【MATLAB】自适应果蝇优化算法整定PID控制器参数（六）—— 一阶带时延的被控对象

【MATLAB】自适应果蝇优化算法整定PID控制器参数（六）—— 一阶带时延的被控对象

0研究背景

写在前面：
 1.本代码基于MATLAB2019a版本，低版本或者不同版本可能会报错，mdl文件或slx文件打开可能会失败；
 2.如果运行时间过长，请观察迭代次数是否有变化。
 3.本博客附上算法运行图并详细介绍，如果转载请注明出处；

---

  参考前面的几篇博客

【Simulink】PSO优化算法整定PID控制器参数（一）一一一高阶不稳定系统

【Simulink】PSO算法优化Simulink模型的参数在线整定（二）一一一高阶不稳定系统

【MATLAB】GA优化算法整定PID控制器参数（三）—— 一阶带时延的被控对象

【MATLAB】NSGA-2优化算法整定PID控制器参数（四）—— 一阶带时延的被控对象

【MATLAB】FOA优化算法整定PID控制器参数（五）—— 一阶带时延的被控对象

1自适应果蝇优化算法的改进介绍

  复现的期刊论文如下：
  [1] 李明辉,曹泽,王玉洁.基于自适应果蝇优化算法的PID参数优化[J].机床与液压,2018,46(20):144-147.

1.1 搜索步长的改进设计

  果蝇优化算法在寻优第（2）步中（果蝇位置的初始化 ）搜寻范围一直是[-1，1]之间，即半径为1的区域。这样的弊端是在搜索前期可能会因选择步长较小而使搜索效率下降，在搜索后期又因步长较大而错过最优解。为此在搜寻过程当中引入半径调节系数$\lambda$。自适应果蝇优化算法（Improved Fruit-fly Optimization Algorithm，IFOA）调整搜寻范围的策略是果蝇个体采用嗅觉搜寻食物，其随机方向和距离为：

$$x_i=x+\omega \times (2\mathrm{rand}()-1)$$

其中，$\omega =\omega \times {\lambda }^i$，初始值设定为$\omega =1$，$i$为当前迭代次数。在搜索初期，可以先进行全局搜索，在搜索后期随着迭代次数的增加，搜索范围逐步减小，进行局部搜索。这样可以根据果蝇搜索初期和后期的不同阶段，使搜索范围随迭代次数自适应调整。

1.2 搜索方向的改进设计

  基本果蝇优化算法在第（3）步（计算果蝇味道浓度判定值 ）计算果蝇味道浓度判定值$S_i$时始终为正值，从而得出的适应度函数不精确。为了便于处理，直接将气味浓度判定值$S_i=$$x$i，从而计算出最小的气味浓度适应度值。自适应果蝇优化算法（Improved Fruit-fly Optimization Algorithm，IFOA）具体流程如图1所示。

图1 自适应果蝇优化算法的具体流程

---

2被控对象与适应度函数的设计

2.1 被控对象的传递函数

  以下式二阶Ⅰ型时延系统的传递函数为例，运用NSGA-2算法进行PID参数优化，其中系统设置为采样时间1 ms，指令为单位阶跃信号，仿真运行时间为1.0 s。其中，性能优化函数Best_J采取时间与误差绝对值乘积的积分方程（Integral of Time Multiplied by the Absolute Value of Error，ITAE），同时为避免控制量过大而产生超调，在性能优化函数Best_J中添加PID控制器输入量的平方项。这仅仅是其中某个目标的适应度函数，此外还需设计另外目标的适应度函数，如2.2适应度函数的设计。
  二阶Ⅰ型时延系统的传递函数，如下所示。可按照自己的实际系统进行设计，既可以.m文件进行编写

2.2 适应度函数的设计

  为获取较为满意的过渡过程，采用误差绝对值时间积分性能指标作为适应度评价函数Best_J。同时为防止控制输入过大，在Best_J加入控制输入的评分项，如式（1-2）所示。

式（1-2）中e(t)为系统输出误差，u(t)为PID控制器输入量，ρ1，ρ2为权重值。
  为避免超调，采用罚函数对超调量进行优先处理，则如式（1-3）所示。

式（1-3）中ρ3>>max(ρ1，ρ2和ρ4)，且y(t)为被控对象输出，ey(t)=y(t)-y(t-1)。
  以此作为目标适应度函数的设计。

2.3 IFOA算法的PID参数整定实现

最佳指标适应度值如下

阶跃响应输出如下

---

3与FOA算法的PID参数整定结果对比

论文算法对比图如下

最佳指标适应度值如下

阶跃响应输出如下

---