基于PSO的PID控制器参数优化研究（行业资料）.docVIP

基于PSO的PID控制器参数优化研究（行业资料） 文档信息 ： 文档作为关于“行业资料”中“毕业资料”的参考范文，为解决如何写好实用应用文、正确编写文案格式、内容素材摘取等相关工作提供支持。正文6245字，doc格式，可编辑。质优实惠，欢迎下载！ 目录 TOC \o 1-9 \h \z \u 目录 1 正文 2 文1：基于PSO的PID控制器参数优化研究 2 2微粒群算法介绍 2 2.1算法原理 3 2.1.1基本微粒群算法 3 2.1.2标准粒子群算法 3 2.2PSO算法的参数和结构形式 4 3PID控制的原理 5 3.1PID控制设计的简介 5 3.2目标函数的选取 6 （1）误差平方的积分型的目标函数，其表达式如下所示。 6 （2）时间乘以误差平方的积分型，其表达式如下所示。 7 （3）误差绝对值积分型，它的表达式如下所示。 7 4优化的仿真系统 7 4.1加热炉温控的仿真搭建 7 4.2基于PSO算法的优化仿真 7 5.结束语 8 文2：PID控制器参数整定软件开发与实现 8 1 软件开发工具的选择 9 2 软件参数整定算法选择与功能设计 9 3 软件用户界面的设计 10 4 总结与展望 11 参考文摘引言： 12 原创性声明（模板） 13 正文 基于PSO的PID控制器参数优化研究（行业资料） 文1：基于PSO的PID控制器参数优化研究 1引言 PID控制是近年来工业生产中应用较广的一种控制方法，它以结构简单、便于操作、可靠性强、鲁棒性好等为优势。它也是比例（Proportional）、积分（Integral）和微分（Derivative）控制的简称，它的控制过程是根据系统产生误差的比例、积分、微分的线性组合来调整确定，则PID控制器的控制性能由控制器参数、、决定。对于PID控制器设计的核心问题之一，就是对参数的整定研究。但对PID控制器的参数整定是较为困难的，因为现实中的控制系统变得较为复杂，多数的系统控制对象是时滞、高阶的、并为非线性。因此有了PID控制优化算法的产生。比如蚁群算法、神经网络算法、遗传算法和爬山法等。而有优化最主要的是要比较高的收敛速度和寻到最小的位置点。 2微粒群算法介绍 微粒群算法是生物学家根据鸟群觅食的集体行动方式演化而来的。每一只鸟在去捕食的时候，它知道自己与所需要捕的食物之间的距离，但它没有明确的目标的具体位置，它只能根据自己的规则确定自己的飞行方向和飞行速度。因此要找到食物最简单的策略，就是搜寻目前离食物最近的周围区域，然后跟随鸟群中的头鸟前行。鸟可以被定义为一个个被忽略质量和体积的微粒。共同在一个设定的N维的空间里，每个微粒都有由目标函数确定的适应度值，并知道自己发现的最好位置和确定自己的位置。除此以外，每个粒子都知道整个群体中粒子发现的最好位置，然后根据自己的经验和群体的经验来制定前行的飞行。简单的说，微粒群优化算法的基本思想就是通过群体中每个个体的合力协作以及信息共享以此来寻找最优的解。 2.1算法原理 PSO算法中最优解的搜寻过程是先初始化一群随机粒子（随机解），即随机速度和位置，通过目标函数计算出微粒的适应度值，并与经过的最好位置进行比较，将其作为最好的位置，然后则调整粒子的运行速度和位置。即选择出个体和群体的当前最优解，分别是粒子自身找到的最优解和整个集体找到的最优解，这两种最优解前者是个体极值，后者是全局极值，根据这个规则接着反复计算来更新两极值，最后找到最终的最优解。在实际算法中就是通过限定次数的迭代，然后找到最优位置也预先设定的最小适应阙值。 2.1.1基本微粒群算法 微粒群的基本算法的如下所述。 试中：i表示微粒i，t是表示第t代，j表示微粒是第j维。上述式子中包括三部分，其中第一部分是个记忆项，表示粒子上一次运动的速度大小和方向；第二部分表示了当前点指向粒子自身最优位置的速度影响，也被称之为粒子的自身认知向；第三部分是群体认知项，即指向微粒群体的最优位置且对粒子速度的影响。简而言之，就是粒子以自身经验为基础并结合其他粒子的最好经验来找到最优的那个解。 2.1.2标准粒子群算法 以上述式2.1为基础，经过修正研究，引入了惯性权重因子w，形成了微粒群算法的标准形式，式子表示如下： 式子中，w是非负的惯性权重因子，当w的值取得较大时，全局的搜寻最优能力会较强，但局部的寻优能力就相对比较弱；反之，当w值选的较小的时候，局部的寻优能力较强，但是相应的全局寻优能力就会弱。 2.2PSO算法的参数和结构形式 粒子群算法的的参数包括微粒总个数、惯性权重因子w、学习因子c1和c2、迭代次数和最大速度等。 其中惯性因子w与学习因子c1和