CN107367937A - 一种基于自适应果蝇优化算法的pid参数优化方法 - Google Patents

一种基于自适应果蝇优化算法的pid参数优化方法 Download PDF

Info

Publication number
CN107367937A
CN107367937A CN201710667367.2A CN201710667367A CN107367937A CN 107367937 A CN107367937 A CN 107367937A CN 201710667367 A CN201710667367 A CN 201710667367A CN 107367937 A CN107367937 A CN 107367937A
Authority
CN
China
Prior art keywords
drosophila
mrow
pid
algorithm
msub
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710667367.2A
Other languages
English (en)
Inventor
李明辉
曹泽
杨星奎
陈周林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shaanxi University of Science and Technology
Original Assignee
Shaanxi University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shaanxi University of Science and Technology filed Critical Shaanxi University of Science and Technology
Priority to CN201710667367.2A priority Critical patent/CN107367937A/zh
Publication of CN107367937A publication Critical patent/CN107367937A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

一种基于自适应果蝇优化算法的PID参数优化方法，将基本果蝇优化算法(FOA)引入半径调节系数自适应搜索范围，通过自适应果蝇优化算法中引入惩罚控制的气味搜索适应度函数作为评价标准，寻找到最优PID参数值，具体包括如下步骤：1)适应度函数的选取，2)PID控制器的算法设计；3)算法执行优化PID参数过程；4)输出最优适应度函数值及PID控制参数；本发明提供了一种算法控制精度高、响应速度快、鲁棒性良好的基于自适应果蝇优化算法的PID参数优化方法。

Description

一种基于自适应果蝇优化算法的PID参数优化方法
技术领域
本发明涉及PID参数优化方法技术领域，特别涉及一种基于自适应果蝇优化算法的PID参数优化方法。
背景技术
PID控制器由于其算法简单、鲁棒性好、可靠性高，被广泛应用于工业过程控制中。传统的PID控制器参数整定需要人工经验的总结，难以获得理想的最优值。遗传算法编程比较复杂，参数比较多；粒子群算法在进化后期收敛速度减弱,容易陷入局部最优。同时，基本果蝇算法也没有考虑寻优步长自适应变化，使得算法寻优精度不高、收敛速度较慢，增加了迭代次数和时间。
发明内容
为了解决上述问题，本发明提供了一种基于自适应果蝇优化算法的PID参数优化方法，通过新的工业过程控制策略，使PID控制能够得到响应速度快，精确度高的效果。
为实现上述目的，本发明采用的技术方案是：
一种基于自适应果蝇优化算法的PID参数优化方法，具体包括以下两部分：
(1)适应度函数的选取；
为了获取理想的动态特性，采用误差绝对值的时间积分性能指标作为最小目标函数，为了防止控制能量过大，引入控制输入平方项，则目标函数为：
其中，e(t)为输入量rin(t)和PID控制输出yout(t)之间的误差值，u(t)为控制器输出，ω1和ω2为权值常数，在[0,1]之间；
为了避免超调，采用一定的惩罚控制，将超调量作为最优指标的一项，此时最有指标为：
当e(t)＜0时，
其中，ω3为权值，且ω3＞＞ω1，一般情况下，ω1＝0.999，ω2＝0.001，ω3＝100；
(2)PID控制器的IFOA算法设计
设计PID参数整定的IFOA算法步骤如下：
Step1、设置果蝇种群大小sizepop及最大迭代次数maxgen，并初始化果蝇个体的位置X_axis，其中，每个果蝇的位置由比例、积分、微分三个控制参数组成：
X_axis＝[Kp Ki Kd] (3)
由于果蝇种群的多样性，可以根据实际工程背景设定Kp、Ki、Kd的取值范围，初始位置在相应范围内随机产生；
Step2、给出果蝇个体利用嗅觉搜寻实物的随机方向和距离为：
Xi＝X_axis+ω×(2×rand()-1) (4)
ω为搜索半径，初始值设定为ω＝1；rand()是[0,1]区间服从均匀分布的随机数；
Step3、设置半径调节系数λ，令ω＝ω×λi，i为当前迭代次数，保证迭代次数越大，搜索范围越小；
Step4、令气味浓度判定值Si＝Xi，根据公式(1)、(2)计算气味浓度的适应度值：
Smelli＝function(Xi) (5)
Step5、从果蝇群体中找到味道浓度最优的浓度和个体；
[bestSmell bestIndex]＝min(Smelli) (6)
Step6、记录并保留最优浓度以及最优的X_axis[Kp Ki Kd]，这时候果蝇利用视觉向该位置飞去；
Smellbest＝bestSmell
X_axis＝X(bestIndex) (7)
Step7、进入迭代寻优，将步骤2～5循环进行，判断当前最佳浓度是否优于前一次最佳浓度，并且当前迭代次数是否小于最大迭代次数；若是则记录下来；
通过程序执行，自适应果蝇优化算法结果输出最优个体气味浓度适应度值Smellbest以及PID最优参数Xbest(Kp Ki Kd)；
选取目标最小值对应的PID三个参数为最优值。
本发明的有益效果：
通过改变搜索步长，可以在迭代初期以较大步长提高寻优效率，在寻优后期进行小步长精确寻优，能够提高系统的控制精度和鲁棒性，可减少系统优化迭代次数和时间，该算法具有一定的有效性和优越性，为工业过程控制提供新的思路。
附图说明
附图1为果蝇群体迭代搜索食物示意图。
附图2为自适应果蝇优化算法流程图。
附图3为PID控制系统框图。
附图4为基于IFOA的PID参数整定原理图。
附图5个体气味浓度适应度函数曲线。
附图6为二阶延迟系统阶跃响应。
具体实施方式
下面结合附图对本发明做详细说明。
如图1所示：果蝇优化算法是由果蝇的觅食行为过程启发而来。果蝇能利用嗅觉器官很好地搜集漂浮在空气中的各种气味，甚至能嗅到40公里以外的食物源。然后，飞到食物位置附近后使用敏锐的视觉发现食物与同伴的位置，并且往该方向飞，在此搜索过程中并能根据半径大小自适应调节范围。果蝇优化算法的中心思想是：果蝇和食物之间的距离与食物的味道浓度是相关的，即距离越大，其味道浓度越大。
考虑到基本果蝇优化算法FOA在寻优过程中，搜索范围一直是[-1,1]，即半径为1的区域。这样的弊端是在搜索前期可能会因选择步长较小而使搜索效率下降，在搜索后期又因步长较大而错过最优解。因此，在搜索过程中引入半径调节系数λ，使搜索范围随着迭代次数的增加逐步减少。将自适应果蝇优化算法的初始值设定为PID三个参数的随机值，通过迭代寻优，找到最小的适应度函数值，从而确定合适的PID参数，最终实现系统较好的控制。自适应果蝇优化算法具体流程如图2所示。
自适应果蝇优化算法的PID参数优化过程具体包括以下两部分：
(1)适应度函数的选取
自适应果蝇优化算法(IFOA)在搜索过程中不仅用气味浓度适应度函数来评价果蝇个体或解的优劣，并作为以后寻优个体位置更新的依据，使得初始解逐步向最优解迭代。气味浓度适应度函数是自适应果蝇优化算法与控制系统结合的纽带，使算法不断向控制目标寻找到最优解。
为了获取理想的动态特性，采用误差绝对值的时间积分性能指标作为最小目标函数。为了防止控制能量过大，引入控制输入平方项。则目标函数为：
其中，e(t)为输入量rin(t)和PID控制输出
yout(t)之间的误差值，u(t)为控制器输出，ω1和ω2为权值常数，在[0,1]之间。
为了避免超调，采用一定的惩罚控制，将超调量作为最优指标的一项，此时最有指标为：
当e(t)＜0时，
其中，ω3为权值，且ω3＞＞ω1，一般情况下，ω1＝0.999，ω2＝0.001，ω3＝100。
(2)PID控制器的IFOA算法设计
根据图3的PID控制系统框图和图4基于IFOA算法的PID参数整定原理图，设计PID参数整定的IFOA算法步骤如下：
Step1、设置果蝇种群大小sizepop及最大迭代次数maxgen，并初始化果蝇个体的位置X_axis，其中，每个果蝇的位置由比例、积分、微分三个控制参数组成：
X_axis＝[Kp Ki Kd] (3)
由于果蝇种群的多样性，可以根据实际工程背景设定Kp、Ki、Kd的取值范围，初始位置在相应范围内随机产生；
Step2、给出果蝇个体利用嗅觉搜寻实物的随机方向和距离为：
Xi＝X_axis+ω×(2×rand()-1) (4)
ω为搜索半径，初始值设定为ω＝1；rand()是[0,1]区间服从均匀分布的随机数；
Step3、设置半径调节系数λ，令ω＝ω×λi，i为当前迭代次数，保证迭代次数越大，搜索范围越小；
Step4、令气味浓度判定值Si＝Xi，根据公式(1)、(2)计算气味浓度的适应度值：
Smelli＝function(Xi) (5)
Step 5、从果蝇群体中找到味道浓度最优的浓度和个体；
[bestSmell bestIndex]＝min(Smelli) (6)
Step6、记录并保留最优浓度以及最优的X_axis[Kp Ki Kd]，这时候果蝇利用视觉向该位置飞去；
Smellbest＝bestSmell
X_axis＝X(bestIndex) (7)
Step7、进入迭代寻优，将步骤2～5循环进行，判断当前最佳浓度是否优于前一次最佳浓度，并且当前迭代次数是否小于最大迭代次数。若是则记录下来。
通过程序执行，自适应果蝇优化算法结果输出最优个体气味浓度适应度值Smellbest以及PID最优参数Xbest(Kp Ki Kd)。个体寻优过程如图5，二阶延迟系统的阶跃响应如图6。可以看出，IFOA算法比FOA算法的精度要高，收敛速度更快，更容易得到全局最优解。改进后的IFOA算法PID优化参数上升时间较基本FOA算法更快，并且能找到更小的适应值，因此该自使用果蝇优化算法的PID参数优化方法控制精度高、收敛速度快，具有一定的有效性和优越性。
在搜索过程中引入半径调节系数λ，可实现在迭代初期以较大步长提高寻优效率，在寻优后期进行小步长精确寻优。
将自适应果蝇优化算法的初始值设定为PID三个参数的随机值，通过寻优迭代找到最优浓度值对应的PID参数。
将自适应果蝇优化算法与传统PID算法相结合应用于二阶延迟系统中，通过自适应果蝇优化算法中引入惩罚控制的适应度函数作为评价解的优劣，系统高精度、高鲁棒性控制，进而改善系统的性能。
该算法以误差绝对值和控制输入平方项的时间积分作为优化目标，目标最小值对应的PID三个参数为最优值。
本发明将该算法以误差绝对值和控制输入平方项的时间积分作为优化目标，将自适应果蝇优化算法和PID参数结合起来，经过迭代寻优对二阶延迟系统采用惩罚控制得到最优的PID的比例、积分、微分三个参数。

Claims (1)

1.一种基于自适应果蝇优化算法的PID参数优化方法，其特征在于，具体包括以下两部分：
(1)适应度函数的选取
为了获取理想的动态特性，采用误差绝对值的时间积分性能指标作为最小目标函数，为了防止控制能量过大，引入控制输入平方项，则目标函数为：
<mrow> <mi>J</mi> <mo>=</mo> <msubsup> <mo>&amp;Integral;</mo> <mn>0</mn> <mo>&amp;Proportional;</mo> </msubsup> <mrow> <mo>(</mo> <msub> <mi>&amp;omega;</mi> <mn>1</mn> </msub> <mo>|</mo> <mi>e</mi> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>|</mo> <mo>+</mo> <msub> <mi>&amp;omega;</mi> <mn>2</mn> </msub> <msup> <mi>u</mi> <mn>2</mn> </msup> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>)</mo> </mrow> <mi>d</mi> <mi>t</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
其中，e(t)为输入量rin(t)和PID控制输出yout(t)之间的误差值，u(t)为控制器输出，ω1和ω2为权值常数，在[0,1]之间；
为了避免超调，采用一定的惩罚控制，将超调量作为最优指标的一项，此时最有指标为：
当e(t)＜0时，
<mrow> <mi>J</mi> <mo>=</mo> <msubsup> <mo>&amp;Integral;</mo> <mn>0</mn> <mo>&amp;Proportional;</mo> </msubsup> <mrow> <mo>(</mo> <msub> <mi>&amp;omega;</mi> <mn>1</mn> </msub> <mo>|</mo> <mi>e</mi> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>|</mo> <mo>+</mo> <msub> <mi>&amp;omega;</mi> <mn>2</mn> </msub> <msup> <mi>u</mi> <mn>2</mn> </msup> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>+</mo> <msub> <mi>&amp;omega;</mi> <mn>3</mn> </msub> <mo>|</mo> <mi>e</mi> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>|</mo> <mo>)</mo> </mrow> <mi>d</mi> <mi>t</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
其中，ω3为权值，且ω3＞＞ω1，一般情况下，ω1＝0.999，ω2＝0.001，ω3＝100；
(2)PID控制器的IFOA算法设计
设计PID参数整定的IFOA算法步骤如下：
Step 1、设置果蝇种群大小sizepop及最大迭代次数maxgen，并初始化果蝇个体的位置X_axis，其中，每个果蝇的位置由比例、积分、微分三个控制参数组成：
X_axis＝[Kp Ki Kd] (3)
由于果蝇种群的多样性，可以根据实际工程背景设定Kp、Ki、Kd的取值范围，初始位置在相应范围内随机产生；
Step 2、给出果蝇个体利用嗅觉搜寻实物的随机方向和距离为：
Xi＝X_axis+ω×(2×rand()-1) (4)
ω为搜索半径，初始值设定为ω＝1；rand()是[0,1]区间服从均匀分布的随机数；
Step 3、设置半径调节系数λ，令ω＝ω×λi，i为当前迭代次数，保证迭代次数越大，搜索范围越小；
Step 4、令气味浓度判定值Si＝Xi，根据公式(1)、(2)计算气味浓度的适应度值：
Smelli＝function(Xi) (5)
Step 5、从果蝇群体中找到味道浓度最优的浓度和个体；
[bestSmell bestIndex]＝min(Smelli) (6)
Step 6、记录并保留最优浓度以及最优的X_axis[Kp Ki Kd]，这时候果蝇利用视觉向该位置飞去；
Smellbest＝bestSmell
X_axis＝X(bestIndex) (7)
Step 7、进入迭代寻优，将步骤2～5循环进行，判断当前最佳浓度是否优于前一次最佳浓度，并且当前迭代次数是否小于最大迭代次数；若是则记录下来；
通过程序执行，自适应果蝇优化算法结果输出最优个体气味浓度适应度值Smellbest以及PID最优参数Xbest(Kp Ki Kd)；
该算法以误差绝对值和控制输入平方项的时间积分作为优化目标，目标最小值对应的PID三个参数为最优值。
CN201710667367.2A 2017-08-07 2017-08-07 一种基于自适应果蝇优化算法的pid参数优化方法 Pending CN107367937A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710667367.2A CN107367937A (zh) 2017-08-07 2017-08-07 一种基于自适应果蝇优化算法的pid参数优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710667367.2A CN107367937A (zh) 2017-08-07 2017-08-07 一种基于自适应果蝇优化算法的pid参数优化方法

Publications (1)

Publication Number Publication Date
CN107367937A true CN107367937A (zh) 2017-11-21

Family

ID=60310124

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710667367.2A Pending CN107367937A (zh) 2017-08-07 2017-08-07 一种基于自适应果蝇优化算法的pid参数优化方法

Country Status (1)

Country Link
CN (1) CN107367937A (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108710748A (zh) * 2018-05-17 2018-10-26 西安工业大学 一种平面四杆机构轨迹设计的果蝇优化方法
CN109816088A (zh) * 2018-12-29 2019-05-28 上海电力学院 一种压电精密定位平台参数辨识方法及其应用
CN109974360A (zh) * 2019-03-19 2019-07-05 东南大学 一种基于果蝇算法的制冷系统温度优化控制方法
CN110046437A (zh) * 2019-04-20 2019-07-23 北京工业大学 基于果蝇优化算法对栓接结合部间距的优化方法
CN110083056A (zh) * 2019-05-28 2019-08-02 北京交通大学 一种城轨列车pid控制器自动调整方法
CN110221539A (zh) * 2019-05-17 2019-09-10 江苏理工学院 基于线性扩张观测器的四旋翼非奇异终端滑模控制方法
CN110361974A (zh) * 2019-07-16 2019-10-22 华北水利水电大学 基于bp-foa混合算法的水轮机调速系统优化方法
CN112000001A (zh) * 2020-06-12 2020-11-27 中铁科工集团装备工程有限公司 一种基于改进贝叶斯模型的pid参数整定优化方法
CN112051740A (zh) * 2020-08-31 2020-12-08 五邑大学 滑模控制器参数整定方法、参数整定装置及存储介质
CN112180122A (zh) * 2020-09-28 2021-01-05 中国人民解放军海军航空大学 一种基于改进果蝇优化算法的mems加速度计无转台标定方法
CN113344304A (zh) * 2021-07-19 2021-09-03 安徽理工大学 一种新型煤矿井下机车调度优化方法
CN114839859A (zh) * 2022-03-18 2022-08-02 东华大学 一种张力控制的适应度计算方法及存储介质
CN114942657A (zh) * 2022-04-21 2022-08-26 国网山东省电力公司建设公司 一种混凝土浇筑过程中内部温度控制系统和控制方法
CN115562279A (zh) * 2022-10-12 2023-01-03 北京工业大学 一种全向移动机器人自抗扰控制器的设计方法
CN115616918A (zh) * 2022-11-11 2023-01-17 国网安徽省电力有限公司芜湖市繁昌区供电公司 基于改进果蝇优化算法的并网逆变器控制方法及系统
CN116760277A (zh) * 2023-06-05 2023-09-15 广州菲利斯太阳能科技有限公司 一种用于光伏逆变器的Boost PFC电路控制方法
CN117097227A (zh) * 2023-10-17 2023-11-21 深圳市华科科技有限公司 电机的调速控制方法及相关装置

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108710748A (zh) * 2018-05-17 2018-10-26 西安工业大学 一种平面四杆机构轨迹设计的果蝇优化方法
CN108710748B (zh) * 2018-05-17 2022-04-26 西安工业大学 一种平面四杆机构轨迹设计的果蝇优化方法
CN109816088A (zh) * 2018-12-29 2019-05-28 上海电力学院 一种压电精密定位平台参数辨识方法及其应用
CN109974360A (zh) * 2019-03-19 2019-07-05 东南大学 一种基于果蝇算法的制冷系统温度优化控制方法
CN109974360B (zh) * 2019-03-19 2020-10-27 东南大学 一种基于果蝇算法的制冷系统温度优化控制方法
CN110046437A (zh) * 2019-04-20 2019-07-23 北京工业大学 基于果蝇优化算法对栓接结合部间距的优化方法
CN110221539B (zh) * 2019-05-17 2022-04-08 江苏理工学院 基于线性扩张观测器的四旋翼非奇异终端滑模控制方法
CN110221539A (zh) * 2019-05-17 2019-09-10 江苏理工学院 基于线性扩张观测器的四旋翼非奇异终端滑模控制方法
CN110083056A (zh) * 2019-05-28 2019-08-02 北京交通大学 一种城轨列车pid控制器自动调整方法
CN110361974A (zh) * 2019-07-16 2019-10-22 华北水利水电大学 基于bp-foa混合算法的水轮机调速系统优化方法
CN110361974B (zh) * 2019-07-16 2022-10-04 华北水利水电大学 基于bp-foa混合算法的水轮机调速系统优化方法
CN112000001A (zh) * 2020-06-12 2020-11-27 中铁科工集团装备工程有限公司 一种基于改进贝叶斯模型的pid参数整定优化方法
CN112000001B (zh) * 2020-06-12 2024-04-23 中铁科工集团装备工程有限公司 一种基于改进贝叶斯模型的pid参数整定优化方法
CN112051740A (zh) * 2020-08-31 2020-12-08 五邑大学 滑模控制器参数整定方法、参数整定装置及存储介质
CN112180122A (zh) * 2020-09-28 2021-01-05 中国人民解放军海军航空大学 一种基于改进果蝇优化算法的mems加速度计无转台标定方法
CN112180122B (zh) * 2020-09-28 2022-07-12 中国人民解放军海军航空大学 一种基于改进果蝇优化算法的mems加速度计无转台标定方法
CN113344304A (zh) * 2021-07-19 2021-09-03 安徽理工大学 一种新型煤矿井下机车调度优化方法
CN114839859A (zh) * 2022-03-18 2022-08-02 东华大学 一种张力控制的适应度计算方法及存储介质
CN114942657B (zh) * 2022-04-21 2023-10-27 国网山东省电力公司建设公司 一种混凝土浇筑过程中内部温度控制系统和控制方法
CN114942657A (zh) * 2022-04-21 2022-08-26 国网山东省电力公司建设公司 一种混凝土浇筑过程中内部温度控制系统和控制方法
CN115562279A (zh) * 2022-10-12 2023-01-03 北京工业大学 一种全向移动机器人自抗扰控制器的设计方法
CN115562279B (zh) * 2022-10-12 2024-07-19 北京工业大学 一种全向移动机器人自抗扰控制器的设计方法
CN115616918A (zh) * 2022-11-11 2023-01-17 国网安徽省电力有限公司芜湖市繁昌区供电公司 基于改进果蝇优化算法的并网逆变器控制方法及系统
CN115616918B (zh) * 2022-11-11 2023-10-03 国网安徽省电力有限公司芜湖市繁昌区供电公司 基于改进果蝇优化算法的并网逆变器控制方法及系统
CN116760277A (zh) * 2023-06-05 2023-09-15 广州菲利斯太阳能科技有限公司 一种用于光伏逆变器的Boost PFC电路控制方法
CN117097227A (zh) * 2023-10-17 2023-11-21 深圳市华科科技有限公司 电机的调速控制方法及相关装置
CN117097227B (zh) * 2023-10-17 2024-01-26 深圳市华科科技有限公司 电机的调速控制方法及相关装置

Similar Documents

Publication Publication Date Title
CN107367937A (zh) 一种基于自适应果蝇优化算法的pid参数优化方法
CN107272679B (zh) 基于改进的蚁群算法的路径规划方法
CN110308649B (zh) 应用于工业过程控制的基于pso-soa融合算法的pid参数优化方法
CN103927580B (zh) 一种基于改进人工蜂群算法的工程约束参数优化方法
CN105114242B (zh) 基于模糊自适应的depso算法的水轮机调速器参数优化方法
CN109214498A (zh) 基于搜索集中度和动态信息素更新的蚁群算法优化方法
CN108181802A (zh) 一种性能可控pid控制器参数优化整定方法
CN106407559B (zh) 开关磁阻电机结构参数优化方法及装置
CN107506821A (zh) 一种改进的粒子群优化方法
CN108608628A (zh) 遗传算法修正蚁群算法优化的pid控制器及其应用
CN114357852A (zh) 一种基于长短期记忆神经网络和粒子群优化算法的分层注水优化方法
CN107390754A (zh) 基于物联网云平台的智能植物生长环境调节系统与方法
KR102104732B1 (ko) 풍력 발전 지대용 유효 전력을 분배하기 위한 방법 및 디바이스
CN113253779A (zh) 一种基于粒子群模糊pid算法的热泵温度控制系统
CN114995460B (zh) 一种基于自适应改进蚁群算法的机器人路径规划方法
CN102289713A (zh) 一种基于进化优化算法的有约束问题优化方法
CN104613597B (zh) 高效节能空调机组控制方法和控制装置、空调机组
Shi et al. Rethinking the pid optimizer for stochastic optimization of deep networks
CN110361974B (zh) 基于bp-foa混合算法的水轮机调速系统优化方法
CN110185789B (zh) 基于蜂群神经网络集成的新能源车amt换挡策略
CN105719081A (zh) 一种基于改进人工蜂群算法的电力系统动态经济调度方法
CN106440844B (zh) 一种篦冷机刮板速度控制方法
CN110588654B (zh) 一种自动整定车辆速度相应pid控制参数的方法
CN117318562A (zh) 一种节能电机曲线设计方法
CN106408082A (zh) 一种基于区域分割的控制方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20171121