【PID优化】基于灰狼优算法优化分数阶 PD 滑模控制器附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。

更多Matlab仿真内容点击👇

智能优化算法       神经网络预测       雷达通信       无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机 

⛄ 内容介绍

为了寻找最佳的比例,积分和微分(PID)控制器增益因子,使系统输出尽可能接近参考输入信号的变化,使得控制系统的时间加权绝对误差积分最小,提出了基于灰狼优化算法(GWO)进行PID控制器增益因子优化设计的方法.仿真结果表明,基于灰狼优化算法的最优参数PID控制器比基于其他算法的性能更好,最优值更佳.

⛄ 部分代码

x0=[-pi pi 0 0 0 0];

Ts=[0 5]; 

% initialize alpha, beta, and delta_pos

Alpha_pos=zeros(1,dim);

Alpha_score=inf; %change this to -inf for maximization problems

Beta_pos=zeros(1,dim);

Beta_score=inf; %change this to -inf for maximization problems

Delta_pos=zeros(1,dim);

Delta_score=inf; %change this to -inf for maximization problems

%Initialize the positions of search agents

Positions=initializationr(SearchAgents_no,dim,ub,lb);

Convergence_curve=zeros(1,Max_iter);

l=0;% Loop counter

% Main loop

while l<Max_iter

    l

    for i=1:size(Positions,1)  

        

        

       % Return back the search agents that go beyond the boundaries of the search space

%         Flag4ub=Positions(i,:)>ub;

%         Flag4lb=Positions(i,:)<lb;

%         Positions(i,:)=(Positions(i,:).*(~(Flag4ub+Flag4lb)))+ub.*Flag4ub+lb.*Flag4lb;   

        Kpd=Positions(i,:);

        [T,X] = ode45(@(t,x) r2dof(t,x,Kpd),Ts,x0);

        qd1=sin(4.17*T);

        % qdot_r1=4.17*cos(4.17*T);

        % qdot2_r1=-4.17*4.17*sin(4.17*T);

        qd2=1.2*sin(5.11*T);

        % qdot_r2=1.2*5.11*cos(5.11*T);

        % qdot2_r2=-1.2*5.11*5.11*sin(5.11*T);

        th1=X(:,1); %theta1 wavwform

        th2=X(:,2);

        fitness=Fitnessr(th1,th2,qd1,qd2);

        % Calculate objective function for each search agent

%         fitness=Fitnessr(Positions(i,:));

        

        % Update Alpha, Beta, and Delta

        if fitness<Alpha_score 

            Alpha_score=fitness; % Update alpha

            Alpha_pos=Positions(i,:);

        end

        

        if fitness>Alpha_score && fitness<Beta_score 

            Beta_score=fitness; % Update beta

            Beta_pos=Positions(i,:);

        end

        

        if fitness>Alpha_score && fitness>Beta_score && fitness<Delta_score 

            Delta_score=fitness; % Update delta

            Delta_pos=Positions(i,:);

        end

    end

    

    

    a=2-l*((2)/Max_iter); % a decreases linearly fron 2 to 0

    

    % Update the Position of search agents including omegas

    for i=1:size(Positions,1)

        

        

%         for j=1:size(Positions,2)     

                       

            r1=rand(); % r1 is a random number in [0,1]

            r2=rand(); % r2 is a random number in [0,1]

            

            A1=2*a*r1-a; % Equation (3.3)

            C1=2*r2; % Equation (3.4)

            

            D_alpha=abs(C1*Alpha_pos-Positions(i,:)); % Equation (3.5)-part 1

            X1=Alpha_pos-A1*D_alpha; % Equation (3.6)-part 1

                       

            r1=rand();

            r2=rand();

            

            A2=2*a*r1-a; % Equation (3.3)

            C2=2*r2; % Equation (3.4)

            

            D_beta=abs(C2*Beta_pos-Positions(i,:)); % Equation (3.5)-part 2

            X2=Beta_pos-A2*D_beta; % Equation (3.6)-part 2       

            

            r1=rand();

            r2=rand(); 

            

            A3=2*a*r1-a; % Equation (3.3)

            C3=2*r2; % Equation (3.4)

            

            D_delta=abs(C3*Delta_pos-Positions(i,:)); % Equation (3.5)-part 3

            X3=Delta_pos-A3*D_delta; % Equation (3.5)-part 3             

            

            Positions(i,:)=(X1+X2+X3)/3;% Equation (3.7)

            

%         end

    end

    l=l+1;    

    Convergence_curve(l)=Alpha_score;

end

⛄ 运行结果

⛄ 参考文献

[1]赵华东, 宋保业, 张建胜,等. 基于粒子群优化算法的分数阶PID控制器设计[J]. 山东科技大学学报：自然科学版, 2017, 36(4):6.

[2]蒋建辉. 基于粒子群优化算法的分数阶PID控制器设计[J]. 中小企业管理与科技, 2015(21):2.

[3]冯严冰. 基于灰狼优化算法的PID控制器设计[J]. 传感器世界, 2022, 28(8):5.

⛄ 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