CN108375902A - 一种人工蜂群算法与模糊pid控制结合的双容水箱控制算法 - Google Patents
一种人工蜂群算法与模糊pid控制结合的双容水箱控制算法 Download PDFInfo
- Publication number
- CN108375902A CN108375902A CN201810101976.6A CN201810101976A CN108375902A CN 108375902 A CN108375902 A CN 108375902A CN 201810101976 A CN201810101976 A CN 201810101976A CN 108375902 A CN108375902 A CN 108375902A
- Authority
- CN
- China
- Prior art keywords
- nectar source
- bee
- fuzzy
- pid control
- gathering honey
- 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
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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/047—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators the criterion being a time optimal performance criterion
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D9/00—Level control, e.g. controlling quantity of material stored in vessel
- G05D9/12—Level control, e.g. controlling quantity of material stored in vessel characterised by the use of electric means
-
- 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)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种人工蜂群算法与模糊PID控制结合的双容水箱控制算法,将遗传算法的交叉操作引入到人工蜂群算法中,PID控制的三个参数Kp、Ki、Kd作为蜜源的三维位置,通过交叉操作可以产生新的蜜源位置,避免陷入局部最优解,然后将得到的PID控制参数作为模糊PID控制的输入,通过模糊PID控制进一步在线优化PID控制参数。本发明的一种人工蜂群算法与模糊PID控制结合的双容水箱控制算法解决了现有算法存在的算法复杂且计算的PID控制参数控制精度不高的问题。
Description
技术领域
本发明属于液位控制算法技术领域,涉及一种人工蜂群算法与模糊PID控制结合的双容水箱控制算法。
背景技术
随着工业化水平的提高,传统的PID控制方法已经不能满足现代工业生产的需要,如《基于闭环自适应辨识的速度环PI参数自整定》(张鹏,王文格,付霞,聂挺.中国机械工程,2016,(05):639-645.),特别是像双容水箱液位控制***这样的多变量、非线性的复杂***。双容水箱液位控制***容易受外界水压频繁波动的影响,具有大滞后、出水阀口的非线性、数学模型难以准确建立等特点,如《双容水箱液位改进型SA-PID控制仿真与研究》(刘继军,上官同英.机械设计与制造,2015,(08):50-52+56.)。然而工业生产中的很多方面都涉及到液位控制的问题,例如食品加工、饮料生产、污水过滤等多种行业的生产加工过程。因此,对液位控制过程进行深入的研究,对工业的生产提供重要的理论指导。
由于传统的PID控制存在调整时间较长,超调量大,控制精度不高等问题,不能保证良好的动态性能。针对PID控制存在的问题,《自适应预测控制在三容水箱液位***中的应用》(黄勤芳,覃秀凤.[J].机械设计与制造,2017,(01):83-86+90.),将自适应控制方法和预测控制方法结合起来,不仅维持了自适应控制方法本身的特性,还具备预测控制方法的控制效果好、鲁棒性强等优点,但是此方法的理论研究集中于简单的线性化***中,对于非线性的***研究很缺乏。《基于模糊PID控制器的双容液位控制***研究》Sabri NajiGubran Dahmas(Sabri Naji Gubran Dahmas.[D].大连理工大学,2015.),在PID控制中引入模糊控制,通过模糊控制对控制参数进行整定,大大的优化了参数的整定过程,但这种优化PID参数的方法过于依赖专家和操作人员的实际经验。
人工蜂群算法(Artificial Bee Colony Algorithm,ABC)是其中一种典型的群智能算法,但是该算法容易陷入局部的最优解,即种群在一些局部极值点停止不动。
综上,经典常用的控制算法存在调整时间长、超调量大、控制精度不高、算法复杂等问题,影响着控制效果;如何设计出简单的算法,可以准确、高效的进行液位控制,是研究的难点问题。
发明内容
本发明的目的是提供一种人工蜂群算法与模糊PID控制结合的双容水箱控制算法,解决了现有算法存在的算法复杂且计算的PID控制参数控制精度不高的问题。
本发明所采用的技术方案是,一种人工蜂群算法与模糊PID控制结合的双容水箱控制算法,具体按照以下步骤实施:
步骤1,初始化蜜蜂种群:设置蜜蜂总数N、最大迭代次数maxCycle、蜜蜂停留最大限制搜索次数Limit,初始化产生随机N个不同的蜜源位置;
步骤2,计算步骤1所有蜜蜂的蜜源适应度值的大小,根据适应度值排名将蜜蜂分为采蜜蜂和观察蜂两种,将排名靠前N/2个设置为采蜜蜂,排名靠后的N/2个设置为观察蜂;
步骤3,将每个蜜源位置的三维坐标表示为(xm,ym,zm),其中m=1,2,......,N,将xm,ym,zm依次赋值给PID控制器的的3个控制参数Kp、Ki、Kd,然后将3个参数值传递给PID控制器进行控制,将得到的性能指标与最小误差精度值进行对比,性能指标小于等于最小误差精度值,则结束程序运行;若不满足控制要求,则继续执行步骤4;
步骤4,对于采蜜蜂:每个采蜜蜂在其对应的蜜源上进行采蜜,在采蜜的过程中,进行局部的邻域搜索,寻找新蜜源,并计算新蜜源的适应度值,若新蜜源的适应度值低于其初始蜜源的适应度值,则采蜜蜂根据贪婪准则,以新蜜源位置替代原蜜源的位置;
步骤5,对于观察蜂:计算每个观察蜂的跟随概率,根据跟随概率选择采蜜蜂进行跟随,此时观察蜂转变成采蜜蜂,以其所跟随的采蜜蜂的蜜源为初始蜜源,进行采蜜,在采蜜的过程中,进行局部的邻域搜索,寻找新蜜源,并计算新蜜源的适应度值,若新蜜源的适应度值低于其初始蜜源的适应度值,则采蜜蜂根据贪婪准则,以新蜜源位置替代原蜜源的位置;
步骤6,若步骤4或步骤5中采蜜蜂、观察蜂搜索次数,即蜜源的停留次数超过限定次数Limit,仍然没有找到更高适应度的蜜源,则需要放弃当前的蜜源位置,同时蜜蜂的角色也由采蜜蜂或者观察蜂转变为侦察蜂,并且随机产生一个新的蜜源位置;
步骤7,记录当前所有蜜蜂找到的最优蜜源及其位置的三维坐标,即全局最优解,并跳至步骤2,循环实施步骤2-7,直到迭代次数满足最大迭代次数maxCycle或小于等于最小误差精度值时输出全局最优位置;
步骤8,将得到的一组最优的PID控制参数作为模糊PID控制算法的初始值,然后进行实时的在线寻优,得到经整定后的PID控制参数。
本发明的特点还在于,
步骤4或步骤5中在进行局部的邻域搜索时,引入遗传算法的交叉运算,即:采用二项交叉的操作,首先对每个采蜜蜂对应的蜜源位置的每个坐标分量都生成一个0到1之间均匀分布的随机值rand,进行如下计算:
其中,cr为交叉系数,Qij为新蜜源的位置,Vij采用交叉算法后的蜜源位置,Xij为当前蜜源的位置,为初始化蜜源的最优位置,β=0-1.5,其中,i表示解的个数,j表示蜜源三维坐标的3个维度j=1,2,3,xm,ym,zm分别代表1、2、3维,按照贪婪规则替换蜜源,公式如下:
其中,Xij当前蜜源的位置,Qij为新蜜源的位置,fq、fx为Qij、Xij的适应度值。
确定方法为,初始化产生的N个随机不同的蜜源位置,计算相应的适应度值的大小,最小适应度值对应蜜源位置即为初始化蜜源的最优位置。
步骤5中对于观察蜂,跟随概率按照下式计算,
式中,fi为函数值,fitnessi为函数适应度值,Pi为第i只观察蜂的跟随概率。
步骤6中的侦察蜂,若随机产生的蜜源位置的适应度值大于最大邻域搜索得到蜜源位置的适应度值,则随机产生的蜜源位置为新的蜜源位置,否则保留其最大邻域搜索得到蜜源位置。
步骤8具体为:
步骤8.1,运行模糊自适应的PID控制器,采集当前水箱液位控制***的当前值,计算此时水位的误差和误差变化;
步骤8.2,对模糊自适应PID控制的参数进行模糊化处理,利用编写好的模糊控制规则、隶属度函数进行计算;
步骤8.3,对得出的数据进行去模糊化处理,可以得到经过在线整定后的PID控制量的变化量;
步骤8.4,将经步骤7得到的一组最优的PID控制参数作为模糊PID控制算法的初始值与步骤8.3得出的PID参数的变化量相加,得到经过整定后的PID控制参数。
本发明的有益效果是:本发明一种人工蜂群算法与模糊PID控制结合的双容水箱控制算法,把改进人工蜂群算法同模糊PID控制结合起来进行联合优化,解决了现有控制方法不准确,算法复杂,实时性差等问题,能够满足现代液位控制的需要,具有较强的普适性,为液位控制提供了一种新的方法。
附图说明
图1是本发明一种人工蜂群算法与模糊PID控制结合的双容水箱控制算法的流程图;
图2是本发明一种人工蜂群算法与模糊PID控制结合的双容水箱控制算法的局部流程图;
图3是本发明中ABC算法迭代寻优曲线图;
图4是本发明中ABC算法模糊PID控制参数Kd曲线图;
图5是本发明中ABC算法模糊PID控制参数Ki曲线图;
图6是本发明中ABC算法模糊PID控制参数Kp曲线图;
图7是本发明中模糊PID控制程序图;
图8是本发明模糊PID的控制框图;
图9是本发明模糊PID的封装的子框图;
图10是本发明的算法与常规PID控制阶跃响应变化曲线图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明所采用的技术方案是,一种人工蜂群算法与模糊PID控制结合的双容水箱控制算法,如图1所示,具体按照以下步骤实施:
步骤1,初始化蜜蜂种群:设置蜜蜂总数N、最大迭代次数maxCycle、蜜蜂停留最大限制搜索次数Limit,初始化产生随机N个不同的蜜源位置;
步骤2,计算步骤1所有蜜蜂的蜜源适应度值的大小,根据适应度值排名将蜜蜂分为采蜜蜂和观察蜂两种,将排名靠前N/2个设置为采蜜蜂,排名靠后的N/2个设置为观察蜂;
步骤3,将每个蜜源位置的三维坐标表示为(xm,ym,zm),其中m=1,2,......,N,将xm,ym,zm依次赋值给PID控制器的的3个控制参数Kp、Ki、Kd,然后将3个参数值传递给PID控制器进行控制,将得到的性能指标与最小误差精度值进行对比,性能指标小于等于最小误差精度值,则结束程序运行;若不满足控制要求,则继续执行步骤4;
如图2所示,步骤4,对于采蜜蜂:每个采蜜蜂在其对应的蜜源上进行采蜜,在采蜜的过程中,进行局部的邻域搜索,寻找新蜜源,并计算新蜜源的适应度值,若新蜜源的适应度值低于其初始蜜源的适应度值,则采蜜蜂根据贪婪准则,以新蜜源位置替代原蜜源的位置;
步骤5,对于观察蜂:计算每个观察蜂的跟随概率,根据跟随概率选择采蜜蜂进行跟随,此时观察蜂转变成采蜜蜂,以其所跟随的采蜜蜂的蜜源为初始蜜源,进行采蜜,在采蜜的过程中,进行局部的邻域搜索,寻找新蜜源,并计算新蜜源的适应度值,若新蜜源的适应度值低于其初始蜜源的适应度值,则采蜜蜂根据贪婪准则,以新蜜源位置替代原蜜源的位置;
步骤4或步骤5中在进行局部的邻域搜索时,引入遗传算法的交叉运算,即:采用二项交叉的操作,首先对每个采蜜蜂对应的蜜源位置的每个坐标分量都生成一个0到1之间均匀分布的随机值rand,进行如下计算:
其中,cr为交叉系数,Qij为新蜜源的位置,Vij采用交叉算法后的蜜源位置,Xij为当前蜜源的位置,初始化蜜源的最优位置(即当前全局最优解),β=0-1.5,其中,i表示解的个数,j表示蜜源三维坐标的3个维度j=1,2,3,xm,ym,zm分别代表1、2、3维,按照贪婪规则替换蜜源,公式如下:
其中,Xij当前蜜源的位置,Qij为新蜜源的位置,fq、fx为Qij、Xij的适应度值。
确定方法为,分别初始化产生的N个随机不同的蜜源的适应度值大小,最小适应度值对应蜜源位置即为初始化蜜源的最优位置。
步骤5中对于观察蜂,跟随概率按照下式计算,
式中,fi为函数值,fitnessi为函数适应度值,Pi为第i只观察蜂的跟随概率。
步骤6,若步骤4或步骤5中采蜜蜂、观察蜂搜索次数,即蜜源的停留次数超过限定次数Limit,仍然没有找到更高适应度的蜜源,则需要放弃当前的蜜源位置,同时蜜蜂的角色也由采蜜蜂或者观察蜂转变为侦察蜂,并且随机产生一个新的蜜源位置,若随机产生的蜜源位置的适应度值大于最大邻域搜索得到蜜源位置的适应度值,则随机产生的蜜源位置为新的蜜源位置,否则保留其最大邻域搜索得到蜜源位置;
步骤7,记录当前所有蜜蜂找到的最优蜜源及其位置的三维坐标,即全局最优解,并跳至步骤2,循环实施步骤2-7,直到迭代次数满足最大迭代次数maxCycle或小于等于最小误差精度值时输出全局最优位置,如图3-6所示;
步骤8,将得到的一组最优的PID控制参数作为模糊PID控制算法的初始值,然后进行实时的在线寻优,得到经整定后的PID控制参数。
如图7所示,步骤8具体为:
步骤8.1,运行模糊自适应的PID控制器,如图8-9所示,采集当前水箱液位控制***的当前值,计算此时水位的误差和误差变化;
步骤8.2,对模糊自适应PID控制的参数进行模糊化处理,利用编写好的模糊控制规则、隶属度函数进行计算;
步骤8.3,对得出的数据进行去模糊化处理,可以得到经过在线整定后的PID控制量的变化量;
步骤8.4,将经步骤7得到的一组最优的PID控制参数作为模糊PID控制算法的初始值与步骤8.3得出的PID参数的变化量相加,得到经过整定后的PID控制参数。
本发明所得PID控制参数的控制效果与常规PID控制的比较图,如图10所示。
本发明的原理为:本发明采用的是一种联合优化的思想,通过联合优化充分利用两种控制算法的优点,实现对液位的快速、准确的控制。人工蜂群算法经过改进后可以实现较好的全局和局部搜索,使得到的控制参数更加准确、可靠;将得到的PID控制参数作为模糊PID控制的输入可以减小模糊PID控制的参数的变化范围,使得实时的控制可以得到快速的响应。
Claims (6)
1.一种人工蜂群算法与模糊PID控制结合的双容水箱控制算法,其特征在于,具体按照以下步骤实施:
步骤1,初始化蜜蜂种群:设置蜜蜂总数N、最大迭代次数maxCycle、蜜蜂停留最大限制搜索次数Limit,初始化产生随机N个不同的蜜源位置;
步骤2,计算步骤1所有蜜蜂的蜜源适应度值的大小,根据适应度值排名将蜜蜂分为采蜜蜂和观察蜂两种,将排名靠前N/2个设置为采蜜蜂,排名靠后的N/2个设置为观察蜂;
步骤3,将每个蜜源位置的三维坐标表示为(xm,ym,zm),其中m=1,2,......,N,将xm,ym,zm依次赋值给PID控制器的的3个控制参数Kp、Ki、Kd,然后将3个参数值传递给PID控制器进行控制,将得到的性能指标与最小误差精度值进行对比,性能指标小于等于最小误差精度值,则结束程序运行;若不满足控制要求,则继续执行步骤4;
步骤4,对于采蜜蜂:每个采蜜蜂在其对应的蜜源上进行采蜜,在采蜜的过程中,进行局部的邻域搜索,寻找新蜜源,并计算新蜜源的适应度值,若新蜜源的适应度值低于其初始蜜源的适应度值,则采蜜蜂根据贪婪准则,以新蜜源位置替代原蜜源的位置;
步骤5,对于观察蜂:计算每个观察蜂的跟随概率,根据跟随概率选择采蜜蜂进行跟随,此时观察蜂转变成采蜜蜂,以其所跟随的采蜜蜂的蜜源为初始蜜源,进行采蜜,在采蜜的过程中,进行局部的邻域搜索,寻找新蜜源,并计算新蜜源的适应度值,若新蜜源的适应度值低于其初始蜜源的适应度值,则采蜜蜂根据贪婪准则,以新蜜源位置替代原蜜源的位置;
步骤6,若步骤4或步骤5中采蜜蜂、观察蜂搜索次数,即蜜源的停留次数超过限定次数Limit,仍然没有找到更高适应度的蜜源,则需要放弃当前的蜜源位置,同时蜜蜂的角色也由采蜜蜂或者观察蜂转变为侦察蜂,并且随机产生一个新的蜜源位置;
步骤7,记录当前所有蜜蜂找到的最优蜜源及其位置的三维坐标,即全局最优解,并跳至步骤2,循环实施步骤2-7,直到迭代次数满足最大迭代次数maxCycle或小于等于最小误差精度值时输出全局最优位置;
步骤8,将得到的一组最优的PID控制参数作为模糊PID控制算法的初始值,然后进行实时的在线寻优,得到经整定后的PID控制参数。
2.根据权利要求1所述的一种人工蜂群算法与模糊PID控制结合的双容水箱控制算法,其特征在于,步骤4或步骤5中在进行局部的邻域搜索时,引入遗传算法的交叉运算,即:采用二项交叉的操作,首先对每个采蜜蜂对应的蜜源位置的每个坐标分量都生成一个0到1之间均匀分布的随机值rand,进行如下计算:
其中,cr为交叉系数,Qij为新蜜源的位置,Vij采用交叉算法后的蜜源位置,Xij为当前蜜源的位置,初始化蜜源的最优位置,β=0-1.5,其中,i表示解的个数,j表示蜜源三维坐标的3个维度j=1,2,3,xm,ym,zm分别代表1、2、3维,按照贪婪规则替换蜜源,公式如下:
其中,Xij当前蜜源的位置,Qij为新蜜源的位置,fq、fx为Qij、Xij的适应度值。
3.根据权利要求1所述的一种人工蜂群算法与模糊PID控制结合的双容水箱控制算法,其特征在于,所述确定方法为,分别初始化产生的N个随机不同的蜜源的适应度值大小,最小适应度值对应蜜源位置即为初始化蜜源的最优位置。
4.根据权利要求1所述的一种人工蜂群算法与模糊PID控制结合的双容水箱控制算法,其特征在于,步骤5中对于观察蜂,跟随概率按照下式计算,
式中,fi为函数值,fitnessi为函数适应度值,Pi为第i只观察蜂的跟随概率。
5.根据权利要求1所述的一种人工蜂群算法与模糊PID控制结合的双容水箱控制算法,其特征在于,步骤6中所述的侦察蜂,若随机产生的蜜源位置的适应度值大于最大邻域搜索得到蜜源位置的适应度值,则随机产生的蜜源位置为新的蜜源位置,否则保留其最大邻域搜索得到蜜源位置。
6.根据权利要求1所述的一种人工蜂群算法与模糊PID控制结合的双容水箱控制算法,其特征在于,所述步骤8具体为:
步骤8.1,运行模糊自适应的PID控制器,采集当前水箱液位控制***的当前值,计算此时水位的误差和误差变化;
步骤8.2,对模糊自适应PID控制的参数进行模糊化处理,利用编写好的模糊控制规则、隶属度函数进行计算;
步骤8.3,对得出的数据进行去模糊化处理,可以得到经过在线整定后的PID控制量的变化量;
步骤8.4,将经步骤7得到的一组最优的PID控制参数作为模糊PID控制算法的初始值与步骤8.3得出的PID参数的变化量相加,得到经过整定后的PID控制参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810101976.6A CN108375902A (zh) | 2018-02-01 | 2018-02-01 | 一种人工蜂群算法与模糊pid控制结合的双容水箱控制算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810101976.6A CN108375902A (zh) | 2018-02-01 | 2018-02-01 | 一种人工蜂群算法与模糊pid控制结合的双容水箱控制算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108375902A true CN108375902A (zh) | 2018-08-07 |
Family
ID=63017113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810101976.6A Pending CN108375902A (zh) | 2018-02-01 | 2018-02-01 | 一种人工蜂群算法与模糊pid控制结合的双容水箱控制算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108375902A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109581291A (zh) * | 2018-12-11 | 2019-04-05 | 哈尔滨工程大学 | 一种基于人工蜂群的直接定位方法 |
CN110135752A (zh) * | 2019-05-22 | 2019-08-16 | 华东理工大学 | 一种具有切换时间的成套订单的调度方法 |
CN113537439A (zh) * | 2020-04-17 | 2021-10-22 | 中国石油化工股份有限公司 | 改进的人工蜂群优化算法 |
CN116859711A (zh) * | 2023-06-27 | 2023-10-10 | 中科沃业江苏生物有限公司 | 一种基于iabc优化模糊pid的恒流泵控制*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104407512A (zh) * | 2014-09-09 | 2015-03-11 | 浙江绿健胶囊有限公司 | 一种模糊pid控制的胶囊溶胶罐控制方法 |
CN106056167A (zh) * | 2016-07-01 | 2016-10-26 | 山东大学 | 一种基于高斯核混合人工蜂群算法的归一化可能性模糊熵聚类方法 |
CN106970636A (zh) * | 2017-05-17 | 2017-07-21 | 北京理工大学 | 一种用于控制飞行器速率的控制***及其控制方法 |
-
2018
- 2018-02-01 CN CN201810101976.6A patent/CN108375902A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104407512A (zh) * | 2014-09-09 | 2015-03-11 | 浙江绿健胶囊有限公司 | 一种模糊pid控制的胶囊溶胶罐控制方法 |
CN106056167A (zh) * | 2016-07-01 | 2016-10-26 | 山东大学 | 一种基于高斯核混合人工蜂群算法的归一化可能性模糊熵聚类方法 |
CN106970636A (zh) * | 2017-05-17 | 2017-07-21 | 北京理工大学 | 一种用于控制飞行器速率的控制***及其控制方法 |
Non-Patent Citations (2)
Title |
---|
孙雷: "《基于参数自整定的模糊PID控制在多容水箱***中的应用》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
陈凯凯 等: "《改进ABC算法的双容水箱液位控制研究》", 《内燃机与配》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109581291A (zh) * | 2018-12-11 | 2019-04-05 | 哈尔滨工程大学 | 一种基于人工蜂群的直接定位方法 |
CN110135752A (zh) * | 2019-05-22 | 2019-08-16 | 华东理工大学 | 一种具有切换时间的成套订单的调度方法 |
CN110135752B (zh) * | 2019-05-22 | 2023-05-02 | 华东理工大学 | 一种具有切换时间的成套订单的调度方法 |
CN113537439A (zh) * | 2020-04-17 | 2021-10-22 | 中国石油化工股份有限公司 | 改进的人工蜂群优化算法 |
CN116859711A (zh) * | 2023-06-27 | 2023-10-10 | 中科沃业江苏生物有限公司 | 一种基于iabc优化模糊pid的恒流泵控制*** |
CN116859711B (zh) * | 2023-06-27 | 2024-04-12 | 中科沃业江苏生物有限公司 | 一种基于iabc优化模糊pid的恒流泵控制*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108375902A (zh) | 一种人工蜂群算法与模糊pid控制结合的双容水箱控制算法 | |
CN104776446B (zh) | 一种锅炉燃烧优化控制方法 | |
CN109270833A (zh) | 一种基于无刷直流电机q学习的变论域模糊控制方法 | |
CN109847916B (zh) | 一种水泥原料立磨***的节能优化方法 | |
CN109696827A (zh) | 惯性权重余弦调整粒子群优化算法的pid参数整定方法 | |
CN108608628A (zh) | 遗传算法修正蚁群算法优化的pid控制器及其应用 | |
CN113253779A (zh) | 一种基于粒子群模糊pid算法的热泵温度控制*** | |
CN108762221A (zh) | 含有不可控事件的自动制造***的无死锁控制方法 | |
CN105807615A (zh) | 模糊前馈反馈控制器 | |
CN109081558B (zh) | 一种浮法玻璃成形过程的优化控制方法 | |
CN101995845B (zh) | 基于fpga的自调匀整控制***及控制方法 | |
CN113075883B (zh) | 一种制水业中混凝投药优化方法 | |
CN107968400B (zh) | 一种基于枚举组合和线性规划的月度运行方式变压器变比优化方法 | |
CN107491036B (zh) | 机床加工能耗控制方法及加工机床 | |
CN106292285B (zh) | 一种模糊自适应pi控制器参数确定方法 | |
CN110442027A (zh) | 一种gap多模型加权函数参数自整定方法 | |
CN104714967B (zh) | 一种确定汽车风扇控制扭矩的方法 | |
CN114011564B (zh) | 一种基于模型离线规划的磨煤机控制优化方法 | |
CN115903465A (zh) | 一种板换电动调节阀的智能pid控制方法及*** | |
CN105527841B (zh) | 一种时变信号的网络化跟踪控制方法 | |
CN109683558A (zh) | 基于粒子群优化的生产过程***多目标优化模型控制方法 | |
CN115330194A (zh) | 多源动力***实时优化能量调度方法及*** | |
CN108919642A (zh) | 一种炉跟机协调控制***控制器参数优化整定方法 | |
Pan et al. | An adaptive genetic algorithm for the flexible job-shop scheduling problem | |
Qingsong et al. | Design of fuzzy controller for liquid level control system based on MATLAB/RTW |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180807 |