粒子群算法优化PID参数实例
Posted studyer_domi
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了粒子群算法优化PID参数实例相关的知识,希望对你有一定的参考价值。
%% 清空环境
clear all
clc
tic; %记录算法运行时间
%% 参数设置
%标准PSO算法
w = 0.6; % 惯性因子
c1 = 2; % 加速常数
c2 = 2; % 加速常数
%%经验值
% w = 0.7298; % 惯性因子
% c1 = 1.49618; % 加速常数
% c2 = 1.49618; % 加速常数
%%随机权重策略
% mean_max = 0.8; %随机权重均值最大值
% mean_min = 0.5; %随机权重均值最小值
% sigma = 0.2; %方差
%以下参数值都可以改
Dim = 3; % 维数
SwarmSize = 30; % 粒子群规模
ObjFun = @PSO_PID; % 待优化函数句柄,来自于PSO_PID.m
MaxIter = 10; % 最大迭代次数
MinFit = 0.1; % 最小适应值
Vmax = 1;
Vmin = -1;
% Ub = [300 300 300]; %变量上限
Ub = [40 1 40];
Lb = [0 0 0]; %变量下限
%% 粒子群初始化
Range = ones(SwarmSize,1)*(Ub-Lb);
Swarm = rand(SwarmSize,Dim).*Range + ones(SwarmSize,1)*Lb % 初始化粒子群
VStep = rand(SwarmSize,Dim)*(Vmax-Vmin) + Vmin % 初始化速度
fSwarm = zeros(SwarmSize,1);
for i=1:SwarmSize
fSwarm(i,:) = feval(ObjFun,Swarm(i,:)); % 粒子群的适应值
end
%% 个体极值和群体极值
[bestf, bestindex]=min(fSwarm);
zbest=Swarm(bestindex,:); % 全局最佳
gbest=Swarm; % 个体最佳
fgbest=fSwarm; % 个体最佳适应值
fzbest=bestf; % 全局最佳适应值
%% 迭代寻优
iter = 0;
y_fitness = zeros(1,MaxIter); % 预先产生4个空矩阵
K_p = zeros(1,MaxIter);
K_i = zeros(1,MaxIter);
K_d = zeros(1,MaxIter);
while( (iter < MaxIter) && (fzbest > MinFit) )
for j=1:SwarmSize
% miu = mean_min+(mean_max-mean_min)*rand;
% w = miu +sigma*randn();
% 速度更新
VStep(j,:) = w*VStep(j,:) + c1*rand*(gbest(j,:) - Swarm(j,:)) + c2*rand*(zbest - Swarm(j,:));
if VStep(j,:)>Vmax, VStep(j,:)=Vmax; end
if VStep(j,:)<Vmin, VStep(j,:)=Vmin; end
% 位置更新
Swarm(j,:)=Swarm(j,:)+VStep(j,:);
for k=1:Dim
if Swarm(j,k)>Ub(k), Swarm(j,k)=Ub(k); end
if Swarm(j,k)<Lb(k), Swarm(j,k)=Lb(k); end
end
% 适应值
fSwarm(j,:) = feval(ObjFun,Swarm(j,:));
% 个体最优更新
if fSwarm(j) < fgbest(j)
gbest(j,:) = Swarm(j,:);
fgbest(j) = fSwarm(j);
end
% 群体最优更新
if fSwarm(j) < fzbest
zbest = Swarm(j,:);
fzbest = fSwarm(j);
end
end
iter = iter+1; % 迭代次数更新
y_fitness(1,iter) = fzbest; % 为绘图做准备
K_p(1,iter) = zbest(1);
K_i(1,iter) = zbest(2);
K_d(1,iter) = zbest(3);
end
elapsed_time=toc % time taken for this algorithm
%% 绘图输出
figure(1) % 绘制性能指标ITAE的变化曲线
plot(y_fitness,'LineWidth',2)
title('ITAE fitness curve','fontsize',12);
xlabel('No of Iteration','fontsize',12);ylabel('value of fitness','fontsize',12);
set(gca,'Fontsize',12);
%下面代码读取当前电脑时间命名并自动figure(1)保存为.fig格式,在当前文件位置
h1=figure(1);
fn1=['ITAE by PSO-',datestr(clock,'yy-mm-dd-HH-MM-SS'),'.fig'];
saveas(h1,fn1);
%下面图2是Kp Ki Kd的值变化过程,可以不画不保存
figure(2) % 绘制PID控制器参数变化曲线
plot(K_p);
hold on
plot(K_i,'k','LineWidth',3);
plot(K_d,'--r');
title('Kp、Ki、Kd','fontsize',12);
xlabel('No of Iteration','fontsize',12);
ylabel('value of KpKiKd','fontsize',12);
set(gca,'Fontsize',12);
legend('Kp','Ki','Kd');
%下面代码读取当前电脑时间命名并自动figure(2)保存为.fig格式,在当前文件位置
h2=gcf;
fn2=['Kpid by PSO-',datestr(clock,'yy-mm-dd-HH-MM-SS'),'.fig'];
saveas(h2,fn2);
以上是关于粒子群算法优化PID参数实例的主要内容,如果未能解决你的问题,请参考以下文章
优化控制基于matlab粒子群算法优化PID船舶航迹控制含Matlab源码 2332期
matlab基于混合粒子群算法的TSP搜索算法matlab优化算法二十