【PID优化】基于萤火虫算法PID控制器优化设计含Matlab源码

1 内容介绍

PID控制器仍是现今应用最广的控制器.但由于其被控对象具有高阶非线性等特点,传统的PID参数整定方法使系统易出现超调,震荡,控制系统性能变差等问题.

2 部分代码

%% 清空环境变量

clc;

clear;

%% 初始化参数

domx = [-3, 3; -3, 3];       % 定义域

rho = 0.9;                   % 荧光素挥发因子

gamma = 0.1;                 % 适应度提取比例

beta = 0.58;                 % 邻域变化率

nt = 6;                      % 邻域阀值(邻域萤火虫数)

s = 0.03;                    % 步长

iot0 = 400;                  % 荧光素初始浓度

rs = 3;                      % 感知半径

r0 = 3;                      % 决策半径

m = size(domx, 1);           % 函数空间维数

n = 50;                      % 萤火虫数量

gaddress = zeros(n, m);      % 分配萤火虫地址空间

gvalue = zeros(n, 1);        % 分配适应度存放空间

ioti = zeros(n, 1);          % 分配荧光素存放空间

rdi = zeros(n, 1);           % 分配萤火虫决策半径存放空间

%% 萤火虫常量初始化

% 初始化地址

for i = 1:m

    gaddress(:, i) = domx(i, 1)+(domx(i, 2)-domx(i, 1))*rand(n, 1);

end

% 初始化荧光素浓度

ioti(:, 1) = iot0;

% 初始化决策半径

rdi(:, 1) = r0;

iter_max = 500;            % 最大迭代次数

t = 1;                     % 迭代计数器

yy = zeros(iter_max, 1);   % 各代最优解

%% 迭代寻优

while t <= iter_max

    % 更新荧光素浓度

    ioti = (1-rho)*ioti+gamma*fun(gaddress);

    % 各萤火虫移动过程开始

    for i = 1:n

        % 决策半径内找更优点

        Nit = [];                 % 存放萤火虫序号

        for j = 1:n

            if norm(gaddress(j, :)-gaddress(i, :)) < rdi(i) && ioti(i, 1) < ioti(j, 1)

                Nit(numel(Nit)+1) = j;

            end

        end

        % 找下一步移动的点开始

        if ~isempty(Nit)           

            Nitioti = ioti(Nit, 1);              % 选出Nit荧光素

            SumNitioti = sum(Nitioti);           % Nit荧光素和

            Molecular = Nitioti-ioti(i, 1);      % 分子

            Denominator = SumNitioti-ioti(i, 1); % 分母

            Pij = Molecular./Denominator;   % 计算Nit各元素被选择概率

            Pij = cumsum(Pij);        % 累计

            Pij = Pij./Pij(end);      % 归一化

            Pos = find(rand < Pij);   % 确定位置

            j = Nit(Pos(1));          % 确定j的位置

            % 萤火虫i向j移动一小步

            gaddress(i, :) = gaddress(i, :)+s*(gaddress(j, :)-gaddress(i, :))/norm(gaddress(j, :)-gaddress(i, :));

            % 边界处理(限制范围)

            gaddress(i, :) = min(gaddress(i, :), domx(1, 2));        

            gaddress(i, :) = max(gaddress(i, :), domx(1, 1)); 

            % 更新决策半径

            rdi(i) = rdi(i)+beta*(nt-length(Nit));

            if rdi(i, 1) < 0

                rdi(i, 1) = 0;

            end

            if rdi(i, 1) > rs

                rdi(i, 1) = rs;

            end

        end

    end

    % 每代最优解存入yy数组内

    yy(t) = max(fun(gaddress));

    % 迭代次数+1

    t = t+1;

end

%% 结果显示

gvalue = fun(gaddress);               % 求各个萤火虫的值

disp('最大值为：')

num = find(gvalue == max(gvalue));    % 最大值序号

MaxValue = max(gvalue)

disp('最优解为：')

BestAddress = gaddress(num, :)

figure;

plot(yy, 'r', 'linewidth', 2)

xlabel ('迭代次数'); ylabel( '函数值');

title( 'GSO算法各代最优解变化');

3 运行结果

4 参考文献

[1]李远梅, 张宏立. 基于改进萤火虫算法PID控制器参数优化研究[J]. 计算机仿真, 2015, 32(9):4.

[2]李恒, 郭星, 李炜. 基于改进的萤火虫算法的PID控制器参数寻优[J]. 计算机应用与软件, 2017, 34(7):4.

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、雷达通信、无线传感器等多种领域的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。