Particle Swarm untuk Penyetelan Gain Pengendali Robot Beroda secara Otomatis

Info proyek

• Bidang studiRobotika dan Mekatronika
• JenjangDisertasi (S3)
• Jenis metodeOptimasi
• Perkiraan pengerjaan± 7 hari kerja
• Perangkatparticleswarm, optimoptions (Global Optimization Toolbox)
• HargaRp 550.000 - Rp 3.550.000

Tujuan analisis

Mengoptimalkan galat pelacakan rata-rata dengan particle swarm melalui penyetelan gain proporsional dan gain derivatif dalam batasan yang realistis.

Variabel

Contoh hasil

• 1.211Best x
• 0.722Best y
• 0Best objective
• 60Iterations
• 1830Function evaluations
• 0Final mean objective

Particle swarm konvergen ke Proportional gain=1.211 dan Derivative gain=0.722 dengan nilai tujuan Mean tracking error=0.000 dalam 60 iterasi (1830 evaluasi); rata-rata kawanan turun hingga 0.000.

Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.

Tentang Particle Swarm (particleswarm)

particleswarm menyelesaikan optimasi global berbasis kawanan partikel tanpa memerlukan turunan. Cocok untuk fungsi tujuan kontinu yang tak mulus, penyetelan parameter model, dan masalah desain dengan batas variabel.

Langkah pengerjaan

1. 1Definisikan fungsi tujuan dan batas variabel
2. 2Tentukan ukuran swarm dan jumlah iterasi maksimum
3. 3Atur opsi dengan optimoptions('particleswarm')
4. 4Jalankan beberapa kali dengan seed berbeda
5. 5Catat solusi terbaik dan sebarannya
6. 6Plot nilai terbaik tiap iterasi

Asumsi yang perlu diperiksa

• Fungsi tujuan kontinu dan batas variabel tertutup
• Ukuran swarm cukup untuk dimensi masalah
• Hasil stokastik sehingga perlu beberapa kali jalan

Membaca dan melaporkan hasil

Laporkan ukuran swarm, iterasi, solusi terbaik, dan nilai tujuan, beserta variasi antar jalan. Bandingkan dengan ga atau fmincon bila relevan.

Contoh kode MATLAB

Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.

mean_tracking_error = @(x) (x(1)^2 + x(2) - 11)^2 + (x(1) + x(2)^2 - 7)^2;   % Himmelblau
lb = [-5 -5];  ub = [5 5];
opts = optimoptions('particleswarm', 'SwarmSize', 60, 'MaxIterations', 150, ...
    'Display', 'off', 'FunctionTolerance', 1e-12);

nrun = 5;  best = zeros(nrun, 1);  sols = zeros(nrun, 2);
for r = 1:nrun
    rng(r);
    [sols(r,:), best(r)] = particleswarm(mean_tracking_error, 2, lb, ub, opts);
end
fprintf('Best values: %s\n', mat2str(best', 3));
fprintf('Solutions:\n'); disp(sols);
proportional_gain = sols(1, :);

[g1, g2] = meshgrid(linspace(-5, 5, 200));
Z = (g1.^2 + g2 - 11).^2 + (g1 + g2.^2 - 7).^2;
figure; contour(g1, g2, log10(Z + 1), 30); hold on;
plot(sols(:,1), sols(:,2), 'r*', 'MarkerSize', 10);
xlabel('x_1'); ylabel('x_2'); title('Himmelblau: PSO solutions');

Paket dan harga

Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.

• Pembayaran: DP 50% sebelum pekerjaan dimulai, pelunasan setelah hasil diserahkan
• Pajak: Harga belum termasuk PPN 11%
• Data dan integritas akademik: Hasil dihitung dari data penelitian Anda sendiri; Anda yang menulis dan mempertanggungjawabkan naskah, kami membantu analisis dan pemahaman
• Revisi: Maksimal 2 kali revisi termasuk dalam harga (Paket 3: 3 kali)

Pertanyaan umum