改进细菌觅食算法在PID参数整定中的应用

合集下载

细菌觅食优化的智能PID控制

ＨＵＡＮＧＷｅｆｎＬＩＷｅｘｎ，ＡＮＨｕｉｅｅ１ｎｅｌｅｔＩｉｅｇ，ＮｉｉｇＦａｋ，ｔａ．ｔｌｇｎＰＤｃｎｒｌｅｂｓｄｎａｔｒａｆｒｇｎｐｍｉａｉｎＩｉｏｔｏｒａｅｏｂｃｅｉｌｏａｉｇｏｔｚｔ．ｉｏ
ｂｅｎｔｅｏｔｌｐｏｒｓ，ｓｅｉｌｆｒｈｅｏｌｘｙｔｍ．ｒｅｔｓｌｅｔｅｐｏｌｍｓａｎｗｎｅｌｅｔＰＤｃｎｒｌｌｉｈｃｎｒｒｇｅｓｅｐｃａｌｏｔｃｍｐｅｓｓｅＩｏｄｒｏｏｖｒｂｅ，ｅｉｔｌｇｎＩｏｙｎｈｉｏｔｏ
宁波大学信息科学与工程学院，浙江宁波３５１１２１
ＦｃｌｆＩｆｒｔｎＳｉｎｅａｄＴｃｎｌｇ，ｎｂｎｖｒｉ，ｎｂ，ｈｊｇ３，ｈｎａｕｔｏｏｍａｏｃｅｃｎｅｈｏｏｙＮｉｇｏＵｉｅｓＮｉｇｏＺｅａ２Ｃｉａｙｎｉｙｔｉｎ１１５１
ＣｍｕｅｎｉｅｉｎＡｐｉａｉｎ计算机工程与应用ｏｐｔＥｇｎｒｇａｄｐｌｔｓｒｅｎｃｏ
细菌觅食优化的智能ＰＤ控制Ｉ
黄伟锋，林卫星，范怀科，史夏波，涛程
ＨＵＡＮＧｅｆｎＬＮｅｘｎＦＷｉｇ，ＩＷｉｉｇ，ＡＮａｋ，ＨＩＸｉｂ，ｅＨｕｉｅＳａｏＣＨＥＮＧａＴｏ
摘
要ｊ传统的ＰＤＩ在控制过程中，尤其针对复杂被控对象易产生振荡和较大的超调，甚至控制系统无法稳定，了解决这个问题，为采

粒子群优化的细菌觅食算法在变风量空调机组中的应用

位置，则说明经过驱散操作后细菌的全局寻优能力加强。
：
菌，将剩下的细菌进行分裂。（４）驱散操作：将符合驱散操作条件的细参考文献：菌进行驱散。（５）完成以上流程，将最终的最优适度值及其所对应的［１］黄伟峰．林卫星，范怀科等．细菌觅食优化的智能ＰＩＤ控制［Ｊ］．计算细菌所在位置作为结果输出。机工程与应用。２０１１，４７（２１）：８２ — ８５．
２０１３。２０（６）：１１
粒子群优化的细菌觅食算法各个参数设置如下：细菌数量Ｓ设
［４］刘小龙．细菌觅食优化算法的改进及应用［Ｄ］．广东：华南理工大学，
・・
・・・・
本文利用粒子群优化的细菌觅食算法来整定ＰＩＤ参数，将优化Ｊｕｎｅ，２００２，ｐｐ：５２ —６７．后的参数应用到变风量空调机组送风管道静压控制回路中，具体的［３］杨世忠，任庆昌．变风量空调静压的鲁棒ＰＩＤ控制［Ｊ］．控制工程，控制框图如图２所示。
上接第４２页
［４］Ｇ．Ｋａｓｔｉｎｇｅｒ，ＲｏｂｅｒｔＢｏｓｃｈＧｍｂＨ： ” Ｄｅｓｉｇｎｏｆａｎｏｖｅ１ｔｒａｎｓ —
信息技术ＣｈｉｎａＳｃｉｅｎｃｅ＆ＴｅｃｈｎｏｌｏｇｙＯｖｅｒｖｉｅｗ
为２０，参数维数Ｐ为３维，驱散次数Ｎｅｄ为２次，繁殖次数Ｎｒｅ为４次，趋化次数Ｎｃ为４Ｏ次，驱散概率Ｐｅｄ为０．２５，游动步数Ｎｓ为４次，粒３利用粒子群算法优化细菌觅食算法子群算法中的ｃ１取２，ｃ２取２。本次仿真选用的寻优函数为绝对偏差细菌觅食算法可以在搜索最优解的过程中任意改变搜索方向，积分：这样大大的提高了算法局部搜索能力及搜索精度，但是细菌在趋向性操作中随机翻转，缺少细菌之间的相互学习，因此收敛速度较慢，（ｆ）（５）０针对这一不足，本文将粒子群中的粒子更新引入到细菌觅食算法中变风量空调机组的送风管道静压控制回路采用一阶传递函数的细菌位置更新，由于在粒子群算法中粒子是根据本身的最佳位置模型，具体表达式如下：和整个群体最佳位置来进行位置更新，这样就可以利用粒子群算法中粒子群的记忆功能提高细菌觅食算法的搜索效率。在粒子群算法Ｇ∽ ：中，粒子群更新方式如下所示：本次仿真的采样周期为１ｓ，采样点数为１０ｏ个，根据采样时间以ｆ＋１）＝ｆ）＋，ｉ（ｐｂｅｓｔ — ｆ））＋ｃ２ｒ２（ｇｂｅｓｔ一（ｆ））（３）及传递函数表达式可以知道系统传输过程中有延迟，延迟约五个采（ …）＝（ｆ）＋ｖ（ …）（４）样周期，用Ｍａｇａｂ编写控制方法的ｍ程序，得到相关ＰＩＤ参数进行仿其中ｐｂｅｓｔ表示粒子本身最优解，ｇｂｅｓｔ表示整个粒子群的最优真，其仿真结果如图３所示。解，ｃｌ、ｃ２表示加速因子，、ｒ２为［Ｏ，１］之间的随机数。粒子群算法，细菌觅食算法，粒子群优化的细菌觅食算法对应的ＰＩＤ值以及在本次仿真过程中的调节时间如表１所示。４粒子群优化细菌觅食算法的具体步骤根据以上图表，在调节过程中粒子群算法出现超调量，细菌觅（１）初始化细菌觅食算法以及粒子群算法相关参数，计算细菌的食算法及粒子群优化的细菌觅食算法没有出现超调量。从调节时间初始适度值。（２）趋向性操作：细菌按照公式（１）前进，如果前进后细菌角度看，粒子群算法和细菌觅食优化算法调节时间基本一致，经过所在位置的适度值Ｊ（ｏ）优于前一个位置，则保持在该方向上继续前粒子群优化的细菌觅食算法的调节时间较粒子群算法及细菌觅食进，直至达到设定游动次数，否则，细菌将通过翻转改变原来前进方算法有明显缩短。向，在每次的趋向性操作中记录细菌本身经历过的位置最优值以及全局位置最优值，并根据公式（３）来确定细菌的今后前进方向。（３）复７结语制操作：将细菌在趋向性环节得到的适度值进行累加，累加结果记通过以上分析，粒子群优化的细菌觅食算法与细菌觅食算法以及粒子群算法比较，经过优化后的细菌觅食算法在收敛速度上有明为其中一，（ｆ，Ｊ，ｋ，ｆ），对枷进行排序，淘汰掉一半细显提升，调节时间缩短。

细菌觅食优化算法的研究与应用

1
引言
实际生活需求促进了最优化方法的发展。近半个多世纪
局部搜索和全局搜索特性，有些研究者将 BFOA 与其他算法混合，并应用在生产实践中来证明它的有效性，性能甚至超过许多改进的 GA 和 PSO 算法。此外， BFOA 的数学建模、自适应性和算法本身的改进也正成为该算法研究的主要方向。
本原理及流程进行介绍，然后对算法求解优化问题的设计步骤进行分析，接着探讨算法的改进和应用，最后指出细菌觅食优化算法的未来研究方向。关键词：细菌觅食优化；趋向性操作；复制操作；迁徙操作 DOI： 10.3778/j.issn.1002-8331.2010.20.005 文章编号： 1002-8331 （2010） 20-0016-06 文献标识码：Ａ中图分类号： TP301.6
否
l<Ned? 是 k<Nre? 是 j<Nc? 是趋向性操作 j=j+1
迁徙操作使得 BFOA 具有随机搜索的能力，有助于 BFOA 保持种群的多样性，减少早熟收敛的情况。设计该操作主要是对迁徙操作的次数 N ed 和迁徙概率 p ed 选取适当的值。（4）算法参数的选择细菌觅食优化算法的参数较多，包括：种群大小S ，游动的
图2
复制操作流程图
（3）迁徙操作细菌个体生活的局部区域可能会突然发生变化（如：温度的突然升高）或者逐渐变化（如：食物的消耗），这样可能会导致生活在这个局部区域的细菌种群集体死亡，或者集体迁徙到一个新的局部区域。在细菌觅食优化算法中模拟这种现象称为迁徙行为（elimination and dispersal）。迁徙操作以一定概率发生。给定概率 p ed ，如果种群中的某个细菌个体满足迁徙发生的概率，则这个细菌个体灭亡，并随机地在解空间的任意位置生成一个新个体，这个新个体与灭亡的个体可能具有不同的位置，即不同的觅食能力。迁徙操作随机生成的这个新个体可能更靠近全局最优解，这样更有利于趋向性操作跳出局部最优解和寻找全局最优解。

BFO-PSO混合算法的PID参数优化设计

细菌在环境差的区域会较频繁地旋转，在环境好的区域会较多地游动。细菌的整个生命周期就是在游动和旋转这两种基本运动之间进行切换，游动和翻滚的目的是寻找食物并避开有毒物质。在细菌觅食优化算法中模拟这种现象称为趋向性操作。设细菌种群大小为Ｓ，一个细菌所处的位置表示问题的
当细菌鞭毛按照逆时针旋转时，细菌进入游动状态。通常，
收稿日期：２１１ — ５０１ — ０２
并随机地在解空间的任意位置生成一个新个体，这个新个体，湖北武汉人，华中科技大学武昌分校机电与自动化学院助教，研究方向为电力电子技
ＢＦ算法主要通过趋向性操作、复制操作和迁徙操作这三种Ｏ
操作迭代计算来求解问题，下面介绍这三大操作及其流程【。９】
１．趋向性操作
升高或者逐渐的实物消耗等变化，这样可能会导致生活在这个局部区域的细菌种群集体死亡，或者集体迁徙到一个新的
个候选解，细菌ｉ的信息用Ｄ维向量表示为
０＝，，ｌ＝，… Ｓ０，表示细菌ｉｆ …，，ｉ１，，，ｉ，，２（ｋ）在第ｊ次
趋向性操作第ｋ次复制操作和第１迁徙操作之后的位置。次细菌ｉ每一步趋向性操作为的

一种优化的细菌觅食算法用以解决全局最优化问题

＝ｆＬ＝１ △，１童１～，ｒ
此处ｆ为０或者１的随机定值， △ ｚ为而（，）
／、Ａ
‘ ｊ
（）４
△ｍ）ｚ・一ｌ（，＝唧ｆｌ
此处随机取０或者ｌｚ，为最大菌群代数。
２趋化步长与次数取值．３趋化步长Ｃ是细菌移动每一步的距离。步长单位Ｃ控制菌群的多样性和收敛性。一般来说，不应小于某一特定值，Ｃ这样能够有效地避免算法过早收敛，加算法逃离局部最小值的能力；增然而，过大时会ｃ降低算法的收敛速度，比如，当最优解位于一个狭长的波谷中，步长过长时算法可能会跳过这个波谷进行搜索，而丢失寻找到最优解的机从
（）１
公式１（Ｉ表示第ｙ中．）『，个细菌第ｆ次趋化，第次复制和第ｚ
如果在（１，上的适应度优于在（，，上的，，）７）保持
不变进行直向运动，至找到适应度最佳的位置，直或者达到趋化步数临界值。否则产生新的，进行下一次翻转运动。１复制．２细菌周期完成，即达到临界趋化次数时，细菌进行繁衍。在细菌繁殖前，每个细菌个体进行健康度评定。保留健康度较好的半数细菌，对这些细菌进行一分为二的分裂复制，复制后保留母细菌原有的特性，具有和母细菌同样的趋化步长与位置等特性。１消除一．３驱散在细菌完成复制操作后，进行消除一驱散操作。去除掉在复制操作过程中健康度较差的另外半数细菌，以某一概率选取经过复制操作再的细菌，将其驱散到其他位置。这样，被驱散的细菌具有了新的位置，也就有了不同的觅食能力。这样可以增加菌群跳出局部最优的可能性，但是此操作也驱散了已经接近全局最优的一些细菌，了优化进减缓

改进细菌觅食算法求解车间作业调度问题

用于ＪＰ上的编码困难，出一种工序序列和ＢＯＳ提ＦＡ实数个体编码的互换策略；）ｃ针对复杂、大规模ＪＰ提出一种空闲时间Ｓ，片段最优调度算法。
第２８卷第９期
２１年９月０１
计算机应用研究
ＡｐｌａｉｎＲｅｅｒｈｏｍｐｔｒｐｉｔｓａｃｆＣｏｕｅｓｃｏ
Ｖｏ＿８Ｎｏ９ｌ２．Ｓｐ２１ｅ．０１
改进细菌觅食算法求解车间作业调度问题水
实验表明，该算法能够跳出局部最优，免了早熟的问题，结果优于原始细菌觅食算法和离散粒子群算法。避调度
关键词：细茵觅食算法；自适应步长；车间作业调度问题；编码转换；空闲时间片段优化中图分类号：Ｔ３１Ｐ０文献标志码：Ａ文章编号：１０．６５２１）９３２ — ３０１３９（０１ｏ．３４０
ｃｎｅｉｎ；ｆｅｉｐｉｚｔｏｏｖｒｏｓｒｅｔｍｅｏｔｍａｉｎｉ
平衡算法的全局寻优能力和局部开采能力）针对ＢＯＦＡ直接
０引言
车间作业调度问题（ｏ —ｈｐｓｈｄｌｇｐｏｌｍ，Ｓ）ＪｂＳｏｃｅｕｎｒｂｅＪＰ一ｉ

差分进化算子，并将改进算法用于车间作业调度问题（Ｓ）ＪＰ中。求解时，设计了一种编码转换方案，而无须修从改ＢＯＦＡ运算规则即可实现对ＪＰ的寻优；时，用空闲时间片段优化策略降低了调度问题的复杂性。仿真ｓ同采

改进细菌觅食算法在TSP问题中的应用

∗东南大学复杂工程系统测量与控制教育部重点实验室开放课题(MCCSE2016B01)旅行商问题(Traveling Salesman Problem ,TSP )作为一个典型的具有NP 完备(NP-Complete ,NPC )复杂度的组合优化问题[1],在信息化时代越来越得以重视。

现今,学者们为解决该问题已经使用了许多优秀的算法,比如差分算法[2]、粒子群算法[3]、蚁群算法[4]、细菌觅食算法[5]等。

其中,差分算法更适用于解决连续优化问题,在TSP 这类离散型问题中使用较少,不够成熟;粒子群算法在求解TSP 问题时存在易陷入局部最优解和早熟收敛的问题;蚁群算法也存在收敛速度慢和求解精度不高的缺陷;细菌觅食算法因其并行搜索和易跳出局部最优解的优点在以上算法中脱颖而出。

基本的细菌觅食算法在求解TSP 问题时由于其复杂的结构和信息交流机制的缺乏,存在收敛速度慢、搜索精度不够高等缺点。

为改善以上问题,本文提出了一种改进的细菌觅食算法。

1改进细菌觅食算法细菌觅食算法(Bacteria Foraging Optimization ,BFO )是Kevin M Passino 于2002年提出的一种仿生随机搜索算法[7],主要包含趋化、复制和迁徙三个步骤。

改进算法主要针对种群数量、趋化和迁徙过程进行优化。

1.1种群数量的改进细菌觅食算法中种群的大小直接影响到算法的求解精度,种群数量越大求得最优解的概率越大,但计算量也会随之增加,求解速度较慢;种群数量越小,求解速度快,但容易引发“种群危机”陷入局部最优,求解精度低。

细菌觅食的过程中,种群数量不是一成不变的,通常,趋化会使种群数量减少,迁徙会使种群数量增加。

因此,为保证求解精度,可通过以下操作合理调控种群数量:1)设置较大的初始种群,以得到较大的覆盖率;2)设复制操作会循环N re 次,当进行到第ηN (η∈(0,1))次时,逐渐去除适应度值较低的n sre 个细菌,减少不必要的计算;3)设置种群数量下限n min ,避免“种群危机”。

采用改进细菌觅食算法的风_光_储混合微电网电源优化配置_百度概要

第31卷第25期中国电机工程学报V ol.31 No.25 Sep.5, 20112011年9月5日Proceedings of the CSEE ©2011 Chin.Soc.for Elec.Eng. 17 文章编号:0258-8013 (2011 25-0017-09 中图分类号:TM 61;TM 732 文献标志码:A 学科分类号:470·40采用改进细菌觅食算法的风/光/储混合微电网电源优化配置马溪原,吴耀文,方华亮,孙元章(武汉大学电气工程学院,湖北省武汉市 430072Optimal Sizing of Hybrid Solar-wind Distributed Generation in an Islanded MicrogridUsing Improved Bacterial Foraging AlgorithmMA Xiyuan, WU Yaowen, FANG Hualiang, SUN Yuanzhang(School of Electrical Engineering, Wuhan University, Wuhan 430072, Hubei Province, ChinaABSTRACT: Wind and solar energy have the characteristics of randomness and waviness. As the coordination among distributed generation (DG, energy storages and loads is very complicated, proper combination of DG in an islanded microgrid is a primary problem for its reliability and economy. This paper used the bacterial foraging algorithm (BFA to solve the optimal sizing problem of hybrid solar-wind DG in microgrid. The economic model of optimal sizing was built with the objective that takes annual costs of equipment, operation and maintenance, fuels, environment protection into account. The meteorological conditions of wind speed, solar radiation and temperature were input. According to alternatives of DG and power supply reliability, the types andoptimal sizing of DG were designed. The results show the BFA has a strong global optimal capability and fast speed. This method can comprehensively evaluate the economy efficiency of DG and reduce redundant investment to satisfy customer’s diversification of reliability requirements according to meteorological conditions.KEY WORDS: microgrid; bacterial foraging algorithm; optimal sizing; distributed generation摘要:风能和太阳能具有随机性和波动性的特点,由分布式电源、储能装置、负荷组成的微电网协调运行与控制十分复杂,对孤岛运行的微电网合理地配置电源以提高供电可靠性、经济性是微电网规划建设的一个首要问题。

一种细菌觅食算法的改进及其应用_杨大炼

edN 分别表示趋向性操作、 reN、设 cN、复制操作
1
细菌觅食算法的基本原理
在自然界中，大肠杆菌通过体表的鞭毛在环境
中游动来不断地搜寻食物。研究发现，当一个细菌所处的环境中食物耗尽，细菌就会开始朝一个方向移动，当移动到下一个位置的时候，如果该位置的食物丰富，就会暂时停下来消耗食物，直到食物消耗殆尽，细菌再沿着上一次的移动方向搜寻新的食物，如果沿着某一方向移动一段距离没有找到食物，细菌就会改变原来的移动方向继续寻找食物。细菌的生存符合达尔文 “优胜劣汰” 的理论，如果食物丰富，细菌就会分裂产生新的个体，而没有找到食物的细菌则会死亡。从细菌觅食的生物行为抽象出的细菌觅食优化算法，将细菌的觅食过程描述为趋向性、复制和迁移 3 个操作过程[9]。（1）趋向性操作：主要模拟了细菌的运动过程，包括向前移动和转向移动两个过程，如图 1 所示。
2002 年， Kevin M.Passino[1]提出了一种新的仿生优化算法—细菌觅食算法（BFA），它是在研究大肠杆菌吞噬食物行为的基础上提出来的。该算法具有群体智能性，可以进行并行搜索，成为又一研究热点。 Tripathy 和 Mishra 用 BFA 解决电力系统最优潮流问
[2]
种群行为，细菌种群的大小直接影响到的细菌寻求最优解的能力。种群数量越小，种群在搜索过程中获得与解有关的信息就越少；种群数量越大，个体初
度进行降序排列，适应度值较大的前 N 2 个个体保
杨大炼，李学军，蒋玲莉：一种细菌觅食算法的改进及其应用
2012， 48 （13）
33
始时分布的区域多，靠近最优解的概率就越大，能避免算法陷入局部极值，但不可避免地增加了算法的计算量。因此，可以设置较大的初始种群，这样可以得到较大的覆盖率，事实上，在细菌觅食过程中，每过一段时间，细菌就会往更小的范围内聚集，从而使得种群之间的竞争越来越激烈，食物的消耗必将引起细菌种群数量的减少，最后留下较少的适应度最好的细菌。因此，在细菌觅食算法中，可以逐渐减少种群的数量来减少不必要的计算量，而为了防止细菌种群过度偏小而引起的 “种群危机” ，通过设置适当的最小种群数量来保证。设第 j 次趋向性操作、第 k 次复制操作、第l次迁移操作后的种群大小为 N ( j k l) ，首先将种群按照适应度降序排列，排在后面适应度低的 N1 个细菌则被淘汰掉，而只有排在前面适应度较高的 N 2 个细菌进行了复制操作。因此，在保证最小种群 N' 的条件下，第 j 次趋向性操作、第 k + 1 次复制操作、第l次迁移操作后的种群大小：

改进型细菌觅食算法求解FJSP问题

BFO 算法是由 Passino 提出的模拟大肠杆菌觅食行为的新的进化计算技术［6］。本文提出一种改进的 BFO 算法，重点对趋化操作的运动步长以及翻转方向进行了改进，设计了自适应步长在三种情况下的变化值，并加强全局最优位置与个体最优位置在翻转方向上的引导，避免算法早熟现象的发生。将 IBFO 算法运用到解决 FJSP 问题中进行仿真试验。通过与标准细菌觅食算法和改进遗传算法（Improved Genetic Algorithm，IGA）在柔性车间调度应用中的计算结果进行对比分析，验证了算法的进步性。
Vol. 46 No. 6 1094
计算机与数字工程 Computer & Digital Engineering
总第 344 期 2018 年第第46 卷期
改进型细菌觅食算法求解 FJSP 问南 250353）
摘要细菌觅食算法（BFO）作为一种新兴算法，已经被运用于不少领域。针对柔性车间调度问题。论文提出一种改进的细菌觅食优化算法，重点对趋化操作的运动步长以及翻转方向进行了改进，设计了自适应步长在三种情况下的变化值，并加强全局最优位置与个体最优位置在翻转方向上的引导，避免算法早熟现象的发生。将改进型细菌觅食算法（IBFO）运用到解决柔性车间调度（FJSP）中进行仿真试验。通过经典算例实例分析，实验结果与标准细菌算法与改进遗传算法进行了分析对比，验证了论文改进算法有更好的收敛性和较高的寻优准确率。
关键词细菌觅食算法；柔性车间调度；翻转方向；趋化步长；自适应步长中图分类号 TP391 DOI：10. 3969/j. issn. 1672-9722. 2018. 06. 006
Improved Bacteria Foraging Optimization Algorithm for Solving Flexible Job-shop Scheduling Problem

《2024年度基于细菌群觅食优化算法的电液位置系统PID参数寻优研究》范文

《基于细菌群觅食优化算法的电液位置系统PID参数寻优研究》篇一一、引言在工业控制系统中，电液位置系统因其高精度、高响应速度和良好的稳定性而得到广泛应用。

然而，如何优化电液位置系统的控制性能，特别是PID（比例-积分-微分）控制器的参数调整，一直是工业控制领域的重要研究方向。

传统的方法往往依赖于经验丰富的工程师手动调整或采用简单的优化算法，这些方法在处理复杂系统和多变的环境时存在诸多局限。

因此，寻求更高效的参数寻优方法成为了当务之急。

近年来，细菌群觅食优化算法（Bacterial Foraging Optimization Algorithm, BFOA）因其在寻优过程中的优异表现受到了广泛关注。

本文提出将细菌群觅食优化算法应用于电液位置系统的PID参数寻优，旨在提高系统的控制性能和稳定性。

二、细菌群觅食优化算法概述细菌群觅食优化算法是一种模拟自然界中细菌觅食行为的优化算法。

该算法通过模拟细菌的趋化性、繁殖和随机游走等行为，在搜索空间中寻找最优解。

BFOA具有以下优点：一是具有较强的全局搜索能力，能够快速找到最优解的大致范围；二是局部搜索精度高，能够在找到大致范围后进行精细搜索；三是算法简单易实现，适用于各种复杂系统和多变的环境。

三、电液位置系统PID参数寻优研究本文将BFOA应用于电液位置系统的PID参数寻优。

首先，根据电液位置系统的特点和控制要求，确定PID控制器的三个参数：比例系数Kp、积分系数Ki和微分系数Kd。

然后，将BFOA 应用于这三个参数的寻优过程。

具体步骤如下：1. 初始化：设定BFOA的参数，如细菌种群数量、游走步长、趋化性规则等。

同时，设定PID控制器的初始参数值。

2. 评价函数设计：根据电液位置系统的性能指标（如位置误差、响应时间等），设计评价函数。

评价函数用于衡量PID参数的优劣，是BFOA寻优过程的关键。

3. 模拟细菌觅食行为：根据BFOA的规则，模拟细菌的趋化性、繁殖和随机游走等行为。

细菌觅食优化算法的研究与改进

细菌觅食优化算法的研究与改进细菌觅食优化算法的研究与改进随着计算机科学和生物学的不断发展，人们开始探索将生物现象与计算机算法相结合，以寻找新的问题解决方法。

在这个过程中，细菌觅食优化算法应运而生。

细菌觅食优化算法模拟了细菌在寻找食物的过程，通过模仿细菌的行为，通过进化算法来优化问题的解决方案。

本文将探索细菌觅食优化算法的研究与改进，以及其在实际问题中的应用。

一、细菌觅食优化算法的基本原理细菌觅食优化算法灵感来源于真实世界中细菌的群体觅食行为。

细菌觅食过程主要包括趋化运动、荧光成像和滞留趋化三个阶段。

在趋化运动阶段，细菌通过运动来寻找食物。

荧光成像阶段主要是细菌根据环境中剩余食物的浓度情况进行判断，以便向食物浓度高的区域聚集。

在滞留趋化阶段，细菌会在食物附近停留，直到找到食物。

细菌觅食优化算法主要包括三个步骤：初始化种群、选择操作和更新种群。

首先，根据问题的维度和范围，初始化一定数量的细菌个体。

每个细菌个体都有一个状态向量和一个适应度值。

然后，根据每个细菌的适应度值，选择一定数量的细菌进行进化。

进化的过程包括变异和交叉操作，以获得新的细菌个体。

最后，根据进化后的细菌个体来更新种群，并继续下一轮的进化。

通过多轮的进化，细菌个体的适应度值逐渐提高，找到最优解的几率也会增加。

二、细菌觅食优化算法的改进方向尽管细菌觅食优化算法在一些问题上取得了不错的结果，但在一些复杂问题上仍然存在一些局限性。

为了进一步提高算法的性能，需要对算法进行改进。

以下是几个改进方向：1. 改进选择操作目前细菌觅食优化算法中的选择操作通常是基于轮盘赌选择，即根据细菌的适应度值来进行选择。

但这种方法可能导致一些细菌个体被选择过多或过少，从而影响算法的进化效果。

因此，可以考虑引入其他选择操作，如锦标赛选择、随机选择等，通过不同的选择策略来增加算法的多样性。

2. 引入多种变异操作目前细菌觅食优化算法的变异操作通常是随机生成一个新的状态向量。

一种细菌觅食算法的改进及其应用

ＣｏｕｅｎｉｅｒｇａｄＡｐｌａｉｎ，０２４（３：１３．ｍｐｔｒｇｎｅｉｎｐｉｔｓ２１，８１）３－４Ｅｎｃｏ
ＡｂｔａｔｏｒｉａＢａｔｉｌｏａｉｇＡｌｏｉｍ（Ｆｓｒｃ：ＦｒｏｉｎｌｃｅａＦｒｇｎｇｒｈＢＡ）ｅｉｓｔｅｐｏｌｆｓｏｃｎｅｇｎｅａｄｌｇｇｒｔｘｓｒｂｅｏｗｏｖｒｅｃｎａｅｔｈｍｓｌｒ
ｐｒｍｅｅｏａｓｉｅｅＳＭｅｏｔｚｔｎｏｊｃｓａｄａａｙｅｔｅｐｉｚｔｎｅｆｒｎｅｆｅｅｉａａｔｒｆｕｓｎｋｒｌＶａｔｐｉａｏｂｅｔｎｌｚｔａｉｒｍａｃｎｔＧａｎｓｈｍｉｉ，ｎｈｏｍｉｏｐｏｏｇｃ
据集为依托，以高斯核支持向量机中核参数和惩罚因子ｃ为优化对象，分析了遗传算法、粒子群算法、原有
的和改进后的细菌觅食算法的寻优性能，验证了将改进后的细菌觅食算法应用到支持向量机参数选择上具有
优越性。
关键词：细菌觅食算法（Ｆ；ＢＡ）参数４４；９￣支持向量机（ＶＳＭ）
ａｒｇｎｌｏｉｍＶＭａａｔｒｐｉｚｔｎｈｓｓｐｒｒｔ．ｌｏａｉｇａｇｒｈｉＳｆｔｎｐｒｍｅｅｔｏｍｉａｉａｕｅｉｉｏｏｙ
Ｋｙｏｄ：ａｔｉｏｇｇｌｒｈＢＡ；ａｍｅｒｏｔｚｔｎＳｐｏｅｔｃｉ（ＶｅｒｓＢｃｒｌｒｉｇｉｍ（Ｆ）ｐｒｔｓｐｉａｏ；ｕｐｒＶｃｒｈｅＳＭ）ｗｅａＦａｎＡｏｔａｅｍｉｉｔｏＭａｎ摘要：针对原有细菌觅食算法收敛速度慢、计算量大的问题，首先通过改进细菌种群大小、细菌运动步长、引进迭代终止条件改进原有细菌觅食算法，然后将其应用到支持向量机的参数优化上。实验以Ｉｓｒ标准测试数ｉ

细菌觅食优化算法的研究与改进

ｄｉｓｐｅｒｓａｌ；Ｅｓｃａｐｅ
Ｂｉｓｗａｓ，Ｋｉｍ等人组成的研究团队对ＢＦＯ算法进行了一系列
ｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ．Ｔｏｃｏｒｒｅｃｔｔｈｅｄｅｆｅｃｔｓｓｕｃｈａｓｔｈｅｓｌｏｗｅｒｃｏｎｖｅｒｇｅｎｃｅｓｐｅｅｄ，ｔｈｅｐｏｏｒａｃｃｕｒａｃｙ，ｔｈｉｓｐａｐｅｒ
ａｃｃｕｒａｃｙ・
ＫＥＹＷＯＲＤＳ：Ｓｗａｒｍｉｎｔｅｌｌｉｇｅｎｃｅ；Ｂａｃｔｅｒｉａｌｆｏｒａｇｉｎｇｏｐｔｉｍｉｚａｔｉｏｎ（ＢＦＯ）；Ｒｅｐｒｏｄｕｃｔｉｏｎ；Ｅｌｉｍｉｎａｔｉｏｎａｎｄ
ＯｐｔｉｍｉｚａｔｉｏｎＡｌｇｏｒｉｔｈｍ
ＬＩＪｕｎ，ＤＡＮＧＪｉａｎ—ＷＨ，ＢＵＦｅｎｇ
（ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｏｎａｎｄＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｉｒｎｇ，ＬａｎｚｈｏｕＪｉａｏｔｏｎｇＵｎｉｖｅｒｓｉｔｙ，ＬａｎＺｈｏｕ７３００７０，Ｃｈｉｎａ）ＡＢＳＴＲＡＣＴ：ＢａｃｔｅｉｒａＦｏｒａｇｉｎｇＯｐｔｉｍｉｚａｔｉｏｎＡｌｇｏｉｒｔｈｍ（ＢＦＯＡ）ｉｓａｎｅｗｃｏｍｅｒｔｏｔｈｅｆａｍｉｌｙｏｆｓｗａｍｒｉｎｔｅｌｌｉｇｅｎｃｅ

《基于细菌群觅食优化算法的电液位置系统PID参数寻优研究》范文

《基于细菌群觅食优化算法的电液位置系统PID参数寻优研究》篇一一、引言在工业自动化和机器人技术中，电液位置系统是一个关键部分，其性能直接影响到整个系统的稳定性和工作效率。

PID（比例-积分-微分）控制算法作为电液位置系统中最常用的控制策略，其参数的优化对提高系统性能具有重要意义。

近年来，随着智能优化算法的发展，越来越多的研究者开始尝试将不同的优化算法应用于PID参数的寻优。

其中，细菌群觅食优化算法以其独特的仿生学原理和良好的寻优性能，在PID参数寻优方面展现出了巨大的潜力。

本文旨在研究基于细菌群觅食优化算法的电液位置系统PID参数寻优，以提高系统的控制性能。

二、电液位置系统概述电液位置系统是一种利用液压传动技术实现位置控制的系统。

它主要由伺服电机、液压泵、液压缸、传感器等部分组成。

在电液位置系统中，PID控制算法是最常用的控制策略之一。

PID控制器通过调整比例、积分和微分三个环节的参数，实现对系统位置的精确控制。

然而，由于电液位置系统的复杂性，PID参数的优化一直是一个挑战。

三、细菌群觅食优化算法细菌群觅食优化算法是一种仿生优化算法，其灵感来源于自然界中细菌的觅食行为。

该算法通过模拟细菌在觅食过程中的移动和繁殖行为，实现全局寻优。

在寻优过程中，算法中的“细菌”会在搜索空间中不断移动和更新，以寻找最优解。

由于该算法具有自适应性强、寻优效率高等优点，因此在许多领域得到了广泛应用。

四、基于细菌群觅食优化算法的PID参数寻优将细菌群觅食优化算法应用于电液位置系统的PID参数寻优，可以有效提高系统的控制性能。

首先，根据电液位置系统的特点，建立合适的数学模型。

然后，将PID参数作为优化目标，利用细菌群觅食优化算法进行寻优。

在寻优过程中，通过不断调整比例、积分和微分三个环节的参数，使系统达到最优的控制性能。

五、实验与分析为了验证基于细菌群觅食优化算法的PID参数寻优方法的有效性，我们进行了大量的实验。

实验结果表明，经过优化后的PID参数，电液位置系统的响应速度和稳定性得到了显著提高。

《基于细菌群觅食优化算法的电液位置系统PID参数寻优研究》范文

《基于细菌群觅食优化算法的电液位置系统PID参数寻优研究》篇一一、引言随着工业自动化和智能控制技术的不断发展，电液位置系统的控制精度和稳定性成为了研究的重要方向。

PID（比例-积分-微分）控制作为最常用的控制算法之一，其参数的优化对于提高电液位置系统的性能至关重要。

传统的PID参数调整方法往往依赖于经验或试错法，这种方法效率低下且难以找到最优解。

因此，研究一种高效的PID参数优化方法对于提升电液位置系统的控制性能具有重要意义。

本文提出了一种基于细菌群觅食优化算法的电液位置系统PID参数寻优方法，以期提高系统的控制精度和稳定性。

二、细菌群觅食优化算法概述细菌群觅食优化算法是一种模拟自然界中细菌觅食行为的优化算法。

它通过模拟细菌在搜索食物过程中的群体行为，实现寻优目标。

该算法具有并行性、自适应性和全局搜索能力强的特点，能够有效地解决复杂优化问题。

在电液位置系统的PID参数寻优中，我们可以利用细菌群觅食优化算法的这些特点，实现PID参数的快速寻优。

三、电液位置系统PID控制原理电液位置系统是一种常见的工业控制系统，其核心是PID控制。

PID控制器根据系统的误差信号，通过比例、积分和微分三个环节的计算，输出控制信号，以实现对电液位置系统的精确控制。

PID控制的性能取决于比例、积分和微分三个环节的参数设置，因此，寻找到最优的PID参数对于提高电液位置系统的控制性能至关重要。

四、基于细菌群觅食优化算法的PID参数寻优方法本文提出的基于细菌群觅食优化算法的电液位置系统PID参数寻优方法，主要包括以下步骤：1. 初始化：设定细菌群觅食优化算法的参数，如种群规模、搜索范围等。

同时，设定电液位置系统的初始PID参数。

2. 评价函数设计：根据电液位置系统的控制性能指标，设计评价函数。

该函数用于评估不同PID参数组合下的系统性能。

3. 细菌行为模拟：模拟细菌在搜索食物过程中的行为，包括移动、分裂和死亡等。

在每一步中，根据评价函数计算每个细菌的适应度。

利用BFO算法优化PID参数的机械臂控制设计分析

利用BFO算法优化PID参数的机械臂控制设计分析尚建人;田云娜【摘要】提出了一种基于细菌觅食(BFO)算法优化PID控制器参数的机械臂控制设计分析,用于不确定的2自由度旋转棱镜(RP)机械臂有效的轨迹跟踪和参数鲁棒性.提出的方法将BFO算法与PID控制器相结合,通过BFO算法在线对PID控制器的3个参数进行优化.最终,传统的动抗干扰抑制(ADRC)设计问题被转换成用于寻找最优控制器调谐参数的特殊优化问题.仿真结果表明,与传统方法相比,提出的方法能有效提高机械臂跟踪控制的快速性和准确性,具有更优越的控制品质和较强的抑制干扰能力.【期刊名称】《湘潭大学自然科学学报》【年(卷),期】2018(040)004【总页数】5页(P86-90)【关键词】机械臂;2自由度;PID控制器;鲁棒性;细菌觅食算法【作者】尚建人;田云娜【作者单位】延安大学数学与计算机科学学院,陕西延安716000;延安大学数学与计算机科学学院,陕西延安716000【正文语种】中文【中图分类】TP391进化算法是基于随机搜索和自然启发的优化方法[1-3].这些算法遵循与生物进化相结合和适应机制的规则，如繁殖、突变、重组和选择[4].这些算法许多来自分子进化、群体遗传学、免疫学等[5].在涉及处理到不精确度、噪声和复杂数据的设计的情况下，这些算法提供了比传统方法更好的解决方案.本文研究的主要目的是提供对已知进化算法的计算有效性和效率的比较分析.针对2自由度 RP机器臂设计了细菌觅食(bacterial foraging, BFO)算法.设计目的是在存在参数不确定性和外部干扰的情况下提高机械臂的跟踪能力.1 机械臂控制系统的动力学模型n关节刚体机器人机器臂的动力学，即高耦合和非线性系统，可从Euler-Lagrangian理论[6]得到：M(q)q″+C(q,q′)+G(q)=τ,(1)式中：q∈Rn×1表示n关节位置的坐标系，q′∈Rn×1是一个关节速度的向量，M(q)∈Rn×n是有界、对称和正定惯性矩阵，C(q,q′)∈Rn×1代表Coriolis和离心矩阵，G(q)∈Rn×1是重力向量和τ∈Rn×1代表应用在关节上控制矩阵的向量.通常机器人臂的动力学是将矩阵作为输入，实际位置作为输出，可以用将式(1)重新表示为：q″=M-1(q){τ-C(q,q′)-G(q)}.(2)使用具有一个外卷和柱状关节的2自由度平面机械臂，如图1所示.动态方程式(2)中使用的矩阵M(q)、C(q,q′)和G(q)给出如下：式中：式中：q=[q1q2]T，q1是旋转关节变量， q2是菱角关节变量.矩阵M(q)和C(q,q′)控制具有以下结构特性的操作臂的惯性特性.2 扩展状态观测器(ESO)机械臂的控制设计方法取决于控制系统中每个采样时间内具有反馈的目标的输入输出特性，这使得闭环系统对扰动非常敏感；由被称为扩展状态观察(extended state observer，ESO)的特殊类型观测器积极地进行评估，并从控制输入中进行补偿.因此，衰减的任务取决于ESO进行评估的有效性.ADRC的控制目标是通过适当调整ESO来估计f()作为然后实时地从控制输入中取消.因此，在干扰的主动补偿之后不稳定的目标开始像一个正常的目标.令假设，总干扰f是可以区分的，然后可以将状态空间的形式写为：x′=Ax+Bu+Eh，y=Cx.式中：和值得注意的是，x3=f是二阶系统的扩展状态，f′=h，即不确定的变化率，被认为是未知的和有界的函数.如果不确定性的连续时间导数可用，则观测器可以评估更复杂的扰动.增加ESO的顺序将使其具有对噪声更敏感的缺点，因此更加难以调谐.虽然ESO设计有各种各样的方法可用[7]，但是类似于Luenberger观测器的线性ES(LESO)程序[8]被设计为：式中，也是观测器.对于调谐，所有的观测器最初都被放置在由ω0表示的s平面的左半部分中相同的位置处，使得特征多项式(s+ω0)3是是被选择的调谐增益参数.通常，如果观测器带宽太大，则估计将更准确，但是会导致噪声灵敏度的增加；如果它太小，则估计将不准确.因此，观测器带宽的适当选择对于跟踪性能和噪声滤波之间的良好权衡是必要的.3 基于BFO的PID控制3.1 BFO算法BFO算法是被广泛接受的优化算法，它是由大肠杆菌的社会觅食行为而得到的启发[9].每个细菌都尝试通过避免有毒物质搜索营养物质来进行觅食，并最大限度地获取每单位时间的能量.与此同时，细菌具有个体之间的沟通渠道.细菌觅食行为的三个主要步骤包括趋化、繁殖和群集.细菌趋化作用的位置更新计算公式为：考虑到机械臂实际控制情况，在趋化操作中引入群集操作，数学表达式为：J(i,k,l)=J(i,j,k,l)+JCC(θi(j+1,k,l),P(j+1,k,l)).最佳位置的细菌吸引其他细菌，随着化学引诱剂的释放而增加其强度.细菌i的健康度函数为3.2 基于BFO的PID控制提出的优化控制原理框图如图2所示.其中：q为系统输出；Mp为系统超调量；qd为角位置设定值；ts为系统过渡时间；τ为控制器输出.为降低超调量和减小过渡时间，防止控制能量过大，提高机械手臂系统的动态性能，选取的适度函数为：表1 本文算法流程Tab.1 The algorithm flow in this paper输入: BFO优化算法中使用的初始参数输出: 机械臂控制器PID参数步骤:1.初始化:设定参数值:Ned、Nre、Ne、 Ped、S、Ns.2.粒子群概率迁徙3.复制繁殖S/2,高斯分布估计再生4.群集操作,考虑细菌间相互作用力,计算适应度值JCCθ,Pj,k,l 5.游动和反转:θij+1,k,l =θij,k,l +Ci φi ,φi =Δi ΔTi Δi 6.For Ned=1 If迁徙次数达到执行步骤7Else IF 复制次数达到执行步骤2Else 执行步骤4End IF趋向次数达到执行步骤3End IFStop7.输出.J(Kp,Ki,Kd)=ω1·t|e(t)|dt+ω2·τ2+ω3·Mp+ω4·τs，式中：ω1·t|e(t)|dt为绝对误差与时间乘积积分；ω1、ω2、ω3、ω4为惯性权重，通过改变权重系数来优化系统的性能指标.本文的目的是最大限度地减少机械臂跟踪误差，提高整个系统的稳定性.本文算法流程见表1.在机械臂BFO算法实际控制中要设置的参数为细菌数量、趋化步数Ne、移动长度Ns、再生步长Nre、消除分散事件数量S、消除/分散的概率Ped.4 结果和讨论4.1 实验结果智能算法的性能特征在于最优点收敛时的基本特征，如最佳值的精度、计算时间、算法的简单性等.考虑到外部干扰和传感器噪声的影响，模拟动态模型计算目标函数.当末端效应的期望值和实际位置之间的误差为零时,性能指标达到有限值.从文献中选择BFO参数的值，然后调整到达最终值，从而提供质量和速度方面的最佳解决方案，最终参数值列于表2.表2 BFO优化算法中使用的参数Tab.2 The Parameters used in the BFO optimization algorithm参数细菌数量再生步长趋化步数消除分散事件数量移动长度消除/分散的概率取值6Nre=4Nc=40Ned=2Ns=40Ped=0.05表3给出了BFO算法在动态行为和收敛特性方面的统计指标平均值(Σ)，由下式给出：式中：J(gi)是在第i次迭代中获得的适应度值，n是所选择的解决方案的大小.BFO 算法计算效率见表3.表3 BFO算法计算效率Tab.3 The calculation efficiency of BFO algorithm算法最大值最小值平均值(Σ)标准偏差(σ)BFO0.008 4450.008 4440.008 4441.6190×10-7表4 由BFO算法得到的优化参数Tab.4 The optimization parameters obtained by the BFO algorithm算法KpKiKdω0使用时间/sBFO5189.64630.95479.8847.382 865.2表4显示了所提出的控制器调谐参数的优化值以及由BFO和PSO收敛的时间. 4.2 仿真结果为了测试本文方法的应用性能，进行了仿真实验研究.实验采用Matlab 7仿真软件设计.用于Matlab Simulink平台仿真中机械手的参数如表5所示.表5 用于2-DOF机器人手臂仿真的参数Tab.5 The parameters for 2-DOF robot arm simulation仿真参数大小单位仿真参数大小单位链接1和2的质量(m1和m2)10.0 & 8.00kg沿z轴的惯性矩阵(I2)26.00kg/m2链接1和2的长度0.60 & 0.40m机械臂1的期望轨迹10t无链接1和2质量中心点之间的距离变量m机械臂2的期望轨迹1+cos(10t)无机械臂1的初始位置(q1)0.5无外部干扰10sin(t)无机械臂2的初始位置(q2)0.0无传感器噪声(带限白噪声)功率为0.1无沿y轴的惯性矩阵(I1)12.00kg/m2为了进一步对本文方法进行测试，将其与文献[10]的传统方法作对比分析，所有的控制参数均不改变.得到机械臂作业的关节运动轨迹跟踪曲线如图3所示.由图3两种方法的轨迹跟踪曲线对比可以看出，采用传统方法得到的期望轨迹与实际轨迹相差较大.而采用本文方法进行机械手臂自动控制，具有较好的轨迹拟合控制精度.证明了本文方法具有较强的抑制干扰能力.5 结束语在实时工程问题中，最重要的控制目标是抑制固有内部(参数或未建模动力学)和外部(扰动)的不确定性.在这方面，控制工程师的主要目标是选择能够获得所需性能规范和针对动作扰动具有鲁棒性的相关控制方法.目前已经提出了一些较好的方法，如自适应控制和鲁棒控制等，以解决与实际系统内外扰动有关的问题.然而，这些方法中所需要系统的数学模型是完全已知的，这在实际中是不可行的.本文提出了一种方法，通过进化算法来提高机械臂的跟踪能力，获得了令人满意的结果.未来希望能进一步完善本文方法，以期得到更优越的控制品质.参考文献【相关文献】[1] 曾芳桂, 赵曼. 体育联赛中基于GSO算法的赛程优化方法[J]. 湘潭大学自然科学学报, 2018, 40(1): 72-76.[2] CHENG R, JIN Y, OLHOFER M, et al. A reference vector guided evolutionary algorithm for many-objective optimization[J]. IEEE Transactions on Evolutionary Computation, 2016, 20(5): 773-791.[3] CAI X, LI Y, FAN Z, et al. An external archive guided multiobjective evolutionary algorithm based on decomposition for combinatorial optimization[J]. Evolutionary Computation IEEE Transactions on, 2017, 19(4): 508-523.[4] 付晓明, 王福林, 尚家杰. 基于多子代遗传算法优化BP神经网络[J]. 计算机仿真, 2016, 33(3): 258-263.[5] GOUBERT C, MINARD G, VIEIRA C, et al. Population genetics of the Asian tiger mosquito Aedes albopictus, an invasive vector of human diseases[J]. Heredity, 2016,117(3): 125-134.[6] LIU Z. Euler-Euler-Lagrangian modeling for two-phase flow and particle transport in continuous casting mold[J]. Isij International, 2014, 54(6): 1314-1323.[7] WAHLGREN N, MOREIRA T, MICHEL P, et al. Mechanical thrombectomy in acute ischemic stroke: consensus statement by ESO-Karolinska Stroke Update 2014/2015, supported by ESO, ESMINT, ESNR and EAN[J]. International Journal of Stroke, 2016,11(1):134-147.[8] 兰永红, 王亮亮, 陈才学. 基于观测器的永磁同步电机积分反推控制[J]. 系统仿真学报, 2017,29(8):1753-1761.[9] 曹天问, 雷秀娟. 改进BFO算法在函数优化问题上的应用[J]. 计算机工程与应用, 2013,49(13):175-179.[10] 王三秀, 俞立, 徐建明,等. 机械臂自适应鲁棒轨迹跟踪控制[J]. 控制工程, 2015, 22(2): 241-244。

积分过程PID控制器参数的新型优化整定方法

积分过程PID控制器参数的新型优化整定方法
张建明;付秀云;谢磊
【期刊名称】《浙江大学学报（工学版）》
【年(卷),期】2008(042)008
【摘要】针对积分时滞过程,结合菌群优化(BSFO)算法和控制系统优化设计策略,提出了一种新的PID控制器参数优化整定方法.通过将PID控制器的参数设置为群体细菌在参数空间的位置,将时间乘以绝对误差的积分(ITAE)作为细菌对环境的适应度函数,并模拟细菌群体觅食的动态行为来实现对PID控制器参数的寻优.实例仿真结果表明,菌群优化算法能够实现对PID控制器参数的有效整定,并在稳定时间、超调量、鲁棒性和抗干扰性等方面具有满意的综合性能.在大量仿真结果的基础上,给出了一个积分时滞对象的PID控制器参数整定经验公式.
【总页数】6页(P1310-1315)
【作者】张建明;付秀云;谢磊
【作者单位】浙江大学,工业控制技术国家重点实验室,先进控制研究所,浙江,杭州310027;浙江大学,工业控制技术国家重点实验室,先进控制研究所,浙江,杭州310027;浙江大学,工业控制技术国家重点实验室,先进控制研究所,浙江,杭州310027
【正文语种】中文
【中图分类】TP273
【相关文献】
1.一种新型的PID控制器参数优化整定方法 [J], 徐志成;张建明;王树青
2.一种新型鲁棒PID控制器参数整定方法 [J], 徐志成
3.新型的PID控制器参数整定方法 [J], 徐志成;王树青
4.一种基于改进性能指标的PID控制器参数优化整定方法 [J], 段正剑;钱晓颖;雎刚
5.一种新的积分过程PID控制器整定方法 [J], 徐江华;邵惠鹤
因版权原因，仅展示原文概要，查看原文内容请购买。

改进细菌觅食算法解决零空闲流水线调度问题

改进细菌觅食算法解决零空闲流水线调度问题李丽娟;吴晓;王志龙【期刊名称】《计算机工程与应用》【年(卷),期】2015(000)017【摘要】For No-Idle Flow shop Scheduling problem(NIFS)with the targetof maximum makespan, a new solution named Improved Bacteria Foraging Optimization algorithm(IBFO)is proposed in this paper. Compared to BFO,3 modi-fications are added in IBFO. In the chemotaxis process, it introduces a crossover operator. During the process of reproduc-tion, it applies a hybrid strategy based on both health degree and target value of the bacterium. And for elimination pro-cess, it puts forward a self-adaption probability instead of a constant data. It tests IBFO through 6 different size Taillard problems by MATLAB, the results indicate that IBFO is feasible and effective. Further, in order to test the al gorithm’s robustness to initial value, two methods are applied to get the initial bacteriumpopulation:random and NEH method.%针对零空闲流水线调度问题，建立以最大完成时间为目标的数学模型，并提出了解决问题的改进细菌觅食优化算法。