CN104753427A - 一种异步电机的自抗扰控制器的参数优化方法 - Google Patents

Abstract

本发明公开了一种异步电机的自抗扰控制器的参数优化方法，具体按照以下步骤实施：步骤1初始化蚁群算法及自抗扰控制器内部参数，步骤2计算初始目标函数值，步骤3蚁群对自抗扰控制器的参数的寻优得到最小目标函数值，步骤4最小目标函数值对应的自抗扰控制器参数即为最优参数。通过本发明方法可有效解决自抗扰控制器由于参数多而导致参数难整定的问题，既发挥了蚁群算法的分布式并行计算的能力，又体现了自抗扰控制的鲁棒性好的优点，将蚁群算法和自抗扰控制融合起来，有助于自抗扰控制技术在其他领域内的实际应用和推广。

Description

一种异步电机的自抗扰控制器的参数优化方法

技术领域

本发明属于电机控制技术领域，具体涉及一种异步电机的自抗扰控制器的参数优化方法。

背景技术

典型的异步电机矢量控制系统，包括磁链观测和控制器设计两部分。磁链观测是矢量控制的关键，其观测结果是否准确直接影响了磁链与转矩的解耦控制，系统的动态响应很大程度上取决于控制器的性能。如今，控制器从传统的PI/PID控制、最小拍控制，到较复杂的观测和控制方法，如自适应控制、滑模变结构控制、H∞控制、模糊控制等，都被尝试应用于异步电机调速系统中，它们各有自己的优点和局限性。

矢量控制存在的缺点与急需解决的问题：(1)实现时要进行复杂的坐标变换，并需准确观测转子磁链，而且对电机的参数依赖性很大，难以保证完全解耦，使转矩的控制效果打了折扣；(2)矢量控制系统对参数变化的敏感性使得实际控制效果难以达到理论分析的结果，即使精确地知道电机参数与转子磁链，也只有在稳态的情况下才能实现解耦，弱磁时耦合仍然存在；(3)采用一般调节器的矢量控制系统，其性能受参数变化以及各种不确定性因素影响较大，即使在参数匹配良好的情况下取得了良好的性能，一旦系统参数发生变化或受到不确定性因素的影响，就会导致性能变差。

针对一般的异步电机矢量控制系统对电机参数时变的鲁棒性差，转矩子系统与磁场子系统耦合等问题，将自抗扰技术(Active DisturbancesRejection Control—ADRC)引入异步电机矢量控制系统，试图削弱控制器设计对被控对象的依赖、克服负载扰动、被控电机参数变化、以及建模误差等“内扰、外扰”对系统控制性能的不利影响。

自抗扰控制器的控制性能取决于控制器内部的参数，如何整定众多参数，使控制器工作于最佳状态，是ADRC应用中的一个难题。同时，众多的参数也限制了自抗扰控制技术在异步电机矢量控制系统中的应用，以及在其他领域的应用和推广。

发明内容

本发明的目的是提供一种异步电机的自抗扰控制器的参数优化方法，解决了异步电机中现有自抗扰控制器存在参数难调试的问题。

本发明所采用的技术方案是，一种异步电机的自抗扰控制器的参数优化方法，具体按照以下步骤实施：

步骤1、初始化参数：种群迭代次数M，种群中蚂蚁的个数m，信息素重要程度因子α，能见度重要程度因子β，信息素挥发因子ρ，信息素释放总量Q，初始信息素值τ₀(i,j)，自抗扰控制器初始内部参数G₀₀(r、h、δ₁、δ₂、β₁、β₂、β₃、α₁、α₂、b)；

步骤2、计算G₀₀(r、h、δ₁、δ₂、β₁、β₂、β₃、α₁、α₂、b)所对应的初始目标函数值Y₀：

Y₀＝aΔN₀+bT_rise0+cT_set0+dE_ss0     (1)

其中，ΔN₀为自抗扰控制器初始参数下根据电机运行后计算得出的超调量，T_rise0为自抗扰控制器初始参数下根据电机运行后计算得出的上升时间，T_set0为自抗扰控制器初始参数下根据电机运行后计算得出的调节时间，E_ss0为自抗扰控制器初始参数下根据电机运行后计算得出的稳态误差；

步骤3、蚁群对自抗扰控制器的参数的寻优：

首先构建解空间：自抗扰控制器的每个参数由s位有效数字的数字序列组成，一组参数(r、h、δ₁、δ₂、β₁、β₂、β₃、α₁、α₂、b)构成10s位的数字序列，参数的每一位数字序列均由0～9组成，最终形成含有10s×10个结点的网格；

其次，根据目标函数值Y_k更新解空间每个结点的信息素，并得到一个最小目标函数值；

步骤4、步骤3中得到的最小目标函数值所对应的自抗扰控制器参数即为最优参数。

本发明的特点还在于，

步骤1中信息素重要程度因子α的取值范围为0～10。

步骤1中能见度重要程度因子β的取值范围为0～10。

步骤1中信息素挥发因子ρ的取值范围为0～1。

步骤3中根据目标函数值Y_k更新解空间每个结点的信息素的具体步骤为：

步骤3.1、蚂蚁根据公式(2)选择参数每一位数字序列上的结点，并获得一组参数G_Kk(r、h、δ₁、δ₂、β₁、β₂、β₃、α₁、α₂、b)，

$P_K(i,j)=\frac{{{\mathrm{\τ}}_{K-1}}^{\mathrm{\α}}(i,j)\·{\mathrm{\η}}^{\mathrm{\β}}(i,j)}{\underset{j=0}{\overset{9}{\mathrm{\Σ}}}{{\mathrm{\τ}}_{K-1}}^{\mathrm{\α}}(i,j)\·{\mathrm{\η}}^{\mathrm{\β}}(i,j)}---\left(2\right)$

其中，K∈(1,M)，k∈(1,m)，η(i,j)表示结点(i,j)的能见度，

$\mathrm{\η}(i,j)=\frac{10-|j-j^{*}|}{10}---\left(3\right)$

j^*表示数字序列为i的结点上次所对应的数值；

步骤3.2、根据步骤3.1得到的参数G_Kk(r、h、δ₁、δ₂、β₁、β₂、β₃、α₁、α₂、b)控制电机运行，获得电机的转速信息；

步骤3.3、根据步骤3.2中获得的电机转速信息计算电机的超调量ΔN_k、上升时间T_risek、调节时间T_setk、稳态误差E_ssk得到Y_k为：

$Y_k=\left\{\begin{array}{cc}{10}^5& Y_k>{10}^2\\ \mathrm{a\Δ}{N}_k+b{T}_{\mathrm{risek}}+c{T}_{\mathrm{setk}}+d{E}_{\mathrm{ssk}}& Y_k\≤{10}^2\end{array}\right.---\left(4\right)$

且k＝k+1；

步骤3.4、根据步骤3.3得到的Y_k计算第k只蚂蚁在结点(i,j)上产生的信息素增量Δτ_k(i,j)：

则在第K次优化中，m只蚂蚁在结点(i,j)上产生的信息素的增量之和Δτ(i,j)为：

$\mathrm{\Δ\τ}(i,j)=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\mathrm{\Δ}{\mathrm{\τ}}_l(i,j)---\left(6\right);$

步骤3.5、步骤3.1到步骤3.4进行m次循环，完成种群的一次优化，从Y₁～Y_m中选取最小的目标函数值存储为Y_M，且K＝K+1；

步骤3.6、对步骤3.5中种群优化后的结点信息素更新为τ_K(i,j)：

τ_K(i,j)＝τ_K-1(i,j)+Δτ(i,j)     (7)；

步骤3.7、重复步骤3.1到步骤3.6直至K≤M，从上述所有得到的Y_M中选取一个最小值存储为Y_min。

步骤2及步骤3.3中超调量上升时间Trise＝t_wmax，调节时间Tset＝t_wstable，稳态误差Ess＝|w_stable-w^*|，

其中，w_MAX为电机转速超调的峰值，w^*为给定异步电机的转速值，w_stable为异步电机的稳态值转速，t_wmax为到达超调峰值w_MAX时对应的时间，t_wstable为进入稳态值w_stable时的对应时间。

本发明的有益效果是：本发明中通过将蚁群算法运用到自抗扰控制器中，实现了控制器参数的离线寻优，自动获得控制器的最优值，简化了由于自抗扰控制器内部参数多而导致人为调试参数的不变；本发明对于自抗扰控制中的参数不必进行深入的了解，利用蚁群智能算法获得参数的最优值，有利于自抗扰技术用于解决异步电机矢量控制系统中存在的对电机参数时变的鲁棒性差，转矩子系统与磁场子系统耦合等问题；本发明应用于异步电机矢量控制系统，对负载扰动、电机参数的变化具有较强的鲁棒性，具有良好的动态性能，对解决异步电机矢量控制系统的鲁棒控制问题十分适合。

附图说明

图1是现有自抗扰控制器结构框图；

图2是本发明异步电机的自抗扰控制器的参数优化方法的流程图；

图3是本发明中基于蚁群的自抗扰控制器的原理框图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

现有的自抗扰控制器结构框图如图1所示，包括跟踪微分器(TrackingDifferentiator—TD)、扩张状态观测器(Extended State Observer—ESO)和非线性状态误差反馈控制律(Non-linear State Error Feedback—NLSEF)，v(k)为系统给定，x₁(k)是跟踪微分器安排的过渡过程。z₁(k)、z₂(k)为扩张观测器对系统状态的估计量，z₁(k)是扩张状态观测器对x₁(k)的观测量，z₂(k)是扩张状态观测器对“总扰动”的观测量。非线性状态误差反馈控制律输出经过扰动后的“补偿”，控制量u(k)最终作用于被控对象，y(k)为系统实际输出，d(k)是系统中各种“扰动”的总和。

一阶自抗扰控制器方程为：

①安排过渡方程：TD方程

$\left\{\begin{array}{c}{x}_1(k+1)=x_1\left(k\right)+T\·x_2\left(k\right)\\ x_2(k+1)=x_2\left(k\right)+T\·u\end{array}\right.$

其中，u为给定值，T为积分步长。

对u求取快速控制最优综合函数：

$u=\mathrm{fst}(x_1\left(k\right),x_2\left(k\right),r,h)=-\left\{\begin{array}{c}\mathrm{ra}\left(k\right)/d,\left|a\left(k\right)\right|\≤d\\ \mathrm{rsign}\left(a\left(k\right)\right),\left|a\left(k\right)\right|>d\end{array}\right.$

其中，参数r决定跟踪速度，h对噪声起滤波作用；

$\left\{\begin{array}{c}d=\mathrm{rh}\\ d_0=\mathrm{dh}\\ y_{\mathrm{td}}\left(k\right)=x_1\left(t\right)+{\mathrm{Tx}}_2\left(t\right)\\ a_0\left(k\right)={(d^2+8r|y_{\mathrm{td}}\left(k\right)\left|\right)}^{1/2}\\ a\left(k\right)=\left\{\begin{array}{c}{x}_2\left(k\right)+(a_0\left(k\right)-d)/2,\left|y_{\mathrm{td}}\left(k\right)\right|>d_0\\ x_2\left(k\right)+y_{\mathrm{td}}\left(k\right)/h,\left|y_{\mathrm{td}}\left(k\right)\right|\≤d_0\end{array}\right.\end{array}\right.$

②估计状态和总扰动：ESO方程

$\left\{\begin{array}{c}{e}_1\left(k\right)=z_1\left(k\right)-y\left(k\right)\\ z_1(k+1)=z_1\left(k\right)+T\·(z_2\left(k\right)-{\mathrm{\β}}_1\·\mathrm{fal}(e_1\left(k\right),{\mathrm{\α}}_1,{\mathrm{\δ}}_1)+b\·u\left(k\right))\\ z_2(k+1)=z_2\left(k\right)-T\·{\mathrm{\β}}_2\·\mathrm{fal}(e_1\left(k\right),{\mathrm{\α}}_1,{\mathrm{\δ}}_1)\end{array}\right.$

其中，y(k)为异步电机的反馈值，参数δ₁为ESO中fal函数的线性区间宽度，β₁、β₂为状态误差的反馈增益，α₁非线性系数。

$\mathrm{fal}(\mathrm{\ϵ},\mathrm{\α},\mathrm{\δ})=\left\{\begin{array}{c}{\left|\mathrm{\ϵ}\right|}^{\mathrm{\α}}\mathrm{sign}\left(\mathrm{\ϵ}\right),\left|\mathrm{\ϵ}\right|>\mathrm{\δ}\\ \mathrm{\ϵ}{\mathrm{\δ}}^{\mathrm{\α}-1},\left|\mathrm{\ϵ}\right|\≤\mathrm{\δ}\end{array}\right.$

③控制量的形成：NLSEF方程

$\left\{\begin{array}{c}{e}_2\left(k\right)=x_1\left(k\right)-z_1\left(k\right)\\ u_0\left(k\right)={\mathrm{\β}}_3\·\mathrm{fal}(e_2\left(k\right),{\mathrm{\α}}_2,{\mathrm{\δ}}_2)\\ u\left(k\right)=u_0\left(k\right)-z_2\left(k\right)/b\end{array}\right.$

其中，参数δ₂为NLSEF中fal函数的线性区间宽度，β₃为的比例增益，α₂非线性系数，b为与控制量和扰动量相关的参数。

ADRC中需要调试的10个参数为：r、h、δ₁、δ₂、β₁、β₂、β₃、α₁、α₂、b，记为G(r、h、δ₁、δ₂、β₁、β₂、β₃、α₁、α₂、b)。

一种异步电机的自抗扰控制器的参数优化方法，具体按照以下步骤实施，流程图如图2所示：

步骤1、初始化参数：种群迭代次数M，种群中蚂蚁的个数m，信息素重要程度因子α，能见度重要程度因子β，信息素挥发因子ρ，信息素释放总量Q，初始信息素值τ₀(i,j)，自抗扰控制器初始内部参数G₀₀(r、h、δ₁、δ₂、β₁、β₂、β₃、α₁、α₂、b)；

其中种群迭代次数M为1～+∞的整数，种群中蚂蚁的个数m为1～+∞的整数，信息素重要程度因子α的取值范围为0～10，能见度重要程度因子β的取值范围为0～10，信息素挥发因子ρ的取值范围为0～1，信息素释放总量Q的取值范围为1～+∞，初始信息素值τ₀(i,j)的取值范围为0～+∞；自抗扰控制器内部参数的取值范围：r：1～1000，h：0.001～1，δ₁：0～10，δ₂：0～10，β₁：0～1000，β₂：0～1000，β₃：0～1000，α₁：0～1，α₂：0～1，b：0～1000；

步骤2、计算G₀₀(r、h、δ₁、δ₂、β₁、β₂、β₃、α₁、α₂、b)所对应的初始目标函数值Y₀：

Y₀＝aΔN₀+bT_rise0+cT_set0+dE_ss0     (1)

其中，ΔN₀为自抗扰控制器初始参数下根据电机运行后计算得出的超调量，T_rise0为自抗扰控制器初始参数下根据电机运行后计算得出的上升时间，T_set0为自抗扰控制器初始参数下根据电机运行后计算得出的调节时间，E_ss0为自抗扰控制器初始参数下根据电机运行后计算得出的稳态误差；

步骤3、蚁群对自抗扰控制器的参数的寻优：

首先构建解空间：自抗扰控制器的每个参数由s位有效数字的数字序列组成，一组参数(r、h、δ₁、δ₂、β₁、β₂、β₃、α₁、α₂、b)构成10s位的数字序列，参数的每一位数字序列均由0～9组成，最终形成含有10s×10个结点的网格；

其次，根据目标函数值Y_k更新解空间每个结点的信息素τ(i,j)，具体步骤为：

步骤3.1、蚂蚁根据公式(2)选择参数每一位数字序列上的结点，并获得一组参数G_Kk(r、h、δ₁、δ₂、β₁、β₂、β₃、α₁、α₂、b)，

$P_K(i,j)=\frac{{{\mathrm{\τ}}_{K-1}}^{\mathrm{\α}}(i,j)\·{\mathrm{\η}}^{\mathrm{\β}}(i,j)}{\underset{j=0}{\overset{9}{\mathrm{\Σ}}}{{\mathrm{\τ}}_{K-1}}^{\mathrm{\α}}(i,j)\·{\mathrm{\η}}^{\mathrm{\β}}(i,j)}---\left(2\right)$

其中，K∈(1,M)，k∈(1,m)，η(i,j)表示结点(i,j)的能见度，

$\mathrm{\η}(i,j)=\frac{10-|j-j^{*}|}{10}---\left(3\right)$

j^*表示数字序列为i的结点上次所对应的数值，某结点的数值与结点上次得到的数值相差越大其能见度越小；

步骤3.2、根据步骤3.1得到的参数G_Kk(r、h、δ₁、δ₂、β₁、β₂、β₃、α₁、α₂、b)控制电机运行，获得电机的转速信息；

步骤3.3、根据步骤3.2中获得的电机转速信息计算电机的超调量ΔN_k、上升时间T_risek、调节时间T_setk、稳态误差E_ssk得到Y_k为：

$Y_k=\left\{\begin{array}{cc}{10}^5& Y_k>{10}^2\\ \mathrm{a\Δ}{N}_k+b{T}_{\mathrm{risek}}+c{T}_{\mathrm{setk}}+d{E}_{\mathrm{ssk}}& Y_k\≤{10}^2\end{array}\right.---\left(4\right)$

且k＝k+1；

异步电机转速调节的动态性能指标主要是超调量ΔN、上升时间T_rise、调节时间T_set等，稳态性能指标主要是稳态误差E_ss。而这些指标具有一个共同点，就是它们的值越小，则说明异步电机的控制性能越好，因此可将目标函数建立为这些指标的加权和的形式。但是上述指标只有在输出波形趋于稳定的情况下计算才是有效的，而且在蚁群算法对参数寻优的过程中难免产生很差的错误波形，所以就要对产生错误波形的参数组合对应的结点进行惩罚，方法就是给该组合一个很大的惩罚因子Y₁(本发明中惩罚因子为10⁵)，这样该组参数组合的结点对应的信息素值就得不到提升，从而使以后的优化渐渐避开这些不好的结点。

步骤3.4、根据步骤3.3得到的Y_k计算第k只蚂蚁在结点(i,j)上产生的信息素增量Δτ_k(i,j)：

则在第K次优化中，m只蚂蚁在结点(i,j)上产生的信息素的增量之和Δτ(i,j)为：

$\mathrm{\Δ\τ}(i,j)=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\mathrm{\Δ}{\mathrm{\τ}}_l(i,j)---\left(6\right);$

步骤3.5、步骤3.1到步骤3.4进行m次循环，完成种群的一次优化，从Y₁～Y_m中选取最小的目标函数值存储为Y_M，且K＝K+1；

步骤3.6、对步骤3.5中种群优化后的结点信息素更新为τ_K(i,j)：

τ_K(i,j)＝τ_K-1(i,j)+Δτ(i,j)     (7)；

步骤3.7、重复步骤3.1到步骤3.6直至K≤M，从上述所有得到的Y_M中选取一个最小值存储为Y_min；

步骤4、步骤3中得到的最小目标函数值Y_min所对应的自抗扰控制器参数G_Kk(r、h、δ₁、δ₂、β₁、β₂、β₃、α₁、α₂、b)即为最优参数。

步骤2及所述步骤3.3中超调量上升时间Trise＝t_wmax，调节时间Tset＝t_wstable，稳态误差Ess＝|w_stable-w^*|，

其中，w_MAX为电机转速超调的峰值，w^*为给定异步电机的转速值，w_stable为异步电机的稳态值转速，t_wmax为到达超调峰值w_MAX时对应的时间，t_wstable为进入稳态值w_stable时的对应时间。

如图3所示为本发明的基于蚁群的自抗扰控制器的原理框图，异步电机的反馈值y(k)反馈给蚁群算法，通过蚁群算法(即本发明的异步电机的自抗扰控制器的参数优化方法)，计算出一组最优参数G_Kk(r、h、δ₁、δ₂、β₁、β₂、β₃、α₁、α₂、b)，然后将该参数值再反馈给控制器，这样使得自抗扰控制器在最优参数值的控制下工作运行。

本发明方法可有效解决自抗扰控制器由于参数多而导致参数难整定的问题，既发挥了蚁群算法的分布式并行计算的能力，又体现了自抗扰控制的鲁棒性好的优点，将蚁群算法和自抗扰控制融合起来，有助于自抗扰控制技术在其他领域内的实际应用和推广。

Claims (6)

1.一种异步电机的自抗扰控制器的参数优化方法，其特征在于，具体按照以下步骤实施：

步骤1、初始化参数：种群迭代次数M，种群中蚂蚁的个数m，信息素重要程度因子α，能见度重要程度因子β，信息素挥发因子ρ，信息素释放总量Q，初始信息素值τ₀(i,j)，自抗扰控制器初始内部参数G₀₀(r、h、δ₁、δ₂、β₁、β₂、β₃、α₁、α₂、b)；

步骤2、计算G₀₀(r、h、δ₁、δ₂、β₁、β₂、β₃、α₁、α₂、b)所对应的初始目标函数值Y₀：

Y₀＝aΔN₀+bT_rise0+cT_set0+dE_ss0              (1)

其中，ΔN₀为自抗扰控制器初始参数下根据电机运行后计算得出的超调量，T_rise0为自抗扰控制器初始参数下根据电机运行后计算得出的上升时间，T_set0为自抗扰控制器初始参数下根据电机运行后计算得出的调节时间，E_ss0为自抗扰控制器初始参数下根据电机运行后计算得出的稳态误差；

步骤3、蚁群对自抗扰控制器的参数的寻优：

首先构建解空间：自抗扰控制器的每个参数由s位有效数字的数字序列组成，一组参数(r、h、δ₁、δ₂、β₁、β₂、β₃、α₁、α₂、b)构成10s位的数字序列，参数的每一位数字序列均由0～9组成，最终形成含有10s×10个结点的网格；

其次，根据目标函数值Y_k更新解空间每个结点的信息素，并得到一个最小目标函数值；

步骤4、步骤3中得到的最小目标函数值所对应的自抗扰控制器参数即为最优参数。

2.根据权利要求1所述的一种异步电机的自抗扰控制器的参数优化方法，其特征在于，所述步骤1中信息素重要程度因子α的取值范围为0～10。

3.根据权利要求1所述的一种异步电机的自抗扰控制器的参数优化方法，其特征在于，所述步骤1中能见度重要程度因子β的取值范围为0～10。

4.根据权利要求1所述的一种异步电机的自抗扰控制器的参数优化方法，其特征在于，所述步骤1中信息素挥发因子ρ的取值范围为0～1。

5.根据权利要求1-4任意一项所述的一种异步电机的自抗扰控制器的参数优化方法，其特征在于，所述步骤3中根据目标函数值Y_k更新解空间每个结点的信息素的具体步骤为：

步骤3.1、蚂蚁根据公式(2)选择参数每一位数字序列上的结点，并获得一组参数G_Kk(r、h、δ₁、δ₂、β₁、β₂、β₃、α₁、α₂、b)，

$P_K(i,j)=\frac{{{\mathrm{\τ}}_{K-1}}^{\mathrm{\α}}(i,j)\·{\mathrm{\η}}^{\mathrm{\β}}(i,j)}{\underset{j=0}{\overset{9}{\mathrm{\Σ}}}{{\mathrm{\τ}}_{K-1}}^{\mathrm{\α}}(i,j)\·{\mathrm{\η}}^{\mathrm{\β}}(i,j)}---\left(2\right)$

其中，K∈(1,M)，k∈(1,m)，η(i,j)表示结点(i,j)的能见度，

$\mathrm{\η}(i,j)=\frac{10-|j-j^{*}|}{10}---\left(3\right)$

j^*表示数字序列为i的结点上次所对应的数值；

步骤3.2、根据步骤3.1得到的参数G_Kk(r、h、δ₁、δ₂、β₁、β₂、β₃、α₁、α₂、b)控制电机运行，获得电机的转速信息；

步骤3.3、根据步骤3.2中获得的电机转速信息计算电机的超调量ΔN_k、上升时间T_risek、调节时间T_setk、稳态误差E_ssk得到Y_k为：

$Y_k=\left\{\begin{array}{cc}{10}^5& Y_k>{10}^2\\ {\mathrm{a\ΔN}}_k+{\mathrm{bT}}_{\mathrm{risek}}+{\mathrm{cT}}_{\mathrm{setk}}+d{E}_{\mathrm{ssk}}& Y_k\≤{10}^2\end{array}\right.---\left(4\right)$

且k＝k+1；

步骤3.4、根据步骤3.3得到的Y_k计算第k只蚂蚁在结点(i,j)上产生的信息素增量Δτ_k(i,j)：

则在第K次优化中，m只蚂蚁在结点(i,j)上产生的信息素的增量之和Δτ(i,j)为：

$\mathrm{\Δ\τ}(i,j)=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\Δ\τ}}_k(i,j)---\left(6\right);$

步骤3.5、步骤3.1到步骤3.4进行m次循环，完成种群的一次优化，从Y₁～Y_m中选取最小的目标函数值存储为Y_M，且K＝K+1；

步骤3.6、对步骤3.5中种群优化后的结点信息素更新为τ_K(i,j)：

τ_K(i,j)＝τ_K-1(i,j)+Δτ(i,j)               (7)；

步骤3.7、重复步骤3.1到步骤3.6直至K≤M，从上述所有得到的Y_M中选取一个最小值存储为Y_min。

6.根据权利要求5所述的一种异步电机的自抗扰控制器的参数优化方法，其特征在于，所述步骤2及所述步骤3.3中超调量上升时间Trise＝t_wmax，调节时间Tset＝t_wstable，稳态误差Ess＝|w_stable-w^*|，

其中，w_MAX为电机转速超调的峰值，w^*为给定异步电机的转速值，w_stable为异步电机的稳态值转速，t_wmax为到达超调峰值w_MAX时对应的时间，t_wstable为进入稳态值w_stable时的对应时间。