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。     

基于模糊神经网络的参数自整定PID控制系统设计

利用多层神经网络构建模糊自适应PID控制器，通过神经网络自学习能力在线提取模糊控制规则，优化控制器隶属度函数，根据不同时刻的误差e和误差变化ec运用模糊推理在线自整定PID参数。仿真实验表明，该控制系统具有优良的控制性能。此外，通过遗传算法对模糊神经网络的学习速率和惯性系数等进行了优化，为控制系统实现最优控制提供了有力保证。     

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．     

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PID控制在风力发电机试验系统的应用

将模糊自适应的控制模型与常规PID控制算法相结合,设计一种自适应模糊PID控制器,利用这种控制器的控制参数在线调整功能,以适应被控过程的参数时变性,并将其应用于风力发电机试验系统电源组的控制系统,来改善试验系统电源组的控制性能.结果表明,控制器参数易于整定,且具有较好的自适应性.应用自适应模糊PID控制的风力发电机试验系统电源组的控制系统能够适应被控对象在较大范围内的变化,具有较强的自适应性和优良的控制性能.     

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。     

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。     

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.     

混沌优化Smith预估补偿器

一个控制系统的Smith预估补偿器参数如果选取不精确可能会导致控制器失效,针对这一问题,提出一种在线混沌优化Smith预估补偿器参数的方法.首先通过混沌映射对被控对象的阶跃响应曲线进行数学辨识得到其传递函数,然后依据辨识出的数学模型进行离线PID参数优化.当模型变化时,控制器可以自适应调节参数.此方法具有被控对象自动识别、系统针对性强、可以在线滚动优化等优点.分别以低阶和高阶数学模型为被控对象进行仿真,仿真结果表明,控制器具有较强的跟踪能力和鲁棒性.     

基于遗传算法和神经网络的PID参数自整定

针对在传统PID(比例-积分-微分)控制器中调整3个参数时不易推导出被控对象的传递函数,且这些参数不易手动调整的问题,提出一种新算法用于调整PID控制器参数.该算法将神经网络和遗传算法相结合,先利用神经网络的模拟功能协助遗传算法计算适应度,训练出一个神经网络模拟被控对象;然后在遗传算法进化中不断地优化PID控制的3个参数.与传统的参数凑试法进行对比仿真实验的结果表明,该算法具有较强的鲁棒性及较快的响应速度.     

遗传算法优化的无刷直流电机模糊PID控制器设计

设计一种基于遗传算法优化的模糊PID(比例-积分-微分)控制器GFPC（genetic algorithm based fuzzy PID controller）, 以提高无刷直流电机的工作稳定性. GFPC通过模糊控制器整定PID的比例、积分和微分系数, 并采用改进的遗传算法对模糊控制器的隶属度函数和模糊规则进行优化, 以改善无刷直流电机的控制效果. 通过对比实验对该方法进行测试, 结果表明, GFPC具有更好的稳态性能和动态品质, 且自适应能力与鲁棒性更强.     

遗传算法优化的无刷直流电机模糊PID控制器设计

设计一种基于遗传算法优化的模糊PID(比例-积分-微分)控制器GFPC（genetic algorithm based fuzzy PID controller）, 以提高无刷直流电机的工作稳定性. GFPC通过模糊控制器整定PID的比例、积分和微分系数, 并采用改进的遗传算法对模糊控制器的隶属度函数和模糊规则进行优化, 以改善无刷直流电机的控制效果. 通过对比实验对该方法进行测试, 结果表明, GFPC具有更好的稳态性能和动态品质, 且自适应能力与鲁棒性更强.     

一种基于 GA 的模糊控制器直接设计方法

提出了一种利用计算机设计模糊控制器的直接方法，该方法运用ＧＡ（遗传算法）进行控制器参数寻优，具有设计速度快、人工干预少的特点．仿真说明采用该方法结果优于ＰＩＤ控制．     

水面无人艇模糊神经网络航向控制器设计

针对常规PID控制器在无人艇航向控制系统中表现出抗干扰能力弱,控制精度低等问题,本文提出了一种应用模糊神经网络算法的航向控制器设计方法.首先通过神经网络分类回归确定隶属度函数,然后经由模糊控制在线整定PID控制器KP、KI、KD三个参数,确保对无人艇航向的实时控制.仿真结果表明,该控制器满足航向控制所需的实时性,具有控制精度高和鲁棒性好的特点,并且提高了无人艇在复杂环境中的自适应能力.     

轮式机器人遗传模糊神经网络转向控制

针对数学模型复杂的轮式机器人的转向控制问题，使用基于遗传算法的模糊神经网络转向控制方法．首先建立车辆的神经网络模型，然后构造模糊神经网络控制器，再用遗传算法寻找模糊神经网络控制器的参数，最后提高控制器对速度变化的适应性．仿真表明，该方法可以对机器人的转向进行有效控制，效果良好，能适应各种不同速度变化，是一种有实用意义的控制方法．     

用遗传算法优化模糊控制器

提出一种带迁移算子的遗传算法 ,并用于优化模糊控制器 ,在对倒立摆和大纯滞后等复杂对象的控制仿真实验中均获得很好的结果 ;并对提高遗传算法多参数优化的效率及目标函数的影响进行了初步的讨论。     

用遗传算法优化模糊控制规则的方法及其MATLAB实现

介绍了用遗传算法优化模糊控制规则的方法，包括目标函数的确定，选择、交叉等遗传算子的确定．给出了如何用MATLAB编程实现算法的具体步骤，最后将所得的规则用于设计模糊控制器，并进行仿真，取得了很好的效果．     

碳纤维激光石墨化炉温度控制系统的优化设计

碳纤维激光石墨化加热具有热源集中、升温迅速的特点，石墨化炉的温度控制系统主要采用传统PID控制器，存在惯性大、超调严重等缺点，并且PID控制器的3个参数(比例系数k_p、积分系数k_i和微分系数k_d)固定且主要依据经验获取。对于没有精确数学模型的PID控制系统，可以采用模糊控制对控制策略进行优化，但是模糊算法中模糊规则表的制定依旧主要源于经验所得，无法保证当前规则为最佳规则组合。针对上述问题，提出一种基于遗传算法的优化策略，对模糊规则表寻找全局最优解；借助MATLAB和Simulink环境进行编程仿真，结果表明，基于遗传算法的模糊PID控制效果在整体上优于传统PID控制和模糊PID控制，其响应时间短，控制精度高，无超调量，可用于碳纤维激光石墨化炉的温度控制系统设计。