✅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。
更多Matlab仿真内容点击👇
Matlab图像处理(进阶版)
路径规划(Matlab)
神经网络预测与分类(Matlab)
优化求解(Matlab)
语音处理(Matlab)
信号处理(Matlab)
车间调度(Matlab)
⛄一、粒子群算法优化PID简介
1 PID控制器原理
PID控制器,由比例P、积分I和微分D 3个参数所构成.作为二阶线性控制器,比例、积分和微分这3个参数可以直接影响PID控制器的控制效果.所以,通过对比例、积分和微分3个参数进行调整[3],使系统达到良好的控制特性.协调这3个参数来实现控制器目标的最优值,并引入改进粒子群算法的特性,在给定的范围内对3个参数进行优化使其能达到最为合适的值,进而使整个控制系统性能达到最优.
在控制工业中最常见到的PID控制器的工作原理为:
其中,e(t)为控制误差,即:
用传递函数表示,则为:
其中,Kp为比例系数;Ki为积分系数;Kd为微分系数.
2 标准粒子群算法
粒子群算法(PSO)是一种较为成熟的群智能算法,启发于鸟群、蜂群等觅食的场景,把生物个体当作一个个粒子,并都处在一个D维空间进行搜索,通过迭代寻找最优解,并用适应度来评价解的好坏,最后根据当前搜索到的最优解来寻找全局最优解[4,5,6].在迭代过程中,粒子群由速度和位置两部分组成,其粒子速度由惯性部分、自我认知、社会经验3部分构成.粒子群的优化方程如公式(4)和公式(5)所示.
式中小标j表示微粒的第j维;i表示微粒i;t表示迭代次数;r1、r2是相互独立的随机函数(取值范围在0-1之间).c1、c1为学习因子加速常量(取值范围在0-2之间),是调节全局最优粒子飞行方向和粒子飞行步长的关键参数,所以适当的选择学习因子对整个系统是非常关键的[7].学习因子选择过大或者过小都会导致粒子不会飞向目标区域,c1、c1的适当选择需要考虑收敛速度的同时还要考虑算法陷入局部最优,所以通常把c1、c1学习因子的值设定为2.
其算法流程图如图1所示.
图1 标准PSO算法流程图
⛄二、部分源代码
clc
clear
close all
format long
global A_D; A_D = pi/180;
rho = 1025;
L = 0.5;
Fmax=[22.05;22.05;22.05;22.05;22.05;22.05];
nu = zeros(3,1);
eta = zeros(3,1);
error = zeros(3,3);
U_tao = zeros(3,1);
position =[4.5;3;A_D*10];
givenposition = zeros(3,1);
l_x1 = -0.25;
l_x2 = -0.25;
l_x3 = 0;
l_x4 = 0;
l_x5 = 0.25;
l_x6 = 0.25;
l_y1 = 0.25;
l_y2 = -0.25;
l_y3 = 0.25;
l_y4 = -0.25;
l_y5 = 0.25;
l_y6 = -0.25;
% 系统惯性矩阵
M = zeros(3,3);
M(1,1) = 4.9592;
M(2,2) = 5.4197;
M(2,3) = 0.0252;
M(3,2) = 0.0252;
M(3,3) = 0.2099;
% 阻尼矩阵
D = zeros(3,3);
D(1,1) = 0;
D(2,2) = 0.9788;
D(2,3) = -0.0601;
D(3,2) = 0.0559;
D(3,3) = 0.0378;
B_1 = [zeros(3,3);inv(M)];
E = B_1;
B_2=[1 0 1 0 1 0 1 0 1 0 1 0;
0 1 0 1 0 1 0 1 0 1 0 1;
l_y1 l_x1 l_y2 l_x2 l_y3 l_x3 l_y4 l_x4 l_y5 l_x5 l_y6 l_x6];
B = B_1*B_2;
C = [eye(3,3),zeros(3,3)];
A = [zeros(3,3),eye(3,3);zeros(3,3),-inv(M)*D];
h = 0.8;
j = 500;
⛄三、运行结果
⛄四、matlab版本及参考文献
1 matlab版本
2014a
2 参考文献
[1]董如意,唐玉玉,桑可可.基于改进粒子群算法的PID控制器参数整定优化[J].吉林化工学院学报. 2022,39(07)
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