CN110244852B - 一种大脑情绪控制器控制参数整定方法 - Google Patents
一种大脑情绪控制器控制参数整定方法 Download PDFInfo
- Publication number
- CN110244852B CN110244852B CN201910531921.3A CN201910531921A CN110244852B CN 110244852 B CN110244852 B CN 110244852B CN 201910531921 A CN201910531921 A CN 201910531921A CN 110244852 B CN110244852 B CN 110244852B
- Authority
- CN
- China
- Prior art keywords
- value
- controller
- brain emotion
- parameters
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 230000008451 emotion Effects 0.000 title claims abstract description 91
- 210000004556 brain Anatomy 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000002245 particle Substances 0.000 claims abstract description 69
- 238000005457 optimization Methods 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 230000003044 adaptive effect Effects 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 24
- 230000001953 sensory effect Effects 0.000 claims description 22
- 238000012905 input function Methods 0.000 claims description 19
- 230000001360 synchronised effect Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 16
- 230000009897 systematic effect Effects 0.000 claims description 4
- 210000000697 sensory organ Anatomy 0.000 claims 1
- 230000007246 mechanism Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 12
- 230000000638 stimulation Effects 0.000 description 6
- 235000011437 Amygdalus communis Nutrition 0.000 description 4
- 241000220304 Prunus dulcis Species 0.000 description 4
- 235000020224 almond Nutrition 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000002996 emotional effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 210000001103 thalamus Anatomy 0.000 description 3
- 210000004727 amygdala Anatomy 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006397 emotional response Effects 0.000 description 2
- 210000005153 frontal cortex Anatomy 0.000 description 2
- 230000002450 orbitofrontal effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
- G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Dermatology (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Human Computer Interaction (AREA)
- Feedback Control In General (AREA)
Abstract
本发明为一种大脑情绪控制器控制参数整定方法，结合大脑情绪控制器的控制机制与运行原理，提出了基于改进粒子群算法的大脑情绪控制器参数整定方法，根据被控制对象的不同，选取不同的d值，确定d值后依据相应公式进行参数寻优，根据d值的不同选择合适的速度公式，保证参数寻优精度及迅速性，并通过性能评价公式即适应度值计算式进行性能指标评价，完成自动调整参数的目的。该方法通过改进型粒子群算法对控制器参数高效、迅速的全局寻优能力，以提高大脑情绪控制器整定的效率，以达成省时省力的目的，从而实现大脑情绪控制器更广泛的应用。
Description
技术领域
本发明涉及大脑情绪控制器参数整定方法，具体涉及一种基于改进粒子群算法的大脑情绪控制器控制参数整定方法。
背景技术
大脑情绪控制器作为一种基于人脑情绪反应机制的新型控制器，具有计算简单，自适应能力强和鲁棒性好的优点。与传统PID控制器相比，在结构和参数不确定或者经常发生改变的控制系统中，大脑情绪控制器对被控对象的非线性和时变性具有更好的适应能力。
大脑情绪控制器作为一种新型智能控制器在控制系统领域的应用越来越多，在理论研究和工程应用方面，文献[1]Implementation of Emotional Controller forInterior Permanent-Magnet Synchronous Motor Drive中将大脑情绪控制器应用于内嵌式永磁同步电机的控制方向上，并取得了较好的控制效果，但是由于未采用自动调节控制器参数的方法，使得控制器参数整定时间较长，应用前景受限。
大脑情绪控制器由情绪刺激函数，情感奖惩函数和大脑情绪控制模型BEL三部分组成。其中情绪刺激函数(感官输入函数)和情感奖惩函数的函数形式需要根据控制对象的不同来灵活选取。当感官输入函数形式依据控制对象而确定后，情感奖惩函数形式可以参照感官输入函数形式而确定，所以感官输入函数形式的确定对大脑情绪控制器的实际应用具有重要意义。当情绪刺激函数和情感奖惩函数的函数形式确定之后，需要进一步的确定函数各部分的参数值，以往确定参数值的方法一般采用仿真实验与试凑的方法进行人工整定，由于人工整定的方法过于费时费力，所以这就制约了大脑情绪控制器更广泛的推广应用。
在确定大脑情绪控制器待优化参数个数时要综合考虑控制器控制目标，在面对整体系统需要快速响应还是无超调的不同情况时，待优化参数也不相同。由于现有的PID控制器整定技术是针对PID控制器的方法，而大脑情绪控制器作为一种不同于PID的新型控制器，原有的方法并不是完全适用于此种控制器。
发明内容
本发明结合大脑情绪控制器的控制机制与运行原理，提出了基于改进粒子群算法的大脑情绪控制器参数整定方法，通过改进型粒子群算法对控制器参数高效、迅速的全局寻优能力，以提高大脑情绪控制器整定的效率，以达成省时省力的目的，从而实现大脑情绪控制器更广泛的应用。
本发明的技术方案为：
一种大脑情绪控制器控制参数整定方法，该方法的步骤是：
步骤1：确定大脑情绪控制器参数个数并初始化：
首先依据被控对象确定大脑情绪控制器中感官输入函数的函数形式，进而确定感官输入函数参数Ki的个数，以感官输入函数参数的个数i作为大脑情绪控制器待整定参数个数，之后根据经验估算出各个大脑情绪控制器参数K1～Ki的取值范围，并为每个大脑情绪控制器参数分别设定初始参数值；
步骤2：改进粒子群算法初始化：
由步骤1中确定的大脑情绪控制器待整定参数个数i值，i的数值大小即为改进粒子群算法的空间维度d值，建立空间维度与待整定参数之间的一一对应关系，进而确定d值范围，设定迭代次数，
粒子群算法在步骤1的参数取值范围内进行随机初始化得到粒子群的初始位置及初始速度，并将初始位置及初始速度认为是初始历史最优值和初始全局最优值；
步骤3：改进粒子群算法迭代过程：
根据公式(1)与公式(2)迭代计算得到历史最优值和全局最优值；
式中：k为当前迭代次数，
表示粒子m在k次迭代时的速度信息在第d维的分量，Pgd和Pmd分别为全局最优位置Pg和粒子个体历史最优位置Pm在第d维的分量，r1和r2为[0,1]之间的任意值；c1和c2是学习因子，指算法学习全局最优值和种群个体历史最优值的权重；
为粒子m在k次迭代时的位置信息在第d维的分量；
由当前迭代次数下单个粒子的速度和位置信息，根据式(3)计算当前粒子位置和速度信息对应的适应值，并根据适应值更新历史最优值和全局最优值；
适应度函数如式(3)：
式中J1、J2均为性能指标评价函数，表示适应度值；t为迭代时间；e(t)为随时间变化的系统误差；ω1、ω2、ω3均为调节系数；u(t)为大脑情绪控制器输出；
并随着迭代次数的增加，按照式(4)和式(5)动态调节式(1)中的变惯性权重W(k)的取值，
式中：Maxnumber为最大迭代次数，W1(k)、W2(k)分别为式(1)中相应的变惯性权重；Wmax为当前迭代次数下惯性权重最大值，Wmin为当前迭代次数下惯性权重最小值；
判断相邻两次的适应度值是否陷入局部最优，如果没有陷入局部最优，更新当前粒子位置和速度；否则转步骤2，重新初始化粒子群位置和速度并进行计算；
步骤4：再判断是否满足结束条件达到迭代次数，如果满足条件，则输出最优解，全局寻优结束，实现自动调节大脑情绪控制器参数的目的；如果不满足终止条件，则返回步骤3 更新全局最优值和历史最优值，惯性权重适应性变化。
所述被控对象为同步磁阻电机或反应炉。
ω1＝0.99，ω2＝0.01，ω3＝0.1。
迭代次数设定为20～60次，待整定参数个数为2～5。
本发明的有益效果：本发明针对传统模式下，大脑情绪控制器依靠人工经验进行手动整定参数费时费力等缺点，以智能算法为优化手段，通过合理的模型建立以及相应算法参数和适应度函数的设定，可以快速的对大脑情绪控制器参数进行计算整定，筛选出符合要求的大脑情绪控制器参数，该方法可以有效的减轻工作人员的负担，扩大大脑情绪控制器的应用范围。
本申请为大脑情绪控制器实现参数自整定的方法，由原来固定的惯性权重变为随着算法运行过程中不断变化的惯性权重，以使得算法的全局寻优能力更强，搜索精度更高。
根据被控制对象的不同，选取不同的d值，确定d值后依据相应公式进行参数寻优。在 0＜d≤3时，由于待整定参数较少，即在较低维度空间下进行寻优，这种情况下，对参数寻优的主要要求是搜索精度高，所以选取公式(1)上部公式，以保证参数寻优精度高；在3＜d≤6 时，待整定参数多，即在高维度空间进行参数寻优，这种情况下，需要能够节省时间，迅速达到寻优目的，所以选择相应的公式(1)下部公式。同理，为了验证相应的寻优目的是否达成，公式(3)分别列出了相应的性能评价公式进行性能指标评价。
通过实施例中具体控制效果可以看出本方法在大脑情绪控制器应用方面具有很大意义。在同步磁阻电机的控制过程中，通过改进粒子群算法对大脑情绪控制器进行参数寻优，如图 5所示，迭代4-5次即完成了初步寻优，可见参数寻优速度快，节省时间，又经过40次迭代之后，最终结果与初期整定参数略有偏差，但是偏差未超过5％，可见该方法后期参数寻优精度高。图6显示的是在实际控制过程中，实际待整定参数的变化过程，在迭代32次之后，所有待整定参数均已完成参数寻优，可见本方法在大脑情绪控制器参数整定方面省时省力。图8所示同步磁阻电机在上述方法整定出的参数控制下，经过1秒即实现了稳定运行，稳定运行状态下转速上下波动不超过1转，超调量占比仅万分之七，可见控制效果好，也证明了本发明方法对大脑情绪控制器的实际控制效果具有优秀的改进作用。
附图说明
图1是改进粒子群算法总流程图；
图2a是传统基于大脑情绪控制器的同步磁阻电机矢量控制系统框图；
图2b是基于改进粒子群算法参数整定功能的大脑情绪控制器同步磁阻电机矢量控制系统框图；
图3是大脑情绪控制器原理图；
图4是改进粒子群算法优化大脑情绪控制器参数流程图；
图5是改进粒子群最优个体适应值迭代变化图；
图6是待优化参数整定过程图；
图7是同步磁阻电机矢量控制系统转速响应图。
图8是同步磁阻电机矢量控制系统转速响应局部放大图。
具体实施方式
下面结合附图和实施例对本发明进行详细说明，本发明包括但不限于下述实施例。
如图1所示，本发明基于改进粒子群算法的大脑情绪控制器控制参数整定方法，实现了对大脑情绪控制器的参数优化，具体步骤是：
步骤1：确定大脑情绪控制器参数个数并初始化：
首先依据被控对象确定大脑情绪控制器中感官输入函数的函数形式，进而确定感官输入函数参数Ki的个数，以感官输入函数参数的个数i作为大脑情绪控制器待整定参数个数，一般不超过6，之后根据经验估算出各个大脑情绪控制器参数K1～Ki的取值范围，并为每个大脑情绪控制器参数分别设定初始参数值，该初始参数值的设定用于大脑情绪控制器控制被控对象；
步骤2：改进粒子群算法初始化：
由步骤1中确定的大脑情绪控制器待整定参数个数i值，i的数值大小即为改进粒子群算法的空间维度d值，建立空间维度与待整定参数之间的一一对应关系，进而确定d值范围，设定迭代次数，
粒子群算法在步骤1的参数取值范围内进行随机初始化得到粒子群的初始位置及初始速度，并将初始位置及初始速度认为是初始历史最优值和初始全局最优值；
步骤3：改进粒子群算法迭代过程：
根据公式(1)与公式(2)迭代计算得到历史最优值(包含历史最优速度和历史最优位置)和全局最优值(包含全局最优速度和全局最优位置)；
式中：k为当前迭代次数，
表示粒子m在k次迭代时的速度信息在第d维的分量，Pgd和Pmd分别为全局最优位置Pg和粒子个体历史最优位置Pm在第d维的分量，r1和r2为[0,1]之间的任意值；c1和c2是学习因子，指算法学习全局最优值和种群个体历史最优值的权重；
为粒子m在k次迭代时的位置信息在第d维的分量；
由当前迭代次数下单个粒子的速度和位置信息，根据式(3)计算当前粒子位置和速度信息对应的适应值，并根据适应值更新历史最优值和全局最优值，选取适应值最小的对应的粒子位置和速度信息作为最优值；
适应度函数如式(3)：
式中J1、J2均为性能指标评价函数，分别对应不同的粒子寻优速度公式，表示适应度值； t为迭代时间；e(t)为随时间变化的系统误差；ω1、ω2、ω3均为调节系数，一般为常数，根据本领域的经验确定；u(t)为大脑情绪控制器输出；
并随着迭代次数的增加，按照式(4)和式(5)动态调节式(1)中的变惯性权重W(k)的取值，
式中：Maxnumber为最大迭代次数，W(k)为变惯性权重，即保存了上一次迭代过程的调整值对本次迭代的影响，用于强化算法面对不同情况时的不同能力；Wmax为当前迭代次数下惯性权重最大值，Wmin为当前迭代次数下惯性权重最小值；
判断相邻两次的适应度值是否陷入局部最优，如果没有，更新当前粒子位置和速度；否则转步骤2，重新初始化粒子群位置和速度并进行计算；
步骤4：再判断是否满足结束条件达到迭代次数，如果满足条件，则输出最优解，全局寻优结束，实现自动调节大脑情绪控制器参数的目的；如果不满足终止条件，则返回步骤3 更新全局最优解和历史最优解，惯性权重适应性变化。
本发明方法通过改进粒子群算法对感官输入函数进行参数整定，将通过步骤3每次迭代获得的参数赋值到大脑情绪控制器的感官输入函数中，通过误差值e不断对输入的参数值进行性能评价，根据系统运行的性能指标好坏去把寻优的结果赋值到大脑情绪控制器中，这样就实现了自动调节参数。
本发明方法的自动调节参数的整个思路为：改进粒子群算法在迭代一次后，获得一个寻优结果，把寻优结果赋值给大脑情绪控制器，大脑情绪控制器获得参数后，对被控对象进行控制，控制对象输出响应值，系统获得误差值e，经过公式(3)获得适应度J的值，系统即第一次运行结束；第二次重复以上顺序，由寻优结果经过上述过程获得新的误差值e，又获得一个新的适应度J值，经过指定次数迭代后，会出现指定次数的J值，对这些J值做比较，获得J最小值，此时J最小值对应的寻优参数是已知的，而且当次寻优参数下，控制效果也是知道的，因为J是最小的，而J的大小就是依据控制效果确定的，所以J最小值对应的控制效果就是最好的。
如果相邻两次的迭代结果中，适应度值基本相近甚至相同，就认为出现了局部最优的情况，会转入步骤2重新初始化赋值。
自动调节的结果是J值大小对比得出的，如果寻优的参数好，控制效果就好，控制效果好，J值就小。当迭代次数选的满足条件时，即在运算能力允许的条件下，尽可能的多迭代几次，迭代完成后得到的结果会满足要求。
下面以被控对象为同步磁阻电机为例进行整定控制，且其控制对象还可以为反应炉等。
如图2a所示，搭建传统基于大脑情绪控制器的同步磁阻电机控制系统模型(将大脑情绪控制器作为转速控制器，以矢量控制为系统的控制方法)，通过将速度给定值ωr与实际转速做差之后获得误差值e，经过大脑情绪控制器的控制作用(在大脑情绪控制器中包括感官输入函数和情感奖惩函数，二者的输出输入到BEL中，BEL的输出即为大脑情绪控制器的输出u)，经过电流分配函数，从而输出驱动电流，分成D轴电流和Q轴电流给电流控制器，电流控制器驱动同步磁阻电机运行，同步磁阻电机的输出一方面经电流检测连接电流控制器，另一方面同步磁阻电机的输出的实际转速经速度检测后与速度给定值做差。但是在此种控制系统下，感官输入函数的参数值需要人工试凑，效率较低。图中ωr为速度给定值，Id *为D 轴电流，Iq *为Q轴电流。u为大脑情绪控制器输出。e为系统误差。
如图2b所示，搭建基于粒子群算法的大脑情绪控制器同步磁阻电机矢量控制系统模型，在传统控制系统模型基础上，通过改进粒子群算法对感官输入函数进行参数整定，通过误差值不断对算法每次寻优的参数值进行性能评价，从而实现自动调整并获得合理的大脑情绪控制器参数。优化了整定流程，简化了人工操作步骤，节约了人力资源。
如图3所示，大脑情绪控制器的原理表明，是现有的控制原理；大脑情绪控制器主要包括丘脑(TH)、杏仁体(A)、眶额皮质(O)和感觉皮质(CX)四部分。其中，杏仁体是大脑对情感进行加工处理的重要部分，而眶额皮质的主要作用是对整体的情感学习进行调节和抑制。图中可以看出，感觉信号输入通过丘脑进入，在生物系统中，丘脑承担着启动对刺激反应过程的任务，之后它将信号传递给杏仁体和感觉皮质。感觉皮质在接收到信号输入之后，通过分析信号，适当地将信号分配给杏仁体和眶额皮质。奖励和惩罚信号进入杏仁体，以加强杏仁体与其他部分的联系。之后，眶额皮质中也产生相同的反应，并共同作用于E(控制器输出)从而产生情绪反应。该控制器的控制器效果主要取决于刺激输入信号即感官刺激函数的准确程度，表明了对感官刺激函数进行参数整定很有必要。
如图4所示，改进粒子群算法经过参数整定之后，将最终确定的合理参数赋值到大脑情绪控制器中，从而实现改进粒子群算法整定大脑情绪控制器的目的。图4中所说的粒子赋值给K1-Ki,是指在得到每次寻优的结果之后，会得到
而
为粒子m在k次迭代时的位置信息在第d维的分量，即前面确定d值之后，粒子的空间位置就会是d维的，例如d取值3，则粒子的运动范围就是在三维空间中运动的，在某一时刻，粒子所在空间位置就是由三维数据x、y、z决定的，此时，即表明控制器中待整定的三个参数值的寻优结果就是代表粒子空间位置的x、y、z的值。运行控制系统模型指大脑情绪控制器控制被控对象进行工作的过程，本发明中以控制系统的运行快速性及稳定性两个目标建立性能评价指标，也就是公式(3)，并以此作为改进粒子群算法的寻优依据，能很好地通过参数调整进而控制系统运行。
实施例1
本实施例在MATLAB中搭建了基于粒子群算法整定的大脑情绪控制器同步磁阻电机矢量控制系统，该模型包括以下初始参数：粒子群种群大小设定为100，迭代次数设定为50次，待优化参数取值范围设定为[0,300]，c1＝2.5，c2＝0.5，Wmax＝0.9，Wmin＝0.1，ω1＝0.99，ω2＝0.01，ω3＝0.1。采用多目标评价机制作为参数整定的最小目标函数，即性能指标式(3)。控制对象选取电机为功率11kw的凸极转子同步磁阻电机，额定转速为1500rpm。
使用以上参数得到的粒子群迭代结果如图5和图6所示。图5显示了随着迭代次数的增加，最优个体适应值是逐渐减小的，最终恒定为1.1289；图6显示了粒子群算法整定大脑情绪控制器参数过程中待整定参数变化过程，图中三个待整定参数Kp、Ki、Kd通过粒子群算法的整定过程，最终稳定在一个固定的值，从而实现了粒子群算法优化大脑情绪控制器的目的，验证了本发明的实际应用效果。
图7和图8显示了基于大脑情绪控制器的同步磁阻电机矢量控制系统在应用了粒子群整定后的参数值后，很好的实现了电机的转速控制，在1秒内即完成了控制系统的自适应控制，转速很好地稳定在1500rpm，达到了良好的控制效果。
本发明未述及之处适用于现有技术。
Claims (4)
1.一种大脑情绪控制器控制参数整定方法，该方法的步骤是：
步骤1：确定大脑情绪控制器参数个数并初始化：
首先依据被控对象确定大脑情绪控制器中感官输入函数的函数形式，进而确定感官输入函数参数Ki的个数，以感官输入函数参数的个数i作为大脑情绪控制器待整定参数个数，之后根据经验估算出各个大脑情绪控制器参数K1～Ki的取值范围，并为每个大脑情绪控制器参数分别设定初始参数值；
步骤2：改进粒子群算法初始化：
由步骤1中确定的大脑情绪控制器待整定参数个数i值，i的数值大小即为改进粒子群算法的空间维度d值，建立空间维度与待整定参数之间的一一对应关系，进而确定d值范围，设定迭代次数，
粒子群算法在步骤1的参数取值范围内进行随机初始化得到粒子群的初始位置及初始速度，并将初始位置及初始速度认为是初始历史最优值和初始全局最优值；
步骤3：改进粒子群算法迭代过程：
根据公式(1)与公式(2)迭代计算得到历史最优值和全局最优值；
式中：k为当前迭代次数，
表示粒子m在k次迭代时的速度信息在第d维的分量，Pgd和Pmd分别为全局最优位置Pg和粒子个体历史最优位置Pm在第d维的分量，r1和r2为[0,1]之间的任意值；c1和c2是学习因子，指算法学习全局最优值和种群个体历史最优值的权重；
为粒子m在k次迭代时的位置信息在第d维的分量；
由当前迭代次数下单个粒子的速度和位置信息，根据式(3)计算当前粒子位置和速度信息对应的适应值，并根据适应值更新历史最优值和全局最优值；
式中J1、J2均为性能指标评价函数，表示适应度值；t为迭代时间；e(t)为随时间变化的系统误差；ω1、ω2、ω3均为调节系数；u(t)为大脑情绪控制器输出；
并随着迭代次数的增加，按照式(4)和式(5)动态调节式(1)中的变惯性权重W(k)的取值，
式中：Maxnumber为最大迭代次数，W1(k)、W2(k)分别为式(1)中相应的变惯性权重；Wmax为当前迭代次数下惯性权重最大值，Wmin为当前迭代次数下惯性权重最小值；
判断相邻两次的适应度值是否陷入局部最优，如果没有陷入局部最优，更新当前粒子位置和速度；否则转步骤2，重新初始化粒子群位置和速度并进行计算；
步骤4：再判断是否满足结束条件达到迭代次数，如果满足条件，则输出最优解，全局寻优结束，实现自动调节大脑情绪控制器参数的目的；如果不满足终止条件，则返回步骤3更新全局最优值和历史最优值，惯性权重适应性变化。
2.根据权利要求1所述的整定方法，其特征在于，所述被控对象为同步磁阻电机或反应炉。
3.根据权利要求1所述的整定方法，其特征在于，ω1＝0.99，ω2＝0.01，ω3＝0.1。
4.根据权利要求1所述的整定方法，其特征在于，迭代次数设定为20～60次，待整定参数个数为2～5。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910531921.3A CN110244852B (zh) | 2019-06-19 | 2019-06-19 | 一种大脑情绪控制器控制参数整定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910531921.3A CN110244852B (zh) | 2019-06-19 | 2019-06-19 | 一种大脑情绪控制器控制参数整定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110244852A CN110244852A (zh) | 2019-09-17 |
| CN110244852B true CN110244852B (zh) | 2022-04-01 |
Family
ID=67888252
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910531921.3A Expired - Fee Related CN110244852B (zh) | 2019-06-19 | 2019-06-19 | 一种大脑情绪控制器控制参数整定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110244852B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112270235A (zh) * | 2020-10-20 | 2021-01-26 | 西安工程大学 | 一种改进的svm脑电信号情绪识别方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107729127A (zh) * | 2016-08-12 | 2018-02-23 | 北京小米移动软件有限公司 | 智能控制方法及装置 |
| CN107752241A (zh) * | 2017-11-07 | 2018-03-06 | 刘晓东 | 一种具有情绪控制功能的手环 |
-
2019
- 2019-06-19 CN CN201910531921.3A patent/CN110244852B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107729127A (zh) * | 2016-08-12 | 2018-02-23 | 北京小米移动软件有限公司 | 智能控制方法及装置 |
| CN107752241A (zh) * | 2017-11-07 | 2018-03-06 | 刘晓东 | 一种具有情绪控制功能的手环 |
Non-Patent Citations (2)
| Title |
|---|
| Velocity Control of a PMLSM Using a Brain Emotional Learning;P. Ghaebi Panah;《2011 IEEE International Conference on System Engineering and Technology (ICSET)》;20111231;全文 * |
| 光伏并网系统的大脑情感控制器设计方法;宫萍萍;《广西大学学报》;20131031;第38卷(第5期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110244852A (zh) | 2019-09-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111628687B (zh) | 一种基于熵权法的永磁同步电机多目标参数优化方法 | |
| CN112861427B (zh) | 一种基于改进灰狼优化算法的永磁同步电机参数辨识方法 | |
| Allaoua et al. | Intelligent PID DC motor speed control alteration parameters using particle swarm optimization | |
| Sakunthala et al. | A review on speed control of permanent magnet synchronous motor drive using different control techniques | |
| CN106788046B (zh) | 永磁同步电机命令滤波有限时间模糊控制方法 | |
| CN105867136A (zh) | 基于参数辨识的多电机伺服系统同步与跟踪控制方法 | |
| CN103888044A (zh) | 一种模糊pid控制器的参数自整定方法 | |
| CN110112971B (zh) | 一种基于有限时间动态面的异步电动机位置跟踪控制方法 | |
| CN104980069B (zh) | 一种无刷直流电机双闭环调速系统多目标优化方法 | |
| CN107633105B (zh) | 一种基于改进混合蛙跳算法的四旋翼无人机参数辨识方法 | |
| Sahoo et al. | Optimal speed control of DC motor using linear quadratic regulator and model predictive control | |
| CN110515348B (zh) | 一种机床的伺服电机选型方法 | |
| CN112564557B (zh) | 一种永磁同步电机的控制方法、装置、设备及存储介质 | |
| CN106452208A (zh) | 一种基于分数阶pi预测函数的无刷直流电机控制方法 | |
| CN113162491B (zh) | 一种基于改进天牛须算法的无刷直流电机优化方法 | |
| CN110244852B (zh) | 一种大脑情绪控制器控制参数整定方法 | |
| CN110518848A (zh) | 基于单神经元与改进粒子群算法优化双电机高速高精度同步控制方法 | |
| CN113268040A (zh) | 一种数控机床伺服进给系统控制参数的优选方法 | |
| CN116088539A (zh) | 一种基于改进秃鹰优化算法的无人救援艇控制优化方法 | |
| Salem | Modeling, Simulation and Control Issues for a Robot ARM; Education and Research (III) | |
| CN105278332A (zh) | 一种基于soa的pmlsm进给系统pid参数优化方法 | |
| Derugo et al. | Implementation of the low computational cost fuzzy PID controller for two-mass drive system | |
| Ounnas et al. | A combined methodology of H∞ fuzzy tracking control and virtual reference model for a PMSM | |
| CN109976153A (zh) | 控制无人驾驶设备及模型训练的方法、装置及电子设备 | |
| CN106685290B (zh) | 基于混沌分子动理论算法永磁同步电机转速控制器参数自整定的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220401 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |