基于改进PSO算法的磁浮列车PID控制器参数优化

为减小磁浮列车气隙控制中非线性的影响,将粒子群优化(PSO)算法用于磁浮列车控制器参数优化,并在线性递减权重粒子群算法的基础上,提出了一种改进的粒子群优化算法.算法采用了邻域结构、停滞检测以及对全局最佳粒子的微扰,以改善算法的优化速度和收敛性.仿真和实验结果表明,将改进算法获得的优化参数用于磁浮列车的比例积分微分(PID)控制器,比原有PID控制器的输出超调减小45%.     

基于PSO算法的磁浮系统PID控制器优化与评价

为了改善磁浮系统的非线性和不稳定性特点,利用微分几何方法将两个不同结构的非线性子系统转化为两个相同结构的线性子系统,设计了基于标准粒子群算法的比例积分微分控制器.从固定惯性权重、线性递减惯性权重和线性微分递减惯性权重中,选出适合电磁铁1和电磁铁2的固定惯性权重,得到电磁铁1控制器的固定惯性权重参数C为0.5,电磁铁2控制器的固定惯性权重参数C为0.49,并且通过建立模糊综合评价模型得出优化后的电磁铁1和电磁铁2的控制器抗干扰的能力是好,且好的隶属度皆为0.561 9.实验结果表明,优化后的磁浮系统具有较好的鲁棒性.      

磁浮系统中免疫专家PID控制器的改进

磁浮系统是一种典型的非线性、不稳定性开环系统。由于传统的比例-积分-微分（PID）控制器的参数是固定的,因此,控制系统无法兼顾悬浮系统的静态和动态性能。本文提出一种基于粒子群优化（PSO）算法的分段专家免疫PID控制器。该控制器先利用免疫PID控制器给出悬浮系统的阶跃响应曲线,再根据误差变化将该曲线划分为五个阶段,分段实现基于PSO算法的专家PID控制器。该控制器的优点是能够在悬浮系统工作时在线对PID参数进行调节,适应误差的不同变化,使控制器响应速度加快、调节精度提高,稳态性能变好,而且几乎没有超调和振荡。利用Matlab仿真,结果表明在相同精度要求下,该控制方法与单一的专家PID控制器的相比,磁浮控制系统的过渡时间变短,调节时间变短且过渡性能较好。     

基于滑移率的ABS粒子群优化PID仿真控制研究

通过对车辆制动过程的分析以及ABS工作原理的分析,在MATLAB/Simulink环境下,建立单车轮ABS仿真模型,并对基于滑移率为控制对象的常规PID控制的汽车ABS系统以及PSO优化PID控制的汽车ABS系统进行仿真与研究。研究和仿真表明,PSO优化PID控制的ABS系统与常规PID控制的ABS系统相比具有更好的滑移率效果和制动距离。运用模拟驾驶仪开展的仿真试验结果与理论分析相吻合。     

基于遗传算法的控制系统PID参数优化应用研究

针对线性定常系统,提出了基于遗传算法的PID参数优化方法,用MATLAB编写出该软件.为了推广利用,设计了一个通用性强、界面友好、使用简便的控制系统参数寻优的软件.通过算例调试,表明该方法使系统有较好的动态特性和稳态特性,利用本图形用户界面可得到PID控制系统寻优的直接结果,并直观地显示系统的阶跃响应.提供的方法具有一定的实用价值.     

基于改进粒子群算法的PMSM多参数辨识

针对标准粒子群优化算法对永磁同步电机多参数辨识精度低与收敛慢的问题,设计了一种自适应自治群组粒子群优化算法进行辨识,并在Matlab/Simulink中搭建参数辨识模型.仿真结果表明:改进后的算法对永磁同步电机多参数辨识的整体精度更高,收敛速度更快.     

基于粒子群的蚁群算法参数最优组合研究

针对蚁群算法参数的不同取值对算法性能的影响,试图确定算法参数的最优组合,使算法性能最佳。在算法基本原理的基础上,分析各参数对算法性能的影响。提出确定蚁群算法参数最优组合的两步走策略,即先确定各参数的较优取值范围,再引入适应度函数并结合粒子群算法得到各参数的最优组合。仿真结果表明,提出的两步走策略能取得较好的效果,有利于蚁群算法的推广和应用。     

参数自整定PID—Fuzzy控制器的研究

文中叙述了ＰＩＤ控制、模糊控制各自的特点及不足,由此设计了ＰＩＤ—Ｆｕｚｚｙ控制器,并进行了仿真研究与 ＰＩＤ控制器比较．ＰＩＤ—ｆｕｚｚｙ控制器鲁棒性大为提高,超调量减少,较好的解决了快速性与小超调之间的矛盾。     

燃料电池混合动力系统参数匹配与多目标优化

在满足机车动力性能需求的条件下,运用参数匹配方法对燃料电池系统的重量、体积指标进行了优化. 首先,搭建了机车动力学模型,针对列车运行的加速启动、匀速爬坡、最大时速运行3种关键工况,分别得到3个需求功率峰值;其次,基于传统方法,以最大需求功率峰值为目标,分析了超级电容-动力电池配比;然后,在传统方法基础上,采用改进粒子群算法（improved particle swarm optimization,IPSO）,进行了基于系统重量和体积的多目标优化参数匹配计算,得到了最优解;最后,对传统方法和多目标优化方法进行了对比分析. 研究结果表明:两种方法均能满足列车动力需求;采用多目标优化方法,为同型燃料电池混合动力有轨电车配置2套150 kW燃料电池,124个超级电容（48 V,165 F）和337个动力电池（3.7 V,9 A?h）. 车辆经32.24 s加速可达时速70 km/h,最大爬坡能力为85.5‰,持续爬坡能力为732.5 m;相比较传统方法,重量和体积优化率分别达到83.075%和86.696%.      

Optimization for PID controller of cryogenic ground support equipment based on cooperative random learning particle swarm optimization

Cryogenic ground support equipment (CGSE) is an important part of a famous particle physics experiment — AMS-02. In this paper a design method which optimizes PID parameters of CGSE control system via the particle swarm optimization (PSO) algorithm is presented. Firstly, an improved version of the original PSO, cooperative random learning particle swarm optimization (CRPSO), is put forward to enhance the performance of the conventional PSO. Secondly, the way of finding PID coefficient will be studied by using this algorithm. Finally, the experimental results and practical works demonstrate that the CRPSO-PID controller achieves a good performance.     

基于改进PSO算法的岩石蠕变模型参数辨识

微粒群优化（PSO）算法是一类随机全局优化技术,具有收敛速度快、规则简单、易于实现的优点．针对岩石蠕变本构模型参数的辨识问题,本文利用FLAC软件自带的fish语言实现了改进PSO算法对本构模型参数的辨识．该方法从岩石本构模型参数的随机值出发,以蠕变过程中试件变形的实验值与计算值的误差大小作为适应度函数来评价参数的品质,利用改进PSO算法规则实现模型参数的进化,搜索出全局最优的模型参数值,从而实现了岩石蠕变本构模型参数的自适应辨识．利用该方法对页岩蠕变实验进行了仿真研究,实验结果表明：改进的PSO算法用于岩石蠕变模型的参数辨识是有效的．     

基于PSO的神经网络优化证券投资组合方法研究

针对传统人工神经网络中的BP(back propagation)神经网络自身局限以及其迭代次数多、收敛精度不高和泛化性差等缺点,提出了一种基于粒子群(particle swarm optimizer,PSO)算法的BP神经网络优化证券投资组合方法.在BP神经网络优化方法中,采用PSO算法替代了BP神经网络的梯度下降法,得到最优解,从而对BP神经网络模型进行优化.将该方法应用于证券投资组合的优化中,实验结果证明:该优化方法优于传统的BP神经网络优化方法.     

暖通空调系统的新型模糊自调节PID控制

针对暖通空调系统中由于存在高度非线性,外部扰动,多变量等因素而难以控制的现状,提出一种利用模糊控制器的解析表达式实时调节PID控制器各参数的新型模糊PID控制算法。闭环系统中的模糊模型在发挥控制作用的同时,作为调节器实现了对PID控制器各参数的在线自适应调节,并且给出了具体控制算法设计。仿真结果表明与传统PID控制器相比,这一新型模糊PID控制器具有超调量小,调节时间短,鲁棒性强等优良的控制性能。     

鲁棒性PID控制器的自整定研究

在深入分析现有参数整定方法的缺点的基础上,提出了时域参数k,T,子与频域参数Kc,Tc之间的转换关系,并用数值方法拟合成简单的计算公式,由此提出了一种既可开环测试也可闭环测试模型参数的鲁棒性PID自整定算法。仿真表明,该自整定算法具有较快的响应速度、较小的超调量和较短的调节时间,是一种通用的、实用的算法。     

基于神经网络的多变量模糊自整定PID控制器

针对脉冲ＴＩＧ焊动态过程控制提出了一种基于ＢＰ神经网络的多变量模糊自整定ＰＩＤ控制器。该控制器利用神经网络在线学习具有多变量耦合，非线性及不确定性的复杂的焊接动态过程的控制规则，实现ＰＩＤ参数的自动整定。仿真实验结果表明该控制器不仅具有模糊控制的简单，有效的非线性控制作用。还具备了神经网络的学习与适应能力，以及ＰＩＤ控制的普遍适用性。     

基于改进粒子群算法的工程项目综合优化

为解决现有粒子群优化算法进化过程中"早熟"的问题,提出了一种改进的粒子群优化算法HSPSO.算法采用多子群分层策略,以提高收敛速度和优化精度.为求解工程项目的综合优化问题,建立了工期-成本-质量的数学优化模型和多目标优化模型.通过实例对标准粒子群优化算法(SPSO)和差分进化(DE)算法进行了比较,并采用HSPSO算法进行多目标优化.最后,用枚举法验证了模型的合理性和算法的有效性.与已有研究相比,HSPSO算法能在种群规模较小(20个粒子)的情况下,快速找到满意的解(平均迭代次数不超过20次).     

Design for Two-degree-of-freedom PID Regulator Based on Improved Generalized Extremal Optimization Algorithm

A kind of new design method for two-degree-of-freedom(2DOF)PID regulator was presented,in which,a new global search heuristic--improved generalized extremal optimization(GEO)algorithm is applied to the parameter optimization design of 2DOF PID regulator.The simulated results show that very good dynamic response performance of both command tracking and disturbance rejection characteristics can be achieved simultaneously.At the same time,the comparisons of simulation results with the improved GA,the basic GEO and the improved GEO were given.From the comparisons,it is shown that the improved GEO algorithm is competitive in performance with the GA and basic GEO and is an attractive tool to be used in the design of two-degree-of-freedom PID regulator.