【PID优化】基于粒子群算法结合BP神经网络优化PID控制附matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

⛄ 内容介绍

传统比例-积分-微分(Proportion Integral Derivative,PID)控制器存在参数整定困难,不能在线实时调整以及面对复杂非线性系统时应用效果不佳等问题,提出一种基于粒子群算法(Particle Swarm Optimization,PSO)优化的反向传播(Back Propagation,BP)神经网络PID控制方法.将BP神经网络与PID控制器相结合,利用BP神经网络的自适应学习能力在线实时调整PID控制参数,提升系统稳定性,针对BP-PID自学习过程中容易陷入局部极小值问题,利用PSO算法对其进行优化,确保BP-PID系统收敛于全局最优解.基于仿真数据开展实验,结果表明,所提方法能够有效提升系统的控制精度和控制稳定度.

⛄ 部分代码

%function J=draw(individual)

load best zbest

individual=zbest;

%  函数功能：画出最优粒子对应的各种图形

%  individual  输入  粒子

%  fitness     输出  适应度值

w11=reshape(individual(1:6),3,2);

w12=reshape(individual(7:12),3,2);

w13=reshape(individual(13:18),3,2);

w21=individual(19:27);

w22=individual(28:36);

w23=individual(37:45);

rate1=0.006;rate2=0.001; %学习率

k=0.3;K=3;

y_1=zeros(3,1);y_2=y_1;y_3=y_2;   %输出值

u_1=zeros(3,1);u_2=u_1;u_3=u_2;   %控制率

h1i=zeros(3,1);h1i_1=h1i;  %第一个控制量

h2i=zeros(3,1);h2i_1=h2i;  %第二个控制量

h3i=zeros(3,1);h3i_1=h3i;  %第三个空置量

x1i=zeros(3,1);x2i=x1i;x3i=x2i;x1i_1=x1i;x2i_1=x2i;x3i_1=x3i;   %隐含层输出 

%权值初始化

k0=0.03;

%值限定

ynmax=1;ynmin=-1;  %系统输出值限定

xpmax=1;xpmin=-1;  %P节点输出限定

qimax=1;qimin=-1;  %I节点输出限定

qdmax=1;qdmin=-1;  %D节点输出限定

uhmax=1;uhmin=-1;  %输出结果限定

for k=1:1:200

    %--------------------------------网络前向计算--------------------------

    %系统输出

    y1(k)=(0.4*y_1(1)+u_1(1)/(1+u_1(1)^2)+0.2*u_1(1)^3+0.5*u_1(2))+0.3*y_1(2);

    y2(k)=(0.2*y_1(2)+u_1(2)/(1+u_1(2)^2)+0.4*u_1(2)^3+0.2*u_1(1))+0.3*y_1(3);

    y3(k)=(0.3*y_1(3)+u_1(3)/(1+u_1(3)^2)+0.4*u_1(3)^3+0.4*u_1(2))+0.3*y_1(1);

    r1(k)=0.7;r2(k)=0.4;r3(k)=0.6;  %控制目标

    %系统输出限制

    yn=[y1(k),y2(k),y3(k)];

    yn(find(yn>ynmax))=ynmax;

    yn(find(yn<ynmin))=ynmin;

    %输入层输出

    x1o=[r1(k);yn(1)];x2o=[r2(k);yn(2)];x3o=[r3(k);yn(3)];

    %隐含层 

    x1i=w11*x1o;

    x2i=w12*x2o;

    x3i=w13*x3o;

    %比例神经元P计算

    xp=[x1i(1),x2i(1),x3i(1)];

    xp(find(xp>xpmax))=xpmax;

    xp(find(xp<xpmin))=xpmin;

    qp=xp;

    h1i(1)=qp(1);h2i(1)=qp(2);h3i(1)=qp(3);

    %积分神经元I计算

    xi=[x1i(2),x2i(2),x3i(2)];

    qi=[0,0,0];qi_1=[h1i(2),h2i(2),h3i(2)];

    qi=qi_1+xi;

    qi(find(qi>qimax))=qimax;

    qi(find(qi<qimin))=qimin;

    h1i(2)=qi(1);h2i(2)=qi(2);h3i(2)=qi(3);

    %微分神经元D计算

    xd=[x1i(3),x2i(3),x3i(3)];

    qd=[0 0 0];

    xd_1=[x1i_1(3),x2i_1(3),x3i_1(3)];

    qd=xd-xd_1;

    qd(find(qd>qdmax))=qdmax;

    qd(find(qd<qdmin))=qdmin;

    h1i(3)=qd(1);h2i(3)=qd(2);h3i(3)=qd(3);

    %输出层计算

    wo=[w21;w22;w23];

    qo=[h1i',h2i',h3i'];qo=qo';

    uh=wo*qo;

    uh(find(uh>uhmax))=uhmax;

    uh(find(uh<uhmin))=uhmin;

    u1(k)=uh(1);u2(k)=uh(2);u3(k)=uh(3);  %控制律

    %--------------------------------------网络反馈修正----------------------

    %计算误差

    error=[r1(k)-y1(k);r2(k)-y2(k);r3(k)-y3(k)];  

    error1(k)=error(1);error2(k)=error(2);error3(k)=error(3);

    J(k)=0.5*(error(1)^2+error(2)^2+error(3)^2);   %调整大小

    ypc=[y1(k)-y_1(1);y2(k)-y_1(2);y3(k)-y_1(3)];

    uhc=[u_1(1)-u_2(1);u_1(2)-u_2(2);u_1(3)-u_2(3)];

    %隐含层和输出层权值调整

    %调整w21

    Sig1=sign(ypc./(uhc(1)+0.00001));

    dw21=sum(error.*Sig1)*qo';  

    w21=w21+rate2*dw21;

    %调整w22

    Sig2=sign(ypc./(uh(2)+0.00001));

    dw22=sum(error.*Sig2)*qo';

    w22=w22+rate2*dw22;

    %调整w23

    Sig3=sign(ypc./(uh(3)+0.00001));

    dw23=sum(error.*Sig3)*qo';

    w23=w23+rate2*dw23;

    %输入层和隐含层权值调整

    delta2=zeros(3,3);

    wshi=[w21;w22;w23];

    for t=1:1:3

        delta2(1:3,t)=error(1:3).*sign(ypc(1:3)./(uhc(t)+0.00000001));

    end

    for j=1:1:3

        sgn(j)=sign((h1i(j)-h1i_1(j))/(x1i(j)-x1i_1(j)+0.00001));

    end

     s1=sgn'*[r1(k),y1(k)];

     wshi2_1=wshi(1:3,1:3);

     alter=zeros(3,1);

     dws1=zeros(3,2);

     for j=1:1:3

         for p=1:1:3

             alter(j)=alter(j)+delta2(p,:)*wshi2_1(:,j);

         end

     end

     for p=1:1:3

         dws1(p,:)=alter(p)*s1(p,:);

     end

     w11=w11+rate1*dws1;

     %调整w12

    for j=1:1:3

        sgn(j)=sign((h2i(j)-h2i_1(j))/(x2i(j)-x2i_1(j)+0.0000001));

    end

    s2=sgn'*[r2(k),y2(k)];

    wshi2_2=wshi(:,4:6);

    alter2=zeros(3,1);

    dws2=zeros(3,2);

    for j=1:1:3

        for p=1:1:3

            alter2(j)=alter2(j)+delta2(p,:)*wshi2_2(:,j);

        end

    end

    for p=1:1:3

        dws2(p,:)=alter2(p)*s2(p,:);

    end

    w12=w12+rate1*dws2;

    %调整w13

    for j=1:1:3

        sgn(j)=sign((h3i(j)-h3i_1(j))/(x3i(j)-x3i_1(j)+0.0000001));

    end

    s3=sgn'*[r3(k),y3(k)];

    wshi2_3=wshi(:,7:9);

    alter3=zeros(3,1);

    dws3=zeros(3,2);

    for j=1:1:3

        for p=1:1:3

            alter3(j)=(alter3(j)+delta2(p,:)*wshi2_3(:,j));

        end

    end

    for p=1:1:3

        dws3(p,:)=alter2(p)*s3(p,:);

    end

    w13=w13+rate1*dws3;

    %参数更新

    u_3=u_2;u_2=u_1;u_1=uh;

    y_2=y_1;y_1=yn;

    h1i_1=h1i;h2i_1=h2i;h3i_1=h3i;

    x1i_1=x1i;x2i_1=x2i;x3i_1=x3i;

end

time=0.001*(1:k);

figure(1)

subplot(3,1,1)

plot(time,r1,'r-',time,y1,'b-');

title('PID神经元网络控制');

ylabel('被控量1');

legend('控制目标','实际输出','fontsize',12);

subplot(3,1,2)

plot(time,r2,'r-',time,y2,'b-');

ylabel('被控量2');

legend('控制目标','实际输出','fontsize',12);

axis([0,0.2,0,1])

subplot(3,1,3)

plot(time,r3,'r-',time,y3,'b-');       

xlabel('时间/s');

ylabel('被控量3');

legend('控制目标','实际输出','fontsize',12);

print -dtiff -r600 改4

figure(3)

plot(time,u1,'r-',time,u2,'g-',time,u3,'b');

title('PID神经网络提供给对象的控制输入');

xlabel('时间'),ylabel('控制律');

legend('u1','u2','u3');grid

figure(4)

plot(time,J,'r-');

axis([0,0.1,0,0.5]);grid

title('网络学习目标函数J动态曲线');

xlabel('时间');ylabel('控制误差');  

⛄ 运行结果

⛄ 参考文献

[1] 蒋敏兰, 郑华清. 一种变异粒子群优化的BP神经网络PID控制算法:, CN104834215A[P]. 2015.

[2] 金林骏, 方建安, 潘磊宁. 一种基于改进的粒子群优化算法的神经网络PID控制器[J]. 机电工程, 2015, 32(2):6.

[3] 曾雄飞. 基于粒子群算法优化BP神经网络的PID控制算法[J]. 电子设计工程, 2022(011):030.

[4] 窦春红, 张苓. 基于粒子群算法优化的PID神经网络控制算法[C]// International Conference on Computational Intelligence & Industrial Application. 0.

⛳️ 完整代码

❤️部分理论引用网络文献，若有侵权联系博主删除

❤️ 关注我领取海量matlab电子书和数学建模资料