基于蚁群算法的PID控制参数优化Matlab源码.docVIP

基于蚁群算法的PID控制参数优化Matlab源码 (2009-07-26 12:31:02) 除了蚁群算法，可用于PID参数优化的智能算法还有很多，比如遗传算法、模拟退火算法、粒子群算法、人工鱼群算法，等等。 function [BESTX,BESTY,ALLX,ALLY]=ACOUCP (K,N,Rho,Q,Lambda,LB,UB,Num,Den,Delay,ts,StepNum,SigType,PIDLB,PIDUB)%% 此函数实现蚁群算法，用于PID控制参数优化% GreenSim团队原创作品，转载请注明% Email:greensim@163.com% GreenSim团队主页：/greensim% [color=red]欢迎访问GreenSim——算法仿真团队→[url=/greensim] /greensim[/url][/color]%% 输入参数列表% K??????? 迭代次数% N??????? 蚁群规模% Rho????? 信息素蒸发系数，取值0～1之间，推荐取值0.7～0.95% Q??????? 信息素增加强度，大于0，推荐取值1左右% Lambda?? 蚂蚁爬行速度，取值0～1之间，推荐取值0.1～0.5% LB?????? 决策变量的下界，M×1的向量% UB?????? 决策变量的上界，M×1的向量% Num????? 被控制对象传递函数的分子系数向量% Den????? 被控制对象传递函数的分母系数向量% Delay??? 时间延迟% ts?????? 仿真时间步长% StepNum? 仿真总步数% SigType? 信号类型，1为阶跃信号，2为方波信号，3为正弦波信号% PIDLB??? PID控制输出信号限幅的下限% PIDUB??? PID控制输出信号限幅的上限%% 输出参数列表% BESTX??? K×1细胞结构，每一个元素是M×1向量，记录每一代的最优蚂蚁% BESTY??? K×1矩阵，记录每一代的最优蚂蚁的评价函数值% ALLX???? K×1细胞结构，每一个元素是M×N矩阵，记录每一代蚂蚁的位置% ALLY???? K×N矩阵，记录每一代蚂蚁的评价函数值 %% 第一步：初始化M=length(LB);%决策变量的个数%蚁群位置初始化X=zeros(M,N);for i=1:M??? x=unifrnd(LB(i),UB(i),1,N);??? X(i,:)=x;end%输出变量初始化ALLX=cell(K,1);%细胞结构，每一个元素是M×N矩阵，记录每一代的个体ALLY=zeros(K,N);%K×N矩阵，记录每一代评价函数值BESTX=cell(K,1);%细胞结构，每一个元素是M×1向量，记录每一代的最优个体BESTY=zeros(K,1);%K×1矩阵，记录每一代的最优个体的评价函数值k=1;%迭代计数器初始化Tau=ones(1,N);%信息素初始化Y=zeros(1,N);%适应值初始化 %% 第二步：迭代过程while k=K??? YY=zeros(1,N);??? for n=1:N??????? x=X(:,n);??????? [J,u,yout,error]=PIDOBJ(x(1),x(2),x (3),Num,Den,Delay,ts,StepNum,SigType,PIDLB,PIDUB);??????? YY(n)=J;??? end??? maxYY=max(YY);??? temppos=find(YY==maxYY);??? POS=temppos(1);??? %蚂蚁随机探路??? for n=1:N??????? if n~=POS??????????? x=X(:,n);??????????? [J,u,yout,error]=PIDOBJ(x(1),x(2),x (3),Num,Den,Delay,ts,StepNum,SigType,PIDLB,PIDUB);??????????? Fx=J;??????????? mx=GaussMutation(x,LB,UB);??????????? [J,u,yout,error]=PIDOBJ(mx(1),mx(2),mx (3),Num,Den,Delay,ts,StepNum,SigType,PIDLB,PIDUB);??????????? Fmx=J;??????????? if FmxFx??????????????? X(:,n)=mx;??????????????? Y(n)=Fmx;??????????? elseif rand1-(1/