【PD控制】灰狼算法分数阶优化PD滑模控制器【含Matlab源码 2006期】

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅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：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。

⛄更多Matlab优化求解仿真内容点击👇
Matlab优化求解（仿真科研站版）

⛄一、灰狼算法优化分数阶模糊控制器参数简介

1 分数阶模糊控制系统数学模型
分数阶控制系统的特征是微分方程，在动力系统或控制算法中，分数阶通常用微分或积分模型表示。

1.1 分数阶微积分
分数阶积分是对整数阶基本算子积分与微分的推广。微积分操作算子通常被定义为aDαt,将分数阶导数和分数阶积分定义为:

式中：a和t表示操作算子的上下限；α表示分数阶阶次且α∈R;τ表示切向单位向量。最常用的分数阶微积分定义是Riemann-Liouvile(RL)和Grunwald-Letnikou(GL)。分数阶微分阶α被定义如下：

式中：Dαtf(t)表示分数阶导数。

在分数阶导数的数值计算中，α阶导数在kh(k=1,2,…)点，具体表示如下:

然后，分数阶差分方程的一般数值解被定义如下：

1.2 分数阶近似值算子
假设初始条件为零，分数算子在拉普拉斯域中定义为L(aDαtf(t))=sαF(s),其中sα为离散化微积分算子。Grunwald-Letnikov 近似值因其产生离散性质的等式值而被人们广泛使用。在这种方法下，离散化考虑以下模型：

式中：hα(k)是脉冲序列；Tc表示采样频率。已经证明了有理式模型比多项式模型具有更快的收敛速度。因此采用Pade近似的方法，利用文中给出的定义，从脉冲响应中得到分数阶模型，具体模型表示为：

式中：m、n与参数ai、bi是通过调节hα(k)的系数m+n+1得到。

2 模糊控制器
模糊控制器是模拟专家的经验，并用语言形成严格的控制规则，然后通过控制规则控制其计算，实现目标任务。模糊控制器的一个重要的特性是将控制方案划分为多个区域。在每个区域，控制策略都可以通过使用一个规则来简单地建模，该规则将特定的操作按照所形成的区域关联起来。在所列出的文献中，尽管提出了几种模糊控制器模型配置，但是本文选取模糊分数阶PDα+I模型结构，因为此结构具有较好的稳定性与鲁棒性。

控制器配置如图1所示。其中：E、DE和IE分别代表误差、偏导误差和积分误差；e表示偏差值；v表示模糊输出量；Kp、Kd、Ki、Ku为增益值，前三项表示输入项，后一项为输出项。控制函数u是E、DE和IE的非线性映射函数，表示如下：

图1 模糊PDα+I控制器

3 GWO
灰狼优化算法是新型的群智能优化算法[14],该算法的灵感来源于灰狼群落的领导、指挥与狩猎行为。在该算法中，灰狼群被划分为四组，分别为α、β、δ、ω,前三种类型是作为领导阶层，ω是最底层灰狼种群，追随前3种种群。α、β、δ灰狼种群的更新公式如下：

D=|C·Xp(t)-X(t)| (9)
X(t+1)=Xp(t)-A·D (10)
A=2a·r1-a (11)
C=2·r2 (12)
式中：D表示灰狼与猎物之间的位置距离向量；t表示当前的迭代时间； A、C是向量系数；Xp是猎物的位置向量；X是灰狼的位置向量；a是步长因子，随着迭代次数的增加由2降到0;r1、r2取[0,1]间的均匀随机值。

在GWO中，认定α、β、δ为捕食猎物的最好的值，在优化的过程中，α、β、δ被认为是最好的解，其他灰狼为ω,不断更新位置朝向α、β、δ种群。根据以下数学模型，调整ω狼群的位置：
Dα=|C1·Xα-X| (13)
Dβ=|C2·Xβ-X| (14)
Dδ=|C3·Xδ-X| (15)
式中：Xα表示α灰狼的位置；Xβ表示β的位置；Xδ表示δ灰狼的位置；C1、C2、C3 是随机值；X表示当前解决方案位置。用式(13)、式(14)和式(15)分别计算当前解位置与α、β、δ灰狼位置之间的距离。定义距离之后，当前解的最终位置计算如下：
X1=Xα-A1·(Dα) (16)
X2=Xβ-A2·(Dβ) (17)
X3=Xδ-A3·(Dδ) (18)

式(13)-式(15)定义了ω灰狼步长分别朝向α、β、δ灰狼位置。式(16)-式(19)定义了ω灰狼最终的位置。A、C这两个向量是随机值，能够有效平衡GWO勘探与开采能力。

Mirjalili 等[14]提出的GWO相比于其他著名的元启发式算法具有很高的性能。该算法具有很强的探测能力，而且能够避免局部最优。此外，较强的平衡勘探与开采能力能够有效解决一些复杂的工程问题。因此应用GWO优化模糊控制器参数问题。

4 用GWO对分数阶模糊控制器参数优化
在分数阶模糊控制系统的设计阶段，将参数计算过程转化为一个多维优化问题，将分数阶模糊控制器参数作为决策变量。在这种方法中，优化问题的复杂性往往产生多模态误差曲面，其代价函数往往难以最小化。提出一种分数阶模糊控制系统参数优化标定算法，采用GWO确定最优的参数值，如图2所示。

图2 基于GWO优化模糊控制器的参数问题
在GWO求解模糊控制器参数问题中，GWO中的最优解表示分数阶模糊控制器的一组最优的参数。分数模糊控制器参数(α,Kp,Kd,Ki,Ku)确定GWO候选解的维度。GWO的生物空间对应分数模糊控制器参数整定的解空间。另外，GWO的评价函数是分数模糊控制器的积分时间绝对误差(ITAE)[25]。ITAE指标J由以下模型定义：
J(α,Kp,Kd,Ki,Ku)=∫∞0t|r(t)-y(t)| (20)
式中：y(t)表示闭环阶跃响应函数；r(t)表示阶跃函数。
最小化目标函数为：
J(X) X=(α,Kp,Kd,Ki,Ku)∈R5 (21)

约束函数为：
0≤α≤3
0≤Kp≤5
0≤Kd≤5
0≤Ku≤5

控制器的参数值对控制器的性能具有较高的影响。例如，比例系数Kp值增加时，系统会变得敏感，响应速度更快，系统的稳态误差得以减小，从而使控制的精度提高。GWO优化的过程是通过连续计算ITAE值来评价该参数的质量，根据GWO的优化规则，通过连续迭代求出ITAE的最小值，从而得到一组分数阶模糊控制器的控制参数。

⛄二、部分源代码

clear all
clc
close all
tic
%%Initilization
x0=[-pi pi 0 0 0 0];
Ts=[0 5]; %time span
%%Robot Specifications
L1=1; %link 1
L2=1; %link 2
M1=1; %mass 1
M2=1; %mass 2
%
%
% Ks=10;
% gama=9;
% alpha=4;
% beta=3;
% miu=1.5;
% % PID parameters for theta 1
% Kp1=38;
% Kd1=6;
% % PID parameters for theta 2
% Kp2=38;
% Kd2=6;

lb=[30 4 30 4 8 0 0 0 0];
ub=[51 12 51 12 20 14 8 5 3];
dim=9;

SearchAgents_no=5; % Number of search agents
Max_iteration=1; % Maximum numbef of iterations

[Best_score,Best_pos,GWO_cg_curve]=GWOr(SearchAgents_no,Max_iteration,lb,ub,dim);

Kpd=Best_pos
[T,X] = ode45(@(t,x) r2dof(t,x,Kpd),Ts,x0);

qd1=sin(4.17T);
qdot_r1=4.17cos(4.17T);
qdot2_r1=-4.174.17sin(4.17T);
qd2=1.2sin(5.11T);
qdot_r2=1.25.11cos(5.11T);
qdot2_r2=-1.25.115.11sin(5.11*T);
%%Output
th1=X(:,1); %theta1 wavwform
th2=X(:,2); %theta2 wavwform
th3=X(:,3);
th4=X(:,4);
th5=X(:,5);
th6=X(:,6);
%torque inputs computation from the 7th,8th states inside ODE
% F1=diff(X(:,5))./diff(T);
% F2=diff(X(:,6))./diff(T);
x1=L1.*sin(th1); % X1
y1=L1.*cos(th1); % Y1
x2=L1.*sin(th1)+L2.*sin(th1+th2); % X2
y2=L1.*cos(th1)+L2.*cos(th1+th2); % Y2

% Positions
GWO_cg_curve

toc

%theta1 error plot
figure(1)
hold on
plot(T,th1-qd1,‘r’)
legend(‘NCFOPDSMC’)
ylabel(‘Position tracking error of theta1’)
xlabel(‘time (sec)’)
hold off

%theta2 error plot
figure(2)
hold on
plot(T,th2-qd2,‘r’)
legend(‘NCFOPDSMC’)
ylabel(‘Position tracking error of theta2’)
xlabel(‘time (sec)’)
hold off

figure(3)
hold on
plot(T,th1,‘r’)
legend(‘qd1’,‘FOPD’,‘FSMC’,‘NCFOPDSMC’)
ylabel(‘Position tracking of theta1’)
xlabel(‘time (sec)’)
hold off

figure(4)
hold on
plot(T,th2,‘r’)
legend(‘qd2’,‘FOPD’,‘FSMC’,‘NCFOPDSMC’)
ylabel(‘Position tracking of theta2’)
xlabel(‘time (sec)’)
hold off

figure(5)
hold on
plot(T,th5,‘r’)
legend(‘FOPD’,‘FSMC’,‘NCFOPDSMC’)
ylabel(‘Control input1 (N.m)’)
xlabel(‘time (sec)’)
hold off

figure(6)
hold on
plot(T,th6,‘r’)
legend(‘FOPD’,‘FSMC’,‘NCFOPDSMC’)
ylabel(‘Control input2 (N.m)’)
xlabel(‘time (sec)’)
hold off

figure(7)
hold on
plot(T,th3,‘r’)
legend(‘FOPD’,‘FSMC’,‘NCFOPDSMC’)
ylabel(‘Velocity of theta1’)
xlabel(‘time (sec)’)
hold off

figure(8)
hold on
plot(T,th4,‘r’)
legend(‘FOPD’,‘FSMC’,‘NCFOPDSMC’)
ylabel(‘Velocity of theta2’)
xlabel(‘time (sec)’)
hold off

figure (9)
plot(GWO_cg_curve)
% close all

⛄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] 范鲁娜.灰狼算法优化分数阶模糊控制器参数[J].计算机应用与软件. 2021,38(10)

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
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

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