E:\Anaconda\envs\tf1\python.exe G:\My_RL_PID\5\pso.py Traceback (most recent call last): File "G:\My_RL_PID\5\pso.py", line 67, in <module> pso.optimize() File "G:\My_RL_PID\5\pso.py", line 32, in optimize fitness = self.evaluate_fitness(particle.position) File "G:\My_RL_PID\5\pso.py", line 49, in evaluate_fitness Kp, Ki, Kd = position[i] # 为每个粒子分别取值 TypeError: cannot unpack non-iterable numpy.float64 object

这个错误是由于你尝试将一个 `numpy.float64` 对象进行解包赋值给 `Kp`、`Ki` 和 `Kd`，但是解包赋值只能用于可迭代对象，而不是单个的浮点数。

为了解决这个问题，你可以将解包赋值改为直接索引赋值，如下所示：

def evaluate_fitness(self, position):
    n_particles = position.shape[0]  # 获取粒子的数量
    j = [0] * n_particles  # 初始化误差数组

    for i in range(n_particles):
        Kp = position[i][0]
        Ki = position[i][1]
        Kd = position[i][2]
        pid = ctl.TransferFunction([Kd, Kp, Ki], [1, 0])
        closed_loop = ctl.feedback(pid * self.sys, 1)
        t, y = ctl.step_response(closed_loop)
        error = 1.0 - y
        j[i] = np.sum(np.abs(error))

    return np.array(j)

通过将 `Kp`、`Ki` 和 `Kd` 直接索引为 `position[i][0]`、`position[i][1]` 和 `position[i][2]`，你可以正确地将粒子位置中的值分配给这些变量。

这样，你应该能够正常运行代码并解决错误。希望对你有所帮助！