文首先介绍了PID控制器,在此基础上提出了一种基于智能群算法对PID控制器的比例、积分、微分三个参数进行优化整定的改进PSO算法,并利用Mat lab对PID工业控制器进行模拟仿真,利用仿真曲线进行直观的对比。通过与标准PSO优化算法及常规的Z-N整定法的比较,结果表明基于改进PSO算法对PID的整定方法不仅能快速的从全局搜索出优化的整定参数,而且也能够大大地提升整定效果。实验结果也表明该算法具体良好的收敛速度和稳定性,是一种具有高控制精度、高稳定性和快速性的PID整定算法。算法的平均适应度最高。对于方案二来说，c1和c2同时落在区间[1,1.6]时本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name，算法的平均适应度最高，算法的整体寻优效果较佳。为便于研究观察，将两种实验图进行对比如图1所示。我们不难得出结论，对于方案一而言，c1落在区间2.25,3，c2落在区间1,1.75时，参数的优化整定-电动数控滚圆机滚弧机张家港电动液压滚圆机滚弧机折弯机算法的平均适应度最高，算法的整体寻优效果较佳。图1寻优对比Ft因此，基于以上实验结果，本文提出一种基于随机漫步（Randomwalk）的方法来确定学习因子的具体数值。随机漫步是一种数学统计模型，它由一连串轨迹所组成[10]。其中每一次的行走都是随机的，它能用来表示不规则的变动形式让c1每一次都在区间[2.25,3]随机取值，c2每一次都在区间[1,1.75]随机取值，满足下列公式：9）（其中参数r在区间[0,1]随机漫步）3仿真实验分析3.1仿真实验过程通过运用Matlab实验改进粒子群算法对PID控制器的整定，同时在Simulink中构建无刷直流电机模型，研究优化效果[11]。粒子群算法的流程如下描述：（1）初始化粒子群算法所需的参数。（2）初始化粒子群。（3）计算每个粒子的适应度。（4）判断是否是否全局最优位置已经满足最小界限，如果满足，则结束算法；否则，继续执行步骤3。3.2仿真及对比实验时，采用标准PSO算法与本文改进PSO算法进行对比[12]。实验中设置0.6，1c2c2，采取ITAE评价标准，得到适应值，如图2所示。图2采用标准PSO算法与本文参数的优化整定-电动数控滚圆机滚弧机张家港电动液压滚圆机滚弧机折弯机本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name