非线性PID控制器参数优化方法

doi:10.3778/j.issn.1002-8331.2010.28.069

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (28): 244-248.DOI: 10.3778/j.issn.1002-8331.2010.28.069

• 工程与应用 • 上一篇

非线性PID控制器参数优化方法

孙伟¹，周阳花²，奚茂龙¹

1.无锡职业技术学院，江苏无锡 214121
2.江南大学信息学院，江苏无锡 214122

收稿日期:2009-03-05 修回日期:2009-06-01 出版日期:2010-10-01 发布日期:2010-10-01
通讯作者: 孙伟

Method for parameter optimization of nonlinear PID controller

SUN Wei¹，ZHOU Yang-hua²，XI Mao-long¹

1.Wuxi Institute of Technology，Wuxi，Jiangsu 214121，China
2.School of Information Technology，Southern Yangtze University，Wuxi，Jiangsu 214122，China

Received:2009-03-05 Revised:2009-06-01 Online:2010-10-01 Published:2010-10-01
Contact: SUN Wei

摘要/Abstract

摘要： 分析了非线性PID控制器各部分参数对于误差的理想变化过程，构造出一种非线性PID控制器；整定参数较多时，传统的参数优化方法容易产生振荡和较大的超调量，在分析量子粒子群算法（QPSO）的基础上，引入了随机选择最优个体的思想，提出使用改进的量子粒子群算法（GQPSO）优化非线性PID控制器参数。将改进量子粒子群算法与量子粒子群算法、粒子群算法通过benchmark测试函数进行了比较。最后，通过典型传递函数实例，分别使用Z-N、PSO、QPSO方法和改进的量子粒子群算法进行了PID控制器参数优化设计，并对结果进行了分析。

关键词: 量子粒子群算法, 随机选择, 非线性PID控制器, 参数优化

Abstract: The ideal varying process of the individual tuning nonlinear PID controller concerning error is analyzed and a nonlinear PID controller is constructed.The conventional parameter optimization of PID controller is easy to produce surge and big overshoot，and therefore a method of random selection of optimal individual is introduced into Quantum-behaved Particle Swarm Optimization（QPSO） and an improved QPSO（GQPSO） for the parameter optimization of nonlinear PID controller is proposed.The comparison of GQPSO，PSO and QPSO based on benchmark functions is given.Finally，a typical example is given to illustrate the design procedure and exhibit the effectiveness of the proposed method via a comparison study with existing Z-N，PSO and QPSO approaches.

Key words: Quantum-behaved Particle Swarm Optimization（QPSO）, random selection, nonlinear PID controller, parameter optimization

中图分类号:

TP229

孙伟¹，周阳花²，奚茂龙¹. 非线性PID控制器参数优化方法[J]. 计算机工程与应用, 2010, 46(28): 244-248.

SUN Wei¹，ZHOU Yang-hua²，XI Mao-long¹. Method for parameter optimization of nonlinear PID controller[J]. Computer Engineering and Applications, 2010, 46(28): 244-248.

[1]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[2]	张水平，王丽娜. 果蝇优化算法的进展研究分析[J]. 计算机工程与应用, 2021, 57(6): 22-29.
[3]	张琳，汪廷华，周慧颖. 基于群智能算法的SVR参数优化研究进展[J]. 计算机工程与应用, 2021, 57(16): 50-64.
[4]	巫光福，陈颖. 花授粉算法研究与应用综述[J]. 计算机工程与应用, 2021, 57(15): 30-41.
[5]	于国龙，赵勇，吴恋，崔忠伟. QPSO算法的改进及其在DBN参数优化中应用[J]. 计算机工程与应用, 2021, 57(10): 154-162.
[6]	胡春阳，姜平，周根荣. 改进蚁群算法在AGV路径规划中的应用[J]. 计算机工程与应用, 2020, 56(8): 270-278.
[7]	李道全，王雪，于波，黄泰铭. 基于一维卷积神经网络的网络流量分类方法[J]. 计算机工程与应用, 2020, 56(3): 94-99.
[8]	梁华刚，张志伟，王亚茹. 自适应Gabor卷积核编码网络的表情识别方法[J]. 计算机工程与应用, 2020, 56(10): 149-156.
[9]	王丽婷，张金鑫，张金华. 乌鸦搜索算法在SVM参数优化中的应用[J]. 计算机工程与应用, 2019, 55(21): 214-219.
[10]	邓辉，罗倩，王岩. 基于IMF能量矩和Bayes-LSSVM的滚动轴承诊断[J]. 计算机工程与应用, 2019, 55(17): 156-161.
[11]	马占飞1，杨晋2，金溢2，边琦3. 基于IQPSO-IDE算法的网络入侵检测方法[J]. 计算机工程与应用, 2019, 55(10): 115-120.
[12]	陈佳瑜，李梁，罗云. 采用多样性选择的量子粒子群双向聚类算法[J]. 计算机工程与应用, 2018, 54(9): 42-46.
[13]	李婕1，李昊2，赵新蕖1. 免疫遗传算法的混合动力汽车多目标优化[J]. 计算机工程与应用, 2018, 54(4): 237-243.
[14]	唐亮1，2，仲元昌2，沈甲甲2，马天智2. 粗糙集和支持向量机的表具识别算法研究[J]. 计算机工程与应用, 2018, 54(2): 253-258.
[15]	彭越兮1，徐蔚鸿1，2，陈沅涛1，马宏华3. 改进量子粒子群算法的模糊神经网络水质评价[J]. 计算机工程与应用, 2018, 54(11): 211-216.

非线性PID控制器参数优化方法

Method for parameter optimization of nonlinear PID controller

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics