CN116610025A - 一种基于改进元启发式算法的pid控制器优化方法 - Google Patents

一种基于改进元启发式算法的pid控制器优化方法 Download PDF

Info

Publication number
CN116610025A
CN116610025A CN202310882820.7A CN202310882820A CN116610025A CN 116610025 A CN116610025 A CN 116610025A CN 202310882820 A CN202310882820 A CN 202310882820A CN 116610025 A CN116610025 A CN 116610025A
Authority
CN
China
Prior art keywords
improved
pid controller
rabbit
heuristic algorithm
formula
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.)
Granted
Application number
CN202310882820.7A
Other languages
English (en)
Other versions
CN116610025B (zh
Inventor
张玉璘
管峰保
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.)
University of Jinan
Original Assignee
University of Jinan
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 University of Jinan filed Critical University of Jinan
Priority to CN202310882820.7A priority Critical patent/CN116610025B/zh
Publication of CN116610025A publication Critical patent/CN116610025A/zh
Application granted granted Critical
Publication of CN116610025B publication Critical patent/CN116610025B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G05B11/00—Automatic controllers
    • G05B11/01—Automatic controllers electric
    • G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
    • G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于改进元启发式算法的PID控制器优化方法，属于PID控制技术领域，具体包括以下步骤：步骤一：建立基于改进元启发式算法的PID控制系统模型，包括输入偏差，PID控制器，改进人工兔优化算法模型，被控对象。步骤二：改进元启发式算法，包括：（1）改进隐藏参数H，扩大寻优范围，避免陷入局部最优解。（2）能量因子A采用非线性自适应参数策略，随机自适应地调整勘探阶段和开发阶段之间的切换。步骤三：将改进的元启发式算法应用到PID控制器参数优化。步骤四：采用MATLAB对PID控制系统进行仿真。基于改进元启发式算法的PID控制器优化方法能够在搜索空间中探索全局最优解，避免陷入局部最优解，以更快的收敛速度和更精确的搜索精度完成寻优。

Description

一种基于改进元启发式算法的PID控制器优化方法
技术领域
本发明属于PID控制技术领域，具体涉及一种基于改进元启发式算法的PID控制器优化方法。
背景技术
PID控制是工程实际中应用最广泛的调节器控制策略之一，它由比例（P）、积分（I）和微分（D）控制组成，简称为PID控制或PID调节。作为一种算法，PID控制在工业控制中扮演着重要的角色，因其结构简单、稳定性好、工作可靠且调整方便而备受青睐。
当我们无法完全了解系统和被控对象的结构和参数，或无法获得精确的数学模型，或其他控制理论的技术难以应用时，使用PID控制技术是最方便的选择。传统PID控制虽然广泛应用并具有良好的性能，但也存在一些问题和局限性，包括：PID控制器的性能高度依赖于参数的选择，而参数的调节通常需要经验和试错。对于复杂的系统和动态变化的工况，参数调节可能变得困难且耗时。
元启发式算法的优点在于许多方面。首先是它们的随机性，这可以确保成功地避免局部极值和探索搜索空间。第二种是黑箱概念，即使用所考虑问题的输入和输出而不需要梯度信息。人工兔优化算法作为一种元启发式算法很容易实现，其数学模型也很简单。
发明内容
本发明为解决现有技术的不足，提出一种基于改进元启发式算法的PID控制器优化方法。包括以下步骤：
步骤一：建立基于改进元启发式算法的PID控制系统模型，包括输入偏差，PID控制器，改进人工兔优化算法模型，被控对象。
步骤二：改进元启发式算法。
步骤三：将改进的元启发式算法应用到PID控制器参数优化。
步骤四：采用 MATLAB 对PID控制系统进行仿真。
进一步的，所述步骤一中，在整个基于改进元启发式算法的PID控制系统模型中，包括输入偏差，改进元启发式算法模型（即改进人工兔优化算法模型)，PID控制器，被控对象。其中输入偏差是期望输出值与实际输出值进行比较计算出的差值，并将其作为PID控制系统的输入；改进人工兔优化算法模型为基础人工兔优化算法模型的改进，其迭代后产生的最优解作为PID控制器的KP、KI、KD三个参数；被控对象接收PID控制器产生的控制信号，并对其产生实际输出值。实际输出值需要与期望输出值进行比较计算，从而又形成PID控制系统模型的输入偏差。
进一步的，所述步骤二中，改进元启发式算法，即改进人工兔优化算法，分为两个部分。
a.改进隐藏参数H。将隐藏参数H改进为分段非线性隐藏参数H，扩大寻优范围，避免陷入局部最优解。公式如下所示：
；
式中，t为当前迭代次数，T为最大迭代次数。当时，执行/>；当t为其他值时，执行/>。
b.能量因子A采用非线性自适应参数策略，通过增加随机因子，随机自适应地调整勘探阶段和开发阶段之间的切换。公式如下所示：
；
；
式中，r0，r均为(0,1)之间的随机数；rg为随机因子。
进一步的，所述步骤三中，将改进的元启发式算法（人工兔优化算法）应用到PID控制器参数优化。其本质是算法通过迭代产生最优的一组KP、KI 、KD参数值，输入到PID控制器，使系统达到最优控制性能。具体步骤为：
S1.根据PID控制器的参数，初始化兔子种群，设置种群规模n，最大迭代次数T，空间维度d，搜索上界Up，搜索下界Low。
S2.选择合适的适应度函数，适应度函数公式为：
式中e(t) 表示时刻 t 的误差，也即PID控制系统实际输出与期望输出之间的差值，J为适应度值。
S3.计算种群每个个体的适应度值Fitness，并记录当前迭代个体最优解。
S4.用改进的能量因子公式计算A的值，进而判断寻优阶段；如果A>1, 则为勘探阶段，兔子个体进行绕道觅食，进而更新种群位置。公式如下：
;
;
;
其中，是第t+1次迭代时第i只兔子的候选位置; />和/>分别是第t次迭代时第i 只兔子和第j只兔子的当前位置；n是种群规模；t是当前迭代次数；T是最大迭代次数; R表示奔跑算子；L为奔跑长度；c是一个映射向量，取值为{0,1}中的整数；r1，r2均为(0,1)之间的随机数；n1为服从标准正态分布的随机数；/>表示四舍五入；
如果A<1, 则为开发阶段，利用引入分段非线性隐藏函数H公式进行随机躲藏，进而更新种群位置。公式如下：
；
；
其中，表示随机选择的洞穴；H是隐藏参数；r4为（0,1）之间的随机数；gr取值为{0,1}中的整数。
S5.在经过勘探或开发阶段后，用适应度函数计算个体适应度值，并执行一对一贪婪选择策略。公式如下：
；
式中，J为适应度函数；是第t+1次迭代时第i只兔子的新位置。
进一步的，所述贪婪选择策略，其特征在于，若兔子个体的新位置的适应度比当前的适应度好，则将放弃当前位置并更新为新位置。
S6.判断种群是否达到最大迭代次数，若是，则停止寻优输出最优解，否则返回S3继续寻优。
S7.将最优解输入到PID控制器的参数中，即赋值到KP，KI，KD三个参数，完成PID控制器参数的优化。
进一步的，所述步骤四中，采用 MATLAB 对PID控制系统进行仿真，PID控制器参数优化完后，被控对象接收PID控制器产生的控制信号，并得到最优解下的输出响应。为证明本改进元启发式算法对 PID 控制器参数优化的优越性，选取系统被控对象传递函数表达式如下：
;
式中，G(s)为传递函数，s为函数变量。
本发明与现有技术相比，具有如下有益效果：
基于改进元启发式算法的PID控制器优化方法能够在搜索空间中探索全局最优解，避免陷入局部最优解，以更快的收敛速度和更精确的搜索精度完成寻优。并且具有良好的适应性，可以适应不同问题的特点和复杂度，能够处理问题的约束条件和多目标优化等复杂情况，具备较强的鲁棒性。
附图说明
图1基于改进元启发式算法的PID控制系统模型。
图2改进元启发式算法优化PID控制器参数流程图。
图3改进隐藏参数H的变化曲线图。
图4改进能量因子A的变化曲线图。
图5改进人工兔优化算法和基础人工兔优化算法的效果对比曲线图。
具体实施方式
下面将结合本发明中的附图对本发明实施例中的技术方案进行清楚，完整的描述。以下实施例只是本发明实施例的一部分，用于对本发明的技术方案进行更加清晰的说明，可以理解的是，所述的具体实施例仅用于解释本发明，但本发明的实施方式不限于此。
本发明实施例的一种基于改进元启发式算法的PID控制器优化方法，其具体实施步骤如下：
步骤一：建立基于改进元启发式算法的PID控制系统模型，包括输入偏差，PID控制器，改进人工兔优化算法模型，被控对象。
步骤二：改进元启发式算法。
步骤三：将改进的元启发式算法应用到PID控制器参数优化。
步骤四：采用 MATLAB 对PID控制系统进行仿真。
进一步的，所述步骤一中，如图1所示，在整个基于改进元启发式算法的PID控制系统模型中，包括输入偏差e(t)，改进元启发式算法模型（即改进人工兔优化算法模型），PID控制器，被控对象。其中输入偏差e(t)是期望输出值r(t)与实际输出值y(t)进行比较计算出的差值，并将其作为PID控制系统的输入；改进人工兔优化算法模型为基础人工兔优化算法模型的改进，其迭代后产生的最优解作为PID控制器的KP、KI、KD三个参数；被控对象接收PID控制器产生的控制信号u(t)，并对其产生实际输出值y(t)。实际输出值y(t)需要与期望输出值r(t)进行比较计算，从而又形成PID控制系统模型的输入偏差e(t)。
进一步的，所述步骤二中，改进元启发式算法，即改进人工兔优化算法，分为两个部分。
a.改进隐藏参数H。将隐藏参数H改进为分段非线性隐藏参数H，扩大寻优范围，避免陷入局部最优解。公式如下所示：
；
式中，t为当前迭代次数，T为最大迭代次数。当时，执行/>；当t为其他值时，执行/>。
由图3改进隐藏参数H的变化曲线，可以看出，隐藏参数H为分段非线性函数。在区间内，函数为变化较陡的凸函数，参数H的变化速率较大并且参数值较大，以便算法快速探索解空间。较大的参数值可以促使算法扩大寻优范围，从而避免陷入局部最优解；在其他区间内，函数为变化较缓的凹函数，参数H的变化速率较小并且参数值较小，以保持更稳定的搜索过程，有助于更精细地搜索解空间。
b.能量因子A采用非线性自适应参数策略，通过增加随机因子，随机自适应地调整勘探阶段和开发阶段之间的切换。公式如下所示：
；
；
式中，r0，r均为(0,1)之间的随机数；rg为随机因子。
由图4改进能量因子A的变化曲线，可以看出，在迭代的前期过程中，主要集中在全局搜索上，但由于rg的扰动，有时A的值会变为小于1的数，从而切换到开发阶段，这可以满足此时的局部搜索，从而形成更快的收敛速度和更精确的搜索精度；在迭代的后期过程中，由于rg的扰动，有时A的值会变为大于1的数，从而切换到勘探阶段，进而增加探索阶段的时间，以提供更多的全局搜索机会避免算法陷入局部最优。所以通过增加随机因子，随机自适应地调整勘探阶段和开发阶段之间的切换，使得算法在全局搜索和局部优化之间取得了较好的平衡。
进一步的，所述步骤三中，将改进的元启发式算法（人工兔优化算法）应用到PID控制器参数优化。其本质是算法通过迭代产生最优的一组KP、KI 、KD参数值，输入到PID控制器，使系统达到最优控制性能。如图2所示，具体步骤为：
S1.根据PID控制器的参数，初始化兔子种群，设置种群规模n，最大迭代次数T，空间维度d，搜索上界Up，搜索下界Low。
S2.选择合适的适应度函数，适应度函数公式为
式中e(t) 表示时刻 t 的误差，也即PID控制系统实际输出与期望输出之间的差值，J为适应度值。
S3.计算种群每个个体的适应度值Fitness，并记录当前迭代个体最优解。
S4.用改进的能量因子公式计算A的值，进而判断寻优阶段；如果A>1, 则为勘探阶段，兔子个体进行绕道觅食，进而更新种群位置。公式如下：
;
;
;
其中，是第t+1次迭代时第i只兔子的候选位置; />和/>分别是第t次迭代时第i 只兔子和第j只兔子的当前位置；n是种群规模；t是当前迭代次数；T是最大迭代次数; R表示奔跑算子；L为奔跑长度；c是一个映射向量，取值为{0,1}中的整数；r1，r2均为(0,1)之间的随机数；n1为服从标准正态分布的随机数；/>表示四舍五入；
如果A<1, 则为开发阶段，利用引入分段非线性隐藏函数H公式进行随机躲藏，进而更新种群位置。公式如下：
；
；
其中，表示随机选择的洞穴；H是隐藏参数；r4为（0,1）之间的随机数；gr取值为{0,1}中的整数。
S5.在经过勘探或开发阶段后，用适应度函数计算个体适应度值，并执行一对一贪婪选择策略。公式如下：
；
式中，J为适应度函数；是第t+1次迭代时第i只兔子的新位置。
进一步的，所述贪婪选择策略，其特征在于，若兔子个体的新位置的适应度比当前的适应度好，则将放弃当前位置并更新为新位置。
S6.判断种群是否达到最大迭代次数，若是，则停止寻优输出最优解，否则返回S3继续寻优。
S7.将最优解输入到PID控制器的参数中，即赋值到KP，KI，KD三个参数，完成PID控制器参数的优化。
进一步的，所述步骤四中，采用 MATLAB 对PID控制系统进行仿真，PID控制器参数优化完后，被控对象接收PID控制器产生的控制信号，并得到最优解下的输出响应。为证明本改进元启发式算法对 PID 控制器参数优化的优越性，选取系统被控对象传递函数表达式如下：
;
式中，G(s)为传递函数，s为函数变量。
由图5改进人工兔优化算法和基础人工兔优化算法的效果对比曲线图，可以看出，首先是在适应度上，按照适应度值越小算法性能越好的准则，在相同迭代次数内改进人工兔优化算法能够获得更好的适应度值，即改进人工兔优化算法性能更好；其次在收敛情况上，改进人工兔优化算法能够在较少的迭代次数内达到较好的收敛状态，那么认为改进人工兔优化算法更快速、更稳定地找到解，所以改进人工兔优化算法比基础人工兔优化算法性能更好。

Claims (2)

1.一种基于改进元启发式算法的PID控制器优化方法，其特征在于，所述优化方法包括以下步骤：
步骤一：建立基于改进元启发式算法的PID控制系统模型，包括输入偏差，PID控制器，改进人工兔优化算法模型，被控对象；
步骤二：改进元启发式算法；
步骤三：将改进的元启发式算法应用到PID控制器参数优化；
步骤四：采用 MATLAB 对PID控制系统进行仿真；
其中，步骤三中改进的元启发式算法应用到PID控制器参数优化，其特征在于，具体步骤为：
S1.根据PID控制器的参数，初始化兔子种群，设置种群规模n，最大迭代次数T，空间维度d，搜索上界Up，搜索下界Low;
S2.选择合适的适应度函数，适应度函数公式为：
式中e(t) 表示时刻 t 的误差，也即PID控制系统实际输出与期望输出之间的差值，J为适应度值；
S3.计算种群每个个体的适应度值Fitness，并记录当前迭代个体最优解；
S4.用改进的能量因子公式计算A的值，进而判断寻优阶段；如果A>1, 则为勘探阶段，兔子个体进行绕道觅食，进而更新种群位置，公式如下：
;
;
;
其中，是第t+1次迭代时第i只兔子的候选位置; />和/>分别是第t次迭代时第i 只兔子和第j只兔子的当前位置；n是种群规模；t是当前迭代次数；T是最大迭代次数; R表示奔跑算子；L为奔跑长度；c是一个映射向量，取值为{0,1}中的整数；r1，r2均为(0,1)之间的随机数；n1为服从标准正态分布的随机数；/>表示四舍五入；
如果A<1, 则为开发阶段，利用引入分段非线性隐藏函数H公式进行随机躲藏，进而更新种群位置，公式如下：
；
；
其中，表示随机选择的洞穴；H是隐藏参数；r4为（0,1）之间的随机数；gr取值为{0,1}中的整数；
S5.在经过勘探或开发阶段后，用适应度函数计算个体适应度值，并执行一对一贪婪选择策略，公式如下：
；
式中，J为适应度函数；是第t+1次迭代时第i只兔子的新位置；
S6.判断种群是否达到最大迭代次数，若是，则停止寻优输出最优解，否则返回S3继续寻优；
S7.将最优解输入到PID控制器的参数中，即赋值到KP，KI，KD三个参数，完成PID控制器参数的优化。
2.根据权利要求 1 所述的一种基于改进元启发式算法的PID控制器优化方法，其特征在于，所述步骤二中，改进元启发式算法即改进人工兔优化算法，分为两个部分：
a.改进隐藏参数H，将隐藏参数H改进为分段非线性隐藏参数H，扩大寻优范围，避免陷入局部最优解，公式如下所示：
；
式中，t为当前迭代次数，T为最大迭代次数；当时，执行/>；当t为其他值时，执行/>；
b.能量因子A采用非线性自适应参数策略，通过增加随机因子，随机自适应地调整勘探阶段和开发阶段之间的切换，公式如下所示：
；
；
式中，r0，r均为(0,1)之间的随机数；rg为随机因子。
CN202310882820.7A 2023-07-19 2023-07-19 一种基于改进元启发式算法的pid控制器优化方法 Active CN116610025B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310882820.7A CN116610025B (zh) 2023-07-19 2023-07-19 一种基于改进元启发式算法的pid控制器优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310882820.7A CN116610025B (zh) 2023-07-19 2023-07-19 一种基于改进元启发式算法的pid控制器优化方法

Publications (2)

Publication Number Publication Date
CN116610025A true CN116610025A (zh) 2023-08-18
CN116610025B CN116610025B (zh) 2023-09-26

Family

ID=87676786

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310882820.7A Active CN116610025B (zh) 2023-07-19 2023-07-19 一种基于改进元启发式算法的pid控制器优化方法

Country Status (1)

Country Link
CN (1) CN116610025B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117092905A (zh) * 2023-10-19 2023-11-21 济南大学 一种基于改进型飞机刹车冷却风扇最优鲁棒控制方法
CN117369246A (zh) * 2023-12-07 2024-01-09 济南大学 一种基于电子阻力高位下拉器的最优鲁棒控制方法
CN117434829A (zh) * 2023-12-21 2024-01-23 济南大学 一种基于改进金豺算法的飞机主机轮风扇pid控制方法
CN117850213A (zh) * 2024-03-08 2024-04-09 岳正检测认证技术有限公司 一种用于消杀机器人的加强型pid控制优化方法
CN117850213B (zh) * 2024-03-08 2024-05-24 羽禾人工智能(嘉兴)有限公司 一种用于消杀机器人的加强型pid控制优化方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005050283A (ja) * 2003-07-31 2005-02-24 Fuji Electric Holdings Co Ltd 機器特性パラメータ推定装置及び機器特性パラメータ情報出力装置
US20160203419A1 (en) * 2013-03-09 2016-07-14 Bigwood Technology, Inc. Metaheuristic-guided trust-tech methods for global unconstrained optimization
CN107272403A (zh) * 2017-06-14 2017-10-20 浙江师范大学 一种基于改进粒子群算法的pid控制器参数整定算法
JP2020140345A (ja) * 2019-02-27 2020-09-03 国立大学法人 名古屋工業大学 パラメータ探索方法、パラメータ探索用データ構造、パラメータ調整システム、コンピュータプログラム及び制御システム
US20200372371A1 (en) * 2019-05-23 2020-11-26 Cognizant Technology Solutions India Pvt. Ltd System and a method for optimizing multiple solution identification in a search space
DE202023100249U1 (de) * 2023-01-18 2023-02-03 Mohammed Azmi Mohammed Al-Betar Ein System zum Finden und Optimieren eines Zeitplans für die Betriebszeiten von intelligenten Geräten
CN115935797A (zh) * 2022-11-22 2023-04-07 大连工业大学 基于多策略改进的算术优化算法实现工程优化的方法
CN116149162A (zh) * 2022-10-26 2023-05-23 济南大学 一种基于改进黏菌优化算法的pid参数优化方法
CN116149166A (zh) * 2023-04-19 2023-05-23 济南大学 一种基于改进白鲸算法的无人救援艇航向控制方法
CN116400585A (zh) * 2023-06-06 2023-07-07 济南大学 一种基于改进雾凇优化算法的海上救援飞翼控制优化方法
CN116449687A (zh) * 2023-06-16 2023-07-18 济南大学 一种基于改进型海上救援飞翼扰动观测pid控制方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005050283A (ja) * 2003-07-31 2005-02-24 Fuji Electric Holdings Co Ltd 機器特性パラメータ推定装置及び機器特性パラメータ情報出力装置
US20160203419A1 (en) * 2013-03-09 2016-07-14 Bigwood Technology, Inc. Metaheuristic-guided trust-tech methods for global unconstrained optimization
CN107272403A (zh) * 2017-06-14 2017-10-20 浙江师范大学 一种基于改进粒子群算法的pid控制器参数整定算法
JP2020140345A (ja) * 2019-02-27 2020-09-03 国立大学法人 名古屋工業大学 パラメータ探索方法、パラメータ探索用データ構造、パラメータ調整システム、コンピュータプログラム及び制御システム
US20200372371A1 (en) * 2019-05-23 2020-11-26 Cognizant Technology Solutions India Pvt. Ltd System and a method for optimizing multiple solution identification in a search space
CN116149162A (zh) * 2022-10-26 2023-05-23 济南大学 一种基于改进黏菌优化算法的pid参数优化方法
CN115935797A (zh) * 2022-11-22 2023-04-07 大连工业大学 基于多策略改进的算术优化算法实现工程优化的方法
DE202023100249U1 (de) * 2023-01-18 2023-02-03 Mohammed Azmi Mohammed Al-Betar Ein System zum Finden und Optimieren eines Zeitplans für die Betriebszeiten von intelligenten Geräten
CN116149166A (zh) * 2023-04-19 2023-05-23 济南大学 一种基于改进白鲸算法的无人救援艇航向控制方法
CN116400585A (zh) * 2023-06-06 2023-07-07 济南大学 一种基于改进雾凇优化算法的海上救援飞翼控制优化方法
CN116449687A (zh) * 2023-06-16 2023-07-18 济南大学 一种基于改进型海上救援飞翼扰动观测pid控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
安凤栓;常俊林;苏丕朝;李亚朋;魏晓宾;: "基于改进粒子群优化算法的PID控制器参数优化", 工矿自动化, no. 05 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117092905A (zh) * 2023-10-19 2023-11-21 济南大学 一种基于改进型飞机刹车冷却风扇最优鲁棒控制方法
CN117092905B (zh) * 2023-10-19 2024-02-02 济南大学 一种基于改进型飞机刹车冷却风扇最优鲁棒控制方法
CN117369246A (zh) * 2023-12-07 2024-01-09 济南大学 一种基于电子阻力高位下拉器的最优鲁棒控制方法
CN117369246B (zh) * 2023-12-07 2024-02-13 济南大学 一种基于电子阻力高位下拉器的最优鲁棒控制方法
CN117434829A (zh) * 2023-12-21 2024-01-23 济南大学 一种基于改进金豺算法的飞机主机轮风扇pid控制方法
CN117434829B (zh) * 2023-12-21 2024-04-16 济南大学 一种基于改进金豺算法的飞机主机轮风扇pid控制方法
CN117850213A (zh) * 2024-03-08 2024-04-09 岳正检测认证技术有限公司 一种用于消杀机器人的加强型pid控制优化方法
CN117850213B (zh) * 2024-03-08 2024-05-24 羽禾人工智能(嘉兴)有限公司 一种用于消杀机器人的加强型pid控制优化方法

Also Published As

Publication number Publication date
CN116610025B (zh) 2023-09-26

Similar Documents

Publication Publication Date Title
CN116610025B (zh) 一种基于改进元启发式算法的pid控制器优化方法
Parr et al. Approximating optimal policies for partially observable stochastic domains
JP4223894B2 (ja) Ｐｉｄパラメータ調整装置
WO2016195117A1 (en) Method and system for controlling operation of machine
CN104317195B (zh) 一种基于改进极限学习机的非线性逆模型控制方法
CN101390024A (zh) 运转控制方法、运转控制装置和运转控制系统
Kraft et al. A summary comparison of CMAC neural network and traditional adaptive control systems
CN116627027B (zh) 一种基于改进型pid最优鲁棒性控制方法
CN111523749A (zh) 一种水电机组模型智能辨识方法
CN109062040B (zh) 基于系统嵌套优化的预测pid方法
CN117369244A (zh) 一种基于焊接机器人焊枪位置控制优化方法
CN113885328A (zh) 一种基于积分强化学习的核电功率跟踪控制方法
CN116880191A (zh) 一种基于时序预测的过程工业生产系统的智能控制方法
CN104537224B (zh) 基于自适应学习算法的多状态系统可靠性分析方法及系统
CN114063438B (zh) 一种数据驱动的多智能体系统pid控制协议自学习方法
JPWO2020121494A1 (ja) 演算装置、アクション決定方法、及び制御プログラム
CN113221390A (zh) 一种排产模型的训练方法和装置
CN112394640A (zh) 参数整定方法、装置、存储介质及参数整定单元
CN113359452B (zh) 基于Barzilai Borwein智能学习算法的控制器设计方法、系统
CN117492359B (zh) 一种自适应pid控制器的参数优化方法
Zobiri et al. Event-triggered stabilizing controllers based on an exponentially decreasing threshold
CN117970782B (zh) 一种基于鱼鳞进化gsom改进的模糊pid控制方法
JP7462905B2 (ja) 制御装置、方法、プログラム及びシステム
CN113703317B (zh) 一种基于捕食被捕食模型的分岔延迟控制器设计方法
CN118070839A (zh) 一种混合策略的粒子群优化算法

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
GR01 Patent grant
GR01 Patent grant