CN106886148A - 一种基于蚁群算法固定翼无人机pid参数控制方法 - Google Patents

Abstract

本发明公开一种基于蚁群算法固定翼无人机PID参数控制方法,包括有：设置蚁群搜索节点，通过经验法对PID控制器参数：比例因子K_p、积分时间T_i和微分时间T_d的取值范围进行界定，并将搜索节点设定为每行一种参数的N×3搜索点矩阵集合，其中N是大于1的参数取值范围内的随机值的个数；在蚁群寻优机制中加入信息素蒸发机制，使每轮迭代结束后对当前蚁群搜索最优路径上的信息素进行蒸发；采用信息素蒸发的蚁群寻优机制遍历蚁群搜索节点，寻找满足评价控制性能指标的节点，所述评价控制性能指标为：绝对误差的矩的积分最小。本发明通过利用改进蚁群算法来实现对固定翼无人机的最优PID参数搜索与整定,加快对最优解的搜索进程，适用于多条件约束的系类组合优化问题。

Description

一种基于蚁群算法固定翼无人机PID参数控制方法

技术领域

本发明涉及无人机控制领域，具体涉及一种基于蚁群算法固定翼无人机PID参数控制方法。

背景技术

无人机(Unmanned Aerial Vehicle,UAV)因其小巧的机身、灵活的动作、便捷的操作以及高性能性价比使无人机成为各行各业争先研发与使用的焦点，并且无人机小巧的机身上可搭载例如摄像头、声纳、激光等传感器，让无人机可以很好的适用于区域侦察及地图测绘等战略环境。

无人机高效的侦测与灵活的动作与无人机的姿态控制有着必然的联系。目前大多数无人机采用的控制器主要为传统的PID(比例-积分-微分)控制系统参数：比例因子K_p、积分时间T_i和微分时间T_d的参数优化搭配是决定PID控制系统优劣的关键。控制器，通过对PID参数K_p、K_i与K_d优化与整定来达到对无人机控制精度、鲁棒性和最优性能的控制。由于人们日益追求对无人机的高精度控制，使传统PID控制因其高超调与次优PID参数线性组合而难以满足对无人机全部的精确控制的需求。

蚁群算法源自于致盲蚂蚁该在脱离视觉信息要素的情况下，通过对所走路径上留下信息素的方法搜索从巢穴到食物的最短路径，并且其路径上所留信息素的浓度大小对后续蚂蚁搜索循迹起着重要的导向作用，经过多次往返迭代最终达到从巢穴到食物源最短路径的搜索。而蚂蚁这种搜索机制犹如控制系统中的正反馈机制，通过采用并行分布式计算方法来对组合优化问题求解显示出极强的鲁棒性。但是这种搜索方法往往随着单独某路径信息素浓度而高于其他路径而陷入局部最优导致算法早熟。

发明内容

本发明的目的在于针对上述现有技术中存在的问题，提出了一种基于蚁群算法固定翼无人机PID参数控制方法，通过利用改进蚁群算法来实现对固定翼无人机的最优PID参数搜索与整定,加快了对最优解的搜索进程，十分适用于多条件约束的系类组合优化问题。

为达到上述发明的目的，本发明通过以下技术方案实现：

本发明还公开一种基于蚁群算法固定翼无人机PID参数控制方法，包括步骤如下：

步骤S1,设置蚁群搜索节点，通过经验法对PID控制器参数：比例因子K_p、积分时间T_i和微分时间T_d的取值范围进行界定，并将搜索节点设定为每行一种参数的N×3搜索点矩阵集合，其中N是大于1的参数取值范围内的随机值的个数；

步骤S2，在蚁群寻优机制中加入信息素蒸发机制，使每轮迭代结束后对当前蚁群搜索最优路径上的信息素进行蒸发；

步骤S3，采用信息素蒸发的蚁群寻优机制遍历蚁群搜索节点，寻找满足评价控制性能指标的节点，所述评价控制性能指标为：绝对误差的矩的积分最小。

本发明的一种基于蚁群算法固定翼无人机PID参数控制方法，采用的蚁群算法针对诸如PID组合参数优化整定问题具有良好的鲁棒性及便捷的分布式搜索机制，与固定翼无人机多控制通道相结合，可以高效解决固定翼无人机PID参数整定组合优化问题，并且从显示结果中可以看出算法针对PID参数寻优使无人机控制系统具有快速的响应速度，较短的调节时间与摆幅较小的超调响应，并用固定翼对所求PID参数的控制优化性能进行验证。从上述结论中可以看出蚁群算法在无人机PID参数整定寻优中具有极高的可行性，可以适用于无人机PID参数优化控制。

附图说明

图1为传统的PID控制系统原理图。

图2为本发明的基于蚁群算法固定翼无人机PID参数控制方法的步骤图。

图3为本发明的基于蚁群算法固定翼无人机PID参数控制方法模拟俯仰通道PID调节的曲线图。

图4为本发明的基于蚁群算法固定翼无人机PID参数控制方法模拟滚转通道PID调节的曲线图

图5为本发明的基于蚁群算法固定翼无人机PID参数控制方法模拟偏航通道PID调节的曲线图。

图6a至图6c分别为XYZ三通道输出的无人机飞行姿态变化曲线图

具体实施方式

下面结合附图和实施例对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。

蚁群算法基本原理

蚁群算法源自于致盲蚂蚁该在脱离视觉信息要素的情况下，通过对所走路径上留下信息素的方法搜索从巢穴到食物的最短路径，并且其路径上所留信息素的浓度大小对后续蚂蚁搜索循迹起着重要的导向作用，经过多次往返迭代最终达到从巢穴到食物源最短路径的搜索。而蚂蚁这种搜索机制犹如控制系统中的正反馈机制，通过采用并行分布式计算方法来对组合优化问题求解显示出极强的鲁棒性。但是这种搜索方法往往随着单独某路径信息素浓度而高于其他路径而陷入局部最优导致算法早熟。因此，在设计算法时在蚁群寻优机制中加入信息素的蒸发要素，随着每次蚂蚁寻优结束时会对当前蚂蚁所走最短路径上的信息素进行蒸发，并当每轮迭代结束后会对当前蚁群搜索最优路径上的信息素进行蒸发，并以此来提高蚁群算法全局搜索路径的效率[10-11]。假设起始设置M只蚂蚁从起点开始寻优，通过搜索当前所在位置与相邻搜索点上的信息素浓度大小来决定蚂蚁下一转移点，因此第k只蚂蚁从节点i到节点j的转移概率为：

其中allowed_k为蚂蚁可行点，τ_ij(t)为i与j两点之间的信息素浓度；η_ij(t)为ij之间的启发函数，并且η_ij(t)＝1/distance(i,j)；α为信息素启发因子，α的大小决定蚂蚁搜索下一节点的导向；β彰显着启发函数的重要性，对算法收敛起着重要的作用，但取值过大可能会导致蚂蚁只搜索当前距离最近节点，使算法陷入局部最优。

当蚁群完成一轮迭代搜索之后，为使算法具有更高的全局性，需要对当前蚂蚁搜索路径之间的信息素含量进行蒸发，其蒸发规则如下所示：

τ_ij(t+1)＝(1-ρ)τ_ij(t)+Δτ_ij…(2)

式中ρ为信息素蒸发参量,且ρ取值介于0与1之间；Δτ_ij当前迭代(i,j)上所包含的信息素增量；为第k只蚂蚁在本次迭代搜索中遗留在(i,j)上的信息素，且还可如式(4)所示：

式中F为一恒定不变的数，对算法收敛速度上有一定影响作用，Q为对第k只蚂蚁当前搜索路径的原函数值。

蚁群算法PID参数优化法

PID(比例-积分-微分)控制系统中其参数K_p、T_i和T_d的参数优化搭配是决定PID控制系统优劣的关键。传统PID控制原理框图如图1所示。

其中e与u的关系如下式所示：

其中K_p为比例因子；T_i为积分时间；T_d为微分时间；T为算法采样周期。并且K_i＝K_pT/T_i为积分因子，K_d＝K_pT_d/T为微分因子。因此，只需要对K_p、K_i与K_d三个参数寻优整定，即可亏整个PID参数控制系统有直接的影响。为了能使蚁群算法达到对PID控制参数优化目的,必须将PID参数整定寻优转换为组合优化问题的求解，因此本文将PID参数值的选取当作一个组合优化问题，通过蚁群算法迭代寻优来解决PID控制系统的参数优化。

从上述蚁群算法搜索模型，通过释放更多信息素给相对较短的路径从而形成一个信息的正反馈机制。并且信息素的更新公式可以很好的增强蚁群算法全局搜索性，从而得到全局最优解。

根据上述蚁群算法，本发明提出一种基于蚁群算法固定翼无人机PID参数控制方法,包括步骤如下：

步骤S1,设置蚁群搜索节点，通过经验法对PID控制器参数：比例因子K_p、积分时间T_i和微分时间T_d的取值范围进行界定，并将搜索节点设定为每行一种参数的N×3搜索点矩阵集合，其中N是大于1的参数取值范围内的随机值的个数；

步骤S2，在蚁群寻优机制中加入信息素蒸发机制，使每轮迭代结束后对当前蚁群搜索最优路径上的信息素进行蒸发；

步骤S3，采用信息素蒸发的蚁群寻优机制遍历蚁群搜索节点，寻找满足评价控制性能指标的节点，所述评价控制性能指标为：绝对误差的矩的积分最小。

在本实施例中，步骤S1所述搜索节点，优选的设定N为20,则经验法设置20×3的搜索点矩阵集合如下：

所述信息素蒸发机制为:

τ_ij(t+1)＝(1-ρ)τ_ij(t)+Δτ_ij，

式中ρ为信息素蒸发参量,且ρ取值介于0与1之间；Δτ_ij当前迭代(i,j)上所包含的信息素增量；为第k只蚂蚁在本次迭代搜索中遗留在(i,j)上的信息素。

作为另一个实施例，所述遗留在在(i,j)上的信息素还可为：

式中F为一恒定不变的数，对蚁群寻优机制收敛速度上有一定影响作用，Q为对第k只蚂蚁当前搜索路径的原函数值。

作为步骤S3的具体实施例，所述采用信息素蒸发的蚁群寻优机制遍历蚁群搜索节点,具体包括：

步骤S31.设定蚁群规模中蚂蚁总量为M只，并将其置于初始原点处，并设置蚁群算法初始参数；

步骤S32.对蚂蚁所走路径点进行记录，并将其置于一规格为1×3矩阵tabu_k中；

步骤S33.令蚁群以原点为起始点，并开始搜索，所有人工蚂蚁从原点出发，计算所行方向目标节点的转移概率，然后通过轮盘赌注法选择下一个节点，并将蚂蚁当前所在节点记入tabu_k中；

步骤S34.当蚁群搜索完毕即一次迭代结束，计算每只蚂蚁路径矩阵tabu_k来得到相应的(K_p,K_i,K_d)及性能指标。然后根据式τ_ij(t+1)＝(1-ρ)τ_ij(t)+Δτ_ij执行信息素蒸发策略，并记录本次迭代最小性能指标及相应PID参数；

步骤S35.若算法并未收敛且未达到最大迭代次数，则下一轮迭代开始，否则则将输出收敛结果或当前最优结果作为最优参数解。

步骤S33所述第k只蚂蚁从节点i到节点j的转移概率为：

其中allowed_k为蚂蚁可行点，τ_ij(t)为i与j两点之间的信息素浓度；η_ij(t)为ij之间的启发函数，并且η_ij(t)＝1/distance(i,j)；α为信息素启发因子，α的大小决定蚂蚁搜索下一节点的导向；β为彰显着启发函数重要性的收敛因子。

步骤S3所述作为评价控制性能指标的绝对误差的矩的积分为：

其中T为算法采周期，LP为仿真计算的点数。为达到对求解参数的最优选择，本实施例对蚁群算法性能指标进行设计来判定蚁群算法组合问题寻优结果。借鉴传统TSP(Travelling Salesman Problem)以商旅遍历目标点路程和作为TSP的评价性能指标。其所遍历路程越短，则说明最优解越有效，反之亦然。将此作为类比，由于对于PID控制器来说，上升时间、超调量与稳定时间等是评价PID控制器好坏的重要性能指标，因此本申请的实施例采用绝对误差的矩的积分作为评价控制性能的指标

以下是从无人机的俯仰通道控制率、翻滚通道控制率、偏航通道控制率、实际固定翼飞行数据等方面对本发明方法的仿真验证。

首先构建固定翼无人机数学模型如下：

针对无人机固定翼PID控制系统蚁群算法参数寻优，本次以取天行者固定翼无人机翻滚、俯仰和偏航控制系统作为参照点。该固定翼无人机机型具有1680mm的较大翼展，且未载荷机体总重量仅1.7kg有效载荷较大，转动惯量(kg/m²)分别为：J_x＝0.8244、J_y＝1.135，J_z＝0.1204。因此该类型无人机适用于多种任务要求，具有广泛的通用性。其翻滚、俯仰与偏航通道传递函数如下所示：

1.俯仰通道控制传递函数为：

2.滚转通道控制传递函数；

3.偏航通道控制传递函数为：

针对俯仰通道控制率的仿真分析：

设定本文设定控制器输入为是,(t>0)，且算法采样周期为T＝0.005s，并设定蚁群算法初始参数M＝50(蚂蚁总数)，K＝100(蚁群算法迭代次数)，且ρ＝0.1，α＝1，β＝2，Q_k＝100，其俯仰通道PID相应如图3所示。

由仿真图可知系统所得K_p＝5.9711，K_i＝3.7648，K_d＝2.3676。上升时间0.133s，调节时间7.18s,超调量为8,96％。从数据中可以看出算法所搜索PID具有较快的响应速度与小超调量，但根据仿真所得调节时间可以看出函数PID调节后减小原函数变动，提高控制器收敛性。

针对翻滚通道控制率的仿真分析

保持蚁群算法初始参数及系统信号输入不变，将被控对象转化成翻滚通道。可得蚁群算法对翻滚通道PID参数整定传响应如图4所示。

经过蚁群算法迭代可得K_p＝2.0917，K_i＝1.4446，K_d＝0，75714，上升时间0.0431s，超调量为0.444％，调节时间为0.0759s。从蚁群算法为滚转通道PID参数寻优后所示结果可以看出控制器经过调节后仅需较短的响应时间即可达到峰值，且所示波形波动较小，并且很快达到收敛。

针对偏航通道控制率仿真分析

同理，将固定翼无人机偏航通道传递函数模型代入，即可得到偏航通道PID控制响应模型。

其中K_p＝91.4897，K_i＝31.1723，K_d＝67.1298，且由图4可知，系统的超调量为8.61％，且上升时间为0.0437s，0.372s后系统波形达到稳定收敛，从仿真结果看出经过蚁群算法对偏航通道PID参数整定后，使系统具有快速收敛性和较高的稳定性能。

针对实际固定翼飞行数据的验证

针对上文蚁群算法对各个控制通道的PID参数寻优控制，本文将所得参数输入到固定翼无人机中，并通过地Mission Planner软件读取本次飞行的log日志文件，绘制无人机飞行姿态变化曲线。

从图6a至图6c所示的三个通道无人机姿态变化跟踪曲线可以看出蚁群算法对PID控制器参数寻优具有较好的瞬时响应控制性能，且小幅度的摆动在无人机飞行控制误差可接受范围之内，令无人机姿态控制操控性更加稳定。

上述实施例仅用以说明本发明而并非限制本发明所描述的技术方案；因此，尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明，但是，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或者等同替换；而一切不脱离本发明的精神和范围的技术方案及其改进，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种基于蚁群算法固定翼无人机PID参数控制方法,其特征在于，包括步骤如下：

步骤S1,设置蚁群搜索节点，通过经验法对PID控制器参数：比例因子K_p、积分时间T_i和微分时间T_d的取值范围进行界定，并将搜索节点设定为每行一种参数的N×3搜索点矩阵集合，其中N是大于1的参数取值范围内的随机值的个数；

步骤S2，在蚁群寻优机制中加入信息素蒸发机制，使每轮迭代结束后对当前蚁群搜索最优路径上的信息素进行蒸发；

步骤S3，采用信息素蒸发的蚁群寻优机制遍历蚁群搜索节点，寻找满足评价控制性能指标的节点，所述评价控制性能指标为：绝对误差的矩的积分最小。

2.根据权利要求1所述的基于蚁群算法固定翼无人机PID参数控制方法，其特征在于，步骤S1所述搜索节点，设定N为20,则经验法设置20×3的搜索点矩阵集合如下：

$\left\{\begin{array}{c}{K}_p=0.2/M\×K\×rand(20,1)+0.2\×ones(20,1)\\ K_i=0.2/M\×K\×rand(20,1)+1.5\×ones(20,1)\\ K_d=0.2/M\×K\×rand(20,1)+1.4\×ones(20,1)\end{array}\right..$

3.根据权利要求1或2所述的基于蚁群算法固定翼无人机PID参数控制方法，其特征在于，所述信息素蒸发机制为:

τ_ij(t+1)＝(1-ρ)τ_ij(t)+Δτ_ij，

${\mathrm{\Δ\τ}}_{ij}=\underset{k=1}{\overset{m}{\Σ}}{\mathrm{\Δ\τ}}_{ij}^k,$

式中ρ为信息素蒸发参量,且ρ取值介于0与1之间；Δτ_ij当前迭代(i,j)上所包含的信息素增量；为第k只蚂蚁在本次迭代搜索中遗留在(i,j)上的信息素。

4.根据权利要求3所述的基于蚁群算法固定翼无人机PID参数控制方法，其特征在于，所述遗留在在(i,j)上的信息素还可为：

式中F为一恒定不变的数，对蚁群寻优机制收敛速度上有一定影响作用，Q为对第k只蚂蚁当前搜索路径的原函数值。

5.根据权利要求4所述的基于蚁群算法固定翼无人机PID参数控制方法，其特征在于，步骤S3所述采用信息素蒸发的蚁群寻优机制遍历蚁群搜索节点,具体包括：

步骤S31.设定蚁群规模中蚂蚁总量为M只，并将其置于初始原点处，并设置蚁群算法初始参数；

步骤S32.对蚂蚁所走路径点进行记录，并将其置于一规格为1×3矩阵tabu_k中；

步骤S33.令蚁群以原点为起始点，并开始搜索，所有人工蚂蚁从原点出发，计算所行方向目标节点的转移概率，然后通过轮盘赌注法选择下一个节点，并将蚂蚁当前所在节点记入tabu_k中；

步骤S34.当蚁群搜索完毕即一次迭代结束，计算每只蚂蚁路径矩阵tabu_k来得到相应的(K_p,K_i,K_d)及性能指标。然后根据式τ_ij(t+1)＝(1-ρ)τ_ij(t)+Δτ_ij执行信息素蒸发策略，并记录本次迭代最小性能指标及相应PID参数；

步骤S35.若算法并未收敛且未达到最大迭代次数，则下一轮迭代开始，否则则将输出收敛结果或当前最优结果作为最优参数解。

6.根据权利要求5所述的基于蚁群算法固定翼无人机PID参数控制方法，其特征在于，步骤S33所述第k只蚂蚁从节点i到节点j的转移概率为：

$P_{ij}^k\left(t\right)=\left\{\begin{array}{cc}\frac{{\[{\mathrm{\τ}}_{ij}\left(t\right)\]}^{\mathrm{\α}}{\[{\mathrm{\η}}_{ij}\left(t\right)\]}^{\mathrm{\β}}}{\underset{S\∈{\mathrm{allowed}}_k}{\Σ}{\[{\mathrm{\τ}}_{is}\left(t\right)\]}^{\mathrm{\α}}{\[{\mathrm{\η}}_{is}\left(t\right)\]}^{\mathrm{\β}}}& j,s\∈{\mathrm{allowed}}_k\\ 0,& others\end{array}\right.$

其中allowed_k为蚂蚁可行点，τ_ij(t)为i与j两点之间的信息素浓度；η_ij(t)为ij之间的启发函数，并且η_ij(t)＝1/distance(i,j)；α为信息素启发因子，α的大小决定蚂蚁搜索下一节点的导向；β为彰显着启发函数重要性的收敛因子。

7.根据权利要求1所述的基于蚁群算法固定翼无人机PID参数控制方法，其特征在于，步骤S3所述作为评价控制性能指标的绝对误差的矩的积分为：

$Q=T^2\underset{i=1}{\overset{LP}{\Σ}}i\left|e\left(i\right)\right|$

其中T为算法采周期，LP为仿真计算的点数。