×
周，郭;李杰;唐忠华;罗启芳;周永泉

AVR系统PID参数的改进斑点鬣狗优化器。 （英语） Zbl 1467.93118号

数学。Biosci公司。工程师。 17，第4期，3767-3783（2020年）.
摘要：本文提出了一种改进的带非线性收敛因子的斑点鬣狗优化算法（ISHO），用于自动电压调节器（AVR）的比例积分微分（PID）参数优化。在提出的ISHO中，使用基于对立的学习策略初始化斑点鬣狗个体在搜索空间中的位置，从而增强了个体在全局搜索过程中的多样性。为了提高SHO的勘探和开发能力，采用了一种新的收敛因子非线性更新方程。实验结果表明，本文提出的ISHO算法在求解精度和收敛速度方面优于其他算法。

引用于1文件

MSC公司：

93B52号 反馈控制
93C85号 控制理论中的自动化系统（机器人等）
68T20型 人工智能背景下的问题解决（启发式、搜索策略等）
68周25 近似算法

关键词：

斑点鬣狗优化器;基于对立的学习;非线性收敛因子;PID参数优化;元启发式

软件：

全球野生动物组织
PDF格式BibTeX公司 XML格式引用
\textit｛G.Zhou｝等人，数学。Biosci公司。工程17，编号4，3767--3783（2020；Zbl 1467.93118）
全文： 内政部
OA许可证

参考文献：

[1] G.Huang，T.Li，Q.Lu，基于人工记忆的优化，系统。工程理论实践。，11 (2014), 2900-2912.
[2] S.Rahnamayan，G.Wang，通过基于对立的差分进化（ODE）解决大规模优化问题，WSEAS Trans。计算。，7 (2008),1792-1804.
[3] R.Rao、V.Savsani、D.Vakharia，基于教学
[4] E.Sayed、D.Essam、R.Sarker、S.Elsayed，大规模约束问题的基于分解的进化算法，信息科学。，316 (2015), 457-486.
[5] P.Mohapatra，K.Das，S.Roy，用于大规模优化问题的改进竞争群优化器，应用。软计算。，59 (2017), 340-362.
[6] D.Tang，Y.Cai，J.Zhao，Y.Xue，连续非线性大规模问题的具有模因算法和记忆的量子行为粒子群优化，信息科学。，289 (2014), 162-189.
[7] H.Wang，Z.Wu，S.Rahnamayan，Y.Liu，M.Ventresca，使用广义对立学习增强粒子群优化，信息科学。，181 (2011), 4699-4714.
[8] H.Ismkhan，蚁群优化处理大规模问题的有效启发式，Swarm Evol。计算。，32 (2017), 140-149.
[9] 周瑜，苗凤，罗Q，分数模糊控制器最优进化控制器调整的共生生物搜索算法，应用。软计算。77 (2019), 497-508
[10] 杨振中，陈振中，樊振中，李晓丽，基于改进粒子温度优化的PID控制器整定，控制理论应用。，27 (2010), 1345-1352
[11] L.Echevarryía，O.Santiago，J.Fajardo，a.Silva Neto，D.Sánchez，粒子群优化的一种变体，用于通过故障估计改进工业系统的故障诊断，工程应用。Artif公司。智力。，28 (2014), 36-51.
[12] 蒋军，薛勇，杨庆强，基于遗传算法和直接搜索的PID调节组合算法，计算。模拟。，12 (2005), 139-142.
[13] 周勇，张建杰，杨晓玲，基于水波优化的自动电压调节器系统PID控制器优化，Inf.Technol。控制，48（2019），160-171。
[14] P.B.de Moura Oliveira，E.J.S.Pires，P.Novais，使用重力搜索算法设计Posicast PID控制系统，神经计算，167（2015），18-23
[15] G.Q.Zeng、J.Chen、M.R.Chen，Y.X.Dai、L.M.Li、K.D.Lu等，使用实数编码基于种群的极值优化设计多变量PID控制器，神经计算，151（2015），1343-1353
[16] A.Belkadi，H.Oulhadj，Y.Touati，S.A.Khan，B.Daachi，关于鲁棒PID自适应控制器
[17] 盖萨内贾德先生。一种有效的基于调和搜索和布谷优化算法的模糊PID控制器用于负载频率控制，应用。软计算。，65 (2018), 121-138.
[18] A.Moharam，M.A.El-Hosseni，H.A.Ali，使用混合差分进化和粒子群优化设计具有老化领导者和挑战者的最优PID控制器，应用。软计算。，38 (2016), 727-737
[19] G.Dhiman、V.Kumar、斑点鬣狗
[20] N.Panda，S.K.Majhi，改进的斑点鬣狗优化器，用于训练pi西格玛高阶神经网络的空间转换搜索，Comput。智力。，36 (2020), 320-350.
[21] H.Moayedi、D.T.Bui、D.Anastasios、B.Kalantar、斑点鬣狗优化和蚂蚁狮子优化预测土壤抗剪强度，应用。科学。巴塞尔，9（2019），2。
[22] Q.Luo、J.Li、Y.Zhou。斑点鬣狗优化器，用于图像匹配的侧向抑制，多媒体工具应用。，78 (2019), 34277-34296.
[23] G.Dhiman和V.Kumar。多目标斑点鬣狗
[24] G.Dhiman、S.Guo、S.Kaur
[25] Y.Xu，H.Chen，J.Luo，Q.Zhang，S.Jiao，X.Zhang.，具有全局优化突变策略的增强型Moth-firem优化器，Inf.Sci。，492 (2019), 181-203.
[26] 胡鹏，潘俊杰，朱淑，改进的二元灰狼优化算法及其在特征选择中的应用，Knowl。基于系统。，195 (2020), 105746.
[27] A.A.Heidari、S.Mirjalili、H.Faris、I.Aljarah、M.Mafarja、H.Chen、Harris hawks
[28] H.Chen，Q.Zhang，J.Luo，Y.Xu，X.Zhang.，增强细菌觅食优化及其在训练内核极限学习机中的应用，应用。软计算。，86 (2020), 105884.
[29] T.T.Nguyen，J.S.Pan，T.Dao，用于优化无线传感器网络节点布局的改进花授粉算法，IEEE Access，7（2019），75985-75998。
[30] A.Ilany，A.Booms，K.Holekamp，网络结构对野生哺乳动物长期社会网络动态的拓扑效应，生态。莱特。，18 (2015), 687-695.
[31] R.Haupt，S.Haup，《实用遗传算法》，第二版，纽约，John Wiley&Sons，Inc.，2004年·Zbl 1072.68089号
[32] X.Gao，X.Wang，S.J.Ovaska，K.Zenger，《和声搜索与对立学习的混合优化方法》，《工程优化》。，44 (2012), 895-914.
[33] H.Tizhoosh，《基于对立的学习：机器智能的新方案》，智能代理国际会议，IEEE，2005年，695-701。可用
[34] M.Omran，S.Al-Sharhan，《使用基于对立的学习提高粒子群优化的性能》，2008年IEEE swarm Intelligence Symposium，2008年，1-6。可用
[35] M.A.Ahandai，H.Alavi-Read，《混合差分进化算法中基于对立的学习》，应用。数学。计算。，16 (2012), 1303-1337.
[36] M.Enns，《电能系统理论》，IEEE Trans。自动。控制，17（1972），749-750。
[37] H.Gozde，M.C.Taplamacioglu，自动电压调节器（AVR）系统人工蜂群算法的性能比较分析，J.Franklin Inst.，348（2011），1927-1946·Zbl 1231.93028号
[38] L.Coelho，使用混沌优化方法调整自动调节器电压系统的PID控制器，混沌孤子分形，39（2009），1504-1514。
[39] D.Karaboga，B.Akay，人工蜂群算法的比较研究，应用。数学。计算。，214 (2009), 108-132. ·Zbl 1169.65053号
[40] S.Mirjalili、S.Mir jalili和A.Lewis，《灰狼优化器》，高级工程软件，69（2014），46-61。
[41] S.Mirjalili，S.Hashim，一种新的用于函数优化的PSO+GSA混合算法国际计算机和信息应用会议，2010年国际计算机和信息化应用会议，2012年，374-377。可用
[42] X.Yang，全球优化的花授粉算法，国际非传统计算和自然计算大会，2012242-243。可用
[43] S.米尔贾利
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。