parent_number = 30; % 每一代中保留的个体数目(除了变异) mutation_rate = 0.2; % 变异概率 maximal_generation = 50; % 最大演化代数 limit = [-5, 5]; % 限制范围 minimal_cost = 1.0e-5; % 最小目标值(函数值越小,则适应度越高) fitness_function = 'obj'; % nochangenum = 10; [best_...
基于模糊控制和遗传算法的优化方法,提出了智能自适应PID控制 器参数优化的设计方法,以种群多样性为标准进行阶段的划分,并在优化进入到微调阶段进行模糊变异,通过算法的改进使得在PID控制中,PID参数的整定不 依赖于对象的教学模型,且能在线调整,算例结果表明了该算法的有效性.doi:10.3969/j.issn.1005-7277.2006.02.003...
基于遗传算法和模糊神经网络的PID控制器参数优化方法
parent_number = 30; % 每一代中保留的个体数目(除了变异) mutation_rate = 0.2; % 变异概率 maximal_generation = 50; % 最大演化代数 limit = [-5, 5]; % 限制范围 minimal_cost = 1.0e-5; % 最小目标值(函数值越小,则适应度越高) fitness_function = 'obj'; % nochangenum = 10; [best_...