基于遗传算法优化的自适应FNN-PID控制器研究

针对传统PID控制器参数整定后因无法在线自动调整而导致控制效果不理想的问题,提出了一种基于遗传算法优化模糊神经网络（FNN, Fuzzy Neural Network）的自适应FNN-PID控制器模型。该模型结合了模糊神经网络良好的自适应自学习能力和遗传算法强大的全局搜索能力,利用遗传算法对模糊神经网络的参数进行优化与训练,使PID控制器能够根据被控对象的变化而适时在线调整自身参数KP, KI和KD,从而达到理想的控制性能。将该控制器应用于异步电动机控制系统进行仿真实验,结果表明：基于遗传算法优化的自适应FNN-PID控制器具有较好的自适应能力和鲁棒性,控制效果明显优于传统PID控制器。     

一种基于模糊神经网络和遗传算法的智能PID控制器

常规的PID控制器参数整定方法需要被控对象的精确数学模型,且整定出的参数不能进行在线调整.而模糊控制和神经网络均不依赖被控对象的数学模型,且具有较强的自适应和自学习能力;遗传算法则是一种新型的全局优化方法.鉴于此,提出将模糊控制、神经网络和遗传算法引入PID控制器的设计过程.首先,运用遗传算法优化隶属度函数的中心值和宽度,并借助模糊逻辑控制确定遗传算法中的交叉概率和变异概率.然后,再运用BP算法优化模糊神经网络的连接权系数.仿真结果表明,该方法提高了系统的自适应能力和抗干扰能力,增强了系统的鲁棒性.     

改进型神经网络参数自学习PID控制器的实现

用BP神经网络自学习PID控制器的3个可调参数KP,KI和KD，实现最佳组合的PID控制，在调整神经网络的权值算法中，用被控对象的预测模得到预测输出值来改进学习算法。该方法用于异步电动机直接矩控制中效果明显。     

一种基于模糊神经网络的自适应PID智能控制器

设计了一种新的基于模糊神经网络的自适应PID智能控制器,该系统利用模糊神经网络对被控对象进行模糊辨识,同时,采用BP学习算法的神经网络自适应地调整PID控制器的参数,将模糊技术、神经网络与PID控制综合起来,从而实现PID控制的自适应和智能化。仿真实验表明,该控制器具有较高的控制品质。     

基于GA的CMAC与PID控制器的设计与仿真

将遗传算法(GA)、比例-积分-微分(PID)控制器和小脑模型控制器(CMAC)神经网络的优点结合起来，设计了一种新的CMAC与PID并行控制器，并用改进的遗传算法对该控制器的五个参数进行寻优，很好地解决了PID控制参数调整繁琐和CMAC神经网络参数学习困难的问题.仿真结果表明，该方法具有超调量小和响应时间短的特点.     

改进PID算法在气动位置伺服控制系统中的应用

本文采用传统的PID控制方法对气动位置控制系统进行了研究. 该方法不要求对被控对象建立数学模型,而是通过调整比例、积分、微分三个参数对系统进行控制. 针对传统PID算法中存在的不足,对传统PID控制器加以改进,提出变速积分PID控制算法,并采用变速积分PID控制算法对位置定位控制进行了实验研究.     

一类基于Levenberg-Marquardt算法的神经PID控制研究

传统的比例积分控制器具有一定的局限性,尤其是当被控对象会有非线性、不确定性和时变特性,常规的PID控制器往往难以发挥作用,甚至会失稳.利用神经网络进行复杂过程的PID控制可以很好地解决上述问题.Lvenberg-Marquardt(LM)算法是梯度下降法与高斯-牛顿法的结合.就训练次数与精度而言,它明显优于共轭梯度法及变学习率的BP算法,适用于PID控制.得到了在线自适应神经网络PID控制算法,该算法改善了传统BP算法,实现了现有PID控制器控制方法.     

双容水箱的神经PID控制

利用神经网络自学习的特性,结合常规PID(比例-积分-微分)控制理论,提出基于BP(back propaga-tion)神经网络进行PID参数整定的控制策略.该方案能实现控制器参数的自动调整,以及在线调节参数Kp,Ki,Kd,适应被控过程的时变性,提高控制的性能和可靠性.仿真结果表明:相对于传统的PID控制方法,神经网络PID控制系统取得更满意的控制效果.     

基于改进型RBF神经网络多变量系统的PID控制

针对工业控制中多输入多输出非线性时变系统,提出了基于改进型RBF神经网络的智能PID控制方法.采用最近邻聚类算法在线构造RBF神经网络辨识器并在线辨识被控对象,对PID控制器参数进行在线调整,实现了多变量非线性时变系统的解耦控制.仿真结果表明,控制器能根据系统运行状态获得对应于某种最优控制规律下的PID参数,解耦后的系统具有较好的动态和静态性能,与常规RBF神经网络PID控制方法相比,该方法具有控制精度高、响应速度快的优点,并且具备较强的自适应性和鲁棒性.     

BP神经网络自学习PID算法在PLC的实现

目前神经网络自适应PID算法在理论研究方面的成果已经较多,在实际生产过程中的应用较少.以水箱控制为被控对象,利用神经网络在线调节PID控制器参数来增强系统的自适应能力,并采用PLC编程语言完成算法实现,将其应用于实际的液位控制系统中.实际运行结果表明,该系统运行稳定可靠,调节时间和上升时间提高了30%.     

一种基于概率鲁棒的分散PID控制器设计

基于概率鲁棒方法,针对具有实参数不确定性的多输入多输出被控对象,提出一种分散PID控制器设计方法.根据被控对象模型的参数摄动状态,计算闭环系统满足性能设计要求的概率作为优化算法的目标函数,利用遗传算法对分散PID控制器参数进行优化,用Monte Carlo实验对控制系统进行鲁棒性检验.对5个多变量化工过程进行了仿真试验,并与基于标称参数的设计方法进行比较.仿真结果表明,基于概率鲁棒的分散PID控制器设计方法对模型参数不确定性具有较好的鲁棒性,在被控对象存在一定的不确定性时,系统能以最大的概率满足设计要求.     

基于遗传算法的154T电动车牵引励磁PID控制器的设计

讨论了154T电动轮自卸车牵引励磁控制的基本问题;分析了传统PID控制器的不足和基于遗传算法PID控制器的优势;论述了遗传算法的原理、基本问题和实现步骤.研究了电动轮自卸车的牵引特性和牵引励磁控制系统的结构,根据设计,该系统被控对象可简化为二阶系统,而控制器采用基于遗传算法的PID控制.用MATLAB对PID参数整定进行了仿真,以考察利用遗传算法的进化能力优化PID的效果.仿真结果表明,经过遗传算法优化的PID控制器具有较高的精度和较强的适应性,能获得满意的控制效果.     

基于参数稳定空间的PID控制器设计

一阶加纯延时模型难以精确描述被控对象,因此传统的PID控制器不能取得满意的控制效果。基于精确的高阶模型提出了一种最优PID控制器的设计方法。利用广义Hermite-Biehler定理获得使闭环系统稳定的PID控制器集合。在该PID控制器集合中,运用遗传算法寻找基于ITAE指标最优的PID控制器参数。利用广义Kharitonov定理及Monte-Carlo随机试验方法对PID控制器鲁棒性和性能鲁棒性进行评价。仿真结果表明:该文算法对高阶对象具有良好的控制性能,对模型的不确定因素具有较好的适应性和鲁棒性。从而证实了该文算法的有效性,可以应用于高阶系统的控制。     

基于遗传算法优化的神经网络PID控制器

对于参数可变的时变系统和非线性复杂系统,常规PID控制器不能获得理想的控制效果,针对复杂非线性对象的神经网络PID控制不失为1种有效的控制策略．根据神经网络初始权值的选取影响控制器性能的特点,提出了基于遗传算法优化参数的神经网络PID控制器,实现了基于实数编码的GA参数优化．仿真结果证明了该算法的有效性。     

新型船舶自适应舵机系统的研究

提出了采用模糊辩识器对船舶舵机离线辩识,使用遗传算法对辩识器进行参数寻优,并用ＢＢＰ算法对模糊神经网络控制器的有关权值在线调整以适应被控对象的参数变化。给出了遗传算法对控制器的参数优化方法。仿真结果证明了控制策略的有效性。     

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。     

改进的BP神经网络PID控制器在气体浓度控制中的研究

针对动物缺氧实验中气体浓度控制这一时变非线性的过程,将BP神经网络与传统PID控制相结合虽然可以取得较好的控制效果,但是也存在着网络收敛速度慢、稳定性较差等问题.基于此,提出了一种基于改进的遗传算法优化的BP神经网络PID控制器.首先,该控制器对遗传算法的收敛速度和稳定性进行改进,利用改进后的遗传算法优化BP神经网络的权重初始值;然后,用优化后的BP神经网络实现PID控制参数的在线调整;最后,在MATLAB中对两种控制器进行仿真实验,结果显示,与传统的BP神经网络PID控制器相比,改进后的BP神经网络PID控制器具有更好的控制性能.     

基于神经网络优化算法的分数阶PI~λD~μ控制

针对传统的PID控制器控制效果欠佳以及分数阶PI~λD~μ控制器参数复杂难以整定的问题,设计了一种基于误差反向传播(Back propagation, BP)神经网络算法的分数阶PI~λD~μ控制器。首先,将分数阶PI~λD~μ控制器数字化,然后通过BP神经网络算法调节突触权值,经调整后的输出量作为分数阶PI~λD~μ控制器的参数值,最后分别采用分数阶和整数阶作为被控对象进行实验仿真,仿真结果证明了神经网络分数阶PI~λD~μ控制器比传统PID控制器的具有超调量小、上升时间快、稳定性好的优点。     

基于次最优模型降阶的自整定PID控制器

针对过程工业中含有振荡环节和大滞后环节较难控制的被控对象,设计了一种基于频域辨识的自整定PID控制器.该控制器采用次最优模型降阶算法,辨识出二阶加纯滞后的模型;然后基于给定的相位裕度和幅值裕度,整定出PID参数.并通过仿真实验表明对于不同的被控对象,自整定得到的PID参数均能取得较好的控制效果.     

BP神经网络自学习PID算法在PLC的实现

目前神经网络自适应PID算法在理论研究方面的成果已经较多,在实际生产过程中的应用较少。以水箱控制为被控对象,利用神经网络在线调节PID控制器参数来增强系统的自适应能力,并采用PLC编程语言完成算法实现,将其应用于实际的液位控制系统中。实际运行结果表明,该系统运行稳定可靠,调节时间和上升时间提高了30%。