| 【中文题名】 | 遗传融合的自适应蚁群算法最优PID控制研究 |
| 【英文题名】 | The Research of Optimized PID Control Based on Self-adaptive Ant Colony Algorithm with Syncretic and Genetic Genes |
| 【学科专业】 | 机器学习与通信网络 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2006-5-10 |
| 【中关键词】 | PID控制,遗传算法,蚁群算法,相位裕度,幅值裕度,杂交 |
| 【英关键词】 | PID control,genetic algorithm,Ant colony algorithm,phase margin,amplitude margins,hybridizing,aberrance,Information element, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化技术及设备>自动化系统>自动控制、自动控制系统>模糊控制、模糊控制系统 |
| 【论文摘要】 | 蚁群算法是一种新型的模拟进化算法。重点始于组合优化问题的求解,并已成功地应用于诸如旅行商问题、二次分配问题等。PID(比例-积分-微分)控制在工业控制领域中应用非常广泛。这完全取决于PID控制的算法简单、鲁棒性好、可靠性高、性能良好等优点。由于在现代控制过程中要求越来越高,因此,PID控制的智能化研究已成为当今的一个热门课题。
PID控制的优劣完全取决于PID参数K_p、T_d、T_i的整定和优化,作者运用蚁群算法优化PID控制参数,但在基本蚁群算法中,存在收敛速度较慢,易出现停滞,以及全局搜索能力较低的缺陷。本文提出了一种具有遗传因子的自适应蚁群算法最优PID控制参数的方法。通过实验证明,优化效果明显得到改善。
本文的主要研究内容及成果如下:
1.对PID控制及其算法进行分析和探讨,综述和研究PID控制的整定和优化;探讨了遗传算法优化PID参数的基本方法,着重研究了改进遗传算法的PID控制优化。
2.对蚁群算法的构成、原理、性能、特点进行了详细综述,针对蚁群算法性能的缺陷,提出了基于分布均匀度的自适应蚁群算法优化PID控制参数。
3.进一... |
| 【论文题纲】 |
|
摘要 |
8-9 |
|
Abstract |
9-11 |
|
第1章 绪论 |
11-18 |
|
1．1 研究背景与目的意义 |
11 |
|
1．2 PID控制优化与蚁群算法研究进展 |
11-15 |
|
1．2．1 课题的国外研究现状 |
12-13 |
|
1．2．2 课题的国内研究现状及应用发展 |
13-15 |
|
1．3 遗传算法与蚁群算法的特点 |
15-16 |
|
1．4 本文的主要工作、主要研究方向及内容 |
16-17 |
|
1．5 本文的主要创新之处 |
17-18 |
|
第2章 PID控制及其算法 |
18-27 |
|
2．1 PID控制系统 |
18-20 |
|
2．1．1 模拟PID控制系统概述 |
18-19 |
|
2．1．2 数字PID控制系统概述 |
19-20 |
|
2．2 参数自适应PID控制 |
20-21 |
|
2．3 数字PID控制算法 |
21-24 |
|
2．3．1 位置式PID控制算法分析 |
21-22 |
|
2．3．2 增量式PID控制算法分析 |
22-24 |
|
2．4 不完全微分PID控制算法 |
24-26 |
|
2．5 小结 |
26-27 |
|
第3章 PID控制的整定与优化 |
27-37 |
|
3．1 引言 |
27 |
|
3．2 PID控制参数整定基本方法 |
27-29 |
|
3．2．1 Ziegler-Nichols法 |
27-28 |
|
3．2．2 增益优化的整定 |
28-29 |
|
3．3 PID控制整定策略 |
29-36 |
|
3．3．1 继电型PID控制整定策略 |
29-30 |
|
3．3．2 基于给定相位裕度的 PM法整定策略 |
30-32 |
|
3．3．3 基于给定相位裕度和幅值裕度的SPAM法整定策略 |
32-34 |
|
3．3．4 基于递推参数估计的PID控制参数整定策略 |
34-36 |
|
3．4 小结 |
36-37 |
|
第4章 遗传算法优化PID控制研究 |
37-47 |
|
4．1 引言 |
37 |
|
4．2 基于遗传算法的PID参数优化 |
37-42 |
|
4．2．1 遗传算法的运算过程 |
37 |
|
4．2．2 遗传算法的PID参数优化 |
37-40 |
|
4．2．3 基于遗传算法的预测自整定PID控制算法 |
40-42 |
|
4．3 自适应遗传算法优化PID参数 |
42-44 |
|
4．3．1 系统优化模型 |
42-43 |
|
4．3．2 自适应遗传算法 |
43-44 |
|
4．4 基于改进遗传算法的PID控制优化 |
44-46 |
|
4．4．1 一种改进的遗传算法 |
44 |
|
4．4．2 二自由度PID控制 |
44-45 |
|
4．4．3 基于改进遗传算法的二自由度PID控制器参数寻优 |
45-46 |
|
4．5 小结 |
46-47 |
|
第5章 基于蚁群算法的PID控制优化研究 |
47-65 |
|
5．1 引言 |
47-48 |
|
5．2 蚁群算法 |
48-53 |
|
5．2．1 蚁群系统模型 |
48-49 |
|
5．2．2 蚁量系统和蚁密系统模型 |
49-51 |
|
5．2．3 蚁周系统模型 |
51-53 |
|
5．3 基于蚁群算法的PID参数优化 |
53-57 |
|
5．3．1 基于蚁群算法的PID控制系统优化原理 |
53-54 |
|
5．3．2 蚁群算法对PID控制参数优化设计 |
54-56 |
|
5．3．3 仿真实验 |
56-57 |
|
5．4 基于分布均匀度的自适应蚁群算法最优PID控制 |
57-64 |
|
5．4．1 基于分布均匀度的自适应蚁群算法最优PID控制的基本思想与方法 |
57-62 |
|
5．4．2 自适应蚁群算法优化PID控制算法 |
62-63 |
|
5．4．3 仿真结果 |
63-64 |
|
5．5 小结 |
64-65 |
|
第6章 基于遗传融合的自适应蚁群算法最优PID控制研究 |
65-76 |
|
6．1 引言 |
65 |
|
6．2 基于遗传算法融合蚁群算法GAAA算法 |
65-68 |
|
6．2．1 GAAA算法的基本方法 |
65-66 |
|
6．2．2 GAAA算法中遗传算法的设定 |
66 |
|
6．2．3 GAAA算法中蚂蚁算法的修正 |
66-67 |
|
6．2．4 GAAA算法对TSP问题的仿真结果 |
67-68 |
|
6．3 具有变异特征的蚁群算法 |
68-70 |
|
6．4 基于遗传因子的自适应蚁群算法最优PID控制 |
70-74 |
|
6．4．1 带遗传因子的自适应蚁群算法(GAAS)最优PID控制参数的基本思想 |
70-73 |
|
6．4．2 带遗传因子的自适应蚁群算法(GAAS)最优PID控制参数的算法 |
73-74 |
|
6．4．3 计算机仿真结果 |
74 |
|
6．5 小结 |
74-76 |
|
结论与展望 |
76-79 |
|
参考文献 |
79-83 |
|
致谢 |
83-84 |
|
附录A (攻读学位期间所发表的与学位论文相关的著作和学术论文目录) |
84 |
|
| 【DOI】 | LunWen.ID:2.2008.377766 |
