【PID优化】基于萤火虫算法PID控制器优化设计含Matlab源码

2024-03-17 11:59

本文主要是介绍【PID优化】基于萤火虫算法PID控制器优化设计含Matlab源码,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

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。

这篇关于【PID优化】基于萤火虫算法PID控制器优化设计含Matlab源码的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/818887

相关文章

Spring Boot + MyBatis Plus 高效开发实战从入门到进阶优化(推荐)

《SpringBoot+MyBatisPlus高效开发实战从入门到进阶优化(推荐)》本文将详细介绍SpringBoot+MyBatisPlus的完整开发流程,并深入剖析分页查询、批量操作、动... 目录Spring Boot + MyBATis Plus 高效开发实战:从入门到进阶优化1. MyBatis

MyBatis 动态 SQL 优化之标签的实战与技巧(常见用法)

《MyBatis动态SQL优化之标签的实战与技巧(常见用法)》本文通过详细的示例和实际应用场景,介绍了如何有效利用这些标签来优化MyBatis配置,提升开发效率,确保SQL的高效执行和安全性,感... 目录动态SQL详解一、动态SQL的核心概念1.1 什么是动态SQL?1.2 动态SQL的优点1.3 动态S

Python如何使用__slots__实现节省内存和性能优化

《Python如何使用__slots__实现节省内存和性能优化》你有想过,一个小小的__slots__能让你的Python类内存消耗直接减半吗,没错,今天咱们要聊的就是这个让人眼前一亮的技巧,感兴趣的... 目录背景:内存吃得满满的类__slots__:你的内存管理小助手举个大概的例子:看看效果如何?1.

一文详解SpringBoot响应压缩功能的配置与优化

《一文详解SpringBoot响应压缩功能的配置与优化》SpringBoot的响应压缩功能基于智能协商机制,需同时满足很多条件,本文主要为大家详细介绍了SpringBoot响应压缩功能的配置与优化,需... 目录一、核心工作机制1.1 自动协商触发条件1.2 压缩处理流程二、配置方案详解2.1 基础YAML

Python实现无痛修改第三方库源码的方法详解

《Python实现无痛修改第三方库源码的方法详解》很多时候,我们下载的第三方库是不会有需求不满足的情况,但也有极少的情况,第三方库没有兼顾到需求,本文将介绍几个修改源码的操作,大家可以根据需求进行选择... 目录需求不符合模拟示例 1. 修改源文件2. 继承修改3. 猴子补丁4. 追踪局部变量需求不符合很

SpringBoot实现MD5加盐算法的示例代码

《SpringBoot实现MD5加盐算法的示例代码》加盐算法是一种用于增强密码安全性的技术,本文主要介绍了SpringBoot实现MD5加盐算法的示例代码,文中通过示例代码介绍的非常详细,对大家的学习... 目录一、什么是加盐算法二、如何实现加盐算法2.1 加盐算法代码实现2.2 注册页面中进行密码加盐2.

Java时间轮调度算法的代码实现

《Java时间轮调度算法的代码实现》时间轮是一种高效的定时调度算法,主要用于管理延时任务或周期性任务,它通过一个环形数组(时间轮)和指针来实现,将大量定时任务分摊到固定的时间槽中,极大地降低了时间复杂... 目录1、简述2、时间轮的原理3. 时间轮的实现步骤3.1 定义时间槽3.2 定义时间轮3.3 使用时

MySQL中慢SQL优化的不同方式介绍

《MySQL中慢SQL优化的不同方式介绍》慢SQL的优化,主要从两个方面考虑,SQL语句本身的优化,以及数据库设计的优化,下面小编就来给大家介绍一下有哪些方式可以优化慢SQL吧... 目录避免不必要的列分页优化索引优化JOIN 的优化排序优化UNION 优化慢 SQL 的优化,主要从两个方面考虑,SQL 语

MySQL中慢SQL优化方法的完整指南

《MySQL中慢SQL优化方法的完整指南》当数据库响应时间超过500ms时,系统将面临三大灾难链式反应,所以本文将为大家介绍一下MySQL中慢SQL优化的常用方法,有需要的小伙伴可以了解下... 目录一、慢SQL的致命影响二、精准定位问题SQL1. 启用慢查询日志2. 诊断黄金三件套三、六大核心优化方案方案

Redis中高并发读写性能的深度解析与优化

《Redis中高并发读写性能的深度解析与优化》Redis作为一款高性能的内存数据库,广泛应用于缓存、消息队列、实时统计等场景,本文将深入探讨Redis的读写并发能力,感兴趣的小伙伴可以了解下... 目录引言一、Redis 并发能力概述1.1 Redis 的读写性能1.2 影响 Redis 并发能力的因素二、