matlab-基于PSO粒子群优化的NARMAX模型参数辨识matlab仿真-源码

% 用标准PSO辨识NARMAX模型 clc; clear; close all; warning off; addpath(genpath(pwd)); %-----------------------------------------------------------paramters setup var=0.001; % 噪声方差 % iter_max=Nc_max*4; err=0.01; iter_max=1000; % 最大迭代次数 L=15; % 窗口宽度 N=30; % 种群规模 C1=2; % 加速度常数 C2=C1; Xmin=-3; % 解取值范围[Xmin,Xmax] Xmax=3; p=6; % 粒子维数 w=linspace(0.9,0.5,iter_max); % 惯性权重 X=Xmin+(Xmax-Xmin)*rand(p,N); % 粒子位置 Xpbest=X; % 个体最佳位置 Xgbest=Xmin+(Xmax-Xmin)*rand(p,1); % 种群最佳位置 fpbest=0*rand(1,N); % 个体最佳适应度值 fgbest=0; % 种群最佳适应度值 fgbest_fig=zeros(1,iter_max); Xgbest_fig=zeros(p,iter_max); Vmax=(Xmax-Xmin)*0.2; V=Vmax*(2*rand(p,N)-1); u=idinput(L,'rgs',[0 1],[-1 1]); % 随机白噪声序列，取L个，均值为0，方差为1 e=idinput(L,'rgs',[0 1],[-var var]); % 高斯白噪声，均值为0，方差为var theta0=[-0.4 0.2 0.4 0.8 0.2 0.3]; % 待辨识参数真值 %-----------------------------------------------output of theoretical value y0(1:4)=0; y(1:4)=0; for k=5:L y0(k)=theta0*[y0(k-1) y0(k-2)*y0(k-3) y0(k-4) u(k-1)^3 y0(k-2)^2 u(k-3)]'+e(k); end %----------------------------------------------------------------------main iter=0; while iter<iter_max iter=iter+1; for i=1:N for k=5:L y(k)=X(:,i)'*[y(k-1) y(k-2)*y(k-3) y(k-4) u(k-1)^3 y(k-2)^2 u(k-3)]'; end J=1/(1+(y-y0)*(y-y0)'); if J>fpbest(i) fpbest(i)=J; Xpbest(:,i)=X(:,i); end end [fitnessmax,index]=max(fpbest); if fitnessmax>fgbest fgbest=fitnessmax; Xgbest=X(:,index); end for i=1:N r1=rand; r2=rand; fai1=C1*r1; fai2=C2*r2; % 速度更新 V(:,i)=w(iter)*V(:,i)+fai1*(Xpbest(:,i)-X(:,i))+fai2*(Xgbest(:,1)-X(:,i)); % 若速度超过限定值,则让其等于边界值 index=find(abs(V(:,i))>Vmax); if(any(index)) V(index,i)=V(index,i)./abs(V(index,i)).*Vmax; end % 位置更新 X(:,i)=X(:,i)+V(:,i); end % if (1-fgbest)<err % return % end fgbest_fig(iter)=fgbest; Xgbest_fig(:,iter)=Xgbest; end %--------------------------------------------------------------------figure % hold on figure plot(1:iter_max,fgbest_fig,'-.'); figure plot(1:iter_max,Xgbest_fig); %----------------------------------------------------------------------disp disp(Xgbest)