分数阶滑模控制算法：从抖振抑制到Simulink实现的工程实战

简介：分数阶滑模控制算法的MATLAB/Simulink实现资料包，面向控制工程、自动化及相关专业的学生与研究人员，解决非线性、时变及不确定性系统的鲁棒控制建模与仿真问题。包内共24个文件，包括12个.m脚本（实现控制律、轨迹规划及误差计算等）、10张仿真结果图片（便于对照曲线分析），以及.slx和.mdl两种Simulink模型文件（适配不同版本环境），整体仅315KB，小巧易用。分数阶微积分引入的记忆与频率特性，结合滑模控制的强抗扰能力，尤其适合处理带延迟或参数摄动的复杂被控对象。已有811人浏览学习。压缩包内模型与代码整合了从模型搭建、控制器设计到仿真验证的完整流程，通过可运行的模型和代码，帮助读者掌握滑动表面设计、切换函数构建及参数整定方法，并可根据配套图片快速评估算法在轨迹跟踪、速度/位置误差等场景中的表现。

1. 为什么整数阶滑模总在“抖”和“钝”之间二选一：分数阶滑模控制算法改了什么

做控制的都知道，滑模控制最让人头疼的不是稳定性证明，而是抖振和参数整定的“玄学感”：增益给大了高频抖振，给小了抗扰变差。分数阶滑模控制算法把滑模面里的整数阶微积分换成非整数阶算子，多出一个连续可调的阶次，等于在响应速度和抖振抑制之间加了一个旋钮，同时保留了滑模控制对模型摄动和外部扰动的强鲁棒性。这篇笔记只聊工程落地：分数阶算子到底怎么在 Matlab 里算、Simulink 模型怎么从整数阶改成分数阶、以及调参时会遇到的五个典型坑。适合已经跑通过整数阶滑模、正被抖振或瞬态超调折磨的开发者，照着改大概率能压住问题。

2. 先立住理论：三种分数阶定义怎么选，滑模面为什么这么构造

2.1 RL、GL、Caputo 三种定义：工程仿真到底选哪种

分数阶微积分的定义不止一种，论文里常见的是 Riemann-Liouville（RL）、Grünwald-Letnikov（GL）和 Caputo。它们的区别集中在“初值怎么给”和“数值怎么算”上，而这两点直接决定你在 Matlab 里能不能把代码写出来。

RL 定义基于卷积积分，理论推导漂亮，但初值需要分数阶导数在 t=0 时刻的值，工程上几乎没有手段去标定这个量。Caputo 定义对初值友好，因为它先做整数阶求导再做积分，初值还是常规的整数阶导数值，但你去看它的离散化形式，计算还是要走卷积求和。GL 定义最直白：它把整数阶微积分里“差商取极限”的思路原封不动推广到非整数阶，直接给出一串加权和的形式，天然适合计算机迭代。

我给自己定的一条规矩：凡是做时域仿真，一律用 GL 定义，不纠结另两种。原因很简单，GL 的离散表达式就是“当前值和历史值的加权累加”，权重可以递推生成，放进 Simulink 的 MATLAB Function 块几行代码就能写出来。下面这张表是我的选型依据，贴出来方便你对比。

定义	初值要求	数值实现难度	适合场景
RL	分数阶初值，难标定	中	理论推导、频域分析
Caputo	整数阶初值，物理意义清晰	中	分数阶微分方程求解、论文对比
GL	实际上用历史缓冲预填充	低，直接离散求和	时域仿真、控制器实时实现、Simulink

2.2 滑模面用 D^(α-1) 而不是 D^α：一个省掉无数麻烦的构造习惯

分数阶滑模面的写法在文献里花样很多，常见的有 s = D^α·e + λ·e 这种，也有 s = ė + λ·D^(α-1)·e 这种。我强烈建议你采用后一种，也就是把分数阶算子的阶次放在 α-1 上，而不是直接用 α 对误差做分数阶微分。这里有两个工程上的硬理由。

第一个理由是数值稳定性。分数阶微分会放大高频噪声，滑模控制本来就在和抖振作斗争，再去用分数阶微分会雪上加霜。而 α-1 落在 (-1, 0) 区间，实际是一个分数阶积分算子，对高频是压制而不是放大。第二个理由是控制器设计能继续走整数阶的老路。如果滑模面里只有 D^(α-1)·e，对它求导时得到的是 D^(α-1)·ė，仍然是分数阶积分作用于误差导数，等效控制可以直接代数解出来，稳定性证明沿用 V = 0.5s² 的经典路径，不需要引入分数阶 Lyapunov 定理那种绕弯的东西。

具体推导我写一遍，你后面接 Simulink 模型时会用上。设被控对象为 J·ẍ + B·ẋ = u，参考信号 x_ref，误差 e = x_ref - x，滑模面取 s = ė + λ·D^(α-1)·e。对 s 求导得到 ṡ = ë + λ·D^(α-1)·ė，代入被控对象方程，再令 ṡ = -η·sat(s/φ)，就能解出控制量：

u = J·ẍ_ref + B·ẋ + J·λ·D^(α-1)·ė + J·η·sat(s/φ)

注意这里 D^(α-1)·ė 和 D^(α-1)·e 是两路独立的分数阶积分，不能混用，也不能把后者求导代替前者。这个细节等建模的时候还会再强调一次。你可以直接把它理解成“误差通道的分数阶记忆”和“误差变化率通道的分数阶记忆”各算各的。

这套构造还有一个非常漂亮的退化性质：当 α 取 1 时，D^(α-1) 变成 D^0，也就是恒等算子，滑模面退化成 s = ė + λ·e，控制律也自动退化成整数阶 PD 型滑模。等价说法是，α 从 0 连续变到 1，滑模面从 PI 型平滑过渡到 PD 型，以前需要换控制器结构才能做的事，现在一个参数就调过去了。这个性质后面要拿来做模型排错，务必记牢。

2.3 退化性验证：把 α 设成 1，分数阶滑模必须变回整数阶滑模

很多初学者拿到分数阶控制器的第一反应是“这东西到底靠不靠谱”。我的回答很直接：用退化性验证。既然 α=1 时分数阶滑模退化为整数阶 PD 滑模，那你在 Simulink 里把同一个模型复制两份，一份保持整数阶控制器结构，另一份把分数阶模块的阶次设成 α-1=0，跑同一组参考信号和增益，两条响应曲线应当几乎重合。

这个验证几乎是免费的，却能一次性暴露八成以上的建模错误：权重算错、阶次符号传反、历史缓冲没对齐、采样步长不一致，都会在这里现形。我搭完任何分数阶模型第一件事就是做这个对比，对上了再谈调参。你如果连这一步都没做就直接去调 α，后面所有现象都说不清是算法问题还是实现问题，那才是真正的黑匣子。

3. 在 Matlab 里跑通分数阶算子：GL 离散实现、Oustaloup 连续逼近与交叉验证

3.1 自己写 GL 算子：一个能直接跑的分数阶微积分函数

Matlab 本身没有内置的分数阶微积分算子，最可控的办法是自己写。下面这个函数基于 GL 定义的离散形式，输入一段历史数据，返回当前时刻的分数阶微积分值，阶次 beta 可正可负，负数代表积分。代码里我把权重用递推方式生成，避免每次调用都去算伽马函数，这也是 GL 实现里最常见的性能优化点。

function y = gl_fd(u_hist, beta, h) % GL 分数阶微积分算子，阶次 beta 可正（微分）可负（积分） % u_hist: 列向量，最新时刻输入放在最后一行 % beta: 分数阶阶次，本文中取 beta = alpha - 1，落在 (-1, 0) % h: 采样步长，必须在整个仿真过程中保持固定 % 返回当前时刻的分数阶微积分值 L = length(u_hist); w = zeros(L, 1); w(1) = 1; % w0 = 1，对应当前样本 for j = 2:L w(j) = w(j-1) * (beta - j + 2) / (j - 1); end y = (h^(-beta)) * (w' * flip(u_hist)); % 最新样本乘 w0，依次向前 end

逻辑说明：GL 离散求和本质是“当前值与历史值的加权和”，权重 w_j 由递推式 w_j = w_(j-1)·(β - j + 2)/(j - 1) 生成，等价于 (-1)^j 乘以广义二项式系数，省掉了每次迭代调用伽马函数的开销。flip(u_hist) 把最新样本翻到最前，让点积顺序与权重下标一一对应。

参数说明：beta 的符号最容易出错，滑模面里用的是 α-1，比如 α=0.5 时 beta=-0.5，是半积分算子，不是半微分，千万别传反。h 是固定采样步长，GL 定义对 h 的一致性非常敏感，后面避坑章节会展开。L 是记忆窗口长度，窗口越长越接近理论定义，但计算量线性增长，工程上通常按“被控对象时间常数的 5 到 10 倍”来取，本文算例取 2000。

3.2 Oustaloup 连续逼近：把 s^α 变成普通传递函数

GL 适合时域迭代，但如果你想看分数阶算子的频域特性，比如 Bode 图上到底是几 dB 每十倍频程，那就得用连续逼近。最常用的是 Oustaloup 滤波器，它的思路是用一串实数零点和极点去逼近 s^α 在某个频段内的频率响应，近似结果是一个标准的有理传递函数，可以直接喂给 Simulink 的 Transfer Fcn 模块。

function Gf = oustaloup(alpha, wl, wh, N) % 生成 s^alpha 的 Oustaloup 有理近似，返回 zpk 模型 % alpha: 分数阶阶次，0 < alpha < 1 % wl, wh: 拟合频段的上下界，单位 rad/s % N: 近似阶次，最终传递函数阶数为 2N+1 wk = zeros(2*N+1, 1); wkp = zeros(2*N+1, 1); for k = -N:N wk(k+N+1) = wl * (wh/wl)^((k+N+0.5*(1-alpha))/(2*N+1)); wkp(k+N+1) = wl * (wh/wl)^((k+N+0.5*(1+alpha))/(2*N+1)); end Gf = (wh^alpha) * zpk(-wkp, -wk, 1); end

逻辑说明：Oustaloup 把拟合频段几何均分成 2N+1 个频点，每个频点对应一个零点和极点，二者交错排列。极点放在分母，零点放在分子，再乘一个增益系数 wh^alpha 保证频段内幅值逼近 ω^alpha。这样构造出来的传递函数在频段内部幅频特性逼近理论值，相频特性逼近 απ/2。

参数说明：wl 和 wh 必须覆盖系统的主要工作频段，尤其是滑模面和被控对象的穿越频率。我一般把需求频段向外扩 10 倍，比如穿越频率在 10 rad/s，就取 wl=0.1、wh=1000，给边界误差留出余量。N 取 3 到 5 足够，再大会让传递函数阶数爆炸，Simulink 仿真速度肉眼可见地变慢。验证方式也很简单，调用bode(oustaloup(0.5, 0.1, 1000, 5))，和理论线 ω^0.5、相位 45 度对比，边界处误差能控制在几度以内就算合格。

3.3 两条路线怎么选，以及一个交叉验证习惯

GL 和 Oustaloup 不是二选一的关系，而是分工不同。Oustaloup 给出连续传递函数，适合做频域分析和线性系统快速验证；GL 给出离散迭代形式，适合做非线性滑模控制的完整时域仿真。滑模控制里有符号函数和饱和非线性，Oustaloup 那种线性传递函数表达不了切换行为，所以时域仿真必须走 GL。

我自己的流程是：先用 Oustaloup 把分数阶算子的频域特性摸清楚，确认拟合频段和阶次合理；再用 GL 搭时域模型跑完整控制仿真。两条路线会互相验证，做法是拿一个已知解析解的信号，比如正弦信号 sin(t)，分别用 gl_fd 和 oustaloup 的传递函数去算某个阶次的输出，对比差值。社区里也有现成的分数阶工具箱，比如某开源工具箱里封装了分数阶模型和仿真函数，可以拿来当基准值，和你的 gl_fd 输出对比，误差在 1e-3 量级就说明实现没问题。这个习惯帮我省了不少后悔药，建议你保留。

4. Simulink 里把整数阶滑模改成分数阶：模型结构、算子子系统与参数设定

4.1 被控对象与整数阶滑模基线模型：先搭一个能跑的版本

改造成分数阶之前，先把整数阶基线模型跑通。以某电机负载平台为例，被控对象模型为 J·ẍ + B·ẋ = u，其中 J=0.01 kg·m²，B=0.1 N·m·s/rad，控制目标是让位置 x 跟踪斜坡信号 x_ref = 0.5·t。模型里用两个积分器串联搭出被控对象，第一个积分器输出速度 ẋ，第二个输出位置 x，速度信号直接引出用于反馈，绝对不用 Derivative 模块去数值微分，那是抖振放大器。

整数阶滑模面取 s = ė + λ·e，控制律为 u = J·ẍ_ref + B·ẋ + J·λ·ė + J·η·sat(s/φ)。其中 sat 是饱和函数，代替 sign 函数做边界层处理。模块连接关系如下：Ramp 信号源接参考输入，与位置反馈 x 做差得到 e；e 和 ė 合成滑模面；控制器输出 u 进被控对象；被控对象速度和位置反馈回前端。先确保这个模型在 α=1 的意义下响应正常，再做下一步替换。

4.2 分数阶算子子系统：用 MATLAB Function 实现 D^(α-1)

把整数阶滑模改成分数阶，核心就一句话：把滑模面里的 λ·e 换成 λ·D^(α-1)·e，同时把等效控制里的 λ·ė 换成 λ·D^(α-1)·ė。这两个分数阶积分各需要一个算子实例，我习惯封装成独立的 MATLAB Function 块，因为两路输入信号不同，历史缓冲必须分开。

function y = frac_int(u, beta, h) % 分数阶积分算子 D^beta*u，用于滑模面与控制律 % u: 当前时刻输入信号（误差或误差变化率） % beta: 阶次，固定取值 alpha - 1，范围 (-1, 0) % h: 固定仿真步长，必须是模型求解器设置中的实际步长 persistent buf w if isempty(buf) L = 2000; % 记忆窗口长度，按 2 秒历史估算 buf = zeros(L, 1); w = zeros(L, 1); w(1) = 1; for j = 2:L w(j) = w(j-1) * (beta - j + 2) / (j - 1); end end buf = [u; buf(1:end-1)]; % 最新输入放最前，历史依次后移 y = (h^(-beta)) * (w' * buf); % 加权求和，完成 GL 离散近似 end

逻辑说明：persistent 变量 buf 保存输入历史，w 保存预先算好的 GL 权重。每次调用先把当前输入 u 插入缓冲头部，再与权重向量做点积，得到的就是 GL 定义下的分数阶积分值。初始化时 buf 全零，等价于分数阶积分初值设为零，这在被控对象从静止开始跟踪的情形下是合理的。

参数说明：beta 建议通过模型参数传进来，不要写死在函数里，这样参数扫描时不用改代码。h 必须与 Simulink 求解器的固定步长保持一致，否则权重里的 h^(-beta) 和实际采样间隔对不上，结果直接漂移。L 的取值有一个经验法则：按被控对象时间常数的 5 到 10 倍来算，本文对象时间常数约 0.1 秒，取 2000 步对应 2 秒历史，足够覆盖主要动态过程。

4.3 完整控制律模块与全套参数表

控制器部分我用一个 MATLAB Function 块做纯代数运算，两个分数阶算子块的输出 frac_e 和 frac_edot 作为输入接入。控制律代码很简短，直接对应前面推导的公式。

function u = ctrl(e, edot, frac_e, frac_edot, xdot, refddot, lambda, eta, phi, J, B) % 分数阶滑模控制器纯代数部分 s = edot + lambda * frac_e; % 分数阶滑模面 u = J*refddot + B*xdot + J*lambda*frac_edot + J*eta*sat(s/phi); end function y = sat(z) if z > 1 y = 1; elseif z < -1 y = -1; else y = z; end end

逻辑说明：第一行计算分数阶滑模面，误差变化率 edot 与分数阶积分项按 λ 加权。第二行是等效控制加切换控制：J·refddot 是参考加速度前馈，B·xdot 是对象阻尼补偿，J·λ·frac_edot 对应滑模面求导时产生的分数阶项，J·η·sat(s/phi) 是边界层切换项。这个结构和整数阶滑模几乎一样，只是 frac_e、frac_edot 代替了原来的 e、edot 位置。

参数说明：sat 函数的边界层厚度 φ 直接决定抖振幅度和稳态静差的折中，取值太小抖振明显，太大则跟踪静差变大。η 要大于集总扰动幅值除以 J 的值，一般取扰动上界的 1.5 到 3 倍。下面这张参数表是本文算例的推荐起点，照着设完再微调。

参数	推荐范围	作用	调大后的影响
α	0.3 ~ 0.7，推荐 0.5	分数阶阶次，控制记忆特性	接近 1 时响应更利落但超调回升
λ	2 ~ 5	滑模面收敛速度	收敛变快，但等效控制项变大
η	扰动上界的 1.5 ~ 3 倍	切换增益，决定抗扰强度	抗扰增强，但抖振同步放大
φ	0.005 ~ 0.05	边界层厚度	抖振减小，但稳态静差增加
h	被控对象带宽的 1/20 ~ 1/50	固定仿真步长	步长变大直接破坏 GL 精度
L	2000 起步	记忆窗口长度	历史更长更精确，但仿真变慢

还有两个地方特别容易改错。第一，frac_edot 是 D^(α-1) 作用于误差变化率，不是 frac_e 对时间求导，二者不可互换，模型里必须有两路独立的算子块。第二，参考信号如果是斜坡 x_ref=0.5t，那 refddot 恒为零，前馈项不起作用；如果改成 S 型曲线，refddot 非零，前馈项对跟踪精度有明显帮助，别忘了接上。

5. 分数阶滑模仿真避坑：步长、初值、近似阶次、代数环与退化验证

5.1 persistent 算子遇上变步长求解器：结果漂移得没有规律

现象：同一个模型，把 Simulink 求解器从固定步长改成变步长，响应曲线和固定步长下差出一大截，而且怎么调参数都找不回原来的性能。

原因：GL 算子的权重里包含 h^(-beta)，h 是采样步长。变步长求解器每步的实际步长都不一样，但 persistent 变量里的权重是按初始 h 一次性算好的，步长一旦变化，权重和真实采样间隔就错位了。更隐蔽的是，变步长求解器可能在同一个仿真时刻对同一个函数块多次求值，persistent 变量会被反复更新，历史缓冲完全乱掉。

解决：分数阶滑模模型一律使用固定步长求解器，推荐 ode4，步长按被控对象带宽取 1/20 到 1/50。本文算例取 h=0.001。这不算额外负担，嵌入式实现本来就是固定步长离散控制，Simulink 模型和实际代码的行为反而更一致。

5.2 初始段滑模面大尖峰：分数阶算子的“预热期”与初值预填充

现象：仿真刚开始的前几十毫秒，滑模面 s 出现一个很大的尖峰，控制器输出直接打到饱和限幅，过了快一个时间常数才恢复正常。

原因：GL 定义要求从 t=0 开始累加全部历史，而仿真初始时刻缓冲里全是零，等效于假设被控对象在 t=0 之前一直处于零状态。如果参考信号从 t=0 就带着阶跃或斜坡跳变，分数阶积分在起始段会输出一个异常偏大的瞬时值，把滑模面顶起来。

解决：让参考信号从 t=0 到 t=0.2 秒保持零，被控对象初始状态也设为零，给分数阶算子一段“预热”时间。实际做法是在 Ramp 信号源后面加一个延迟使能模块，或者用 Signal Builder 直接在信号源里把上升沿延后。这样历史缓冲里的早期数据是干净的零，不会在起始段制造虚假尖峰。如果你需要从非零初始状态开始仿真，就得在初始化阶段把历史缓冲预填充成稳态值，这需要额外的初始化逻辑，非必要不搞。

5.3 Oustaloup 的 N 和频段不会选：近似误差全在边界上

现象：用 Oustaloup 逼近的传递函数做频域分析，Bode 图在频段中间和理论线吻合得很好，但到了 wl 和 wh 附近，幅值和相位都开始偏离，相位误差能到十几度。

原因：Oustaloup 本质是有限阶有理逼近，边界处是插值区间末端，拟合误差天然最大。阶次 α 越接近 0 或 1，边界效应越明显，0.5 附近表现最好。

解决：拟合频段向外扩出裕量。系统穿越频率约 10 rad/s 时，取 wl=0.1、wh=1000。N 取 3 到 5，检查方式很简单，把逼近结果和理论线画在同一张 Bode 图上，观察工作频段内的误差是否在可接受范围内。不要试图用无限增大 N 来消除边界误差，那会让传递函数阶数爆炸，Simulink 仿真慢到怀疑人生。

5.4 代数环警告：反馈回路里的一个单位延迟

现象：模型能跑，但 Simulink 提示存在代数环，仿真速度明显变慢，极端情况下求解器会迭代不收敛。

原因：控制器输出 u 进被控对象，被控对象输出 x 和 ẋ 又立即反馈回控制器参与 u 的计算，信号链路里缺少真正的状态延迟，形成了闭合的代数依赖。MATLAB Function 内部的 persistent 变量从语义上确实是存储，但 Simulink 的代数环检测不一定能识别到这一层。

解决：在控制器反馈路径的某个位置插入一个 Unit Delay 模块，初始值设为 0。我习惯放在 sat(s/phi) 计算之前，也就是切换项延迟一拍。代价是控制量落后一个步长，在固定步长 h=0.001 的情况下对性能的影响可以忽略。这个改动同时能消除代数环警告，让仿真速度恢复正常。

5.5 α 设成 1 结果对不上整数阶模型：先别怀疑公式，检查这几个地方

现象：按照退化性验证把 α 设成 1，分数阶模型和整数阶基线模型的响应曲线不重合，误差甚至很明显。

原因：退化性验证成立的前提是分数阶算子在 α-1=0 时精确变成恒等算子。对不上说明实现链路里有环节出错了，最常见的三个：beta 传的是 α 而不是 α-1，权重向量初始化顺序搞反，或者两路算子块的输入接错了信号。

解决：按顺序排查。第一步检查 MATLAB Function 块里 beta 的实参值，α=1 时 beta 必须是 0。第二步检查 frac_int 内部，在 buf 更新后单独打印几个权重值，beta=0 时 w(1)=1、其余全零，输出应当等于当前输入。第三步检查两路算子的输入信号，frac_e 接 e，frac_edot 接 edot，交叉接了就会出这种怪毛病。这三处检查完，绝大多数对不上的情况都能定位。

6. 把“调参玄学”变成可复现的流程：α、λ、η 的耦合关系与参数扫描脚本

三分模型，七分调参，这句话在分数阶滑模上尤其成立，因为 α 和 λ、η 是耦合的。α 接近 1 时滑模面趋近 PD 型，系统响应利落但超调倾向强；α 接近 0 时滑模面趋近 PI 型，稳态更平但动态变肉。λ 决定滑模面收敛到零的速度，调大后等效控制里的 J·λ·frac_edot 项变大，控制量峰值上升。η 是抗扰下限，同时也是抖振上限，取值恰好卡在“压制扰动”和“放大切换”之间。

我的调参顺序是固定一套的：先把 α 定在 0.5，用整数阶滑模的参数整定经验把 λ、η、φ 调到响应合格，然后再动 α，每次只动 0.1，观察前 0.2 秒的滑模面曲线和稳态误差。α 每次改动后，h^(-beta) 这个因子会改变分数阶积分输出的绝对幅度，等效控制的增益也跟着变，所以每改一次 α 都要回头看看 λ 是否需要微调。这个耦合关系不是线性的，指望一劳永逸地找到解析公式不现实，扫描才是靠谱手段。

下面这个脚本是参数扫描的最小框架，把 Simulink 模型里的误差信号通过 To Workspace 模块导出，批量跑不同 α 和 η 的组合，用 IAE 指标做排序，就能直观看到参数平面的敏感区域。

% 参数扫描框架：固定 λ、φ，扫描 α 和 η，用 IAE 指标排序 alphas = 0.3:0.1:0.7; etas = 1.0:0.25:2.5; iae_all = zeros(length(alphas), length(etas)); for i = 1:length(alphas) for j = 1:length(etas) % 将扫描参数写入模型中的 MATLAB Function 块参数 % 假设模型名为 motor_fsmc.slx，误差输出端口为 e_out set_param('motor_fsmc/frac_int', 'alpha', num2str(alphas(i))); set_param('motor_fsmc/ctrl', 'eta', num2str(etas(j))); out = sim('motor_fsmc', 'StopTime', '2'); e_hist = out.e_out(:, 1); % 误差序列 t_hist = out.e_out(:, 2); % 对应时间 iae_all(i, j) = trapz(t_hist, abs(e_hist)); end end % 找到最小 IAE 对应的参数组合 [min_val, idx] = min(iae_all(:)); [i_best, j_best] = ind2sub(size(iae_all), idx); fprintf('最优 alpha = %.1f, eta = %.2f, IAE = %.4f\n', ... alphas(i_best), etas(j_best), min_val);

逻辑说明：外层循环扫 α，内层循环扫 η，每次仿真都固定其他参数，只改当前扫描维度。set_param 的作用是修改 Simulink 模块参数，这里以 alpha 和 eta 对应到两个模块作为示例，实际要按你的模型模块路径调整。误差是从输出结构里提取的位置误差列向量，用 trapz 做数值积分求 IAE。

参数说明：扫描范围和步长可根据初步仿真结果收缩，如果 iae_all 里最优值落在边界上，说明扫描范围没覆盖到，要外扩。每个 α 下最优 η 的变化趋势能反映出耦合强度：正常情况下你会在 α 较大时看到最优 η 也偏大，这就是 PD 型滑模面对高频切换需求更强的直接证据。

我自己的习惯是把这个扫描脚本固定放在每个分数阶滑模项目里，项目交付前跑一遍，把参数平面图存下来留档。这样后面哪怕客户那边换了负载参数，也能快速找到新工作点附近的参数基线。跑扫描前记得先把 α=1 的退化验证做了，基线不对，扫描出来的优秀参数都是假象。希望帮到你。

本文还有配套的精品资源，点击获取