【PID优化】基于人工蜂群算法PID控制器优化设计含Matlab源码

1 内容介绍

由于PID控制器算法简单,鲁棒性强的特点,是目前使用最多的一种控制器,被广泛应用在各类工业控制领域.将基于人工蜂群算法的PID参数优化,在葡萄酒发酵温度控制系统中的应用进行了深入研究.

2 部分代码

clc;

clear;

close all;

%% Problem Definition

CostFunction=@(x) Sphere(x);        % Cost Function

nVar=5;             % Number of Decision Variables

VarSize=[1 nVar];   % Decision Variables Matrix Size

VarMin=-10;         % Decision Variables Lower Bound

VarMax= 10;         % Decision Variables Upper Bound

%% ABC Settings

MaxIt=200;              % Maximum Number of Iterations

nPop=100;               % Population Size (Colony Size)

nOnlooker=nPop;         % Number of Onlooker Bees

L=round(0.6*nVar*nPop); % Abandonment Limit Parameter (Trial Limit)

a=1;                    % Acceleration Coefficient Upper Bound

%% Initialization

% Empty Bee Structure

empty_bee.Position=[];

empty_bee.Cost=[];

% Initialize Population Array

pop=repmat(empty_bee,nPop,1);

% Initialize Best Solution Ever Found

BestSol.Cost=inf;

% Create Initial Population

for i=1:nPop

    pop(i).Position=unifrnd(VarMin,VarMax,VarSize);

    pop(i).Cost=CostFunction(pop(i).Position);

    if pop(i).Cost<=BestSol.Cost

        BestSol=pop(i);

    end

end

% Abandonment Counter

C=zeros(nPop,1);

% Array to Hold Best Cost Values

BestCost=zeros(MaxIt,1);

%% ABC Main Loop

for it=1:MaxIt

    

    % Recruited Bees

    for i=1:nPop

        

        % Choose k randomly, not equal to i

        K=[1:i-1 i+1:nPop];

        k=K(randi([1 numel(K)]));

        

        % Define Acceleration Coeff.

        phi=a*unifrnd(-1,+1,VarSize);

        

        % New Bee Position

        newbee.Position=pop(i).Position+phi.*(pop(i).Position-pop(k).Position);

        

        % Evaluation

        newbee.Cost=CostFunction(newbee.Position);

        

        % Comparision

        if newbee.Cost<=pop(i).Cost

            pop(i)=newbee;

        else

            C(i)=C(i)+1;

        end

        

    end

    

    % Calculate Fitness Values and Selection Probabilities

    F=zeros(nPop,1);

    MeanCost = mean([pop.Cost]);

    for i=1:nPop

        F(i) = exp(-pop(i).Cost/MeanCost); % Convert Cost to Fitness

    end

    P=F/sum(F);

    

    % Onlooker Bees

    for m=1:nOnlooker

        

        % Select Source Site

        i=RouletteWheelSelection(P);

        

        % Choose k randomly, not equal to i

        K=[1:i-1 i+1:nPop];

        k=K(randi([1 numel(K)]));

        

        % Define Acceleration Coeff.

        phi=a*unifrnd(-1,+1,VarSize);

        

        % New Bee Position

        newbee.Position=pop(i).Position+phi.*(pop(i).Position-pop(k).Position);

        

        % Evaluation

        newbee.Cost=CostFunction(newbee.Position);

        

        % Comparision

        if newbee.Cost<=pop(i).Cost

            pop(i)=newbee;

        else

            C(i)=C(i)+1;

        end

        

    end

    

    % Scout Bees

    for i=1:nPop

        if C(i)>=L

            pop(i).Position=unifrnd(VarMin,VarMax,VarSize);

            pop(i).Cost=CostFunction(pop(i).Position);

            C(i)=0;

        end

    end

    

    % Update Best Solution Ever Found

    for i=1:nPop

        if pop(i).Cost<=BestSol.Cost

            BestSol=pop(i);

        end

    end

    

    % Store Best Cost Ever Found

    BestCost(it)=BestSol.Cost;

    

    % Display Iteration Information

    disp(['Iteration ' num2str(it) ': Best Cost = ' num2str(BestCost(it))]);

    

end

    

%% Results

figure;

%plot(BestCost,'LineWidth',2);

semilogy(BestCost,'LineWidth',2);

xlabel('Iteration');

ylabel('Best Cost');

grid on;

img =gcf;  %获取当前画图的句柄

print(img, '-dpng', '-r600', './运行结果.png')         %即可得到对应格式和期望dpi的图像

3 运行结果

4 参考文献

[1]马步云, 赵世海. 基于人工蜂群算法的PID控制技术应用研究[J]. 机械管理开发, 2016, 31(002):24-26.

[2]胡海涛, 高嵩, 陈超波,等. 一种改进人工蜂群的分数阶PID控制器优化算法[J]. 计算机测量与控制, 2017(7).

博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机、雷达通信、无线传感器等多种领域的Matlab仿真，相关matlab代码问题可私信交流。

部分理论引用网络文献，若有侵权联系博主删除。