【正文】 i1) 。 end Kpid(s,2)=(MaxX(2)MinX(2))*y1/1023+MinX(2)。 m3=m(Codel+1:1:2*Codel) for i=1:1:Codel y3=y3+m3(i)*2^(i1) 。 end Kpid(s,3)=(MaxX(3)MinX(3))*y1/1023+MinX(3)。 %****************** Step 1:Evaluate BestJ ********* Kpidi=Kpid(s,:)。 [Kpidi, BsJ]=chap5_2f(Kpidi,BsJ)。 BsJi(i)=BsJ。 End [OderJi,IndexJi]=sort(BsJi)。 BestJ(kg)=OderJi(1)。 BJ=BestJ(kg)。 Ji=BsJi+1e10。 %Avoiding deviding zero fi=1./Ji。 % Cm=max(Ji)。 % fi=CmJi。 [OderJi,IndexJi]=sort(fi)。 %Arranging fi small to bigger Bestfi=Oderfi(Size)。 BestfS=Kpid(Indexfi(size),:)。 %Let BestS=E(m),mis the Indexfi belong to max(fi) Kg BJ Bests %************* step 2: select and Reproduct Operation ***** fi_sum=sum(fi)。 fi_reSize=(Oderfi/fi_sum)*Size。 fi_S=floor(fi_Size)。 kk=1。 for i=1:1:Size % Select the Sizeth and Reproduce firstly for j=1:1:fi_S(i) TempE(kk,:)=E(Indexfi(i),:)。 % Select and Reproduce kk=kk+1。 end end %************* Step 3 : Crossover Operation ********* Pc=。 n=ceil(20*rand)。 for i=1:2:(Size1) temp=rand。 if Pctemp % Crossover Condition for j=n:1:20 TempE(i,j)=E(i+1, j) 。 TempE(i+1,j)=E (i, j) 。 end end TempE(Size.:) =BestS。 E=TempE。 %***************** Step 4: Mutation Operation ********** Pm= Pm=[1:1:Size]*()/Size。 %Bigger fi, smaller Pm for i=1:1:Size for j=1:1:2*Codel temp=rand。 if Pmtemp % Mutation Condition if TempE(i, j)==0 TempE(i, j)=1。 else TempE(i, j)=0。 end end end end % Guarantee TempE(Size,:) belong to the best individual TempE(Size,:) =BestS。 E=TempE。 %**************************** Bestfi BestS Best_J=BestJ(G) Figure(1)。 Plot(time, BestJ) 。 Xlabel(‘times’) 。 ylabel (‘Best J’) 。 figure(2)。 plot(time , rin , ‘r’ ,timef , yout , ‘b’ ) 。 xlabel (‘ Time(s) ’) 。 ylabel( ‘rin , yout’ )。 子程序： function [Kpidi , BsJ]=pid_gaf(Kpidi , BsJ) global rin yout timef ts=。 sys =tf(400, [1, 50, 0] ) 。 days=c2d(sys, ts , ‘z’) 。 [num , den] =tfdata(days , ‘v’) 。 rin= 。 u_1= 。 u_2= 。 y_1= 。 y_2= 。 x=[0 , 0 , 0] 。 B=0 。 P=100 。 for k=1:1:P time(k)=k*ts 。 r(k)=rin 。 u(k)=Kpidi(1)*x(1)+Kpidi(2)*x(2)+Kpidi(3)*x(3) 。 if u(k)=10 u(k)= 10。 end if u(k)=10 u(k)=10。 end yout(k)=den(2)*y_1den(3)*y_2+num(2)*u_1+num(3)*u_2。 error(k)= r(k)yout(k) 。 %************* Return of PID parameters************* u_2=u_1 。 u_1=u(k)。 y_2=y_1 。 y_1=yout(k) 。 x(1)=error(k) 。 x(2)=(error(k)error_1)/ts。 x(3)=x(3)+error(k)*ts。 error_2=error_1。 error_1=error(k)。 if s==0 if yout(k)amp。yout(k) tu=time(k) 。 s=1 。 end end end for i=1:1:P Ji(i)=*abs(error(i)) +*u(i)^2*。 B=B+Ji(i)。 if i1 erry(i) =yout(i)yout(i1) 。 if erry(i)0 B=B+100*abs(erry(i)) 。 end end end BsJ=B+*tu*10。 引言 ................................................................................................................................. 1 第一章：遺傳算法和 PID控制原理簡介 ............................................................................ 2 一 遺傳算法簡介 ......................................................................................................... 2 ................................................................................................................ 2 遺傳算法的特點 ..................................................................................................... 3 .............................................................................................. 5 選擇 .................................................................................................................. 5 復(fù)制 .................................................................................................................. 5 變異 .................................................................................................................. 6 二 PID控制原理 .......................................................................................................... 6 第二章 基于遺傳算法的 PID 參數(shù)尋優(yōu)過程 ...................................................................... 8 解的編碼和解碼 ...................................................................................................... 8 初始種群的選取及其大小 ....................