基于粒子群算法的pid控制器优化设计

《基于粒子群算法的pid控制器优化设计》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、基于粒子群算法的PID控制器优化设计1、案例背景PID控制器的性能取决于Kp、Ki、Kd这3个参数是否合理，因此，优化PID控制器参数具有重要意义。目前，PID控制器参数主要是人工调整，这种方法不仅费时，而且不能保证获得最佳的性能。PSO已经广泛应用于函数优化、神经网络训练、模式分类、模糊系统控制以及其它应用领域，本案例将使用PSO进行PID控制器参数的优化设计。2、案例目录：第14章  基于粒子群算法的PID控制器优化设计14.1案例背景  14.1.1粒子群算法原理  14.1.2PID控制器优化设计14.2模型建立  14.2

2、.1PID控制器模型  14.2.2算法流程  14.2.2.1优化过程  14.2.2.2粒子群算法实现14.3编程实现  14.3.1 Simulink部分的程序实现  14.3.2PSO部分的程序实现  14.3.3结果分析14.4案例扩展14.5参考文献3、案例实例及结果：PID控制器的系统结构图如图14-1所示。 选取的被控对象为以下不稳定系统： 运行代码，得到优化过程如图14-4和图14-5所示，前者为PID控制器3个参数Kp、Ki、Kd的变化曲线，后者为性能指标ITAE的变化曲线。得到的最优控制器参数及性能指标为Kp=

3、33.6469，Ki=0.1662，Kd=38.8063，ITAE=1.0580，将以上参数代回如图14-2所示的模型，得到的单位阶跃响应曲线如图14-6所示。   本案例使用粒子群算法优化PID控制器参数，事实上，其它的优化算法，比如遗传算法、模拟退火算法等，也可以用于PID控制器的参数优化，这里将使用遗传算法（GeneticAlgorithm,GA）对PID控制器进行参数优化。得到的进化过程曲线、最优参数对应的单位阶跃响应曲线分别如图14-7、图14-8所示。  4、主程序： %%清空环境clearclc%%参数设置w=0.6;

4、%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=[300300300];Lb=[000];%%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(Swarm

5、Size,Dim)*(Vmax-Vmin)+Vmin%初始化速度fSwarm=zeros(SwarmSize,1);fori=1:SwarmSizefSwarm(i,:)=feval(ObjFun,Swarm(i,:));%粒子群的适应值end%%个体极值和群体极值[bestfbestindex]=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_fi

6、tness=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((iterMinFit))forj=1:SwarmSize%速度更新VStep(j,:)=w*VStep(j,:)+c1*rand*(gbest(j,:)-Swarm(j,:))+c2*rand*(zbest-Swarm(j,:));ifVStep(j,:)>Vmax,VStep(j,:)=Vm

7、ax;endifVStep(j,:)Ub(k),Swarm(j,k)=Ub(k);endifSwarm(j,k)

8、(j)=fSwarm(j);end%群体最优更新iffSwarm(j)