【优化控制】粒子群算法优化PID船舶航迹控制【含Matlab源码 2332期】

✅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