基于改进PSO算法的电机控制系统PID参数优化

粒子群算法(PSO,Particle Swarm Optimization)作为一种新型的随机优化方法,其算法结构简单,鲁棒性强,在组合优化和自适应控制等领域的非线性优化中有着广泛的应用前景.为此,提出一种改进的PSO优化算法,并将该算法应用于电机控制系统的PID参数优化设计.仿真结果表明,利用改进PSO算法优化的PID参数能有效改善控制系统的性能指标.     

混合果蝇优化算法PID参数整定方法的研究

【目的】解决基本果蝇优化算法（FOA）由于算法局限性而出现比例积分微分（PID）参数整定收敛速度慢且容易过早陷入局部最优的问题。【方法】为了在迭代前期具有更高的全局搜索效率,利用粒子群算法（PSO）寻找多个全局较优种群,迭代后期使用具有较强的局部寻优能力的FOA算法提高收敛精度,实现对全局搜索和局部搜索过程的优化。【结果】两个二阶时滞系统的阶跃响应测试结果表明,基于HFOA的PID控制器参数整定的上升时间、调节时间和超调量等指标更优,能够实现更好的系统响应性能。【结论】优化后算法具有控制精度高、响应速度快、鲁棒性好等优点,为PID参数优化提供了参考。     

基于天牛须算法整定PID的永磁同步电机控制

在基于永磁同步电机的有感FOC控制中,通过调节转速环节和电流环节的PID控制器参数就能对电机进行控制,但传统的PID参数整定方法控制精度低,稳定性能差,难以获得令人满意的运行效果。为了解决该问题,提出一种基于天牛须算法的PID自整定方法,利用天牛须算法强大且快速的寻优能力对速度环节的PID参数进行自整定。仿真结果表明:该方法设计的电机控制系统具有响应快、无超调和鲁棒性高的优点,相对于传统方法具有显著的优越性。     

基于混合粒子群算法的水轮发电机组调速器PID参数优化

针对水轮发电机组调速器PID的参数优化问题,建立了水轮机调节系统仿真模型,引入混沌扰动理论的混合粒子群算法,实现了水轮机调速器PID参数整定优化。仿真表明,混合算法整定PID参数后的调节系统具有超调量小、稳定性好特点,能有效改善水轮机调节系统过渡过程的动态性能,同时算法收敛速度快、准确度高,有效地克服了标准粒子群算法易早熟等缺点,提高了算法的精确性。     

植物培养箱土壤温控系统的研究

土壤温度是影响植物生长发育的重要因素,在植物培养过程中实现对土壤温度的控制显得尤为重要。为精确地控制植物培养箱中的土壤温度,借助MATLAB软件的系统识别工具,采用试验数据法,得到不同含水率下土壤加热系统的传递函数。同时设计基于粒子群(PSO)算法的PID控制器和土壤温控系统,并在MATLAB软件模拟其控制过程。最后在实际系统中分别验证土壤含水率为15%、23%、27%、36.5%的控制效果,系统在稳定后温度控制精度可达±0.1℃,得出PSO-PID算法可以有效地解决PID控制器参数整定的问题,并实现对土壤温度地精确控制。     

PSO算法与DDS算法在EasyDHM模型中的参数分析及对比研究

为了提高Easy DHM模型进行水文预报的精度,选用2012-2014年汉江流域的水文数据,分别使用PSO算法和DDS算法对模型参数进行率定,重点分析两种算法参数对算法性能的影响,从而得到两种算法在Easy DHM模型上进行参数率定的最优算法参数。在此基础上比较了两种算法在最优算法参数下的模型参数率定效果,结果表明两种算法在该流域Easy DHM模型的参数率定上表现了较好的适应性。并根据对比结果给出了用Easy DHM模型进行场次洪水预报时,参数率定算法选择的建议:在要求率定效果最好情况下,预报的主要指标为洪量时建议使用DDS算法,预报的主要指标为洪峰是建议使用PSO算法;在要求率定速度尽量快的情况下,建议使用DDS算法。     

基于粒子群算法的车辆悬架PID控制器研究

PID控制器是应用最为广泛的控制器,可用于车辆半主动空气悬架的控制,但是,传统的PID控制器参数整定方法需要丰富的工程经验和大量试验。因此,本文提出运用粒子群算法对PID控制器参数进行整定从而提高PID控制器设计效率。首先,建立1/2车辆半主动空气悬架系统数学模型,并在Simulink环境下搭建带有PID控制器的仿真模型。然后,进行粒子群算法优化PID控制器的仿真试验。仿真结果显示,与被动悬架系统相比,在B、C两种路面条件下,基于粒子群算法的PID控制器使车身质心垂向加速度均方根值分别下降25.5%和33.13%,提高车辆的乘坐舒适性。本文对用于半主动空气悬架系统的PID控制器的进一步发展具有一定积极意义。     

基于改进型PSO的参数设计

本文提出一种基于改进型PSO的参数设计方法,解决传统粒子群算法中由于粒子多样性的减少及缺少跳出局部优值区域的机制,而造成的容易陷入局部最优值的问题,改进的PSO算法具有多群体和多速度更新方式。     

基于PSO的DSSAT水稻品种参数优化

农业技术转移决策支持系统（DSSAT）在农业领域的应用越来越广泛，应用DSSAT的首要工作就是估计作物品种参数。GLUE参数估计器是DSSAT自带的参数估计工具，但GLUE参数估计器所估计的品种参数并不总有效，其估计参数的DSSAT模拟精度往往不高。本文利用4个品种水稻的田间实测产量数据，采用对比分析方法，以DSSAT自带的GLUE参数估计器运行结果为参照，将粒子群优化（PSO）的每个粒子视为一组水稻品种参数，在运行PSO算法过程中调用DSSAT模拟水稻产量，依据产量模拟误差和PSO的运行机制修改粒子，从而验证PSO优化DSSAT水稻品种参数的有效性及可行性。研究结果表明：两种算法均能较好识别DSSAT水稻品种参数，但GLUE参数估计器估计参数无效的频次较高；与GLUE参数估计器相比，PSO识别的参数均为有效参数，其优化参数的DSSAT模拟水稻产量的精度更高，标准化均方根误差（NRMSE）处于5.98%~8.78%之间，明显低于GLUE参数估计器的6.89%~18.06%，所模拟的水稻产量也更接近于实测产量。     

一种水稻田稻飞虱图像识别的混合算法

BP神经网络方法和粒子群(PSO)方法较常用于稻飞虱图像处理。但是,BP算法容易陷入局部极值且收敛速度缓慢;PSO方法容易实现,而其参数较难合理设置。为此,提出一种基于BP和PSO的混合型算法,应用于稻飞虱图像的识别。算法利用PSO方法来优化BP网络权值,提高训练性能。为了避免PSO方法参数难以设定的缺点,采用了基于均匀设计的算法来设定PSO参数。同时,在稻飞虱图像预处理的关键环节,采用HLS模型实现图像的灰度转换。实验结果表明:与BP算法和PSO算法相比,BP-PSO混合算法识别率明显提高,平均正确识别率达到97%,训练时间降到1s以内,满足算法的实时性要求。     

基于改进粒子群的土壤水分特征曲线参数优化研究

土壤水分特征曲线是研究土壤水分运动的重要参数,Van Genuchten方程是目前广泛应用的土壤水分特征曲线方程。由于该方程参数较多,人工调节参数繁琐复杂,应用优化算法实现参数自动调节成为首选。分别采用遗传算法(GA)、粒子群算法(PSO)和改进粒子群算法(CMOPSO)对方程进行参数寻优,对比3种算法的收敛速度、所需迭代次数和算法稳定性。结果表明:3种算法的参数模拟精度均较好;改进粒子群算法的全局搜索能力和收敛速度优于遗传算法与粒子群算法,且所需迭代次数最少,适合VG方程的参数寻优。     

基于ICPSO-PID风电机组桨距控制分析

针对传统的一阶变桨距机构简化模型难以描述真实的变距执行系统动态特性,建立了完整的电液变桨距风力发电机组高阶数学模型;根据风电机组额定风速以上恒功率控制目标并考虑变桨机构具有惯性和延迟特性,设计了基于功率和风速前馈的变桨控制器;针对额定风速以上变桨控制器参数整定难的问题,提出了一种基于改进协同粒子群优化算法(ICPSO)与比例、积分、微分控制器(PID)相结合的ICPSO-PID控制算法,并将其应用于桨距角PID控制器的参数整定.研究结果表明:提出的优化算法能够快速整定桨距角控制器的参数,风速前馈控制器能够提高变桨系统的动态性,功率控制环节能够实现额定风速以上风电机组恒功率控制.与传统PID控制器的控制效果相比,提出的控制方法具有超调量小、调节时间短和鲁棒性好等优良的控制品质.文中研究方法可应用到实际的电液变桨距风力发电机组控制系统中.     

采摘机器人视觉伺服控制系统设计

分析了采摘机器人目标位置与机器人关节角度之间的运动学关系,给出了两者之间的坐标变换公式.根据伺服控制特点,在机器人伺服控制中引入模糊PID控制方法,利用模糊控制策略在线自适应整定PID参数,提高了控制系统的动、静态性能.仿真和实验结果验证了设计的合理性和有效性.     

基于PSO-PID的拖拉机线控液压转向控制研究

PID控制是典型的控制系统,其核心内容是PID参数优化。为解决拖拉机线控液压转向PID控制参数优化时不能确保得到最佳性能且耗时长的问题,课题组采用了理论分析法及仿真实验法,对线控液压转向系统的模型进行了仿真分析,基于粒子群算法（PSO）优化了PID参数,提出了PSO-PID控制器,并将其控制结果与标准PID进行对比,得出了使整个PID系统性能优异的优化结果。仿真结果表明,PSO算法有效提高了PID参数的稳定性、收敛速度和搜索精度,性能指标更优。     

基于平行竞争PSO算法的土壤水分测量研究

为了提高测量土壤水分Van Genuchten方程求解的精度,提出平行竞争PSO算法。首先在PSO算法基础上,当粒子群最大半径值小于某个阈值时,竞争才被触发,同时最差粒子被重置,粒子被重置的比例随着迭代次数增加而非线性减少;接着粒子群分成若干子群,子群的群平均适应度与原始粒子群平均适应度相差不能小于设定的阈值,引入不同的共享因子对子群与子群、粒子与子群之间进行信息共享动态调节;最后粒子适应度函数由Van Genuchten方程参数构成,给出了算法流程。实验仿真显示本文算法对测试函数求解具有收敛速度较快、解精度较高的特点,测量粉壤土脱湿数据的相对误差最大为5%,吸湿数据的相对误差最大为4%,相比其他算法都较小。     

基于萤火虫算法的炉温控制系统参数自整定PID控制

针对加热炉温度控制系统PID控制器的参数寻优问题,运用萤火虫算法,建立Simulink仿真模型,编写萤火虫算法的程序,分别用常规工程法和萤火虫算法进行PID参数整定,进行仿真曲线的对比。结果表明萤火虫算法可以在对所求解未知的前提下,迅速从全局优化出控制参数,是PID参数整定方法中一种比较高效的方法。     

水库优化调度的粒子群算法

提出了在用粒子群算法求解水库优化调度问题时,将模拟退火因子引入罚函数,可以克服不变罚因子的缺陷.采用动态规划法和PSO算法优化调度程序,结果发现PSO算法计算结果更优于动态规划结果.实例计算表明,粒子群算法原理简单,易于编程,占用内存少,求解精度高,适合求解具有复杂约束的水库优化调度问题.     

免疫粒子群算法及其在水库调度图优先控制线优化中的应用

免疫粒子群优化算法（IA-PSO）是将免疫进化算法（IEA）中的免疫信息处理机制引入到粒子群优化算法（PSO）中,利用其特有的免疫记忆机制、浓度选择机制以及免疫接种的原理,改进PSO算法的全局寻优能力,提高收敛速度。利用IA-PSO算法优化水库调度图优先控制线,结果表明：IA-PSO算法收敛速度快,能够收敛到全局最优解。     

基于粒子群优化算法与混合罚函数

粒子群算法(PSO)具有简单易实现，可调参数少的优点。将其用于最优潮流的求解，结合混合罚函数来限制最优潮流的约束条件，使粒子群算法的寻优速度加快，迭代次数减少。通过在IEEE9节点和IEEE30节点上的仿真计算表明，该算法在优迭代速度和收敛精度上都取得了较好的效果。     

混沌粒子群微分进化算法及其在水库发电优化调度中的应用

粒子群优化算法（PSO）与微分进化算法（DE）都是有效的基于群体智能的全局优化算法,但它们都容易过早收敛,陷入局部最优。针对以上问题,提出了混沌粒子群微分进化算法（CPSO—DE）,该算法引入可变的惯性权重和学习因子,以基于logical映射的混沌序列代替标准PSO中的随机序列来对粒子群进行初始化,同时将微分进化算法（DE）中的变异、交叉和选择思想引入标准PSO算法中,改变标准PSO算法单一的进化策略,在全局范围内搜索最优解。作为实证的需要,通过对水库优化调度所存在问题的分析,建立了基于CPSO-DE算法的水库优化调度数学模型与求解算法,并以某水库实际运行数据进行计算,结果表明CPSO-DE算法具有较好的全局最优解,验证了CPSO—DE算法的可行性与健壮性。