基于粒子群算法与改进Ziegler-Nichols算法的PID整定方法

针对Ziegler-Nichols算法设计的PID控制器阶跃响应不理想,不具有灵活性等缺点,提出基于粒子群算法与改进Ziegler-Nichols算法的PID整定方法。采用粒子群算法优化了Ziegler-Nichols算法中的幅值和相角,设计了具有更好性能指标的PID控制器。实验结果表明采用该方法进行参数整定后的PID控制器响应速度较快,降低了系统的超调量。

基于动态多种群的粒子群优化算法

针对粒子群算法在解决高维非线性优化问题时存在易陷入局部最优的缺陷,文中提出了一种基于动态多种群的粒子群优化算法。该算法根据平均适应度值将种群划分为两个子种群,将低于平均适应度值的个体组成的子种群采用粒子群算法进行更新,其余个体组成的子种群采用自适应混沌粒子群算法进行更新;进化过程中,两个子种群规模根据平均适应度值的变化进行动态调整。标准测试函数的测试结果表明,所提出算法增加了种群的多样性,提高了算法全局搜索性能。

动态邻居维度学习的多目标粒子群算法

针对多目标粒子群算法多样性较差,种群选择压力随着变量维度增加的问题,提出了基于动态邻居维度学习的多目标粒子群算法(DNDL-MOPSO)。该算法首先构建最优维度个体,然后在"个体认知"和"社会认知"的基础上,对粒子速度更新公式进行改进,采用每一维上学习对象不固定的交流方式,最后利用随机向导学习策略,增加种群多样性。实验结果表明该方法能够提高算法的全局收敛性,增加种群的多样性,缓解选择压力,有效解决多峰多目标优化问题。