【PID优化】基于灰狼算法PID控制器优化设计含Matlab源码

1 简介

PID 控制算法是根据输入和输出的偏差值构成控制偏差量，经过比例积分微分运算输出控制量作用于执行机构。由于其具有原理简单且易于实现等优点，因而在变量喷药领域得到广泛的应用。但是，传统的 PID 控制算法参数( Kp，Ki，Kd ) 整定复杂，且对于非线性系统适应性差，进而影响变量喷药系统的稳定性和控制精度。基于以上问题，将灰狼优化算法与 PID 控制结合，构建灰狼优化 PID 控制算法( GWO－PID) ，应用于变量喷药控制，对 PID 参数进行自适应调整，保证系统工作在较好状态下，达到满意的控制效果。GWO－PID 算法的流程如图 5 所示​.

2 部分代码

function [BestFitness, gbest, zz] = GWO(N, maxgen, X, fitness, lb, ub, dim, fobj)​%% [bestfitness, bestindex] = sort(fitness);gbest = X(bestindex(1), :);      % 群体最优极值fitnessgbest = bestfitness(1);             % 种群最优适应度值% 初始化alpha, beta和delta_posAlpha_pos = gbest;Alpha_score = fitnessgbest; Beta_pos = X(bestindex(2), :);Beta_score = bestfitness(2); Delta_pos = X(bestindex(3), :);Delta_score = bestfitness(3); ​%% 初始结果显示disp(['初始位置：', num2str(gbest)]);disp(['初始解：', num2str(fitnessgbest)]);​%% 迭代for gen = 1:maxgen%     a = aini-(aini-afin)*exp(gen/maxgen-1);     % a从2线性减小到0    %      a = ainitial/(1+exp(mu*gen/maxgen-k));     a=2-gen*(2/maxgen);     % a从2线性减小到0        % 更新包括omegas在内的种群的位置    for i = 1:N        S = X(i, :);        for j = 1:dim            r1 = rand();             % r1是[0,1]中的随机数            r2 = rand();             % r2是[0,1]中的随机数            A1 = 2*a*r1-a;        % 公式（4）            C1 = 2*r2;               % 公式（5）            D_alpha = abs(C1*Alpha_pos(j)-X(i, j));  % 公式（6）-第一部分            X1 = Alpha_pos(j)-A1*D_alpha;   % 公式 (7)-第一部分                        r1 = rand();            r2 = rand();            A2 = 2*a*r1-a;         % 公式（4）            C2 = 2*r2;                % 公式（5）            D_beta = abs(C2*Beta_pos(j)-X(i, j));   % 公式（6）-第二部分            X2 = Beta_pos(j)-A2*D_beta;       % 公式 (7)-第二部分                        r1 = rand();            r2 = rand();            A3 = 2*a*r1-a;        % 公式 (4)            C3 = 2*r2;               % 公式 (5)            D_delta = abs(C3*Delta_pos(j)-X(i, j)); % 公式（6）-第三部分            X3 = Delta_pos(j)-A3*D_delta;      % 公式 (7)-第三部分                        X(i, j)=(X1+X2+X3)/3;       % 公式 (8)        end        % 边界处理        X(i, X(i, :) > ub) = ub;        X(i, X(i, :) < lb) = lb;        % 判断        fit = fobj(X(i, :));        if fit < fitness(i)            fitness(i) = fit;        else            X(i, :) = S;        end    end    % 更新    [bestfitness, bestindex] = sort(fitness);    gbest = X(bestindex(1), :);           % 群体最优极值    fitnessgbest = bestfitness(1);      % 种群最优适应度值    % 初始化alpha, beta和delta_pos    Alpha_pos = gbest;    Alpha_score = fitnessgbest;    Beta_pos = X(bestindex(2), :);    Beta_score = bestfitness(2);    Delta_pos = X(bestindex(3), :);    Delta_score = bestfitness(3);       %% 每一代群体最优值存入zz数组    zz(gen) = Alpha_score;    gbest = Alpha_pos;    %% 显示每代优化结果    display(['At iteration ', num2str(gen), ' the best fitness is ', num2str(zz(gen))]);end​BestFitness = zz(end);​%% 最终结果显示disp(['最优位置：', num2str(gbest)]);disp(['最优解：', num2str(zz(end))]);% %% 绘图% figure;% plot(zz, 'r', 'lineWidth', 2);          %  画出迭代图% xlabel('迭代次数', 'fontsize', 12);% ylabel('目标函数值', 'fontsize', 12);​

3 仿真结果

4 参考文献

[1]王新东, 徐艳蕾, 张奇,等. 基于灰狼优化PID控制的变量喷药系统研究[J]. 农机化研究, 2020(5):6.

博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。

部分理论引用网络文献，若有侵权联系博主删除。