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
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（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
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。

基于改进粒子群优化算法的PID控制器参数整定
蒋凌云;魏庆来;张峰华;王博宇;张俊康;韦欣彤
【期刊名称】《控制工程》
【年(卷),期】2024(31)3
【摘要】针对标准粒子群优化算法优化PID控制器参数存在的早熟以及陷入局部
最优等问题,引入粒子二阶振荡环节、反向学习、自适应惯性权重,并结合设计的惯
性权重动态调整策略、粒子越界随机反射墙,提出一种新型分阶段迭代的改进粒子
群优化算法。

在6个标准测试函数上进行测试,其性能相比于一些已有的改进粒子
群优化算法更加优秀。

将这些算法用于自动电压调节器系统的PID控制器参数整定,仿真结果表明,所提出的改进粒子群优化算法整定的PID控制器的控制效果更好。

【总页数】8页(P470-477)
【作者】蒋凌云;魏庆来;张峰华;王博宇;张俊康;韦欣彤
【作者单位】中国科学院自动化研究所复杂系统管理与控制国家重点实验室;中国
地质大学(北京)信息工程学院
【正文语种】中文
【中图分类】TP29
【相关文献】
1.基于改进粒子群优化算法的PID参数整定
2.基于粒子群优化算法的PID控制器
参数整定3.基于改进粒子群优化算法的PID控制器整定4.基于改进粒子群算法的PID控制器参数整定优化5.基于改进粒子群优化算法的四旋翼PID参数整定研究
因版权原因，仅展示原文概要，查看原文内容请购买。

基于PSO算法优化的PID神经网络解耦控制算法研究摘要：针对目前在工业控制中，被控系统往往是多变量、非线性、强耦合的时变系统。

多变量系统的回路之间存在耦合，为了得到满意的控制效果，必须对多变量系统实行解耦控制。

本文通过增加动量项的方法提高网络学习效率，同时引入粒子群算法（PSO）来训练神经网络PID控制器的参数，并针对多变量控制系统开展仿真验证，取得了满意的控制效果。

关键词：PID神经网络；粒子群算法；多变量系统；解耦控制算法1引言工业控制中，被控系统大多数是多变量系统(MIMO)。

与单变量系统(SISO)相比，MIMO系统有多个输入和输出，内部结构复杂。

以基于古典控制理论的串联解耦方法为代表的传统解耦方法主要适用于线性定常MIMO系统。

近年来，将自适应控制、神经网络控制及遗传算法融合在一起的智能解耦方法更多的应用到多变量、非线性、强耦合的时变系统中。

PID神经网络是一种由比例(P)、积分(I)、微分(D)神经元组成的多层神经网络,具有PID控制和神经网络的优点，具有较强的自适应的学习能力、容错性和鲁棒性。

对于多变量强耦合时变系统, PID神经网络可以通过在线学习,根据对象参数发生变化时对系统输出性能的影响来调整连接权值,改变网络中比例、积分和微分作用的强弱,使系统具备较好的动态和静态特性,达到系统解耦控制的目的。

本文将在给出PID神经网络算法的基础上,通过增加动量项的方法提高网络学习效率，同时引入粒子群算法（PSO）来训练神经网络PID控制器的初始权值得到最优初始权值，并针对多变量控制系统开展仿真验证，取得了满意的控制效果。

2PID神经网络算法及其改进2.1.增加动量项的PID神经网络算法PID神经网络分为输入层、隐含层和输出层，输入量为控制量当前值和目标值，输出量为控制律，完成解耦控制工作。

设PID神经网络有n个输出端，则神经网络拓扑结构由n个子网交叉并联，构成结构的网络，各层输入输出计算公式如下：(1)输入层输入层包含2n个输入神经元，其输入输出关系为：( 1)式(1)中:为输入层神经元的输入值;为输入层神经元的输出值；为并列子网的序号，。

第20卷第3期2022年6月Vol.20No.3Jun.2022中国工程机械学报CHINESEJOURNALOFCONSTRUCTIONMACHINERY

基于免疫粒子群算法的PID参数优化研究吕红芳1，王涛1，嵇月强2，高慧2，徐斌2，王秋婷2（1.上海电机学院电气学院，上海201306；2.杭州优稳自动化系统有限公司技术中心，浙江杭州311100）摘要:针对传统PID控制系统中存在的调节时间长、控制精度低、响应速度慢等问题，提出使用免疫粒子群算法对PID参数进行优化。首先，对粒子群优化算法（PSO）中的惯性权重、学习因子、粒子学习模式进行改进，使得微粒更新适应各个阶段；其次，引入人工免疫思想形成免疫粒子群算法，保证了迭代过程中粒子的多样性，提高了算法精度；最后，在仿真环境下经过对ZN公式法、参数改进后的粒子群算法、免疫粒子群算法在PID控制参数优化效果进行对比可知，免疫粒子群算法的优化控制效果更佳。

关键词:惯性权重；学习因子；学习模式；粒子群优化算法；PID控制参数中图分类号:TP18文献标志码:A文章编号:1672-5581（2022）03-0194-05

OptimizationofPIDcontrolparametersbasedonimmuneparticleswarmoptimization

LYUHongfang1，WANGTao1，JIYueqiang2，GAOHui2，XUBin2，WANGQiuting2

（1.SchoolofElectricalEngineering，ShanghaiDianjiUniversity，Shanghai201306，China；2.TechnologyCenter，HangzhouUWNTEKAutomaticSystemCo.，Ltd.，Hangzhou311100，Zhejiang，China）

Abstract：Aimingattheproblemsoflongadjustmenttime，lowcontrolaccuracy，andslowresponsespeedexistingintraditionalPIDcontrolsystems，animmuneparticleswarmalgorithmisproposedtooptimizePIDparameters.First，theinertiaweight，learningfactor，andparticlelearningmodeintheparticleswarmoptimizationalgorithmareimprovedtomaketheparticleupdateadapttoeachstage.Secondly，artificialimmunethoughtisintroducedtoformanimmuneparticleswarmalgorithm，whichensuresthediversityofparticlesintheiterativeprocessandimprovestheaccuracyofthealgorithm.Finally，inthesimulationenvironment，aftertheZNformulamethodandtheimprovedparticleswarmalgorithmwithparameters，thecomparisonoftheimmuneparticleswarmalgorithminthePIDcontrolparameteroptimizationeffectshowsthattheimmuneparticleswarmalgorithmhasbetteroptimizationcontroleffect.Keywords：inertiaweight；learningfactor；learningmode；particleswarmoptimizationalgorithm；PIDcontrolparameters

基于粒子群算法与混沌的 PID控制参数整定摘要：针对PID控制器的参数整定问题，提出一种基于粒子群优化算法与混沌优化思想相结合的参数智能整定方法。

该方法综合了粒子种群的混沌初始化、惯性权重的改进、粒子位置的边界处理、混沌搜索及粒子替换等改进措施，有效改善粒子种群的随机性和多样性，较好解决了算法的早熟收敛问题。

为同时兼顾PID控制的各项性能指标，将各指标的加权和作为评价粒子优越性的适应度函数。

最后结合Simulink仿真技术，将该方法应用于一个二阶延迟系统，进行实验仿真，仿真结果表明了该方法的有效性和优越性。

关键词：粒子群算法；混沌；PID控制；参数整定中图分类号：TP301.6文献标志码：APID parameters tuning based on PSO algorithm and chaosAbstract：Based on improved particle swarm optimization and chaos optimization algorithm, a tuning method of PID parameters was proposed. To improve the randomicity and persity of the particle population, chaos initialization, improved inertia weight, position boundary treatment, chaotic search in the premature and particle replacement were integrated, in this way, the problem of premature convergence of the algorithm is better solved. A fitness function of the PSO was defined, which contained performances indexes of PID control. Finally, combined with the Simulink simulation technology, the method isapplied to a second order delay system, the simulation experimentsshow that the proposed method is effective and its superiority is verified.Key words:particle swarm optimization (PSO); chaos; PID control; parameter tuning0引言PID控制具有结构简单、工作可靠、鲁棒性强、易于实现、调整方便、控制效果好等优点，是工业过程控制中最常见的控制方法；同时，由于PID控制的独特优越性，使其成为复杂系统智能控制中最基本、最基础的子控制单元[1]。

改进微粒群算法优化PID参数的研究刘幸【期刊名称】《电子设计工程》【年(卷),期】2011(19)9【摘要】微粒群算法是一种新的随机优化算法,算法通过微粒间相互作用发现复杂搜索空间中的最优区域,该算法具有搜索速度快、寻优能力强、算法简单等特点,但也存在普遍的缺点.本文基于微粒群算法容易陷入局部极值和收敛速度慢的缺点,提出一种新的改进算法,介绍了将改进微粒群算法用于PID控制器参数优化的方法,算法实现流程,并结合Matlab强大Simulink系统仿真功能证明了改进算法的有效性,其性能优于经验公式和遗传算法.%Particle swarm optimization is a new random global optimization algorithm. Through interaction between particles, the algorithm finds the optimal area in complicate searching space. The algorithm feature is simple、ease to implement and powerful function. Meanwhile it has disadvantage so far as its local minimum is concerned and its slow convergence speed. Under this background, the dissertation proposed a new improved algorithm and the improved Particle Swarm Optimization has been used in PID controller to optimize parameters. Combined with power Matlab simulink function, the simulation results verified the effectiveness of Particle Swarm Optimization algorithm and shown that its performance is better than conventional experience method and GA algorithm.【总页数】4页(P79-82)【作者】刘幸【作者单位】空军雷达学院,湖北,武汉,430000【正文语种】中文【中图分类】TP273【相关文献】1.基于微粒群算法优化PID参数研究 [J], 曾祥光;张玲玲2.利用改进微粒群算法优化PID参数 [J], 汪新星;张明3.基于改进微粒群算法的PID控制器参数优化设计 [J], 徐志成;王琳4.基于微粒群算法的PID参数优化及其在电阻炉温度控制中的应用 [J], 刘云连;伍铁斌;周桃云;李新君5.基于动力驱动微粒群算法的液压矫直机PID控制参数优化 [J], 姚成玉;张晓磊;陈东宁;彭晓静;杨晓荣因版权原因，仅展示原文概要，查看原文内容请购买。