论文基于粒子群优化算法分数阶PID控制器设计是适合不知如何写粒子方面的相关专业大学硕士和本科毕业论文以及关于粒子游戏论文开题报告范文和相关职称论文写作参考文献资料下载。
摘 要：针对分数阶PID控制器,给出了基于粒子群算法的参数整定方法.首先,采用工程上的整定方法（临界比例度法）粗略的确定其初始的三个参数Kp,Ki,Kd；其次,利用粒子群算法进行寻优,得到最优的PID控制器参数；最后,通过SIMULINK软件对PID参数优化系统进行仿真,给出了系统的响应曲线.
关键词：目标函数；PID参数；粒子群算法；优化设计
1 概述
PID（比例（proportion）、积分（integration）、微分（differentiation））控制器作为最早实用化的控制器已有近百年历史,现在仍然是应用最广泛的工业控制器[1,2].PID控制器操作起来简单易理解,广泛的运用于生活当中.工业自动化水平已经成为目前衡量现代化水平的首要方式.经历了古典、现代和智能控制理论三阶段之后,控制理论发展已逐渐成熟.控制系统包括控制器、传感器、变送器、执行机构、输入输出接口.控制器的输出经过输出接口、执行机构,加到被控系统上；控制系统的被控量,经过传感器、变送器,通过输入接口送到控制器.不同的控制系统,其传感器、变送器、执行机构是不一样的.
群体行为是自然界中存在的生物体都具备的,而人工生命的主要研究领域之一是探索自然界生物的群体行为,从而在计算机上构建其群体模型.科学家们一直致力于研究鸟群和鱼群的群体行为,生物学家Craig Reynolds在1987年提出了一个非常有影响的鸟群聚集模型[3],粒子群优化算法源于鸟群和鱼群群体运动行为的研究,是一种新的群体智能优化算法,是演化计算领域中的一个新的分支.它主要特点是原理简单、参数少、收敛速度快、所用领域知识少,该算法引起广大学者的关注,已在函数优化、神经网络训练、组合优化、机器人领域得到了广泛的应用,并取得良好的成果.分数阶PID在传统PID的基础上引人了分数阶的思想,是一项非常值得研究的课题[4,5].由于分数阶PID在传统的PID控制器基础上多了两个可调参数（积分阶次λ和微分阶次μ）,因此可以更加灵活的控制受控对象,也能够取得良好的控制效果和鲁棒性能.对传统PID而言是对参数的调整,而对分数阶PID而言,同样是对参数的调整,只是多了两个参数,这样可以克服PID在控制中产生的非线性,参数时变不确定性复杂以及难以建立精确数学模型等问题[6,7].然而应用分数阶PID控制器可以有效的调节上述遇到的问题,并使得系统更加完美.
2 基于粒子群算法的分数阶PID参数优化
图1给出分数阶PID控制系统的原理框图,该控制系统由模拟分数阶PID控制器和被控对象组成.
分数阶PID控制器的闭环控制系统如图1所示,控制器主要是由分数阶PID和被控对象模型组成的反馈、闭环控制系统.根据给定的输入值Input和实际的输出值Output的误差e（t）,分数阶PID控制器通过对误差非线性控制,形成控制量u（t）,对被控对象模型plant进行控制,以达到期望的输出目的.控制器的输入输出关系在时域中的表达：
u（t）等于kpe（t）+KiDλe（t）+KdDμe（t）（1）
其中,Kp为比例系数,Ki为积分时间常数,Kd为微分时间常数,λ>0为积分次数,μ>0为微分次数.
基于粒子群算法的控制器参数优化算法流程表述如下：
①初始化粒子群,随机初始化各粒子；
②根据适应度函数计算各粒子的适应度值；
③对每个粒子,将它的适应度值和它的历史最优适应度值比较,如果更好,则将其作为历史最优；
④对每个粒子,比较它的适应度值和群体所经历的最好位置的适应度值,如果更好,则将其作为群最优；
⑤根据相关方程对粒子的速度和位置进行进化；
⑥如果达到结束条件（足够好的解或最大迭代次数）,则结束,否则转步骤②.
粒子群优化算法的流程如图2所示.
图2 基本粒子群算法流程图
3 仿真结果
利用MATLAB中的simulink仿真整数阶PID模型和分数阶PID模型得到的结果分别如图3和图4所示.从下图可以看出,基于粒子群算法优化的分数阶PID的控制效果明显优于整数阶PID的控制效果.
图3 整数阶PID的单位阶跃响应
图4 分数阶PID的单位阶跃响应
4 结束语
本文首先给出了分数阶PID控制器的基本控制原理,其次给出了基于粒子群算法的参数整定方法.利用粒子群算法进行分数阶PID控制器的参数优化,得到最优的PID控制器参数.最后,通过SIMULINK软件分别对整数阶和分数阶PID参数优化系统进行仿真,说明了分数阶PID控制效果明显优于整数阶PID.
参考文献：
[1]邱黎辉,等.模糊PID控制在 空调系统中的应用[J].计算机测量和控制,2004,12（1）：15-26.
[2]Ho Ming-Jzu,Lin Chia-Yin.PID controller design for robust performance[J].IEEE Transactions on Automatic Control,2003,48（8）：3-8.
[3]Reynolds C W.Flocks,herds and schools：A distributed behavioral model[J].Computer Graphics,1987,21（4）：25-34.
[4]Ho M.T.Robust and non-fragile PID controller design [J].Robust Nonlinear Control,2001,11：681-708.
[5]夏红,赏星耀,宋建成.PID参数自整定方法综述[J].浙江科技学院学报,2003,12（15）：9-12.
[6]熊志强,王炜,邱祖廉.一种新型PID自整定方法[J].控制工程,2003,5（10）：11-17.
[7] Chia-Ju Wu and Ching-Huo Huang,A Hybrid Method for Parameter Tuning of PID Controllers[J].1996,6：215-266.
作者简介：
蒋建辉（1982-）,男,工程师,汉族,陕西西安人,现供职于西安热工研究院,研究方向：结构力学.
总结:本文是一篇关于粒子论文范文，可作为相关选题参考,和写作参考文献。
参考文献：
1、 含有压缩因子粒子群优化灰色模型在智能电网中应用 摘要：针对智能电网对用电量预测的需求和电力系统的负荷特性，在分析了灰色模型GM（1，1）的局限性以及基本粒子群算法在优化GM（1，1）背景值时所。
2、 柔性作业车间调度分布式粒子群优化算法 摘 要：针对柔性作业车间调度问题的特性，提出了一种分布式粒子群优化算法以求解柔性作业车间调度问题，该算法以最小化最大完工时间为目标，为解决传统粒。
3、 一种适用于机组组合优化的改进整数编码粒子群算法 摘 要： 针对机组组合这一高维、非线性混合整数规划问题，提出一种结合修补策略的整数编码粒子群（ICPSO） 算法。用正负整数分别表示机组开停机的。
4、 粒子群优化算法选择特征的运动图像分类 摘 要： 为了提高图像分类的效果，考虑当前方法准确实现图像分类的难题，提出粒子群优化算法选择特征的运动图像分类方法。对当前运动图像分类方法的研究。
5、 基于动态粒子群优化和Kmeans聚类图像分割算法 摘 要： 为了解决K?means聚类算法图像分割质量过度依赖于初始聚类中心选取，且易于陷入局部最优解等问题，提出一种基于动态粒子群优化（DPSO。
6、 基于微粒群优化算法的直流电机控制系统 摘 要： 针对现有直流电动机控制系统的特点和存在的问题，介绍以STM32单片机为控制核心的直流电机数字调速控制系统。该系统利用PWM信号驱动控制。