A multi-population genetic algorithm approach for PID controller auto-tuning

Toledo, Cláudio Fabiano Motta; Lima, João M. G.; Arantes, Márcio da Silva

doi:10.1109/etfa.2012.6489620

Cited by 7 publications

(16 citation statements)

References 15 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Applying the tuning rule from (8), (9), and (10), we obtain the update control output as follows ΔU (k) = ψ p K c e p (k) + ψ i K c P c e i (k) + ψ d K c P c e d (k). (17) Consider a RBFNN as in Fig.…”

Section: Incorporation Of Relay Feedback To the Autotuning Controlmentioning

confidence: 99%

Autotuning Controller for Motion Control System Based on Intelligent Neural Network and Relay Feedback Approach

Nguyen

Shin

Kim

2015

IEEE/ASME Trans. Mechatron.

View full text Add to dashboard Cite

In this paper, we introduce a proportional-integralderivative (PID) autotuning controller using an intelligent neural network control based on the relay feedback approach. The proposed controller takes advantage of offline learning and selflearning capability of the online control strategy, in which the initial knowledge of the control system is recognized by the relay feedback approach, and the online learning capability of the neural network controller helps the control system respond quickly to the dynamics changes. Furthermore, the proposed control algorithms are implemented in the high performance digital signal processor TMS320F28335. The robustness and motion tracking performance are validated through simulation and experimental results.Index Terms-Autotuning, proportional-integral derivative (PID), neural network, relay feedback.

show abstract

Section: Incorporation Of Relay Feedback To the Autotuning Controlmentioning

confidence: 99%

Autotuning Controller for Motion Control System Based on Intelligent Neural Network and Relay Feedback Approach

Nguyen

Shin

Kim

2015

IEEE/ASME Trans. Mechatron.

View full text Add to dashboard Cite

show abstract

“…The multipopulation GAimproves the performance of GA. This paper designs an IMGA [27] based on the existing multi-population GA. The entire population consists of a more general population and an excellent population, with a good population of the ordinary population evolution of a certain algebraic cross to guide the evolution of the general population and improve the quality of the general population.…”

Section: Genetic Operatormentioning

confidence: 99%

Research on the Production Scheduling Optimization for Virtual Enterprises

Huang

Sun

et al. 2013

Mathematical Problems in Engineering

View full text Add to dashboard Cite

Production scheduling is a rather difficult problem in virtual enterprises (VE) for the tasks of production which would be executed by some distributed and independent members. Factors such as the timing constraints of task and ability restrictions of the members are considered comprehensibly to solve the global scheduling optimization problem. This paper establishes a partner selection model based on an improved ant colony algorithm at first, then presents a production scheduling framework with two layers as global scheduling and local scheduling for virtual enterprise, and gives a global scheduling mathematical model with the smallest total production time based on it. An improved genetic algorithm is proposed in the model to solve the time complexity of virtual enterprise production scheduling. The presented experimental results validate the optimization of the model and the efficiency of the algorithm.

show abstract

“…Durante as etapas de desenvolvimento do ProOF, sempre foi mantida uma versão funcional da ferramenta para que fosse possível desenvolver novos trabalhos. Isso permitiu a implementação de métodos e resolução de problemas recentemente publicados na literatura, [26]- [30]. A forma como dois destes trabalhos, [26] e [30], foram desenvolvidos no ProOF será apresentada em detalhes no Capítulo 5 desta dissertação.…”

Section: Versão Atualunclassified

“…Isso permitiu a implementação de métodos e resolução de problemas recentemente publicados na literatura, [26]- [30]. A forma como dois destes trabalhos, [26] e [30], foram desenvolvidos no ProOF será apresentada em detalhes no Capítulo 5 desta dissertação. Além disso, a ferramenta apresenta um conjunto de códigos já desenvolvido como estudo de caso:…”

Section: Versão Atualunclassified

“…o Proportional, Integral and Derivative (PID): é um problema de ajuste de controle e foi conduzido com o uso do ProOF, os detalhes são apresentados na seção 5.4 e o estudo deste problema gerou uma publicação, [26]. o Benchmark com funções multi-objetivo: as funções multi-objetivo apresentadas em [39] também foram incluídas no ambiente, onde na seção 4.7 será apresentada como uma destas funções foi implementada com o uso do ProOF.…”

Section: Versão Atualunclassified

See 1 more Smart Citation

Ambiente para desenvolvimento de métodos aplicados a problemas de otimização

Arantes¹

View full text Add to dashboard Cite

Agradecimentos ___________________________________________________________________________ Ao meu orientador, prof. Claudio Fabiano Motta Toledo, meus sinceros agradecimentos pelo empenho e dedicação demonstrados, com sua orientação descobri minha vocação para a pesquisa científica. A todos os professores pelo entusiasmo no qual ministraram as disciplinas cursadas, pois contribuíram diretamente para minha formação. Ao meu amigo e colega de república, Maurício Acconcia Dias, por sua amizade presente, pelo interesse que teve em meu trabalho e sugestões dadas, onde muitas ideias surgiram de nossas conversas. Agradeço ao meu irmão e melhor amigo Jesimar da Silva Arantes por estar sempre por perto e compartilhar tudo que aprende comigo. Aos colegas do Laboratório de Computação Reconfigurável, onde passei a maior parte do tempo durante o desenvolvimento deste trabalho. Agradeço a FAPESP pelo apoio financeiro concedido, sem o qual não seria possível a realização deste trabalho. viii ix ___________________________________________________________________________ Resumo ___________________________________________________________________________ O presente documento tem por objetivo apresentar o desenvolvimento de uma ferramenta computacional para auxiliar profissionais da área de otimização na implementação de métodos e resolução de problemas. O projeto foi desenvolvido como tema de dissertação no Programa de Mestrado em Ciência da Computação e Matemática Computacional do ICMC/USP. A ferramenta pode ser enquadrada como um ambiente de desenvolvimento (framework) e será chamada de ProOF-Professional Optimization Framework. O ProOF tem como foco principal nortear a implementação computacional de métodos variados para problemas de otimização, utilizando como paradigma a programação orientada a objetos. Esse framework incorpora as principais características encontradas por outras ferramentas propostas na literatura. Além disso, procura facilitar a implementação de métodos e resolução de problemas ao permitir alto reuso de códigos, dar suporte a geração de códigos em diferentes linguagens de programação e gerar uma Graphical User Interface (GUI) automática para parametrização dos métodos inseridos pelo usuário. Alguns trabalhos publicados recentemente utilizaram versões em desenvolvimento do ProOF e serão citados como estudo de caso para atestar a robustez do framework proposto. Por fim, uma comparação será realizada entre o ProOF e outros frameworks existentes na literatura.

show abstract

A multi-population genetic algorithm approach for PID controller auto-tuning

Cited by 7 publications

References 15 publications

Autotuning Controller for Motion Control System Based on Intelligent Neural Network and Relay Feedback Approach

Autotuning Controller for Motion Control System Based on Intelligent Neural Network and Relay Feedback Approach

Research on the Production Scheduling Optimization for Virtual Enterprises

Ambiente para desenvolvimento de métodos aplicados a problemas de otimização

Contact Info

Product

Resources

About