基于粒子群算法的pid參數(shù)優(yōu)化-wenkub.com
2025-08-07 15:54 本頁面
【正文】 ,。plot(t,y2)。, num2str(Kd))。set_param(39。pidsim2/Gain139。,39。Ki=Result(LoopCount,2)。LoopCount=max(k,LoopCount)。)。適值曲線圖39。 Result(k,:)=OptSwarm(SwarmSize+1,:)。 disp(TempStr)。39。End一個(gè)循環(huán)n次的粒子群算法算法完整過程function [Result]=PsoProcess(SwarmSize,ParticleSize,ParticleScope,InitFunc,StepFindFunc,LoopCount)%功能描述：一個(gè)循環(huán)n次的粒子群算法算法完整過程，返回這次運(yùn)行的最優(yōu)解%[Result]=PsoProcess(SwarmSize,ParticleSize,ParticleScope,InitFunc,StepFindFunc,LoopCount)%輸入?yún)?shù)：SwarmSize:種群大小的個(gè)數(shù)%輸入?yún)?shù)：ParticleSize：一個(gè)粒子的維數(shù)%輸入?yún)?shù)：ParticleScope:一個(gè)粒子在運(yùn)算中各維的范圍；%輸入?yún)?shù):InitFunc:初始化粒子群函數(shù)%輸入?yún)?shù):StepFindFunc:單步更新速度，位置函數(shù)%輸入?yún)?shù)：LoopCount：迭代的次數(shù)%返回值：Result為經(jīng)過迭代后得到的最優(yōu)解%異常：首先保證該文件在Matlab的搜索路徑中，然后查看相關(guān)的提示信息。 ParSwarm(row,2*ParCol+1)=y1(end)。, num2str(Kd))。 set_param(39。pidsim2/Gain139。,39。 Ki=ParSwarm(row,2)。for h=1:ParCol if TempPos(:,h)ParticleScope(h,2) TempPos(:,h)=ParticleScope(h,2)。 end end %更新速度 ParSwarm(row,ParCol+1:2*ParCol)=TempV。%*****更改上面的代碼，可以更改c1,c2的變化*****%*********************************************for row=1:ParRow SubTract2=OptSwarm(ParRow+1,1:ParCol)ParSwarm(row,1:ParCol)。c2=2。%%得到粒子群群體大小以及一個(gè)粒子維數(shù)的信息[ParRow,ParCol]=size(ParSwarm)。%尋找適應(yīng)度函數(shù)值最小的解在矩陣中的位置(行數(shù))OptSwarm(1:SwarmSize,1:ParticleSize+1) =[ ParSwarm(1:SwarmSize,1:ParticleSize),ParSwarm(:,2*ParticleSize+1)]。,0:100)。Gain39。, num2str(Ki))。set_param(39。pidsim2/Gain39。end%對(duì)每一個(gè)粒子計(jì)算其適應(yīng)度函數(shù)的值 fangzhen!!!for k=1:SwarmSize Kp=ParSwarm(k,1)。%容錯(cuò)控制format long。由于作者水平有限，算法在實(shí)現(xiàn)尋優(yōu)過程中仍表現(xiàn)的不盡如人意，沒有達(dá)到理想的效果，有待以后繼續(xù)深入研究。在粒子群算法算法過程中，性能指標(biāo)ITAE不斷減小，粒子群算法不斷尋找更優(yōu)的控制參數(shù)以逼近理想最優(yōu)解，對(duì)于不穩(wěn)定的控制對(duì)象，由粒子群算法設(shè)計(jì)出的PID控制器使得Kp，Ki和Kd配置合理，很好地控制了對(duì)象，達(dá)到了預(yù)期的效果。圖1 系統(tǒng)仿真圖5 仿真取粒子個(gè)數(shù)100，迭代次數(shù)100，加速因子，收縮因子取a=，為了加快最優(yōu)解的求取，對(duì)經(jīng)驗(yàn)調(diào)試結(jié)果進(jìn)行優(yōu)化，搜索區(qū)間選取經(jīng)驗(yàn)包含經(jīng)驗(yàn)值在內(nèi)的區(qū)間：scope=[30,40,。尋找當(dāng)前種群中具有最小Q的粒子,設(shè)為第k個(gè)粒子。步驟4：計(jì)算對(duì)應(yīng)的適應(yīng)度。步驟2：粒子性能評(píng)估。而采用粒子群算法來對(duì)PID參數(shù)進(jìn)行優(yōu)化設(shè)計(jì),利用粒子群算法的全局搜索和多目標(biāo)優(yōu)化能力,可以克服常規(guī)PID參數(shù)整定方法的缺點(diǎn),獲得具有滿意性能的PID控制器。帶收縮因子粒子群算法的位置更新算式與式(4)相同。r1和r2是[0,1]之間滿足正態(tài)分布的隨機(jī)數(shù)。而每個(gè)粒子的位置記為 。在每一次迭代中,粒子通過跟蹤兩個(gè)“極值”來更新粒子在空間中的飛行速度和位置。另外微分作用有可能放大系統(tǒng)的噪聲，降低系統(tǒng)的抗干擾能力。它引進(jìn)一個(gè)早期的修正作用，有助于增加系統(tǒng)的穩(wěn)定性。積分控制通常影響
規(guī)章制度相關(guān)推薦
鄂ICP備17016276號(hào)-1