粒子群的优化是一种基于群智能的全局优化方法，简单易行，优化效果令人满意。文献设计了一种基于粒子群优化的自整定PID控制器。可以根据系统设置的变化优化在线PID设置。真结果证明性能良好。子群的优化; PID参数;自动调整编号CLC：TP18文献标识码：A文章编号：1009-3044（2007）15-30836-02A基于粒子群优化的自调整控制器刘欢，匡旭波，肖Gen-fu（井冈山大学，吉安343009）摘要：粒子群优化算法是一种全局优化技术。算法实现简单，优秀。于粒子群优化的自整定PID控制器是控制器在系统参数转换后优化在线PID参数。拟显示控制器很有用。键词：粒子群优化; PID参数;自整定引言在许多控制方法中，PID控制原理简单，实用，并提供良好的控制性能。广泛用于控制领域。控制系统本身中，受控对象经常随时间变化：传统的PID控制器由于固定参数而无法跟踪受控对象的变化，难以获得最佳控制性能。子群优化算法具有快速的搜索速度和简单的算法，适用于在线应用。文将粒子群算法和PID参数设置相结合，设计了一种在线自调整PID控制器。子群优化算法（Particle Swarm Optimization，粒子群优化算法）是一种基于群体智能的随机优化算法。人工生命研究结果的启发，Kennedy和Eberhart在1995年提出了PSO算法。子群算法被初始化为一组随机粒子，然后迭代地找到最优解。子遵循两个最佳值来更新自身：一个是粒子到目前为止发现的最佳值，称为个体极值（pBest），另一个是到目前为止找到的最佳值。有粒子群，称为全局极值。
（GBEST）。子用以下公式更新：Vi = wVi-1 c1·r1·（pb-xi） c2·r2·（pg-xi）（1）xi = xi-1 Vi（2）其中：当代粒子Vi运动速度;上一代颗粒Vi-1的位移速度;随机数r1，r2在[0，1]之间;学习因子c1，c2，一般为2; x粒子的当前位置; xi-1上一代粒子位置;惯性因子。用等式（1）作为速率更新公式的算法称为全局版本的粒子群算法，因为pg是粒子群中的最佳位置。的整个。果将粒子的邻居所寻求的最佳位置视为pg，则将其称为部分版粒子群算法。性因子w的确定：惯性因子w对优化的性能有很大影响：较大的w值使得离开局部最小点成为可能，较小的w值有助于算法的收敛。通常使用以下公式更新：where：iteration number iter。于PID参数的自整定控制器PID控制是最古老的控制策略之一。涉及的设计算法和控制结构非常简单，非常适合工程应用。
PID控制律满足以下差分方程：e（n）电流差，比例系数Kp，积分时间常数Ti，微分时间常数Td，采样周期T. PID参数的设定包括：确定最佳Kp，Ti和Td，以优化控制系统的某一性能指标，其中绝对误差矩（ITAE）的积分用作评估的性能指标，如图所示下面的等式：积分与绝对误差矩作为格式化粒子群算法的函数，该算法用于自动调整PID控制器的Kp，Ti和Td值以形成自调节PID控制器，如图2所示。1. PID自整定控制仿真实例假设受控对象为二阶惯性和延迟模型，传递函数为：使用PID控制器控制受控对象和使用粒子群算法获得PID控制器的比例和微分系数。化积分时间常数，仿真程序流程如图（2）所示。真软件采用MATLAB，输入信号为逐步信号，仿真计算采用4阶固定Runge-Kutta方法。子群算法的粒子数为10，粒径为3，对应于Kp，Ti，Td和c1 = c2 = 2.惯性因子w由公式更新线性减少（3）和w max等于0.9，w min。值为0.4且迭代次数为itermax = 30.图2用于模拟程序的粒子群算法的自动调整的PID参数（Kp = 2，234，Ti = 0，337，Td = 0，519）并且设定Ziegler-Nichols方法的参数（Kp = 2，813，Ti = 1.63，恒温阀芯Td = 0.409）例如，如图（3）所示。图表明粒子群算法给出了令人满意的结果。
论群体粒子优化算法简单，收敛速度快，鲁棒性强，易于编程。子群优化算法适用于PID参数的自整定，仿真结果表明粒子群优化算法具有良好的效果和较大的效果。
整PID参数领域的潜力。于快速有效的算法，该方法可以应用于在线自动调整。3优化结果
本文转载自
恒温阀芯 https://www.wisdom-thermostats.com