CN108608628A - 遗传算法修正蚁群算法优化的pid控制器及其应用 - Google Patents
遗传算法修正蚁群算法优化的pid控制器及其应用 Download PDFInfo
- Publication number
- CN108608628A CN108608628A CN201810220043.9A CN201810220043A CN108608628A CN 108608628 A CN108608628 A CN 108608628A CN 201810220043 A CN201810220043 A CN 201810220043A CN 108608628 A CN108608628 A CN 108608628A
- Authority
- CN
- China
- Prior art keywords
- ant
- formula
- algorithm
- path
- pid controller
- 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
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
- B29C45/17—Component parts, details or accessories; Auxiliary operations
- B29C45/76—Measuring, controlling or regulating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Manufacturing & Machinery (AREA)
- Mechanical Engineering (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供的一种遗传算法修正蚁群算法优化的PID控制器,所述遗传修正蚁群算法的优化方法包括以下步骤:将种群初始化,确定种群的规模为m以及最大迭代循环次数NCmax;规定种群的m个蚂蚁从不同的地点开始行走;建立禁忌表格,填充初始的出发地点;使每个蚂蚁根据概率转移状态公式进行搜索路径;使用式(1)完成信息素的更新,通过使用式(2)将信息素通过遗传算法修正;使用式(3)评价每次蚂蚁搜索路径后的效果,选出最佳的行进路径;若达到最大迭代次数,输出优化的PID参数,若未达到最大迭代次数,则返回使每个蚂蚁根据概率转移状态公式进行搜索路径步骤。通过将遗传算法嵌入蚁群算法,改善了PID控制器的控制性能,提高了控制的精确度。
Description
技术领域
本发明涉及注塑工艺领域,特别是涉及一种遗传算法修正蚁群算法优化的PID控制器及其应用。
背景技术
传统注塑机是通过控制液压油路来实现对注射过程的控制,其对液压油压力和注射速度的控制可以归结于对液压油路的比例先导阀和比例插装阀的控制。传统注塑机闭环压射控制较成熟、控制精度较高、工艺较完善,但是传统液压注塑机能效低、污染严重、能耗较大,这是其本身电动力转液压压力固有的缺陷。研发电动力直接控制的注塑机迫在眉睫,近几年随着大功率半导体技术和电机伺服系统的迅猛发展,全电动注塑机也获得了较快的发展。
全电动注塑机比传统液压注塑机的控制还要复杂,由于是直接对伺服电机进行控制,其控制系统不仅是非线性、强耦合、大滞后的系统,而且电机本身数学模型的复杂更加大了其控制难度。
20世纪30年代末,随着现代科技的迅速发展,工业自动控制系统对系统控制的快速性、准确性以及稳定性提出要求,PID控制因此而生。PID控制器(ProportionIntegration Differentiation,比例-积分-微分控制器)是在PID控制原理基础上,由比例单元P(Proportion)、积分单元I(Integration)以及微分单元D(Differentiation)构成的控制器,其原理是将偏差的比例、积分和微分通过线性组合构成控制量,用这一控制量对被控对象进行控制,根据反馈原始采集的历史数据与参考值相对比,根据差别的出现率纠正输入值,最终实现目标输出。到目前为止PID闭环控制器仍然是最快速、最稳定的闭环控制系统,但是复杂的注塑机控制系统依靠简单的PID控制器控制当然较为乏力,难免会出现响应速度慢、超调量较大的问题。很多学者将智能控制算法应用于其中但是都多多少少有一定的缺陷。例如模糊控制算法可以有效调节系统的超调量,但是由于模糊化和去模糊化的计算量较大,反而延长了了系统的调节时间;神经网络算法可以适应多种PID闭环控制系统,但是需要大量的实验历史数据,不适于实际控制系统;自整定控制算法需要根据不同注塑机机型、不同注塑件注射工艺分别建模,不适于批量生产。
蚁群算法是一种群体智能算法,全局搜索能力差、易陷入早熟停滞是群体智能算法的共有缺陷,这种缺陷会增加PID控制器的调节时间,降低系统的鲁棒性,超调量大。
发明内容
基于此,有必要针对传统的PID控制器无法满足全电动注塑机的控制需求,而独立的蚁群算法优化的PID控制器会增加调节时间,且超调量大的技术问题,提供一种遗传算法修正蚁群算法优化的PID控制器及其应用。
本发明提供的一种遗传算法修正蚁群算法优化的PID控制器,所述遗传修正蚁群算法的优化方法以下步骤:
将种群初始化,确定所述种群的规模为m以及最大迭代循环次数NCmax;规定所述种群的m个蚂蚁从不同的地点开始行走;
建立禁忌表格,填充初始的出发地点;
使每个蚂蚁根据概率转移状态公式进行搜索路径;
S400,使用式(1)完成信息素的更新,通过使用式(2)将所述信息素通过遗传算法修正;
τij(t+1)=(1-ρ)τij(t)+△τij(t)………………………式(1)
式中:
ρ--这条路径上的信息素挥发程度;
△τij(t)--t次迭代后路径(i,j)上新增加的信息素;
次跌代时编号为k的蚂蚁在这条路径上走过并遗留下的信息素;
τs=τ+τG………………………………………式(2)
式中:
τs--修正后的信息素;
τ--原有的信息素;
τG--使用遗传算法变异出来的信息素;
使用式(3)评价每次蚂蚁搜索路径后的效果,选出最佳的行进路径;
若达到所述最大迭代次数,输出优化的PID参数,若未达到所述最大迭代次数,则返回所述使每个蚂蚁根据概率转移状态公式进行搜索路径步骤。
在其中一个实施例中,所述概率转移状态公式为式(4):
式中:
allowedk--在所述禁忌表tabuk中允许编号为k的蚂蚁能够到达的最近目标,这个表格是人为加入的目的是改善自然蚁群寻找食物的盲目性,因而称之为人工蚁群算法;
ηij--这里表示的是单个蚂蚁寻找最优路径的能力,简单地说就是蚂蚁从出发地到目标地的最短路径,一般可以用与路径成反比例如倒数形式表示;
α--这条路线对于这只蚂蚁来说的重要程度;
β--这只蚂蚁识别能力对转移概率的影响。
在其中一个实施例中,所述最大迭代循环次数NCmax为200~400次。
在其中一个实施例中,所述遗传算法修正的修正方法为使用随机函数rand生成种群,所述种群使十进制的实数种群,再使用顺序交叉算法进行双点交叉,利用染色体片段断裂反向插入进行逆转变异,获得τG。
在其中一个实施例中,所述使用顺序交叉算法进行双点交叉,利用染色体片段断裂反向插入进行逆转变异,包括以下步骤:
Step.1两个随机父串为:
Father1=12|3456|789
Father2=98|7654|321
Step.2将选取的交配区相互交叉到两个父串的前面:
Father1’=7654|123456789
Father2’=3456|987654321
Step.3删除父串中互相重复的交配区域:
Son1=765412389
Son2=345698321。
本发明还提供了一种如上所述的PID控制器在全电动注塑机中的应用。
在其中一个实施例中,所述全电动注塑机的数学模型为式:
式中:
G(s)-表示前向通道传递函数;
s-表示复变量。
上述遗传算法修正蚁群算法优化的PID控制器,通过将遗传算法嵌入蚁群算法,以实现遗传算法对蚁群算法的修正,从而弥补独立使用蚁群算法优化PID控制器时增加调节时间、超调量大的缺陷,改善了PID控制器的控制性能,提高了控制的精确度。
附图说明
图1为本发明遗传算法修正蚁群算法优化的PID控制器一实施例的应用示意图;
图2为本发明遗传算法修正蚁群算法优化的PID控制器与AS优化的PID控制器的收敛速度对比图;
图3为本发明遗传算法修正蚁群算法优化的PID控制器与AS优化的PID控制器的控制效果对比图。
具体实施方式
本发明提供的遗传算法修正蚁群算法优化的PID控制器,遗传修正蚁群算法的优化方法包括以下步骤:
将种群初始化,确定种群的规模为m以及最大迭代循环次数NCmax;规定种群的m个蚂蚁从不同的地点开始行走;
建立禁忌表格,填充初始的出发地点;
每个蚂蚁根据概率转移状态公式进行搜索路径;
使用式(1)完成信息素的更新,通过使用式(2)将信息素通过遗传算法修正;
τij(t+1)=(1-ρ)τij(t)+△τij(t)…………………………式(1)
式中:
ρ--这条路径上的信息素挥发程度;
△τij(t)--t次迭代后路径(i,j)上新增加的信息素;
次跌代时编号为k的蚂蚁在这条路径上走过并遗留下的信息素;
τs=τ+τG………………………………式(2)
式中:
τs--修正后的信息素;
τ--原有的信息素;
τG--使用遗传算法变异出来的信息素;
S500,使用式(3)评价每次蚂蚁搜索路径后的效果,选出最佳的行进路径;
S600,若达到最大迭代次数,输出优化的PID参数,若未达到最大迭代次数,则返回步骤S300。
上述遗传算法修正蚁群算法优化的PID控制器,通过将遗传算法嵌入蚁群算法,以实现遗传算法对蚁群算法的修正,从而弥补独立使用蚁群算法优化PID控制器时增加调节时间、超调量大的缺陷,改善了PID控制器的控制性能,提高了控制的精确度。
进一步可选地,概率转移状态公式为式(4):
式中:
allowedk--在禁忌表tabuk中允许编号为k的蚂蚁能够到达的最近目标,这个表格是人为加入的目的是改善自然蚁群寻找食物的盲目性,因而称之为人工蚁群算法;
ηij--这里表示的是单个蚂蚁寻找最优路径的能力,简单地说就是蚂蚁从出发地到目标地的最短路径,一般可以用与路径成反比例如倒数形式表示;
α--这条路线对于这只蚂蚁来说的重要程度;
β--这只蚂蚁识别能力对转移概率的影响。
相对于传统的蚂蚁概率转移公式,本发明提供的蚂蚁概率转移公式能够加强蚁群算法消除随机性的能力,提高了本发明优化后的PID控制器的控制性能。
可选地,在具体实施例中,最大迭代循环次数NCmax为200~400次。例如可以使300次。
可选地,遗传算法修正的修正方法为使用随机函数rand生成种群,种群使十进制的实数种群,再使用顺序交叉算法进行双点交叉,利用染色体片段断裂反向插入进行逆转变异,获得τG。通过向算蚁群法中引入遗传因子以利用遗传算法对蚁群算法的修正,实现对蚁群算法的信息素初始值进行优化,从而能够实现遗传算法的遍历性和随机性对蚁群算法早熟缺陷的弥补。
进一步可选地,使用顺序交叉算法进行双点交叉,利用染色体片段断裂反向插入进行逆转变异,包括以下步骤:
Step.1两个随机父串为:
Father1=12|3456|789
Father2=98|7654|321
Step.2将选取的交配区相互交叉到两个父串的前面:
Father1’=7654|123456789
Father2’=3456|987654321
Step.3删除父串中互相重复的交配区域:
Son1=765412389
Son2=345698321。
请参阅图1所示,本发明还提供了一种上述PID控制器在全电动注塑机中的应用。全电动注塑机有两个伺服电机同时进行驱动,比一般的伺服液压注塑机要求控制精度更高、控制速度更快。全电动注塑机使用两个伺服电机电机控制,分别是熔胶电机和射胶电机,熔胶电机用于驱动螺杆旋转、射胶电机提供预塑熔胶过程和注塑成型过程的背压力。
注塑机注射系统控制在保证足够的背压力前提下关键在于对螺杆位移和速度的控制,螺杆运动方程可以表示为:
式中:
M代表注塑运动过程中压射物料注塑螺杆的重量(N);
g代表常数,重力加速度(m/s2);
v代表注塑螺杆的注射速度(m/s);
Fa、Fb、FL分别代表射胶电动机产生的背压力、熔胶电动机产生的、物料融化后的张力(N);
f代表物料与料桶和螺杆之间的摩擦力(N)。
注射速度的控制直接影响到制品质量的好坏,注射速度过高易造成熔融的物料流到浇口处、料筒吸气和排气不良等后果,致使制品出现溢边、表面烧料等现象;注射速度慢易造成制品内部有气泡、制品密度不均匀等后果。本发明提出的遗传算法修正蚁群算法优化的PID控制器,遗传算法修正的蚁群算法能同时优化全电机注射系统控制器的比例、积分、微分控制参数,相较于独立蚁群算法优化的PID控制器,具有更优异的控制速度以及控制精度,更能满足速度响应快、超调量第的注塑机注塑过程。
进一步可选地,全电动注塑机的数学模型为式:
式中:
G(s)-表示前向通道传递函数;
s-表示复变量。
该模型是四阶控制模型传递函数,相较于如式(6)所示的传统模型,更为准确。
以下,将通过对比独立的蚁群算法对本发明的有益效果进行更为详细的说明。
作为一示例,蚁群算法实现步骤如下:
Step.1将种群初始化,确定种群规模n,种群迭代循环次数NCmax;
Step.2迭代算法,每迭代一次计数NC+1,禁忌表索引次数加一s+1;
Step.3每个蚂蚁根据已经建立的概率转移状态公式对每一段路径进行选择并选择自己的最佳路径j向前推进,其中j∈{C-tabuk},其中C表示的集合,
Step.4每次迭代后修改每只蚂蚁的禁忌表格,将集合C中的所有元素都遍历完毕,更新每条路径上的信息素指标,信息素指标公式为:
Step.5若达到最大迭代次数NCmax则终止算法输出最优值,反之则将所有蚂蚁的禁忌表格清空并返回Step.2继续算法迭代。
请继续参阅图2所示,选择Rosenbrock函数验证本发明遗传算法修正的蚁群算法与独立的蚁群算法的收敛速度,其中,图2中虚线代表本发明遗传算法修正的蚁群算法,实线代表独立的蚁群算法。从图2中可以发现,
本发明的遗传算法修正的蚁群算法收敛速度明显优于独立的蚁群算法,说明本发明的遗传算法修正的蚁群算法没有降低智能算法的收敛时间,也就是说缩短了PID控制器的调节时间。
请继续参阅图3所示,进一步以Matlab仿真软件对控制器进行实验验证,根据式(5)建立仿真模型,模型最简单直接有效的输入是阶跃输入,也就是输入一个从0到0.1的信号,观察模型的输出响应。对比本发明的遗传算法修正蚁群算法优化的PID控制器与独立蚁群算法优化的PID控制器,从图3所示的控制效果可以看出,本发明的遗传算法修正蚁群算法优化的PID控制器的超调量明显减小。
综合图2和图3可以得知,本发明的遗传算法修正蚁群算法优化的PID控制器,在减少控制时间方面以及减小超调量方面,效果都有显著的提高。
进一步地,本发明以全电动注塑机MH-200T为具体实例来本发明的遗传算法修正蚁群算法优化的PID控制器。请参阅表1所示,为注射螺杆从50mm到80mm一次注射的实际控制效果数据
表1本发明遗传算法修正蚁群算法优化的PID控制器控制效果
注射次数 | 1 | 2 | 3 | 4 | 5 | 6 |
螺杆注塑初始位置 | 50mm | 50mm | 50mm | 50mm | 50mm | 50mm |
螺杆注塑完毕位置 | 80.4mm | 80.7mm | 79.7mm | 80.3mm | 80.6mm | 79.8mm |
注塑理想的状况是恰好达到80mm的位置,实际上控制总会有一定的偏差。控制过程直接决定了物料的给料量,在背压一定、速度一定、料筒温度恒定以及不考虑进气的影响的情况下,控制过程的注射给料如果恒定则将大大提高制品的一致性。从表1可以发现,注射误差都在5‰以内,足以满足实际生产的需求。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种遗传算法修正蚁群算法优化的PID控制器,其特征在于,所述遗传修正蚁群算法的优化方法包括以下步骤:
将种群初始化,确定所述种群的规模m,以及所述种群的最大迭代循环次数NCmax;规定所述种群的m个蚂蚁从不同的地点开始行走;
建立禁忌表格,填充初始的出发地点;
使每个蚂蚁根据概率转移状态公式进行搜索路径;
使用式(1)完成信息素的更新,通过使用式(2)将所述信息素通过遗传算法修正;
τij(t+1)=(1-ρ)τij(t)+△τij(t)…………………式(1)
式中:
ρ--这条路径上的信息素挥发程度;
△τij(t)--t次迭代后路径(i,j)上新增加的信息素;
--t次跌代时编号为k的蚂蚁在这条路径上走过并遗留下的信息素;
τs=τ+τG…………………………………式(2)
式中:
τs--修正后的信息素;
τ--原有的信息素;
τG--使用遗传算法变异出来的信息素;
使用式(3)评价每次蚂蚁搜索路径后的效果,选出最佳的行进路径;
若达到所述最大迭代次数,输出优化的PID参数,若未达到所述最大迭代次数,则返回所述使每个蚂蚁根据概率转移状态公式进行搜索路径步骤。
2.根据权利要求1所述的PID控制器,其特征在于,所述概率转移状态公式为式(4):
式中:
allowedk--在所述禁忌表tabuk中允许编号为k的蚂蚁能够到达的最近目标,这个表格是人为加入的目的是改善自然蚁群寻找食物的盲目性,因而称之为人工蚁群算法;
ηij--这里表示的是单个蚂蚁寻找最优路径的能力,简单地说就是蚂蚁从出发地到目标地的最短路径,一般可以用与路径成反比例如倒数形式表示;
α--这条路线对于这只蚂蚁来说的重要程度;
β--这只蚂蚁识别能力对转移概率的影响。
3.根据权利要求1所述的PID控制器,其特征在于,所述最大迭代循环次数NCmax为200~400次。
4.根据权利要求1所述的PID控制器,其特征在于,所述遗传算法修正的修正方法为使用随机函数rand生成种群,所述种群使十进制的实数种群,再使用顺序交叉算法进行双点交叉,利用染色体片段断裂反向插入进行逆转变异,获得τG。
5.根据权利要求4所述的PID控制器,其特征在于,所述使用顺序交叉算法进行双点交叉,利用染色体片段断裂反向插入进行逆转变异,包括以下步骤:
Step.1两个随机父串为:
Father1=12|3456|789
Father2=98|7654|321
Step.2将选取的交配区相互交叉到两个父串的前面:
Father1’=7654|123456789
Father2’=3456|987654321
Step.3删除父串中互相重复的交配区域:
Son1=765412389
Son2=345698321。
6.一种如权利要求1至5任意一项所述的PID控制器在全电动注塑机中的应用。
7.根据权利要求6所述的应用,其特征在于,所述全电动注塑机的数学模型为式:
式中:
G(s)-表示前向通道传递函数;
s-表示复变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810220043.9A CN108608628A (zh) | 2018-03-16 | 2018-03-16 | 遗传算法修正蚁群算法优化的pid控制器及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810220043.9A CN108608628A (zh) | 2018-03-16 | 2018-03-16 | 遗传算法修正蚁群算法优化的pid控制器及其应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108608628A true CN108608628A (zh) | 2018-10-02 |
Family
ID=63658849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810220043.9A Pending CN108608628A (zh) | 2018-03-16 | 2018-03-16 | 遗传算法修正蚁群算法优化的pid控制器及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108608628A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210155A (zh) * | 2019-06-10 | 2019-09-06 | 西北工业大学 | 一种飞机壁板铆接路径数值规划方法 |
CN111614299A (zh) * | 2020-05-29 | 2020-09-01 | 上海海事大学 | 一种基于蚁群优化pid永磁同步电机直接转矩控制方法 |
CN111859733A (zh) * | 2020-06-19 | 2020-10-30 | 江西五十铃汽车有限公司 | 一种基于蚁群算法的汽车排气系统可靠性优化方法 |
CN112003503A (zh) * | 2020-07-23 | 2020-11-27 | 西安理工大学 | 一种基于蚁群龙贝格观测器的永磁同步直线电机控制方法 |
CN112406058A (zh) * | 2020-11-13 | 2021-02-26 | 广东工业大学 | 一种注塑机pid控制器的参数调控方法及pid控制器 |
CN113009821A (zh) * | 2021-02-10 | 2021-06-22 | 上海海事大学 | 一种基于信息素初始分配和动态更新的蚁群算法优化方法 |
CN113050426A (zh) * | 2021-03-22 | 2021-06-29 | 山东大学 | 一种融合遗传蚁群算法的热管理控制方法及系统 |
CN113211750A (zh) * | 2021-04-25 | 2021-08-06 | 广东工业大学 | 一种基于udf和数值模拟的注塑机料筒计量段温度控制方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105759715A (zh) * | 2016-02-23 | 2016-07-13 | 柳州职业技术学院 | 智能自整定注塑机控制方法 |
-
2018
- 2018-03-16 CN CN201810220043.9A patent/CN108608628A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105759715A (zh) * | 2016-02-23 | 2016-07-13 | 柳州职业技术学院 | 智能自整定注塑机控制方法 |
Non-Patent Citations (1)
Title |
---|
彭沛夫: "《遗传融合的自适应蚁群算法最优化PID控制研究》", 《中国优秀博硕学位论文全文数据库,信息科技辑》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210155B (zh) * | 2019-06-10 | 2022-08-02 | 西北工业大学 | 一种飞机壁板铆接路径数值规划方法 |
CN110210155A (zh) * | 2019-06-10 | 2019-09-06 | 西北工业大学 | 一种飞机壁板铆接路径数值规划方法 |
CN111614299A (zh) * | 2020-05-29 | 2020-09-01 | 上海海事大学 | 一种基于蚁群优化pid永磁同步电机直接转矩控制方法 |
CN111859733A (zh) * | 2020-06-19 | 2020-10-30 | 江西五十铃汽车有限公司 | 一种基于蚁群算法的汽车排气系统可靠性优化方法 |
CN111859733B (zh) * | 2020-06-19 | 2023-06-27 | 江西五十铃汽车有限公司 | 一种基于蚁群算法的汽车排气系统可靠性优化方法 |
CN112003503A (zh) * | 2020-07-23 | 2020-11-27 | 西安理工大学 | 一种基于蚁群龙贝格观测器的永磁同步直线电机控制方法 |
CN112406058B (zh) * | 2020-11-13 | 2021-08-03 | 广东工业大学 | 一种注塑机pid控制器的参数调控方法及pid控制器 |
CN112406058A (zh) * | 2020-11-13 | 2021-02-26 | 广东工业大学 | 一种注塑机pid控制器的参数调控方法及pid控制器 |
CN113009821A (zh) * | 2021-02-10 | 2021-06-22 | 上海海事大学 | 一种基于信息素初始分配和动态更新的蚁群算法优化方法 |
CN113009821B (zh) * | 2021-02-10 | 2022-08-19 | 上海海事大学 | 一种基于信息素初始分配和动态更新的蚁群算法优化方法 |
CN113050426A (zh) * | 2021-03-22 | 2021-06-29 | 山东大学 | 一种融合遗传蚁群算法的热管理控制方法及系统 |
CN113211750A (zh) * | 2021-04-25 | 2021-08-06 | 广东工业大学 | 一种基于udf和数值模拟的注塑机料筒计量段温度控制方法 |
CN113211750B (zh) * | 2021-04-25 | 2023-02-17 | 广东工业大学 | 一种基于udf和数值模拟的注塑机料筒计量段温度控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108608628A (zh) | 遗传算法修正蚁群算法优化的pid控制器及其应用 | |
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 | |
CN107193212B (zh) | 基于新型灰狼优化算法的航空发动机非线性预测控制方法 | |
CN109376493B (zh) | 一种粒子群优化的径向基神经网络车辆速度跟踪方法 | |
CN109696827A (zh) | 惯性权重余弦调整粒子群优化算法的pid参数整定方法 | |
CN102773981B (zh) | 一种注塑机节能优化系统的实现方法 | |
CN107367937A (zh) | 一种基于自适应果蝇优化算法的pid参数优化方法 | |
CN109901403A (zh) | 一种自主水下机器人神经网络s面控制方法 | |
CN108181802A (zh) | 一种性能可控pid控制器参数优化整定方法 | |
CN110195660B (zh) | 基于深度q学习的航空发动机控制装置 | |
CN110399697B (zh) | 基于改进遗传学习粒子群算法的飞行器的控制分配方法 | |
CN107506821A (zh) | 一种改进的粒子群优化方法 | |
CN112597700B (zh) | 基于神经网络的飞行器弹道仿真方法 | |
CN113281993B (zh) | 一种贪心k-均值自组织神经网络多机器人路径规划方法 | |
CN108304615A (zh) | 一种抽水蓄能机组开机规律的双目标优选方法及系统 | |
CN111553118A (zh) | 基于强化学习的多维连续型优化变量全局优化方法 | |
CN106325074A (zh) | 一种基于布谷鸟算法的pid控制器参数智能整定方法 | |
CN109991853A (zh) | 多阶段间歇过程2d输入输出约束跟踪控制方法 | |
CN105759715A (zh) | 智能自整定注塑机控制方法 | |
CN105955921A (zh) | 基于自动发现抽象动作的机器人分层强化学习初始化方法 | |
CN108717259A (zh) | 一种直流电动装置控制系统及其构建方法 | |
CN105511270A (zh) | 一种基于协同进化的pid控制器参数优化方法和系统 | |
CN110588654A (zh) | 一种自动整定车辆速度相应pid控制参数的方法 | |
CN105117616B (zh) | 基于粒子群算法的微生物发酵优化方法 | |
CN116088492A (zh) | 一种基于sma-aco算法的机器人路径规划方法 |
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 |
Application publication date: 20181002 |
|
RJ01 | Rejection of invention patent application after publication |