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