基于蚁群算法的PID控制参数优化

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (17): 4-7.

基于蚁群算法的PID控制参数优化

尹宏鹏，柴毅

重庆大学自动化学院，重庆 400044

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-06-11 发布日期:2007-06-11
通讯作者: 尹宏鹏

Parameters optimization design of PID controller based on ant colony algorithms

YIN Hong-peng，CHAI Yi

College of Automation，Chongqing University，Chongqing 400044，China

Received:1900-01-01 Revised:1900-01-01 Online:2007-06-11 Published:2007-06-11
Contact: YIN Hong-peng

摘要/Abstract

摘要： 蚁群算法是近几年优化领域中新出现的一种仿生进化算法，该算法采用的分布式并行计算机制特别适用于组合优化问题（COP）的求解。在简要介绍蚁群算法的基础上，针对PID控制参数整定问题提出了一种基于蚁群算法的PID参数优化策略，并给出了该算法的具体实现步骤。仿真试验结果表明同传统的Ziegler-Nichols（ZN）法、遗传算法优化整定的结果进行比较，系统单位阶跃响应的超调量σ分别减少了51.5％和22％和调整时间ts分别减少了61.4％和67.5％，动态和稳态性能进一步改善，进而验证了该方法的可行性和有效性。

关键词: 蚁群算法, PID, 信息素, 遗传算法, ZN法

Abstract: Ant colony algorithm is a new emerging bionic evolutionary algorithm，which employs distributed parallel computer system and is particularly applicable to the solution of Combinatorial Optimization Problems（COP）.This paper，giving a brief introduction to the ant colony algorithm，presents a PID algorithm based ant colony algorithm optimization strategy and specific steps to realize it.Simulation results show that the unit step response system reduces the overshoot by 51.5% and 22% respectively and settling time ts decrease to 61.4% and 67.5% respectively，compared to the traditional Ziegler-Nichols（ZN） method and genetic algorithm.The further improvement of the dynamic and static performance proves the feasibility and effectiveness of this method.

Key words: ant colony algorithm, PID, pheromone, genetic algorithm, ZN method

尹宏鹏，柴毅. 基于蚁群算法的PID控制参数优化[J]. 计算机工程与应用, 2007, 43(17): 4-7.

YIN Hong-peng，CHAI Yi. Parameters optimization design of PID controller based on ant colony algorithms[J]. Computer Engineering and Applications, 2007, 43(17): 4-7.

[1]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[2]	张松灿，普杰信，司彦娜，孙力帆. 基于种群相似度的自适应改进蚁群算法及应用[J]. 计算机工程与应用, 2021, 57(8): 70-77.
[3]	朱佳莹，高茂庭. 融合粒子群与改进蚁群算法的AUV路径规划算法[J]. 计算机工程与应用, 2021, 57(6): 267-273.
[4]	卜冠南，刘建华，姜磊，张冬阳. 一种自适应分组的蚁群算法[J]. 计算机工程与应用, 2021, 57(6): 67-73.
[5]	马向华，张谦. 改进蚁群算法在机器人路径规划上的研究[J]. 计算机工程与应用, 2021, 57(5): 210-215.
[6]	李昱奇，刘志乾，程凝怡，王莹莹，朱春丽. 多约束条件下无人机航迹规划[J]. 计算机工程与应用, 2021, 57(4): 225-230.
[7]	杨玮，吴莹莹，王婷. 子母式穿梭车仓储系统配置优化问题研究[J]. 计算机工程与应用, 2021, 57(4): 258-265.
[8]	李壮阔，常凯旋. 合作博弈的连续蚁群算法求解[J]. 计算机工程与应用, 2021, 57(24): 198-204.
[9]	李倩，蒋丽，梁昌勇. 基于模糊时间窗的多目标冷链配送优化[J]. 计算机工程与应用, 2021, 57(23): 255-262.
[10]	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.
[11]	王晓光，杨培蓓. 航运物流企业数字化转型设计与效果分析[J]. 计算机工程与应用, 2021, 57(21): 241-247.
[12]	张子然，黄卫华，陈阳，章政，李梓远. 基于双向搜索的改进蚁群路径规划算法[J]. 计算机工程与应用, 2021, 57(21): 270-277.
[13]	曹立佳，刘洋. 制造车间自动导引车调度新进展[J]. 计算机工程与应用, 2021, 57(21): 59-67.
[14]	陈倩茹，李雅丽，许科全，刘铱龙，王淑琴. 自调优自适应遗传算法的WKNN特征选择方法[J]. 计算机工程与应用, 2021, 57(20): 164-171.
[15]	石宇强，田永政，张雨琦，石小秋. 运用含复杂网络结构的多种群遗传算法求解FJSP[J]. 计算机工程与应用, 2021, 57(2): 257-266.