基于粒子群算法的PID控制器优化设计

本文详细介绍了如何使用粒子群算法对PID控制器的Kp、Ki和Kd参数进行寻优,包括理论基础、问题描述、优化过程和MATLAB实现,通过实例展示了优化后的控制器性能和参数变化。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

这篇文章主要讲解的是使用粒子群算法对PID参数进行寻优,大家可以进行参考。

1. 理论基础

PID控制器的一般形式为
u ( t ) = K p e ( t ) + K i ∫ 0 t e ( τ ) d τ + K d d e ( t ) d t u(t) = {K_p}e(t) + {K_i}\int_0^t {e(\tau )} d\tau + {K_d}\frac{{de(t)}}{{dt}} u(t)=Kpe(t)+Ki0te(τ)dτ+Kddtde(t)
其中, e ( t ) e(t) e(t)是系统误差; K p K_p Kp K i K_i Ki K d K_d Kd分别是对系统误差信号及其积分与微分量的加权,控制器通过这样的加权就可以计算出控制信号,驱动受控对象。
因此,PID控制器的三个参数的选择相当重要,优化这三个参数相当重要。传统参数的选取都是靠人工经验进行选取,此文章将使用PSO对PID控制器中的这三个参数进行优化。

2. 问题描述

PID控制器的系统结构图如下
在这里插入图片描述
PID控制器的优化问题就是确定一组合适的参数 K p K_p Kp K i K_i Ki K d K_d Kd,使得指标达到最优。这里选用ITAE指标,其定义为
J = ∫ 0 ∞ t ∣ e ( t ) ∣ d t J = \int_0^\infty {t\left| {e(t)} \right|dt} J=0te(t)dt
选取的被控对象为为下面的不稳定系统:
G ( s ) = s + 2 s 4 + 8 s 3 + 4 s 2 − s + 0.4 G(s) = \frac{{s + 2}}{{{s^4} + 8{s^3} + 4{s^2} - s + 0.4}} G(s)=s4+8s3+4s2s+0.4s+2
在Simulink环境下搭建上述的模型如下图所示:
在这里插入图片描述

3. 思路及步骤

3.1 优化设计过程

李用粒子群算法对PID控制器的参数进行优化设计,过程图如下所示:
在这里插入图片描述
上图中,粒子群算法与Simulink模型之间连接的桥梁是粒子(即PID控制器参数)和该粒子对应的适应值(即控制系统的性能指标)。优化过程如下:PSO产生粒子群(可以是初始化的粒子群,也可以是更新后的粒子群),将该粒子群中的粒子依次赋值给PID控制器的参数 K p K_p Kp K i K_i Ki K d K_d Kd,然后运行控制器系统的Simulink模型,得到该参数对应的性能指标,该性能指标传递到PSO中作为该粒子的适应值,最后判断是否可以退出算法。

3.2 粒子群算法实现

粒子群算法中速度和位置是根据下面两个公式进行更新
v t + 1 = ω v t + c 1 r 1 ( P t − x t ) + c 2 r 2 ( G t − x t ) {v_{t + 1}} = \omega {v_t} + {c_1}{r_1}({P_t} - {x_t}) + {c_2}{r_2}({G_t} - {x_t}) vt+1=ωvt+c1r1(Ptxt)+c2r2(Gtxt)
x t + 1 = x t + v t + 1 x_{t+1}=x_t+v_{t+1} xt+1=xt+vt+1
其中, x x x表示粒子的位置; v v v表示粒子的速度; ω \omega ω为惯性因子; c 1 c_1 c1 c 2 c_2 c2为加速度常数; r 1 r_1 r1 r 2 r_2 r2 [ 0 , 1 ] [0,1] [0,1]区间的随机数; P t P_t Pt是粒子迄今为止搜索到的最优为止; G t G_t Gt是整个粒子群迄今为止搜索到的最优为止。
PSO的流程如下:

  1. 初始化粒子群,随机产生所有粒子的位置和速度,并确定粒子的 P t P_t Pt G t G_t Gt
  2. 对每个粒子,将其适应值与该粒子所经历过的最优位置 P t P_t Pt的适应值进行比较,若较好,则将其作为当前的 P t P_t Pt
  3. 对每个粒子,将其适应值与整个粒子群所经历过的最优位置 G t G_t Gt的适应值进行比较,若较好,则将其作为当前的 G t G_t Gt
  4. 按照上面的公式进行速度和位置的更新。
  5. 如果没有满足终止条件(通常为预设的最大迭代次数和适应值下限值),则返回步骤(2);否则,推出算法,得到最优解。

4. MATLAB程序

下面是Simulink图

在这里插入图片描述
其中函数部分的程序如下:

function z=PSO_PID(x)
assignin('base','Kp',x(1));    %粒子依次赋值给Kp
assignin('base','Ki',x(2));    %粒子依次赋值给Ki
assignin('base','Kd',x(3));    %粒子依次赋值给Kd
[t_time,x_state,y_out]=sim('PID_Model',[0,20]);    %使用命令行运行控制系统模型
z=y_out(end,1);    %返回性能指标

主程序如下:

%% 清空环境
clear
clc

%% 参数设置
w = 0.6;      % 惯性因子 
c1 = 2;       % 加速常数
c2 = 2;       % 加速常数

Dim = 3;            % 维数
SwarmSize = 100;    % 粒子群规模
ObjFun = @PSO_PID;  % 待优化函数句柄

MaxIter = 100;      % 最大迭代次数  
MinFit = 0.1;       % 最小适应值 

Vmax = 1;
Vmin = -1;
Ub = [300 300 300];
Lb = [0 0 0];

%% 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4个空矩阵
K_p = zeros(1,MaxIter);         
K_i = zeros(1,MaxIter);
K_d = zeros(1,MaxIter);
while( (iter < MaxIter) && (fzbest > MinFit) )
    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_p(1,iter) = zbest(1);
    K_i(1,iter) = zbest(2);
    K_d(1,iter) = zbest(3);
end
%% 绘图输出
figure(1)      % 绘制性能指标ITAE的变化曲线
plot(y_fitness,'LineWidth',2)
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PID控制器参数变化曲线
plot(K_p)
hold on
plot(K_i,'k','LineWidth',3)
plot(K_d,'--r')
title('Kp、Ki、Kd 优化曲线','fontsize',18);
xlabel('迭代次数','fontsize',18);ylabel('参数值','fontsize',18);
set(gca,'Fontsize',18);
legend('Kp','Ki','Kd',1);

5.仿真结果

经过优化后的PID控制器的最优参数以及性能指标为
K p = 33.6326 , K i = 0.1662 K_p= 33.6326, K_i=0.1662 Kp=33.6326,Ki=0.1662
K d = 38.7892 , I T A E = 1.0580 K_d= 38.7892 , ITAE= 1.0580 Kd=38.7892,ITAE=1.0580

性能指标曲线图:
在这里插入图片描述

单位阶跃响应曲线:
在这里插入图片描述
K p K_p Kp K i K_i Ki K d K_d Kd优化曲线:

在这里插入图片描述

大家如果有使用PSO算法对LQR中的Q参数进行优化的程序可以进行交流一下,谢谢!

### 粒子群优化算法与模糊PID控制器的实现 #### 1. 模糊PID控制器概述 模糊PID控制器结合了传统PID控制器的比例积分微分作用以及模糊逻辑的优势。这种组合能够更好地处理非线性和不确定性较强的复杂系统,提供更灵活、鲁棒性强的控制效果[^2]。 #### 2. 粒子群优化算法简介 粒子群优化(Particle Swarm Optimization, PSO)源于对鸟类群体觅食行为的研究成果,它模仿自然界生物种群的社会协作机制,在多维空间内搜索全局最优解。每个潜在解决方案被称为“粒子”,这些粒子按照一定的速度更新自己的位置直到找到满意的解答为止[^3]。 #### 3. 使用PSO优化模糊PID参数的方法 为了使模糊PID控制器达到更好的动态响应和平稳性指标,可以通过PSO自动调整其内部的关键参数(如比例系数\( K_p \),积分时间常数\( T_i \), 微分时间常数 \(T_d\))。具体过程如下: - **初始化**:设定初始种群规模N,定义每只粒子的位置向量X=(kp, ki, kd),并随机赋予各维度的速度V。 - **评估个体适应度**:对于每一个粒子所代表的一组(kp,ki,kd),构建对应的模糊PID模型并对目标对象实施闭环仿真测试;依据预设评价标准计算该配置下的综合性能得分F(X)作为当前粒子的最佳记录Pbest[i]。 - **迭代寻优**:根据公式\[ V_{i}(t+1)=w*V_{i}(t)+c_1*rnd()*(Pbest_i-X_i(t))+c_2*rnd()*(Gbest-X_i(t))\] 更新各个体的速度方向,并据此改变它们的空间坐标至新状态Xi(t+1);其中w为惯性权重因子,c1/c2分别表示认知/社会学习率,rnd()返回0到1之间的伪随机实数值,Gbest指代迄今为止整个族群发现过的最好方案。 - **终止条件判断**:当满足最大循环次数或连续若干轮次间无显著改善时结束运算,输出最终确定下来的最优参数集合作为调校后的模糊PID规则库输入项。 ```matlab % 初始化PSO参数 nPop = 50; % 种群数量 maxIter = 100; % 迭代次数上限 dim = 3; % 参数维度 (Kp,Ki,Kd) lb = [0, 0, 0]; ub = [10, 10, 10]; % 各参数取值范围下限和上限 wMax = 0.9; wMin = 0.4; c1 = c2 = 2; % 随机生成初代种群及其对应的速度矩阵 positions = rand(nPop,dim).*(ub-lb)+repmat(lb,nPop,1); velocities = zeros(size(positions)); for iter=1:maxIter % 计算适应度值 fitnessValues = arrayfun(@(idx)fuzzyPidFitness(positions(idx,:),...), ... 1:nPop,'UniformOutput',false); [~, bestIdx] = min(cell2mat(fitnessValues)); gBestPosition(iter,:) = positions(bestIdx,:); pBestPositions = updatePersonalBest(positions,pBestPositions,... cell2mat(fitnessValues),cell2mat(pBestFitnesses)); w = wMax-(iter/maxIter)*(wMax-wMin); velocities = inertiaWeightedVelocityUpdate(w,velocities,... positions,pBestPositions,gBestPosition(end,:)); positions = enforceBounds(updatePositions(positions,velocities), lb, ub); end function fVal=fuzzyPidFitness(pidParams,...) % 定义适合特定应用场景的目标函数 % 此处省略实际编码细节... end function updatedPos=enforceBounds(pos, lowerBound, upperBound) % 对超出边界的变量重新赋合法区间内的随机值 outOfBoundsMask = pos<lowerBound | pos>upperBound; numOutOfBoundsVars=sum(outOfBoundsMask(:)); if any(outOfBoundsMask) replacementVals=rand(numOutOfBoundsVars,1).*... repmat((upperBound(lowerBound==true)-lowerBound(lowerBound==true)),numOutOfBoundsVars,1)+... repmat(lowerBound(lowerBound==true)',numOutOfBoundsVars,1); updatedPos=outOfBoundsMask.*replacementVals+(~outOfBoundsMask).*pos; else updatedPos=pos; end end ```
评论 101
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值