PSO算法寻优模糊PID五个量化/比例因子参数（附代码）

最开始我研究的是用PSO粒子群算法迭代寻优普通PID参数，现在为了让模型在动态过程中有更好的表现，引入了模糊系统，和PID控制一起组成了模糊PID控制算法。我之前的文章还有：

🚪👉：线性递减权重的PSO-PID算法（附代码）

🚪👉：PSO粒子群寻优模糊PID控制的五个参数的一些问题

🚪👉：PSO_GA混合算法优化PID参数（附代码）

既然已经给出线性权重变化的PSO寻优PID算法代码，也回答过关于PSO算法寻优模糊PID五个参数的一些问题，又有同好在文章下面评论说想要PSO算法寻优模糊PID五个参数的代码，那么这篇文章就算是一个回应吧。（主要是我在CSDN论坛里面也没发现有人分享这个东西）

这个其实就是在原来的上面稍微修改一下参数就行了。

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
ws=0.9;
we=0.4;       % 惯性因子 线性惯性权重1
c1 = 2;       % 加速常数
c2 = 2;       % 加速常数
Dim = 5;                % 维数
SwarmSize = 100;          % 粒子群规模
ObjFun = @PSO_FuzzyPID;   % 待优化函数句柄
MaxIter = 200;            % 最大迭代次数  
MinFit = 0.0001;       % 最小适应值 
Vmax = 1;
Vmin = -1;
Ub = [2 2 10 3 4];      %边界最大值
Lb = [0 0 0 0 0];       %边界最小值

%% 粒子群初始化
    Range = ones(SwarmSize,1)*(Ub-Lb);
    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);
for i=1:SwarmSize
    fSwarm(i,:) = feval(ObjFun,Swarm(i,:));                         % 粒子群的适应值
end

%% 个体极值和群体极值
[bestf bestindex]=min(fSwarm);
zbest=Swarm(bestindex,:);   % 全局最佳
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6个空矩阵
K_e = zeros(1,MaxIter);
K_ec = zeros(1,MaxIter);
K_up = zeros(1,MaxIter);         
K_ui = zeros(1,MaxIter);
K_ud = zeros(1,MaxIter);
while( (iter < MaxIter) && (fzbest > MinFit) )     %迭代次数小于最大迭代并且最优值大于最小适应值
    for i=1:MaxIter
        w=ws-(ws-we)*i/MaxIter;
            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
                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
            K_e(1,iter) = zbest(1);
            K_ec(1,iter) = zbest(2);
            K_up(1,iter) = zbest(3);
            K_ui(1,iter) = zbest(4);
            K_ud(1,iter) = zbest(5);
    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控制器量化、比例因子变化曲线
plot(K_e,'y--','LineWidth',3)   %黄色虚线
hold on
plot(K_ec,'b--','LineWidth',3)  %蓝色虚线
plot(K_up,'k-','LineWidth',3)   %黑色实线
plot(K_ui,'r-','LineWidth',3)   %红色实线
plot(K_ud,'g-','LineWidth',3)   %绿色实线
title('Ke、Kec、Kup、Kui、Kud 优化曲线','fontsize',18);
xlabel('迭代次数','fontsize',18);ylabel('参数值','fontsize',18);
set(gca,'Fontsize',18);
legend('Ke','Kec','Kup','Kui','Kud');

待优化函数句柄PSO-FuzzyPID：

function z=PSO_FuzzyPID(x)   %function的名字要与文件名一样 
assignin('base','Ke',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 Ke
assignin('base','Kec',x(2));
assignin('base','Kup',x(3));
assignin('base','Kui',x(4));
assignin('base','Kud',x(5));
[t_time,x_state,y_out]=sim('PSO_FuzzyPIDModel',[0,1]); %需要仿真的simulink模型，与其名字一样
z=y_out(end,1);   %返回性能指标输出矩阵

模糊PID的simulink模型：

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）PSO_FuzzyPIDModel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。

---

与普通的PSO寻优PID的不同之处：

1） 普通的PSO寻优PID的维数是3维，只需要寻优PID三个参数，而PSO寻优模糊PID量化/比例因子的维数是5维，需要寻优五个参数；

Dim = 5;                % 维数

2）同理，由于需要寻优五个参数，所以寻优位置边界要设置五个；

Ub = [2 2 10 3 4];      %边界最大值
Lb = [0 0 0 0 0];       %边界最小值

3）同理，需要预先建立五个空矩阵；

K_e = zeros(1,MaxIter);
K_ec = zeros(1,MaxIter);
K_up = zeros(1,MaxIter);         
K_ui = zeros(1,MaxIter);
K_ud = zeros(1,MaxIter);

4） 同理，迭代寻优结果也是需要设置五个参数；

K_e(1,iter) = zbest(1);
K_ec(1,iter) = zbest(2);
K_up(1,iter) = zbest(3);
K_ui(1,iter) = zbest(4);
K_ud(1,iter) = zbest(5);

5）待优化句柄的matlab子文件需要将五个工作区的变量赋值到simulink模型中；

assignin('base','Ke',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 Ke
assignin('base','Kec',x(2));
assignin('base','Kup',x(3));
assignin('base','Kui',x(4));
assignin('base','Kud',x(5));

总的来说，没有什么技术含量的。就是增加一些参数。

如果帮到了您，可以点一个大大的赞吗？这会对我有很大的帮助。👍

希望我的经历能够给同好们帮助！😀

不清楚的欢迎评论哦！