模糊控制-神经网络控制-遗传算法PID控制倒立摆系统

%遗传算法优化simulink仿真模型中的参数Kp Ki Kd clear all; close all; Size=80;%种群中个体数，对应要优化的参数现有Size组（在后面会随机生成） CodeL=3;%每个个体由codeL个元素，对应要优化的参数个数，对应要优化的参数Kp Ki Kd有3个 MaxX(1)=zeros(1); MinX(1)=-500.0*ones(1); MaxX(2)=zeros(1); MinX(2)=-500.0*ones(1); MaxX(3)=zeros(1); MinX(3)=-60.0*ones(1);%确定各优化参数的取值范围 E(:,1)=MinX(1)+(MaxX(1)-MinX(1))*rand(Size,1); E(:,2)=MinX(2)+(MaxX(2)-MinX(2))*rand(Size,1); E(:,3)=MinX(3)+(MaxX(3)-MinX(3))*rand(Size,1);%8-17代码就是在参数指定范围随机生成size组要优化的控制参数，产生种群E，后续的选择、复制、变异都是对该初始种群E进行处理 G=100;%迭代次数（次数少达不到最优值，次数多时间长） BsJ=0;%目标函数值初始化为0 %*************** 开始运行*************** for kg=1:1:G time(kg)=kg;%此处time为种群迭代次数 %****** Step 1 : 计算第kg代种群最小目标函数值 BestJ（kg） ****** for i=1:1:Size x=E(i,:); BsJ=GA_PID_Simulink_fitness(x,BsJ);%调用目标函数，输入种群E中的第一个个体x，该个体就是一组参数组成的向量；返回目标函数值BsJ。 BsJi(i)=BsJ;%将每一个个体（控制参数）在simulink中仿真，都会得到一个目标函数值，执行完for循环，所有控制参数依次带入simulink中仿真，得到的所有目标函数值存放在BsJi向量中。 end [OderJi,IndexJi]=sort(BsJi); %将所有目标函数值从小到大排序，OderJi返回的是BsJi向量经过排序后的结果向量，IndexJi返回的是OderJi结果向量元素在BsJi中的下标（位置） BestJ(kg)=OderJi(1);%找到目标函数值最小值 BJ=BestJ(kg);%将目标函数值最小值保存 Ji=BsJi+1e-10; %因为优化的目的是目标函数值越小越好，那么就会有0结果，适应度fi是目标函数值的导数，所以加上1e-10是为了防止分母为零报错。 fi=1./Ji;%求适应度 [Oderfi,Indexfi]=sort(fi); %将所有适应度值从小到大排序 Bestfi=Oderfi(Size); %找到适应度最大值 BestS=E(Indexfi(Size),:); %适应度最大对应的目标函数最小对应的参数（个体）是整个种群中最优的参数（个体），找到适应度最大值对应个体在种群中的位置（第Indexfi(Size)个），即可找出适应度最大值对应最优参数，并保存给 BestS变量 bfi(kg)=Bestfi;%保存第kg代种群的适应度最大值 kg %第kg代 BestS %第kg代群体中最优个体，也就是满足目标函数最小，对应的个体，个体就是三个参数（kp,ki,kd）组成的行向量 BJ %第kg代群体对应的目标函数最小值 %****** Step 2 : 选择和复制计算****** %都是固定套路不必研究，但种群E变量名要与之前的代码一致 fi_sum=sum(fi); fi_Size=(Oderfi/fi_sum)*Size; fi_S=floor(fi_Size); % Selecting Bigger fi value r=Size-sum(fi_S); Rest=fi_Size-fi_S; [RestValue,Index]=sort(Rest); for i=Size:-1:Size-r+1 fi_S(Index(i))=fi_S(Index(i))+1; % Adding rest to equal Size end k=1; for i=Size:-1:1 % Select the Sizeth and Reproduce firstly for j=1:1:fi_S(i) TempE(k,:)=E(Indexfi(i),:); % 通过上述选择复制产生新的个体，进而形成新的种群 k=k+1; % k is used to reproduce end end %************ Step 3 : 交叉计算 ************ %都是固定套路不必研究，但种群E变量名要与之前的代码一致 Pc=0.90;%交叉概率 for i=1:2:(Size-1) temp=rand; if Pc>temp %Crossover Condition alfa=rand; TempE(i,:)=alfa*E(i+1,:)+(1-alfa)*E(i,:); TempE(i+1,:)=alfa*E(i,:)+(1-alfa)*E(i+1,:); end end TempE(Size,:)=BestS; E=TempE;%通过上述交叉产生新的个体，进而形成新的种群 %************ Step 4: 变异计算 ************** Pm=0.10-[1:1:Size]*(0.01)/Size; %（变异概率计算，每个个体变异概率不一样）Bigger fi,smaller Pm Pm_rand=rand(Size,CodeL); Mean=(MaxX + MinX)/2; Dif=(MaxX-MinX); for i=1:1:Size for j=1:1:CodeL if Pm(i)>Pm_rand(i,j) %Mutation Condition TempE(i,j)=Mean(j)+Dif(j)*(rand-0.5); end end end %Guarantee TempE(Size,:) belong to the best individual TempE(Size,:)=BestS; E=TempE;%%通过上述变异产生新的个体，进而形成新的种群 end %23-105代码实现G次迭代，迭代过程为计算当前种群最小目标函数，最大适应度，并找出对应的最优参数个体，然后对整个当前种群做选择、复制、交叉、变异，产生新的更好地种群，然后进行下一步迭代。 BestS %迭代完成后的种群里面的最优个体，也就是经过遗传寻优得到的最优参数向量 Bestfi %以经过迭代产生的最优参数，运行simulink模型，计算目标函数，再计算适应度，得到的最大适应度值 fi %以经过迭代后的种群所有个体（包括最优个体）运行simulink模型，计算目标函数，再计算适应度，得到所有适应度值 x %经过迭代后种群的最后一个个体（不一定是最优个体） Best_J=BestJ(G)%以第G代群体中个体，运行simulink模型，计算目标函数，其中的目标函数最小值 %% 画图 figure; plot(time, BestJ, 'linewidth', 1.5);%注意此处的time不是时间，而是迭代次数，所以此处作图以迭代次数为横坐标，迭代次数对应群体的最小目标函数值为纵坐标 grid on; xlabel('迭代次数'); ylabel('最佳目标函数值'); legend('Best J', 'location', 'Best'); saveas(gcf, 'BestJ.emf');