【控制仿真】模糊自适应PID智能倒车控制仿真【含Matlab源码 3305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、模糊自适应PID智能倒车控制仿真简介

1 模糊自适应
模糊自适应是指在模糊控制中，根据系统的实时反馈信息，自适应地调整模糊控制器的参数，以达到更好的控制效果。模糊自适应控制可以克服传统PID控制器参数无法实时调整的缺点，提高控制系统的鲁棒性和适应性。在模糊自适应控制中，模糊控制器的参数可以根据系统的实时反馈信息进行在线调整，以适应不同的工作条件和控制要求。

2 模糊自适应步骤
模糊自适应PID算法的步骤如下：
（1）确定被控对象的数学模型，并进行离散化处理。
（2）设计模糊控制器，包括输入、输出、模糊化、规则库和解模糊化等部分。
（3）设计PID控制器，包括比例、积分、微分三个部分。
（4）将模糊控制器和PID控制器结合起来，形成模糊自适应PID控制器。
（5）进行系统仿真，调整模糊规则和PID参数，使系统达到最优控制效果。
（6）在实际控制中，根据被控对象的实时状态，不断地调整模糊规则和PID参数，以保持系统的稳定性和鲁棒性。

3 模糊自适应PID智能倒车控制仿真
模糊自适应PID智能倒车控制是一种利用模糊自适应PID技术与经典PID技术相结合的车辆转向控制，以及利用模糊PID控制进行车辆速度控制的方法。该方法通过对车辆反馈的车辆位姿等信息做偏差处理，并通过比例、积分、微分进行线性组合构成控制量，从而对被控对象进行控制。该方法的优点是无需建立精确模型，算法简单易实现，但其参数调整比较困难。因此，许多学者将现代智能化算法如模糊控制、神经网络控制等算法与PID算法进行结合，简化了控制器参数调整过程。

⛄二、部分源代码

clc;
clear;
close all;
l = 38;%汽车长
w = 25; %汽车宽
Ts =0.55; %采样时间间隔 - second
N=2000; % 最大循环次数
fuzzyfis=readfis(‘boche.fis’);
fuzzyfis1=readfis(‘vp.fis’);

%汽车车身起始位置
x(1) =-10; %汽车起点的x坐标
y(1) =30; %汽车起点的y坐标
phi(1) =-10; %汽车车身起始倾角
v(1)=10;
b=0;
phir(1)=54;

figure;
pause(1);
for i=1:1:N-1
pause(0.1);
if y(i) >= 80
b=3;
end
if phi(i) >= 55
phir(i)=54;
end
yr(i)=y(i)-b;
inputcanshu=[x(i),yr(i),phi(i)];
outputcanshu=evalfis(inputcanshu,fuzzyfis);
theta(i)=outputcanshu;
x(i+1)=x(i)+v(i)Tscos(phi(i)pi/180)cos(theta(i)pi/180);
y(i+1)=y(i)+v(i)Tssin(phi(i)pi/180)cos(theta(i)pi/180);
phi(i+1)=phi(i)-(v(i)Ts300/l)sin(theta(i)pi/180);
z(i)=x(i)+y(i)+10;
phi1(i)=abs(phi(i));
inputvc=[z(i),phi1(i)];
v(i+1)=evalfis(inputvc,fuzzyfis1);
if x(i+1) >= 100 || y(i+1) >= 90 %如果超出模糊逻辑控制器的输入范围，则停止
break;
end
x0 = x(i) + w/2sind(phi(i)); %左前角x坐标
y0 = y(i) - w/2cosd(phi(i)); %左前角y坐标
x1 = x(i) - w/2sind(phi(i)); %右前角x坐标
y1 = y(i) + w/2cosd(phi(i)); %右前角y坐标
p = x(i) - lcosd(phi(i));
q = y(i) - lsind(phi(i));
x2 = p + w/2sind(phi(i)); %左后角x坐标
y2 = q - w/2cosd(phi(i)); %左后角y坐标
x3 = p - w/2sind(phi(i)); %右后角x坐标
y3 = q + w/2cosd(phi(i)); %右后角y坐标

%画汽车后轴中心
plot (x(i), y(i), 'rs');
axis([-50 120 -10 100]);
xlabel('x - cm');ylabel('y - cm');
hold on
grid on;
plottools('off');

%画车位示意图
h1 = line([-50 40], [60 60]);
h2 = line([40 40], [60 95]);
h3 = line([40 110], [95 95]);
h4 = line([110 110], [60 95]);
h5 = line([110 120], [60 60]);
set(h1, 'linewidth', 5, 'color', 'r');
set(h2, 'linewidth', 5, 'color', 'r');
set(h3, 'linewidth', 5, 'color', 'r');
set(h4, 'linewidth', 5, 'color', 'r');
set(h5, 'linewidth', 5, 'color', 'r');
r1 = line([-15 30], [65 65]);
r2 = line([-15 -15], [65 90]);
r3 = line([-15 30], [90 90]);
r4 = line([30 30], [65 90]);
set(r1, 'linewidth', 5, 'color', 'b');
set(r2, 'linewidth', 5, 'color', 'b');
set(r3, 'linewidth', 5, 'color', 'b');
set(r4, 'linewidth', 5, 'color', 'b');

⛄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] 刘婵,朱永川,白园,何健辉.基于flocking的多智能体群集与避障算法研究与仿真[J].通信技术. 2019,52(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