细菌觅食优化的智能PID控制

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (21): 82-85.

细菌觅食优化的智能PID控制

黄伟锋，林卫星，范怀科，史夏波，程涛

宁波大学信息科学与工程学院，浙江宁波 315211

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-07-21 发布日期:2011-07-21

Intelligent PID controller based on bacterial foraging optimization

HUANG Weifeng，LIN Weixing，FAN Huaike，SHI Xiabo，CHENG Tao

Faculty of Information Science and Technology，Ningbo University，Ningbo，Zhejiang 315211，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-07-21 Published:2011-07-21

摘要/Abstract

摘要： 传统的PID在控制过程中，尤其针对复杂被控对象易产生振荡和较大的超调，甚至控制系统无法稳定，为了解决这个问题，采用了一种新的基于细菌觅食优化（Bacterial Foraging Optimization，BFO）的智能PID控制方法，针对该算法收敛速度慢的缺陷，对步长及搜索范围做了一定的分析改进。通过与粒子群优化（Particle Swarm Optimization，PSO）智能PID参数整定控制的仿真结果比较，特别是在系统的动态性能指标以及输入信号的跟踪情况等方面进行对比分析，得出基于BFO智能PID控制的优缺点及有效性。

关键词: PID控制, 细菌觅食优化, 粒子群优化, 参数整定

Abstract: The traditional PID controller may easily lead to produce oscillation and big overshoot.Even the system is not stable in the control progress，especially for the complex system.In order to solve the problems，a new intelligent PID control method based on Bacterial Foraging Optimization（BFO） is used.This method is analyzed and improved.The simulation results are compared with the Particle Swarm Optimization（PSO） intelligent PID parameter tuning method，especially in the system dynamic performances and the input signal track.The advantages，disadvantages and effectiveness of the intelligent PID control based on BFO are shown from the simulation results．

Key words: PID control, Bacterial Foraging Optimization（BFO）, Particle Swarm Optimization（PSO）, parameters tuning

黄伟锋，林卫星，范怀科，史夏波，程涛. 细菌觅食优化的智能PID控制[J]. 计算机工程与应用, 2011, 47(21): 82-85.

HUANG Weifeng，LIN Weixing，FAN Huaike，SHI Xiabo，CHENG Tao. Intelligent PID controller based on bacterial foraging optimization[J]. Computer Engineering and Applications, 2011, 47(21): 82-85.

[1]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[2]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[3]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[4]	杜守信，毋涛. 双种群混合遗传算法的裁剪分床应用研究[J]. 计算机工程与应用, 2021, 57(22): 182-189.
[5]	李雷孝，邓丹，李杰，王永生. 基于粒子群优化的全比较计算数据分发策略[J]. 计算机工程与应用, 2021, 57(15): 109-117.
[6]	廖玮霖，程杉，尚冬冬，魏昭彬. 多策略融合的粒子群优化算法[J]. 计算机工程与应用, 2021, 57(1): 69-76.
[7]	陈秋菊，徐建国. 优化正交匹配追踪和短时谱估计用于声音识别[J]. 计算机工程与应用, 2020, 56(7): 162-169.
[8]	张水平，李殷俊，高栋，梁文. 带有动态爆炸半径的增强型烟花算法[J]. 计算机工程与应用, 2020, 56(18): 50-57.
[9]	黄建琼，郭文龙. 混合粒子群和改进细菌觅食的不平衡数据分类[J]. 计算机工程与应用, 2020, 56(10): 171-178.
[10]	张鑫1，邹德旋1，肖鹏1，喻秋2. 自适应简化粒子群优化算法及其应用[J]. 计算机工程与应用, 2019, 55(8): 250-263.
[11]	郑朝鑫1，2，董晨1，3，贺国荣1，3，陈荣忠1，3，熊子奇1，3. 基于改进粒子群算法的动态3D实时建模技术[J]. 计算机工程与应用, 2019, 55(5): 65-71.
[12]	殷春武. 执行器故障时变系统的PID迭代容错控制[J]. 计算机工程与应用, 2019, 55(3): 266-270.
[13]	戴丽，罗廷芳，李杨，李明. 基于改进细菌菌落优化算法的PID参数整定[J]. 计算机工程与应用, 2019, 55(24): 241-246.
[14]	马炫，刘栋，胡家鑫. 求解必经点k条最优路径问题的粒子群优化算法[J]. 计算机工程与应用, 2019, 55(20): 89-94.
[15]	汤深伟，贾瑞玉. 基于改进粒子群算法的[k]均值聚类算法[J]. 计算机工程与应用, 2019, 55(18): 140-145.