CN112051740A - 滑模控制器参数整定方法、参数整定装置及存储介质 - Google Patents
滑模控制器参数整定方法、参数整定装置及存储介质 Download PDFInfo
- Publication number
- CN112051740A CN112051740A CN202010894153.0A CN202010894153A CN112051740A CN 112051740 A CN112051740 A CN 112051740A CN 202010894153 A CN202010894153 A CN 202010894153A CN 112051740 A CN112051740 A CN 112051740A
- Authority
- CN
- China
- Prior art keywords
- individual
- optimal
- fruit fly
- drosophila
- worst
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 241000255588 Tephritidae Species 0.000 claims abstract description 211
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 claims abstract description 117
- 239000013598 vector Substances 0.000 claims abstract description 18
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 27
- 235000013399 edible fruits Nutrition 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 16
- 230000000694 effects Effects 0.000 abstract description 10
- 230000000007 visual effect Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000006073 displacement reaction Methods 0.000 description 6
- 241000255601 Drosophila melanogaster Species 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000002028 premature Effects 0.000 description 4
- 230000009191 jumping Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
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
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种滑模控制器参数整定方法,包括以下步骤:获取参数数据组并将参数数据组作为果蝇个体的搜索维度;根据果蝇个体初始位置坐标、更新位置坐标、最优果蝇个体位置坐标和随机搜索向量获取当代的果蝇个体更新位置坐标;根据当代的果蝇个体更新位置坐标获取味道浓度判断值;根据味道浓度判断值获取果蝇个体的味道浓度值;获取最优味道浓度值和最劣味道浓度值;获取最优味道浓度值对应的最优果蝇个体位置坐标和最劣味道浓度值对应的最劣果蝇个体位置坐标;通过质疑因子对最优味道浓度值进行质疑调节,筛选最优的果蝇个体。本发明改进后的果蝇算法全局搜索能力提高,可优化参数整定结果,优化滑模控制器的控制效果,提高桥式吊车作业安全。
Description
技术领域
本发明属于参数整定领域,尤其涉及一种滑模控制器参数整定方法、装置以及存储介质。
背景技术
桥式吊车系统常用于各类重工业场地以及港口货物运输,工作时依靠台车悬挂的吊绳将负载牵引到指定位置,整个过程需在快速运送的同时,尽量减少摆动,以提高运送效率和安全水平,利用滑模控制器实现上述目的,但是滑模控制器的参数多,多数依靠人工手动调试,由于滑模控制器的参数之间具有一定的耦合性,导致参数调节过程复杂,控制效果较差,一些通过现有的优化算法对滑模控制器进行参数整定,现有的优化算法存在容易陷入局部最优解,导致参数整定结果欠佳。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种滑模控制器参数整定方法,能够优化参数整定结果,并提高控制效果。
根据本发明的第一方面实施例的滑模控制器参数整定方法,包括以下步骤:预设目标函数、最大迭代次数以及果蝇个体数量;获取滑模控制器的若干参数数据组并将所述参数数据组作为果蝇个体的若干个搜索维度;获取果蝇个体初始位置坐标、果蝇个体更新位置坐标、最优果蝇个体位置坐标以及随机搜索向量并根据果蝇个体初始位置坐标、果蝇个体更新位置坐标、最优果蝇个体位置坐标以及随机搜索向量获取当代的果蝇个体更新位置坐标;根据当代的每个果蝇个体更新位置坐标获取每个果蝇个体的味道浓度判断值;根据每个果蝇个体的味道浓度判断值以及目标函数获取每个果蝇个体的味道浓度值;根据每个果蝇个体的味道浓度值获取最优味道浓度值和最劣味道浓度值;根据最优味道浓度值获取最优味道浓度值对应的最优果蝇个体位置坐标,并根据最劣味道浓度值获取最劣味道浓度值对应的最劣果蝇个体位置坐标;获取质疑因子并根据最优果蝇个体位置坐标、最劣果蝇个体位置坐标以及质疑因子对最优味道浓度值进行质疑调节;迭代次数达到最大迭代次数时筛选出最优的果蝇个体,最优的果蝇个体内含的参数数据组判断为最优的所述参数数据组,所述滑模控制器根据最优的所述参数数据组运行。
根据本发明实施例的一种滑模控制器参数整定方法,至少具有如下有益效果:本发明的每个果蝇个体包含一组滑模控制器的参数数据组,果蝇个体包括若干个,在改进的果蝇算法的嗅觉搜索中,根据果蝇个体初始位置坐标、果蝇个体更新位置坐标、最优果蝇个体位置坐标以及随机搜索向量获取当代的果蝇个体更新位置坐标;与现有技术的果蝇算法相比,现有的果蝇算法通过一个随机产生的果蝇个体的搜索距离rand(*)获取当代的果蝇个体更新位置坐标,当果蝇个体位置较大,而rand(*)的变化较小时,容易陷入局部最优解或出现早熟现象,本发明通过果蝇个体更新位置坐标、最优果蝇个体位置坐标以及随机搜索向量获取当代的果蝇个体更新位置坐标,能够提高全局搜索能力,跳出局部最优解的能力增强,且在果蝇算法的视觉搜索中加入了质疑调节,能够对当代的最优果蝇个体进行质疑,同样能够提高全局搜索能力,在迭代完成后,能够获取全局最优的果蝇个体,能够优化参数整定的结果,筛选出最优的果蝇个体,滑模控制器依据最优的果蝇个体所包含的参数数据组运行,能够优化滑模控制器的控制效果,能够减少桥式吊车的摆动,提高作业安全。
根据本发明的一些实施例,所述当代的果蝇个体更新位置坐标的计算公式为:
其中,i为第i个果蝇个体,(Xi,G,Yi,G)为当代的果蝇个体更新位置坐标,(Xaxis,Yaxis)为果蝇个体初始位置坐标,(Xi,G-1,Yi,G-1)为果蝇个体更新位置坐标,(Xbest,Ybest)为最优果蝇个体位置坐标,L(β)为随机搜索向量。
根据本发明的一些实施例,所述随机搜索向量的计算公式为:
其中,μ和v无实际意义,为了方便计算而单独提出。
根据本发明的一些实施例,迭代次数为1时,果蝇个体初始位置坐标(Xaxis,Yaxis)、果蝇个体更新位置坐标(Xi,G-1,Yi,G-1)以及最优果蝇个体位置坐标(Xbest,Ybest)的坐标值均为随机数,所述随机数的范围为(0,1);迭代次数大于1时,果蝇个体初始位置坐标(Xaxis,Yaxis)为前一代的果蝇个体初始位置坐标,果蝇个体更新位置坐标(Xi,G-1,Yi,G-1)为前一代的果蝇个体更新位置坐标,最优果蝇个体位置坐标(Xbest,Ybest)为前一代最优果蝇个体位置坐标。
根据本发明的一些实施例,所述根据当代的每个果蝇个体更新位置坐标获取每个果蝇个体的味道浓度判断值的计算公式为:
其中,(Xi,G,Yi,G)为当代的果蝇个体的更新位置坐标,Disti为当前果蝇个体位置与原点的距离,Si为味道浓度判断值。
根据本发明的一些实施例,所述根据每个果蝇个体的味道浓度判断值以及目标函数获取每个果蝇个体的味道浓度值的计算公式为:
Smelli=fitness(Si),其中Smelli为果蝇个体的味道浓度值,fitness(Si)为预设的目标函数,Sj为味道浓度判断值。
根据本发明的一些实施例,所述根据最优味道浓度值获取最优味道浓度值对应的最优果蝇个体位置坐标的计算公式为:
[bestSmelli,bestIndex]=min(Smelli),其中,min(Smelli)为果蝇个体的最小味道浓度值,bestSmelli为最优味道浓度值,bestIndex为最优果蝇个体,通过所述最优果蝇个体可确定最优果蝇个体的X轴坐标Xbest以及最优果蝇个体的Y轴坐标Ybest;
所述根据最劣味道浓度值获取最劣味道浓度值对应的最劣果蝇个体位置坐标的计算公式为:
[worstSmelli,worstIndex]=max(Smelli),其中,max(Smelli)为果蝇个体的最大味道浓度值,worstSmelli为最劣味道浓度值,worstIndex为最劣果蝇个体,通过所述最劣果蝇个体可确定最劣果蝇个体的X轴坐标Xworst以及最劣果蝇个体的Y轴坐标Yworst。
根据本发明的一些实施例,所述获取质疑因子并根据最优果蝇个体位置坐标、最劣果蝇个体位置坐标以及质疑因子对最优味道浓度值进行质疑调节的计算公式为:
其中,(Xaxis,Yaxis)为果蝇个体初始位置坐标,τ为质疑因子,Xbest为最优果蝇个体位置的X轴坐标,Xworst为最劣果蝇个体位置的X轴坐标,Ybest为最优果蝇个体位置的Y轴坐标,Yworst为最劣果蝇个体位置的Y轴坐标;
质疑因子的计算公式为:
根据本发明的第二方面实施例的参数整定装置,包括:至少一个处理器和用于与所述处理器通信连接的存储器;所述存储器存储可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述处理器能够执行如上所述的滑模控制器参数整定方法。
根据本发明的第三方面实施例的计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如上所述的滑模控制器参数整定方法。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例的滑模控制器参数整定方法的流程图。
图2为本发明实施例的滑模控制器参数整定方法的另一流程图。
图3为本发明的质疑因子自适应变化的示意图。
图4为本发明的参数整定装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下、前、后、外、内等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
为了对本发明的技术特征、目的和效果有更加清晰的理解,先对照附图详细说明本发明的具体实施方式。
请参考图1,本发明提供一种滑模控制器参数整定方法,包括以下步骤:
步骤S100,预设目标函数、最大迭代次数以及果蝇个体数量;
步骤S200,获取滑模控制器的若干参数数据组并将参数数据组作为果蝇个体的若干个搜索维度;
步骤S300,获取果蝇个体初始位置坐标、果蝇个体更新位置坐标、最优果蝇个体位置坐标以及随机搜索向量,并根据果蝇个体初始位置坐标、果蝇个体更新位置坐标、最优果蝇个体位置坐标以及随机搜索向量获取当代的果蝇个体更新位置坐标;
步骤S400,根据当代的每个果蝇个体更新位置坐标获取每个果蝇个体的味道浓度判断值;
步骤S500,根据每个果蝇个体的味道浓度判断值以及目标函数获取每个果蝇个体的味道浓度值;
步骤S600,根据果蝇个体的味道浓度值获取最优味道浓度值和最劣味道浓度值;
步骤S700,根据最优味道浓度值获取最优味道浓度值对应的最优果蝇个体位置坐标,并根据最劣味道浓度值获取最劣味道浓度值对应的最劣果蝇个体位置坐标;
步骤S800,获取质疑因子并根据最优果蝇个体位置坐标、最劣果蝇个体位置坐标以及质疑因子对最优味道浓度值进行质疑调节;
步骤S900,迭代次数达到最大迭代次数时筛选出最优的果蝇个体,最优的果蝇个体内含的参数数据组判断为最优的参数数据组,滑模控制器根据最优的参数数据组运行。
其中,一个果蝇个体的本身的搜索维度即待优化的滑模控制器的若干参数数据组。通过筛选最优的果蝇个体而获取最优的参数数据组,滑模控制器能够依据最优的参数数据组运行,能够优化滑模控制器的控制效果。果蝇个体的数量与最大迭代次数均为预先设定,可依据参数数据组所包含的参数个数,进行果蝇个体的数量与最大迭代次数的设定。
根据本发明实施例的滑模控制器参数整定方法,每个果蝇个体包含一组滑模控制器的参数数据组,果蝇个体包括若干个,在改进的果蝇算法的嗅觉搜索中,根据果蝇个体初始位置坐标、果蝇个体更新位置坐标、最优果蝇个体位置坐标以及随机搜索向量获取当代的果蝇个体更新位置坐标;与现有技术的果蝇算法相比,现有的果蝇算法通过一个随机产生的果蝇个体的搜索距离rand(*)获取当代的果蝇个体更新位置坐标,当果蝇个体位置较大,而rand(*)的变化较小时,容易陷入局部最优解或出现早熟现象,本发明通过果蝇个体更新位置坐标、最优果蝇个体位置坐标以及随机搜索向量获取当代的果蝇个体更新位置坐标,能够提高全局搜索能力,跳出局部最优解的能力增强,且在果蝇算法的视觉搜索中加入了质疑调节,能够对当代的最优果蝇个体进行质疑,同样能够提高全局搜索能力,在迭代完成后,能够获取全局最优的果蝇个体,能够优化参数整定的结果,筛选出最优的果蝇个体,滑模控制器依据最优的果蝇个体所包含的参数数据组运行,能够优化滑模控制器的控制效果,能够减少桥式吊车的摆动,提高作业安全。
其中,滑模控制器的参数数据组包括第二级位移滑模面中的权重系数、第二级摆角滑模面中的权重系数、第一级位移滑模面中的权重系数、第一级摆角滑模面中的权重系数、滑模的切换系数以及滑模的权重系数,第二级位移滑模面中的权重系数、第二级摆角滑模面中的权重系数、第一级位移滑模面中的权重系数、第一级摆角滑模面中的权重系数、滑模的切换系数以及滑模的权重系数为一组,一个果蝇个体中包含第二级位移滑模面中的权重系数、第二级摆角滑模面中的权重系数、第一级位移滑模面中的权重系数、第一级摆角滑模面中的权重系数、滑模的切换系数以及滑模的权重系数等的六个参数,通过改进的果蝇算法从若干的果蝇个体中筛选出最优的果蝇个体,最优的果蝇个体内含的参数数据组判断为最优的参数数据组,滑模控制器根据最优的参数数据组运行,滑模控制器根据最优的参数数据组运行并控制实现桥式吊车系统在定位和摆角上的稳定,以提高桥式吊车的安全性能。可以理解的是,需要对其他设备的参数整定时,也能够使用本发明实施例的参数整定方法,以获取全局最优解,并提高设备的使用效果。
具体地,现有的果蝇算法的计算过程主要包括两个步骤:(1)嗅觉搜索,果蝇个体利用灵敏的嗅觉搜索空气中的气味;(2)视觉搜索,果蝇群体依靠其敏悦的视觉发现食物的具体位置,并飞向食物。
现有的果蝇算法中,在嗅觉搜索的过程中,当代的果蝇个体更新位置坐标的计算公式为:
Xi=Xaxis+rand(*),i=1,2,....,n
Yi=Yaxis+rand(*),i=1,2,....,n
式中:i表示第i个果蝇个体,Xaxis表示果蝇种群初始X位置,Yaxis表示果蝇种群初始Y位置,rand(*)表示随机产生果蝇个体的搜索距离。现有的果蝇算法中的rand(*)的变化较小,致使果蝇算法容易陷入局部最优解或出现早熟现象。
在本发明的一些实施例中,当代的果蝇个体更新位置坐标的计算公式为:
其中,i为第i个果蝇个体,(Xi,G,Yi,G)为当代的果蝇个体更新位置坐标,(Xaxis,Yaxis)为果蝇个体初始位置坐标,(Xi,G-1,Yi,G-1)为果蝇个体更新位置坐标,(Xbest,Ybest)为最优果蝇个体位置坐标,L(β)为随机搜索向量。
随机搜索向量L(β)的计算公式为:
其中,在本实施例中,β取1.5。
具体地,在本实施例中,当代的果蝇个体更新位置坐标的计算公式中引入了果蝇个体更新位置坐标(Xi,G-1,Yi,G-1)、最优果蝇个体位置坐标(Xbest,Ybest)以及L(β)为随机搜索向量,与现有的当代的果蝇个体更新位置坐标的计算公式相比,能够扩大搜索范围,使得本发明实施例的果蝇算法全局搜索能力提高,跳出局部最优解的能力增强,有助于搜索全局最优解,能够优化参数整定的结果,优化滑模控制器的控制效果,能够减少桥式吊车的摆动,提高作业安全。
当迭代次数为1时,果蝇个体初始位置坐标(Xaxis,Yaxis)、果蝇个体更新位置坐标(Xi,G-1,Yi,G-1)以及最优果蝇个体位置坐标(Xbest,Ybest)的坐标值均为随机数,随机数的范围为(0,1),可根据计算需要进行相应设置;迭代次数大于1时,果蝇个体初始位置坐标(Xaxis,Yaxis)为前一代的果蝇个体初始位置坐标,果蝇个体更新位置坐标(Xi,G-1,Yi,G-1)为前一代的果蝇个体更新位置坐标,最优果蝇个体位置坐标(Xbest,Ybest)为前一代最优果蝇个体位置坐标。具体地,迭代次数为第一次时,由于并无前一代迭代的相关数据,因此,在迭代次数为1时,果蝇个体初始位置坐标(Xaxis,Yaxis)、果蝇个体更新位置坐标(Xi,G-1,Yi,G-1)以及最优果蝇个体位置坐标(Xbest,Ybest)的X轴坐标值和Y轴坐标值均设置为随机数,而在后续的迭代中,果蝇个体初始位置坐标(Xaxis,Yaxis)、果蝇个体更新位置坐标(Xi,G-1,Yi,G-1)以及最优果蝇个体位置坐标(Xbest,Ybest)的X轴坐标值和Y轴坐标值均采用上一次迭代的相关结果,即当前迭代次数为3时,果蝇个体初始位置坐标为第二次迭代获得的果蝇个体初始位置坐标(Xaxis,Yaxis),果蝇个体更新位置坐标为第二次迭代获得的果蝇个体更新位置坐标(Xi,G-1,Yi,G-1),最优果蝇个体位置坐标为第二次迭代获得的最优果蝇个体位置坐标(Xbest,Ybest)。
在本发明的一些实施例中,根据当代的每个果蝇个体更新位置坐标获取每个果蝇个体的味道浓度判断值的计算公式为:
其中,(Xi,G,Yi,G)为当代的果蝇个体的更新位置坐标,Disti为当前果蝇个体位置与原点的距离,Sj为味道浓度判断值。具体地,在获得当代的果蝇个体更新位置坐标后,获取味道浓度判断值,根据味道浓度判断值进行后续的计算。
在本发明的一些实施例中,根据每个果蝇个体的味道浓度判断值以及目标函数获取每个果蝇个体的味道浓度值的计算公式为:
Smelli=fitness(Si),其中Smelli为果蝇个体的味道浓度值(即果蝇个体的适应度值),fitness(Si)为预设的目标函数,Si为味道浓度判断值。具体地,fitness(Si)为预设的目标函数,目标函数能够根据实际控制器类型或模型等进行设定,将获得的味道浓度判断值代入至预设的目标函数中,获取果蝇个体的味道浓度值Smelli,其中Smell1表示在此次迭代中(即当代)第一个果蝇个体的味道浓度值,Smell5表示在此次迭代中(即当代)第五个果蝇个体的味道浓度值,如此类推,在当前迭代中,能够获得与果蝇个体的数量一一对应的味道浓度值,并根据每个味道浓度值获取在当前迭代中,最优味道浓度值和最劣味道浓度值。
请参考图1至图3,在本发明的一些实施例中,根据最优味道浓度值获取最优味道浓度值对应的最优果蝇个体位置坐标的计算公式为:
[bestSmelli,bestIndex]=min(Smelli),其中,min(Smelli)为果蝇个体的最小味道浓度值,bestSmelli为最优味道浓度值,bestIndex为最优果蝇个体,通过最优果蝇个体可确认最优果蝇个体的X轴坐标Xbest以及最优果蝇个体的Y轴坐标Ybest;根据最劣味道浓度值获取最劣味道浓度值对应的最劣果蝇个体位置坐标的计算公式为:[worstSmelli,worstIndex]=max(Smelli),其中,max(Smelli)为果蝇个体的最大味道浓度值,worstSmelli为最劣味道浓度值,worstIndex为最劣果蝇个体,通过最劣果蝇个体可确认最劣果蝇个体的X轴坐标Xworst以及最劣果蝇个体的Y轴坐标Yworst。在本实施例中,设定味道浓度值最小的味道浓度值为最优味道浓度值(对目标函数的影响较小,目标函数稳定),味道浓度值最大的味道浓度值为最劣味道浓度值(对目标函数的影响较小,目标函数稳定)。其中,取果蝇个体的最小味道浓度值为最优的果蝇个体,并记录该果蝇个体的最优味道浓度值以及最优果蝇个体bestIndex,最优果蝇个体bestIndex实际为一个索引,bestIndex能够记录第i个果蝇个体的位置是最优的,通过bestIndex能够确认哪个是最优的果蝇个体并且确定最优果蝇个体的X轴坐标Xbest以及最优果蝇个体的Y轴坐标Ybest,(Xbest,Ybest)即为最优果蝇个体位置坐标,若bestIndex=2,即第2个果蝇个体的位置是最优的,此时获取第2个果蝇个体的位置坐标。取果蝇个体的最大味道浓度值为最劣的果蝇个体,并记录该果蝇个体的最劣味道浓度值以及最劣果蝇个体worstIndex,最劣果蝇个体worstIndex实际也为一个索引,worstIndex能够记录第i个果蝇个体的位置是最劣的,通过worstIndex能够确认哪个是最劣的果蝇个体并且确定最劣果蝇个体的X轴坐标Xworst以及最劣果蝇个体的Y轴坐标Yworst,(Xworst,Yworst)即为最劣果蝇个体位置坐标,若worstIndex=6,即第6个果蝇个体的位置是最劣的,此时获取第6个果蝇个体的位置坐标。并通过最优果蝇个体的X轴坐标Xbest、最优果蝇个体的Y轴坐标Ybest、最优果蝇个体的X轴坐标Xbest、最优果蝇个体的Y轴坐标Ybest以及质疑因子在视觉搜索中进行质疑调节。
在本发明一些实施例中,获取质疑因子并根据最优果蝇个体位置坐标、最劣果蝇个体位置坐标以及质疑因子对最优味道浓度值进行质疑调节的计算公式为:
其中,(Xaxis,Yaxis)为果蝇个体初始位置坐标,τ为质疑因子,Xbest为最优果蝇个体位置的X轴坐标,Xworst为最劣果蝇个体位置的X轴坐标,Ybest为最优果蝇个体位置的Y轴坐标,Yworst为最劣果蝇个体位置的Y轴坐标;
质疑因子的计算公式为:
其中,Gmax为最大迭代次数,G为当前迭代次数。为了使迭代的前期具有良好的全局搜索能力以及减少陷入局部最优的可能性,同时使迭代的后期具有良好的局部寻优以进行精细化搜索,提高收敛精度,质疑因子τ为随着迭代次数而变化的函数,如图3所示,质疑因子τ随着迭代次数的增加而减小,在迭代的前期,质疑因子τ数值较大且递减速率较快,使得质疑调节具有较大的质疑能力,引导当前迭代最优解(即最优果蝇个体位置)向全局最优解(即全局最优果蝇个体位置)进化,在迭代的后期,质疑因子τ逐渐减少到0,此时质疑调节拥有较好的局部开发能力,使得搜索精度得以提高。
现有的果蝇算法中,在视觉搜索的过程中,记录当前迭代的最佳适应度值为:Smellbest=bestSmelli,将最优味道浓度值bestSmelli作为当前迭代的最佳适应度值Smellbest,将最优果蝇个体位置的X轴坐标Xbest作为果蝇个体初始位置X轴坐标Xaxis,将最优果蝇个体位置的Y轴坐标Ybest作为果蝇个体初始位置Y轴坐标Yaxis。在视觉搜索中直接以优果蝇个体位置的X轴坐标Xbest作为果蝇个体初始位置X轴坐标Xaxis,将最优果蝇个体位置的Y轴坐标Ybest作为果蝇个体初始位置Y轴坐标Yaxis,由于在嗅觉搜索中的rand(*)的变化较小,在后续迭代的过程中,容易陷入局部最优解或出现早熟现象,最终筛选的结果并非全局最优的果蝇个体,而是局部最优的果蝇个体,滑模控制器采用局部最优的参数数据组运行时,无法达到最佳的控制效果。
在本实施例中,在视觉搜索的过程中,先将引入质疑概率Pa对当前迭代的最优果蝇个体位置进行质疑调节,即产生一个随机数Pt,其中,随机数Pt的范围为(0,1)。当Pt<Pa时,进行质疑调节,利用最优果蝇个体位置和最劣果蝇个体位置之间的差值,即Xbest-Xworst以及Ybest-Yworst并乘以质疑因子τ作为质疑部分,对当前迭代的最优果蝇个体位置进行质疑。更具体地,当Pt<0.25时,质疑调节过程被触发。在质疑调节完成后获得(Xaxis,Yaxis)作为经质疑后的当前迭代的最优果蝇个体位置,且(Xaxis,Yaxis)作为下一次迭代果蝇个体初始位置坐标,在嗅觉检索中的最优果蝇个体位置坐标(Xbest,Ybest)即为当前迭代未经质疑的最优果蝇个体位置。在本实施例中,有一定的概率(Pt<Pa)对当前迭代的最优果蝇个体位置(Xbest,Ybest)提出质疑,提高了果蝇种群的多样性,能够提高算法的全局搜索能力,并且通过质疑因子能够有效提升果蝇算法的收敛精度。
请参考图2,本发明的滑模控制器参数整定方法的迭代过程如下:设定果蝇种群规模N(即果蝇个体的数量)以及最大迭代次数Gmax,果蝇个体通过嗅觉搜索更新位置(获取更新位置坐标),通过更新位置坐标获取当前果蝇个体位置与原点的距离以及味道浓度判断值,通过味道浓度判断值获取果蝇个体的味道浓度值,判断当前迭代中获取的果蝇个体的味道浓度值Smelli与Smellbest的大小,若Smelli小于Smellbest,则使Smellbest=Smelli后进行质疑调节,产生一个随机数Pt,随机数Pt与质疑概率Pa相比较,若Pt<Pa,则触发质疑调节,对当前迭代最优果蝇个体位置进行质疑调节,果蝇种群通过视觉搜索飞翔味道浓度最高的果蝇个体,若Pt>Pa,则不触发质疑调节,果蝇种群直接通过视觉搜索飞向味道浓度最高的果蝇个体(即最优果蝇个体),当迭代次数大于最大迭代次数后,则筛选出最优果蝇个体,当迭代次数小于最大迭代次数时,则继续进行果蝇嗅觉搜索以及视觉搜索。
具体地,当迭代次数为1时,通过现有的果蝇算法获取Smellbest(当前迭代的最佳适应度值),并将当前迭代获取的Smelli与Smellbest进行比较,若Smelli<Smellbest,则使Smellbest=Smelli;当迭代次数大于1并且小于最大迭代次数时,Smellbest为上一次迭代获取的bestSmelli,当前迭代获取的Smelli与Smellbest进行比较(一般直接通过当前迭代的最优味道浓度值bestSmelli与上一次迭代获取的bestSmelli相比较,无需逐一对比),若Smelli<Smellbest,则使Smellbest=Smelli,实际上,即将Smellbest替换为当前迭代的最优味道浓度值bestSmelli。
请参考图4,本发明实施例还提供了一种参数整定装置,该参数整定装置可以是任意类型的智能终端,如手机、平板电脑、个人计算机等。
进一步地,参数整定装置包括:一个或多个处理器和用于与处理器通信连接的存储器。其中图4中以一个处理器为例。处理器和存储器可以通过总线或其他方式连接,图4以通过总线连接为例。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序,如本发明实施例中的参数整定装置对应的程序指令。处理器通过运行存储在存储器中的非暂态软件程序以及指令,从而实现上述的滑模控制器参数整定方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储上述滑模控制器参数整定方法的相关数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该参数整定装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本发明的第三方面,提供了计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器执行,例如,被一个处理器执行,可使得上述一个或多个处理器执行上述滑模控制器参数整定方法。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在所述技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (10)
1.一种滑模控制器参数整定方法,其特征在于,包括以下步骤:
预设目标函数、最大迭代次数以及果蝇个体数量;
获取滑模控制器的若干参数数据组并将所述参数数据组作为果蝇个体的若干个搜索维度;
获取果蝇个体初始位置坐标、果蝇个体更新位置坐标、最优果蝇个体位置坐标以及随机搜索向量,并根据果蝇个体初始位置坐标、果蝇个体更新位置坐标、最优果蝇个体位置坐标以及随机搜索向量获取当代的果蝇个体更新位置坐标;
根据当代的每个果蝇个体更新位置坐标获取每个果蝇个体的味道浓度判断值;
根据每个果蝇个体的味道浓度判断值以及目标函数获取每个果蝇个体的味道浓度值;
根据每个果蝇个体的味道浓度值获取最优味道浓度值和最劣味道浓度值;
根据最优味道浓度值获取最优味道浓度值对应的最优果蝇个体位置坐标,并根据最劣味道浓度值获取最劣味道浓度值对应的最劣果蝇个体位置坐标;
获取质疑因子并根据最优果蝇个体位置坐标、最劣果蝇个体位置坐标以及质疑因子对最优味道浓度值进行质疑调节;
迭代次数达到最大迭代次数时筛选出最优的果蝇个体,最优的果蝇个体内含的参数数据组判断为最优的所述参数数据组,所述滑模控制器根据最优的所述参数数据组运行控制。
4.如权利要求2所述的滑模控制器参数整定方法,其特征在于,迭代次数为1时,果蝇个体初始位置坐标(Xaxis,Yaxis)、果蝇个体更新位置坐标(Xi,G-1,Yi,G-1)以及最优果蝇个体位置坐标(Xbest,Ybest)的坐标值均为随机数,所述随机数的范围为(0,1);迭代次数大于1时,果蝇个体初始位置坐标(Xaxis,Yaxis)为前一代的果蝇个体初始位置坐标,果蝇个体更新位置坐标(Xi,G-1,Yi,G-1)为前一代的果蝇个体更新位置坐标,最优果蝇个体位置坐标(Xbest,Ybest)为前一代最优果蝇个体位置坐标。
6.如权利要求1所述的滑模控制器参数整定方法,其特征在于,所述根据每个果蝇个体的味道浓度判断值以及目标函数获取每个果蝇个体的味道浓度值的计算公式为:
Smelli=fitness(Si),其中Smelli为果蝇个体的味道浓度值,fitness(Si)为预设的目标函数,Si为味道浓度判断值。
7.如权利要求6所述的滑模控制器参数整定方法,其特征在于,所述根据最优味道浓度值获取最优味道浓度值对应的最优果蝇个体位置坐标的计算公式为:
[bestSmelli,bestIndex]=min(Smelli),其中,min(Smelli)为果蝇个体的最小味道浓度值,bestSmelli为最优味道浓度值,bestIndex为最优果蝇个体,通过所述最优果蝇个体可确定最优果蝇个体的X轴坐标Xbest以及最优果蝇个体的Y轴坐标Ybest;
所述根据最劣味道浓度值获取最劣味道浓度值对应的最劣果蝇个体位置坐标的计算公式为:
[worstSmelli,worstIndex]=max(Smelli),其中,max(Smelli)为果蝇个体的最大味道浓度值,worstSmelli为最劣味道浓度值,worstIndex为最劣果蝇个体,通过所述最劣果蝇个体可确定最劣果蝇个体的X轴坐标Xworst以及最劣果蝇个体的Y轴坐标Yworst。
9.一种参数整定装置,其特征在于,包括:
至少一个处理器和用于与所述处理器通信连接的存储器;所述存储器存储可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述处理器能够执行如权利要求1-8任一项所述的滑模控制器参数整定方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1-8任一项所述的滑模控制器参数整定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010894153.0A CN112051740A (zh) | 2020-08-31 | 2020-08-31 | 滑模控制器参数整定方法、参数整定装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010894153.0A CN112051740A (zh) | 2020-08-31 | 2020-08-31 | 滑模控制器参数整定方法、参数整定装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112051740A true CN112051740A (zh) | 2020-12-08 |
Family
ID=73607614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010894153.0A Pending CN112051740A (zh) | 2020-08-31 | 2020-08-31 | 滑模控制器参数整定方法、参数整定装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112051740A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105643157A (zh) * | 2016-03-02 | 2016-06-08 | 湘潭大学 | 基于修正型果蝇算法优化grnn的大梁自动焊障碍预测方法 |
CN106315414A (zh) * | 2016-03-30 | 2017-01-11 | 南开大学 | 基于滑模面的桥式吊车控制方法 |
CN106647267A (zh) * | 2016-12-15 | 2017-05-10 | 山东大学 | 带有不确定动力学的吊车有限时间轨迹跟踪控制器及方法 |
CN107271840A (zh) * | 2017-03-23 | 2017-10-20 | 广西电网有限责任公司电力科学研究院 | 一种基于lfoa的配电网故障区段定位方法 |
CN107367937A (zh) * | 2017-08-07 | 2017-11-21 | 陕西科技大学 | 一种基于自适应果蝇优化算法的pid参数优化方法 |
CN108303883A (zh) * | 2018-01-22 | 2018-07-20 | 五邑大学 | 基于一阶动态滑模变结构的桥吊防摆方法 |
CN108427280A (zh) * | 2018-03-21 | 2018-08-21 | 南京邮电大学 | 一种基于滑模控制理论的桥式吊车防摆控制方法 |
CN108594654A (zh) * | 2018-03-21 | 2018-09-28 | 南京邮电大学 | 一种基于二型模糊滑模的桥式吊车防摆控制方法 |
CN110221539A (zh) * | 2019-05-17 | 2019-09-10 | 江苏理工学院 | 基于线性扩张观测器的四旋翼非奇异终端滑模控制方法 |
CN110526124A (zh) * | 2019-08-30 | 2019-12-03 | 五邑大学 | 一种基于滑模面的桥吊防摆方法、装置、设备及存储介质 |
CN110647038A (zh) * | 2019-09-30 | 2020-01-03 | 五邑大学 | 一种桥吊滑模控制参数优化方法、装置、设备及存储介质 |
-
2020
- 2020-08-31 CN CN202010894153.0A patent/CN112051740A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105643157A (zh) * | 2016-03-02 | 2016-06-08 | 湘潭大学 | 基于修正型果蝇算法优化grnn的大梁自动焊障碍预测方法 |
CN106315414A (zh) * | 2016-03-30 | 2017-01-11 | 南开大学 | 基于滑模面的桥式吊车控制方法 |
CN106647267A (zh) * | 2016-12-15 | 2017-05-10 | 山东大学 | 带有不确定动力学的吊车有限时间轨迹跟踪控制器及方法 |
CN107271840A (zh) * | 2017-03-23 | 2017-10-20 | 广西电网有限责任公司电力科学研究院 | 一种基于lfoa的配电网故障区段定位方法 |
CN107367937A (zh) * | 2017-08-07 | 2017-11-21 | 陕西科技大学 | 一种基于自适应果蝇优化算法的pid参数优化方法 |
CN108303883A (zh) * | 2018-01-22 | 2018-07-20 | 五邑大学 | 基于一阶动态滑模变结构的桥吊防摆方法 |
CN108427280A (zh) * | 2018-03-21 | 2018-08-21 | 南京邮电大学 | 一种基于滑模控制理论的桥式吊车防摆控制方法 |
CN108594654A (zh) * | 2018-03-21 | 2018-09-28 | 南京邮电大学 | 一种基于二型模糊滑模的桥式吊车防摆控制方法 |
CN110221539A (zh) * | 2019-05-17 | 2019-09-10 | 江苏理工学院 | 基于线性扩张观测器的四旋翼非奇异终端滑模控制方法 |
CN110526124A (zh) * | 2019-08-30 | 2019-12-03 | 五邑大学 | 一种基于滑模面的桥吊防摆方法、装置、设备及存储介质 |
CN110647038A (zh) * | 2019-09-30 | 2020-01-03 | 五邑大学 | 一种桥吊滑模控制参数优化方法、装置、设备及存储介质 |
Non-Patent Citations (5)
Title |
---|
周昌等: "基于二维动态滑模变结构的桥吊防摆定位控制策略与方法", 《五邑大学学报(自然科学版)》 * |
戈涛等: "一种新型的改进果蝇优化算法", 《现代计算机》 * |
江效龙等: "基于果蝇优化算法的汽轮机调节系统参数辨识", 《动力工程学报》 * |
王天雷等: "基于ASCP-CS算法的桥式吊车滑模控制器设计", 《湖南大学学报(自然科学版)》 * |
贺淼等: "自适应布谷鸟搜索算法", 《计算机与应用化学》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108776483B (zh) | 基于蚁群算法和多智能体q学习的agv路径规划方法和系统 | |
CN112461247B (zh) | 一种基于自适应麻雀搜索算法的机器人路径规划方法 | |
CN109765893B (zh) | 基于鲸鱼优化算法的移动机器人路径规划方法 | |
CN107272679B (zh) | 基于改进的蚁群算法的路径规划方法 | |
KR102621640B1 (ko) | 자동화된 의사 결정을 위한 방법 및 장치 | |
KR102336295B1 (ko) | 적응적 프루닝 및 가중치 공유를 사용하는 컨볼루션 신경망 시스템 및 그것의 동작 방법 | |
CN110930182A (zh) | 基于改进粒子群优化算法的客户分类方法及装置 | |
CN111667501A (zh) | 目标跟踪方法、装置、计算设备及存储介质 | |
CN110519816B (zh) | 一种无线漫游控制方法、装置、存储介质及终端设备 | |
CN109903251B (zh) | 果蝇算法和杜鹃搜索算法串行融合进行图像增强优化的方法 | |
CN116341605A (zh) | 一种基于反向学习策略的灰狼算法混合优化方法 | |
CN112051740A (zh) | 滑模控制器参数整定方法、参数整定装置及存储介质 | |
CN114547964A (zh) | 基于改进hho优化delm的脱丁烷塔软测量建模方法 | |
CN110505293B (zh) | 一种雾无线接入网中基于改进的果蝇优化算法的协作缓存方法 | |
CN112612275A (zh) | 一种数据库机房复杂路径规划系统及其规划方法 | |
CN116261149A (zh) | 一种无线传感器网络中传感器节点的部署方法及系统 | |
CN113721655B (zh) | 一种控制周期自适应的强化学习无人机稳定飞行控制方法 | |
KR102638902B1 (ko) | 스마트팜의 작물 생산량 조절을 위한 의사 결정 지원 장치 및 방법 | |
CN107526438B (zh) | 根据举手动作进行跟踪录播的方法、装置及存储装置 | |
CN112101655B (zh) | 萤火虫算法在路径规划应用中的种群动态调节策略与实现 | |
KR102103644B1 (ko) | 연속 행동 공간 제어를 위한 적응형 다중-배치 경험 리플레이 기법 | |
CN108280209A (zh) | 一种基于烟花算法的图像检索方法和系统 | |
CN113743002A (zh) | 基于对数型收敛因子与聚合势能的鲸鱼优化系统及方法 | |
CN113985870A (zh) | 一种基于元强化学习的路径规划方法 | |
CN112529143A (zh) | 一种目标邻居学习粒子群优化方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201208 |