【PID优化】粒子群算法优化BP神经网络PID控制【含Matlab源码 2457期】

最新推荐文章于 2024-06-02 10:02:01 发布

Matlab武动乾坤

最新推荐文章于 2024-06-02 10:02:01 发布

阅读量616

点赞数

分类专栏： Matlab优化求解（进阶版）文章标签： matlab

本文链接：https://blog.csdn.net/KeepingMatlab/article/details/134849367

版权

Matlab优化求解（进阶版）专栏收录该内容

240 篇文章 12 订阅

订阅专栏

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

⛄一、粒子群算法优化BP神经网络PID控制简介

BP神经网络PID控制算法
传统PID控制器作为一种线性控制器，具备结构，容易实现的优点，其基本原理是将系统的实际输出值和期望输出值之间的偏差按照比例、积分和微分的形式进行线性组合，构成控制量，实现对目标的反馈控制，控制性能取决于P、I、D 3个参数，然而由于传统PID的控制参数需要根据经验预先设置且不能在线实时调整，因此在面对非平稳时变系统时存在稳定性差、控制精度不理想等问题。

BP神经网络是目前应用最为广泛的一种神经网络模型，作为一种多层前向反馈神经网络，具备并行计算和自适应学习能力，理论上能够以任意精度逼近于非线性函数，因此该文将BP神经网络与传统PID控制器相结合，利用BP神经网络对P、I、D3个参数进行自适应在线调整，从而提高PID系统面对非平稳非线性系统时的稳定性和控制精度。

1 BP神经网络结构
该文采用如图1所示的4-5-3三层BP神经网络结构，图中j、i和l分别对应输入层神经元、中间层神经元和输出层神经元。其中输入层神经元为系统实际输出值、期望输出值、系统偏差和控制量4个变量，输出层神经元为PID控制器的3个参数kP、kI和kD，将中间层神经元个数设置为5。
在这里插入图片描述
图1 所用三层BP神经网络结构

2 BP-PID控制器
将BP神经网络和PID控制相结合组成的BP-PID控制器结构如图2所示，可以看出其基本思路是将BP神经网络加入到PID控制过程中，根据当前系统的运行状态，利用BP网络的自适应学习能力，实现对PID系统kP、kI和kD3个参数的实时在线调整，然后通过传统PID完成对系统的闭环控制。
在这里插入图片描述
图2 BP-PID控制原理图
根据BP神经网络的输入变量xj，利用Sigmoid函数f ()·可以得到其中间层节点的输入neti(2)(k)和输出Oi(2)(k)为：

其中，wli(3)为中间层神经元和输出层神经元之间的加权系数，函数h(x)为非负的Sigmoid函数，其具体形式为：
在这里插入图片描述
系统实际输出与预期输出之间的偏差为e(k)=Oi-xj，则采用增量式PID控制算法可以计算得到PID控制量的值u(k)，对其进行离散化得到的结果如式（4）所示：

其中，TI和TD分别为积分和微分时间参数。进一步可以得到PID的控制增量，如式（5）所示：
在这里插入图片描述
定义BP-PID的性能指标函数为：

利用梯度下降法对式（6）进行求解，可得模型参数的更新公式，如式（7）所示：

⛄二、部分源代码

%% 清空环境变量
clc
clear

%% 粒子初始化
%粒子群算法中的两个参数
c1=1.49445;
c2=1.49445;
%最大最小权值
wmax=0.9;
wmin=0.1;
%最大最小速度
Vmax=0.03;
Vmin=-0.03;
%最大最小个体
popmax=0.3;
popmin=-0.3;

maxgen=50; % 进化次数
sizepop=20; %种群规模

%随机产生一个种群
for i=1:sizepop
pop(i,:)=0.03rand(1,45); %个体编码
fitness(i)=fun(pop(i,:)); %染色体的适应度
V(i,:)=0.003rands(1,45); %初始化速度
end

%% 初始种群极值
%找最好的染色体
[bestfitness bestindex]=min(fitness);
zbest=pop(bestindex,:); %全局最佳
gbest=pop; %个体最佳
fitnessgbest=fitness; %个体最佳适应度值
fitnesszbest=bestfitness; %全局最佳适应度值

%% 迭代寻优
for i=1:maxgen
i;
for j=1:sizepop

    w=(wmax-wmin)*(i-1)/(maxgen)+wmin;   %权值线性变化
    V(j,:)=w*V(j,:) + c1*rand*(gbest(j,:) - pop(j,:)) + c2*rand*(zbest - pop(j,:));   %速度更新
    V(j,find(V(j,:)>Vmax))=Vmax;   %小于最大速度
    V(j,find(V(j,:)<Vmin))=Vmin;   %大于最小速度
    %种群更新
    pop(j,:)=pop(j,:)+0.5*V(j,:);
    for k=1:45
        if rand>0.95
            pop(j,k)=0.3*rand;   %自适应变异
        end
    end
    pop(j,find(pop(j,:)>popmax))=popmax;       %小于个体最大值
    pop(j,find(pop(j,:)<popmin))=popmin;       %大于个体最小值

    %适应度值
    fitness(j)=fun(pop(j,:));
end

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 包子阳,余继周,杨杉.智能优化算法及其MATLAB实例（第2版）[M].电子工业出版社，2016.

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流人群疏散病毒扩散晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合