直接调用

2023-03-19 16:42| 来源: 网络整理| 查看: 265

目录前言技术篇一. Python与Matlab交互二. Matlab与Simulink交互三. Pyhton与Matlab/Simulink交互小结

—— 前言—— 技术篇1）Python与Matlab交互2）Matlab与Simulink交互3）Pyhton与Matlab/Simulink交互—- 小结

前言

一年前，还没接触过Pyhton和Simulink，Matlab也只会写一些简单的计算脚本。如今使用Python的AI库和Matlab/Simulink快一年了，期间用Simulink做微电网的暂态仿真，搭建环境，然后在Python中做强化学习的训练。为了实现训练的自主运行，需要打通Python和Matlab/Simulink的接口，经过一段时间的探索，终于找到了一个可行的方案。20年初的时候，2019版的Matalb还没有Reinforcement learning (RL)库，只有Deep learning库，直到2020a版本，Mathwork官方才建立化强化学习库。并且由于刚引入，其支持的RL算法较少，且很多个性化的训练需求无法完成。另外，我的训练需要和Simulink交互，且动态修改Simulink内部参数，并实时分析Simulink的仿真数据，这使得Matlab的RL包无法直接满足需求。于是最终选择了Pyhton和Matlab/Simulink混合仿真的路线，期间踩了不少坑，也解决了不少麻烦。现在把它们记录下来，算是一个小结，也希望给像我一样遇到类似困难的同学提供一点帮助。

技术篇

Python最终与Simulink交互，是通过与Maltlab的交互实现的，整个过程有两个关键点：一是Python调用并运行Maltab的m文件，同时直接读取工作区中的参数数据；二是Matlab通过代码控制Simulink启停，重置参数，并读取Simlink的仿真结果。这两点实现后，将Simulink作为环境，在Python中进行AI训练就不再是难事。下面分别介绍这两个关键点。

一. Python与Matlab交互

Python与Matlab交互有两种方式：1）Python作为主控程序，调用Matlab；2）Matlab作为主控程序，调用Python。

Python call Matlab

Python调用Matlab是逻辑是，在Matlab中安装Python 包形式的引擎API，然后再py文件中 improt matlab engine，即Matlab进程，通过这个engine可以直接调用Matlab内置函数或者自己编写的m文件。具体实现分为以下4步。1）检查Python和Matlab的版本适配情况。目前Mathwork官方发布的版本适配情况如下图所示。其中，Matlab的版本可以从安装文件名直接看出来；python版本可以在Matlab中通过以下代码查找：pe = pyenv; pe.Version更详细的版本适配内容可参考Mathwork官方文档：https://link.zhihu.com/?target=https%3A//ww2.mathworks.cn/help/matlab/matlab_external/install-supported-python-implementation.html%3Flang%3Den2）在Matalb根目录中安装Python包形式的引擎APIWindows中，在管理员模式下按“win+R”，键入cmd，回车打开进入系统命令行，键入：

cd "matlabroot\extern\engines\python"python setup.py install

或者在MATLAB 命令提示符下键入以下命令：

cd (fullfile(matlabroot,'extern','engines','python'))system('python setup.py install')

更详细教程可参考Mathwork官方文档：官方文档（中文版）https://link.zhihu.com/?target=https%3A//ww2.mathworks.cn/help/matlab/matlab_external/install-the-matlab-engine-for-python.html3）在Python中import matlab engine 并调用

import matlab.engine # 在Python中导入Matlab引擎eng = matlab.engine.start_matlab() # 启动Matlab引擎，命名为engeng.ini_operating_point(nargout=0) # 通过eng运行写好的m文件 “ini_operating_point.m”，nargout=0表示不返回输出。 # Note: 此m文件需要在ptyhon的启动界面下。

通过上述方法，相当于用Python开启了一个虚拟Matlab进程，没有UI界面，但是工作区及其变量依然存在。运行完m文件后，可以通过Python直接读取虚拟进程中的变量，例如：

out = eng.eval('out') # 用 matlab的eval 函数读取变量 ‘out’

另外，在Python中将变量赋值到Matlab工作区的指令也很常用，例如：

eng.workspace['Q_ref'] = Q_ref.tolist() # 在Matlab工作区生成变量‘Q_ref’，大小等于Python中的变量‘Q_ref’

上述通过Python启动Matlab engine的过程大致要花30秒，比直接打开Matlab要稍微慢点。4）退出Matlab engine

eng.quit() # quit Matlab engine

使用完Matlab代码后，需要在Python中手动代码退出，否则这个进程会一直挂在后台，占用系统资源。

Matlab call Python

Matlab里可以很方便地调用Python。在Matlab Command window里键入 pyversion ，就能看到链接的Python解释器，下图是我通过Anaconda配置的写强化学习训练的环境，命名成了“DQN”…. Python版本是3.6。这里插个题外话，关于Python的版本和环境管理。早期Tenserflow代码使用的是早版本Python，所以需要通过Python环境管理来支持之前版本的代码。目前，最新的Tensorflow和Pytorch库都需要较新版本的Python支持。具体的例子和更详细的使用方法，可参考知乎上的其它帖子和Mathwork官方文档，这里不做赘述，传送门如下：https://zhuanlan.zhihu.com/p/40992247https://ww2.mathworks.cn/help/matlab/call-python-libraries.html?s_tid=CRUX_lftnav

二. Matlab与Simulink交互

常见的Simulink使用方法是拖动模块，搭建系统，然后点击控制栏中的 ‘Run’来运行，并通过Scope观测输出。这种方式在少工作量的场景下比较方便，但如果碰到以下场景，手动启停就不太现实了。比如：1）需要频繁地调参，甚至在仿真过程中动态修改参数；2）需要批量仿真，反复运行成千上万次；3）初始化时间很长，实际需要观察时间段在仿真末尾几秒。这时候就需要代码来控制Simulink仿真。实际上，鼠标点击能实现的控制操作都可以通过代码来实现。主要涉及到两个函数：一是仿真运行函数 sim( )，用于控制simulink仿真的启停；二是参数设置函数 set_param( )，用于参数设置，包括仿真控制参数，和仿真模型参数。下面贴一段我写的代码，使用了上面提到了命令。这段代码的功能是将一个Simulink模型仿真到4秒，并存成工作点，以后的仿真读取工作点直接从4秒时刻继续。

% -------------------------------------------------------------------------% This manuscripte is to set the initial operaton point of simulink file% The environment is Banshee microgrid% Last modfied: 3/17/2021 by Buxin She% -------------------------------------------------------------------------%%% parameter initializationfile_name = 'Banshee_grid_connected_PQ';start_time = '4'; normal_stop_time = '11';% load sim modelload_system(file_name);% set loading initial operation point offset_param(file_name,'LoadInitialState','off');set_param(file_name,'SimscapeUseOperatingPoints','off');% set getting final state on and save it as IniOperPointset_param(file_name,'SaveCompleteFinalSimState','on');set_param(file_name,'SaveFinalState','on');set_param(file_name,'FinalStateName','myOperPoint');simOut = sim(file_name,'StopTime',start_time);myOperPoint = simOut.myOperPoint;save('IniOperPoint.mat', 'myOperPoint');set_param(file_name,'SaveCompleteFinalSimState','off');% set loading initial operation point onset_param(file_name,'LoadInitialState','on'); set_param(file_name,'InitialState','myOperPoint');set_param(file_name,'SimscapeUseOperatingPoints','on'); % enable Operation point initializationset_param(file_name,'SimscapeOperatingPoint','myOperPoint');% restore the stop timeset_param(file_name,'StopTime',normal_stop_time);

One more thing，怎么通过代码控制Simulink更新内部仿真参数，做到动态仿真。方法是使用Simulink Assertion 模块。在Assertion中设置一个触发逻辑，Simulink会自动运行Assertion下预先写好的代码。我的一个具体使用方式是写一句暂停代码（set_param(bdroot, ‘SimulationCommand’, ‘pause’)），触发后使Simulink仿真暂停，然后在m文件中用代码更新仿真参数和设置，最后通过set_param()控制Simulink继续运行。

关于Matlab与Simulink交互更详细的例子和使用方法，可参考下面教程：1）Sim() 函数使用教程https://zhuanlan.zhihu.com/p/57487483https://link.zhihu.com/?target=https%3A//www.mathworks.com/help/simulink/slref/sim.html2）Set_param()函数使用教程https://link.zhihu.com/?target=https%3A//www.mathworks.com/help/simulink/slref/set_param.html

三. Pyhton与Matlab/Simulink交互

搞定了Python/Matlab交互，Matlab/Simulink交互之后，通过Python控制Simulink就容易很多了。整理交互逻辑是：Python启动matlab engine，然后通过代码控制Simulink启停，读取、更新仿真参数，最后直接读取、存储Matlab工作区的变量结果。贴一段以Simulink作为环境，Python作为主控程序，调用Tensorflow进行强化学习的代码（代码有所简化），运用到了上面提到的大部分技巧。

import numpy as npimport tensorflow as tfimport matlab.engine# ------------------------- Training loop ------------------------------# Start Matlab engine and initialize simulink modeleng = matlab.engine.start_matlab()eng.ini_sim_ddpg(nargout=0) while True: # set action action_temp = policy(state_temp, action_noise, lower_action, upper_action) print(f'action_temp is {action_temp}') # sim and get next state eng.set_param('simple_case_ddpg/Control/kp', 'value', str(kp), nargout=0) eng.set_param('simple_case_ddpg/Control/ki', 'value', str(ki), nargout=0) eng.set_param('simple_case_ddpg/Control/pause_time', 'value', str(pause_time), nargout=0) eng.set_param('simple_case_ddpg', 'SimulationCommand', 'continue', nargout=0) # update next state and reward next_state_temp = np.array([-0.0116, eng.eval('out.t(end)'), eng.eval('out.Vt(end)')]) next_state_temp = next_state_temp[None, :] # expand dimension to (1, 3) reward_temp = get_reward(next_state_temp) # get reward based on t and Vt episode_reward += reward_temp # record buffer buffer_temp = merge_buffer(state_temp, action_temp, reward_temp, next_state_temp) buffer = np.append(buffer, buffer_temp[None, :], axis=0) buffer_counter += 1 # learn and update target network learn() update_target(target_actor.variables, actor.variables, tau) update_target(target_critic.variables, critic.variables, tau) # episode done pause_time += step_time if pause_time > (stop_time + step_time): eng.set_param('simple_case_ddpg', 'SimulationCommand', 'stop', nargout=0) break # print episodic reward print("Episode * {} * Avg Reward is ==> {}".format(episodes + ep + 1, episode_reward))eng.quit() # quit Matlab engine

小结

本文主要讲述了Python，Matlab，Simulink三者交互的逻辑，小结了一些交互技巧。现在来看，Matlab在2020、2021的版本中加强了对强化学习的支持，基本涵盖了目前主流的RL算法，使用Simulink作为环境时，不必大费周章地与Python进行交互了。但是，如果想跟踪最新的AI研究成果，并用到科研中，上述交互还是很有价值的。因为最新的AI算法大都是Python开源，并且Github也有很多优质的资源。所以Mark一下本文，以做防身用。共勉。

https://zhuanlan.zhihu.com/p/392728491

【本文地址】

公司简介

联系我们