
CN113110061A (zh) * | 2021-04-30 | 2021-07-13 | 华南农业大学 | 基于改进粒子群算法优化的智能灌溉模糊控制方法及*** |
CN113158495A (zh) * | 2021-05-21 | 2021-07-23 | 华东理工大学 | 基于粒子群算法的分子筛工艺条件的生成方法和*** |
CN113189874A (zh) * | 2021-04-29 | 2021-07-30 | 上海电力大学 | 基于pso的压水堆核电站主蒸汽压力的控制方法 |
CN113268040A (zh) * | 2021-04-30 | 2021-08-17 | 河北工业大学 | 一种数控机床伺服进给***控制参数的优选方法 |
CN113341689A (zh) * | 2021-04-29 | 2021-09-03 | 中国人民解放军海军工程大学 | 基于优化算法改进的微型燃气轮机模糊pid控制方法 |
CN113625548A (zh) * | 2021-08-11 | 2021-11-09 | 西安科技大学 | 一种基于模拟退火算法和模糊pid的元动作单元转速控制方法 |
CN113627077A (zh) * | 2021-07-21 | 2021-11-09 | 中国第一汽车股份有限公司 | 一种转向助力极值的判断方法 |
CN113641097A (zh) * | 2021-08-30 | 2021-11-12 | 东南大学 | 基于粒子群算法的无人机飞控***参数优化方法 |
CN113759697A (zh) * | 2021-08-21 | 2021-12-07 | 天津工业大学 | 基于pso智能整定带式输送机pid控制器参数的优化方法 |
CN114844403A (zh) * | 2022-03-11 | 2022-08-02 | 西北工业大学 | 一种基于改进粒子群算法的电机驱动器pid参数自整定方法 |
CN116610025A (zh) * | 2023-07-19 | 2023-08-18 | 济南大学 | 一种基于改进元启发式算法的pid控制器优化方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2846203A2 (en) * | 2013-09-10 | 2015-03-11 | Alstom Technology Ltd | Automatic tuning control system for air pollution control systems |
CN104808494A (zh) * | 2015-04-23 | 2015-07-29 | 西安外事学院 | 基于自适应蚁群遗传混合算法pid参数整定方法 |
CN104834215A (zh) * | 2015-03-24 | 2015-08-12 | 浙江师范大学 | 一种变异粒子群优化的bp神经网络pid控制算法 |
CN106502092A (zh) * | 2016-10-21 | 2017-03-15 | 东南大学 | 一种采用改进混合粒子群算法的热工过程模型参数辨识方法 |
-
2017
- 2017-06-14 CN CN201710490679.0A patent/CN107272403A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2846203A2 (en) * | 2013-09-10 | 2015-03-11 | Alstom Technology Ltd | Automatic tuning control system for air pollution control systems |
CN104834215A (zh) * | 2015-03-24 | 2015-08-12 | 浙江师范大学 | 一种变异粒子群优化的bp神经网络pid控制算法 |
CN104808494A (zh) * | 2015-04-23 | 2015-07-29 | 西安外事学院 | 基于自适应蚁群遗传混合算法pid参数整定方法 |
CN106502092A (zh) * | 2016-10-21 | 2017-03-15 | 东南大学 | 一种采用改进混合粒子群算法的热工过程模型参数辨识方法 |
Non-Patent Citations (8)
Title |
---|
GUOMING HUANG,等: "Self-tuning of PID Parameters Based on the Modified Particle Swarm Optimization", 《PROCEEDINGS OF THE 8TH WORLD CONGRESS ON INTELLIGENT CONTROL AND AUTOMATION》 * |
JIE XING,等: "New Metropolis Coefficients of Particle Swarm Optimization", 《20TH CHINESE CONTROL AND DECISION CONFERENCE》 * |
LIU XIANGJIE,等: "A Hybrid Improved Particle Swarm Optimization based on Dynamic Parameters Control and Metropolis Accept Rule Strategy", 《2009 THIRD INTERNATIONAL CONFERENCE ON GENETIC AND EVOLUTIONARY COMPUTING》 * |
VISHAL GHOLAP,等: "PID controller tuning using metaheuristic optimization algorithms for benchmark problems", 《14TH INTERNATIONAL CONFERENCE ON SCIENCE,ENGINEERING AND TECHNOLIGY》 * |
刘汉婕: "基于模拟退火的粒子群改进算法的研究与应用", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
张连强,等: "基于改进人群搜索算法的PID参数优化", 《计算机工程与设计》 * |
徐言民,等: "基于混合PSO算法的简化群桥水域航路规划研究", 《武汉理工大学学报》 * |
王丽芳,等: "基于Metropolis准则的微粒群算法", 《***仿真学报》 * |
Cited By (48)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992936A (zh) * | 2017-12-26 | 2018-05-04 | 河北科技大学 | 基于粒子群的避险方法及飞行物的避险方法 |
CN109342546A (zh) * | 2018-06-12 | 2019-02-15 | 山东省农业可持续发展研究所 | 一种农业动态数据管理***及方法、信息处理终端 |
CN109193750A (zh) * | 2018-07-27 | 2019-01-11 | 湖北工业大学 | 基于pidd2控制器的风电集群参与agc方法 |
CN108803348A (zh) * | 2018-08-03 | 2018-11-13 | 北京深度奇点科技有限公司 | 一种pid参数的优化方法及pid参数的优化装置 |
CN108803348B (zh) * | 2018-08-03 | 2021-07-13 | 北京深度奇点科技有限公司 | 一种pid参数的优化方法及pid参数的优化装置 |
CN109212965A (zh) * | 2018-08-06 | 2019-01-15 | 广州云雷智能科技有限公司 | 基于粒子群优化算法的地暖温度控制***及方法 |
CN109188907A (zh) * | 2018-09-14 | 2019-01-11 | 哈尔滨理工大学 | 一种应用于稳定平台控制***的遗传退火粒子群混合算法及其稳定平台控制*** |
WO2020057217A1 (zh) * | 2018-09-19 | 2020-03-26 | 郑州云海信息技术有限公司 | 一种基于机器学习算法的风扇调控方法及*** |
CN109709795A (zh) * | 2018-12-24 | 2019-05-03 | 东华大学 | 一种基于天牛须搜索算法的pid控制器参数整定方法 |
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 |
CN109839967A (zh) * | 2019-01-24 | 2019-06-04 | 广东元森能源科技有限公司 | 一种自整定pid节能温度控制方法及模块 |
CN109839967B (zh) * | 2019-01-24 | 2021-03-19 | 广东国颂能源科技有限公司 | 一种自整定pid节能温度控制方法及模块 |
CN110705030A (zh) * | 2019-09-06 | 2020-01-17 | 重庆智能机器人研究院 | 一种基于遗传算法的pid控制器参数优化方法及电机 |
CN110705030B (zh) * | 2019-09-06 | 2023-03-24 | 重庆智能机器人研究院 | 一种基于遗传算法的pid控制器参数优化方法及电机 |
CN110750895A (zh) * | 2019-10-16 | 2020-02-04 | 苏州国方汽车电子有限公司 | 一种基于改进粒子群算法的中冷器仿真模型的参数整定方法 |
CN110750895B (zh) * | 2019-10-16 | 2023-12-08 | 苏州国方汽车电子有限公司 | 基于改进粒子群算法的中冷器仿真模型的参数整定方法 |
CN110780592A (zh) * | 2019-10-21 | 2020-02-11 | 上海海事大学 | 一种基于差分进化粒子群算法的六自由度平台的控制方法 |
CN110687778A (zh) * | 2019-11-06 | 2020-01-14 | 国网天津市电力公司 | 电供热***串级控制方法及主调节器pid参数整定方法 |
CN110687778B (zh) * | 2019-11-06 | 2023-01-10 | 国网天津市电力公司 | 电供热***串级控制方法及主调节器pid参数整定方法 |
CN110671266A (zh) * | 2019-11-13 | 2020-01-10 | 大连理工大学 | 一种智能变桨距机电控制优化方法 |
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 |
CN111443599A (zh) * | 2020-04-15 | 2020-07-24 | 上海电力大学 | 优化pid参数的核电站汽轮机转速控制方法 |
CN111812970A (zh) * | 2020-07-22 | 2020-10-23 | 桂林电子科技大学 | 一种基于ieee1588协议的双补偿时钟同步方法 |
CN111812970B (zh) * | 2020-07-22 | 2022-11-11 | 桂林电子科技大学 | 一种基于ieee1588协议的双补偿时钟同步方法 |
CN112000096A (zh) * | 2020-08-12 | 2020-11-27 | 中国计量大学 | 一种基于麻雀搜索算法的差速agv轨迹跟踪控制方法 |
CN112346345A (zh) * | 2020-08-28 | 2021-02-09 | 华南理工大学 | 基于粒子群算法的无线充电pid控制器优化设计方法 |
CN112034780A (zh) * | 2020-09-14 | 2020-12-04 | 上海应用技术大学 | 一种基于粒子群优化算法的桥式起重机防摇摆***及方法 |
CN112290849A (zh) * | 2020-10-21 | 2021-01-29 | 深圳蓄能发电有限公司 | 一种基于改进粒子群算法的励磁同步电动机变频调速*** |
CN112947091A (zh) * | 2021-03-26 | 2021-06-11 | 福州大学 | 基于pid控制的生物组织内磁纳米粒子产热优化方法 |
CN112947091B (zh) * | 2021-03-26 | 2022-06-10 | 福州大学 | 基于pid控制的生物组织内磁纳米粒子产热优化方法 |
CN113189874A (zh) * | 2021-04-29 | 2021-07-30 | 上海电力大学 | 基于pso的压水堆核电站主蒸汽压力的控制方法 |
CN113341689A (zh) * | 2021-04-29 | 2021-09-03 | 中国人民解放军海军工程大学 | 基于优化算法改进的微型燃气轮机模糊pid控制方法 |
CN113110061A (zh) * | 2021-04-30 | 2021-07-13 | 华南农业大学 | 基于改进粒子群算法优化的智能灌溉模糊控制方法及*** |
CN113268040A (zh) * | 2021-04-30 | 2021-08-17 | 河北工业大学 | 一种数控机床伺服进给***控制参数的优选方法 |
CN113158495B (zh) * | 2021-05-21 | 2024-04-26 | 华东理工大学 | 基于粒子群算法的分子筛工艺条件的生成方法和*** |
CN113158495A (zh) * | 2021-05-21 | 2021-07-23 | 华东理工大学 | 基于粒子群算法的分子筛工艺条件的生成方法和*** |
CN113627077A (zh) * | 2021-07-21 | 2021-11-09 | 中国第一汽车股份有限公司 | 一种转向助力极值的判断方法 |
CN113625548A (zh) * | 2021-08-11 | 2021-11-09 | 西安科技大学 | 一种基于模拟退火算法和模糊pid的元动作单元转速控制方法 |
CN113759697B (zh) * | 2021-08-21 | 2023-03-10 | 天津工业大学 | 基于pso智能整定带式输送机pid控制器参数的优化方法 |
CN113759697A (zh) * | 2021-08-21 | 2021-12-07 | 天津工业大学 | 基于pso智能整定带式输送机pid控制器参数的优化方法 |
CN113641097A (zh) * | 2021-08-30 | 2021-11-12 | 东南大学 | 基于粒子群算法的无人机飞控***参数优化方法 |
CN113641097B (zh) * | 2021-08-30 | 2024-05-31 | 东南大学 | 基于粒子群算法的无人机飞控***参数优化方法 |
CN114844403B (zh) * | 2022-03-11 | 2023-06-23 | 西北工业大学 | 基于改进粒子群算法的电机驱动器pid参数自整定方法 |
CN114844403A (zh) * | 2022-03-11 | 2022-08-02 | 西北工业大学 | 一种基于改进粒子群算法的电机驱动器pid参数自整定方法 |
CN116610025A (zh) * | 2023-07-19 | 2023-08-18 | 济南大学 | 一种基于改进元启发式算法的pid控制器优化方法 |
CN116610025B (zh) * | 2023-07-19 | 2023-09-26 | 济南大学 | 一种基于改进元启发式算法的pid控制器优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107272403A (zh) | 一种基于改进粒子群算法的pid控制器参数整定算法 | |
CN105425612B (zh) | 一种水轮机调节***控制参数的优选方法 | |
CN112700060B (zh) | 站所终端负荷预测方法和预测装置 | |
CN108803336A (zh) | 一种航空发动机自适应lqg/ltr控制器设计方法 | |
CN111553118B (zh) | 基于强化学习的多维连续型优化变量全局优化方法 | |
CN105700353A (zh) | 一种基于差分进化算法的pid控制器参数优化整定方法 | |
CN109254530A (zh) | 基于磨矿过程基础回路的无模型自适应控制方法 | |
CN112947627B (zh) | 一种基于ddpg-模糊pid的温度控制方法 | |
CN104616072B (zh) | 一种基于区间优化的提高谷氨酸发酵产物浓度的方法 | |
CN108121206B (zh) | 基于高效改进型差分进化算法的复合自适应内模控制优化方法 | |
CN105279579B (zh) | 一种水轮发电机组励磁***pid控制参数的优选方法 | |
CN117492359A (zh) | 一种自适应pid控制器的参数优化方法 | |
CN114880806A (zh) | 基于粒子群优化的新能源汽车销量预测模型参数优化方法 | |
CN110361974B (zh) | 基于bp-foa混合算法的水轮机调速***优化方法 | |
CN115730743A (zh) | 一种基于深度神经网络的战场作战趋势预测方法 | |
Komarudin et al. | Signature PSO: A novel inertia weight adjustment using fuzzy signature for LQR tuning | |
CN111539508B (zh) | 基于改进灰狼算法的发电机励磁***参数辨识算法 | |
CN111474850B (zh) | 基于改进正弦余弦算法优化pid液压调平***控制方法 | |
CN105334730B (zh) | 加热炉氧含量的iga优化t‑s模糊arx建模方法 | |
CN109781951B (zh) | 一种鱼塘水质监测***及监测方法 | |
CN114384931B (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 | |
CN110450164A (zh) | 机器人控制方法、装置、机器人及存储介质 | |
Wang et al. | PID Decoupling Controller Design for Electroslag Remelting Process Using Cuckoo Search Algorithm with Self-tuning Dynamic Searching Mechanism. | |
CN113110061B (zh) | 基于改进粒子群算法优化的智能灌溉模糊控制方法及*** | |
CN114912368A (zh) | 结合梯度算法和演化算法对神经网络模型进行优化的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171020 |