PSO-PID算法迭代的PID值为什么变化范围那么小？

我用权重线性递减的PSO-PID算法寻找最优的PID值，其参数设置如下：

Wmax=0.9;       % 最大权重
Wmin=0.4;       % 惯性因子 线性惯性权重 最小权重
c1 = 2;         % 个体学习因子1
c2 = 2;         % 社会学习因子2
Dim = 3;                      % 维数
SwarmSize = 100;              % 粒子群规模
ObjFun = @PSO_PIDdiscrete1;   % 待优化函数句柄
MaxIter = 300;                % 最大迭代次数  
MinFitness = 0.00001;         % 最小适应值 
Vmax = 1;               %速度更新限制范围
Vmin = -1;
Xmax = [10 100 10];     %位置更新限制范围
Xmin = [0 0 0];

仿真出来的结果如下面三张图所示：

 Kp值随迭代次数变化曲线

 

  Ki值随迭代次数变化曲线

  Kd值随迭代次数变化曲线

 明明我设置的X可变化范围那么大（代码最后两行），为什么每一次迭代它们三个的随机取值变化范围那么小？可以看下面三张图：

 Kp粒子取值

 Ki粒子取值 

  Kd粒子取值

 后面一两百代已经收敛了，不变化了我能理解，为了不让算法陷入局部最优，我用了权重线性递减的方法。

我的问题是怎么让它的PID随机取值变化范围变大?
需要改V速度的取值范围吗？但是它每一次的Vstep也没有超过[-1,1]这个范围。

请看到的大佬不吝赐教，这对我会有很大的帮助！
谢谢大家！

---

2024.01.20 19:20第一次更新

我怀疑是不是速度的上下限设置的太小了，所以导致所有的粒子不能飞太远，也就导致其随机取值范围变小了，于是我进行了以下尝试，改变速度的范围大小：

Vmax = 10;       %速度更新限制范围
Vmin = -10;

然后为了尽快验证我的猜想，减短仿真时间，用100个粒子只跑了100代，100代曲线后面也变化不大，这是-10~10跑出来的结果：

我简直震惊啊！全部都是0，还运行了我8459.246000s≈2.3h 。我觉得应该是这个范围（-10~10）太大了。

于是我再改：

Vmax = 2;       %速度更新限制范围
Vmin = -2;

这是速度范围-2~2的迭代结果：

比之前要好，但是也是很快就固定到一个值然后再也没有变动过，应该是陷入了局部最优。或者这个速度范围还是取大了？ 尤其是PSO整定的最优PID值分别取[0.123057559866944 ；0 ；0]肯定是不对的。因为知道肯定不对，我也就没有把这些值带回到simulink模型进行验证了。

我还要再试一下，把速度范围改回去效果会不会好一点？（尽管每一次都是随机初始化的，每一次仿真寻优都会有不同的结果）请期待我下一次更新！！！

现在已经不是每一次随机初始化的PID的变化不大的问题了，而是为什么很短的迭代次数内就像已经找到最佳的组合一样，每一次都生成相同的PID值了，慢慢来吧！

---

2024.01.21 9:50第二次更新

不好的消息，最佳PID参数全部都是0，和第一次的仿真条件一模一样（除了迭代次数），但是达不到第一次的效果了。

Vmax = 1;       %速度更新限制范围
Vmin = -1;

这是速度-1~1跑出来的结果：

 不应该啊，难道是速度初始化有问题吗？都是利用rand函数随机生成的，应该不会出什么岔子。

%% 粒子群初始化
Range = ones(SwarmSize,1)*(Ub-Lb);                              % 初始化范围
Swarm = rand(SwarmSize,Dim).*Range + ones(SwarmSize,1)*Lb       % 初始化粒子群
VStep = rand(SwarmSize,Dim)*(Vmax-Vmin) + Vmin                  % 初始化速度
fSwarm = zeros(SwarmSize,1);                                    % 初始化粒子群适应值

但我想不出还有什么地方会出错，我下一步要用均匀分布的方式随机生成初始化粒子，请期待我下一次更新！

%% 粒子群均匀随机生成初始化
Range = ones(SwarmSize,1)*(Ub-Lb);                        % 初始化范围
 for i = 1:SwarmSize
    for j = 1:Dim
        Swarm(i, j) = unifrnd(Lb(j), Ub(j));              % 使用均匀分布随机生成位置
        VStep(i, j) = unifrnd(Vmin, Vmax);                % 使用均匀分布随机生成速度
    end
end 
    fSwarm = zeros(SwarmSize,1);                          % 初始化粒子群适应值

---

2024.01.21 10:39第三次更新

好像找到原因了，应该是Simulink模型的反馈速度我多加了一个负号，之前那个模型是没有的。

为了验证我的猜想，是不是这里出错，我将这个-1的Gain模块去除，20个粒子迭代20代试一试，这是跑出来的结果：

可以清晰地看到每一张图片都有明显变化趋势，不像之前两次迭代出来的值都是0，那么这就验证了我的猜想，确实是Simulink模型出了一点小错误。也不是速度初始化的问题，之后对比rand初始化速度和均匀随机分布初始化速度我会另外出一篇文章，敬请期待！

那么回到本篇文章问题本身，是不是改变速度边界可以使得迭代PID值变化范围变大，下一次我将更新正确的模型，速度范围边界为-5~5的迭代结果。 

---

2024.01.21 15:05第四次更新

这是速度-5~5跑出来的结果：

 

 我觉得和第一次得出来的结果（最开始贴出来的三张图）没有什么大的区别，我计算了它们的取值范围区间（Max-Min），其计算结果如下：

	Kp	Ki	Kd
第一次	0.4616	1.2448	1.6516
这一次	0	1.1781	0.5379

如果单看变化范围，这一次的变化范围甚至还没有第一次变化得大呢，这还是在加大了速度的边界范围的前提下，所以不是单纯改变速度的边界范围就能改变最优PID粒子的取值范围的。

让我们来梳理一下，最终的PID粒子取值是靠Swarm这个变量决定的，而Swarm初始化的公式如下：

%% 粒子群初始化
Range = ones(SwarmSize,1)*(Ub-Lb);                          % 初始化范围,因为它有多维参数
Swarm = rand(SwarmSize,Dim).*Range + ones(SwarmSize,1)*Lb   % 初始化粒子群，初始位置满足(-Ub,Ub)内均匀分布
VStep = rand(SwarmSize,Dim)*(Vmax-Vmin) + Vmin              % 初始化速度，初始速度满足(-Vmax,Vmax)内均匀分布

粒子群更新位置公式如下（就不考虑其位置会超出边界了，仿真那么多次还没有一次超出的）：

%% 位置更新
Swarm(j,:)=Swarm(j,:)+VStep(j,:);

 这样我们就能稍微发现点问题了：

1）Swarm初始化大小和Range有关，而Range和PID取值位置边界有关，但是我们最初设置的PID参数取值范围，Kp和Kd是0~10，而Ki是0~100，为了更好地观察这个PID粒子取值与位置边界、速度边界的关系，接下来我把位置边界都设置成0~50（Ki也没有超过20）；

2）如果想让Swarm的PID取值变化更加明显，可以从Vmin速度最小值设置入手，如果Vmin设置为0，那么Vstep只会取正值，PID值只会在初始化值的基础上增加，但这样是一种非常极端的做法，接下来不妨把Vmin的取值取得比较小一点；

又或者是，确实人家那么多粒子也取到了其他变化范围比较大的点，但是一代那么多粒子表现得比较好的值，一代代这么迭代下就就是变化范围这么小，所以不是它变化范围小，而是最终它的效果不好，所以没有表现出来，我也就只能这么解释了。再做最后一次仿真验证吧。

---

 2024.01.22  9:15第五次更新

这一次仿真主要就是改变了以下参数，向前的速度比较大，而向后的速度设置得较小一点，以及位置的边界都设置得一样：

Vmax = 5;       %速度更新限制范围
Vmin = -1;
Ub = [50 50 50]; %位置更新限制范围
Lb = [0 0 0];

以下是仿真出来的结果：

说实话得出来的结果是大差不差的，唯一一个改变的点是这次仿真进行了 32745.980857s≈9.1h，时间远超前面几次仿真（我还在电脑面前傻傻地等以为只要仿真3小时差不多了，时间沉没成本啊！）

得到的较优PID值带回到Simulink模型后发现反馈曲线是这样子的：

也就是说得到的较优PID值是不能用的。 

所以结论是这个改变速度边界大小还是不能明显改变每次PID迭代的变化范围！暂且就这样吧！

---

总结

1）改变速度范围边界对迭代的PID值变化范围影响不大，如果你将向前的速度（Vmax）和向后的速度（Vmin）变化边界设置得差距比较大（比如一个5，一个-1），那么会大大增加matlab仿真的时间；

2）如果想要得到一个比较精确的适合自己模型的PID值，需要提前知道PID值大概在哪个区间，再在这个区间进行迭代寻优的效果比较好，不然得出来的值带进去效果也不好。

All in all，

所以只解决了一个问题，排除了改变速度边界可以明显影响PID随机取值变化范围；

最本质的问题还是没有解决：怎么让它的PID随机取值变化范围变大?

欢迎各位在评论区积极讨论！！！

---

2024.7.28 20:52第六次更新

仔细想来，为什么在后期PID迭代曲线几乎没有什么变化，可能有两种说法：

1）迭代次数不够多，没有找到最优解就要迭代次数结束了；

2）陷入了局部最优解，这就是这个范围内最好的迭代结果了。

我也不去纠结“怎么让其迭代曲线变化大”的结果了。