目录

1.课题概述

2.系统仿真结果

3.核心程序与模型

4.系统原理简介

5.完整工程文件

---

1.课题概述

     头脑风暴优化（Brain Storm Optimization, BSO）是一种受人类集体创新过程启发的群体智能算法。它通过模拟团队成员之间的信息交流和想法生成来寻找最优解。将BSO应用于模糊PI控制系统的参数优化中，可以提高控制系统的性能。本课题将通过MATLAB/simulink来实现基于头脑风暴优化的模糊PI控制系统simulink建模与仿真。

2.系统仿真结果

（完整程序运行后无水印）

3.核心程序与模型

版本：MATLAB2022a

function z = func_fitness(x)
 
 
P_0=x(1);
I0=x(2);

kS3_1 = x(3);
kS4_1 = x(4);

kk1 = x(5);
kk2 = x(6);
k3  = x(7);
k4  = x(8);

P_3 = x(9);
P_2 = x(10);
P_1 = x(11);
P0  = x(12);
P1  = x(13);
P2  = x(14);
P3  = x(15);

save tmp.mat P_0 I0 kS3_1 kS4_1 kk1 kk2 k3 k4 P_3 P_2 P_1 P0 P1 P2 P3

% open('opt.slx');
sim('opt.slx');

load NewPIfuzzy_simulinkmodel\F2_d.mat
NFPIdat1 = ans.Data;
NFPIdat2 = ans.Time;

%计算超调
obj1 = max(NFPIdat1);

%计算收敛时间
indx = [];
for i = 1:length(NFPIdat1)-1e5
    if mean(NFPIdat1(i:i+1e5))<=1e-5
       indx = [indx;i];
    end
end
obj2 = NFPIdat2(indx(1));
%计算抖动
obj3 = std(NFPIdat1(end-100:end));



z = obj1+obj2+obj3;
08_079m

4.系统原理简介

        头脑风暴优化（brain storm optimization，BSO）是一种基于人类的创造性解决问题的一种新的智能算法。

       头脑风暴优化算法按如下步骤进行：

       第一、产生种群大小为n的个体，并使用k-means聚类算法将n个个体分为m类，并从m个类别中分别选取一个最优的个体作为对应的中心体。

       第二、选择m个类中任意一个类的中心体，并按概率大小确定是否被其他随机个体所替代。

       第三、通过特定的方式进行个体的更新。更新方式主要有如下四种模式：
   1).随机选择一个类，将随机扰动加到类中心上产生新的个体。
   2).选择选择一个类，在该类中再随机选择一个个体，将随机扰动加到被选择的个体上产生新的个体。
    3).随机选择两个类，将他们的中心进行融合，然后再加上一个随机的扰动产生一个新的个体。
   4).随机选择两个类，每类中随机选择一个个体，然后进行融合并加上随机扰动产生一个新的个体。

      通过头脑风暴优化算法，优化决定控制器性能的参数主要有：

一般是通过优化算法，去优化模糊规则的权值。

控制器的调整时间越短越好，

稳定后，控制器的抖动越小越好，

基本优化的目标就是这三个。

根据目前的情况，控制器的再优化过程中，设置仿真时间1s。

然后这个过程仿真速度非常慢。

综上所述，优化函数可以表示为：

然后通过头脑风暴优化算法，获得上述几个参数的最优值，然后再作用到系统进行控制。

5.完整工程文件

v

v