基于麻雀算法，调控PID参数

最近研究了智能算法，略有收获，下面说一下我的收获，如有错误，请大家批评指正，不胜感激。

因目前主流麻雀算法主要以matlab进行展示，但为了理解更加深入，我以C#重新进行书写并展示。

目的：以麻雀算法计算一个最优PID参数，用来控制一个函数模型，使输出波形与输入波形一致。如下图所示：

当输入波形是一个正弦函数时，受不同PID参数的影响，输出波形也截然不同。如下图，这是我随意设置的一个函数模型，随便整了个PID参数进行控制后的结果：

输入波形 ：Finput（x）= 100*sin(x);

PID控制器参数：kp：0.052，ki：0.043，kd：0.048

函数模型：

输出波形 即：

底层框架就是这些，以人工经验，多次调整PID参数后，应该可以得出一个优解，但今天主题是麻雀算法，所以在这些底层函数上，需要以麻雀算法计算出一个最优解。

根据网上大多数人对麻雀算法的拆分，可以将麻雀算法分为四个部分：

发现者、追随者、报警者、以及适应度函数

主要逻辑就是随机生成100（种群数量）个PID参数组，然后带入适应度函数计算出最优适应度，然后根据发现者、追随者、报警者三个公式计算更新PID参数，然后不断排列取优，在经过多次迭代后，取出最优解。

前三者网上都有固定的公式，只要将其套入使用，基本没有什么差别。公式详情可以百度，可以参考下面的连接，至于用C#如何实现可以看我的代码。

(46条消息) 基于麻雀算法求解函数最优解_小小初心的博客-CSDN博客

主要是适应度函数，如何在PID控制器中成立，这里我借鉴了下面这位大哥的文章：

(46条消息) 智能优化算法应用：基于麻雀搜索算法PID参数优化 - 附代码_智能算法研学社（Jack旭）的博客-CSDN博客_pid优化算法

实现方法也很简单粗暴，如下描述：

将PID参数带入底层模型运行10个周期，即可计算出适应度Fout大小。

 完工后，对C#的窗体进行操作，再加个定时器就可以看到麻雀算法迭代时的PID参数对曲线的影响了：如下

这是麻雀算法第一次迭代生成的PID参数组，对函数模型的影响，可以看出完全没有正弦的样子，适应度Fout也达到了七百多万。

（下列红框中，2代表迭代次数，Fout：代表当前最优解的适应度大小，适应度越小代表曲线越近似正弦，后续三个参数分别是PID参数中的Kp、Ki、Kd。）

但是在经过100次迭代后，可以看到PID参数对曲线的影响，很快就取到了一个相对优秀的解。适应度由七百多万降低到了十八万左右（186818）。

 接下来我们看一千多次迭代后的PID参数组，可以看出此时的麻雀算法，已经算出了一个比较优秀的解，PID控制下的输出曲线也近似完美的正弦。适应度更是由十八万降低到俩万以下（19969）

 再次迭代一千次后，如下图，适应度仅降低至19703，比一千次迭代前仅降低了266，说明整个麻雀算法已经收敛，目前输出已经近似最优解了，再迭代下去也影响不大。

如下图，我们迭代至五千次后，输出基本没有什么改变，适应度也仅降低至19701，整个麻雀算法已经完全收敛，再迭代下去也没有任何意义。当前PID参数组就是最适合目前函数模型的最优解。

下面我们来看一组动态图，看看麻雀算法迭代过程中的曲线变化趋势：

代码如下：

基于C#展示麻雀算法求PID控制器参数最优解-C#文档类资源-CSDN文库