部分内容展示

粒子群优化算法是在对生物界中鸟群觅食行为研究的基础上提出的一种全新的智能优化算法，在许多工程优化的实际问题中得到了成功的应用。本文以基于粒子群算法PID控制参数优化作为主要研究课题，在PID控制器及粒子群算法相关概念及原理的基础上，提出了简化粒子群算法，通过对惯性权重进行改进，通过简化粒子群算法进行PID控制参数优化，实验结果表明，改进算法求解出的PID控制参数，对系统的稳定性有明显地提高，表明了改进算法的实用性。
 
关键词：粒子群算法，PID控制，参数优化；更多范文 人类对优化问题的探讨可追溯于公元前古希腊时期，通过不断的摸索与发展，到17世纪中叶，对它的理论研究及算法研究己初具体系，直至20世纪末，最优化理论及方法才成为一门独立的学科。在这期间，学者们取得了丰硕的研究成果，提出了许多经典的优化算法，其中的代表有：牛顿法、单纯形搜索法、最速下降法、共辆梯度法等。可是，这些传统算法仅能解决简单的优化问题，面对结构复杂，模糊性强的难题时，往往不尽人意。随着计算机信息技术的发展，人工智能领域的迅速崛起，以自然界和人类社会的运行机制为导向，模拟其现象或行为的启发式优化算法开始展现在人们眼前，这其中的代表有：遗传算法、模拟退火算法、免疫算法、粒子群算法、蚁群算法等。启发式算法的出现不但丰富了最优化问题的理论研究，也为优化算法的发展指明了新的方向。同时，由于启发式算法具有更强的适用性，专家学者也越来越热衷于将其应用于实际工程中，这也大幅提高了优化算法的实用价值。粒子群算法的早期模型是在 1987 年由美国人工生命专家 Craig Reynolds 构建的。他的模型定义群体中每个粒子的运动都只与它周围的粒子运动方式相关，并遵循不重叠、逐渐聚拢、速度一致三个原则。模型中的每个粒子随着迭代的进行不断的向着最优值聚拢。 之后社会学家 Kennedy 和 Eberhart 根据这个模型演化出了粒子群（PSO）算法。该种群粒子通过不断的对粒子自身历史最优值和全局最优值的比较学习来实现不断向最优值接近的过程。粒子群算法因为其原理简单、收敛速度快等优点一经提出就在控制领域引起很大波动，之后围绕粒子群算法的改进不断被提出。 Ozcan 等人最早开始关注并分析这个算法，他采用单一变量的研究方式，分别限定两个加速因子和两个最值，来对比分析每个参量的变化对算法的影响，最后提出取消粒子的随机性来保证算法每次的控制效果的改进方式；Clerc 等人在此基础上，利用状态矩阵分析了每个粒子的运动趋势受到参数的影响；Solis 进一步完善了粒子群算法的收敛条件，Van den Bergh 对这个收敛条件深入分析后提出常规的粒子群算法很难实现收敛到最优值的目的。他在研究中由惯性权重、加速因子对算法的影响把粒子的变化趋势区分为收敛、发散和振荡三种不同形式，据此他提出了保证收敛的粒子群算法，该算法不设定时间限制，粒子不断迭代寻优直到收敛为止；Poli 等人运用统计学原理分析了粒子群的收敛性，揭示了种群四个阶矩随着迭代次数的变化，