会计学控制器参数(cānshù)优化控制器参数(cānshù)优化控制器参数(cānshù)优化控制器参数(cānshù)优化控制器参数(cānshù)优化控制器参数(cānshù)优化控制器参数(cānshù)优化控制器参数(cānshù)优化粒子群算法（PSO）在PSO中，每个优化问题的可能解都可以想象成d维搜索空间上的一个点，我们称之为“微粒”（Particle)。粒子在搜索空间中以一定的速度飞行，这个速度根据它本身的飞行经验和同伴(tóngbàn)的飞行经验来动态调整。所有的粒子都有一个被目标函数决定的适应值(fitnessvalue)，并且知道自己到目前为止发现的最好位置(particlebest，记为pbest)和当前的位置，这个可以看作是粒子自己的飞行经验。除此之外，每个粒子还知道到目前为止整个群体中所有粒子发现的最好位置(globalbest，记为gbest)(gbest是在pbest中的最好值)，这个可以看作是粒子的同伴(tóngbàn)的经验。每个粒子使用下列信息改变自己的当前位置:1)当前位置;2)当前速度;3)当前位置与自己最好位置之间的距离;4)当前位置与群体最好位置之间的距离。优化搜索正是在由这样一群随机初始化形成的粒子而组成的种群中，以迭代的方式进行的。粒子群算法（PSO）PSO算法主要计算(jìsuàn)步骤如下:Step1:初始化，设定加速常数Cl.C2，最大进化代数Tmax，将当前进化代数置为t=1，在定义空间中随机产生m个粒子，组成初始种群s(t);随机产生各粒子初始速度和位置。Step2:评价种群，计算(jìsuàn)每个粒子在每一维空间的适应值。Step3:比较粒子的适应值和自身最优值pbest。如果当前值比pbest更优，则置pbest为当前值，并设pbest位置为n维空间中的当前位置。Step4:比较粒子的适应值与种群最优值gbest。如果当前值比gbest更优，则重置gbest的索引号。Steps:按公式更新粒子的速度和位置，产生新种群S(t十1)。Step6:检查结束条件，若满足，则结束寻优;否则，t=t+1，转至Step2。结束条件为寻优达到最大进化代数或足够好的适应值。蚁群算法蚁群系统(AntSystem)是由意大利学者Dorigo等于20世纪90年代初提出的一种基于蚁群种群的新型优化算法[2],它通过模拟自然界蚁群寻食过程中通过信息素(Pheromone)的相互交流从而找到由蚁巢至食物的最短路径的现象,提出了一种基于信息正反馈原理的蚁群优化算法并用于解决(jiějué)了一系列组合优化问题。先进控制过程控制策略的分类:第一类:传统控制策略，包括:手动控制、PID控制、比值控制、串级控制、前馈控制:第二类:先进控制一经典技术，包括:增益调整、时滞补偿、解耦控制;第三类:先进控制一流行技术，包括:模型预测(yùcè)控制、内模控制、自适应控制、统计质量控制;第四类:先进控制一潜在技术，包括:最优控制、非线性控制、专家系统、神经控制、模糊控制;第五类:先进控制一研究中的策略，包括:鲁棒控制、H∞控制等。内模控制概述内模控制(InternalModelControl，简称IMC)是一种基于过程数学模型进行控制器设计的新型控制策略。由于具有良好的跟踪性能和抗干扰能力，并对模型失配有一定的鲁棒性，使其在工业过程控制中获得(huòdé)了越来越广泛的应用。所谓内模控制，其设计思路就是将对象模型与实际对象相并联，控制器逼近模型的动态逆，内模控制的一般结构如图所示。图中yp，u为被控(bèikònɡ)对象的输出量和控制量；ym为内部模型输出；r为给定值(参考轨迹)；d为外部扰动；Gp为被控(bèikònɡ)对象；Gm为内部模型(标称模型)；Ｇc为(前馈)内模控制器；Gf为反馈滤波器。内模控制系统(kònɡzhìxìtǒnɡ)的性质内模控制器设计(shèjì)的两步法内模控制器与经典反馈(fǎnkuì)控制器的关系(A)(B)内模控制与经典反馈(fǎnkuì)控制的关系基于全极点(jídiǎn)近似的时滞系统内模控制及IMC-PID转化内模控制作用(zuòyòng)对比用预测(yùcè)控制算法优化PID参数预测(yùcè)PID控制算法的基本原理及研究现状具体(jùtǐ)技术细节包括：1.通信接口2.关系型数据库3.模型辨识(biànshí)软件包4.控制器优化软件包5.装置运行自控率监控模块(长周期)6.装置运行平稳率监控模块可以监控统计和随时查询：小时、日、周、月、年自控率和平稳率内模-PID应用前后作用(zuòyòng)对比