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...     

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。     

基于增量式PID的改进粒子群算法

基于粒子群优化(PSO)算法的简单模型和增量式PID控制原理,引入PID增量算子和4个新随机因子,对标准粒子群优化(SPSO)算法进行了扩展.扩展粒子群算法(EPSO)提升了粒子自身认知能力和社会认知能力,增加了粒子共享的信息量,粒子在运动过程中更加智能化.4个新随机因子的引入,提高了种群的多样性,一定程度上克服了PSO容易陷入局部最优的缺陷,提高了PSO算法全局搜索能力.对6个常用目标函数进行优化仿真,结果表明EPSO算法较SPSO算法收敛速度显著加快,且不易陷入局部极值点.SPSO算法是EPSO算法的一种特殊情形;EPSO算法作为SPSO的扩展,可应用于所有SPSO求解的优化问题.     

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。     

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。     

改进多目标PSO算法优化机器人轨迹跟踪模糊PID控制器

为进一步提高模糊PID控制器应用于关节机器人轨迹跟踪控制的效果,本文提出了一种改进的多目标粒子群(PSO)算法优化机器人轨迹跟踪模糊PID控制器的方法。首先,设计了一种关节机器人轨迹跟踪模糊PID控制器;其次,考虑控制器输出力矩和轨迹跟踪控制偏差2个优化目标,设计了改进多目标PSO算法实现模糊PID控制器隶属函数与模糊规则的优化调整;最后,分别采用多目标PSO算法和改进多目标PSO算法优化轨迹跟踪模糊PID控制器获得了2个优化目标的向量集合,并对比分析了优化结果。实验结果表明,所设计的改进多目标PSO算法具有更优的非支配解集,验证了该算法优化机器人轨迹跟踪模糊PID控制器的有效性和优越性。     

基于改进粒子群优化算法的船舶航向控制

通过船舶响应型数学模型、舵机伺服系统、海浪干扰模型和PID控制器来设计船舶航向控制,并且将粒子群优化算法(PSO)加入到航向控制中,获得最优PID参数值。考虑到粒子群迭代次数和搜索过程中目标函数对PID参数值有一定的影响,主要研究改变迭代次数和目标函数来比较对应的PID参数,根据不同PID参数对应不同的控制效果,继而得出最优控制效果。结果表明:在迭代次数90时,能得到控制效果较好的PID控制参数,目标函数的改变对PID参数值的影响较大。     

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.     

粒子群优化算法改进方法的研究

粒子群优化(PSO)算法是一种基于群智能方法的演化计算技术。但是PSO算法后期存在着搜索精度较低,易发散等缺点。对传统的PSO算法加以改进,讨论了PSO和AFSA的混合算法,最后通过与传统PSO算法及几种常用的改进PSO算法相比较,得出这种PSO和AFSA的混合算法能够有效地提高PSO算法的寻优能力。     

粒子群优化算法研究及进展

粒子群算法（PSO）是一种基于群智能搜索的优化算法,本文介绍了粒子群算法的基本原理及主要改进方法,分析了PSO与其它主流演化算法融合的研究现状,并结合PSO的应用领用领域展望了PSO的主要发展方向。     

基于改进粒子群算法的云计算任务调度策略

云计算环境下的任务调度方法是实现其高效计算的关键步骤,文章针对目前其时间效率低下的问题提出了一种基于改进的粒子群算法的任务调度方法,利用迭代选择算子引入粒子群来完成任务调度的优化。改进的粒子群算法(Improved particle swarm optimization,IPSO),提高了算法的优化能力,尽量避免陷入局部最优,收敛的效果更好从而减少任务调度时间开销。选择CloudSim仿真平台进行模拟,实验结果表明,该改进算法具有寻优能力强、时间耗时少的优点,可用于云计算问题中复杂调度优化的研究与应用。     

免疫粒子群优化算法及性能分析

针对基本粒子群算法的容易陷入局部极小值,搜索精度不高等缺点,将免疫算法和粒子群优化算法(Particle Swarm Optimization,PSO算法)相结合,并加以改进,利用免疫算法能够保持个体多样性的特点,可使粒子群优化算法.达到摆脱局部极值点能力,从而提高算法进化过程中的收敛精度和速度.使用四个经典的测试函数...     

粒子群优化算法在项目投资决策中的应用

粒子群优化算法是一种全局随机优化算法，本文将该算法用于项目投资决策，并与经典的动态规划解法进行比较，显示了该方法的简单性、可行性和有效性．     

基于FPSO-SA算法的威布尔分布参数估计研究

为解决威布尔分布等复杂分布模型采用常规方法很难直接进行参数估计的问题, 提出了基于模糊粒子群模拟退火算法的威布尔分布参数估计。该算法根据粒子个体纵向和横向运动特性, 引入模糊逻辑推理动态调整惯性权值因子, 提高了粒子群算法(PSO: Particle Swarm Optimization)的收敛速率; 将上述模糊粒子群算法(FPSO: Fuzzy Particle Swarm Pptimization)与模拟退火算法(SA: Simulated Annealing)结合, 以FPSO算法的速度位置更新公式作为SA算法的状态生成函数, 再运用Metropolis算法以概率接受新状态, 获得全局最优参数估计值。将基于上述智能算法的参数估计法运用到威布尔分布参数估计中, 提高了参数估计精度。实际应用表明, 该参数估计方法在复杂分布模型参数估计中具有可行性和有效性。     

基于自适应PSO的生产-分销协同计划模型与算法研究

针对分布决策条件下供应链生产-分销系统中,以供应商为视角的模型优化性能不足以及因信息不完全导致适用性受限的问题,在建立购买方-制造商2级协同优化模型的基础上,提出一种基于自适应粒子群算法（PSO）的协调优化方法,利用该方法在有限信息共享的情况下,通过多次迭代实现协同优化.仿真实验表明该方法能够有效地收敛于问题的近似解并具有较好的优化性能.     

开放式关联运输调度问题的研究

针对带软时间窗的开放式关联运输调度问题（ Open Incident Vehicle Routing Problem with Soft Time Windows, OIVRPSTW）,联系实际应用中连锁店超市中货物供应的车辆路径问题,介绍了粒子群算法的基本原理,采用一种非线性动态自适应调节惯性权重因子的方法,使得惯性系数会随着粒子目标值的变化而自动改变,结合混沌搜索产生初始种群的方法,设计了一种混沌粒子群优化算法。同时也设计了引入了模拟退火机制的混沌遗传算法,自适应地调整交叉概率和变异概率。并用这两种算法来对OIVRPSTW求解,然后与基本的遗传算法求解此模型的结果相比较。实例证明用混沌搜索产生初始种群的方法在求解此类开放式关联运输调度问题是可行的,能取得令人满意的效果。     

基于PSO算法的无刷直流电机自适应PID控制研究

无刷直流电机(BLDCM)是一种多变量、非线性系统,传统PID控制器的参数具有难以整定的缺点,导致其难以满足BLDCM系统的控制要求。针对这一现状,提出了一种基于微粒群优化算法(PSO)的BLDCM自适应PID速度控制算法,该算法利用PSO具有的灵活、均衡的全局和局部寻优能力,对PID控制器的参数进行在线整定,提高了PID控制器的自适应能力。仿真实验表明,系统超调量小、转速响应快、转速波动小,比传统PID速度控制具有更好的动态特性和鲁棒性。     

基于PSO-PTS算法的E形双频微带天线设计

为了能处理复杂的电磁优化问题,从粒子群优化算法（PSO：Particle Swarm Optimization ）的原理出发,通过对算法收敛性以及算法局限性的分析,改进了粒子群的性能,并结合参数跟踪策略（PTS：Parameters Tracking Strategies）及动态搜索域形成一种新的混合算法--PSO PTS混合算法。给出了PSO-PTS混合算法的基本理论、数学模型和步骤,并利用该方法对E形双频微带天线进行了模拟实验。仿真结果表明,该方法可有效地缩小PSO算法搜索区域,保证了解的单一性,提高了运算速度和解的精度。利用该方法设计的天线可有效地实现小型化的要求。     

基于QPSO分数阶PI~λD~μ的纯电动汽车调速系统研究

为了获得比传统整数阶PID更好的控制性能,本文结合量子粒子群(QPSO,Quantum Particle Swarm Optimization)算法和分数阶微积分理论提出一个分数阶PIλDμ控制方法.通过QPSO优化算法对分别采用整数阶和分数阶PID控制器的目标函数的KP,KI,KD参数进行优化,并将结果导入电动汽车调速模块中进行验证.仿真结果表明,经过QPSO算法优化后的分数阶PIλDμ参数能够明显改善纯电动汽车的调速性能,并使驱动系统的响应速度更快、稳定性更好.     

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.