灰狼算法整定PID参数,传递函数可以任意修改,附MATLAB代码

基于灰狼算法的PID控制器优化设计及Matlab源码 该算法模拟了狼群中的领导者与成员之间的追逐行为,通过不断更新个体的位置来搜索最优解。PID控制器的参数调节对于控制系统的性能至关重要。根据灰狼个体的适应度和位置,更新每个灰狼的位置和速度。通过模拟狼群中的追逐行为,灰狼个体可以根据适应度的大小进行位置的更新,以便更好地搜索最优解。根据每个灰狼个体的位置,计算其对应的PID控制器参数,并使用目标函数评估其适应度。根据问题的定义,初始化一定数量的灰狼个体,并随机生成它们的位置和速度。根据最优的灰狼个体位置,得到相应的PID控制器参数,即为优化后的PID控制器。 阅读详情

今天的主题是:采用灰狼算法整定各种常见传递函数的PID参数。

PID参数整定的方法有很多,其中包括正交试验法、极点配置法,另一类为智能优化算法,包括遗传算法、粒子群算法、神经网络算法。今天给大家带来一期,采用灰狼算法整定PID参数,并比较整定前后的时域指标。

传递函数包含以下五种,基本上包含了所有常见的传递函数。

测试在阶跃响应下,采用灰狼算法整定PID的结果图如下:

01

161c904d039e89571c7968f093be1369.png

取T = 50; K = 5; n = 3,(这几个参数在代码中可自行修改)

GWO优化前后结果如下:

37ac15297bc79d55d530f3a57fe79e58.png

控制台输入结果如下:

3b22189ebdf7e1fb8f7503a777b3aaf2.png

02

d5d21907f8f3039feb40aa18fab2f8ab.png

取Tz = [40,20,60,100,20];  K = 6;  n = 5,(这几个参数在代码中可自行修改)

GWO优化前后结果如下:

692a6d43a35e8e3df75af2e54be8cf77.png

控制台输入结果如下:

dcfe02a330813a02fc6e8e18a0647134.png

03

203bbe0176c955cc164fef1911936898.png

取T = 15; K = 10; n= 5;  tt = 5; (这几个参数在代码中可自行修改)

GWO优化前后结果如下:

b394e165fb3b0657b3a87e9fa3043498.png

控制台输入结果如下:

f65588a59b49b15d0e9bd98db2bfa14f.png

04

9ce563cac3b06f4cdc235422be06a325.png

取T1 = 10; K1 = 2; n1=3;  tt1 = 0.02;  T2 = 2; K2 = 0.1; n2=4;  tt2 = 0.001; (这几个参数在代码中可自行修改)

GWO优化前后结果如下:370bfdb383f423a56e680a76d719395e.png

控制台输入结果如下:

4b191f39f489b0d6ab727c0cc385d4a4.png

05

a81732dab3dbd39187b7b8a71e72e9d1.png

取K = 10;T = 50; n = 4;  tt = 5; (这几个参数在代码中可自行修改)

GWO优化前后结果如下:

657971366a6ab3517312f8e15ee03094.png

控制台输入结果如下:

be1805f78e2872c79b5d3fefca278b48.png

代码:

clear
clc
%% 五种适应度函数分别 对应图片1-5
flag = 1;   %1-5分别对应图片1-5,图片中对应的参数请自行修改即可
KP0 = 0.1;  %优化前先手动给一个P , I , D指标,方便与优化后做对比,这三个参数也可以自行更改
Ti0 = 100;
Kd0 = 0.5;
if flag == 1
    T = 50; K = 5; n = 3;                           %这几个参数可以自行修改
    PI_1;                                           %PI_1-5分别对应5个传递函数。采用手动给的PID指标算响应曲线
elseif flag==2
    Tz = [40,20,60,100,20];  K = 6;  n = 5;         %这里注意,n和Tz变量的长度一致,这几个参数可以自行修改
    PI_2;                                           %采用手动给的PID指标算响应曲线
elseif flag==3
    T = 15; K = 10; n= 5;  tt = 5;                  %这几个参数可以自行修改
    PI_3;                                           %采用手动给的PID指标算响应曲线
elseif flag==4
    T1 = 10; K1 = 2; n1=3;  tt1 = 0.02;                %这几个参数可以自行修改
    T2 = 2; K2 = 0.1; n2=4;  tt2 = 0.001;  
    PI_4;                                           %采用手动给的PID指标算响应曲线
elseif flag==5
    K = 10;T = 50; n = 4;  tt = 5;                  %这几个参数可以自行修改
    PI_5;                                           %采用手动给的PID指标算响应曲线
else
    T = 50; K = 5; n = 3;                           %这几个参数可以自行修改 
    PI_1;                                           %采用手动给的PID指标算响应曲线
end


% Grey Wolf Optimizer
SearchAgents_no = 50;
dim = 3;  %优化参数个数
ub = [100,200,10];%优化变量的上限
lb = [0.01,20,0];%优化变量的下限
Max_iter = 100;
% initialize alpha, beta, and delta_pos
Alpha_pos=zeros(1,dim);
Alpha_score=inf; %change this to -inf for maximization problems
Beta_pos=zeros(1,dim);
Beta_score=inf; %change this to -inf for maximization problems
Delta_pos=zeros(1,dim);
Delta_score=inf; %change this to -inf for maximization problems


%Initialize the positions of search agents
Positions=initialization(SearchAgents_no,dim,ub,lb);


Convergence_curve=zeros(1,Max_iter);


l=0;% Loop counter


% Main loop
while l<Max_iter
    for i=1:size(Positions,1)  
        
       % Return back the search agents that go beyond the boundaries of the search space
        Flag4ub=Positions(i,:)>ub;
        Flag4lb=Positions(i,:)<lb;
        Positions(i,:)=(Positions(i,:).*(~(Flag4ub+Flag4lb)))+ub.*Flag4ub+lb.*Flag4lb;               
            
        % Update Alpha, Beta, and Delta
        if fitness<Alpha_score 
            Alpha_score=fitness; % Update alpha
            Alpha_pos=Positions(i,:);
        end
        
        if fitness>Alpha_score && fitness<Beta_score 
            Beta_score=fitness; % Update beta
            Beta_pos=Positions(i,:);
        end
        
        if fitness>Alpha_score && fitness>Beta_score && fitness<Delta_score 
            Delta_score=fitness; % Update delta
            Delta_pos=Positions(i,:);
        end
    end
    
    
    a=2-l*((2)/Max_iter); % a decreases linearly fron 2 to 0
    
    % Update the Position of search agents including omegas
    for i=1:size(Positions,1)
        for j=1:size(Positions,2)     
                       
            r1=rand(); % r1 is a random number in [0,1]
            r2=rand(); % r2 is a random number in [0,1]
            
            A1=2*a*r1-a; % Equation (3.3)
            C1=2*r2; % Equation (3.4)
            
            D_alpha=abs(C1*Alpha_pos(j)-Positions(i,j)); % Equation (3.5)-part 1
            X1=Alpha_pos(j)-A1*D_alpha; % Equation (3.6)-part 1
                       
            r1=rand();
            r2=rand();
            
            A2=2*a*r1-a; % Equation (3.3)
            C2=2*r2; % Equation (3.4)
            
            D_beta=abs(C2*Beta_pos(j)-Positions(i,j)); % Equation (3.5)-part 2
            X2=Beta_pos(j)-A2*D_beta; % Equation (3.6)-part 2       
            
            r1=rand();
            r2=rand(); 
            
            A3=2*a*r1-a; % Equation (3.3)
            C3=2*r2; % Equation (3.4)
            
            D_delta=abs(C3*Delta_pos(j)-Positions(i,j)); % Equation (3.5)-part 3
            X3=Delta_pos(j)-A3*D_delta; % Equation (3.5)-part 3             
            
            Positions(i,j)=(X1+X2+X3)/3;% Equation (3.7)
            
        end
    end
    l=l+1;    
    Convergence_curve(l)=Alpha_score;
end


Best_pos = Alpha_pos;


if flag==1
    [Qbg,y_gwo,u,t]=Object1(Best_pos,T,K,n);
elseif flag==2
    [Qbg,y_gwo,u,t]=Object2(Best_pos,Tz,K,n);
elseif flag==3
    [Qbg,y_gwo,u,t]=Object3(Best_pos,T,K,n,tt);
elseif flag==4
    [Qbg,y_gwo,u,t]=Object4(Best_pos,T1,K1,tt1,n1,T2,K2,tt2,n2);
elseif flag==5
    [Qbg,y_gwo,u,t]=Object5(Best_pos,T,K,tt,n);
else
    [Qbg,y_gwo,u,t]=Object1(Best_pos,T,K,n);
end


%计算优化后的时域性能指标
[Overshoot,tp,tr,ts]=performance_index(y_gwo,t);
disp(['优化后的阶跃响应曲线参数:   超调量:',num2str(Overshoot),',峰值时间:',num2str(tp),',上升时间:',num2str(tr),',调节时间:',num2str(ts)])
disp(['优化后的PID参数为:',num2str(Best_pos)])
[Overshoot0,tp0,tr0,ts0]=performance_index(y0,t0);
disp(['优化后的阶跃响应曲线参数:   超调量:',num2str(Overshoot0),',峰值时间:',num2str(tp0),',上升时间:',num2str(tr0),',调节时间:',num2str(ts0)])
disp(['优化前的PID参数为:',num2str([KP0,Ti0,Kd0])])


%% 作图
figure
plot(t0,y0,"Color",'b','LineWidth',1);
hold on
plot(t,y_gwo,"Color",'r','LineWidth',1);
hold on
plot(t,ones(length(t),1),'LineStyle','--',"Color",'k','LineWidth',1);
legend('优化前','GWO优化后');
xlabel('时间/s');
ylabel('输出');

观察代码第4行,可以通过修改参数flag,任意切换五种传递函数,除此之外,大家可以自行将传递函数改成自己想要的任意参数。

代码注释很详细。获取完整代码方式:点击下方卡片回复关键词获取。

关键词:GWOPID

灰狼算法优化PID控制器设计及Matlab源代码实现 本文提供了一个基于Matlab的简单示例代码,用灰狼算法优化PID控制器的Kp、Ki、Kd系数,并实现对一个二阶模拟系统的控制。该算法通过模拟狼群行为,全局搜索系统最优解,并不断更新灰狼的位置和适应度值,可以有效地优化PID控制器的各项参数。(4)更新狼群位置和适应度值:对于每个灰狼,根据其与最优解的距离、其他灰狼的位置和距离等信息来更新自身位置和适应度值,以期望在搜索空间内找到更优解。下面是一个基于Matlab的简单示例代码,用灰狼算法优化PID控制器的Kp、Ki、Kd系数,并实现对一个模拟系统的控制。 阅读详情

相关推荐

基于MATLAB灰狼算法(GWO)的PID参数智能整定与仿真实现

PID控制是工业过程控制中最常用的策略,其参数整定质量直接影响系统响应速度与稳定性。面对非线性、大时滞或参数摄动对象,传统经验试凑法难以兼顾超调与调节时间,需要更智能的参数寻优手段。群体智能优化算法模拟自然界生物协作行为,在解空间中自动搜索最优策略,其中灰狼算法(GWO)因结构简单、参数少、收敛稳定而备受关注。它以α、β、δ头狼的等级机制和围捕猎物的位置更新规则,平衡全局探索与局部开发能力。工程中常将GWO与MATLAB/Simulink联合仿真,以ITAE等误差积分指标作为适应度函数,自动完成PID参数寻

weixin_29313423的博客 290

【PID优化】基于灰狼优算法优化分数阶 PD 滑模控制器附matlab代码

✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可私信。 ????个人主页:Matlab科研工作室????个人信条:格物致知。更多Matlab仿真内容点击????​​智能优化算法​​​ ​​神经网络预测​​​ ​​雷达通信 ​​​ ​​无线传感器​​​ ​...

m0_60703264的博客 498

MATLAB优化算法实战应用案例-基于SOA的PID整定

MATLAB优化算法实战应用案例-基于SOA的PID整定

基于海鸥算法PID参数优化

PID(Proportion-Integration-Differentiation)控 制 器通过比例单元 P、积分单元 I和微分单元 D 的线性组合构成控制量来实现对被控对象的控制,主要适用于基本线性和动态特性不随时间变化的系统。ΔutKpΔekKiΔekKdΔ2ek(1)ΔutKp​ΔekKi​ΔekKd​Δ2ek1其中e为输入,KpK_pKp​为比例系数,KiK_iKi​为积分时间常数,K。

Jack旭的博客 1473

PPT+视频 | 详解智能营销增益模型(uplift model)

分享营销增益模型的原理和常见的建模及评估方法,并以淘票票智能票补为例介绍uplift model技术的实践经验。

阿里文娱技术 8630

Vivado 2018.3实战:用IDELAYE3和ISERDESE3搞定高速ADC数据采集(附仿真源码)

本文详细介绍了在Vivado 2018.3中使用Xilinx UltraScale架构的IDELAYE3和ISERDESE3原语实现高速ADC数据采集的实战方法。通过分析5GHz采样系统的时序挑战,提供从PCB布局到Vivado实现的完整解决方案,包括精密时序校准、多相位数据重组及系统级调试技巧,并附赠仿真源码助力工程师快速掌握高速数据采集技术。

weixin_30567225的博客 584

PSO优化PID,涵盖常见传递函数!改进的粒子群算法整定PID参数,并与灰狼算法进行比较,附MATLAB代码

今天的主题是:采用莱维飞行和混沌映射的粒子群算法整定各种常见传递函数的PID参数。粒子群的改进思路请看这篇文章。基于改进莱维飞行和混沌映射(10种混沌映射随意切换)的粒子群优化算法,附matlab代码PID参数整定的方法有很多,其中包括正交试验法、极点配置法,另一类为智能优化算法,包括遗传算法、粒子群算法、神经网络算法。今天给大家带来一期,采用莱维飞行和混沌映射的粒子群算法整定各种常见传递函数的P...

淘个代码 2962

高精度SAR ADC设计实战:从建模到版图的16位1MSPS实现

本文详细介绍了16位1MSPS高精度SAR ADC的设计过程,从建模到版图实现的完整流程。重点探讨了分段电容阵列设计、校准算法实现及版图匹配等关键技术,展示了如何在180nm工艺下实现92.5dB SNDR和109.6dB SFDR的高性能指标。文章特别强调了整数桥接电容设计对提升匹配精度的关键作用,为高精度模数转换器设计提供了实用参考。

weixin_33724046的博客 439

基于灰狼算法的PID参数整定(报告+程序+ppt)研究(Matlab)

灰狼算法是澳大利亚格里菲斯大学学者Mirjalili等于2014年提出的一种模仿灰狼群体捕食行为的群体智能优化算法。灰狼群体具有严格的社会等级制度,分为α狼、β狼、δ狼和ω狼四个等级。在捕食过程中,α狼负责决策和指挥,β狼和δ狼协助α狼,ω狼则跟随前三者进行捕食。灰狼算法通过模拟灰狼群体的社会等级和狩猎行为来实现对问题的最优搜索。算法首先初始化一个由随机解构成的灰狼群体,每个灰狼个体代表一个潜在的解决方案。

2501_93224058的博客 821

算法面经手撕系列(2)--手撕BatchNormlization

手动实现/手撕BatchNormlization

罟霖同学的站点 870

MATLAB2022a安装避坑指南:从下载到破解的完整流程(附常见错误解决方案)

本文提供MATLAB2022a在Windows系统下的完整安装教程与深度配置指南。内容涵盖从系统兼容性检查、安装媒介验证到分步安装、自定义产品选择及安装后优化设置的全流程。重点解析了安装过程中常见的权限、空间、许可证错误,并提供了系统性的故障诊断与解决方案,旨在帮助用户构建稳定高效的科研计算环境。

weixin_29057695的博客 443

三种智能算法优化PID参数整定软件:新手小白的Matlab指南

三种智能算法优化PID参数整定软件!传递函数可任意修改!适合新手小白!Matlab语言涵盖所有传递函数类型!参数表呈现清晰易懂!采用了三种不同的算法优化PID参数,包括灰狼,粒子群,麻雀算法,且做了简单的对比,如图1所示~选择了常用的ITAE指标和控制量动作的加权作为目标函数~参数表采用表格的方式呈现,一目了然。参数包括:P, I, D参数,超调量,峰值时间,上升时间,调节时间,如图3所示,可完全满足您的需求~注:1.注释清晰,适合新手小白,Matlab软件一键运行出图~

jIwwMTdC的博客 561

Qupath软件的安装与使用

Qupath软件的安装与使用软件安装软件下载软件安装【windows版】简单使用文件打开人工标注标注导出和导入 Qupath是一款开源的医学图像标注软件,适合放射影像及数字病理切片等的查看。同时,其自带的标注功能使得医生可以直接通过该软件进行病变区域的标注和分类。跟进一步的,该软件提供groovy脚本运行接口,可供操作者编写和运行脚本,将标注信息转换为xml或者json格式的数据进行进一步的后序处...

qq_40662074的博客 3万+
上一篇: 重磅福利,免费带走!单一故障+耦合故障的滚动轴承故障数据
下一篇: PSO优化PID,涵盖常见传递函数!改进的粒子群算法整定PID参数,并与灰狼算法进行比较,附MATLAB代码
淘个代码_
博客等级 码龄7年 1万+粉丝 504原创
评论 2
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

淘个代码_

不想刀我的可以选择爱我

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值