用萤火虫算法整定抗积分饱和参数：探索优化AWPI之路

LqKKsNUdXlA

236人浏览 · 2026-03-23 18:45:00

LqKKsNUdXlA · 2026-03-23 18:45:00 发布

萤火虫算法整定抗积分饱和参数/FA优化AWPI/抗积分饱和参数整定/萤火虫算法优化参数/参数寻优萤火虫算发在寻优方面的收敛性高于粒子群，但由于两两萤火虫要对比吸引度，因此收敛速度较慢于粒子群。本模型采用萤火虫优化算法整定抗饱和积分的三个参数。内容包含simulink模型文件，matlab寻优

在控制系统的优化领域，参数寻优一直是提升系统性能的关键环节。今天咱们就来聊聊用萤火虫算法（Firefly Algorithm，FA）来整定抗积分饱和参数，也就是优化AWPI（Anti - Windup Proportional - Integral - Derivative）控制器这件有趣的事儿。

萤火虫算法与粒子群算法的“较量”

大家都知道粒子群算法（PSO）在参数寻优中表现不俗，那萤火虫算法又有何特别之处呢？萤火虫算法在寻优方面的收敛性其实是高于粒子群算法的。不过它有个“小毛病”，由于算法机制里两两萤火虫要对比吸引度，这就导致它的收敛速度会比粒子群算法慢一些。但别小看这个收敛性优势，在某些对最终结果精度要求极高的场景下，萤火虫算法可就大放异彩了。

用萤火虫算法优化抗积分饱和参数

本模型采用萤火虫优化算法来整定抗饱和积分的三个关键参数。那具体咋做呢？咱们先看看MATLAB里的代码实现思路（以下代码为简化示意，实际应用需根据具体模型调整）：

% 定义目标函数，这里以系统性能指标作为目标函数
function fitness = objectiveFunction(params)
    % params 是包含抗积分饱和三个参数的向量
    kp = params(1);
    ki = params(2);
    kd = params(3);
    % 这里假设搭建了一个简单的控制系统模型
    sys = tf([kp ki kd],[1 0]); 
    % 计算系统性能指标，例如调节时间、超调量等综合指标
    [t, y] = step(sys);
    % 这里简单以调节时间和超调量组合成一个 fitness 值
    fitness = calculateFitness(t, y); 
end

% 萤火虫算法主体
function [bestParams, bestFitness] = fireflyAlgorithm()
    % 初始化参数
    numFireflies = 50; % 萤火虫数量
    alpha = 0.2; % 随机移动步长
    beta0 = 1; % 初始吸引度
    gamma = 1; % 光吸收系数
    maxGeneration = 100; % 最大迭代次数
    dim = 3; % 参数维度，即抗积分饱和的三个参数
    lb = [0 0 0]; % 参数下限
    ub = [100 100 100]; % 参数上限

    % 初始化萤火虫位置
    fireflies = repmat(lb, numFireflies, 1) +...
        repmat((ub - lb), numFireflies, 1).* rand(numFireflies, dim);
    fitness = zeros(numFireflies, 1);

    for gen = 1:maxGeneration
        for i = 1:numFireflies
            fitness(i) = objectiveFunction(fireflies(i, :));
        end

        for i = 1:numFireflies
            for j = 1:numFireflies
                if fitness(i) > fitness(j)
                    r = norm(fireflies(i, :) - fireflies(j, :));
                    beta = beta0 * exp(-gamma * r^2);
                    fireflies(i, :) = fireflies(i, :) + beta * (fireflies(j, :) - fireflies(i, :)) + alpha * (rand(size(fireflies(i, :))) - 0.5);
                    fireflies(i, :) = max(fireflies(i, :), lb);
                    fireflies(i, :) = min(fireflies(i, :), ub);
                end
            end
        end
    end

    [bestFitness, bestIndex] = min(fitness);
    bestParams = fireflies(bestIndex, :);
end

代码分析

目标函数 objectiveFunction：这个函数接收一个包含抗积分饱和三个参数 kp、ki、kd 的向量 params。首先从向量中提取出各个参数，然后用这些参数搭建一个简单的控制系统模型（这里用传递函数 tf 表示）。接着通过 step 函数获取系统的阶跃响应，最后根据系统响应计算一个综合的性能指标 fitness。这个 fitness 值就是萤火虫算法要努力最小化（或最大化，取决于具体问题设定）的目标。
萤火虫算法主体 fireflyAlgorithm：一开始初始化了一堆参数，像萤火虫数量 numFireflies、随机移动步长 alpha 等。然后初始化萤火虫的位置，这些位置就在参数的上下限范围内随机分布。在每一代迭代中，先计算每个萤火虫位置对应的目标函数值 fitness。之后，两两比较萤火虫，如果一只萤火虫的 fitness 比另一只差（这里假设目标是最小化 fitness），就根据距离和吸引度公式更新差的那只萤火虫的位置。这里的距离 r 是两只萤火虫位置的欧氏距离，吸引度 beta 随着距离增大而减小。更新位置时还加入了一个随机项，以增加搜索的随机性，避免陷入局部最优。最后找到 fitness 最小的萤火虫位置，就是我们寻优得到的最佳参数。

Simulink 模型与 MATLAB 寻优的结合

有了 MATLAB 里的寻优代码，还得和 Simulink 模型配合起来。在 Simulink 里搭建好完整的控制系统模型，把 MATLAB 寻优得到的最佳参数导入到 Simulink 模型中的 AWPI 控制器模块里。这样就可以直观地看到优化后的系统性能表现啦。比如系统的响应速度是不是变快了，超调量是不是降低了等等。