采用改进神经网络PID控制的移动机器人轨迹追踪控制研究

为了提高双轮移动机器人运动轨迹追踪精度,采用改进粒子群算法优化BP神经网络PID控制器,并对控制效果进行仿真验证。创建双轮移动机器人模型简图,给出运动轨迹误差方程式。在传统PID控制基础上增加BP神经网络结构,引用粒子群算法并对其进行改进,采用改进粒子群算法优化BP神经网络PID控制调整参数,给出双轮移动机器人PID控制参数优化流程。采用数学软件MATLAB对双轮移动机器人轨迹追踪误差进行仿真验证,并与传统PID控制追踪误差进行对比。仿真曲线显示:在理想环境中,双轮移动机器人采用两种控制方法都能较好地实现轨迹追踪,追踪误差较小;在干扰波形环境中,传统PID控制双轮移动机器人追踪误差较大,而改进PID控制双轮移动机器人追踪误差较小。采用改进粒子群算法优化BP神经网络PID控制器,可以提高移动机器人运动轨迹追踪精度。     

基于后随机非线性动态粒子群算法的地震模拟振动台参数优化设计

地震模拟振动台系统控制参数的质量影响着台面波形复现精度,进而影响试验效果。为实现对系统控制参数的高效校调与智能化寻优,提高系统对台面的控制效果,在标准粒子群算法的基础上提出了一种基于后随机非线性动态粒子群算法的三参量控制参数寻优方法,用于地震模拟振动台系统控制参数的优化整定。仿真结果表明,改进算法寻优参数控制下复现波形的相关系数比理论参数控制时提高了25%以上;与试验反馈数据波形仿真结果相比,寻优参数控制下的系统仿真波形相关度均提升至0.95以上,绝对峰值误差降至10%以内;对比结果证明了改进算法可行有效,优化参数控制下系统对不同输入波形具有更好的适应性,系统受控效果良好。     

基于CPSO的PID算法在LLC变换器控制中的应用

在LLC谐振变换器控制系统中,由于PID控制器参数的整定直接影响控制系统的性能,本文利用混沌粒子群优化算法对变换器的数字PID控制器参数进行了整定。并利用MATLAB软件进行建模仿真实验,最后通过分析几种算法整定PID参数的结果,结果表明该算法操作简单,响应速度快,调节时间短,无超调,其控制品质明显优于遗传算法和标准粒子群算法,具有更好的优化效果。     

基于粒子群和细菌觅食优化算法的直流电动机控制系统的PID参数寻优

由于直流电动机控制系统的PID参数选取可等效为优化问题,因此基于寻优策略法的PID控制成为一类有效的研究方法。粒子群优化的寻优能力在进化后期随着种群多样性的消失易陷入局部最优,而细菌觅食机制具有易跳出局部最优的特点。本文将两种优化算法相结合,给出一种混合启发式算法应用于直流电动机控制,在细菌觅食优化算法中初始位置加入粒子群优化算法结果,通过细菌觅食优化算法找到最优的直流电动机PID控制参数,实现PID控制要求。仿真结果表明本文算法在收敛速度和控制效果上优于粒子群优化和细菌觅食优化算法,验证了寻优方法的有效性和可行性。     

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.     

基于粒子群的欠驱动平面机械臂PID控制算法研究

由于对机器人轻量化和降低成本的要求越来越高,欠驱动机器人的优势日益凸显,也逐渐成为机器人的一个研究热点问题.以往欠驱动机械臂中的PID控制算法中参数依靠试凑获得,很难获得效果的参数.本文提出通过基于粒子群算法的欠驱动机械臂PID控制算法,通过粒子群对PID控制方法进行改进,对PID参数进行整定,以获得控制效果更好的参数.仿真结果证明了该算法的可行性与有效性,相比于传统方式更易于实现,收敛速度快.     

粒子群差分混合算法在PID参数优化中的应用

为有效提高PID控制器的性能,提出了一种粒子群差分混合算法(PSO-DE),并应用于PID参数优化中.算法利用一个选择判断因子来确定每个个体的更新方式,使用简化粒子群算法(s PSO)和改进后的差分进化算法(DE)来共同产生新一代个体,并将其应用于PID的参数整定中.仿真结果表明,相较于粒子群算法和差分算法,混合算法在PID控制器的参数优化中具有更好的全局搜索能力,而且控制精度较高.     

基于粒子群优化算法的分数阶PID控制器设计

分数阶PID控制器具有可变的微分和积分阶次,通过调整控制器参数可以获得更好的控制性能。本文基于粒子群优化算法设计分数阶PID控制器。首先介绍分数阶PID和粒子群优化算法,然后给出分数阶PID控制系统结构、分数阶微积分算子的近似算法和分数阶PID控制器设计的仿真流程,最后通过MATLAB/Simulink对算例进行控制器设计仿真。仿真结果表明,通过粒子群寻优能够获得满意的分数阶PID控制器参数,满足对控制性能的要求。     

汽车空调鼓风机自适应控制算法的研究

汽车空调的工作条件很复杂,并且取决于许多因素,例如隔热,密封和温湿度.为了提高汽车空调鼓风机的工作效率,改善车内温湿度环境并达到节能减排的目的,通过模糊算法与PID算法相结合,并对粒子群优化算法进改进来对PID参数进行优化的方法.在Matlab的simulink平台上建立鼓风机控制的数学模型,对模型进行仿真,并对仿真结果进行分析.仿真结果表明,改进的粒子群优化算法优化的模糊PID控制策略具有较高的鼓风机控制精度.,鼓风机的响应时间较短且超调量小,能迅速达到稳定状态,达到试验预期效果.     

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,采用粒子群优化PID控制的汽车主动悬架的性能指标有了明显的提升。最终得出结论,经过粒子群算法（Particle swarm algorithm,PSO）优化后PID控制提升了汽车行驶平顺性及操纵稳定性,同时解决了PID控制器参数整定的问题。     

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。     

基于改进模拟退火算法的二自由度PID控制器设计

通过分析传统二自由度PID控制器参数整定过程中存在的不足,结合模拟退火算法的特点,提出了一种改进的模拟退火算法,并将其成功地应用于二自由度PID控制器的参数优化设计.仿真结果表明,所设计的二自由度PID控制器同时具有良好的目标值跟踪特性和干扰抑制特性.在隧道式炉二自由度PID控制系统设计中获得了良好的控制效果,从而说明了该方法的有效性.     

基于粒子群优化算法的支持向量机研究

基于粒子群优化算法提出了一种通过优化支持向量机模型参数,建立更佳的支持向量机数学模型的方法. 针对双螺旋分类问题,分别利用基于粒子群优化算法所建立的支持向量机分类器和标准支持向量机分类器进行了仿真实验,利用所建立的评价体系对仿真实验所获得的实验数据进行了评估,评估结果表明基于粒子群优化算法的支持向量机分类器明显优于标准支持向量机分类器,其分类结果表明基于粒子群优化算法的支持向量机分类器提高了分类结果的准确性,同时也验证了基于粒子群优化算法的支持向量机分类器在数据分类中的有效性.      

基于高斯搜索的改进粒子群优化在磨矿预测控制中应用

磨矿车间工业现场在保证控制效果的同时,一般要求控制变量具有较小的变化率。提出一种基于高斯搜索的改进粒子群优化算法,该算法以高斯分布来初始化粒子群,并改进粒子速度更新公式,将所提算法融合到最小二乘支持向量机预测控制中。针对选矿厂磨矿过程,给出了基于最小二乘支持向量机的预测控制系统,以及基于高斯搜索的改进粒子群优化算法步骤。对实际磨矿过程进行仿真实验,结果表明该算法在保证控制效果的同时,能大幅度减小控制量的变化率,具有良好的性能指标和应用前景。     

基于量子粒子群优化的网络拥塞控制新策略

为了改善网络拥塞控制系统的性能,基于流体流理论的网络简化模型,将量子空间中的粒子群优化算法(QDPSO)应用于PID控制器参数优化.定义了一个综合调节时间、上升时间、超调量、系统静态误差、正弦跟踪误差等动静态性能指标函数,在给定的参数空间进行组合优化搜索,迅速求得获取使性能指标优化函数极小化的一组PID控制器参数,将PID控制器应用于网络主动队列管理系统中.仿真结果表明,在大时滞和突发业务流的冲击2种情况下,该方法设计的控制器的动静态性能优于RED,PI算法,也优于GA,SPSO算法的优化结果,超调量均小于4%,调节时间均小于4s,稳态误差均小于2个数据包.     

基于PSO的PID参数整定仿真与研究

针对工业控制过程中经验PID整定耗时耗力、精度低且稳定性能差等问题进行研究,提出采用标准粒子群算法可实现对PID控制器参数的快速优化且收敛效果明显;通过重点分析PSO算法中的不同惯性权重以及学习因子分别对被控对象系统控制优化性能的影响,深入研究算法参数各部分的作用及其设置范围,使基于PSO算法的PID整定方法能够获得最优的控制效果及更广阔的应用前景;最后,应用Matlab软件平台,并结合Simulink系统进行算例数字仿真分析:通过对比不同惯性权重及学习因子情况下的仿真结果,证明方法的鲁棒性强;通过对比传统Z-N方法和遗传算法整定,证明了方法的优越性。