基于PSO粒子群算法和GA遗传算法的PID 控制器优化设计 程序基于MATLAB代码编写

基于PSO粒子群算法和GA遗传算法的PID 控制器优化设计

基于PSO粒子群算法和GA遗传算法的PID 控制器优化设计
程序基于MATLAB代码编写
分别包含PSO-PID和GA-PID两个
PID 控制器的性能取决于 Kp、 Ki、 Kd 这 3 个参数是否合理，因此，优化 PID 控制器参数具有重要意义。目前， PID 控制器参数主要是人工调整，这种方法不仅费时，而且不能保证获得最佳的性能。
PSO和GA已经广泛应用于函数优化、神经网络训练、模式分类、模糊系统控制以及其它应用领域。

1. 系统概述

功能

• 使用 PSO 和 GA 分别优化 PID 控制器参数。
• 目标是最小化系统的性能指标（如 IAE、ISE 或 ITAE）。
• 比较两种算法的优化效果。

关键技术

• PID 控制器：比例-积分-微分控制器。
• PSO 算法：通过群体搜索优化 PID 参数。
• GA 算法：通过遗传操作优化 PID 参数。
• 性能指标：选择 IAE（绝对误差积分）作为目标函数。

2. MATLAB 代码实现

主程序文件 (pid_optimization.m)

clc; clear; close all;

% 系统模型
sys = tf(1, [1 10 20]); % 示例传递函数

% 参数设置
Ts = 0.01; % 采样时间
Tf = 10; % 仿真时间
t = 0:Ts:Tf; % 时间向量

% PID 参数范围
paramRange = [0 10; 0 5; 0 2]; % Kp, Ki, Kd 的范围

% 性能指标函数句柄
fitnessFunc = @(params) pidPerformance(sys, params, t, Ts);

% PSO 优化
disp('Running PSO Optimization...');
optionsPSO = optimoptions('particleswarm', 'SwarmSize', 30, 'MaxIterations', 50);
[paramPSO, costPSO] = particleswarm(fitnessFunc, 3, paramRange(:,1), paramRange(:,2), optionsPSO);

% GA 优化
disp('Running GA Optimization...');
optionsGA = optimoptions('ga', 'PopulationSize', 30, 'MaxGenerations', 50);
[paramGA, costGA] = ga(fitnessFunc, 3, [], [], [], [], paramRange(:,1), paramRange(:,2), [], optionsGA);

% 输出结果
fprintf('PSO Optimized Parameters: Kp=%.4f, Ki=%.4f, Kd=%.4f, Cost=%.4f\n', ...
    paramPSO(1), paramPSO(2), paramPSO(3), costPSO);
fprintf('GA Optimized Parameters: Kp=%.4f, Ki=%.4f, Kd=%.4f, Cost=%.4f\n', ...
    paramGA(1), paramGA(2), paramGA(3), costGA);

% 绘图比较
figure;
plotResults(sys, paramPSO, paramGA, t, Ts);

性能指标函数 (pidPerformance.m)

function cost = pidPerformance(sys, params, t, Ts)
    % 解包 PID 参数
    Kp = params(1);
    Ki = params(2);
    Kd = params(3);
    
    % 构建 PID 控制器
    C = pid(Kp, Ki, Kd, 'Ts', Ts);
    
    % 闭环系统
    T = feedback(C * sys, 1);
    
    % 单位阶跃响应
    y = step(T, t);
    r = ones(size(t)); % 参考信号
    
    % 计算误差
    e = r - y;
    
    % 性能指标：IAE (绝对误差积分)
    cost = trapz(t, abs(e));
end

绘图函数 (plotResults.m)

function plotResults(sys, paramPSO, paramGA, t, Ts)
    % PSO 优化的 PID 控制器
    Cpso = pid(paramPSO(1), paramPSO(2), paramPSO(3), 'Ts', Ts);
    Tpso = feedback(Cpso * sys, 1);
    ypso = step(Tpso, t);
    
    % GA 优化的 PID 控制器
    Cga = pid(paramGA(1), paramGA(2), paramGA(3), 'Ts', Ts);
    Tga = feedback(Cga * sys, 1);
    yga = step(Tga, t);
    
    % 绘图
    figure;
    plot(t, ypso, 'r-', 'LineWidth', 1.5); hold on;
    plot(t, yga, 'b--', 'LineWidth', 1.5);
    plot(t, ones(size(t)), 'k:', 'LineWidth', 1.5);
    xlabel('Time (s)');
    ylabel('Output');
    legend('PSO Optimized', 'GA Optimized', 'Reference');
    title('Step Response Comparison');
    grid on;
end

3. 功能说明

1. 系统建模：

   • 使用传递函数描述系统动态特性。
   • 例如，sys = tf(1, [1 10 20]) 表示一个二阶系统。

2. PID 参数优化：

   • 使用 PSO 和 GA 分别优化 PID 参数。
   • 目标是最小化性能指标（如 IAE）。

3. 性能指标计算：

   • 计算单位阶跃响应的误差，并使用 IAE 评估系统性能。

4. 结果比较：

   • 绘制 PSO 和 GA 优化后的系统阶跃响应曲线，比较控制效果。

4. 实验结果

运行上述代码后，程序会输出以下内容：

1. 优化参数：
   • PSO 和 GA 优化得到的 PID 参数（Kp, Ki, Kd）。
2. 性能指标：
   • 对应的 IAE 值，表示系统性能。
3. 阶跃响应曲线：
   • 绘制 PSO 和 GA 优化后的系统阶跃响应，直观比较两种算法的效果。

5. 注意事项

1. MATLAB 工具箱依赖：

   • 需要安装 Global Optimization Toolbox（用于 PSO 和 GA）和 Control System Toolbox（用于 PID 控制器和系统建模）。

2. 参数调整：

   • 根据具体需求调整 PSO 和 GA 的种群大小、迭代次数等参数。

3. 系统模型：

   • 如果使用其他系统模型，请替换 sys 的定义。

4. 性能指标：

   • 可以选择其他性能指标（如 ISE 或 ITAE），只需修改 pidPerformance 函数。

希望这段代码能够帮助你完成基于 PSO 和 GA 的 PID 控制器优化设计任务！