CN105281615A - 一种基于改进粒子群算法优化无刷直流电机模糊控制器的方法 - Google Patents

Abstract

本发明公开了一种基于改进粒子群算法优化无刷直流电机模糊控制器的方法，步骤包括：将整个解空间划分为七个区域；根据目标函数计算每个粒子的适应度；根据其适应度，更新粒子的个体极值和全局极值；将所更新的个体极值和全局极值赋值给量化因子K_a、K_b和比例因子K_p、K_i、K_d；对输入输出的性能指标进行评估，如果满足目标函数，则结束，如果不满足则应用改进粒子群算法将P_i、P_g代入量子粒子群公式，粒子在空间区域不断寻优，直到粒子满足目标函数，生成新的粒子群体。本发明基于改进粒子群算法能以最快的速度找出全局最优解，电机在额定转速下运行平稳，响应迅速，基本无超调出现，具有良好的随动性和动静态特性。

Description

一种基于改进粒子群算法优化无刷直流电机模糊控制器的方法

技术领域

本发明涉及控制技术领域，尤其涉及一种基于改进粒子群算法优化无刷直流电机模糊控制器的方法。

背景技术

无刷直流电机一直是近些年研究发展热点，它不但具有良好的调速特性,而且具有运行可靠,结构简单、多变量、强耦合、非线性等特点，在工业控制、航空航天、汽车家电等领域都有着广泛的应用和研究优化价值。BLDCM一般采用PID控制，传统PID控制方法简单成熟，参数整定方便，稳定性好等优点，但也存在控制精度差，适应性慢等缺陷，很难满足当今智能控制的精确要求。在这种情形下，人们把模糊控制技术应用到无刷电机中，近些年来，模糊控制在模仿人类思维的智能化控制中得到了广泛的应用，但在一些实际应用中，对于无刷电机时变、非线性，一些模糊控制规则很难确定，导致了模糊控制存在在线调节不是很理想。随着科学计算方法的快速发展，一些学者提出了很多智能控制策略如粒子群算法，遗传算法，神经网络等，这些算法已大量应用于无刷直流电机之中，并取得了较好的控制效果。然而，上述算法虽然能对模糊控制器进行较好的优化，但其也存在收敛速度慢，易陷入局部寻优，很容易造成早熟收敛等现象。针对上述缺点和不足，本文对PID控制器进行了更进一步优化和改进。

发明内容

本发明的目的在于针对背景技术中提出的不足，提出一种基于改进粒子群算法优化无刷直流电机模糊控制器的方法，改进粒子群算法结合了量子算法和粒子群算法两者优点，其中量子算法融入了很多量子力学的基本特性，增加了PSO算法的全局搜索性能。实验结果表明，改进粒子群优化模糊控制器具有更好的鲁棒性和控制性能，其动静态性能均优于普通PID控制。

为实现上述目的，本发明通过以下技术方案实现：

一种基于改进粒子群算法优化无刷直流电机模糊控制器的方法，包括如下步骤：

(1)将整个解空间划分为七个区域，给每个区域的位置设为：

K₁＝[K_aK_bK_p]^T；K₂＝[K_aK_bK_i]^T；K₃＝[K_aK_bK_d]^T，K₁、K₂、K₃可在允许范围内随机赋以初值，此时P_i为初始位置的个体极值，P_g为七个区域使得目标函数最小的全局极值；

(2)根据目标函数计算每个粒子的适应度；

(3)根据其适应度，更新粒子的个体极值和全局极值；

(4)将所更新的个体极值和全局极值赋值给量化因子K_a、K_b和比例因子K_p、K_i、K_d，量化因子K_a、K_b和比例因子K_p、K_i、K_d分别为模糊控制器输入输出的性能指标；

(5)对输入输出的性能指标进行评估，如果满足目标函数，则结束，如果不满足则应用改进粒子群算法将P_iP_g代入量子粒子群公式，粒子在空间区域不断寻优，直到粒子满足目标函数，生成新的粒子群体，此时粒子所在位置为参数优化因子K_a、K_b、K_i、K_p、K_d的最优值，否则返回步骤(2)继续寻优。

进一步地，所述步骤(1)中以给定转速n和实际转速n-ref的偏差E及其变化率Ec作为模糊控制器的输入，U_p、U_i、U_d作为模糊控制器的输出；K_a,K_b作为输入信号E、Ec的量化因子，K_p、K_i、K_d分别输出信号U_p、U_i、U_d的量化因子；设输入信号E、Ec的基本论域设为{-6，6}，输出信号U_p、U_i、U_d的基本论域也分别设为{-6，6}，输入输出都选用7个模糊子集即：{NB,NM,NS,ZO,PS,PM,PB}，里面的元素分别代表负大、负中、负小、零、正小、正中、正大。

进一步地，所述步骤(2)中目标函数为种群中每个粒子的初始适应度正比于目标函数f(X),此时为粒子i的历史最优适应值J_ibest，即为此时粒子i的位置为P_i,整个种群的适应度值进行比较，极大值整个群体历史适应度的值的粒子为全局最优位置为即 $P_g^1=X_j^1.$

进一步地，所述步骤(3)个体极值为粒子i经历的最好位置，全局极值为空间内所有粒子经历的最好位置；

个体极值和全局极值满足以下公式：

个体极值为： $P_i^{k+1}=\arg \min J\left(X_i^j\right)=\left\{\begin{array}{c}{P}_i^{k}ifJ\left(P_i^k\right)\≤J\left(X_i^{k+1}\right)\\ X_i^{k+1}ifJ\left(P_i^k\right)>J\left(X_i^{k+1}\right)\end{array}\right\},(l\≤j\≤k+1);$

全局极值为： $P_g^{k+1}=\arg minJ\left(P_i^{k+1}\right)=\left\{\begin{array}{c}{P}_g^{k}ifJ\left(P_g^k\right)\≤J\left(P_i^{k+1}\right)\\ P_i^{k+1}ifJ\left(P_g^k\right)>J\left(P_i^{k+1}\right)\end{array}\right\},(l\≤j\≤m);$

其中J为自定义的评价函数；表示在K次迭代后当前粒子的适应度值和历史粒子的个体极值作比较。表示在K次迭代后当前粒子的适应度值和历史粒子的全局极值作比较。

进一步地，所述步骤(5)中改进粒子群算法步骤如下：

1)算法初始化；

2)对种群中所有粒子进行评价，将当前各粒子的最优位置存放到各粒子的P_i中，将所有P_i中的最优个体的位置和适应度存放于P_g中；

3)根据量子粒子群公式更新每个粒子的位置，生成新的粒子群体；

4)根据优化性能指标再次对种群中的各粒子进行评价；

5)对种群中的每个粒子当前适应度值和步骤2)中存放的P_i的适应度值相比较，若当前的值更优，则用粒子的当前位置和目标值更新P_i，将当前更新所有的P_i与步骤2)中存放的P_g作比较，更新P_g；

6)若满足终止规则，则输出全局极值，否则转向步骤(3)。

进一步地，所述步骤1)中初始化粒子群包括种群的规模N、维数、位置及编码方式。

进一步地，所述步骤3)中量子粒子群公式如下：

$f\left(x_{ij}^{k+1}\right)=\frac{1}{l_{ij}^k}\exp \left(\frac{-2|x_{ij}^{k+1}-q_{ij}^k|}{l_{ij}^k}\right);---\left(1\right)$

$x_{ij}^{k+1}={\mathrm{rp}}_{ij}^k+(1-r)p_{gj}^k\±\mathrm{\β}|\frac{1}{m}\underset{i=1}{\overset{m}{\Σ}}{p}_{ij}^k-x_{ij}^k|ln\left(\frac{1}{u}\right);---\left(2\right)$

$\mathrm{\β}=\±(0.5+\frac{0.5(k_{max}-k)}{k_{max}});---\left(3\right)$

上述(1),(2),(3)式中(1)式为粒子在空间某点出现的概率方程，其中l_ij为δ势阱的特征长度；k为迭代次数，(1)式中的下标i(i＝1,2…N)表示第i个粒子，下标j表示第几维，K表示迭代次数，p_ij表示第j维个体极值，p_gj表示第j维的全局极值。(2)式为粒子在空间位置的更新方程，式中r,u为均匀分布的随机数，其满足r～[0,1],u～[0,1]，是粒子在某一时刻本身经历的最优位置的平均位置。(3)式中β为收缩扩张系数，它是QPSO算法收敛的一个重要参数，β的选择和控制决定了算法的全局收敛快慢程度，在(2)式中，当u≤0.5时，β为负，反之为正值，k_max为迭代次数最大值。

本发明的工作原理是标准PSO算法是用位置和速度来描述粒子的行为的，由于速度的不确定很容易造成粒子的早熟收敛，SUN等在PSO算法的基础上，从量子力学的角度提出一种新的算法模型，这种模型以δ(势阱)为基础，假设粒子具有量子行为，将量子理论融入到粒子群算法之中，提出了一种新的算法--量子粒子群算法(QPSO)。在QPSO算法中，粒子的状态由波函数描述，它不再采用标准粒子群算法中的位置和速度变量，粒子没有速度向量。粒子运动由薛定谔方程描述，描述方程为上步骤的(1)式。

本发明采用改进PSO算法对模糊控制器进行优化可以避免算法陷入局部最优，进行全局搜索，从而达到系统稳定性能。

本发明的优点为：本发明仿真结果表明，基于改进粒子群算法能以最快的速度找出全局最优解，电机在额定转速下运行平稳，响应迅速，基本无超调出现，具有良好的随动性和动静态特性。

附图说明

图1为本发明基于改进粒子群算法优化无刷直流电机模糊控制器的方法流程图；

图2为无刷直流电机仿真模型建立整体框图；

图3为无刷直流电机原理框图；

图4为无刷直流电机普通PID转速和转矩波形图；

图5为无刷直流电机粒子群优化模糊控制器转速和转矩波形图；

图6为无刷直流电机改进粒子群优化模糊控制器转速和转矩波形图。

具体实施方式

下面结合附图和实施方式对本发明作进一步说明。

1995年，Kennedy和Eberhart共同提出粒子群优化算法，粒子群优化算法(PSO)由此诞生。标准粒子群算法可将解空间看做是一个粒子群，将D维解空间中的有效解看做是没有质量和体积的微粒。假设在D维空间飞行的有m个粒子，粒子i的位置表示为X_i，飞行速度表示为V_i，自身搜到的最优位置为P_i,整个种群搜到最优位置为P_g。在迭代计算时粒子的位置和速度通过如下方程来进行优化：

$V_{id}^{k+1}-{\mathrm{wV}}_{id}^k+c_{1}rand\left(\right)(P_{id}^k-X_{id}^k)+c_{2}rand\left(\right)(P_{gd}^k-X_{id}^k)---\left(4\right)$

$X_{id}^{k+1}=X_{id}^k+V_{id}^{k+1}---\left(5\right)$

式中i＝1,2…m,m为粒子总数；w为惯性权重值，k是微粒迭代的次数,c₁、c₂为学习因子，rand()为0～1的随机数。表示粒子i在k次迭代中空间内的速度，表示粒子在K次迭代中空间内的位置，为粒子i在d维的个体极值，为粒子i在空间内的全局极值。

从以上可看出，PSO算法的搜索能力主要取决于全局搜索和局部搜索之间的平衡，此外，PSO算法需要调节的参数很少，不足以保证粒子的全局搜索能力。在这种情形下，2004年sun等在PSO算法的基础上，从量子力学的角度提出一种新的算法模型，这种模型以δ(势阱)为基础，假设粒子具有量子行为，将量子理论融入到粒子群算法之中，提出了一种新的算法--改进粒子群算法即量子粒子群算法(QPSO)，QPSO不仅具有PSO算法的优点，PSO算法采用速度和位移的模型，而QPSO仅有位移模型。在QPSO算法中，量子系统不是一个确定性系统，所以每个粒子能够以确定的概率出现在搜索空间中的任意位置，避免算法陷入局部最优，有利于算法的全局收敛，另外，QPSO相对于PSO控制参数较少，便于测试。

如图1，一种基于改进粒子群算法优化无刷直流电机模糊控制器的方法，包括如下步骤：

(1)将整个解空间划分为七个区域，给每个区域的位置设为：

K₁＝[K_aK_bK_p]^T；K₂＝[K_aK_bK_i]^T；K₃＝[K_aK_bK_d]^T，K₁、K₂、K₃可在允许范围内随机赋以初值，此时P_i为初始位置的个体极值，P_g为七个区域使得目标函数最小的全局极值；

其中以给定转速n和实际转速n-ref的偏差E及其变化率Ec作为模糊控制器的输入，U_p、U_i、U_d作为模糊控制器的输出；K_a,K_b作为输入信号E、Ec的量化因子，K_p、K_i、K_d分别输出信号U_p、U_i、U_d的量化因子；设输入信号E、Ec的基本论域设为{-6，6}，输出信号U_p、U_i、U_d的基本论域也分别设为{-6，6}，输入输出都选用7个模糊子集即：{NB,NM,NS,ZO,PS,PM,PB}，里面的元素分别代表负大、负中、负小、零、正小、正中、正大。

(2)根据目标函数计算每个粒子的适应度；

目标函数为种群中每个粒子的初始适应度正比于目标函数f(X),此时为粒子i的历史最优适应值J_ibest，即为此时粒子i的位置为P_i,整个种群的适应度值进行比较，极大值整个群体历史适应度的值的粒子为全局最优位置为即

(3)根据其适应度，更新粒子的个体极值和全局极值；

其中，个体极值为粒子i经历的最好位置，全局极值为空间内所有粒子经历的最好位置；

个体极值和全局极值满足以下公式：

个体极值为： $P_i^{k+1}=\arg \min J\left(X_i^j\right)=\left\{\begin{array}{c}{P}_i^{k}ifJ\left(P_i^k\right)\≤J\left(X_i^{k+1}\right)\\ X_i^{k+1}ifJ\left(P_{ki}^k\right)>J\left(X_i^{k+1}\right)\end{array}\right\},(l\≤j\≤k+1);$

全局极值为： $P_g^{k+1}=\arg minJ\left(P_i^{k+1}\right)=\left\{\begin{array}{c}{P}_g^{k}ifJ\left(P_g^k\right)\≤J\left(P_i^{k+1}\right)\\ P_i^{k+1}ifJ\left(P_g^k\right)>J\left(P_i^{k+1}\right)\end{array}\right\},(l\≤j\≤m);$

其中J为自定义的评价函数；表示在K次迭代后当前粒子的适应度值和历史粒子的个体极值作比较。表示在K次迭代后当前粒子的适应度值和历史粒子的全局极值作比较。

(4)将所更新的个体极值和全局极值赋值给量化因子K_a、K_b和比例因子K_p、K_i、K_d，量化因子K_a、K_b和比例因子K_p、K_i、K_d分别为模糊控制器输入输出的性能指标；

(5)对输入输出的性能指标进行评估，如果满足目标函数，则结束，如果不满足则应用改进粒子群算法代入量子粒子群公式，粒子在空间区域不断寻优，直到粒子满足目标函数，生成新的粒子群体，此时粒子所在位置为参数优化因子K_a、K_b、K_i、K_p、K_d的最优值，否则返回步骤(2)继续寻优。

所述步骤(5)中改进粒子群算法步骤如下：

1)算法初始化，初始化粒子群包括种群的规模N、维数、位置及编码方式；

2)对种群中所有粒子进行评价，将当前各粒子的最优位置存放到各粒子的P_i中，将所有P_i中的最优个体的位置和适应度存放于P_g中；

3)根据量子粒子群公式更新每个粒子的位置，生成新的粒子群体，其中量子粒子群公式如下：

$x_{ij}^{k+1}={\mathrm{rp}}_{ij}^k+(1-r)p_{gj}^k\±\mathrm{\β}|\frac{1}{m}\underset{i=1}{\overset{m}{\Σ}}{p}_{ij}^k-x_{ij}^k|ln\left(\frac{1}{u}\right);---\left(2\right)$

$\mathrm{\β}=\±(0.5+\frac{0.5(k_{max}-k)}{k_{max}});---\left(3\right)$

上述(1),(2),(3)式中(1)式为粒子在空间某点出现的概率方程，其中l_ij为δ势阱的特征长度；k为迭代次数，(1)式中的下标i(i＝1,2…N)表示第i个粒子，下标j表示第几维，K表示迭代次数，p_ij表示第j维个体极值，p_gj表示第j维的全局极值。(2)式为粒子在空间位置的更新方程，式中r,u为均匀分布的随机数，其满足r～[0,1],u～[0,1]，是粒子在某一时刻本身经历的最优位置的平均位置。(3)式中β为收缩扩张系数，它是QPSO算法收敛的一个重要参数，β的选择和控制决定了算法的全局收敛快慢程度，在(2)式中，当u≤0.5时，β为负，反之为正值，k_max为迭代次数最大值。

4)根据优化性能指标再次对种群中的各粒子进行评价；

5)对种群中的每个粒子当前适应度值和步骤2)中存放的P_i的适应度值相比较，若当前的值更优，则用粒子的当前位置和目标值更新P_i，将当前更新所有的P_i与步骤2)中存放的P_g作比较，更新P_g；

6)若满足终止规则，则输出全局极值，否则转向步骤(3)。

图2是无刷直流电机(BLDCM)仿真模型建立框图，无刷直流电机主要分为五个模块,分别为：速度控制模块，电流参考模块，电流滞环器模块，电压逆变模块和无刷直流电机总体模块，把这些模块与S函数相结合，通过simulink仿真，实现无刷直流电机双闭环控制算法。为验证改进粒子群算法的全局收敛性，BLDCM仿真参数设置如下：自感L＝0.0125H，互感M＝-0.061H，转动惯量J＝0.005Kg.m²，阻尼系数为0.0002N.m.s/rad，极对数P＝1，并用220V直流电源供电，额定转速n＝1000r/min。PID控制器参数预设为：Kp＝5,Ki＝0.8,Kd＝0.005；饱和限幅模块限定在(-10,10)内，采样周期设为T＝0.0001s,在额定转速情况下，0.3s时加上T_L＝0.2N负载，在0.6s时卸去负载，观察电机的转速，转矩响应曲线，如图4至图6所示。

图3所示fuzzy表示模糊控制器，K_a,K_b作为E,Ec的量化因子，K_p、K_i、K_d作为输出U_p、U_i、U_d的量化因子。图3所示Ku为K_p、K_i、K_d的集合。所示图3是BLDCM原理框图，本系统采用转速、电流双闭环控制。内环为电流环，其主要作用是限制通过最大电流，以使获得最大转矩。外环为速度环，其主要作用是增强系统的抗干扰力，保证系统获得较好的动静态性能。图中所示速度控制模块为PID控制器与模糊控制器和改进粒子群算法相结合，共同控制电流的输出。速度控制器的功能就是把给定转速n和实际转速n-ref的差值进行基于粒子群优化模糊控制器PID控制算法，输出的值用于控制电流调节器。速度误差信号和其经微分环节作用后的信号，两信号作为改进粒子群控制器(QPSO)的输入，输出的三信号经过限幅环节后，其中两信号E和变化率Ec作为模糊控制器的输入，另一信号作为模糊输出参数在线整定。模糊控制器根据设定好的模糊规则，输出PID三个修正参数，这组数据通过改进PSO的在线整定后与传统PID事先设定的初始值进行加法运算后通过限幅模块(saturation)就可得到当前的PID控制参数值(KP、Ki、Kd),最后由速度控制器输出的Is作为电流调节器的输入，再通过PWM驱动，产生六路波形共同控制BLDCM电机。

为了验证QPSO全局收敛优于其他算法，本文利用matlab/simulink对基于改进粒子群算法优化无刷直流电机模糊控制器进行仿真分析(仿真模型见图2所示)：分别对普通PID控制，PSO优化模糊控制器PID控制，QPSO优化模糊控制器PID控制进行对比，图4至图6分别为普通PID控制，PSO-fuzzy-PID控制和基于QPSO-fuzzy-PID控制转速和转矩响应曲线，通过三对图对比得知，普通PID控制和PSO-fuzzy-PID控制转速和转矩在大约0.05s时都发生了较大的超调；经过改进后的速度控制器转速响应迅速，从开始启动到达到稳定状态转速基本没出现超调现象，且转矩在约0.05s处也没有发生上下转矩波动，系统运行很稳定。上图转矩在0.3s和0.6s出现跳变，是因为中间添加了负载产生转矩脉动而引起，撤去负载后，系统很快趋于稳定状态。从图5转速响应曲线可看出，在0.3s至0.6s时，转速响应曲线没有发生跳变，转速波动很小，能对扰动进行快速调节，克服了前两者PID控制随动性差等特点。综上所述，结果表明改进粒子群优化算法比传统PID和粒子群优化模糊控制PID具有很好的抗干扰性和动态特性。通过上述表明，QPSO-fuzzy-PID可应用于各种控制芯片之中对无刷直流电机进行很好的优化控制。

Claims (7)

1.一种基于改进粒子群算法优化无刷直流电机模糊控制器的方法，其特征在于，包括如下步骤：

(1)将整个解空间划分为七个区域，给每个区域的位置设为：

K₁＝[K_aK_bK_p]^T；K₂＝[K_aK_bK_i]^T；K₃＝[K_aK_bK_d]^T，K₁、K₂、K₃可在允许范围内随机赋以初值，此时以P_i为初始位置的个体极值，P_g为七个区域使得目标函数最小的全局极值；

(2)根据目标函数计算每个粒子的适应度；

(3)根据其适应度，更新粒子的个体极值和全局极值；

(4)将所更新的个体极值和全局极值赋值给量化因子K_a、K_b和比例因子K_p、K_i、K_d，量化因子K_a、K_b和比例因子K_p、K_i、K_d分别为模糊控制器输入输出的性能指标；

(5)对输入输出的性能指标进行评估，如果满足目标函数，则结束，如果不满足则应用改进粒子群算法将P_iP_g代入量子粒子群公式，粒子在空间区域不断寻优，直到粒子满足目标函数，生成新的量子粒子群体，此时粒子所在位置为参数优化因子K_a、K_b、K_i、K_p、K_d的最优值，否则返回步骤(2)继续寻优。

2.如权利要求1所述的基于改进粒子群算法优化无刷直流电机模糊控制器的方法，其特征在于，所述步骤(1)中以给定转速n和实际转速n-ref的偏差E及其变化率Ec作为模糊控制器的输入，U_p、U_i、U_d作为模糊控制器的输出；K_a,K_b作为输入信号E、Ec的量化因子，K_p、K_i、K_d分别输出信号U_p、U_i、U_d的比例因子；设输入信号E、Ec的基本论域设为{-6，6}，输出信号U_p、U_i、U_d的基本论域也分别设为{-6，6}，输入输出都选用7个模糊子集即：{NB,NM,NS,ZO,PS,PM,PB}，里面的元素分别代表负大、负中、负小、零、正小、正中、正大。

3.如权利要求1所述的基于改进粒子群算法优化无刷直流电机模糊控制器的方法，其特征在于，所述步骤(2)中目标函数为种群中每个粒子的初始适应度正比于目标函数f(X),此时为粒子i的历史最优适应值J_ibest，即为此时粒子i的位置为P_i,整个种群的适应度值(i＝1,2,..m)进行比较，极大值整个群体历史适应度的值的粒子为全局最优位置为即

4.如权利要求1所述的基于改进粒子群算法优化无刷直流电机模糊控制器的方法，其特征在于，所述步骤(3)个体极值和全局极值满足以下公式：

个体极值为： ${P_i}^{k+1}=\arg \min J\left(X_i^j\right)=\left\{\begin{array}{c}{P_i}^{k}ifJ\left({P_i}^k\right)\≤J\left(X_i^{k+1}\right)\\ X_i^{k+1}ifJ\left({P_i}^k\right)>J\left(X_i^{k+1}\right)\end{array}\right\},(l\≤j\≤k+1);$

全局极值为： $P_g^{k+1}=\arg \min J\left(P_i^{k+1}\right)=\left\{\begin{array}{c}{P}_g^{k}ifJ\left(P_g^k\right)\≤J\left({P_i}^{k+1}\right)\\ {P_i}^{k+1}ifJ\left(P_g^k\right)>J\left({P_i}^{k+1}\right)\end{array}\right\},\left(l\≤j\≤m\right);$

其中J为自定义的评价函数；表示在K次迭代后当前粒子的适应度值和历史粒子的个体极值作比较。表示在K次迭代后当前粒子的适应度值和历史粒子的全局极值作比较。

5.如权利要求1所述的基于改进粒子群算法优化无刷直流电机模糊控制器的方法，其特征在于，所述步骤(5)中改进粒子群算法步骤如下：

1)算法初始化；

2)对种群中所有粒子进行评价，将当前各粒子的最优位置存放到各粒子的P_i中，将所有P_i中的最优个体的位置和适应度存放于P_g中；

3)根据量子粒子群公式更新每个粒子的位置，生成新的粒子群体；

4)根据优化性能指标再次对种群中的各粒子进行评价；

5)对种群中的每个粒子当前适应度值和步骤2)中存放的P_i的适应度值相比较，若当前的值更优，则用粒子的当前位置和目标值更新P_i，将当前更新所有的P_i与步骤2)中存放的P_g作比较，更新P_g；

6)若满足终止规则，则输出全局极值，否则转向步骤(3)。

6.如权利要求5所述的基于改进粒子群算法优化无刷直流电机模糊控制器的方法，其特征在于，所述步骤1中初始化粒子群包括种群的规模N、维数、位置及编码方式。

7.如权利要求5所述的基于改进粒子群算法优化无刷直流电机模糊控制器的方法，其特征在于，所述步骤3)中量子粒子群公式如下：

$x_{ij}^{k+1}={\mathrm{rp}}_{ij}^k+(1-r)p_{gj}^k\±\mathrm{\β}|\frac{1}{m}\underset{i=1}{\overset{m}{\Σ}}{p}_{ij}^k-x_{ij}^k|ln\left(\frac{1}{u}\right);---\left(2\right)$

$\mathrm{\β}=\±(0.5+\frac{0.5(k_{max}-k)}{k_{max}});---\left(3\right)$

上述(1),(2),(3)式中，(1)式为粒子在空间某点出现的概率方程，其中l_ij为δ势阱的特征长度；k为迭代次数，(1)式中的下标i(i＝1,2…N)表示第i个粒子，下标j表示第几维，K表示迭代次数，p_ij表示第j维个体极值，p_gj表示第j维的全局极值。(2)式为粒子在空间位置的更新方程，式中r,u为均匀分布的随机数，其满足r～[0,1],u～[0,1]，是粒子在某一时刻本身经历的最优位置的平均位置。(3)式中β为收缩扩张系数，在(2)式中，当u≤0.5时，β为负，反之为正值，k_max为迭代次数最大值。