CN110376900A - 参数优化方法、终端设备以及计算机存储介质 - Google Patents

参数优化方法、终端设备以及计算机存储介质 Download PDF

Info

Publication number
CN110376900A
CN110376900A CN201910760229.8A CN201910760229A CN110376900A CN 110376900 A CN110376900 A CN 110376900A CN 201910760229 A CN201910760229 A CN 201910760229A CN 110376900 A CN110376900 A CN 110376900A
Authority
CN
China
Prior art keywords
parameter
preset
value
parameter preset
fitness
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.)
Granted
Application number
CN201910760229.8A
Other languages
English (en)
Other versions
CN110376900B (zh
Inventor
周翊民
曹峻海
韩波
吴新宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201910760229.8A priority Critical patent/CN110376900B/zh
Publication of CN110376900A publication Critical patent/CN110376900A/zh
Application granted granted Critical
Publication of CN110376900B publication Critical patent/CN110376900B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本申请公开了一种参数优化方法、终端设备以及计算机存储介质，该参数优化方法包括：建立姿态运动模型，并基于姿态运动模型设计控制器；基于控制器中的多个预设参数获取适应度函数；基于适应度函数计算每个预设参数的适应度值，以获取每个预设参数的个体极值；对多个预设参数进行多次迭代，并以每次迭代后的个体极值更新迭代前的个体极值；将多次迭代后的个体极值对应的预设参数输入控制器，以控制姿态运动模型。通过上述直播互动方法，本申请能够避免控制器参数整定过程中出现早熟收敛，以提高全局搜索能力。

Description

参数优化方法、终端设备以及计算机存储介质
技术领域
本申请涉及无人机控制技术领域，特别是涉及一种参数优化方法、终端设备以及计算机存储介质。
背景技术
目前四旋翼无人机常用的控制器虽然具有良好的性能，但控制器参数众多，以自抗扰控制器(ADRC)为例，大量非线性函数的使用，使得控制器参数整定问题由于呈现多变量、非线性、多极值等问题，很难通过解析计算进行解决，需要结合性能指标建立问题描述模型，转化为函数优化问题采用具有强鲁棒性、全局寻优能力的智能优化算法进行求解。
粒子群优化具有相当快的逼近最优解的速度，可以有效地对系统的参数进行优化。粒子群算法(PSO，Particle Swarm Optimization)的本质是利用当前位置、全局极值和个体极值三种信息，指导粒子下一步迭代位置。其个体充分利用自身经验和群体经验调整自身的状态是粒子群算法具有优异特性的关键。粒子群算法的优势在于求解一些连续函数的优化问题。粒子群算法最主要的问题是它容易产生早熟收敛(尤其是在处理复杂的多峰搜索问题中)、全局寻优能力较差等。粒子群算法陷入局部最优解，主要归咎于种群在搜索空间中多样性的丢失。
发明内容
本申请提供一种参数优化、终端设备以及计算机存储介质，以解决现有技术中粒子群算法容易产生早熟收敛的问题。
为解决上述技术问题，本申请采用的一个技术方案是提供一种基于自适应粒子群算法的参数优化方法，所述参数优化方法包括：
建立姿态运动模型，并基于所述姿态运动模型设计控制器；
基于所述控制器中的多个预设参数获取适应度函数；
基于所述适应度函数计算每个所述预设参数的适应度值，以获取每个所述预设参数的个体极值；
对多个所述预设参数进行多次迭代，并以每次迭代后的所述个体极值更新迭代前的所述个体极值；
将多次迭代后的所述个体极值对应的预设参数输入所述控制器，以控制所述姿态运动模型。
为解决上述技术问题，本申请采用的另一个技术方案是提供一种终端设备，所述终端设备包括存储器以及与所述存储器耦接的处理器；其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现如上述的参数优化方法。
为解决上述技术问题，本申请采用的另一个技术方案是提供一种计算机存储介质，其中存储有计算机程序，计算机程序被执行时实现如上述参数优化方法的步骤。
区别于现有技术，本申请的有益效果是：终端设备建立姿态运动模型，并基于姿态运动模型设计控制器；基于控制器中的多个预设参数获取适应度函数；基于适应度函数计算每个预设参数的适应度值，以获取每个预设参数的个体极值；对多个预设参数进行多次迭代，并以每次迭代后的个体极值更新迭代前的个体极值；将多次迭代后的个体极值对应的预设参数输入控制器，以控制姿态运动模型。通过上述参数优化方法，本申请通过每次迭代后的每个预设参数的个体极值来改变下一次迭代时速度的权重来对标准粒子群算法进行改进，能够有效避免控制器参数整定过程中出现早熟收敛，以提高全局搜索能力。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请提供的参数优化方法第一实施例的流程示意图；
图2是图1中四旋翼无人机的结构示意图；
图3是图1中自抗扰控制器的结构示意图；
图4是本申请提供的参数优化方法第二实施例的流程示意图；
图5是本申请提供的参数优化方法第三实施例的流程示意图；
图6是本申请提供的自适应粒子群算法整定四旋翼无人机姿态控制器的参数结构图；
图7是本申请对四旋翼无人机姿态自抗扰控制器参数整定时，适应度函数值的变化过程图；
图8是本申请对四旋翼无人机姿态自抗扰控制器参数整定时，参数β1，β2，β3的变化过程图；
图9是本申请对四旋翼无人机姿态自抗扰控制器参数整定时，参数k1，k2的变化过程图；
图10是本申请提供的终端设备一实施例的结构示意图；
图11是本申请提供的计算机存储介质一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了避免现有技术的不足之处，本申请提出一种基于自适应粒子群算法的四旋翼无人机姿控参数整定方法，克服现有参数整定方法对四旋翼无人机自抗扰控制器最优参数求解容易产生早熟收敛和易陷入局部最优解的缺陷的问题。该方法在标准粒子群算法的基础上，通过每次迭代后的每个粒子的适应度值来改变下一次迭代时当前速度的权重来对标准粒子群算法进行改进，避免控制器参数整定过程中出现早熟收敛的问题，提高全局搜索能力。基于误差积分准则(ITAE，Integrated Time and Absolute Error)，用系统期望输出与实际输出或主反馈信号之间的偏差的某个函数的积分式来设计适应度函数。
具体请参阅图1，图1是本申请提供的参数优化方法第一实施例的流程示意图。本实施例的参数优化方法应用于一种终端设备，具体可以为一种四旋翼无人机，在以下实施例描述中，可以用四旋翼无人机作为参数优化方法的执行主体。
如图所示，本实施例的参数优化方法具体可以包括以下步骤：
S101：建立姿态运动模型，并基于姿态运动模型设计控制器。
其中，四旋翼无人机通过控制器的系统模型通用化建模建立姿态运动模型。
具体地，四旋翼无人机是一个多变量、强耦合、非线性的欠驱动系统。四旋翼无人机设计控制器时，需要建立合理而准确的动力学模型。如图2所示，四旋翼无人机的飞行姿态由三个角度(φ,θ,ψ)进行描述，位置由(x,y,z)进行描述，根据牛顿-欧拉公式建立四旋翼无人机的动力学模型为：
四旋翼无人机对四个螺旋桨的控制量u可以表现为如下形式：
其中，m为四旋翼无人机的自身重量，l为转子到四旋翼无人机中心点的距离，Ix、Iy、Iz分别为绕x轴、y轴、z轴旋转的转动惯量，Jr为惯性重量，Ωi(i＝1,2,3,4)为转子的角速度，b为推力系统，d为阻力系数。
四旋翼无人机建立上述姿态运动模型后，还可以基于该姿态运动模型设计控制器。具体地，四旋翼无人机根据无人机动力学方程，设计姿态ADRC控制器，将无人机动力学模型中的姿态方程进行整理得到：
其中，fi(i＝1,2,3)为系统的总干扰量。
具体地，姿态控制是一个非线性耦合多输入多输出MIMO(Multiple-InputMultiple-Output)系统，ADRC(自抗扰控制器)可以将MIMO系统转换成相互独立的单输入单输出SISO(single input single output)线性子系统，能够有效简化系统结果以及控制的复杂性。下面对ADRC控制器进行详细描述：
ADRC主要由安排过渡过程的跟踪微分器(Tracking Differentiator,TD)，估计扰动的扩张状态观测器(Extended State Observer,ESO)以及非线性状态误差反馈控制律(Nonlinear State Error Feedback,NLSEF)三个部分组成，具体可参阅图3。
如图所示，跟踪微分器将给定航向角v0作为参考输入，并安排过渡过程，输出信号为v1及其微分信号v2：
其中，fhan(e,v2,r0,h0)为快速跟踪控制综合函数，r0为快速因子，h0为滤波因子，h为积分步长。
扩张状态观测器为整个控制器的核心，对系统状态和扰动进行实时估计与补偿：
其中，fal(e,a,δ)为非线性函数，z1、z2分别为两个状态变量x1、x2的估计值，z3为系统通道中干扰总和的估计值，b为控制输入系数，β01、β02、β03为扩张状态观测器的参数，对整个系统的调节有重大影响。
非线性状态误差反馈控制律是一种独立的能改善动态性能且不增加计算复杂度的非线性控制器结构：
其中，k1、k2为控制参数，相当于PID控制器(Proportion IntegrationDifferentiation，比例-积分-微分控制器)中的比例项和微分项系数，b0为补偿因子。
具体地，四旋翼无人机采用模型预测控制设计位置还可以实现无人机快速稳定的飞行，采用积分滑模控制设计姿态环可以有效地调高控制精度同时增强了系统的鲁棒性和自适应性，采用线性扩张状态观测器对上述两个闭环中所受扰动进行实时估计和补偿可以提高四旋翼无人机的抗扰性能。
S102：基于控制器中的多个预设参数获取适应度函数。
其中，四旋翼无人机选取上述控制器的诸多参数中的多个预设参数，并将选取的预设参数用于适应度函数的表达。
S103：基于适应度函数计算每个预设参数的适应度值，以获取每个预设参数的个体极值。
其中，四旋翼无人机基于S102的适应度函数计算每个预设参数的适应度值。具体地，四旋翼无人机可以初始化每个预设参数的速度和位置，并基于每个预设参数的速度和位置计算对应的适应度值。每次迭代，四旋翼无人机均可以计算出每个预设参数的个体极值和多个预设参数的全局极值。
S104：对多个预设参数进行多次迭代，并以每次迭代后的个体极值更新迭代前的个体极值。
其中，四旋翼无人机对多个预设参数进行多次迭代，并以每次迭代前的个体极值更新下一次迭代时预设参数的当前速度权重，以使每次迭代均可以动态修改惯性权重以维持全局搜索功能和本地搜索功能之间的平衡。
进一步地，四旋翼无人机预设一迭代阈值，在每次迭代结束后可以计算当前迭代次数；若当前迭代次数达到预设的迭代阈值时，四旋翼无人机结束迭代过程。或者，四旋翼无人机预设一适应度阈值，在每次迭代结束后可以将当前的适应度值与预设的适应度阈值比较；若当前的适应度值达到预设的适应度阈值时，四旋翼无人机结束迭代过程。
S105：将多次迭代后的个体极值对应的预设参数输入控制器，以控制姿态运动模型。
其中，迭代过程结束后，四旋翼无人机将迭代结果，即迭代后的多个预设参数重新输入控制器，以调整控制器的参数控制。进一步地，四旋翼无人机基于调整后的控制器输出控制律，控制四旋翼无人机姿态模型，以输出控制信号。
在本实施例中，四旋翼无人机建立姿态运动模型，并基于姿态运动模型设计控制器；基于控制器中的多个预设参数获取适应度函数；基于适应度函数计算每个预设参数的适应度值，以获取每个预设参数的个体极值；对多个预设参数进行多次迭代，并以每次迭代后的个体极值更新迭代前的个体极值；将多次迭代后的个体极值对应的预设参数输入控制器，以控制姿态运动模型。通过上述参数优化方法，本申请通过每次迭代后的每个预设参数的个体极值来改变下一次迭代时速度的权重来对标准粒子群算法进行改进，能够有效避免控制器参数整定过程中出现早熟收敛，以提高全局搜索能力。
对于图1所示实施例中的S103和S104，本申请进一步提出了另一种具体的参数优化方法。请继续参阅4，图4是本申请提供的参数优化方法第二实施例的流程示意图。
如图所示，本实施例的参数优化方法具体可以包括以下步骤：
S201：初始化多个预设参数的第一速度和第一位置。
其中，四旋翼无人机初始化每个预设参数在粒子群中的第一速度和第一位置。
S202：根据每个预设参数的第一速度和第一位置计算得到每个预设参数的适应度值。
其中，四旋翼无人机采用S102的适应度函数，根据初始化的第一速度和第一位置计算得到每个预设参数的适应度值。
S203：基于适应度值，将多个预设参数划分为第一预设参数、第二预设参数和第三预设参数。
其中，四旋翼无人机根据适应度值的大小评价预设参数在全局优化和局部优化的能力。
具体地，四旋翼无人机根据多个预设参数的适应度值的大小将群体划分为不同的子群体，即第一预设参数、第二预设参数和第三预设参数，并且使用不同的自适应操作来维持各自对应的惯性权重的多样性。其中，具有较大适应度值的预设参数的惯性权重较小，可以用于局部优化以加速算法的收敛。具有较小适应度值的预设参数的惯性权重较大，可以用于跳出局部最小值以实现全局优化。在本实施例的参数优化方法中，对于具有不同适应度值fi和惯性权重ω的预设参数Pi做以下步骤的调整：
S204：按照第一预设规则调小第一预设参数的惯性权重。
其中，第一预设参数的适应度值大于第一适应度值，第一适应度值即适应度值大于所有适应度值平均值的预设参数的平均适应度值。这些预设参数是所有预设参数中最好的预设参数，第一预设参数相对接近全局最佳位置，应该对应于较小的惯性权重。因此，四旋翼无人机可以根据适应度值调整预设参数Pi的惯性权重ω。调整后的结果体现为：预设参数越好，惯性重量越小，局部优化越强。
调整过程具体表现为：
其中，定义Δ＝|fm-fa'vg|，Δ可以用来评价粒子群的早熟收敛程度，且Δ越小，说明粒子群趋于早熟收敛。
其中，ω为惯性权重，fi为第i个预设参数的适应度值，favg为所有预设参数适应度值的平均值，f′avg为所有适应度值大于favg的预设参数适应度值的平均值，即第一适应度值，fm为最优预设参数的适应度值，ωmin为ω的最小值。
S205：保持第二预设参数的惯性权重。
其中，第二预设参数的适应度值大于所有预设参数的平均适应度值，且小于第一适应度值。这些预设参数是所有预设参数中的一般预设参数，具有良好的全局优化和局部优化能力，因此，四旋翼无人机不需要改变第二预设参数的惯性权重，即保持第二预设参数的惯性权重。
调整过程具体表现为：
S206：按照第二预设规则调大第三预设参数的惯性权重。
其中，第三预设参数的适应度值小于所有预设参数的平均适应度值。这些预设参数是所有预设参数中的不良预设参数，四旋翼无人机需要基于自适应算法调整第三预设参数的惯性权重，以增强粒子群算法的全局搜索能力。
调整过程具体表现为：
其中，k1为ω的上界，k2用于控制上述公式的调节能力。
式子中的k1和k2的选择对粒子群算法的性能有较大的影响。k1主要用于控制ω的上限，k1越大，ω的上限越大。在本实施例中，k1的选取应使得式子能提供大于1的惯性权重，即k1为大于1的常数。在本实施例中取k1＝1.5，显然ω∈(0.5,1.1]。k2主要用于控制式子的调节能力，若k2过大，在早期停滞时，ω会迅速变得很小，这虽然会加快收敛，却使算法在早期全局寻优能力不足；若k2过小，则式子的调节能力不明显，尤其是在后期算法不能有效地跳出局部最优。
当粒子群算法停滞时，若粒子分布较为分散，则Δ较大。此时，需要通过S204的式子降低粒子的ω，加强局部寻优，以使群体趋于收敛。若粒子分布较为聚集(如算法陷入局部最优)，则Δ较小，由S206的式子增加粒子的ω，使粒子具有较强的探查能力，从而有效地跳出局部最优。
S207：基于调节后的惯性权重，更新每个预设参数的速度。
其中，四旋翼无人机获得调节后的惯性权重后，基于预设参数迭代前的速度和位置，更新对应预设参数的速度。具体表现为：
Vi iter+1＝ωVi iter+c1r1(Pbest-Xi iter)+c2r2(Gbest-Xi iter)
其中，i为粒子群中的第i个粒子，iter表示迭代次数，Pbest为第i个粒子的个体最优位置，Gbest为粒子群的全局最优位置；c1和c2为学习因子，r1和r2为(0,1)之间的随机数，ω为惯性权重。
S208：基于每个预设参数更新后的速度更新每个预设参数的位置。
其中，四旋翼无人机进一步根据每个预设参数更新后的速度更新对应的位置，具体表现为：
Xi iter+1＝Xi iter+Vi iter+1
粒子群算法具有操作简单，收敛速度快的优点。但是，随着迭代次数的增加，粒子往往会陷入局部最优解。因此，在本实施例中，为了解决优化计算过程中的局部最优问题，将惯性权重的自适应机制引入到惯性权重的更新过程中，动态修改惯性权重以维持全局搜索功能和本地搜索功能之间的平衡；具体地，四旋翼无人机根据个体适应度值将群体划分为不同的子群体，并且使用不同的自适应操作来维持惯性权重的多样性。
对于图1所示实施例中的S102，本申请进一步提出了另一种具体的参数优化方法。请继续参阅图5和图6，图5是本申请提供的参数优化方法第三实施例的流程示意图，图6是本申请提供的自适应粒子群算法整定四旋翼无人机姿态控制器的参数结构图。
如图所示，本实施例的参数优化方法具体可以包括以下步骤：
S301：获取姿态运动模型的期望输出，并将期望输出输入控制器。
其中，如图6所示，四旋翼无人机从参考输入中获取姿态运动模型的期望输出v0，并将期望输出v0输入控制器，以使控制器基于期望输出v0输出控制律u，从而控制四旋翼无人机姿态模型。
S302：基于误差积分准则，根据期望输出以及姿态运动模型的实际输出之间的偏差获取适应度函数。
其中，在S301的过程中，四旋翼无人机获取期望输出v0、控制律u以及四旋翼无人机姿态模型的实际输出y，并基于误差积分准则计算期望输出v0与际输出y的偏差，以获取适应度函数。
具体地，四旋翼无人机姿态自抗扰控制器中，扩张状态观测器的参数(β1，β2，β3)和非线性状态误差反馈控制律的参数(k1，k2)为最关键的五个参数，本实施例的参数优化方法将该五个参数作为自适应粒子群算法的粒子。四旋翼无人机基于积分误差准则，在系统的稳定性，动态性能和稳态性能要求下，综合考虑系统误差，控制量和超调量，得到适应度函数的表达式如下：
其中，v0为参考输入，即期望输出，y为实际输出，e为误差，J为适应度函数值，t为仿真时间，u为控制器输出的控制律。
进一步地，在每次迭代后，四旋翼无人机均可以通过上述式子计算当前预设参数得到的适应度函数值，以得到迭代过程中适应度函数值的变化规律。具体请参阅图7，在图7中，随着迭代次数增多，适应度函数值不断变小，最后稳定在一个适应度函数值阈值附近。
请继续参阅图6，每次迭代后，四旋翼无人机均可以将一个目标函数输入到自适应粒子群算法，并由自适应粒子群算法输出最优参数。其中，参数β1，β2，β3，k1，k2随着迭代次数的增多而不断变化，变化过程请参阅图8和图9。
进一步地，四旋翼无人机参考误差积分准则，将适应度函数设计为以下三个限制条件：
1.时间乘以误差绝对值的积分，稳态误差占比大。
2.控制率平方的积分。
3.超调量绝对值的积分，其中，超调量即当输出大于输入时，误差的绝对值。
其中，上述式子中的ω1，ω2，ω3分别为上述每个限制条件的权重。
为实现上述实施例的参数优化方法，本申请提出了一种终端设备，具体请参阅图10，图10是本申请提供的终端设备一实施例的结构示意图。
终端设备400包括存储器41以及处理器42，其中，存储器41与处理器42耦接。
存储器41用于存储程序数据，处理器42用于执行程序数据以实现上述实施例的参数优化方法。
在本实施例中，处理器42还可以称为CPU(Central Processing Unit，中央处理单元)。处理器42可能是一种集成电路芯片，具有信号的处理能力。处理器42还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器42也可以是任何常规的处理器等。
本申请还提供一种计算机存储介质，请继续参阅图11，图11是本申请提供的计算机存储介质一实施例的结构示意图，该计算机存储介质500中存储有程序数据51，该程序数据51在被处理器执行时，用以实现上述实施例的参数优化方法。
本申请的实施例以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种基于自适应粒子群算法的参数优化方法，其特征在于，所述参数优化方法包括：
建立姿态运动模型，并基于所述姿态运动模型设计控制器；
基于所述控制器中的多个预设参数获取适应度函数；
基于所述适应度函数计算每个所述预设参数的适应度值，以获取每个所述预设参数的个体极值；
对多个所述预设参数进行多次迭代，并以每次迭代后的所述个体极值更新迭代前的所述个体极值；
将多次迭代后的所述个体极值对应的预设参数输入所述控制器，以控制所述姿态运动模型。
2.根据权利要求1所述的参数优化方法，其特征在于，所述基于所述适应度函数计算每个所述预设参数的适应度值，以获取每个所述预设参数的个体极值的步骤，包括：
初始化多个所述预设参数的第一速度和第一位置；
根据每个所述预设参数的第一速度和第一位置计算得到每个所述预设参数的适应度值。
3.根据权利要求2所述的参数优化方法，其特征在于，所述根据每个所述预设参数的第一速度和第一位置计算得到每个所述预设参数的适应度值的步骤之后，包括：
基于所述适应度值，将多个所述预设参数划分为第一预设参数、第二预设参数和第三预设参数；
按照第一预设规则调小所述第一预设参数的惯性权重；
保持所述第二预设参数的惯性权重；
按照第二预设规则调大所述第三预设参数的惯性权重。
4.根据权利要求3所述的参数优化方法，其特征在于，所述按照第一预设规则调小所述第一预设参数的惯性权重的步骤，包括：
所述第一预设规则的公式为：
其中，ω为惯性权重，fi为第i个预设参数的适应度值，favg为所有预设参数适应度值的平均值，f′avg为所有适应度值大于favg的预设参数适应度值的平均值，fm为最优预设参数的适应度值，ωmin为ω的最小值；
所述按照第二预设规则调大所述第一预设参数的惯性权重的步骤，包括：
所述第二预设规则的公式为：
其中，k1为ω的最大值，k2为调节能力,Δ＝|fm-f′avg|为早熟收敛程度。
5.根据权利要求3所述的参数优化方法，其特征在于，所述对多个所述预设参数进行多次迭代，并以每次迭代后的所述个体极值更新迭代前的所述个体极值的步骤，包括：
基于调节后的所述惯性权重，更新每个所述预设参数的速度；
基于每个所述预设参数更新后的速度更新每个所述预设参数的位置。
6.根据权利要求1所述的参数优化方法，其特征在于，所述基于所述控制器中的多个预设参数获取适应度函数的步骤，包括：
获取所述姿态运动模型的期望输出，并将所述期望输出输入所述控制器；
基于误差积分准则，根据所述期望输出以及所述姿态运动模型的实际输出之间的偏差获取适应度函数。
7.根据权利要求6所述的参数优化方法，其特征在于，所述控制器包括跟踪微分器、扩张状态观测器以及非线性状态误差反馈控制律；
所述基于所述控制器中的多个预设参数获取适应度函数的步骤：
基于所述扩张状态观测器的控制参数和所述非线性状态误差反馈控制律的控制参数获取所述适应度函数。
8.根据权利要求1所述的参数优化方法，其特征在于，所述对多个所述预设参数进行多次迭代的步骤，包括：
记录迭代次数，当所述迭代次数等于预设迭代次数阈值时，停止迭代；
或者，若迭代后的所述预设参数的适应度值大于或等于预设适应度值，则停止迭代。
9.一种终端设备，其特征在于，所述终端设备包括存储器以及与所述存储器耦接的处理器；
其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现如权利要求1～8任一项所述的参数优化方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质用于存储程序数据，所述程序数据在被处理器执行时，用以实现如权利要求1～8任一项所述的参数优化方法。
CN201910760229.8A 2019-08-16 2019-08-16 参数优化方法、终端设备以及计算机存储介质 Active CN110376900B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910760229.8A CN110376900B (zh) 2019-08-16 2019-08-16 参数优化方法、终端设备以及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910760229.8A CN110376900B (zh) 2019-08-16 2019-08-16 参数优化方法、终端设备以及计算机存储介质

Publications (2)

Publication Number Publication Date
CN110376900A true CN110376900A (zh) 2019-10-25
CN110376900B CN110376900B (zh) 2022-06-07

Family

ID=68259743

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910760229.8A Active CN110376900B (zh) 2019-08-16 2019-08-16 参数优化方法、终端设备以及计算机存储介质

Country Status (1)

Country Link
CN (1) CN110376900B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112733433A (zh) * 2020-12-25 2021-04-30 北京航天测控技术有限公司 装备测试性策略优化方法和装置
CN113253603A (zh) * 2021-04-29 2021-08-13 桂林电子科技大学 基于fopso算法的无人机自抗扰控制器设计方法
CN113623256A (zh) * 2021-07-23 2021-11-09 苏州浪潮智能科技有限公司 一种风扇转速控制方法及装置
CN113759722A (zh) * 2021-09-13 2021-12-07 桂林电子科技大学 一种无人机自抗扰控制器参数优化方法
CN114415720A (zh) * 2021-12-28 2022-04-29 深圳市优必选科技股份有限公司 一种四旋翼无人机控制方法、装置、终端设备及存储介质
CN114415519A (zh) * 2022-01-25 2022-04-29 佛山智能装备技术研究院 一种adrc扩张观测器参数快速收敛的实时优化方法
CN115675927A (zh) * 2022-10-27 2023-02-03 齐鲁空天信息研究院 飞行器姿态调整方法、装置和电子设备
CN117236137A (zh) * 2023-11-01 2023-12-15 龙建路桥股份有限公司 一种高寒区深长隧道冬季连续施工控制系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103346573A (zh) * 2013-05-31 2013-10-09 上海交通大学 基于黄金分割云粒子群优化算法的风电系统无功规划方法
CN103885338A (zh) * 2014-03-21 2014-06-25 北京工业大学 一种基于粒子群优化算法的输入整形器参数自整定控制方法
CN106503788A (zh) * 2016-10-28 2017-03-15 中国矿业大学 基于自适应粒子群的最小二乘支持向量机预测方法
CN108615068A (zh) * 2018-03-24 2018-10-02 西安电子科技大学 一种混沌扰动与自适应惯性权重的粒子群优化方法
CN109117751A (zh) * 2018-07-24 2019-01-01 南京信息工程大学 基于自适应混沌粒子群算法的随机共振微弱信号检测方法
CN109146922A (zh) * 2018-07-11 2019-01-04 哈尔滨工程大学 一种基于自适应粒子群优化的前视声纳水下目标跟踪方法
CN109582030A (zh) * 2018-12-20 2019-04-05 中国科学院深圳先进技术研究院 一种调整无人机姿态控制中待整定参数方法及相关装置
CN109696827A (zh) * 2018-12-28 2019-04-30 西安邮电大学 惯性权重余弦调整粒子群优化算法的pid参数整定方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103346573A (zh) * 2013-05-31 2013-10-09 上海交通大学 基于黄金分割云粒子群优化算法的风电系统无功规划方法
CN103885338A (zh) * 2014-03-21 2014-06-25 北京工业大学 一种基于粒子群优化算法的输入整形器参数自整定控制方法
CN106503788A (zh) * 2016-10-28 2017-03-15 中国矿业大学 基于自适应粒子群的最小二乘支持向量机预测方法
CN108615068A (zh) * 2018-03-24 2018-10-02 西安电子科技大学 一种混沌扰动与自适应惯性权重的粒子群优化方法
CN109146922A (zh) * 2018-07-11 2019-01-04 哈尔滨工程大学 一种基于自适应粒子群优化的前视声纳水下目标跟踪方法
CN109117751A (zh) * 2018-07-24 2019-01-01 南京信息工程大学 基于自适应混沌粒子群算法的随机共振微弱信号检测方法
CN109582030A (zh) * 2018-12-20 2019-04-05 中国科学院深圳先进技术研究院 一种调整无人机姿态控制中待整定参数方法及相关装置
CN109696827A (zh) * 2018-12-28 2019-04-30 西安邮电大学 惯性权重余弦调整粒子群优化算法的pid参数整定方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DONGSHU WANG等: "Particle swarm optimization algorithm: an overview", 《SOFT COMPUTING》 *
乔俊飞 等: "一种具有局部搜索的自适应粒子群算法", 《信息与控制》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112733433A (zh) * 2020-12-25 2021-04-30 北京航天测控技术有限公司 装备测试性策略优化方法和装置
CN113253603A (zh) * 2021-04-29 2021-08-13 桂林电子科技大学 基于fopso算法的无人机自抗扰控制器设计方法
CN113623256A (zh) * 2021-07-23 2021-11-09 苏州浪潮智能科技有限公司 一种风扇转速控制方法及装置
CN113759722B (zh) * 2021-09-13 2024-03-29 桂林电子科技大学 一种无人机自抗扰控制器参数优化方法
CN113759722A (zh) * 2021-09-13 2021-12-07 桂林电子科技大学 一种无人机自抗扰控制器参数优化方法
CN114415720A (zh) * 2021-12-28 2022-04-29 深圳市优必选科技股份有限公司 一种四旋翼无人机控制方法、装置、终端设备及存储介质
CN114415720B (zh) * 2021-12-28 2023-10-24 深圳市优必选科技股份有限公司 一种四旋翼无人机控制方法、装置、终端设备及存储介质
CN114415519A (zh) * 2022-01-25 2022-04-29 佛山智能装备技术研究院 一种adrc扩张观测器参数快速收敛的实时优化方法
CN114415519B (zh) * 2022-01-25 2023-11-28 佛山智能装备技术研究院 一种adrc扩张观测器参数快速收敛的实时优化方法
CN115675927A (zh) * 2022-10-27 2023-02-03 齐鲁空天信息研究院 飞行器姿态调整方法、装置和电子设备
CN115675927B (zh) * 2022-10-27 2024-08-27 齐鲁空天信息研究院 飞行器姿态调整方法、装置和电子设备
CN117236137B (zh) * 2023-11-01 2024-02-02 龙建路桥股份有限公司 一种高寒区深长隧道冬季连续施工控制系统
CN117236137A (zh) * 2023-11-01 2023-12-15 龙建路桥股份有限公司 一种高寒区深长隧道冬季连续施工控制系统

Also Published As

Publication number Publication date
CN110376900B (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
CN110376900A (zh) 参数优化方法、终端设备以及计算机存储介质
CN106647283A (zh) 一种基于改进cpso的自抗扰位置伺服系统优化设计方法
CN107272403A (zh) 一种基于改进粒子群算法的pid控制器参数整定算法
Hassani et al. Multi-objective design of state feedback controllers using reinforced quantum-behaved particle swarm optimization
Kumar et al. Algebraic approach for selecting the weighting matrices of linear quadratic regulator
CN110308649A (zh) 一种基于pso-soa融合算法的pid参数优化方法
Kumar E et al. Algebraic Riccati equation based Q and R matrices selection algorithm for optimal LQR applied to tracking control of 3rd order magnetic levitation system
KR101849464B1 (ko) Pid 게인 자동 튜닝 방법
CN113253603A (zh) 基于fopso算法的无人机自抗扰控制器设计方法
CA2942027A1 (en) Tuning building control systems
CN113852098B (zh) 一种基于多目标蜻蜓算法的自动发电控制调度方法
CN103324093A (zh) 一种多模型自适应控制系统及其控制方法
Nie et al. An adaptive chaos particle swarm optimization for tuning parameters of PID controller
Cheng et al. Active disturbance rejection generalized predictive control of a quadrotor UAV via quantitative feedback theory
González et al. Robust model predictive control with zone control
Abdulla et al. Roll control system design using auto tuning LQR technique
Kaheni et al. Radial pole paths SVSC for linear time invariant multi input systems with constrained inputs
CN111624872B (zh) 一种基于自适应动态规划的pid控制器参数整定方法及系统
Yucelen et al. Online solution of state dependent riccati equation for nonlinear system stabilization
Kaheni et al. Radial pole path approach for fast response of affine constrained nonlinear systems with matched uncertainties
CN112713830B (zh) 永磁同步电机调速系统及多目标最优状态反馈控制方法
Wang et al. Weight optimization for LQG controller based on the artificial bee colony algorithm
CN103809434B (zh) 纵向飞行模型簇复合根轨迹多级pid控制器设计方法
Sirisantisamrid et al. Lqr/pid controller design of plc-based inverted pendulum
CN103809433B (zh) 飞行器多回路模型簇复合根轨迹多级pid鲁棒控制器设计方法

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