基于改进粒子群算法的神经网络PID控制研究
基于β参数B样条基函数及改进PSO算法的PID神经网络控制
基于β参数B样条基函数及改进PSO算法的PID神经网络控制周西峰【摘要】针对传统PID控制参数难以选择以及神经网络PID不适合控制动态系统的缺点,本文提出了基于重新参数化的B样条神经网络以及考虑到早熟现象的改进粒子群算法的PSO-B-BP-PID控制器.该控制器能通过PSO的搜索找到最佳适合的因子,从而得到适合本网络权值搜索的最佳重新参数化B样条基函数,同时,文中还提出由考虑到早熟处理的改进粒子群算法取代传统BP后向传播算法来作为网络学习算法,从而有效克服传统算法易于陷入局部最优的缺点.实验结果表明PSO-B-BP-PID的控制系统可以实现对被控系统的有效控制,并可提高控制系统稳定性、精确性与鲁棒性.【期刊名称】《制造业自动化》【年(卷),期】2011(033)019【总页数】4页(P61-63,67)【关键词】B样条函数;重新参数化;粒子群算法;PID;MATLAB仿真【作者】周西峰【作者单位】南京邮电大学自动化学院,南京210046【正文语种】中文【中图分类】TP2730 引言在工业控制过程中，由于传统的PID的控制参数难以选择[1]，使其很难适应于对复杂系统的控制，而神经网络凭借其具有的非线性特性、可实现自适应控制等优势被引入到控制领域中，但在实际应用中，其控制效果并不理想，文献[2]对此进行研究并发现其主要原因为：1）是神经网络的仿真训练时间长，不能满足快速性要求；2）是连接权重随机初始化，影响控制结果；3）是神经元函数为静态函数，不适合控制动态系统。
基于以上原因，本文采用了B样条函数作为网络隐层神经元函数，主要考虑到B样条网络的知识在网络中是局部存储及学习的，其学习速度较快，文中又提出重新参数化概念，从而建立训练时间短, 动态性能好的B-BP-PID。
在学习算法选择方面，文献[3]提出的类似结构的学习算法采用传统BP算法—梯度下降法，但事实上，BP算法全局搜索能力弱，易陷入局部最优，由此，文中选择PSO算法[4]作为B-BP-PID控制器训练算法，在解决实值最优问题方面，PSO可以取得理想效果，但算法在进化后期存在速度变慢以及早熟现象，由此，文中提出由考虑到早熟的改进粒子群算法取代传统BP后向传播算法，从而建立PSO-B-BP-PID控制器，实验仿真证明整个控制过程控制效果良好。
基于改进粒子群优化算法的PID控制器参数优化
基于改进粒子群优化算法的PID控制器参数优化
姜长泓;张永恒;王盛慧
【期刊名称】《应用科学学报》
【年(卷),期】2017(035)005
【摘要】PID参数优化是控制领域的热点,其控制效果与比例、积分、微分参数有直接关系.为了改善系统性能,提出用一种改进的粒子群优化算法对PID控制器参数进行优化.该算法引入进化速度因子和聚集度因子对权值进行改进,进而改进了速度更新公式,并引入飞行时间因子以改进位置更新公式.通过3种典型函数证明了该算法的优越性,加快了收敛速度,提高了寻优效率.以典型二阶被控模型为研究对象,将上述算法与其他粒子群算法进行对比,表明改进的粒子群算法得到的PID参数具有更好的控制性能.
【总页数】8页(P667-674)
【作者】姜长泓;张永恒;王盛慧
【作者单位】长春工业大学电气与电子工程学院,长春130012;长春工业大学电气与电子工程学院,长春130012;长春工业大学电气与电子工程学院,长春130012【正文语种】中文
【中图分类】TP301.6
【相关文献】
1.基于改进粒子群优化算法的末修子母弹总体参数优化设计 [J], 寇保华;张红朝;张晓今;杨涛
2.基于改进粒子群优化算法的先进绝热压缩空气储能系统参数优化 [J], 周檬;贾亚雷
3.基于改进粒子群优化算法的PID控制器整定 [J], 杨智;陈志堂;范正平;李晓东
4.基于改进粒子群优化算法的PID控制器参数优化 [J], 安凤栓;常俊林;苏丕朝;李亚朋;魏晓宾
5.基于改进的PSO算法的PID控制器参数优化研究 [J], 韩宜轩
因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进粒子群算法的PID控制器参数自整定
基于改进粒子群算法的PID控制器参数自整定胡伟;徐福缘【期刊名称】《计算机应用研究》【年(卷),期】2012(029)005【摘要】针对标准粒子群算法寻优精度不高、易出现早熟收敛等缺陷,提出一种自适应混沌移民变异粒子群算法IPSO.该算法通过引入基因距离来反映粒子间合作与竞争的隐性知识,使粒子种群的多样性得到量化,采取自适应混沌移民变异策略对陷入聚集区域的粒子进行处理,使之获得继续搜索的能力,从而防止算法过早陷入局部最优.仿真结果表明,IPSO算法在PID控制器参数寻优问题上具有遗传算法和标准粒子群算法无法比拟的优势.%Aiming at the problems of low optimization accuracy and premature convergence for standard particle swarm optimization , this paper presented an adaptive chaos immigration and mutation particle swarm optimization (IPSO). By analyzing the gene distance, the implif.it knowledge of cooperation and competition between the particles were reflected and particle population diversity was quantified. By taking adaptive chaotic immigration and mutation strategy, it processed the particles which were caught in gathering areas, and the particles obtained the ability to continue search, therefore preventing the algorithm into a local optimum too early . Simulation results show that the IPSO has a better performance than both the conventional particle swarm optimization and genetic algorithm in the PID controller parameters optimization problem.【总页数】4页(P1791-1794)【作者】胡伟;徐福缘【作者单位】上海理工大学管理学院,上海200093;绵阳师范学院,四川绵阳621000;上海理工大学管理学院,上海200093【正文语种】中文【中图分类】TP18【相关文献】1.基于改进粒子群算法的PID控制器在MPPT中的研究 [J], 陈阳;刘朝涛;谭克银2.基于改进粒子群算法的PID控制器参数整定与仿真研究 [J], 宝永安;3.基于改进粒子群算法自整定伺服系统PID控制器的研究 [J], 叶海平4.基于改进量子粒子群算法的火电厂再热汽温调节系统PID参数自整定 [J], 刘锦廉5.基于粒子群算法的PID控制器参数自整定 [J], 王介生;王金城;王伟因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进PSO算法的PID控制器研究
基于改进PSO算法的PID控制器研究张燕红【摘要】针对一般的粒子群优化(PSO)学习算法中存在的容易陷入局部最优和搜索精度不高的缺点,对改进型PSO算法进行研究.由于惯性权重系数ω对算法是否会陷入局部最优起到关键的作用,因此,通过改变惯性权重ω的选择,对惯性权重系数采取线性减小的方法,引入改进型的PSO算法.采用改进的PSO算法对PID控制器进行参数优化并把得到的最优参数应用于控制系统中进行仿真.仿真实验结果表明:改进型PSO算法不会陷入局部最优,能得到全局最优的PID控制器的参数,并使得控制系统的性能指标达到最优,控制系统具有较好的鲁棒性.【期刊名称】《中国测试》【年(卷),期】2013(039)005【总页数】4页(P96-98,106)【关键词】粒子群优化算法;控制器;参数优化;性能指标;鲁棒性【作者】张燕红【作者单位】常州工学院电子信息与电气工程学院,江苏常州213002【正文语种】中文【中图分类】TP273;TP214;N945.13;TM930.12张燕红（常州工学院电子信息与电气工程学院，江苏常州213002）收到修改稿日期：2012-12-27多年来，由于PID控制器的结构简单，设计方法非常成熟，对线性控制系统有很好的控制效果，因此，PID控制器一直是工业控制系统中应用最广泛的控制器，PID控制器对大多数的简单工业过程都能得到满意的效果[1-3]。
但是当控制系统比较复杂或者被控对象的模型发生变化或者由于扰动信号的影响使得系统的稳定性和动态性能受到影响时，之前固定的PID控制器的3个比例、积分和微分参数就很难满足系统的要求了，因此在PID控制器的应用中，3个参数的调整和优化问题一直是PID控制器研究的热点问题[4-5]，近年来，不少学者研究了很多优化算法[6]。
本文结合先进控制策略和智能控制算法，采用改进型的PSO优化算法，对PID控制器的参数进行优化，寻优出来的3个参数应用于控制系统中，使得之前不稳定的控制系统具有很好的鲁棒性。
粒子群算法优化pid参数
粒子群算法（Particle Swarm Optimization, PSO）是一种基于群体智能的优化算法，可以用于求解非线性、非凸、多峰和高维等优化问题。
在PID 控制器参数优化中，PSO 算法可以用来寻找最优的PID 参数组合，以达到最优的控制性能。
下面是PSO 算法用于PID 控制器参数优化的一般步骤：
1. 初始化：随机生成粒子群的位置和速度，初始化全局最优解和局部最优解。
2. 计算适应度：对于每一个粒子，计算其适应度值，即PID 控制器的控制效果。
3. 更新位置和速度：根据粒子的当前位置和速度，更新其位置和速度，以使其适应度值最大。
4. 检查个体最优解和全局最优解：检查每个粒子的适应度值是否有更新，并更新全局最优解。
5. 判断终止条件：判断是否满足终止条件，例如最大迭代次数或者适应度值达到预设阈值。
6. 输出结果：输出最终得到的PID 参数组合，并应用到实际控制系统中。
在实际应用中，PSO 算法可以通过不断迭代优化PID 控制器的参数，以达到最优的控制效果。
同时，可以通过调整粒子群的初始位置和速度、权重系数、停止准则等参数，进一步提高算法的收敛速度和精度。
基于改进粒子群算法的永磁同步电机pid控制器
基于改进粒子群算法的永磁同步电机pid控制器1 永磁同步电机控制器概述永磁同步电机 (PMSM) 是一种高效率、高功率因数和高功率密度的电机，适用于许多应用，如电动汽车、风力发电机和家用电器等。
PID控制器是一种广泛运用于许多工业控制问题的控制方法。
因此，设计一种高精度的PID控制器用于PMSM控制是关键的。
2 粒子群算法及其改进粒子群算法 (PSO) 是一种最优化算法，它可以用于许多问题的全局优化，如多目标优化和控制问题。
基于PSO的PMSM控制器设计已经得到了广泛的研究。
为了提高PSO算法的性能，研究者们对PSO作出了一些改进。
例如，加速变量的改进、惯性权重的控制和拓扑结构的优化等等。
3 基于改进PSO的PMSM控制器设计本文提出了一种基于改进PSO算法的PMSM控制器。
改进方法主要包括以下三个方面：1）采用线性减小的惯性权重，同时限定权重的最小值和最大值，使得在探索搜索时加速越快，接近最优解时搜索越稳定。
2）修改速度更新公式，加入了自适应的惯性因子，防止跳出局部最优解。
3）改变拓扑结构，采用个体邻域搜索和全局搜索相结合的拓扑结构，以提高搜索效率。
4 仿真和结果分析对所提出的控制器进行了仿真实验，利用MATLAB工具，分别使用改进的PSO控制器和传统的PID控制器对PMSM进行了控制。
仿真结果表明，所提出的控制器具有较低的误差和快速的响应速度，相对于传统PID控制器表现更为稳定，有效地提高了PMSM的控制精度。
5 结论本文提出了一种基于改进PSO算法的PMSM控制器，改进的算法明显提高了搜索精度和速度，与传统的PID控制器相比，其控制精度和鲁棒性都有所提高。
所以，这种控制器将有助于提高PMSM的性能，在实际应用中具有广泛的应用前景。
基于改进粒子群算法的PID控制参数优化
基于改进粒子群算法的PID控制参数优化
黄训爱;杨光永;樊康生;陈旭东;徐天奇
【期刊名称】《组合机床与自动化加工技术》
【年(卷),期】2024()2
【摘要】针对传统粒子群算法存在收敛速度慢,收敛精度低以及易陷入局部最优的问题,提出了一种融合中垂线策略的中垂线粒子群算法(MAPSO),同时引入惯性权重余弦调整策略,避免算法陷入局部最优。
基于中垂线策略的游离粒子位置更新方法,能够加快粒子的收敛速度,从而增强算法的寻优速度和寻优精度。
将改进的粒子群算法用于PID控制器参数优化,与Ziegler-Nichols(Z-N)公式法、线性递减惯性权重粒子群优化算法(MeanPSO)进行对比实验,结果表明中垂线粒子群算法精度更高,能够快速地整定PID参数,使控制系统响应函数性能指标更好。
【总页数】5页(P89-92)
【作者】黄训爱;杨光永;樊康生;陈旭东;徐天奇
【作者单位】云南民族大学电气信息工程学院
【正文语种】中文
【中图分类】TH165;TG659
【相关文献】
1.改进粒子群算法在湿法烟气脱硫系统PID控制参数优化中的应用
2.基于改进粒子群算法的主汽温控制系统PID参数优化
3.基于改进粒子群算法的PID控制器参
数优化4.一种改进粒子群算法及其在水轮机控制器PID参数优化中的应用5.基于改进粒子群算法的PID控制参数优化
因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进粒子群算法的PID参数整定
（ ）
一 ｏ ¨ 珥ｃ（） ｓ
（ ０ ≤ ６ ０ 一６ ０≤ ０）
２ 仿 真结果 ） 搜 索空 间维 数 Ｄ设 为 ３ ， 始化 群体 个数 Ⅳ设 ０初
为３ ， ０ 最大迭代次数设为 １ ０ 。对各 函数分别进 ０ ０
行 １０次 随机 测试 ， 真 曲线如 图 １～图 ４所 示 。 ０ 仿
・
１ ・ ６
工 业 仪 表 与 自动 化 装 置 表 １ 仿 真 结 果
２ １ 第 ２期 ０ ２年
进 化方 程做 出 了调 整 ， 证 了 粒子 在 进 化 过 程 中优 保 秀信息 的及 时共 享 ， 过 仿 真 可 以看 出改 进 的算 法 通 ＭＣ Ｓ Ｐ Ｏ在 收敛 速度 和精 度上 都有所 改 善 。
粒子 群算 法 的全局 和局 部搜 索能 力 的平衡 主要 由惯 性权 重控 制 。 当 值 较 大 时 ， 法 具 有较 强 的 算 全局 搜索 能 力 ； Ｗ较 小 时 ， 法 有 较 强 的局 部 搜 而 算 索 能力 。 比较 好 的做 法是 在 搜 索 的前期 值 较 大 ， 以便 得 到位 置 较 好 的 粒 子 ， 后 期 减 小 Ｗ值 ， 加 在 使
［ ］ Ｓ ｉ Ｅ ｅｈｒ Ｒ Ｃ Ａ ｍ ｄｆ ｄｐｒｃｅｓ ａｍ ｏｔ ｚｒ ２ ｈ Ｙ，ｂｒａ ． ｏｉｅ ａ ｉ ｗ ｒ ｐｉ ｅ ｔ ｉ ｔｌ ｍｉ
为验证 基 于上述 改进 的粒 子 群优 化 算 法 的 ＰＤ Ｉ 参 数优 化 整定方 法 的有效 性 ， 选取 一 个 典 型 的二 阶 被 控对 象进 行 ＰＤ参数 的寻 优运 算与仿 真 。 Ｉ
献 ［ ］ 出过多粒子协 同寻优方式 Ｃ Ｓ ， ５提 Ｐ ０ 但是这种 进化 是在 进 化到 一定 阶段 的协 同 ， 文 通 过 改进 粒 该 子进化方程 ， 出一 种实 时交互 信息 的协 同方式 提
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
２１ ０ ２年 ６月
机 械 工 程 与 自 动 化 ＭＥ ＣＨＡＮＩ ＣＡＬ ＥＮＧＩ ＮＥＥ ＮＧ ＆ ＡＵＴ０Ｍ ＡＴＩ） ＲＩ （Ｎ
Ｎｏ． ３
Ｊ ｎ ｕ．
文 章 编 号 ：６ ２ ６ １ （ Ｏ ２ Ｏ — １ ４ ０ １ ７－ ４ ３ ２ １ ）３ ０ ０－ ３
… … … … … … … … … … … … … … … … … …
性、 时变 和纯滞 后 等 特点 ， 用 传 统 Ｐ Ｄ 参 数整 定 方 采 Ｉ
法很 难取 得令人 满 意 的控制 效 果 ， 现 在更 多地 采 用 故
网络有 三个输 出节点 ， 别对 应 Ｐ Ｄ控 制 器 的三个 参 分 Ｉ
数 ＫｐＫ Ｋｄ 、 、 。
智 能 Ｐ Ｄ控 制 方 法 。智 能 Ｐ Ｄ控 制 方 法 能够 根 据 整 Ｉ Ｉ 个 系统 的运行状 态不 断 自动 调整 Ｐ Ｄ控 制器 的参数 ， Ｉ 比传 统 的 Ｐ Ｄ参 数整定 方法 更具有 灵活性 和适应 性 。 Ｉ Ｂ （ ａｋ Ｐ ｏ ａ ａｉｎ 神 经 网络 具 有 自学 习 、 Ｐ Ｂ ｃ ｒｐｇｔ ） ｏ 逼 近任 意非 线性 函数 的能 力 ， 以根据 系 统 的运 行 状 态 可
。
…… … （） ２
其 中 ： 为输 入层 的个 数 。 Ｍ 网络 隐含层 的输入 、 出分别为 ： 输
Ｍ
△ （） Ｋ ［ （ ） ｅ忌 １］ 志 一 Ｐ 七 一 （ 一 ） ＋Ｋｆ（ ） ｅ 忌 ＋Ｋｄ × ［（ ） ｅｋ １ ＋ｅｋ ） Ｐ 最 一２ （ 一 ） （ 一２ ］。 … …… ……… … （ ） １
』－０ －
（ ） 厂 ’奄 ）。 … … … … … … ・ ・ ４ 愚 ＝ （ （） … ・（ ）
其 中： ’ 为隐含层加权 系数 ； 上角标 （） （） （） 别代 １ 、２ 、３ 分
Ｂ Ｐ神 经 网络 Ｐ Ｄ控 制 系统 的 结 构 图见 图 ห้องสมุดไป่ตู้ Ｉ 。控
收 稿 日期 ：２ １— １ １ ｝修 回 日期 ：２ １— ２０ ０ ２ ０ —８ ０ ２０ —８
输入层 隐含层 输 出层
工ｌ
Ｐ Ｏ） 法具有 并 行 处理 特 征 ， 算简 单 ， 初 始 值 的 Ｓ 算 计 对 选 择不那 么严 格 ， 较 大 的概 率 找 到优 化 问题 的全 局 有 最 优解 。本 文将 采 用 Ｐ Ｏ 算 法 优 化 Ｂ 网络 的初 始 Ｓ Ｐ 权值， 以改善 Ｂ Ｐ神经 网络 Ｐ Ｄ控 制 。 Ｉ
・１ ５ ・ ０
隐含 层 神 经 元 的 活 化 函 数 取 为 正 负 对 称 的
Ｓｇ ｉ ｉｍｏｄ函数 ：
ｘ ５ 厂 ｚ ＝ ｔｎ （ ） ｅ ｅ ｘ 。 … … … … … … （ ） （ ） ａ ｈ ｘ 一 ＋ －
坩 ＝ 乞 １ｌ 甜 ＋ｃｒ（ 一ｚ ）。 ＋ｆｒ （ 一ｚ ） ２２
表输入层 、 隐含层 和输 出层 ； Ｑ为 隐含层神经元的个数 。
作 者 简 介 ；张 文华 （９ ９） １６ 一，女 ， 山西 太 原 人 ，讲 师 ，硕 士 ，研 究 方 向 为控 制 理 论 、优 化 算法 。
２１ ０ ２年 第 ３期
张 文 华 ： 于 改进 粒 子群 算 法 的神 经 网 络 Ｐ Ｄ 控 制 研 究 基 Ｉ
不 断地调 整神 经 网络 的权 值 ， 现 Ｐ Ｄ参 数 的在 线 整 实 Ｉ
定 。但 这 种 Ｐ Ｄ控 制 的效果 特别依 赖 于 Ｂ Ｉ Ｐ网络 的初
始权 值 。粒 子 群 优 化 （ ａｔ ｌ Ｓ ｒ Ｏｐｉ ｚｔ ｎ Ｐ ｒｉ ｅ ｗａｍ ｔ ａｉ ， ｃ ｍｉ ｏ
图１ Ｂ Ｐ神 经 网络 ＰＤ控 制 系 统结 构 图 Ｉ
基 于 改进 粒 子群 算 法 的神 经 网络 Ｐ Ｄ 控 制研 究 Ｉ
张 文 华
（ 中北 大 学 信 息 与 通信 工 程 学 院 。 山西 太原 ０ ０５ ） ３ ０ １
摘 要 ：Ｂ Ｐ神 经 网 络 Ｐ Ｄ控 制 是 利 用 Ｂ Ｉ Ｐ神 经 网络 的 自学 习和 逼 近 任 意 非 线 性 函数 功 能 ， 对 ＰＤ 控 制 器 的 三 Ｉ
１ ＰＩ 控 制 Ｄ
Ｉ２
凰
工３
图 ２ Ｂ 神 经 网 络 结 构 图 Ｐ
网络输 入层 的输人 为 ：
”（ ） Ｘ （ 忌 一 ｊ
．
增 量 式 Ｐ Ｄ控制 算法 为［ ： Ｉ ２ ］
ｕ ｋ ＝ ｕ ｋ １ ＋△ 忌 。 （） （一 ） （ ）
ｆ １２ … ， 一 ，， Ｍ
其 中：（） ＰＤ控制器在 时刻的输 出信 号 ；（ ） 忌为 Ｉ 是 为系 统 的误差信号 ； Ｋ Ｋｉ 分别为 比例、 、 积分 、 微分系数 。
２ 常规 Ｂ Ｐ神 经 网 络 Ｐ Ｄ 控 制 Ｉ
（ ：∑ （ （ ｉ ， …， 。 … （） 愚 ） ） 五 ＝１ ， Ｑ Ｉ ） ” ２ ３
个 参 数 进 行 在 线 整定 ，但 网络 初 始 权 值 的 选 取 困 难 。采 用 改进 的 Ｐ Ｏ 算 法 优 化 Ｂ Ｓ Ｐ神 经 网 络 的初 始 权 值 ， 并
对基于 Ｐ ＡＯ 算 法 的 Ｂ Ｐ神 经 网络 Ｐ Ｄ 控制 进 行 仿 真 实 验 。仿 真 结 果 表 明 ，Ｐ Ｏ 算 法 使 得 网 络 初 始 权 值 的选 Ｉ Ｓ 取 比较 快 速 ，系 统 的 性 能有 所 提 高 。 关 键 词 ：粒 子群 优 化 算 法 ；神 经 网络 ；Ｐ Ｄ 控 制 ；仿 真 Ｉ
中 图分 类 号 ：ＴＰ ８ １３ 文献 标 识 码 ：Ａ
０ 引 言
制 器 由常规 Ｐ Ｄ控制 器 和 Ｂ Ｉ Ｐ神 经 网络 两部 分 组 成 。
Ｂ Ｐ神经 网络取 为一 个 三层 网络 ， 其结 构 如 图 ２所 示 。
在实 际工业 控制 中 ， 被控 过程 机理复 杂 ， 有非 线 具