THGS-PID水肥一体化控制系统

吉林大学学报(理学版) ›› 2025, Vol. 63 ›› Issue (2): 567-0572.

THGS-PID水肥一体化控制系统

关路^1,2, 李健¹, 苏海涛³, 祝天业¹，于维霖¹

1. 吉林农业大学信息技术学院, 长春 130118； 2. 长春理工大学经济管理学院, 长春 130022；3. 长岭县农业农村局, 吉林松原 131559

收稿日期:2024-01-02 出版日期:2025-03-26 发布日期:2025-03-26
通讯作者: 李健 E-mail:liemperor@163.com

THGS-PID Integrated Water and Fertilizer Control System

GUAN Lu^1,2, LI Jian¹, SU Haitao³, ZHU Tianye¹, YU Weilin¹

1. College of Information Technology， Jilin Agricultural University, Changchun 130118, China; 2. School of Economics and Management， Changchun University of Science and Technology, Changchun 130022, China; 3. Agricultural and Rural Bureau of Changling County, Songyuan 131559, Jilin Province, China

Received:2024-01-02 Online:2025-03-26 Published:2025-03-26

摘要/Abstract

摘要： 首先，针对传统比例-积分-微分(PID)控制系统中存在的调节时间长、时延、滞后等问题，提出使用改进的饥饿游戏搜索（THGS）算法优化传统PID控制器的参数. 其次，利用作物生长模型、土壤水分传输模型和土壤肥料传输模型进行仿真实验. 结果表明, THGS算法优化的PID控制器在调节时间和起调量方面均优于其他控制器, 有效提升了控制系统的性能.

关键词: 人工智能, 饥饿游戏搜索算法, PID控制器, 参数优化

Abstract: Firstly, aiming at the problems of long adjustment time, delay and hysteresis in the traditional proportional integral derivative (PID) control system, we proposed using the improved hunger games search (THGS) algorithm to optimize the parameters of the traditional PID controller. Simulation experiments were carried out by using crop growth model, soil moisture transport model and soil fertilizer transport model. The results show that the PID controller optimized by THGS algorithms is superior to other controllers in terms of adjustment time and starting amount, which effectively improves the performance of the control system.

Key words: artificial intelligence, hunger game search algorithm, PID controller, parameter optimization

中图分类号:

TP399

关路, 李健, 苏海涛, 祝天业, 于维霖. THGS-PID水肥一体化控制系统[J]. 吉林大学学报(理学版), 2025, 63(2): 567-0572.

GUAN Lu, LI Jian, SU Haitao, ZHU Tianye, YU Weilin. THGS-PID Integrated Water and Fertilizer Control System[J]. Journal of Jilin University Science Edition, 2025, 63(2): 567-0572.

[1]	费敏学, 黄东岩, 郭晓新. 改进蜣螂算法优化机器学习模型[J]. 吉林大学学报(理学版), 2025, 63(4): 1117-1121.
[2]	费敏学, 黄东岩, 卢祎琳, 乔建磊. 集成多种改进方法的增强灰狼优化算法[J]. 吉林大学学报(理学版), 2025, 63(3): 829-0834.
[3]	李健, 王海瑞, 王增辉, 付海涛, 于维霖. 改进SHO优化神经网络模型[J]. 吉林大学学报(理学版), 2025, 63(3): 835-0844.
[4]	付海涛, 张智勇, 王增辉, 金晨磊. 改进SHO算法优化随机森林模型[J]. 吉林大学学报(理学版), 2025, 63(3): 861-0866.
[5]	董飒, 欧阳若川, 徐海啸, 刘杰, 刘大有, 李婷婷, 王鑫禄. 引入激活扩散的类分布关系近邻分类器[J]. 吉林大学学报(理学版), 2024, 62(4): 915-922.
[6]	张博, 向旭, 贾俊龙, 张学洪, 李春奇, 彭君. 基于LightGBM的天然气管道周围滑坡灾害预测方法[J]. 吉林大学学报(理学版), 2023, 61(2): 338-346.
[7]	吴致远, 齐红, 姜宇, 崔楚朋, 杨宗敏, 薛欣慧. 特征图自适应知识蒸馏模型[J]. 吉林大学学报(理学版), 2022, 60(4): 881-888.
[8]	曾宏志, 史洪松. 半监督技术和主动学习相结合的网络入侵检测方法[J]. 吉林大学学报(理学版), 2021, 59(4): 936-942.
[9]	王婷婷, 王宏志, 刘清雪, 胡黄水, 王出航. 遗传算法优化的无刷直流电机模糊PID控制器设计[J]. 吉林大学学报(理学版), 2020, 58(6): 1421-1428.
[10]	唐伎玲, 赵宏伟, 王婷婷, 胡黄水. LQR优化的BP神经网络PID控制器设计[J]. 吉林大学学报(理学版), 2020, 58(3): 651-658.
[11]	徐中宇, 苏明玉, 姚庆安. 基于改进PSO算法的混合核SVM算法[J]. 吉林大学学报(理学版), 2018, 56(3): 625-630.
[12]	杜江珊, 李占山. 基于减少检索的负表约束优化算法[J]. 吉林大学学报(理学版), 2018, 56(2): 335-339.
[13]	刘颖, 贺聪, 张清芳. 基于核相关分析算法的情感识别模型[J]. 吉林大学学报(理学版), 2017, 55(06): 1539-1544.
[14]	王多民, 刘淑芬. 一种使用log函数的新型修正激活单元LogReLU[J]. 吉林大学学报(理学版), 2017, 55(03): 617-622.
[15]	吕巍, 张舒娟. 结合Separator的约束满足问题树分解方法[J]. 吉林大学学报(理学版), 2016, 54(02): 291-296.