3-BFO_PSO_PID--细菌觅食算法和粒子群算法的混合算法

Halcom

3-BFO_PSO_PID--细菌觅食算法和粒子群算法的混合算法
百度网盘链接：https://pan.baidu.com/s/1S6cq5LqSl3PujfUFPhIzTQ 提取码：u1sj
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
程序如下：

1. clc,clear,close all
   
2. warning off
   
3. format longG
   
4. addpath(genpath('./PID_funtion'))
   
5. % BFO优化算法 参数
   
6. Nc = 5;                   % 趋化次数
   
7. Ns = 4;                    % 游动次数
   
8. Nre = 4;                   % 复制次数
   
9. Ned = 4;                   % 驱散(迁移)次数
   
10. sizepop = 10;              % 种群数量
    
11. Sr = ceil( sizepop/2 );    % 复制（分裂）次数
    
12. Ped = 0.25;                             % 细菌驱散(迁移)概率
    
13. nvar = 3;              % 3个未知量
    
14. popmin = [0,0,0];      % x min
    
15. popmax = [30,30,30];   % x max
    
16. Cmin = [-2,-2,-2];     % 最小步长
    
17. Cmax = [2,2,2];        % 最大步长
    
18. C(:,:) = 0.001*ones(sizepop,nvar);            % 翻转选定方向后，单个细菌前进的步长
    
19. %% PSO参数
    
20. c1 = 1.4995;
    
21. c2 = 1.4995;
    
22. Vmin = -1;
    
23. Vmax = 1;
    
24. %% 适应度函数，也就是我们的目标函数
    
25. %% 适应度函数
    
26. choosed = 4;
    
27. if choosed==1
    
28.     fun = @(x)PID_Fun_1(x);
    
29. elseif(choosed==2)
    
30.     fun = @(x)PID_Fun_2(x);
    
31. elseif(choosed==3)
    
32.     fun = @(x)PID_Fun_3(x);
    
33. elseif(choosed==4)
    
34.     fun = @(x)PID_Fun_4(x);
    
35. end
    
36. %% 初始化种群
    
37. for i=1:sizepop
    
38.     pop(i,:) = popmin + (popmax-popmin).*rand(1,nvar);   % 初始化个体
    
39.     fitness(i) = fun(  pop(i,:) );              % 适应度值
    
40.     C(i,:) = Cmin + (Cmax-Cmin).*rand(1,nvar);  % 步长
    
41.     V(i,1:nvar) = 0;            % 粒子群速度
    
42. end
    
43. %% 记录一组最优值
    
44. [bestfitness,bestindex]=min(fitness);  % 目标值越小越好
    
45. zbest=pop(bestindex,:);   % 全局最佳
    
46. fitnesszbest=bestfitness; % 全局最佳适应度值
    
47. gbest=pop;                %个体最佳
    
48. fitnessgbest=fitness;     %个体最佳适应度值
    
49. NcSizepop = 0;            % 记录最优适应度值（函数值）
    
50. %% 迭代寻优
    
51. for i = 1:Ned                   % 驱散(迁移)次数
    
52.     disp(['当前驱散(迁移)次数 i=', num2str(i), ' , 驱散(迁移)次数 Ned=', num2str(Ned)])
    
53.     for k = 1:Nre               % 复制次数
    
54.         disp(['复制次数 k=', num2str(k), ' , 复制次数 Nre=', num2str(Nre)])
    
55.         for m = 1:Nc            % 趋化次数
    
56.             disp(['趋化次数 m=', num2str(m), ' , 趋化次数 Nc=', num2str(Nc)])
    
57.             for j=1:sizepop     % 种群
    
58.       
    
59.                 % 翻转
    
60. %                 PSO+BFO
    
61.                 % 速度更新
    
62.                 V(j,:) = 0.5*V(j,:) + c1*rand*(gbest(j,:) - pop(j,:)) + c2*rand*(zbest - pop(j,:));
    
63.                 % 越界约束
    
64.                 for ij = 1:nvar
    
65.                     if V(j,ij)>Vmax,
    
66.                         V(j,ij)=Vmax;
    
67.                     end
    
68.                     if V(j,ij)<Vmin,
    
69.                         V(j,ij)=Vmin;
    
70.                     end
    
71.                 end
    
72.                 pop(j,:) = pop(j,:) + C(j,:).*V(j,:);
    
73.                
    
74.                 % 取值范围约束
    
75.                 pop(j,:) = lb_ub(pop(j,:), popmin, popmax);
    
76.                
    
77.                 % 更新当前适应度值
    
78.                 fitness(j) = fun(pop(j,:));
    
79. 
    
80.                 % 游动
    
81.                 n=0;
    
82.                 while(n<Ns)     % 游动次数
    
83.                     delta = 2*rand(1,nvar)-0.5;
    
84.                     newpop = pop(j,:) + C(j,:).*delta./(sqrt( delta*delta' ));
    
85.                     newpop = lb_ub(newpop,popmin,popmax);
    
86.                     newfitness = fun(newpop);
    
87.                     if(newfitness<fitness(j))
    
88.                         fitness(j) = newfitness;
    
89.                         pop(j,:) = newpop;
    
90.                     end
    
91.                     
    
92.                     if fitness(j)<fitnessgbest(j)
    
93.                         fitnessgbest(j) = fitness(j);
    
94.                         gbest(j,:) = pop(j,:);
    
95.                     else        % 不更新适应度值
    
96.                         n=Ns;
    
97.                     end
    
98.                 end
    
99.                
    
100.                 % 适应度更新
     
101.                 % 比较 个体间比较
     
102.                 if fitness(j)<fitnesszbest
     
103.                     fitnesszbest = fitness(j);
     
104.                     zbest =  pop(j,:);
     
105.                 end
     
106.             end   % sizepop  种群数量
     
107.             
     
108.             % 移动步长更新
     
109.             C(j,:) = C(j,:).*exp(-j./sizepop).*sin(pi/Ns);
     
110.             
     
111.             % 记录最优适应度值
     
112.             NcSizepop = NcSizepop+1;
     
113.             fitness_iter(NcSizepop) = fitnesszbest;
     
114.             
     
115.             K_p(1,NcSizepop) = zbest(1);
     
116.             K_i(1,NcSizepop) = zbest(2);
     
117.             K_d(1,NcSizepop) = zbest(3);
     
118.             
     
119.         end       % Nc       趋化次数
     
120.         
     
121.         % 复制操作
     
122.         [maxF,index] = sort(fitness,'descend');  % 降序排列
     
123.         for Nre2 = 1:Sr   % 将最大适应度值的Sr个种群，进行更新
     
124.             pop(index(Nre2),:) = popmin + (popmax-popmin).*rand(1,nvar);
     
125.             fitness(index(Nre2)) = fun(pop(index(Nre2),:));
     
126.             C(index(Nre2),:) = Cmin + (Cmax-Cmin).*rand(1,nvar);  % 步长
     
127.             % 比较 个体间比较
     
128.             if fitness(index(Nre2))<fitnesszbest
     
129.                 fitnesszbest = fitness(index(Nre2));
     
130.                 zbest =  pop(index(Nre2),:);
     
131.             end
     
132.         end
     
133.     end   % Nre  复制操作
     
134.    
     
135.     for j=1:sizepop     % 种群
     
136.         if Ped>rand
     
137.             pop(j,:) = popmin + (popmax-popmin).*rand(1,nvar);
     
138.             fitness(j) = fun(pop(j,:));
     
139.             % 比较 个体间比较
     
140.             if fitness(j)<fitnesszbest
     
141.                 fitnesszbest = fitness(j);
     
142.                 zbest =  pop(j,:);
     
143.             end
     
144.         end
     
145.     end
     
146.    
     
147. end       % Ned   驱散(迁移)次数
     
148. %% 显示最优解
     
149. disp('最优解')
     
150. disp(zbest)
     
151. fprintf('\n')
     
152. disp(['最优解Kp=', num2str(zbest(1))])
     
153. disp(['最优解Ki=', num2str(zbest(2))])
     
154. disp(['最优解Kd=', num2str(zbest(3))])
     
155. 
     
156. figure('color',[1,1,1])
     
157. plot(fitness_iter,'ro-','linewidth',2)
     
158. % loglog(fitness_iter,'ro-','linewidth',2)
     
159. axis tight
     
160. grid on
     
161. 
     
162. figure('color',[1,1,1])     % 绘制PID控制器参数变化曲线
     
163. plot(K_p,'b-','LineWidth',2); hold on
     
164. plot(K_i,'k-.','LineWidth',2)
     
165. plot(K_d,'r--','LineWidth',2)
     
166. title('Kp、Ki、Kd 优化曲线','fontsize',10);
     
167. xlabel('迭代次数','fontsize',10);   ylabel('参数值','fontsize',10);
     
168. set(gca,'Fontsize',10);
     
169. legend('Kp','Ki','Kd',1);
     
170. grid on;hold off;
     
171. 
     
172. %% 响应曲线
     
173. % PID响应
     
174. if choosed==1
     
175.     [rint, yout]=PID_Fun_1_response(zbest);
     
176. elseif(choosed==2)
     
177.     [rint, yout]=PID_Fun_2_response(zbest);
     
178. elseif(choosed==3)
     
179.     [rint, yout]=PID_Fun_3_response(zbest);
     
180. elseif(choosed==4)
     
181.     [rint, yout]=PID_Fun_4_response(zbest);
     
182. end
     
183. figure('color',[1,1,1])
     
184. plot(rint,'b-','linewidth',2);hold on;
     
185. plot(yout,'r.-','linewidth',2);
     
186. axis tight;grid on;
     
187. hold off;
     
188. legend('输入信号','阶跃响应曲线')
     
189. xlabel('time(s)');
     
190. ylabel('Amp');
     
191. 
     
192. rmpath(genpath('./PID_funtion'))

复制代码

参考：http://halcom.cn/forum.php?mod=viewthread&tid=3614&extra=page%3D1

kai123

很优秀的代码

horaik

不能用啊，没有适应度函数