基于粒子群算法的pid实验报告

① 【第14章】基于粒子群算法的PID控制优化设计~~新手求助

%% 清空环境clearclc%% 参数设置w = 0.6; % 惯性因子 c1 = 2; % 加速常数c2 = 2; % 加速常数Dim = 3; % 维数SwarmSize = 100; % 粒子群规模ObjFun = @PSO_PID; % 待优化函数句柄MaxIter = 100; % 最大迭代次数 MinFit = 0.1; % 最小适应值 Vmax = 1;Vmin = -1;Ub = [300 300 300];Lb = [0 0 0];%% 粒子群初始化 Range = ones(SwarmSize,1)*(Ub-Lb); Swarm = rand(SwarmSize,Dim).*Range + ones(SwarmSize,1)*Lb; % 初始化粒子群 VStep = rand(SwarmSize,Dim)*(Vmax-Vmin) + Vmin; % 初始化速度 fSwarm = zeros(SwarmSize,1);for i=1:SwarmSize fSwarm(i, = feval(ObjFun,Swarm(i,); % 粒子群的适应值end程序到这里就出现了，求解释！

② pso优化pid结果都是直线

说明没有进行迭代，优化不成功。可能是陷入局部最小值或者适应度函数没有设计好。
1.PSO是粒子群算法（——ParticleSwarmOptimization）的英文缩写，是一种基于种群的随机优化技术，由Eberhart和Kennedy于1995年提出该算法模仿昆虫、兽群、鸟群和鱼群等的群集行为，这些群体按照一种合作的方式寻找食物，群体中的每个成员通过学习它自身的经验和其他成员的经验来不断改变其搜索模式。
2.Kennedy和Eberhart提出粒子群算法的主要设计思想与两个方面的研究密切相关：一是进化算法，粒子群算法和进化算法一样采用种群的方式进行搜索，这使得它可以同时搜索待优化目标函数空间中的较多区域。二是人工生命，它采用的主要工具是计算机，主要方法是利用计算机编程模拟。

③ 用粒子群算法优化PID参数

具体说一下，如果算法编写没问题的话，可能是你的适应度函数编写有问题

④ 什么是PID调节器，并举例说明P、I、D的调节作用。

PID 调节器是一个在工业控制应用中常见的反馈回路部件，PID是以它的三种纠正算法而命名的。这三种算法都是用加法调整被控制的数值。而实际上这些加法运算大部分变成了减法运算因为被加数总是负值。以下是PID的调节作用举例：

1.比例- 来控制当前，误差值和一个负常数P（表示比例）相乘，然后和预定的值相加。P只是在控制器的输出和系统的误差成比例的时候成立。这种控制器输出的变化与输入控制器的偏差成比例关系。比如说，一个电热器的控制器的比例尺范围是10°C，它的预定值是20°C。那么它在10°C的时候会输出100%，在15°C的时候会输出50%，在19°C的时候输出10%，注意在误差是0的时候，控制器的输出也是0。

2.积分 - 来控制过去，误差值是过去一段时间的误差和，然后乘以一个负常数I，然后和预定值相加。I从过去的平均误差值来找到系统的输出结果和预定值的平均误差。一个简单的比例系统会振荡，会在预定值的附近来回变化，因为系统无法消除多余的纠正。通过加上一个负的平均误差比例值，平均的系统误差值就会总是减少。所以，最终这个PID回路系统会在预定值定下来。

3.微分- 来控制将来，计算误差的一阶导，并和一个负常数D相乘，最后和预定值相加。这个导数的控制会对系统的改变作出反应。导数的结果越大，那么控制系统就对输出结果作出更快速的反应。这个D参数也是PID被称为可预测的控制器的原因。D参数对减少控制器短期的改变很有帮助。一些实际中的速度缓慢的系统可以不需要D参数。

(4)基于粒子群算法的pid实验报告扩展阅读：

用更专业的话来讲，一个PID控制器可以被称作一个在频域系统的滤波器。这一点在计算它是否会最终达到稳定结果时很有用。如果数值挑选不当，控制系统的输入值会反复振荡，这导致系统可能永远无法达到预设值。

⑤ 关于遗传算法或粒子群算法优化PID参数的问题，求大侠相助，万分感激！

PID不懂，但是就第一问题说下，如果说每次的初始条件一样的话，可以把参数固定。如果初始条件不一样的话，要在每次使用前都进行优化。

关于目标函数哪个更好，倒不如问问你的同学和老师，这儿不是好地方。
目标函数是GA或者PSO优化的目标，通过目标对候选解进行优劣评价，然后算法会指引种群向目标函数取得优值的范围进行随机搜索。

我只能解释道这儿了~~

⑥ 我用粒子群算法优化PID控制器，但得到的参数是负值是怎么回事，得到的波形也不好

对在程序中加约束条件，比如惩罚