基于微粒群算法的倒立摆控制研究

论文摘要

倒立摆是一个典型的单输入多输出、非线性、高阶次的不稳定系统,研究倒立摆的控制不仅能反映控制理论中有关非线性、鲁棒性以及跟踪问题等许多关键问题,同时对工业复杂对象的控制也有着重要的应用价值。微粒群优化算法（Particle Swarm Optimization algorithm,PSO）是近年来提出的一种新型的基于群体智能的进化算法,它具有算法简单、收敛速度较快,所需领域知识少的特点。本文在对倒立摆、PSO算法研究现状进行综述的基础上,进行了基于PSO算法优化设计控制系统的研究,论文主要工作包括:（1）基于牛顿力学原理建立了一级直线倒立摆数学模型,介绍了倒立摆LQR（Linear Quadratic Regulator）最优控制方法,并利用MATLAB7研究了倒立摆LQR控制性能。（2）将微粒群算法应用于传统PID控制器参数优化整定,通过对不同对象的控制系统仿真实验结果表明,与传统PID控制器整定方法相比,控制系统具有更佳的闭环控制性能。（3）为克服BP（Back-Propagaion）算法不足,本文研究利用PSO算法作为多层前馈神经网络训练算法以实现非线性函数逼近及模式识别等,通过对不同非线性函数的辨识及模式识别实验结果表明,PSO算法作为神经网络训练算法是可行的。为提高逼近精度,采用“种群爆炸”思想对PSO算法进行改进,实验结果表明,改进方法是有效的。为得到全局最优的BP网络训练算法,文中还将PSO算法与BP算法结合进行网络训练开展了研究工作,实验表明,该方法能克服BP算法不足,提高网络训练速度和精度。（4）针对一级直线倒立摆这一复杂非线性对象,本文提出了一种基于PSO算法训练BP网络连接权值与阈值的神经网络控制方法以实现倒立摆控制,仿真结果表明了该方法的良好性能。文章最后对全文的工作进行总结,并且提出了进一步研究的方向。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 倒立摆控制系统研究意义
• 1.1.1 倒立摆模型的提出
• 1.1.2 倒立摆系统的特性
• 1.1.3 倒立摆控制系统研究的意义
• 1.2 倒立摆系统控制综述
• 1.3 微粒群优化算法综述
• 1.4 论文工作介绍
• 1.5 本文组织结构
• 第2章 一级直线倒立摆模型
• 2.1 倒立摆数学模型
• 2.1.1 倒立摆系统的微分方程模型
• 2.1.2 动力学方程的线性化
• 2.1.3 倒立摆系统的状态空间模型
• 2.1.4 倒立摆可控性分析
• 2.1.5 倒立摆可观性分析
• 2.2 倒立摆系统的LQR最优控制
• 2.2.1 线性二次型最优调节器原理
• 2.2.2 LQR控制器设计与仿真
• 2.3 本章小结
• 第3章 PSO算法原理
• 3.1 引言
• 3.2 基本PSO算法原理
• 3.2.1 算法原理
• 3.2.2 算法流程
• 3.2.3 PSO算法与遗传算法的比较
• 3.3 微粒群优化算法改进
• 3.3.1 带惯性权重的微粒群算法
• 3.3.2 收缩因子法
• 3.4 PSO算法参数分析
• 3.4.1 惯性权重与最大速度
• 3.4.2 加速常数
• 3.4.3 群体规模
• 3.5 本章小结
• 第4章 基于PSO算法的PID参数优化
• 4.1 PID参数优化概述
• 4.1.1 问题的提出以及研究现状
• 4.1.2 智能PID控制的发展
• 4.2 基于PSO算法对传统PID参数优化研究
• 4.2.1 PIED控制器原理
• 4.2.2 PID控制器各参数对控制性能的影响
• 4.2.3 基于PSO算法的PID参数整定优化
• 4.2.4 仿真实验
• 4.3 本章小结
• 第5章 基于PSO算法训练BP网络
• 5.1 人工神经元的模型结构
• 5.2 BP神经网络
• 5.2.1 BP网络的结构
• 5.2.2 BP算法
• 5.2.3 BP网络的特点与改进
• 5.3 基于PSO算法训练BP神经网络
• 5.3.1 训练神经网络的PSO算法设计
• 5.3.2 基于PSO训练多层前馈神经网络流程
• 5.4 基于PSO算法训练BP网络实验
• 5.4.1 模式识别仿真实验
• 5.4.2 非线性函数逼近实验
• 5.4.3 PSO算法改进
• 5.4.4 PSO算法与BP算法函数逼近效果比较
• 5.4.5 PSO与BP算法结合逼近非线性函数实验
• 5.5 本章小结
• 第6章 基于PSO算法与BP网络的倒立摆控制
• 6.1 神经网络控制的基本思想
• 6.2 基于微粒群算法优化BP网络的倒立摆控制
• 6.2.1 倒立摆的系统的状态空间方程
• 6.2.2 BP神经网络控制器
• 6.2.3 基于PSO算法训练BP网络的倒立摆控制
• 6.2.4 倒立摆控制仿真
• 6.3 本章小结
• 结论
• 致谢
• 参考文献
• 攻读硕士学位期间发表的论文及科研成果