【PID优化】基于头脑风暴算法PID控制器优化设计含Matlab源码

1 内容介绍

PID参数优化对PID控制性能起着决定性作用,针对PID参数寻优问题,提出运用一种头脑风暴算法.头脑风暴算法优化参数使系统具备更短的响应时间,更高的系统控制精度以及更好的鲁棒性,为PID控制系统的参数整定提供了参考.

2 仿真代码

clc

clear

%bso test

tic

funStr = 'sphere10D5C';   %output worksheet name

funName = @sphere;        % fitness function name

rang_l = -100;            % left of dynamic range sphere

rang_r = 100;             % right of dynamic range

%n_p = 500;                % population size

%n_d = 2;                  % dimension

%n_c = 5;                  % number of clusters

%rang_l = -100;            % left of dynamic range

%rang_r = 100;             % right of dynamic range

%max_iteration = 50;       % maximal number of iterations

warning off all

n_p = 100;                 % population size

n_d = 300;                  % dimension

% n_c = 2;                   % number of clusters

% funStr = 'sphere10D5C';   %output worksheet name

% funName = @sphere;        % fitness function name

% rang_l = -100;            % left of dynamic range sphere

% rang_r = 100;             % right of dynamic range

% funStr = 'Minima10D5C'; %output worksheet name

% funName = @Minima;      % fitness function name

% rang_l = -5;            % left of dynamic range rastrigin

% rang_r = 5;             % right of dynamic range

% funStr = 'Griewangk10D5C'; %output worksheet name

% funName = @Griewangk;      % fitness function name

% rang_l = -50;            % left of dynamic range rastrigin

% rang_r = 50;             % right of dynamic range

% funName = @ackley_path;      % fitness function name

% rang_l = -5;            % left of dynamic range rastrigin

% rang_r = 5;             % right of dynamic range

% minpts = 10;

max_iteration = 2000;     % maximal number of iterations

XX=1; 

%P = 0;

 n_c = 2;

%  P = 0.6;

% for P = 0:0.1:1 

for idx = 1:30            % run times

    fit = bso2(funName,n_p,n_d,n_c,rang_l,rang_r,max_iteration);

                           %run BSO one time

    if idx <27

       str = native2unicode(idx + 64);

    else                   % assume idx <53

        str =['A',native2unicode(idx + 38)];

    end

    xlswrite('bso.xls',fit,funStr, [str,'1']); 

                           % output best fitness over generation to EXCEL worksheet for each BSO run

    ['run', num2str(idx)]

    opt(idx,:)=fit;  %可以把列换成行   fit为一列数据

%     plot(x,opt(1,:)

end

opt;

format short g

best_value = min(opt(:,max_iteration))

worst_value = max(opt(:,max_iteration))

[ln col]=size(opt);

out_put(XX,:)=sum(opt)/ln;    %每一列的均值

format short g

m_value = min(out_put(XX,:))

z = 0;

for idx = 1:30

    z = z+(opt(idx,max_iteration)-m_value)^2;

end

SD = z/29

XX=XX+1

% end

% save UUB out_put(n_c,:);

% plot(out_put);

% end

% save UUB out_put(n_c,:);

% plot(opt);

figure(1)

save UUB out_put;

x=1:max_iteration;

% plot(x,out_put(1,:),'b',x,out_put(2,:),'g',x,out_put(3,:),'r',x,out_put(4,:),'c',x,out_put(5,:),'m',x,out_put(6,:),'y',x,out_put(7,:),'k',x,out_put(8,:),'b--',x,out_put(9,:),'g-.',);

% legend('k=2：蓝色','k=3：绿色','k=4：红色','k=5：青色','k=6：品红色','k=7：黄色','k=8：黑色','k=9','k=10');

plot(x,out_put(1,:))%,'b',x,out_put(2,:),'g',x,out_put(3,:),'r',x,out_put(4,:),'c',x,out_put(5,:),'m',x,out_put(6,:),'y',x,out_put(7,:),'k',x,out_put(8,:),'b--',x,out_put(9,:),'g-.',x,out_put(10,:),'r:',x,out_put(11,:),'c-.');

% legend('P=0','P=0.1','P=0.2','P=0.3','P=0.4','P=0.5','P=0.6','P=0.7','P=0.8','P=0.9','P=1');

toc

img =gcf;  %获取当前画图的句柄

print(img, '-dpng', '-r600', './运行结果.png')         %即可得到对应格式和期望dpi的图像

3 运行结果

4 参考文献

[1]史振兴. 基于遗传算法的PID控制器参数优化与仿真[J]. 仪器仪表与分析监测, 2010(3).

[2]沈兆琪. 基于竞争机制的头脑风暴优化算法及应用研究. Diss. 曲阜师范大学.

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。