基于粒子群算法的逆变电路PID控制

针对逆变控制系统中PID控制器参数整定困难的问题,提出了基于粒子群算法的逆变电路PID控制器设计方法.通过推导逆变电路模型得到逆变电路传递函数,以该传递函数作为PID控制对象,利用粒子群算法搜索PID参数.MATLAB仿真结果证明了该方法的可行性和优越性.与采用遗传算法相比较,该粒子群算法能更快的获得合适的PID控制参数,所需迭代次数更少.     

基于标准粒子群算法的混凝土箱梁水化热过程热工参数反演

针对通过施工现场和实验室试验获取混凝土箱梁水化热仿真分析所需的热工参数缺乏一定的准确性和便捷性,以某混凝土箱梁水化热过程为试验背景,结合文献研究结果确定混凝土箱梁热工参数的取值范围,采用方差分析确定各参数对温度的敏感性,并通过排序筛选敏感性高的参数作为待反演参数,基于标准粒子群算法,对比遗传算法对敏感性高的5个参数进行反演.研究结果表明:混凝土箱梁浇筑过程中,水泥水化热对温度的影响最大,智能算法能有效反演混凝土箱梁热工参数;当迭代次数增大到一定的程度时,标准粒子群算法对应的目标函数小于遗传算法对应的目标函数,遗传算法收敛过程曲线比较平缓,而标准粒子群算法的早期有突变.     

基于参数自整定PID的水下滑翔机航向控制方法

水下滑翔机航向控制的精度对海洋目标观探测具有重要意义。现有的水下滑翔机航向控制技术以比例积分微分（proportional-integral-derivative,PID）为主。为保证水下滑翔机按照预期轨迹运动,PID控制器参数需要反复设定和调整,很难达到快速准确的控制效果。针对该问题,提出了一种基于径向基函数（radial basis function,RBF）神经网络的参数自整定PID航向控制方法。首先建立水下滑翔机水平面内运动模型,然后构建了RBF神经网络结构,并通过梯度下降法给出了神经网络参数以及PID参数的迭代公式。仿真结果表明,该方法相较于常规PID控制方法能在较短的时间内收敛,控制系统精度较高,同时控制器参数能够快速自整定。为今后的水下滑翔机航向控制器提供了设计参考。     

基于免疫算法和参考模型的船舶航向自动舵设计

为解决常规比例-积分-微分(PID)控制超调问题,将参考模型应用于船舶航向自动舵,提出一种模型参考跟踪的船舶航向PID控制算法,使船舶航向跟踪参考模型输出.针对自动舵参数整定问题,提出一种动态免疫克隆选择优化算法,在进化过程中动态改变种群规模、克隆规模和变异参数,从而加快全局搜索速度和提高局部搜索精度,保证控制器性能可靠;也可根据不同的性能指标要求,整定相应的控制参数.实船仿真试验表明,系统超调得到有效抑制,控制参数能根据需要自动调节,控制效果令人满意.     

船舶航向非线性迭代滑模变结构PID控制

针对一类不确定非线性受扰动系统,提出非线性迭代滑模变结构PID控制方法.通过对系统输出迭代设计非线性滑模函数,并引入传统PID控制,综合了滑模变结构控制与PID控制的鲁棒性强的特点,避免了传统PID控制积分引起的超调以及变结构控制的抖振问题.设计了船舶航向控制器.仿真结果表明,非线性迭代滑模变结构PID控制下的系统阶跃响应超调明显减小,定常干扰下的静态误差得到消除,稳定时间明显缩短并可通过设计参数调节,表明控制算法具有强鲁棒性.     

基于粒子群优化的主动悬架PID控制策略

针对汽车主动悬架比例-积分-微分控制器(proportional-integral-derivative,PID)参数选择问题,传统PID控制参数整定具有一定的盲目性.设计了粒子群优化算法,目标函数根据悬架性能指标建立,利用粒子群优化算法,优化了PID控制器中的参数.结果表明,与优化前PID控制的主动悬架相比,采用粒子...     

随机波浪下基于粒子滤波算法的船舶航向控制

针对波浪扰动环境下船舶航向运动控制问题,运用粒子滤波(particle filter,PF)算法对含有随机扰动的船舶运动状态变量进行优化。根据三自由度整体型船舶运动模型,以及海浪扰动力模型,建立状态方程和观测方程。在此基础上,基于后验概率估计原理采用随时间变化的加权随机粒子之和逼近真实状态变量,并利用蒙特卡洛抽样方法来实现此状态估计过程。在获得真实状态变量后,采用比例-积分-微分(proportion integral derivative,PID)控制算法计算出指令舵角,通过调整舵角对船舶在波浪环境下的航向进行控制。仿真结果表明经粒子滤波算法处理后,在波浪环境下,船舶的航向角非常接近指定航向角,并且在不同类型的运动下,船舶航向控制性能都得到了显著的提升。     

基于改进CMOPSO挠性卫星姿态机动路径优化

针对挠性卫星姿态快速机动快速稳定控制中的路径优化问题,研究了一种基于云多目标粒子群算法(CMOPSO)的姿态机动路径优化方法.为了解决云多目标粒子群算法寻优初期可能出现粒子陷入局部最优的问题,提出了一种随迭代次数呈反正切函数变化调整惯性权重的改进云多目标粒子群算法.针对挠性卫星大角度姿态机动问题,考虑挠性卫星姿态机动过程中角加速度和角速度的限制,建立了姿态机动路径参数的多目标优化模型,并采用改进的CMOPSO进行优化.仿真结果验证了所提改进的云多目标粒子群算法在挠性卫星姿态快速机动快速稳定控制中的有效性.     

粒子群优化BP神经网络PID控制注塑机液压系统

注塑机液压系统是一个时变、非线性和高耦合的复杂系统,传统PID控制参数不易整定,超调量大,对注塑机液压系统控制效果欠佳,现提出一种粒子群优化BP神经网络算法改良PID控制。BP神经网络算法存在收敛速度慢和容易陷入局部最小值的缺陷,利用粒子群算法的全局最优和收敛速度快的特性改良BP神经网络,然后利用粒子群优化BP神经网络对PID的3个参数进行在线调整。仿真结果表明,经过粒子群优化后的BP神经网络对PID3个参数的整定效果要比BP网络要好,同时粒子群优化BP神经网络PID控制效果明显优于传统PID控制,可以有效提高注塑机液压系统的精度和响应速度,优化注塑过程。     

基于粒子群算法的云计算资源配置研究

对于云计算而言,虚拟机资源的合理高效配置具有重要意义.该文对粒子群方法进行到云计算资源配置的映射,详细地设计了3个约束条件和目标函数.目标函数中包含了资源利用率和迁移次数2个优化目标,整个虚拟机资源的配置过程设置了8个步骤.实验结果表明:同2种参照方法相比,该文所提出的基于粒子群算法的云资源配置方法完成配置后,不仅资源利用率高、迁移次数低,其迭代过程和迭代时间也令人满意.     

基于粒子群优化算法的AIS船舶状态比例计算

在船舶自动识别系统(Automatic Identification System)中,如果知道系统范围内的船舶状态比例就能够对系统的通信性能进行详细的分析.船舶状态比例计算问题可以归结为带有约束条件的最优化问题.粒子群优化算法(Particle Swarm Optimization)作为一种最新的优化算法,具有简单易实现,可调参数少等优点,将其与惩罚函数法相结合来处理约束条件,可以应用到AIS系统船舶状态比例的求解.经过大量实验计算并与实际数据进行比较表明,该方法在迭代次数和收敛精度上都取得了良好的效果.     

基于粒子群优化的船舶PID自动舵的改进

受生物免疫反馈过程的启发,利用模糊逻辑的适应性,提出一种模糊免疫PID控制策略,并以此对传统的PID型航向自动舵进行改进.用一种模糊控制器来模拟免疫系统中的反馈机理,以航行的经济性为目标,采用线性递减权值策略的全局PSO算法,对控制器进行参数优化.并对比2种采用免疫PID控制器的系统组成方案,指明适用于船舶航向控制的控制系统形式.实验仿真结果表明:该控制器能很好地根据船舶动态特性的变化,自动地进行适应性免疫调节,具有跟踪速度快、航向控制超调小以及抗扰性强等优点.     

船舶航向H~∞鲁棒控制

为有效抑制参数不确定性和干扰随机性对船舶航向的影响,设计了船舶航向鲁棒控制器.针对船舶海浪的遭遇谱能量集中频段随遭遇角的变化而变化,对不同的遭遇角选择不同的权函数进行设计.采用双线性变换对标称模型位于虚轴上的极点进行处理,并利用"2-Riccati"方程法求解控制器方程.仿真结果表明,与PID控制相比,该控制器航向控制精度较高,并具有较好的鲁棒性能.     

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PSO的一类线性系统参数辨识方法研究

研究了一种线性系统的参数精确辨识方法;首先采用PSO(Particle Swarm Optimization,粒子群优化)方法对模型进行优化迭代,并选择合适误差准则作为粒子群优化算法的适应度函数,以迭代每个粒子所对应的参数速度和大小;在此基础上,寻找最小适应度值的粒子,推导出最优的适应度函数值,实现系统参数的实时、精确估计;最后通过实验验证了基于粒子群优化算法的参数辨识法的准确性和有效性。     

关于PID自动舵神经网络控制的研究

提出一种基于神经网络的PID自动舵控制方法。该方法能实时精确地辨识船舶数学模型参数,自动调节PID参数,提高船舶航向保持性能。     

一种动态改变惯性权的自适应粒子群算法

针对惯性权值线性递减粒子群算法(LDW)不能适应复杂的非线性优化搜索过程的问题,提出了一种动态改变惯性权的自适应粒子群算法(DCW).在该算法中引入了参数粒子群进化速度因子和聚集度因子,并根据这2个参数对粒子群算法搜索能力的影响,将惯性因子表示为粒子群进化速度因子和聚集度因子的函数.在每次迭代时算法可根据当前粒子群进化速度因子和聚集度因子动态地改变惯性权值,从而使算法具有动态自适应性.对几种典型函数的测试结果表明,DCW算法的收敛速度明显优于LDW算法,收敛精度也有所提高.     

基于积分Backstepping的船舶航向非线性滑模控制

设计一种基于积分Backstepping的船舶航向非线性滑模控制器,实现船舶在大幅度改向操纵运动中航向准确快速跟踪控制.在采用Bech船舶操纵运动数学模型精确描述船舶大幅度改向运动性能的基础上,利用反演法设计航向改变控制算法,引入积分控制环节消除模型参数不确定性和风、浪、流等干扰影响,借助Lyapunov稳定性定理证明控制系统渐近稳定.对实船的仿真对比可知,本文设计的船舶航向控制器性能优越,控制舵角合理,控制输出航向对本船参数摄动及外界干扰不敏感,具有较强的鲁棒性.     

基于人工操纵策略的微型直升机航向控制

为完成对微型直升机航向的控制,利用机载测控系统获得人工操纵数据,采用神经网络和参数拟合的方法提取人工控制指令u和对应的航向变化ψ,从而得出人工控制策略,并建立相应的控制策略模型。在比较两种不同的控制策略模型时发现,神经网络模型适用于控制指令实时输出的参考,而参数化模型更易于在微型直升机的控制系统中使用。以参数化控制策略模型和PID控制律为基础,可规划控制指令轨迹并设计航向控制器。实验结果表明,该控制器能够稳定而准确地改变和保持微型直升机航向。     

基于AEPSO优化的神经网络多步预测控制

为提高神经网络预测控制的性能,提出了基于自适应扩展粒子群优化的神经网络预测控制方案。基本PSO算法中,每个粒子的更新受粒子个体极值和局部极值的影响,为了提高其全局收敛性,采用多粒子策略,使每个粒子的更新受更多其他粒子的影响;为提高收敛速度,采用自适应策略,对参数c0进行自适应调整,使c0随着迭代次数的增加而逐渐减小,这样,在PSO算法的搜索过程中,随着迭代次数的增加,搜索区域会越来越小,从而加快PSO算法收敛速度。运用该算法实现神经网络预测控制中的滚动优化,在有限时域内对控制序列进行寻列,给出基于粒子群优化的神经网络预测控制系统的稳定性证明。仿真结果表明,基于粒子群优化的神经网络预测控制系统具有良好的跟踪性能。