一种基于遗传算法的单神经元PID控制器参数优化

文章分析了神经元PID控制器存在的问题,提出了一种用遗传算法对单神经元控制器进行参数寻优,并利用种群数N和交换概率Pc逐次递减的方法来提高计算效率和收敛速度,在搜索空间内获得全局最优点的方法。试验仿真结果表明,基于遗传算法的单神经元PID控制器参数优化方法能获得很好的控制效果。     

自适应遗传算法在PID控制参数优化中的应用

针对传统的PID控制中参数整定的难题，采用智能控制技术优化PID参数，利用神经网络进行系统辨识，建立对象模型；在此模型基础上，运用遗传算法寻优PID控制参数，采用变交叉概率和变异概率自适应遗传算法寻优得到PID控制参数，与传统的整定结果相比较，遗传算法优化效果更好，最终达到最优的控制效果．     

遗传算法在PID控制器参数寻优中的应用

针对遗传算法易早熟收敛,对参数有较强的依赖性,而模拟退火法的搜索过程冗长的缺点,采用混合策略,在优化机制、结构和行为上结合两者的特点,提高算法的优化能力、效率和可靠性.在PID参数寻优中采用混合策略,将SA状态产生函数作为变异概率可控的变异操作,在高温下有较强的变异功能,在低温下有较强的趋化功能.仿真结果说明,混合策略在PID参数寻优问题中明显优于单一遗传算法和传统整定方法.进一步分析了PID参数寻优是一个多目标的优化问题,探讨了可行方向.     

基于HPSO的PID算法在汽油机怠速控制中的应用

在怠速控制系统中,PID控制器的参数整定直接影响到控制效果;介于标准粒子群算法的不足,采用混合粒子群算法对PID控制器的参数进行离线整定,并基于MATLAB软件进行仿真实验;实验结果表明：混合粒子群的寻优精度优于遗传算法和标准粒子群算法,且具有良好的收敛速度.     

基于改进遗传算法的PID参数整定策略

针对简单遗传算法（SGA）收敛速度慢、易于早熟等缺点,在前人研究成果的基础上,提出动态调整搜索空间策略,对遗传算法进行多步渐进搜索。并采用改进的自适应交叉算子和自适应变异算子,结合兼顾性能指标和响应过程平衡的适配函数,以多种改进方式相结合的遗传算法对PID参数进行迭代寻优整定。仿真结果表明：当被控对象存在较大纯滞后、时间常数特性时,采用本方法优化PID控制器参数可获得比较满意的调节效果。     

基于自适应遗传算法的PID参数寻优

针对工业过程中常见的二阶大滞后对象的PID参数调节问题,采用自适应遗传算法对PID控制进行参数寻优,并将结果与常用的PID参数寻优方法进行比较,仿真实验结果表明,在PID参数的寻优问题中,自适应遗传算法采用自动改变变异概率的方法,提高了控制系统的自适应性.     

基于自适应遗传算法的PID参数寻优

针对工业过程中常见的二阶大滞后对象的PID参数调节问题,采用自适应遗传算法对PID控制进行参数寻优,并将结果与常用的PID参数寻优方法进行比较,仿真实验结果表明,在PID参数的寻优问题中,自适应遗传算法采用自动改变变异概率的方法,提高了控制系统的自适应性。     

遗传算法在PID自适应控制中的应用

提出一种基于遗传算法的PID自适应控制结构,给出控制结构框架,利用遗传算法来优化PID参数,本文利用遗传算法的全局寻优的特点,将它应用于PID参数的寻优计算,从而提高PID控制器的控制性能和自适应能力。仿真的结果表明,笔者提出的遗传算法和PID控制相结合的控制方法鲁棒性强,控制品质优良,在很大程度上改善了常规PID控制器的控制性能。     

互联电力系统AGC的模糊和遗传控制算法

针对互联电力系统自动发电控制(AGC),结合模糊控制和遗传算法提出一种新型的PID智能控制器.这种控制器主要特点是选用遗传算法整定的PID参数值作为模糊自整定PID参数控制器的初值,然后再对模糊控制的相关参数用遗传算法优化,避免了参数选择的盲目性.仿真结果明显优于传统的PID控制器,同样也优于单独模糊PID控制器和由遗传算法寻优而设计的PID控制器.同时,在研究遗传算法寻优的过程中提出一种新的适应度选择方法.     

互联电力系统AGC的模糊和遗传控制算法

针对互联电力系统自动发电控制(AGC)，结合模糊控制和遗传算法提出一种新型的PID智能控制器，这种控制器主要特点是选用遗传算法整定的PID参数值作为模糊自整定PID参数控制器的初值，然后再对模糊控制的相关参数用遗传算法优化，避免了参数选择的盲目性。仿真结果明显优于传统的PID控制器，同样也优于单独模糊PID控制器和由遗传算法寻优而设计的PID控制器。同时，在研究遗传算法寻优的过程中提出一种新的适应度选择方法。     

自适应遗传算法在PID控制器设计中的应用

提出了一种带有自适应交叉、变异算子的遗传算法，并把它应用到PID控制器的设计当中。仿真结果表明，该方法提高了参数的优化性能，使控制系统具有良好的控制精度，其动态性能和鲁棒性均比较理想。     

基于遗传模糊免疫算法的PID参数整定优化研究

针对工业过程中的PID参数整定较难的问题,在分析模糊免疫算法的基础上,提出了一种遗传模糊免疫算法,用于在线整定PID参数。该算法用免疫反馈机理在线调整比例系数,模糊算法在线整定积分系数和微分系数。同时,该算法引用具有全局寻优特性的遗传算法优化免疫参数,克服了免疫参数选取不当而导致系统超调量较大、响应速度过慢的问题。针对工业过程中的无时滞过程、一阶惯性加时滞过程、二阶惯性加时滞过程、高阶系统过程,将该算法用于PID参数整定优化,并与模糊免疫算法、免疫PID算法、常规PID算法整定结果进行对比分析。仿真实验结果表明,遗传模糊免疫算法整定出的PID参数具有超调量小、调节时间短、抗干扰性强、鲁棒性强等优点,取得了较好的控制效果。     

基于量子粒子群优化算法的PID参数控制

针对传统PID算法参数最优或接近最优确定较为困难,提出一种量子粒子群(QPSO)优化PID参数的算法,并用平方误差矩积分函数作为适应度判据,以克服PID算法自适应能力较差及遗传算法(GA)优化效率不高,其局部搜索能力较弱的缺陷。并使用伺服电动机数学模型进行仿真,结果表明量子粒子群优化PID参数速度快,避免早熟缺陷,同时表明了所提出算法的有效性和所设计控制器的优越性。     

四旋翼飞行器PID优化控制

针对四旋翼飞行器具有非线性,强耦合性,多输入的欠驱动系统的特点,研制出既能精确控制飞行器姿态,又具有较强抗干扰和环境自适应能力的控制器。为了达到更好的飞行效果,采用了传统的PID控制算法,但实际应用中需要对PID参数进行优化,提出改进的PSO算法和遗传算法相结合的优化控制方法。为了优化PID参数,首先对飞行器进行动力性建模,再利用改进的PSO算法和遗传算法作PID参数优化。仿真和飞行实践的数据表明,相对于标准的PSO算法,飞行器有更好的鲁棒性和控制效果。     

基于改进型蚁狮算法的PID控制器参数优化

由于被控对象往往具有高阶非线性等特点,传统PID( Proportion Integration Differentiation) 控制器参数整定方法容易使控制器出现超调、震荡、性能变差等缺陷。为此,提出运用将蚂蚁和蚁狮的移动步长进行改进的蚁狮算法对参数进行优化,通过其互动关系,选择最佳蚁狮位置确定控制器参数,并与改进前蚁狮算法及其他优化算法进行了对比。仿真结果表明,基于改进型蚁狮算法的PID 控制器具有较好的性能指标,相比于改进前蚁狮算法、遗传算法和粒子群算法,该算法具有较高的系统控制精度,以及较短的响应时间等优点,且算法实现更加简单,证明了该方法对于优化PID 参数具有优越性和有效性,为PID 控制器的参数优化提供了参考。     

基于遗传算法PID控制器在张力控制中的应用

采用遗传算法进行PID参数的优化设计．根据控制任务的要求建立综合优化指标，在此基础上提出采用遗传算法进行PID参数优化的基本步骤，并具体以数字控制系统PID参数的优化为例进行了仿真计算．研究表明，对比传统的优化方法，遗传算法是一种十分有效的优化方法，遗传算法不要求优化对象的数学模型连续，而具有更宽的适用范围，同时遗传算法还具有较好的鲁棒性和稳定性．     

基于改进鸡群算法的PID参数整定

PID参数整定一直是控制工程研究的热点,利用传统的方法整定参数得到的系统性能往往较差,为解决PID参数整定问题,提高系统性能,提出一种基于改进鸡群算法(CSO)的PID参数整定方法。改进鸡群算法的目的是提高鸡群算法的收敛速度与精度,增强算法跳出局部最优的能力,4个标准测试函数的测试结果验证了改进的有效性。利用改进鸡群算法对4类典型工业过程的PID参数进行整定,以时间乘绝对误差积分函数(ITAE)为优化目标,Matlab仿真结果表明：通过改进鸡群算法整定PID参数得到的系统性能比传统的Z-N参数整定法以及Matlab遗传算法(GA)工具箱参数整定得到的系统性能有很大的提高。     

基于免疫克隆原理的PID控制器优化

针对PID控制器的参数整定和优化问题,本文提出一种基于免疫克隆算法的优化PID控制器参数的方法.该算法与人体免疫系统机制相似,通过克隆、选择和高频变异,以获得最优的目标函数值,进而获得最优的PID控制器.仿真实验结果表明该方法明显优于遗传算法和粒子群算法,同时证明了利用免疫克隆算法进行PID调节的有效性.     

基于基因表达式编程优化PID调节器参数

 应用基因表达式编程（GEP）优化PID调解器参数,提出了基于GEP的PID参数优化策略和适应度函数的设计方法;提出了基于GEP的PID参数优化的GEP-PID算法。实验表明,与Ziegler-Nichols(ZN)法相比,该算法使系统阶跃响应的超调量下降了65.45%,上升时间和调整时间分别缩短了38.5%和61.5％。