PID搜索算法(PSA)-SCI一区新算法-公式原理详解与性能测评 Matlab代码免费获取

        声明：文章是从本人公众号中复制而来，因此，想最新最快了解各类智能优化算法及其改进的朋友，可关注我的公众号：强盛机器学习，不定期会有很多免费代码分享~ 

目录

原理简介

一、种群初始化

二、PID控制增量

（1）计算系统偏差

（2）PID调节

算法流程图和伪代码

性能测评

参考文献

完整代码

---

        PID搜索优化算法(PID-based search algorithm, PSA)是一种新型的元启发式算法（智能优化算法），灵感来源于增量PID算法，该算法通过连续调整系统偏差将整个种群收敛到最优状态。该成果由Yuansheng Gao等人于2023年12月发表在SCI人工智能一区顶刊《Expert Systems With Applications》上。

        由于发表时间较短，谷歌学术上仅被引用两次！你先用，你就是创新！

原理简介

        灵感：增量PID控制使当前时刻的控制量与前一时刻的控制量差，差就是新的控制量，这是一种递归算法。增量PID控制是一种比例积分微分控制，其调节过程如下图所示。用户设定目标值后，增量PID控制器将输出值提供给执行器，执行器根据输出值调节受控对象。调节后受控对象的实际值由传感器获取，并再次传递给增量PID控制器。

一、种群初始化

        优化问题由一组决策变量、约束条件和目标函数组成。可以假设该组中的决策变量的数量为d，并且变量的上界和下界分别为u和l。PSA的控制参数包括最大迭代次数T和种群大小n。然后初始种群可以表示为：

        其中xij表示第i个个体的第j个维度；uj和lj分别是第j个变量（维度）的上界和下界；r1是从0到1的随机数。

二、PID控制增量

（1）计算系统偏差

        对于最小化问题，迭代次数t处的最佳个体x*（t）是对应于总体历史最小值的个体。多次迭代t的总体偏差ek（t）为

        为了便于计算和迭代更新，当迭代次数为t时，前一次迭代的总体的偏差分别用ek-1（t）表示，前两次迭代的整体的偏差分别由ek-2（t）来表示。那么当t=1时，使ek-2（t）=ek-1（t）=ek（t）是值得的。当t>1时，ek-2（t）=ek-1（t-1）。在PID算法中，当t>1时，ek-1应等于用户设置值与系统中上一时刻的真实值之间的偏差。在PSA中，用户设置的值是最佳值，但每次迭代后的最佳值并不总是相同的；因此，在所提出的PSA中，ek-1（t）不能简单地等于ek（t-1）。如下图所示，ek-1（t）应等于x*（t）-x（t-1），但这也意味着存储x（t-1）。为了尽可能降低算法的空间复杂度，为了尽可能降低算法的空间复杂度，最好将ek（t-1）+x*（t）-x*（t-1）代替x*（t）-x（t-1）作为最终的ek-1（t）。

        因此，ek-1（t）可以表示为：

（2）PID调节

        在现实问题中，比例、积分和微分因子会根据不同的情况和问题进行调整。则当迭代次数为t时，PID调节的输出值Δu（t）为

        其中r2、r3和r4是n行1列中从0到1的随机数的矢量；Kp、Ki和Kd分别是比例、积分和微分的调整系数，在本文中分别设置为1、0.5和1.2。

        在传统的PID算法中，输出调节值为0意味着实际值在某个点上已经达到用户的设定值。但是，随着时间的增加，如果不调整受控对象，则真实值很快将不等于设定值。因此，为了防止这种现象，通常在原始调节值上添加一个常数。所有解都非常接近最佳解，这对PSA来说是不好的，尤其是在早期迭代中，这种现象可能导致算法陷入局部最优。因此，在原来的Δu（t）上，本文还增加了一个称为零输出的条件因子，以防止算法陷入局部最优。零输出在下式中定义：

        其中r5是n行和d列中从0到1的随机数的矢量；λ是在下式中计算的调整系数：

        λ随t的变化如图4所示。可以看出，λ随着t的增加而缓慢减小，这有助于算法充分探索。在后期，λ迅速下降，这有助于算法从探索转向开发。

        方程中的L是一个莱维飞行函数，定义为：

        其中u和v分别是服从标准正态分布的n行和d列随机数的矩阵；β是一个设置为1.5的因子。

        所有个体的更新都与Δu（t）和o（t）有关。种群更新公式定义为：

        其中η是n行1列的矩阵，表示为：

        其中r6是n行1列中的0到1个随机数的矩阵。

算法流程图和伪代码

        为了使大家更好地理解，这边给出算法流程和伪代码，非常清晰！

        如果实在看不懂，不用担心，可以看下代码，再结合上文公式理解就一目了然了！

性能测评

        原文作者以CEC2017的基准测试函数和六个约束问题。通过与近年来提出的七种元启发式算法的比较，验证了PSA的优化性能。

        这边为了方便大家对比与理解，采用23个标准测试函数，即CEC2005，并与经典的粒子群算法PSO进行对比！这边展示其中5个测试函数的图，其余十几个测试函数大家可以自行切换尝试！

        可以看到，PSA的效果还是非常不错的！在大部分函数上都超过了PSO算法，收敛速度也非常快，大家应用到各类预测、优化问题中是一个不错的选择~

参考文献

        [1]Gao Y. PID-based search algorithm: A novel metaheuristic algorithm based on PID algorithm[J]. Expert Systems with Applications, 2023: 120886.

完整代码

        如果需要免费获得图中的完整测试代码，只需点击下方小卡片，后台回复关键字：

PSA

        也可点击小卡片，后台回复个人需求（比如PSA-BiGRU）定制PID搜索算法PSA优化模型（看到秒回）：

        1.回归/时序/分类预测类：SVM、LSSVM、ELM、KELM、HKELM、DELM、RELM、DHKELM、RF、LSTM、BiLSTM、GRU、BiGRU、PNN、CNN、BP、XGBoost、TCN、BiTCN、ESN等等均可~

        2.组合预测类：CNN/TCN/BiTCN/DBN/Adaboost结合SVM/RVM/ELM/LSTM/BiLSTM/GRU/BiGRU/Attention机制类等均可（可任意搭配非常新颖）~

        3.分解类：EMD、EEMD、VMD、REMD、FEEMD、TVF-EMD、CEEMDAN、ICEEMDAN、SVMD等分解模型均可~

        4.其他：机器人路径规划、无人机三维路径规划、DBSCAN聚类、VRPTW路径优化、微电网优化、无线传感器覆盖优化、故障诊断等等均可~

        5.原创改进优化算法（适合需要创新的同学）：2024年的PID搜索算法PSA以及麻雀SSA、蜣螂DBO等任意优化算法均可，保证测试函数效果！