粒子群优化算法（PSO）是一种基于群体搜索策略的随机自适应优化算法，在分析基本PSO算法的进化原理的基础上，本文提出了一种框架。
算PID参数的自整定。PSO算法应用于PID参数的设置，有效地搜索控制器的整个参数空间，提高其优化性能。超临界电站主蒸汽温度为研究对象，通过MATLAB仿真验证了该算法的有效性和设计控制器的优越性。键词：粒子群优化算法，自动PID控制搜索中图分类号：TP15文献标识码：A文章编号：1007-3973（2010）05-087-02介绍具有结构的PID控制器简单，它提出了模型错误。
棒性和简单使用的优点对于技术控制很重要，这就是为什么设置和优化PID控制器参数已成为一个重要的研究课题。统方法通常基于规则模型或自我调整，随着智能算法的发展，提出了一系列PID自校正方法，如基于神经网络的模糊规则。遗传算法的自我调整方法。些智能控制策略所需要的法律的广泛的先验知识和控制控制处理中，与超临界植物的主蒸汽温度的参数空间的非线性使得PID控制器的参数可以不是全局最优的。
传算法在复杂空间中具有全局搜索能力，近年来也被用于调整PID参数，但该算法具有“早熟”和收敛慢的缺点。
需要定义更多参数。1995年，MM。Eberhart和Kennedy提出了一种基于群体智能理论，群体粒子优化的进化计算方法，该方法通过群体智能生成群体智能来指导和优化研究。口颗粒之间的合作与竞争。
概念简单，易于实现，鲁棒性强，可以高概率地收敛到全局最优。文在原算法的基础上，提出了一种改进的粒子群优化算法，并将其应用于PID控制器参数的设置。算法克服了传统PID控制器参数优化的缺点，仿真结果表明该算法优于遗传算法的基本粒子优化算法。置粒子群优化算法的PID控制器参数实际上，最广泛使用的调节器控制律是比例微分控制，称为PID控制，也称为调节。
PID，可以描述为适应度函数和形状的粒子群的优化算法。实际编码中，PID参数优化过程实际上是一个多维函数优化问题，粒子可以直接编码为（）。了使系统具有更快的响应和更低的溢出，使用以下两种格式化函数：参数搜索空间粒子群优化算法的搜索空间基于Ziegler-Nichols（ZN）方法获得的参数结果。
延伸到更大的空间。样，可以充分利用ZN方法的合理核心，热敏元件减少实际参数的搜索空间。参数的最优解接近搜索空间的极限时，在该解的基础上进一步扩展搜索空间，以执行搜索的新优化循环。化PID算法的算法如下：仿真研究现代大型火力发电机组，特别是超临界机组，拥有大量设备，大容量，高运行参数和复杂的控制系统结构。
了验证本文提出的粒子群优化算法优化的PID控制器的效率，采用蒸汽温度对象模型模拟了超临界600 MW主蒸汽温度控制系统。典型负载下，主调节器是常规的。
蒸汽温度PID控制系统的比较。的：模拟参数选择如下：粒子数为20，惯性权重从1.2开始，迭代代数逐渐减小到0.1，参数值范围定义，学习因子等于2，迭代次数等于100;图1显示了对象模拟的结果，图2显示了某个迭代的优化过程。真结果表明，与ZN方法相比，粒子群优化算法改善了系统的溢出时间，上升时间和调整时间（5％），以及作为求解进化代数的算法的演化。
论是优化粒子群算法具有更快的收敛速度。论为了保证粒子群的高效优化，提出了一种改进的优化算法：其收敛速度和精度优于遗传算法和基本优化算法。群的颗粒，适用于具有多模型特性的超临界蒸汽。节温度控制PID参数的系统在不同负载下获得良好的调节质量，有效避免了其他算法落入局部最优的缺点。真结果表明，PID控制器的控制效果明显优于传统的ZN调节方法，降低了参数的灵敏度，为初始随机粒子提供了一定的鲁棒性。有提高的效率和全局收敛性的参数优化方法适用于工程应用。
本文转载自
热敏元件www.wisdom-thermostats.com