【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

MySQL索引的优化之LIKE模糊查询功能实现

《MySQL索引的优化之LIKE模糊查询功能实现》:本文主要介绍MySQL索引的优化之LIKE模糊查询功能实现,本文通过示例代码给大家介绍的非常详细,感兴趣的朋友一起看看吧... 目录一、前缀匹配优化二、后缀匹配优化三、中间匹配优化四、覆盖索引优化五、减少查询范围六、避免通配符开头七、使用外部搜索引擎八、分

Java 正则表达式URL 匹配与源码全解析

《Java正则表达式URL匹配与源码全解析》在Web应用开发中,我们经常需要对URL进行格式验证,今天我们结合Java的Pattern和Matcher类,深入理解正则表达式在实际应用中... 目录1.正则表达式分解:2. 添加域名匹配 (2)3. 添加路径和查询参数匹配 (3) 4. 最终优化版本5.设计思

openCV中KNN算法的实现

《openCV中KNN算法的实现》KNN算法是一种简单且常用的分类算法,本文主要介绍了openCV中KNN算法的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的... 目录KNN算法流程使用OpenCV实现KNNOpenCV 是一个开源的跨平台计算机视觉库,它提供了各

Python通过模块化开发优化代码的技巧分享

《Python通过模块化开发优化代码的技巧分享》模块化开发就是把代码拆成一个个“零件”,该封装封装,该拆分拆分,下面小编就来和大家简单聊聊python如何用模块化开发进行代码优化吧... 目录什么是模块化开发如何拆分代码改进版:拆分成模块让模块更强大:使用 __init__.py你一定会遇到的问题模www.

Java调用C++动态库超详细步骤讲解(附源码)

《Java调用C++动态库超详细步骤讲解(附源码)》C语言因其高效和接近硬件的特性,时常会被用在性能要求较高或者需要直接操作硬件的场合,:本文主要介绍Java调用C++动态库的相关资料,文中通过代... 目录一、直接调用C++库第一步:动态库生成(vs2017+qt5.12.10)第二步:Java调用C++

springboot+dubbo实现时间轮算法

《springboot+dubbo实现时间轮算法》时间轮是一种高效利用线程资源进行批量化调度的算法,本文主要介绍了springboot+dubbo实现时间轮算法,文中通过示例代码介绍的非常详细,对大家... 目录前言一、参数说明二、具体实现1、HashedwheelTimer2、createWheel3、n

SpringBoot首笔交易慢问题排查与优化方案

《SpringBoot首笔交易慢问题排查与优化方案》在我们的微服务项目中,遇到这样的问题:应用启动后,第一笔交易响应耗时高达4、5秒,而后续请求均能在毫秒级完成,这不仅触发监控告警,也极大影响了用户体... 目录问题背景排查步骤1. 日志分析2. 性能工具定位优化方案:提前预热各种资源1. Flowable

SpringBoot3实现Gzip压缩优化的技术指南

《SpringBoot3实现Gzip压缩优化的技术指南》随着Web应用的用户量和数据量增加,网络带宽和页面加载速度逐渐成为瓶颈,为了减少数据传输量,提高用户体验,我们可以使用Gzip压缩HTTP响应,... 目录1、简述2、配置2.1 添加依赖2.2 配置 Gzip 压缩3、服务端应用4、前端应用4.1 N

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