A Multiple Particle Swarm Optimization Algorithm and Its Application in PID Parameters Tuning

论文摘要

在技术流程工业,控制过程是主要的课题。为了环境问题和正在审理的产品质量,在工业上去保持流程工作可能性和安全性是非常重要的。为从小工业到高技术产业的过程控制,大多数采用PID控制器。PID控制算法,是一种更健壮的较容易理解的算法,它能提供好的控制性能,尽管不同的动态特性的过程。然而,为了PID控制器的工作有可能,已选择的PID控制器参数必须被调整。因此,我们如何优化PID控制器参数?我们还可以采用由Ziegler-Nichols提出的传统的技术来搜索最优PID控制器参数吗?还是我们需要用新的方法用随机的方式来调整PID?在这个项目中,我们提出使用多粒子群算法（MPSO）,来调整PID控制器参数。MPSO是一种最优化的方法。在探索搜索空间的不同的方法中,超启发式优化被认为是高水平的策略方法,它是一个新家庭的随机算法来解决棘手的优化问题。它可分为两大类,其中被认为是单一的解决方案,而在众多的解决方案进化并发执行。用来解决各种应用问题,许多研究人员已经证明了这一技术在大量优化问题上的效率。在这一家庭的随机算法,粒子群算法（PSO）算法,是最强大的metaheuristic开发,过去十年中,用来发现全球优化问题在搜索空间。这个灵感是来自于从社会行为的动物生活在群,如鸟植绒或鱼的教育。蜂群的粒子使用直接的交流方式,以建立解决非线性问题,基于他们的集体经验。被广泛使用,粒子群优化算法迅速发展为它容易实施和一些粒子需要调整。它是一种有效的多尺度,线性及非线性问题。最近,研究显示,粒子群优化算法已成功的应用来解决PID参数优化问题。在这项研究中,目标是提高粒子群优化算法的寻优能力,来确定最优PID控制器参数,通过执行与多群相结合的一个新的超启发式优化算法。该方法结合许多带颗粒的群,以便交换它们最佳位置信息,基于他们的集体经验,从而建立一个解决非线性问题的方法因此,利用粒子群优化算法的PID控制器被设计出来之后,同样的模型再使用MPSO算法被重新设计。这些设计的控制器分别被叫做PSO-PID控制器和MPSO控制器。用Matlab编程语言来对这两种设计的仿真结果表明,我们的方法能有效的寻找最佳的PID控制器参数。与标准的PSO-PID控制器相比,该控制器是更有效率,例如,在提高阶跃响应特性,减少了错误,上升时间、调整时间和超调方面。

论文目录

• DEDICATION
• ABSTRACT
• 附录A:详细中文摘要
• 摘要
• LIST OF FIGURES
• LIST OF TABLES
• CHAPTER 1:GENERAL INTRODUCTION
• 1.1 Background
• 1.2 Introduction
• 1.3 Problem definition
• 1.4 Outline of this work
• CHAPTER 2:PID Controller
• 2.1 Introduction
• 2.2 PD Controller
• 2.3 PI Controller
• 2.4 PID Controller
• 2.5 Influence of PID parameters on a control system
• 2.6 Application domains
• 2.7 Performance Evaluation
• CHAPTER 3:PARTICLE SWARM OPTIMIZATION ALGORITHM
• 3.1 Origin
• 3.2 Description
• 3.3 Main features
• 3.4 Implementation
• 3.5 Application of PSO algorithms in control Engineering
• CHAPTER 4:MPSO-BASED PID PARAMETERS TUNING
• 4.1 MPSO Algorithm
• 4.2 Fitness Funetion
• 4.3 Implementation of MPSO-PID Controller
• 4.4 Numerical Simulation and results
• CONCLUSIONS
• REFERENCES
• ACKNOWLEDGEMENT
• List of Published Papers