基于粒子群算法的PID控制器优化设计 |
您所在的位置:网站首页 › 蚁群算法优化pid参数设置在哪个位置 › 基于粒子群算法的PID控制器优化设计 |
这篇文章主要讲解的是使用粒子群算法对PID参数进行寻优,大家可以进行参考。 基于粒子群算法的PID控制器优化设计 1. 理论基础2. 问题描述3. 思路及步骤3.1 优化设计过程3.2 粒子群算法实现 4. MATLAB程序5.仿真结果 1. 理论基础PID控制器的一般形式为 u ( t ) = K p e ( t ) + K i ∫ 0 t e ( τ ) d τ + K d d e ( t ) d t u(t) = {K_p}e(t) + {K_i}\int_0^t {e(\tau )} d\tau + {K_d}\frac{{de(t)}}{{dt}} u(t)=Kpe(t)+Ki∫0te(τ)dτ+Kddtde(t) 其中, e ( t ) e(t) e(t)是系统误差; K p K_p Kp、 K i K_i Ki和 K d K_d Kd分别是对系统误差信号及其积分与微分量的加权,控制器通过这样的加权就可以计算出控制信号,驱动受控对象。 因此,PID控制器的三个参数的选择相当重要,优化这三个参数相当重要。传统参数的选取都是靠人工经验进行选取,此文章将使用PSO对PID控制器中的这三个参数进行优化。 2. 问题描述PID控制器的系统结构图如下 PID控制器的优化问题就是确定一组合适的参数 K p K_p Kp、 K i K_i Ki、 K d K_d Kd,使得指标达到最优。这里选用ITAE指标,其定义为 J = ∫ 0 ∞ t ∣ e ( t ) ∣ d t J = \int_0^\infty {t\left| {e(t)} \right|dt} J=∫0∞t∣e(t)∣dt 选取的被控对象为为下面的不稳定系统: G ( s ) = s + 2 s 4 + 8 s 3 + 4 s 2 − s + 0.4 G(s) = \frac{{s + 2}}{{{s^4} + 8{s^3} + 4{s^2} - s + 0.4}} G(s)=s4+8s3+4s2−s+0.4s+2 在Simulink环境下搭建上述的模型如下图所示: 3. 思路及步骤 3.1 优化设计过程李用粒子群算法对PID控制器的参数进行优化设计,过程图如下所示: 上图中,粒子群算法与Simulink模型之间连接的桥梁是粒子(即PID控制器参数)和该粒子对应的适应值(即控制系统的性能指标)。优化过程如下:PSO产生粒子群(可以是初始化的粒子群,也可以是更新后的粒子群),将该粒子群中的粒子依次赋值给PID控制器的参数 K p K_p Kp、 K i K_i Ki、 K d K_d Kd,然后运行控制器系统的Simulink模型,得到该参数对应的性能指标,该性能指标传递到PSO中作为该粒子的适应值,最后判断是否可以退出算法。 3.2 粒子群算法实现粒子群算法中速度和位置是根据下面两个公式进行更新 v t + 1 = ω v t + c 1 r 1 ( P t − x t ) + c 2 r 2 ( G t − x t ) {v_{t + 1}} = \omega {v_t} + {c_1}{r_1}({P_t} - {x_t}) + {c_2}{r_2}({G_t} - {x_t}) vt+1=ωvt+c1r1(Pt−xt)+c2r2(Gt−xt) x t + 1 = x t + v t + 1 x_{t+1}=x_t+v_{t+1} xt+1=xt+vt+1 其中, x x x表示粒子的位置; v v v表示粒子的速度; ω \omega ω为惯性因子; c 1 c_1 c1、 c 2 c_2 c2为加速度常数; r 1 r_1 r1、 r 2 r_2 r2为 [ 0 , 1 ] [0,1] [0,1]区间的随机数; P t P_t Pt是粒子迄今为止搜索到的最优为止; G t G_t Gt是整个粒子群迄今为止搜索到的最优为止。 PSO的流程如下: 初始化粒子群,随机产生所有粒子的位置和速度,并确定粒子的 P t P_t Pt和 G t G_t Gt。对每个粒子,将其适应值与该粒子所经历过的最优位置 P t P_t Pt的适应值进行比较,若较好,则将其作为当前的 P t P_t Pt。对每个粒子,将其适应值与整个粒子群所经历过的最优位置 G t G_t Gt的适应值进行比较,若较好,则将其作为当前的 G t G_t Gt。按照上面的公式进行速度和位置的更新。如果没有满足终止条件(通常为预设的最大迭代次数和适应值下限值),则返回步骤(2);否则,推出算法,得到最优解。 4. MATLAB程序下面是Simulink图 其中函数部分的程序如下: function z=PSO_PID(x) assignin('base','Kp',x(1)); %粒子依次赋值给Kp assignin('base','Ki',x(2)); %粒子依次赋值给Ki assignin('base','Kd',x(3)); %粒子依次赋值给Kd [t_time,x_state,y_out]=sim('PID_Model',[0,20]); %使用命令行运行控制系统模型 z=y_out(end,1); %返回性能指标主程序如下: %% 清空环境 clear clc %% 参数设置 w = 0.6; % 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 = [300 300 300]; Lb = [0 0 0]; %% 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(SwarmSize,Dim)*(Vmax-Vmin) + Vmin % 初始化速度 fSwarm = zeros(SwarmSize,1); for i=1:SwarmSize fSwarm(i,:) = feval(ObjFun,Swarm(i,:)); % 粒子群的适应值 end %% 个体极值和群体极值 [bestf bestindex]=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_fitness = 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( (iter MinFit) ) for j=1:SwarmSize % 速度更新 VStep(j,:) = w*VStep(j,:) + c1*rand*(gbest(j,:) - Swarm(j,:)) + c2*rand*(zbest - Swarm(j,:)); if VStep(j,:)>Vmax, VStep(j,:)=Vmax; end if VStep(j,:)Ub(k), Swarm(j,k)=Ub(k); end if Swarm(j,k) |
今日新闻 |
点击排行 |
|
推荐新闻 |
图片新闻 |
|
专题文章 |
CopyRight 2018-2019 实验室设备网 版权所有 win10的实时保护怎么永久关闭 |