线性递减权重的PSO-PID算法

置顶 已于 2024-01-22 09:55:43 修改
阅读量467 收藏 10
点赞数 9
分类专栏： # PSO-PID 文章标签： 算法 matlab 笔记
于 2024-01-12 10:30:32 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_49117509/article/details/135546062
版权

最近还有蛮多人找我要这个代码的，这个其实网上搜一搜都有的。

那么废话不多说，直接上代码（绝对可以运行，没有耍小心思）

主函数：

%% 清空环境
clear 
clc
%% 参数设置
tic %计时器开启
ws=0.9;       % 最大权重
we=0.4;       % 惯性因子 线性惯性权重 最小权重
c1 = 2;       % 加速常数/学习因子1
c2 = 2;       % 加速常数/学习因子2
Dim = 3;                % 维数
SwarmSize = 100;          % 粒子群规模
ObjFun = @PSO_PID;      % 待优化函数句柄
MaxIter = 200;            % 最大迭代次数  
MinFit = 0.00001;       % 最小适应值 
Vmax = 1;       %速度更新限制范围
Vmin = -1;
Ub = [10 100 10]; %位置更新限制范围
Lb = [0 0 0];
%% 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，置0
for i=1:SwarmSize
    fSwarm(i,:) = feval(ObjFun,Swarm(i,:));                         % 计算粒子群的适应值;Swarm(i,:)为行向量
end
%% 个体极值和群体极值
[bestf, bestindex]=min(fSwarm); %得到全局最优的PID参数值的条件是粒子群适应值最小
zbest=Swarm(bestindex,:);   % 全局最佳；Swarm(bestindex,:)为行向量
gbest=Swarm;                % 个体最佳
fgbest=fSwarm;              % 个体最佳适应值
fzbest=bestf;               % 全局最佳适应值
%% 迭代寻优
iter = 0;
y_fitness = zeros(1,MaxIter);   % 预先产生4个空矩阵
K_p = zeros(1,MaxIter);         
K_i = zeros(1,MaxIter);
K_d = zeros(1,MaxIter);
while( (iter < MaxIter) && (fzbest > MinFit) )     %迭代次数小于最大迭代并且全局最优值大于最小适应值
    for i=1:MaxIter
        w=ws-(ws-we)*i/MaxIter; %权重线性递减的PSO算法 最大权重-[（最大权重-最小权重）*当前迭代次数/最大迭代次数]
            for j=1:SwarmSize
                % 速度更新
                VStep(j,:) = w*VStep(j,:) + c1*rand*(gbest(j,:) - Swarm(j,:)) + c2*rand*(zbest - Swarm(j,:)); %gbest(j,:)为行向量
                if VStep(j,:)>Vmax, VStep(j,:)=Vmax; end  %VStep(j,:)为行向量
                if VStep(j,:)<Vmin, VStep(j,:)=Vmin; end
                % 位置更新
                Swarm(j,:)=Swarm(j,:)+VStep(j,:);
                for k=1:Dim
                    if Swarm(j,k)>Ub(k), Swarm(j,k)=Ub(k); end
                    if Swarm(j,k)<Lb(k), Swarm(j,k)=Lb(k); end
                end
                % 适应值
                fSwarm(j,:) = feval(ObjFun,Swarm(j,:));
                % 个体最优更新     
                if fSwarm(j) < fgbest(j)
                    gbest(j,:) = Swarm(j,:);
                    fgbest(j) = fSwarm(j);
                end
                % 群体最优更新
                if fSwarm(j) < fzbest
                    zbest = Swarm(j,:);
                    fzbest = fSwarm(j);
                end
            end
            iter = iter+1;                      % 迭代次数更新
            y_fitness(1,iter) = fzbest;         % 为绘图做准备(适应度值=全局最优适应度值；Kp=全局最优PID参数值第一个值)
            K_p(1,iter) = zbest(1);
            K_i(1,iter) = zbest(2);
            K_d(1,iter) = zbest(3);
    end
end
%% 绘图输出
figure(1)                      % 绘制性能指标ITAE的变化曲线
plot(y_fitness,'LineWidth',3)  %默认线型，线宽为3号
title('最优个体适应值','fontsize',18);
xlabel('迭代次数','fontsize',18);ylabel('适应值','fontsize',18);
set(gca,'Fontsize',18);
figure(2)                       % 绘制PID变化曲线
plot(K_p,'k-','LineWidth',3)   %黑色实线
title('Kp优化曲线','fontsize',18);
xlabel('迭代次数','fontsize',18);ylabel('适应值','fontsize',18);
set(gca,'Fontsize',18);
figure(3) 
plot(K_i,'r-','LineWidth',3)   %红色实线
title('Ki优化曲线','fontsize',18);
xlabel('迭代次数','fontsize',18);ylabel('适应值','fontsize',18);
set(gca,'Fontsize',18);
figure(4) 
plot(K_d,'g-','LineWidth',3)   %绿色实线
title('Kd 优化曲线','fontsize',18);
xlabel('迭代次数','fontsize',18);ylabel('参数值','fontsize',18);
set(gca,'Fontsize',18);
toc %计时器停止
T=toc-0; %仿真时间
disp(['运行时间：',num2str(toc)]); %显示仿真时长
%% 保存工作区
save('result') %生成result.mat文件，方便仿真完后查看具体每一代具体PID数值

待优化函数句柄PSO-PID：

function z=PSO_PID(x)
assignin('base','Kp',x(1)); %为指定工作区中的变量赋值;将值 x(1) 赋予 MATLAB 基础工作区中的变量 Kp
assignin('base','Ki',x(2));
assignin('base','Kd',x(3));
[t_time,x_state,y_out]=sim('PIDModel',[0,1]); %使用命令行运行simulink模型
z=y_out(end,1); %返回性能指标输出矩阵

TIPS:

1）第一个文件名随便取，但是第二个文件名要和你待优化函数句柄名字一模一样；

2）你的PID仿真Simlink模型名字就要和sim后面那个名字一样，这样才能调用；

3）PIDModel后面的是每一次仿真的时间；

4）要配合simlink搭建的ITAE输出一起使用。

2023.1.13 22：02更新：

1、粒子群rand初始化改成unifrnd均匀分布随机生成：

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

2、线性递减权重改成自适应权重：

fmin = min(fSwarm);   % 粒子适应度值最小值
favg = mean(fSwarm);  % 粒子适应度值平均值
for i = 1:SwarmSize
    if fSwarm(i) < favg
        w = we - (ws - we) * (fSwarm(i) - fmin) / (favg - fmin);
    else
        w = we;
    end
    
    for j = 1:Dim
        VStep(i, j) = w * VStep(i, j) + c1 * rand * (gbest(i, j) - Swarm(i, j)) + c2 * rand * (zbest(j) - Swarm(i, j));
        Swarm(i, j) = Swarm(i, j) + VStep(i, j);
    end
end

完整代码如下：

%% 清空环境
clear 
clc
%% 参数设置
tic %计时器开启
ws=0.9;       % 最大权重
we=0.4;       % 惯性因子 线性惯性权重 最小权重
c1 = 2;       % 加速常数/学习因子1
c2 = 2;       % 加速常数/学习因子2
Dim = 3;                % 维数
SwarmSize = 10;          % 粒子群规模
ObjFun = @PSO_PIDdiscrete1;      % 待优化函数句柄
MaxIter = 10;            % 最大迭代次数  
MinFit = 0.00001;       % 最小适应值 
Vmax = 1;       %速度更新限制范围
Vmin = -1;
Ub = [10 100 10]; %位置更新限制范围
Lb = [0 0 0];
%% 粒子群初始化
Swarm = zeros(SwarmSize,Dim);                                   %预分配内存
VStep = zeros(SwarmSize,Dim);
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，置0
for i=1:SwarmSize
    fSwarm(i,:) = feval(ObjFun,Swarm(i,:));                      % 计算粒子群的适应值;Swarm(i,:)为行向量
end
%% 个体极值和群体极值
[bestf, bestindex]=min(fSwarm); %得到全局最优的PID参数值的条件是粒子群适应值最小
zbest=Swarm(bestindex,:);   % 全局最佳；Swarm(bestindex,:)为行向量
gbest=Swarm;                % 个体最佳
fgbest=fSwarm;              % 个体最佳适应值
fzbest=bestf;               % 全局最佳适应值
%% 迭代寻优
iter = 0;
y_fitness = zeros(1,MaxIter);   % 预先产生4个空矩阵
K_p = zeros(1,MaxIter);         
K_i = zeros(1,MaxIter);
K_d = zeros(1,MaxIter);
fmin = min(fSwarm);  % 粒子适应度值最小值
favg = mean(fSwarm);  % 粒子适应度值平均值
while( (iter < MaxIter) && (fzbest > MinFit) )     %迭代次数小于最大迭代并且全局最优值大于最小适应值
     for i = 1:MaxIter
        if fSwarm(i) < favg
        w = we - (ws - we) * (fSwarm(i) - fmin) / (favg - fmin);%自适应权重
        else
        w = we;
        end
        for j = 1:SwarmSize
        % 速度更新
        VStep(j,:) = w * VStep(j,:) + c1 * rand * (gbest(j,:) - Swarm(j,:)) + c2 * rand * (zbest - Swarm(j,:));
                if VStep(j,:)>Vmax, VStep(j,:)=Vmax; end  %VStep(j,:)为行向量
                if VStep(j,:)<Vmin, VStep(j,:)=Vmin; end
                % 位置更新
                Swarm(j,:)=Swarm(j,:)+VStep(j,:);
                for k=1:Dim
                    if Swarm(j,k)>Ub(k), Swarm(j,k)=Ub(k); end
                    if Swarm(j,k)<Lb(k), Swarm(j,k)=Lb(k); end
                end
                % 适应值
                fSwarm(j,:) = feval(ObjFun,Swarm(j,:));
                % 个体最优更新     
                if fSwarm(j) < fgbest(j)
                    gbest(j,:) = Swarm(j,:);
                    fgbest(j) = fSwarm(j);
                end
                % 群体最优更新
                if fSwarm(j) < fzbest
                    zbest = Swarm(j,:);
                    fzbest = fSwarm(j);
                end
            end
            iter = iter+1;                      % 迭代次数更新
            y_fitness(1,iter) = fzbest;         % 为绘图做准备(适应度值=全局最优适应度值；Kp=全局最优PID参数值第一个值)
            K_p(1,iter) = zbest(1);
            K_i(1,iter) = zbest(2);
            K_d(1,iter) = zbest(3);
    end
end
%% 绘图输出
figure(1)                      % 绘制性能指标ITAE的变化曲线
plot(y_fitness,'LineWidth',3)  %默认线型，线宽为3号
title('最优个体适应值','fontsize',18);
xlabel('迭代次数','fontsize',18);ylabel('适应值','fontsize',18);
set(gca,'Fontsize',18);
figure(2)                       % 绘制模糊PID变化曲线
plot(K_p,'k-','LineWidth',3)   %黑色实线
title('Kp优化曲线','fontsize',18);
xlabel('迭代次数','fontsize',18);ylabel('适应值','fontsize',18);
set(gca,'Fontsize',18);
figure(3) 
plot(K_i,'r-','LineWidth',3)   %红色实线
title('Ki优化曲线','fontsize',18);
xlabel('迭代次数','fontsize',18);ylabel('适应值','fontsize',18);
set(gca,'Fontsize',18);
figure(4) 
plot(K_d,'g-','LineWidth',3)   %绿色实线
title('Kd 优化曲线','fontsize',18);
xlabel('迭代次数','fontsize',18);ylabel('参数值','fontsize',18);
set(gca,'Fontsize',18);
toc %计时器停止
T=toc-0; %仿真时间
disp(['运行时间：',num2str(toc)]); %显示仿真时长
%% 保存工作区
save('result') %生成result.mat文件，方便仿真完后查看具体每一代具体PID数值

Hipipi39
关注
  • 9
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
惯性权重线性递减PSO_；PSO_PSO_nan_线性递减权重_
09-30
基于MATLAB实现线性递减权重粒子群优化算法
【优化选址】基于matlab粒子群算法求解充电站规划优化问题【含Matlab源码 664期】
订阅付费专栏（初级版），可赠送该付费专栏任意代码1份；
04-01 3692
粒子群算法求解充电站规划优化问题 完整的代码，方可运行；可提供运行操作视频！适合小白！
线性递减权重粒子群算法MATLAB代码
12-28
线性递减权重粒子群算法MATLAB代码，适合粒子群算法初学者
【PSO-PID】使用粒子群算法整定PID参数控制起动机入口压力值
浪漫至死不渝
03-07 2447
最近在学优化算法，接触到了经典寻优算法之粒子群PSO，然后就想使用PSO算法来调节PID参数，在试验成功之后将此控制算法应用到了空气起动系统上，同时与之前的控制器进行对比看看哪种控制效果最好。
【求助】PSO-PID算法迭代的PID值为什么变化范围那么小？
HIPIPI的博客
11-30 380
PSO-PID算法迭代的PID值为什么变化范围那么小？
基于惯性权值非线性递减的改进粒子群算法 - 附代码
Jack旭的博客
09-03 1603
摘要：针对粒子群优化算法中出现的收敛早熟和不收敛的问题,提出了一种基于自然选择和惯性权值非线性递减的改进粒子群算法,在算法迭代过程中,粒子边界速度采用最大速度非线性递减变化策略来限制,惯性权值非线性递减变化用于平衡种群粒子前期全局搜索与后期局部寻优的能力;为使种群在进化过程中保持多样性,在标准粒子群算法中引用二阶振荡策略使种群在进化过程中始终保持着多样性;在此基础上,进一步地将遗传算法中的选择机理与粒子群算法结合起来用于提高算法的适用性能;
论文研究-基于自然选择的线性递减权重PSO与Taylor算法的TDOA协同定位算法研究.pdf
07-22
针对Taylor算法进行TDOA定位时，其初始估计位置的误差易导致Taylor算法不收敛和定位精度差的问题，提出一种基于自然选择的线性递减权重粒子群优化（W-SPSO）与Taylor算法协同定位的方法。该方法先通过W-SPSO算法得到...
PSO-PID-BP控制算法
02-26
构造PSO改进BP，同时采用PID控制算法优化
PSO-PID_pso优化PID_PSO优化PID算法_PSO优化参数_pso-pid_psopid_
10-01
采用PSO算法优化PID参数，完成PID优化控制。
PSO-BP算法MATLAB源代码
05-15
PSO-BP算法是比较常用的一种多种算法配合使用的优化算法，集合了粒子群算法和神经网络算法的有点，更加便于实现功能要求，优化函数。此MATLAB源代码适合于路径优化的快速收敛，适于提高算法速度和适合度。修改参数...
【算法】二分算法——x的平方根
2302_79031646的博客
05-17 789
用二分边界算法来求解——x的平方根，从暴力求解到二分的优化细说
力扣62 不同路径 Java版本
最新发布
m0_47066863的博客
05-20 187
机器人每次只能向下或者向右移动一步。机器人试图达到网格的右下角（在下图中标记为 “Finish” ）。一个机器人位于一个 m x n 网格的左上角 （起始点在下图中标记为 “Start” ）。从左上角开始，总共有 3 条路径可以到达右下角。题目数据保证答案小于等于 2 * 109。输入：m = 3, n = 7。输入：m = 3, n = 2。输入：m = 7, n = 3。输入：m = 3, n = 3。问总共有多少条不同的路径？
【二叉树算法题记录】从中序与后序遍历序列构造二叉树，从前序与中序遍历序列构造二叉树
weixin_43627638的博客
05-15 379
这样我们就能确定整棵树的根节点在。
技艺高超的魔法师：Java运算符
epitomizelu的专栏
05-14 791
Java运算符是构建复杂程序的基础，掌握它们的使用和优先级对于写出高效、清晰的代码至关重要。通过本文的介绍和实例，希望能帮助读者更好地理解和运用这些运算符，让代码表达更加精准和高效。记住，实践是学习的最好方式，不断编写代码并探索不同的场景，你会越来越熟练地掌握它们。
力扣：209. 长度最小的子数组
icbbm的博客
05-17 389
如果不存在符合条件的子数组，返回。是该条件下的长度最小的子数组。找出该数组中满足其总和大于等于。个正整数的数组和一个正整数。
leetCode-hot100-位运算专题
m0_49074706的博客
05-13 634
位运算专题-LeetCode-hot100
22. 括号生成
编程SHARE的博客
05-20 214
数字 n 代表生成括号的对数，请你设计一个函数，用于能够生成所有可能的并且 有效的 括号组合。
算法模块方法总结（数组）
Cobrander2_0的博客
05-17 154
二分查找（Binary Search）是一种在有序数组（必须是不能重复的，因为如果有重复的，会从几个符合的选项中输出一个，可能不合题意）中查找某一特定元素的搜索算法。搜索过程从数组的中间元素开始，如果中间元素正好是要查找的元素，则搜索过程结束；如果某一特定元素大于或者小于中间元素，则在数组大于或小于中间元素的那一半中查找，而且跟开始一样从中间元素开始比较。如果在某一步骤数组为空，则代表找不到。二分查找的思想是便于理解的，但是边界条件是很容易写错的。比如下面的。
pso-gp算法csdn
09-10
PSO-GP算法是一种结合了粒子群优化（Particle Swarm Optimization，PSO）和高斯过程（Gaussian Process，GP）的优化算法。PSO-GP算法通过模拟粒子在搜索空间中的行为和能力，以及利用高斯过程对目标函数进行建模和...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值