使用元启发式优化舒适的客房的温度和相对湿度控制PID智能调节

摘要

为了给人们提供舒适的空间，舒适的房间是基本的需求区域，控制温度和相对湿度(RH)。本研究的目的是使用一种经元启发式优化调整的比例积分导数(PID)控制器来控制和维持舒适房间的温度和湿度。在PID控制器的整定增益中，采用了现代的元启发式优化、蚁群优化和共生有机体搜索等方法，并与传统方法的性能进行了比较。在实验测试中，对控制室的大小进行测试，测试区域为宽度7.80 m，长度8.00 m，高度3.80 m。仿真结果表明，采用SOS算法的PID控制器的控制系统调谐增益的性能在上升时间为15%的情况下具有最小的稳态误差，且超调量可以达到设定值。当系统出现扰动时，所提控制系统能够逼近设定值。因此，通过SOS算法调优的PID控制器可以很好地调节舒适房间的温度和湿度。

一。介绍

人类生活中最重要的工作、休息和其他活动之一是在一个舒适的环境中进行活动。它的效力集中在工作效率、生活质量、劳动生产率以及人类健康方面。根据人类的天性，一个人一生中90%的时间都在一个房间里进行各种活动[1个]。正如前面提到的，一个房间，使人体舒适是在进行室内活动视为一个重要组成部分。在学校里，一个舒适的环境条件可以增加学生[学习2个]。在医院，一个舒适的房间可以减少隐居，克制使用，并assaultive行为的客户[三]. 为了营造一个舒适的房间，环境条件和人为因素都会影响房间的热舒适性。在环境条件下，温度和相对湿度起着重要作用。对于带有空调系统（如干燥室）的热舒适性房间，有许多研究[4个]学校服装车间[2个]和医院[三]. 根据美国采暖、制冷和空调工程师协会（ASHRAE）的标准，热舒适是人们对热环境表示满意的状态。泰国是一个位于热带地区的国家。ASHRAE标准的舒适温度范围在22°C到27°C之间。此外，潮湿热带地区的热舒适范围在24°C到27°C之间，相对湿度为50%到60%[5个]。

为了将温度和相对湿度控制在舒适范围内，PID控制器得到了广泛的应用。PID控制器的合理设计对平衡温度和相对湿度起着重要作用。小陈与春轩[6个]研究了如何控制使用基于内部模型控制（IMC-PID）PID控制器的设计方法，用于控制多变量系统的空调房间的温度和RH。Febiyani等。[2个]研究了温度和相对湿度对肉干燥室，这引起过度的能量，通过使用数字的分离方法的影响。分析表明，在干燥的房间控制一个明确的配对。RH控制的偏差会增加1-1.5％，和温度控制的精度会提高到±0.1℃。豪达[7个]研究了模糊控制通风换气热空气和降低湿度在实验室的战略发展。改善在创造舒适条件的条件和稳态的组合进行了研究来设定给定值的范围内。一般情况下，换气控制系统的基础上洒处理容量降低能耗，并提高环境条件。洪等人。[八]研究了一种有趣的控制方法，通过提前设置智能预定控制方法(IPCM)，以提高能源和水的使用。考虑空载条件下相对湿度稳定的温度升高来检验IPMC的可行性。结果表明，IPCM在节能节水的同时，对温湿度的精确控制也具有一定的复杂性。Outanoute等人[9个]提出的方法集中在一个玻璃房子内构建的温度和RH的模型中使用的人工智能。反复人工神经网络，时间继电器，和MATLAB / Simulink中也使用了。该实验表明，该方法可以在玻璃房子以高精度内预测的温度和RH。科鲁兹等。[10]提出了一种利用模糊认知图（FCM）控制直接膨胀式空调（DX）参数的新模型。设计适用于空调系统的FCM，可以提高能源利用效率，为建筑自动化节约更多的能源。

在过去的几十年中，启发式算法成为植入简化困难的优化方法的日益流行的部分原因。它是由自然行为和生物事件的启发。大多数的ACO和SOS方法被广泛地应用在模拟系统。然而，这些都没有应用到实际系统。显然，ACO和SOS是非常具有挑战性的算法加以考虑。蚁群是提出了解决手组合优化问题启发式算法。它是由与他们奠定了信息素轨迹真实蚂蚁行为的启发。的ACO可以适用于不同的工作领域，特别是用于调谐PID。希哈等。[11]与Ziegler-Nichols（Z-N）、遗传算法（GA）和蚁群算法（ACO）相比，提出了一种新的基于多目标蚁群算法的PID整定方法。邱等人。[12]将蚁群算法应用于PID算法中，对函数式电模拟进行精确控制。另一方面，在2014年，Cheng和Prayogo首次将SOS作为一种新的元启发式优化算法引入[13]. 它描述了生物之间为了在生态系统中生存而采取的共生互动策略。许多研究应用SOS对污水处理过程的PID控制器进行整定[14]，综合发电系统，multiarea电力系统和负载频率控制[15]。此外，也有一些研究SOS和ACO结合与整定PID的许多技术。黄 [16]将遗传算法（GA）和蚁群算法（ACO）相结合，寻找四轮全方位移动机器人的最优运动控制器。它们的仿真结果在实现轨迹跟踪和稳定方面都有较好的性能。切利克和厄兹蒂克[17]提出了一种混合动力SOS和模拟退火（怀柔基地-SA）技术施加到调谐PID控制器的自动电压调节器器（AVR）。结果比使用原始SOS更准确，更稳定。张庭等人。[18]改善SOS算法通过整合准反对派式学习（QOBL）和混沌本地搜索（CLS）全局优化问题。该算法提供了比原来SOS更准确的解决方案。有许多研究其应用启发式优化调整PID控制器也有所改善这些算法来获得各种问题更好的解决方案。然而，只有少数的研究报告建立在真实世界中的系统。布隆丹等。引入新的ACO和内尔德-米德法（ACO-NM）的组合找到的PID控制器的最佳调谐。他们提出解决实际自动电压调节器（AVR）的问题。该ACO-NM获得更好或相当的解决方案[19]. Mandava和Vundavilli提出了新的改进的混沌入侵杂草优化（MCIWO）算法，用于调整以获得 , ,和对于双足机器人[20]. 与基于PSO的控制器相比，MCIWO收敛速度快。因此，目前尚不确定元启发式优化如何在实际系统中对最优PID控制器进行整定。

正如前面提到的，这个研究的目的是运用启发式算法ACO和SOS在调整PID控制器通过构建真正舒适的房间，系统控制的温度和湿度。中科2个约舒适的房间和Z-N 4项优化控制技术，极点配置的信息，ACO，和SOS是简要描述。同时，舒适的房间植物和ACO和SOS的最佳参数节中示出三. 因此，本研究的结果将被调查和讨论，以显示ACO和SOS在第节中的表现4个.最后，这项研究的概况进行了总结第5个.

2.理论

2.1条。舒适房原则

为了使人们感到舒适，按照ASHRAE 55标准设计并控制了一个舒适的房间，该标准设定了预测人对周围环境舒适状况的预测指标。这称为预测平均投票（PMV）。舒适温度定义在23到27°C之间，相对湿度在30到70%之间。制冷的原理是利用制冷剂的传热过程从需要降温的房间中提取热量。然后，制冷剂通过蒸汽过程、冷凝、膨胀和蒸发将热量传递给外部空气。但是，空调系统能够根据需要的条件控制控制区域的温度。空调系统不仅可以控制空调或工作区域的温度，还可以控制相对湿度、质量、循环空气和噪音水平[5个]。

2.2。相对湿度和水分

相对湿度是水蒸气压，以在相同的温度和压力下的饱和水蒸气压的比率。RH可表示如下： 哪里是空气中实际水蒸气的分压是纯水蒸汽在相同温度下的饱和。

水分含量或湿度比是指潮湿空气中的水蒸气与干燥空气的质量之比。它可以表述为 哪里和分别是水蒸气和干空气的质量[6个]。

数字1个显示空调系统中的温度、相对湿度和含水量的状态。各个位置的空气状况进入位置状态1。空气具有较高的干球温度（Tdb），一定量的RH通过蒸发器线圈。温度下降了100%。右侧和一些水滴从冷却系统组件中流出，在位置2处变成空气。空气将通过加热器导线，导致温度升高，而特定湿度在位置3稳定成为气候。然后，空气将通过加湿器，在位置4的舒适房间中成为具有所需相对湿度和所需温度的空气。

2.3条。最优控制技术

2.3.1。Ziegler-Nichols方法

选择控制参数的过程称为控制器调节。1942年，Z-N提出了调整PID控制器的规则[21]。PID参数的值是基于实验步骤的响应，或当仅使用比例控制动作中临界稳定性的结果的值设置。当植物的数学模型是不知道Z-N规则是有用的。这种规则提出一个设定值，将提供系统的稳定运行。然而，系统的结果可能大的最大的阶跃响应，这是不可接受的过冲呈现。在这种情况下，获得了一系列精细调谐为可接受的结果的。事实上，Z-N整定规则提供的参数值一个受过教育的猜测和微调提供了一个起点，而不是让最终的设置并在单杆。数字2个示出了Z-N线图的开环和闭环。该开关被选择用于开环测试的过程中手动定位。因此，该开关将在闭环测试的过程来选择用于自动定位[21]。

从图2个一个步进信号块用于通过开环测试、选择手动定位开关和闭环测试以及选择自动定位开关来检查系统响应。在本研究中，我们进行开环测试，找出对象模型，PID控制器的参数如(三)和表1个， 分别。开环测试的传递函数可以通过使用一阶系统具有延迟时间为近似 哪里T型,一，和千是时间常数，延迟时间，并且过程增益，分别是一个过程的反应，为单位阶跃输入信号，是一个过程传递函数[21]。

数字三表示开环测试当信号输入到由单位阶跃响应循环。表1个显示基于工厂开环方法阶跃响应的Z-N规则，以及控制器的增益值， , ,和 ,分别证明了比例增益、积分时间和微分时间[21]。

2.3.2。极点配置方法

极点配置方法是通过指定控制器增益而设计的控制器 , （积分增益），以及（微分增益）示出在由系数与二阶系统相对于固有频率比较满足期望的极点位置的封闭系统的极点的有效性阻尼比值 哪里是一个自然频率ξ是一个阻尼比[21]。

2.3.3条。蚁群优化

ACO是，一个人口为基础的启发式算法，蚂蚁狩猎食物的真实行为的启发。ACO是用来寻找最佳的解决方案来解决非线性问题。蚂蚁移动基于随机过程和信息素的偏置图形。一般情况下，蚂蚁会从自己的巢前往食物来源和获取食物后回巢。在旅行中，蚂蚁会释放其它蚂蚁跟随的化学物质是信息素，或者通过闻或追踪信息素的道。一段时间后，信息素会蒸发，由于其化学性质。由于这种属性，它是太长的路线会导致信息素的总蒸发。然而，对于一个短路线，有更多的机会，产生信息素，而走出去，信息素的蒸发之前返回。当许多蚂蚁一起旅行或出差多次，信息素的浓度会降低，因为蒸发更高，如果有几只蚂蚁，就会有信息素少，因为有更多的蒸发。几只蚂蚁也将导致信息素的稀释，因此不是吸引其他蚂蚁[22]. 因此，蚁群算法被应用于现实问题中，用来寻找加权图上的最优路径。

理论上，蚂蚁通过概率状态转移规则选择节点或城市来传播和释放信息素[23]:

蚂蚁通过乘以信息素因子的相对影响来选择节点， ,具有恒定的指数功率α和启发式因子， ,具有常数的启发式信息幂 .

对于选择下一个节点的概率分布可以写成 哪里小时在所选择的节点属于S公司,S公司是一组节点，并且α ≥ 0和β ≥ 0 are the constants that determine the relative influence of the pheromone values and the heuristic values on the decision of the ant with probability , .

在ACO，启发式因子被计算为 哪里是十在j型.

在全局更新规则的计算中，不同的信息素因子可以定义为 哪里问是与蚂蚁和一_千被执行的旅行费用千^日蚂蚁。

在下面的本地更新规则，下一步的信息素因子可以被计算为 哪里 ,米是蚂蚁的数量，是一个系数，在循环期间的踪迹的持久性，以及是世代之间路径的蒸发和 .数字4个指示ACO的图。

2.3.4。共生生物搜索

SOS是搜索生物体的步骤。它是具有启发式优化高倾向跟上时代的发展。此外，SOS是由生活在自然生物之间的反应的行为的启发自然哲学。在一般情况下，发展生物共生关系的过程被认为是一种策略，在环境变化适应[24]。该SOS算法有两个控制参数：ecosize和最大功能评价（MaxFE）。所述ecosize表示在生态系统中微生物的数量。MaxFE代表迭代的最大数量。

这三种类型的研究周期将模仿称为互惠、共栖和寄生的生物学关系。在处理这三个步骤时，SOS能够转移人口，称之为生态解决方案，这在该地区是可能的，并有研究该地区最佳路径的趋势。数字5个显示SOS图：

为了解决新的价值问题，是根据生物之间的共生关系来计算的。在计算新生物时十_新奥尔良,当正确搬到一个新的地方将只更新：

生物是从生态学中取样并作为寄生虫媒介试图替代的起点在生态系统中。将对这两种生物进行评估，以检查它们的能力。如果寄生虫载体的值更高，它就会死亡 .如果比 ,它必须针对寄生虫和寄生虫载体免疫性将无法在生态系统中生存[25]。

2.4条。PID控制器

PID控制器是一种广泛应用于工业过程和建筑的反馈控制系统。误差信号是由过程中可变性的差异和所需的设定值得到的。控制器通过调节过程的输入信号来尽量减少误差。PID的变量根据系统的性质进行调整。PID控制器的框图如图所示6个[26]。

P I D参数的计算依赖于三个变量：比例（P）、积分（I）和导数（D）。比例是用误差的结果来设定的。积分是根据误差和发生的原理设置的，而导数是根据误差的变化率设置的。从这三个变量的组合中获得的重量将用于调整过程。

调整PID控制器参数常数可以帮助开发用于控制所需的合适的过程模型。控制器的响应将在控制器振动直至误差，过冲，以及振荡的形式。的PID方法可能不保证是最合适的控制器或能够使始终稳定的过程。

对于实际使用的应用程序，只有一个或两个模型取决于过程中应用。PID也被称为比例积分（PI），比例微分（PD），比例（P），或积分（I）控制器。PID控制器MV（t型)基于以下三个变量的组合： 哪里 ,和分别是PID控制器系统的比例、积分和微分输出信号的结果，U型(t型）是期望的过程的值或设定点（SP），C类(t型)是测量的过程值（PV），以及e类(t型)是一个错误，计算为C类(t型） -U型(t型）。

3.方法

3.1。数学模型整定PID控制器的增益

在本文中，数学建模已经提出用于调谐PID控制器的和新颖的参数优化的构造如下： 其中MSE =  , 是温度或相对湿度设定值，并且右(s公司）是温度或湿度输出。

的三个约束的间隔 , ,和收集从最大值和最小值在调谐的每种情况下覆盖 , ,和用Z-N和极点如表2个.

3.2条。实验舒适房设置

实验舒适室设置在宽7.80 m、长8.00 m、高3.80 m的区域内，空调2套25000 BTU。数字7个展示了舒适房间的结构。真正舒适的房间系统如图所示八.

基于数字7个和八，本研究所使用的舒适室内工具包括空间、热箱、加热器和蒸发器。dSPACE是一种接收和发送从模拟到数字信号的工具，反之亦然。加热箱是指加热水以增加系统所需的相对湿度的加热器。加热器是一种根据系统要求提高温度的机器。蒸发器是一个空调装置，它可以根据系统的要求增加或降低温度。为了计算ACO和SOS算法，采用了MATLAB/Simulink进行程序设计、控制和处理。

数字9个节目进行研究，以控制温度并使用PID控制器RH的步骤。计算最合适的参数，状态水位以下四种方法被确定如下：第1步：收集数据并审核相关研究步骤2：建立原始和最新模型的数学模型第三步：设计由极点配置和Z-N方法组成的原始PID控制器（使用MATLAB/Simulink）第4步：设计一个最新的PID控制器（使用MATLAB/Simulink），通过极点配置和Z-N方法进行控制

3.3。参数设置

图中显示了添加PID控制器时舒适房间的示意图，以及获得PID控制器后控制温度和湿度的控制界面图10（a）和10（b）.

为了解决大多数优化问题，蚂蚁的数量（NA）和生态大小通常选择在10到50之间。最小均方误差用于根据最小均方误差确定最优情况。参数α,β，和ρ的ACO的分别设定为0.5,0.5和0.05。的ACO的参数设置是由测试步骤中的范围内确定，即 , ,和[27]。五种不同的NA和ecosize病例被检查，从5、10、20、30和50不等。对于蚁群算法，温度和相对湿度的最优NA分别为20和5。对于SOS，最合适的ecosize是30，对于温度和RH。在收敛到最小最小熵的条件下，确定迭代次数。对于ACO和SOS，停止条件都设置为100次迭代。真实舒适客房的各项参数设置如表所示三.

的Z-N的数据从表计算1个，极点配置数据由(三）。蚁群和SOS的收集的数据是使用MATLAB / Simulink的仿真。在RH的设定值在从最小均方误差选择的温度控制的情况下，设定为60％。为了控制RH，设定值被设定为温度25℃。

4.结果与讨论

采用Z-N和极点配置方法的PID控制器框图如图所示11.PID控制器ACO和SOS设计用于调谐PID的方框图显示在图12. 从数字图11（a）和图11（b）采用传统的Z-N和极点配置方法对舒适房间的PID控制器进行整定。虽然Z-N法和极点配置法在PID整定中都有广泛的应用，但它们都是近似方法，没有规则来验证参数增益值的正确性。因此，如图所示，ACO和SOS被应用于寻找参数增益的最佳值图12（a）和图12（b）.表2个表示使用Z-N，极点配置，ACO，和SOS的温度和RH的闭环控制的模拟的响应的比较PID控制器的参数增益值在图中示出13（a） 以及13（b） ，分别是。

根据表2个，增益值 , ,和用最少的MSE被收集。在95％的置信区间进行观察，申报真实舒适的室内系统的最佳结果。使用4方法比较包括Z-N，极点配置，ACO，和SOS的RH控制的模拟结果发现，有从ACO和SOS方法两个最好的上升时间响应。可以看出95％置信区间范围内的既ACO和SOS满足的过冲的温度控制，而ACO的上升时间比SOS短的情况下。因此，SOS的过冲是95％置信区间的范围内，同时ACO不能用于RH控制。

因此，获得的价值的最佳案例 , ,和ACO和SOS分别对温度和相对湿度的控制效果最好。在 , ,和结果表明，模拟结果可用于设计和控制如图所示的舒适房间14.对于真正舒适的房间体系，获得的值 , ,和从最好的实验的情况下对温度和相对湿度的控制被施加到检查其性能。温度和RH沿向上和向下的步骤而变化。温度在20-25℃，25-30℃，和30-35℃下向上变化的区间内。用于向下变化中，温度在35-30的℃，30-25℃，25-20和℃下三个区间减小。以相同的方式，RH为50％-60％和60-70％和向下为70-60％和60-50％向上监测。

如图所示14，温度的过程响应由RH 60％的考虑。可以看出，最佳的参数获得ACO算法的PID能够控制设定点附近振荡的温度的。

SOS算法的用于控制RH最佳实验结果应用到控制温度，如图15. RH在50-60%和60-70%范围内的向上顺序控制和RH在70-60%和60-50%范围内的向下顺序控制的结果表明，RH是可控的，其次是RH_SP信号。数字16示出了该过程的结果的响应负载中断。其结果是，SOS算法也可以用来控制RH的舒适的房间，熟练。它显示了控制系统在舒适的房间的反应。该系统可以在的负荷变更条件的情况下操纵温度和RH。这导致了温度和RH的振荡。然而，该SOS控制系统负责调节温度和RH回到设定点，高效率地的。

5个。结论

在这项研究中，元启发式优化算法应用到找到控制温度和相对湿度为真正舒适的房间系统PID控制器的最佳增益值。SOS和ACO的两个元启发式算法被选择通过与所述Z-N和极点配置进行比较来调查。仿真结果表明，从ACO算法导出PID控制器的最佳增益值影响快速实现对温度的设定值。该SOS算法实现了与RH控制的最佳性能。为了与真正舒适的房间系统应用最佳的模拟结果，结果依然能够控制温度和湿度，即使是负载在舒适的房间改变。对于今后的工作，ACO和SOS算法的多目标功能进行改变，以控制温度，相对湿度，以精度为真正舒适的房间系统。

数据可用性

没有数据支持这项研究。

利益冲突

作者宣称，有兴趣就本文发表任何冲突。

致谢

作者要感谢电气工程的设备支持部门。笔者也想展示自己的感谢副教授。Satean Tunyasrirut教授博士和Natita Wangsoh博士的盛情意见，直到这项研究已经完成。这项工作在财政工程学院，技术学院普尔曼曼谷，泰国支持。

工具书类

1. P、 O.方格，热舒适分析及其在环境工程中的应用，麦格劳 - 希尔出版公司，纽约，NY，USA，1972年。
2. A. Febiyani，B. Suhardi和E. Pujiyanto，“纺织职业学校热舒适的房间制衣车间的评价，”在工业工程与应用2018年第五届国际会议（ICIEA）论文集，203-207页，新加坡，2018年4月。查看位置：出版商网站|谷歌学术
3. S、 Sattayakorn，M.Ichinose和R.Sasaki，“澄清热带地区医疗人员的热舒适性：泰国医院室内环境案例”能源与建筑，第149卷，第45-57页，2017年。查看位置：出版商网站|谷歌学术
4. H.马，张W.和S X.杨，“耦合分析，并在干燥室温和Rh的控制，”在银川信息与自动化国际会议纪要，中国银川，2013年8月。查看位置：出版商网站|谷歌学术
5. ASHRAE，人类居住的标准55-92热环境条件，美国采暖、制冷和空调工程师学会，美国佐治亚州亚特兰大，1992年。
6. Z.孝臣和Y.椿萱，“多变量IMC-PID空调室温和相对湿度控制系统内，”在第33届中国管制大会会议记录，第3609-3613，中国南京，2014年7月。查看位置：出版商网站|谷歌学术
7. 高大明，“区域温度与湿度的模糊通风控制”，中2005年美国控制会议记录，第507-512，波特兰，俄勒冈，美国，2005年6月。查看位置：出版商网站|谷歌学术
8. S、 -S.Hung，A.C.-Y.Lin和Y.-H.Chen，“开发新温湿度室的智能预定控制方法”，in2015年IEEE先进信息技术、电子和自动化控制会议记录（IAEAC），第423-427，IEEE，重庆，中国，2015年12月。查看位置：出版商网站|谷歌学术
9. M、 “温室内温度和相对湿度控制的神经网络动态模型”，作者：Outanoute，A.Lachhab，A.Ed dahhak，A.Selmani，M.Guerbaoui和B.Bouchikhi2015年的第三次国际研讨会RFID和自适应无线传感器网络的程序（RAWSN），第6-11页，IEEE，Agadir，摩洛哥，2015年5月。查看位置：出版商网站|谷歌学术
10. F、 Behrooz，N.B.Mariun，M.H.Marhaban，M.A.Mohd Radzi和A.R.Ramli，“楼宇自动化系统中直接膨胀式空调系统的多输入多输出非线性控制器的新设计方法”，in关于环境与电气工程学院2015年IEEE第15届国际学术会议论文集（EEEIC），IEEE，意大利罗马，2015年6月。查看位置：谷歌学术
11. I.希哈，N. Liouane和P.承担，“使用多目标蚁群整定PID控制器”，应用计算智能与软计算， 2012卷，文章ID 536326, 7页，2012。查看位置：出版商网站|谷歌学术
12. S.邱，R.许，T. Zhai等人，“蚁群优化调谐PID算法的功能性电刺激的精确控制，”生物医学工程/生物医学技术，第58卷，2013年。查看位置：出版商网站|谷歌学术
13. M.-Y。Cheng和D. Prayogo，“共生生物搜索:一种新的元启发式优化算法”，计算机与结构卷。139，第98-112，2014。查看位置：出版商网站|谷歌学术
14. I. Nascu，G.维拉德，S. Folea和T. Buzdugan，“发展和PID自动调谐方法将废水处理过程中的应用，”在在自动化，质量检测，机器人的2008年IEEE国际会议论文集，IEEE，Cluj Napoca，罗马尼亚，2008年5月。查看位置：谷歌学术
15. P、 C.Nayak，U.C.Prusty，R.C.Prusty，A.K.Barisal，“SOS在多区域电力系统AGC模糊PID控制器中的应用”，年对技术的智能城市能源安全和电力的2008年IEEE国际会议论文集（ICSESP）2018年3月，印度布巴内斯瓦尔。查看位置：出版商网站|谷歌学术
16. H、 黄，“基于GA-ACO混合算法的四轮全方位移动机器人最优运动控制器的设计”，in2011年第八届亚洲管制会议记录（ASCC），IEEE，台湾高雄，2011年5月。查看位置：谷歌学术
17. E、 切利克和N.Öztürk，“一种应用于自动电压调节器PID控制器有效设计的混合共生生物搜索和模拟退火技术”软计算，第22卷，第23期，第8011-8024页，2018年。查看位置：出版商网站|谷歌学术
18. K. H.张庭，P. Nallagownden，Z. Baharudin和D. N. VO，“A准对立混沌共生有机体搜索全局优化问题的算法，”应用软件计算卷。77，第567-583，2019。查看位置：出版商网站|谷歌学术
19. M. J.布朗丁，J.桑奇斯，P. SICARD和J. M.雷罗，“用于使用具有一个新的约束内尔德-蜜酒算法的简化蚁群的AVR系统新的最佳控制器整定的方法，”应用软件计算卷。62，第216-229，2018。查看位置：出版商网站|谷歌学术
20. R. K. Mandava和P. R. Vundavilli，“一个最优PID控制器用于在平地上一个双足机器人步行使用MCIWO算法，”进化智能卷。12，没有。1，第33-48，2019。查看位置：谷歌学术
21. K.绪方，现代控制工程，普伦蒂斯霍尔，新泽西州，新泽西州，美国，第4版，2010。
22. J、 Kaliannan，A.Baskaran，N.Dey，A.S.Ashour，“基于蚁群优化算法的非线性和锅炉动态单区域电力系统线性调频控制器”世界建模和仿真杂志，第12卷，第3-14页，2016年。查看位置：谷歌学术
23. Y、 -T.Xiao，C.-L.Chuang和C.-C.Chien，“PID控制器设计的蚁群优化”，in计算机辅助控制系统设计国际研讨会论文集，IEEE，新奥尔良，洛杉矶，美国，2004年9月。查看位置：谷歌学术
24. “共生有机体搜寻演算法:理论、最近的进展与应用，”应用专家系统，第119卷，第184-209页，2019年。查看位置：出版商网站|谷歌学术
25. G. Kanimozhi, R. Rajathy，和H. Kumar，“使用共生生物搜索算法最小化球体上的点电荷能量，”国际杂志关于电气工程与信息卷。8，没有。1，2016年查看位置：出版商网站|谷歌学术
26. O. Roeva和T. Slavov，“基于对生物过程控制元启发式算法的PID整定，”生物技术和生物技术设备，第26卷，第5期，第3267–3277,2012页。查看位置：出版商网站|谷歌学术
27. D、 Gaertner和K.Clark，“蚁群优化算法的最优参数”，in人工智能，ICAI国际会议论文集，拉斯维加斯，内华达州，美国，2005年6月。查看位置：谷歌学术

版权

版权所有©2020 K.Janprom等人。这是一篇在知识共享署名许可协议，其允许在任何介质无限制地使用，分发和再现时，所提供的原始工作正确的引用。