23-基于BFO的临界水深优化和PID优化

Halcom · 发表于 2019-4-14 22:56:57

23-基于BFO的临界水深优化和PID优化、改进的BFO算法、PSO算法优化的BFO算法优化的PID参数整定
百度网盘链接：https://pan.baidu.com/s/12Zs78YjBZGa_37u70dzY9w 提取码：o4yh

具体链接在halcom.cn论坛，联系人QQ：3283892722
该论坛是一个学习交流平台，我会逐一的和大家分享学习。
欢迎大家录制视频，并提交给我，我来设置视频，你可在论坛进行打赏分享。
视频专用播放器：http://halcom.cn/forum.php?mod=viewthread&tid=258&extra=page%3D1

代码如下：

function fitness = PID_Fun(Kpid)
ts=0.001;
sys = tf( [1.6], [1,1.5,1.6] );
dsys = c2d(sys, ts, 'z');
[num,den] = tfdata( dsys, 'v' );
u_1 = 0; u_2=0;
y_1 = 0; y_2=0;
error_1 = 0;
x = [0,0,0]';
for k=1:300
timef(k) = k*ts;
r(k) = 1;
u(k) = Kpid(1)*x(1)+Kpid(2)*x(2)+Kpid(3)*x(3);
yout(k) = -den(2)*y_1 -den(3)*y_2 + num(2)*u_1 + num(3)*u_2;
error(k) = r(k) - yout(k);
% PID参数返回值
u_2 = u_1;
u_1 = u(k);
y_2 = y_1;
y_1 = yout(k);
x(1) = error(k); % Kp
x(2) = x(2) + error(k)*ts; % KI
x(3) = (error(k)-error_1)/ts; % KD
error_1 = error(k);
end
fitness = sum( abs(error) ) + 300*min( abs( error ) );

复制代码

主函数如下：

clc,clear,close all
warning off
format longG
% BFO优化算法参数
sizepop = 10; % 种群数量
Nc = 10; % 趋化次数
Ns = 2; % 游动次数
Nre = 2; % 复制次数
Ned = 2; % 驱散(迁移)次数
Sr = ceil( sizepop/2 ); % 复制（分裂）次数
Ped = 0.25; % 细菌驱散(迁移)概率
wmax = 0.9;
wmin = 0.1;
%% PID参数优化问题
nvar = 3; % 3个未知量
popmin = -5; popmax = 15; % x
Cmin = -1; % 最小步长
Cmax = 1; % 最大步长
C(:,:) = 0.1*ones(sizepop,nvar); % 翻转选定方向后，单个细菌前进的步长
Vmin = -1;
Vmax = 1;
c1 = 1.49;
c2 = 1.49;
% 目标函数
fun = @(x)PID_Fun(x);
%% 初始化种群
for i=1:sizepop
pop(i,:) = popmin + (popmax-popmin).*rand(1,nvar); % 初始化个体
fitness(i) = fun( pop(i,:) ); % 适应度值
C(i,:) = Cmin + (Cmax-Cmin).*rand(1,nvar); % 步长
V(i,:) = Vmin + (Vmax-Vmin).*rand(1,nvar); % 速度
end
%% 记录一组最优值
[bestfitness,bestindex]=min(fitness);
zbest=pop(bestindex,:); % 全局最佳
fitnesszbest=bestfitness; % 全局最佳适应度值
gbest = pop;
fitnessgbest = fitness;
NcSizepop = 0; % 记录最优适应度值（函数值）
%% 迭代寻优
for i = 1:Ned % 驱散(迁移)次数
for k = 1:Nre % 复制次数
for m = 1:Nc % 趋化次数
for j=1:sizepop % 种群
favg = mean(fitness);
fmin = min(fitness);
if(fitness(j)<=favg)
w=wmin+(wmax-wmin)*(fitness(j)-fmin)./(favg-fmin+eps);
else
w = wmax;
end
% 翻转
V(j,:) = w*V(j,:)+c1*rand*(gbest(j,:)-pop(j,:))+c2*rand*(zbest-pop(j,:));
for ij=1:nvar
if V(j,ij)>Vmax
V(j,ij)=Vmax;
end
if V(j,ij)<Vmin
V(j,ij)=Vmin;
end
end
pop(j,:) = pop(j,:) + w*V(j,:);
% x
for ij=1:nvar
if pop(j,ij)>popmax
pop(j,ij)=popmax;
end
if pop(j,ij)<popmin
pop(j,ij)=popmin;
end
end
% 更新当前适应度值
fitness(j) = fun(pop(j,:));
% 游动
if(fitness(j)<fitnessgbest(j))
gbest(j,:) = pop(j,:);
fitnessgbest(j) = fitness(j);
end
if(fitness(j)<bestfitness)
zbest = pop(j,:);
bestfitness = fitness(j);
end
end % sizepop 种群数量
% 记录最优适应度值
NcSizepop = NcSizepop+1;
fitness_iter(NcSizepop) = bestfitness;
end % Nc 趋化次数
% 复制操作
[maxF,index] = sort(fitness,'descend'); % 降序排列
for Nre2 = 1:Sr % 将最大适应度值的Sr个种群，进行更新
pop(index(Nre2),:) = popmin + (popmax-popmin).*rand(1,nvar);
fitness(index(Nre2)) = fun(pop(index(Nre2),:));
C(index(Nre2),:) = Cmin + (Cmax-Cmin).*rand(1,nvar); % 步长
% 比较个体间比较
if fitness(index(Nre2))<bestfitness
bestfitness = fitness(index(Nre2));
zbest = pop(index(Nre2),:);
end
end
end % Nre 复制操作
for j=1:sizepop % 种群
if Ped>rand
pop(j,:) = popmin + (popmax-popmin).*rand(1,nvar);
fitness(j) = fun(pop(j,:));
% 比较个体间比较
if fitness(j)<bestfitness
bestfitness = fitness(j);
zbest = pop(j,:);
end
end
end
end % Ned 驱散(迁移)次数
%% 显示
disp('最优解')
disp(['最优解： ', num2str( zbest )])
fprintf('\n')
disp(['最优解对应的目标函数值： ', num2str( bestfitness )])
%% 画图适应度
figure('color',[1,1,1])
plot(fitness_iter,'ro-','linewidth',2)
% loglog(fitness_iter,'ro-','linewidth',2)
axis tight
grid on
%% 响应曲线
[rint_BFO, yout_BFO] = PID_Fun_response(zbest);
figure;hold on;
plot(rint_BFO,'r-','linewidth',2);
plot(yout_BFO,'b.-','linewidth',2);
legend('阶跃控制信号','BFO算法优化的PID控制')
axis([0,300,0,1.2])
hold off

复制代码

参考文献：
【1】粒子群优化在临界水深计算中的应用
【2】基于人群搜索算法的PID控制器参数优化

		自动登录	找回密码
密码			立即注册