改进粒子群优化算法在PID参数整定中的研究

doi:10.3778/j.issn.1002-8331.2009.25.074

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (25): 240-241.DOI: 10.3778/j.issn.1002-8331.2009.25.074

改进粒子群优化算法在PID参数整定中的研究

李立礼^1,2，王强³，王晓霄¹

1.广西师范大学物理与电子工程学院，广西桂林 541004
2.广西贺州学院物理与电子信息系，广西贺州 542800
3.广西师范大学计算机与信息工程学院，广西桂林 541004

收稿日期:2008-07-31 修回日期:2008-10-06 出版日期:2009-09-01 发布日期:2009-09-01
通讯作者: 李立礼

Research on tuning PID parameters based on improved particle swarm optimization algorithms

LI Li-li^1,2，WANG Qiang³，WANG Xiao-xiao¹

1.College of Physics and Electronic Information Engineering，Guangxi Normal University，Guilin，Guangxi 541004，China
2.Department of Physics and Electronic Information，Hezhou University，Hezhou，Guangxi 542800，China
3.College of Computer and Information Engineering，Guangxi Normal University，Guilin，Guangxi 541004，China

Received:2008-07-31 Revised:2008-10-06 Online:2009-09-01 Published:2009-09-01
Contact: LI Li-li

摘要/Abstract

摘要： 针对粒子群优化算法（PSO）容易出现早熟收敛的问题，提出一种改进的粒子群优化算法（IMPSO）。该算法通过引入粒子群聚合度和变异的思想，能很好避免早熟，提高粒子全局搜索能力。将此改进的粒子群优化算法用于PID控制器的参数整定，具有操作简单，寻优快速等优点。

关键词: 粒子群优化算法, 变异, 比例、积分、微分（PID）

Abstract: In order to avoid the premature convergence of the Particle Swarm Optimization（PSO） algorithm，a modified PSO algorithm is proposed.Aggregate degree of particle swarm and mutation idea are introduced to upgrade the performance of the new algorithm.As an example，the improved algorithm is used for tuning PID controller parameters and the experiment result has proved its efficiency.

Key words: particle swarm optimization, mutation, Proportion Integration Differentiation（PID）

李立礼^1,2，王强³，王晓霄¹. 改进粒子群优化算法在PID参数整定中的研究[J]. 计算机工程与应用, 2009, 45(25): 240-241.

LI Li-li^1,2，WANG Qiang³，WANG Xiao-xiao¹. Research on tuning PID parameters based on improved particle swarm optimization algorithms[J]. Computer Engineering and Applications, 2009, 45(25): 240-241.

[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]	邹杰，李俊. 多策略协方差矩阵学习差分进化算法[J]. 计算机工程与应用, 2021, 57(7): 78-87.
[3]	张伟康，刘升，任春慧. 混合策略改进的麻雀搜索算法[J]. 计算机工程与应用, 2021, 57(24): 74-82.
[4]	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.
[5]	李守玉，何庆，杜逆索. 分段权重和变异反向学习的蝴蝶优化算法[J]. 计算机工程与应用, 2021, 57(22): 92-101.
[6]	温泽宇，谢珺，谢刚，续欣莹. 基于新型拥挤度距离的多目标麻雀搜索算法[J]. 计算机工程与应用, 2021, 57(22): 102-109.
[7]	任春慧，刘升，张伟康，张微微. 柯西变异的骆驼算法优化与应用[J]. 计算机工程与应用, 2021, 57(21): 87-94.
[8]	陈雷，尹钧圣. 高斯差分变异和对数惯性权重优化的鲸群算法[J]. 计算机工程与应用, 2021, 57(2): 77-90.
[9]	万达，李俊. 锦标赛精英学习与协方差变异的烟花算法[J]. 计算机工程与应用, 2021, 57(19): 84-96.
[10]	周原令，胡晓兵，江代渝，李航. 基于改进NSGA-II的车间排产优化算法研究[J]. 计算机工程与应用, 2021, 57(19): 274-281.
[11]	王丽丽，申燚，徐玉松，袁明新. 融合云模型和反向学习的克隆选择算法[J]. 计算机工程与应用, 2021, 57(17): 68-74.
[12]	李荣，贺兴时，杨新社. 基于差分进化的飞蛾算法在电力调度中的应用[J]. 计算机工程与应用, 2021, 57(13): 258-268.
[13]	周新，邹海. 融合黄金正弦混合变异的自适应樽海鞘群算法[J]. 计算机工程与应用, 2021, 57(12): 75-85.
[14]	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.
[15]	魏锋涛，史云鹏，石坤. 具有组合变异策略的回溯搜索优化算法[J]. 计算机工程与应用, 2020, 56(9): 41-47.

改进粒子群优化算法在PID参数整定中的研究

Research on tuning PID parameters based on improved particle swarm optimization algorithms

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