控制演算法分類

『壹』 PID演算法的演算法種類

離散化公式：
△u(k)= u(k)- u(k-1)
△u(k)=Kp[e(k)-e(k-1)]+Kie(k)+Kd[e(k)-2e(k-1)+e(k-2)]
進一步可以改寫成
△u(k)=Ae(k)-Be(k-1)+Ce(k-2)
對於增量式演算法，可以選擇的功能有：
(1) 濾波的選擇
可以對輸入加一個前置濾波器，使得進入控制演算法的給定值不突變，而是有一定慣性延遲的緩變數。
(2) 系統的動態過程加速
在增量式演算法中，比例項與積分項的符號有以下關系：如果被控量繼續偏離給定值，則這兩項符號相同，而當被控量向給定值方向變化時，則這兩項的符號相反。
由於這一性質，當被控量接近給定值的時候，反號的比例作用阻礙了積分作用，因而避免了積分超調以及隨之帶來的振盪，這顯然是有利於控制的。但如果被控量遠未接近給定值，僅剛開始向給定值變化時，由於比例和積分反向，將會減慢控制過程。
為了加快開始的動態過程，我們可以設定一個偏差范圍v，當偏差|e(t)|< β時，即被控量接近給定值時，就按正常規律調節，而當|e(t)|>= β時，則不管比例作用為正或為負，都使它向有利於接近給定值的方向調整，即取其值為|e(t)-e(t-1)|，其符號與積分項一致。利用這樣的演算法，可以加快控制的動態過程。
(3) PID增量演算法的飽和作用及其抑制
在PID增量演算法中，由於執行元件本身是機械或物理的積分儲存單元，如果給定值發生突變時，由演算法的比例部分和微分部分計算出的控制增量可能比較大，如果該值超過了執行元件所允許的最大限度，那麼實際上執行的控制增量將時受到限制時的值，多餘的部分將丟失，將使系統的動態過程變長，因此，需要採取一定的措施改善這種情況。
糾正這種缺陷的方法是採用積累補償法，當超出執行機構的執行能力時，將其多餘部分積累起來，而一旦可能時，再補充執行。 離散公式：
u(k)=Kp*e(k) +Ki*+Kd*[e(k)-e(k-1)]
對於位置式演算法，可以選擇的功能有：
a、濾波：同上為一階慣性濾波
b、飽和作用抑制： 在基本PID控制中，當有較大幅度的擾動或大幅度改變給定值時， 由於此時有較大的偏差，以及系統有慣性和滯後，故在積分項的作用下，往往會產生較大的超調量和長時間的波動。特別是對於溫度、成份等變化緩慢的過程，這一現象將更嚴重。為此可以採用積分分離措施，即偏差較大時，取消積分作用；當偏差較小時才將積分作用投入。
另外積分分離的閾值應視具體對象和要求而定。若閾值太大，達不到積分分離的目的，若太小又有可能因被控量無法跳出積分分離區，只進行PD控制，將會出現殘差。
離散化公式：

當時當|e(t)|>β時
q0 = Kp(1+Td/T)
q1 = -Kp(1+2Td/T)
q2 = Kp Td /T
u(t) = u(t-1) + Δu(t)
註：各符號含義如下
u(t);;;;; 控制器的輸出值。
e(t);;;;; 控制器輸入與設定值之間的誤差。
Kp;;;;;;; 比例系數。
Ti;;;;;;; 積分時間常數。
Td;;;;;;; 微分時間常數。（有的地方用Kd表示）
T;;;;;;;; 調節周期。
β;;;;;;; 積分分離閾值 當根據PID位置演算法算出的控制量超出限制范圍時，控制量實際上只能取邊際值U=Umax,或U=Umin,有效偏差法是將相應的這一控制量的偏差值作為有效偏差值計入積分累計而不是將實際的偏差計入積分累計。因為按實際偏差計算出的控制量並沒有執行。
如果實際實現的控制量為U=U（上限值或下限值），則有效偏差可以逆推出，即：
=
然後，由該值計算積分項
微分先行PID演算法
當控制系統的給定值發生階躍時，微分作用將導致輸出值大幅度變化，這樣不利於生產的穩定操作。因此在微分項中不考慮給定值，只對被控量（控制器輸入值）進行微分。微分先行PID演算法又叫測量值微分PID演算法。公式如下：
離散化公式：
參數說明同上
對於純滯後對象的補償
控制點採用了Smith預測器，使控制對象與補償環節一起構成一個簡單的慣性環節。
PID參數整定
(1) 比例系數Kp對系統性能的影響
：
比例系數加大，使系統的動作靈敏，速度加快，穩態誤差減小。Kp偏大，振盪次數加多，調節時間加長。Kp太大時，系統會趨於不穩定。Kp太小，又會使系統的動作緩慢。Kp可以選負數，這主要是由執行機構、感測器以控制對象的特性決定的。如果Kc的符號選擇不當對象狀態(pv值)就會離控制目標的狀態(sv值)越來越遠，如果出現這樣的情況Kp的符號就一定要取反。
(2) 積分控制Ti對系統性能的影響
：
積分作用使系統的穩定性下降，Ti小（積分作用強）會使系統不穩定，但能消除穩態誤差，提高系統的控制精度。
(3) 微分控制Td對系統性能的影響
：
微分作用可以改善動態特性，Td偏大時，超調量較大，調節時間較短。Td偏小時，超調量也較大，調節時間也較長。只有Td合適，才能使超調量較小，減短調節時間。

『貳』 大家能給窮舉一下自動控制領域有哪些控制演算法嗎

還有非線性控制，自適應控制，模型預測控制，數字控制，智能控制（神經網路，貝葉斯模型，模糊演算法，機器學習，進化，遺傳等等）。這些分類之間都有交集。

演算法只是理論而已，和復雜的實際情況還不是一回事。

『叄』 linux伺服器要怎樣針對IP流量限制

不是木馬，是設置問題，下面是流量的控制方法一、Linux流量控制過程分二種：1、隊列控制即QOS,瓶頸處的發送隊列的規則控制，常見的有SFQPRIO2、流量控制即帶寬控制,隊列的排隊整形，一般為TBFHTB二、Linux流量控制演算法分二種：1、無類演算法用於樹葉級無分支的隊列，例如：SFQ2、分類演算法用於多分支的隊列，例如：PRIOTBFHTB三、具體實現：1.在網卡上建立以SFQ演算法的限流#tcqdiscadddeveth0roothandle1:sfqSFQ參數有perturb(重新調整演算法間隔)quantum基本上不需要手工調整:handle1:規定演算法編號..可以不用設置由系統指定..#tcqdiscshdeveth0顯示演算法#tcqddeldeveth0root刪除注:默認eht0支持TOS2.在網卡建立以TBF演算法的限流#tcqdadddeveth1roothandle1:速率256kbit突發傳輸10k最大延遲50ms#tc-sqdshdeveth1統計#tcqddeldeveth1root刪除3.在網卡建立PRIO#tcqdiscadddeveth0roothandle1:prio#此命令立即創建了類:1:1,1:2,1:3(預設三個子類)#tcqdiscadddeveth0parent1:1handle10:sfq#tcqdiscadddeveth0parent1:2handle20:注:此為TBF限速的另一寫法,前文有講解.#tcqdiscadddeveth0parent1:3handle30:sfq4.WEB伺服器的流量控制為5Mbps,SMTP流量控制在3Mbps上.而且二者一共不得超過6Mbps,互相之間允許借用帶寬#tcqdiscadddeveth0roothandle1:#tcclassadddeveth0parent1:0classid1:.這部分按慣例設置了根為1:0,並且綁定了類1:1.也就是說整個帶寬不能超過6Mbps.#tcclassadddeveth0parent1:1classid1:.#tcclassadddeveth0parent1:1classid1:.建立了2個類.注意我們如何根據帶寬來調整weight參數的.兩個類都沒有配置成"bounded",但它們都連接到了類1:1上,而1:1設置了"bounded".所以兩個類的總帶寬不會超過6Mbps.別忘了,同一個CBQ下面的子類的主號碼都必須與CBQ自己的號碼相一致!#tcqdiscadddeveth0parent1:3handle30:sfq#tcqdiscadddeveth0parent1:4handle40:sfq預設情況下,兩個類都有一個FIFO隊列規定.但是我們把它換成SFQ隊列,以保證每個數據流都公平對待.#tcfilteradddeveth0parent1::3#tcfilteradddeveth0parent1::46.過濾器過濾示例#::1在10:節點添加一個過濾規則,優先權1:凡是去往22口(精確匹配)的IP數據包,發送到頻道10:1..#::1在10:節點添加一個過濾規則,優先權1:凡是來自80口(精確匹配)的IP數據包,發送到頻道10:1..#:prio2flowid10:2在eth0上的10:節點添加一個過濾規則,它的優先權是2:凡是上二句未匹配的IP數據包,發送到頻道10:2..#tcfilteradddeveth0parent10:.3.2.1/32flowid10:1去往4.3.2.1的包發送到頻道10:1其它參數同上例#tcfilteradddeveth0parent10:.2.3.4/32flowid10:1來自1.2.3.4的包發到頻道10:1#:prio2flowid10:2凡上二句未匹配的包送往10:2#tcfilteradddeveth0parent10:.3.2.1/:1可連續使用match,匹配來自1.2.3.4的80口的數據包

『肆』 智能控制的類型

分級遞階智能控制是在自適應控制和自組織控制基礎上，由美國普渡大學Saridis提出的智能控制理論.分級遞階智能控制（Hierarchical Intelligent Control）主要由三個控制級組成，按智能控制的高低分為組織級，協調級，執行級，並且這三級遵循伴隨智能遞降精度遞增原則。
組織級（organization level）：組織級通過人機介面和用戶（操作員）進行交互，執行最高決策的控制功能，監視並指導協調級和執行級的所有行為，其智能程度最高.
協調級（Coordination level）：協調級可進一步劃分為兩個分層：控制管理分層和控制監督分層.
執行級（executive level）：執行級的控制過程通常是執行一個確定的動作. 專家指的是那些對解決專門問題非常熟悉的人們，他們的這種專門技術通常源於豐富的經驗，以及他們處理問題的詳細專業知識.
專家系統主要指的是一個智能計算機程序系統，其內部含有大量的某個領域專家水平的知識與經驗，能夠利用人類專家的知識和解決問題的經驗方法來處理該領域的高水平難題.它具有啟發性，透明性，靈活性，符號操作，不一確定性推理等特點.應用專家系統的概念和技術，模擬人類專家的控制知識與經驗而建造的控制系統，稱為專家控制系統.
專家系統是利用專家知識對專門的或困難的問題進行描述. 用專家系統所構成的專家控制，無論是專家控制系統還是專家控制器，其相對工程費用較高，而且還涉及自動地獲取知識困難、無自學能力、知識面太窄等問題. 盡管專家系統在解決復雜的高級推理中獲得較為成功的應用，但是專家控制的實際應用相對還是比較少。 神經網路是指由大量與生物神經系統的神經細胞相類似的人工神經元互連而組成的網路；或由大量象生物神經元的處理單元並聯互連而成.這種神經網路具有某些智能和仿人控制功能.
學習演算法是神經網路的主要特徵，也是當前研究的主要課題.學習的概念來自生物模型，它是機體在復雜多變的環境中進行有效的自我調節.神經網路具備類似人類的學習功能.一個神經網路若想改變其輸出值，但又不能改變它的轉換函數，只能改變其輸人,而改變輸人的唯一方法只能修改加在輸人端的加權系數.
神經網路的學習過程是修改加權系數的過程，最終使其輸出達到期望值，學習結束.常用的學習演算法有：Hebb學習演算法，widrow Hoff學習演算法，反向傳播學習演算法一BP學習演算法，Hopfield反饋神經網路學習演算法等。
神經網路是利用大量的神經元按一定的拓撲結構和學習調整方法. 它能表示出豐富的特性：並行計算、分布存儲、可變結構、高度容錯、非線性運算、自我組織、學習或自學習等. 這些特性是人們長期追求和期望的系統特性. 它在智能控制的參數、結構或環境的自適應、自組織、自學習等控制方面具有獨特的能力. 神經網路可以和模糊邏輯一樣適用於任意復雜對象的控制，但它與模糊邏輯不同的是擅長單輸入多輸出系統和多輸入多輸出系統的多變數控制. 在模糊邏輯表示的SIMO 系統和MIMO 系統中，其模糊推理、解模糊過程以及學習控制等功能常用神經網路來實現.模糊神經網路技術和神經模糊邏輯技術：模糊邏輯和神經網路作為智能控制的主要技術已被廣泛應用. 兩者既有相同性又有不同性. 其相同性為：兩者都可作為萬能逼近器解決非線性問題，並且兩者都可以應用到控制器設計中. 不同的是：模糊邏輯可以利用語言信息描述系統，而神經網路則不行；模糊邏輯應用到控制器設計中，其參數定義有明確的物理意義，因而可提出有效的初始參數選擇方法；神經網路的初始參數（如權值等） 只能隨機選擇. 但在學習方式下，神經網路經過各種訓練，其參數設置可以達到滿足控制所需的行為. 模糊邏輯和神經網路都是模仿人類大腦的運行機制，可以認為神經網路技術模仿人類大腦的硬體，模糊邏輯技術模仿人類大腦的軟體. 根據模糊邏輯和神經網路的各自特點，所結合的技術即為模糊神經網路技術和神經模糊邏輯技術. 模糊邏輯、神經網路和它們混合技術適用於各種學習方式 智能控制的相關技術與控制方式結合或綜合交叉結合，構成風格和功能各異的智能控制系統和智能控制器是智能控制技術方法的一個主要特點． 所謂模糊控制，就是在被控制對象的模糊模型的基礎上，運用模糊控制器近似推理手段，實現系統控制的一種方法.模糊模型是用模糊語言和規則描述的一個系統的動態特性及性能指標.
模糊控制的基本思想是用機器去模擬人對系統的控制.它是受這樣事實而啟發的：對於用傳統控制理論無法進行分析和控制的復雜的和無法建立數學模型的系統，有經驗的操作者或專家卻能取得比較好的控制效果，這是因為他們擁有日積月累的豐富經驗，因此人們希望把這種經驗指導下的行為過程總結成一些規則，並根據這些規則設計出控制器.然後運用模糊理論，模糊語言變數和模糊邏輯推理的知識，把這些模糊的語言上升為數值運算，從而能夠利用計算機來完成對這些規則的具體實現，達到以機器代替人對某些對象進行自動控制的目的。
模糊邏輯用模糊語言描述系統，既可以描述應用系統的定量模型也可以描述其定性模型. 模糊邏輯可適用於任意復雜的對象控制. 但在實際應用中模糊邏輯實現簡單的應用控制比較容易. 簡單控制是指單輸入單輸出系統（SISO) 或多輸入單輸出系統（MISO) 的控制. 因為隨著輸入輸出變數的增加，模糊邏輯的推理將變得非常復雜。 學習是人類的主要智能之一，人類的各項活動也需要學習.在人類的進化過程中,學習功能起著十分重要的作用.學習控制正是模擬人類自身各種優良的控制調節機制的一種嘗試. 所謂學習是一種過程，它通過重復輸人信號，並從外部校正該系統，從而使系統對特定輸人具有特定響應.學習控制系統是一個能在其運行過程中逐步獲得受控過程及環境的非預知信息，積累控制經驗，並在一定的評價標准下進行估值，分類，決策和不斷改善系統品質的自動控制系統。
（1）遺傳演算法學習控制
智能控制是通過計算機實現對系統的控制，因此控制技術離不開優化技術。快速、高效、全局化的優化演算法是實現智能控制的重要手段。遺傳演算法是模擬自然選擇和遺傳機制的一種搜索和優化演算法，它模擬生物界/生存競爭，優勝劣汰，適者生存的機制，利用復制、交叉、變異等遺傳操作來完成尋優。遺傳演算法作為優化搜索演算法，一方面希望在寬廣的空間內進行搜索，從而提高求得最優解的概率；另一方面又希望向著解的方向盡快縮小搜索范圍，從而提高搜索效率。如何同時提高搜索最優解的概率和效率，是遺傳演算法的一個主要研究方向。遺傳演算法作為一種非確定的擬自然隨機優化工具，具有並行計算、快速尋找全局最優解等特點，它可以和其他技術混合使用，用於智能控制的參數、結構或環境的最優控制。
（2）迭代學習控制
迭代學習控制模仿人類學習的方法、即通過多次的訓練，從經驗中學會某種技能，來達到有效控制的目的。迭代學習控制能夠通過一系列迭代過程實現對二階非線性動力學系統的跟蹤控制。整個控制結構由線性反饋控制器和前饋學習補償控制器組成，其中線性反饋控制器保證了非線性系統的穩定運行、前饋補償控制器保證了系統的跟蹤控制精度。它在執行重復運動的非線性機器人系統的控制中是相當成功的。

『伍』 智能控制演算法 智能控制演算法有哪些

這個太多了，比如專家控制，模糊控制，神經網路控制，進化計算和群體智能等優化計算方法也能跟傳統的控制方法結合使用，還有學習控制等等。每個方法里也有很多分類。建議找本書看看吧，書很多的。