新型的PID控制器参数整定方法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (25): 216-219.

新型的PID控制器参数整定方法

徐志成1，王树青2

1.常州机电职业技术学院，江苏常州 213164
2.浙江大学工业控制技术国家重点实验室，先进控制研究所，杭州 310027

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-09-01 发布日期:2011-09-01

Novel PID controller parameters tuning method

XU Zhicheng1，WANG Shuqing2

1.Changzhou Institute of Mechatronic Technology，Changzhou，Jiangsu 213164，China
2.National Lab of Industrial Control Technology，Institute of Advanced Process Control，Zhejiang University，Hangzhou 310027，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-09-01 Published:2011-09-01

摘要/Abstract

摘要： 粒子群优化算法在进化中随种群多样性降低易出现早熟收敛等问题。针对这一问题，结合全局-局部最优模型，提出了一种改进的粒子群优化算法，称为全局-局部参数最优的粒子群优化算法。算法利用全局-局部最优惯性权重及全局-局部最优加速度常数，算法的速度更新方程被简化，性能得到改善。利用一组bench mark问题对该算法进行测试，仿真结果表明了算法的有效性和高效性。将该算法应用到对传统PID控制器的参数优化当中，仿真结果表明方法可以获得满意的控制效果，各项控制性能指标优于传统方法整定得到的PID控制器。

关键词: 粒子群优化, 全局-局部, PID控制器, 参数整定

Abstract: There exists the disadvantages such as prematurity in particle swarm optimization because of the decrease of swarm diversity.In order to solve this problem，a new and improved version of particle swarm optimization algorithm is proposed combining the global best and local best model，termed GLBest-PSO algorithm.This algorithm incorporates global-local best inertia weight with global-local best acceleration coefficient.The velocity equation of the GLBest-PSO algorithm is simplified and the performance of the algorithm is improved.The ability of the GLBest-PSO algorithm is tested with a set of bench mark problems and the results of the simulation show the validity and better optimization performance.The algorithm is proposed to design the parameter optimization of PID controller.The simulation results show that the optimal PID controller based on the proposed method has a satisfying performance and is superior to the conventional PID controller based on the conventional tuning methods.

Key words: particle swarm optimization, global-local, PID controller, parameters tuning

徐志成1，王树青2. 新型的PID控制器参数整定方法[J]. 计算机工程与应用, 2011, 47(25): 216-219.

XU Zhicheng1，WANG Shuqing2. Novel PID controller parameters tuning method[J]. Computer Engineering and Applications, 2011, 47(25): 216-219.

[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]	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.
[13]	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.
[14]	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.
[15]	王燕燕1，王宏伟1，2. 基于粒子群的后件多项式RBF神经网络算法[J]. 计算机工程与应用, 2019, 55(12): 72-76.