CN115561999B - 一种pi控制器的参数优化方法、装置、设备及介质 - Google Patents
一种pi控制器的参数优化方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115561999B CN115561999B CN202211438958.XA CN202211438958A CN115561999B CN 115561999 B CN115561999 B CN 115561999B CN 202211438958 A CN202211438958 A CN 202211438958A CN 115561999 B CN115561999 B CN 115561999B
- Authority
- CN
- China
- Prior art keywords
- target
- variable
- initial
- variable set
- optimal
- 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.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000013461 design Methods 0.000 claims abstract description 179
- 108090000623 proteins and genes Proteins 0.000 claims description 63
- 230000006870 function Effects 0.000 claims description 41
- 238000005070 sampling Methods 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 13
- 239000013598 vector Substances 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000013178 mathematical model Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 239000003638 chemical reducing agent Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 101150091111 ACAN gene Proteins 0.000 description 1
- 240000000736 Amomum maximum Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003313 weakening effect 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
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种PI控制器的参数优化方法、装置、设备及介质。该方法包括:获取比例积分PI控制器参数优化任务所对应的目标设计问题;依据目标设计问题中的纵向控制类型建立目标PI控制器对应的目标纵向控制系统模型;依据所述目标纵向控制系统模型及纵向控制类型约束所述目标设计变量的范围,获取所述目标设计变量的数值限度,并依据所述数值限度获取各初始变量数值,生成初始变量集;将所述初始变量集输入至预先建立的包含目标偏好的基于帕累托最优的多目标决策模型中,获取目标PI控制器中各目标设计变量对应的最优变量解。通过本发明的技术方案,能够快速且准确地生成PI控制器的优化参数值,提高了PI控制器的优化效率。
Description
技术领域
本发明涉及自动驾驶工程算法技术领域,尤其涉及一种PI控制器的参数优化方法、装置、设备及介质。
背景技术
随着自动驾驶领域的逐渐发展,如何及时有效地对车辆中的比例积分(Proportional Integral,PI)控制器进行优化,提升车辆纵向控制的稳定性变得越为重要。
由于自动驾驶领域的PI控制器中存在多目标及多参数优化的问题,现有技术中通常采用人工整定方法、进化算法、蚁群算法及粒子群优化等,实现PI控制器中多目标的参数优化。
然而,人工整定的方法需要依靠工作人员的个人经验对PI控制器中的参数进行调整,无法保证PI控制器的准确率,且降低了PI控制器的参数优化效率。蚁群算法(AntColony Optimization,ACO) 难以在迁移和优化方面做出正确的选择,并且搜索时间较长,容易出现停滞以及容易陷入局部最优。粒子群优化(Particle Swarm Optimization,PSO)的计算量很大,降低了PI控制器的优化效率。进化算法(Evolutionary Algorithms,EA) 不能总是保持良好的准确性,即突变过程并不一定会向着更好的方向进行,降低了PI控制器的准确率。因此,如何解决PI控制器优化过程中的多目标多参数优化问题,能够快速且准确地生成PI控制器的优化参数值,提高PI控制器的优化效率,是目前亟待解决的问题。
发明内容
本发明提供了一种PI控制器的参数优化方法、装置、设备及介质,可以解决PI控制器的优化效率及准确率较低的问题。
根据本发明的一方面,提供了一种PI控制器的参数优化方法,包括:
获取比例积分PI控制器参数优化任务所对应的目标设计问题;其中,目标设计问题包括纵向控制类型、目标设计变量;
依据目标设计问题中的纵向控制类型建立目标PI控制器对应的目标纵向控制系统模型;
依据所述目标纵向控制系统模型及纵向控制类型约束所述目标设计变量的范围,获取所述目标设计变量的数值限度,并依据所述数值限度获取各初始变量数值,生成初始变量集;
将所述初始变量集输入至预先建立的包含目标偏好的基于帕累托最优的多目标决策模型中,获取目标PI控制器中各目标设计变量对应的最优变量解。
根据本发明的另一方面,提供了一种PI控制器的参数优化装置,包括:
设计问题获取模块,用于获取比例积分PI控制器参数优化任务所对应的目标设计问题;其中,目标设计问题包括纵向控制类型、目标设计变量;
第一模型构建模块,用于依据目标设计问题中的纵向控制类型建立目标PI控制器对应的目标纵向控制系统模型;
变量集生成模块,用于依据所述目标纵向控制系统模型及纵向控制类型约束所述目标设计变量的范围,获取所述目标设计变量的数值限度,并依据所述数值限度获取各初始变量数值,生成初始变量集;
最优变量解生成模块,用于将所述初始变量集输入至预先建立的包含目标偏好的基于帕累托最优的多目标决策模型中,获取目标PI控制器中各目标设计变量对应的最优变量解。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的PI控制器的参数优化方法。
根据本发明的另一方面,提供了一种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指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的PI控制器的参数优化方法。
本发明实施例的技术方案,通过依据PI控制器参数优化任务所对应的目标设计问题中的纵向控制类型建立目标PI控制器对应的目标纵向控制系统模型;并依据目标纵向控制系统模型及纵向控制类型约束目标设计变量的范围,获取目标设计变量的数值限度,进而,依据数值限度获取各初始变量数值,生成初始变量集;最终,将初始变量集输入至预先建立的包含目标偏好的基于帕累托最优的多目标决策模型中,获取目标PI控制器中各目标设计变量对应的最优变量解,解决了PI控制器优化过程中的多目标多参数优化问题,能够快速且准确地生成PI控制器的优化参数值,提高PI控制器的优化效率。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明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发明的一些实施例,对于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是根据本发明实施例一提供的一种PI控制器的参数优化方法的流程图;
图2是根据本发明实施例一提供的一种纵向控制系统的数学模型结构示意图;
图3是根据本发明实施例二提供的一种PI控制器的参数优化方法的流程图;
图4是根据本发明实施例二提供的一种可选的PI控制器的参数优化方法的流程图;
图5是根据本发明实施例二提供的一种精英基因种群生成方法的流程图;
图6是根据本发明实施例三提供的一种PI控制器的参数优化装置的结构示意图;
图7是实现本发明实施例的PI控制器的参数优化方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,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的实施例,而不是全部的实施例。基于本发明中的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“目标”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种PI控制器的参数优化方法的流程图,本实施例可适用于对PI控制器优化过程中的多目标多参数进行决策的情况,该方法可以由PI控制器的参数优化装置来执行,该PI控制器的参数优化装置可以采用硬件和/或软件的形式实现,该PI控制器的参数优化装置可配置于电子设备中。如图1所示,该方法包括:
S110、获取比例积分PI控制器参数优化任务所对应的目标设计问题;其中,目标设计问题包括纵向控制类型、目标设计变量。
其中,PI控制器参数优化任务可以指对PI控制器进行参数优化的任务。示例性的,可以为调整PI控制器的增益。目标设计问题可以指实现PI控制器参数优化任务所要解决的问题。示例性的,可以指为PI控制器选择合适的比例增益(
k P )和积分增益(
k I )。纵向控制类型可以指沿车辆纵轴方向施加的控制类型,可以包括减速度和加速度。目标设计变量可以指目标设计问题中需要决策的变量。示例性的,可以为
k P 和
k I 。
S120、依据目标设计问题中的纵向控制类型建立目标PI控制器对应的目标纵向控制系统模型。
其中,目标PI控制器可以指应用于车辆纵向控制系统中的PI控制器。目标纵向控制系统模型可以指包含目标PI控制器的控制系统数学模型。
如图2所示为本发明实施例提供的纵向控制系统的数学模型结构示意图。其中,r(t)可以表示输入信号,t可以表示时间点,y(t)可以表示输出信号。
G(
s)为植物传递函数,可以指被控对象被建模为连续时间的一阶线性系统,具体可以表示为:。在纵向控制系统中,数模转换器建模为零阶保持器:,其中,
T可以表示采样周期。在采样周期
T = 10ms的情况下,零阶保持器与被控对象
G(
s)耦合的脉冲传递函数为:
,则应用了PI控制器的纵向控制系统应具有如下脉冲传递方程:,其中,积分增益
k I
>0,比例增益
k P
>0。相应的,纵向控制系统的开环传递函数可以为: 。
值得注意的是,纵向控制类型不同目标PI控制器对应的目标纵向控制系统模型是不同的, 因此,可以根据纵向控制类型在上述应用了PI控制器的纵向控制系统的数学模型中修改目标纵向控制系统的数学模型,进而得到使用目标PI控制器的目标纵向控制系统的开环传递函数。
S130、依据所述目标纵向控制系统模型及纵向控制类型约束所述目标设计变量的范围,获取所述目标设计变量的数值限度,并依据所述数值限度获取各初始变量数值,生成初始变量集。
其中,数值限度可以指目标设计变量的上限值及下限值。值得注意的是,不同纵向控制类型下的目标设计变量其数值限度通常是不同的。示例性的,可以根据目标纵向控制系统模型的指标性能结果筛选目标设计变量的数值限度。初始变量数值可以指初步获取的目标设计变量的参数值。初始变量集可以指各初始变量数值组成的集合。
在一个可选的实施方式中,依据所述目标纵向控制系统模型及纵向控制类型约束所述目标设计变量的范围,获取所述目标设计变量的数值限度,可以包括:依据所述纵向控制类型建立目标设计变量的初始限度;将所述初始限度引入至目标纵向控制系统模型,获取初始限度中各设计变量数值对应的指标性能结果;将满足稳定性条件的目标指标性能结果所对应的设计变量数值集合,生成目标设计变量的数值限度。
其中,初始限度可以指纵向控制类型下目标设计变量的初始数值范围。指标性能结果可以指设计变量数值作用下目标纵向控制系统模型对应的性能结果数据。示例性的,指标性能结果可以包括闭环最大极值点、增益裕度、相位裕度、上升时间、峰值时间、最大超调量、最大欠冲量、沉降时间和稳态误差等,本发明实施例对此不进行限制。稳定性条件可以指满足目标纵向控制系统模型最低要求的或者使目标纵向控制系统模型不发散的条件。目标指标性能结果可以指满足稳定性条件时对应的指标性能结果。示例性的,在本发明实施例中,可以将满足稳定性条件时的所有闭环最大极值点作为目标指标性能结果。
具体的,假设目标设计变量
k P 和
k I 的初始限度均为[0,2],将
k P 和
k I 的初始限度均[0,2]引入至目标纵向控制系统模型,获取初始限度中各设计变量数值对应的指标性能结果,当目标纵向控制系统模型满足稳定性条件时,获取对应的闭环最大极值点,并获取该闭环最大极值点对应的
k P 和
k I ,由此,在确定出满足稳定性条件时的所有闭环最大极值点后,即可以生成
k P 的数值限度[0, 1.316]和
k I 的数值限度[0,0.616]。由此,可以大大地减少后续操作的计算量,提高了后续操作的准确性。
在一个可选的实施方式中,依据所述数值限度获取各初始变量数值,生成初始变量集,可以包括:依据预设抽样方法在所述数值限度中执行抽样操作,得到各初始变量数值,并将各初始变量数值集合生成初始变量集。
其中,预设抽样方法可以指预先设定的抽样方法,示例性的,可以为全析因抽样、拉丁超立方抽样或Sobol抽样等。
值得注意的是,为保证抽样结果的准确性,本发明实施例分别利用各抽样方法进行数据抽样,并在依据空间填充指标对各抽样方法得到的结果进行评估后,得出Sobol抽样方法的空间填充指标为30.9592;拉丁超立方抽样方法的空间填充指标为69.6295;全析因抽样方法的空间填充指标为40.4239。因此,在本发明实施例中,为使得抽样结果的空间填充指标较低,保证抽样结果的空间填充性能,优选Sobol抽样作为预设抽样方法。由此,可以在更加合理的范围内进行变量数值的初始化,且使得变量数值的分布更加均匀,为后续最优变量解的决策操作提供有效的基础。
S140、将所述初始变量集输入至预先建立的包含目标偏好的基于帕累托最优的多目标决策模型中,获取目标PI控制器中各目标设计变量对应的最优变量解。
其中,包含目标偏好的基于帕累托最优的多目标决策模型可以指在经典算法精英非支配排序遗传算法(Elitist Non-dominated Sorting Genetic Algorithms ,NSGA-II)的基础上,使用带有优选性算子的预设分数排名函数替换NSGA-II中的非支配性排序方法,并加入偏好信息后生成的决策模型。最优变量解可以指无法在改进任何目标函数的同时不削弱至少一个其他目标函数时对应的解。示例性的,可以指目标PI控制器中各目标设计变量的最优参数值,即目标PI控制器达到最优性能时所对应的设计变量数值。
在一个可选的实施方式中,在将所述初始变量集输入至预先建立的包含目标偏好的基于帕累托最优的多目标决策模型中之前,还可以包括:依据指标性能计算函数获取初始变量集中各初始目标设计变量数值对应的指标性能结果;依据所述各初始目标设计变量数值对应的指标性能结果分布情况获取包含各指标性能优先级的目标偏好信息;获取各指标性能对应的目标结果及约束条件,并结合所述目标偏好信息建立包含目标偏好的基于帕累托最优的多目标决策模型。
其中,指标性能计算函数可以指计算初始目标设计变量数值的性能的函数。示例性的,可以使用
optimizeSystem函数计算初始目标设计变量数值的性能:,其中,
P可以表示初始变量集,
Z可以表示初始目标设计变量数值的性能。偏好信息可以指实现特定性能水平的预期信息。
其中,目标偏好信息可以指根据预期期望为各指标性能划分的重要程度。示例性的,可以为各指标性能的优先级程度。具体的,可以在各初始目标设计变量数值对应的指标性能结果分布情况中根据各指标性能的重要程度进行目标偏好信息的确定划分。在本发明实施例中,可以将目标偏好信息由高到低分为:硬件条件、高级、中级和低级。
其中,目标结果可以指表现预期指标性能结果方向的标准,即达到最优性能时的性能结果。约束条件可以为指标性能与目标结果间的约束关系。示例性的,可以分为平等约束条件和不平等约束条件。其中,平等约束条件可以表示指标性能必须满足目标结果的条件;不平等约束条件可以为指标性能必须达到最低目标结果的条件。
值得注意的是,各指标性能对应的目标偏好信息中优先级的设定可以通过如下方式进行确定:假设指标性能及对应的目标结果如下所示:a.闭环最大极值点< 1。b.增益裕度≤6dB。c. 相位裕度: [30,60] 。d. 上升时间≤20ms。e. 峰值时间≤100ms。f. 最大超调量≤10%。g. 最大欠冲量≤8%。h. 沉降时间≤200ms。i. 稳态误差≤1%。相应的,目标偏好信息组成的向量,其中,,,为正整数,反映了最高的优先级,在本发明实施例中,即为1-4,共四种。,
M是目标结果的数量,在本发明实施例中即为九个指标性能。
K i 指的是此类目标偏好信息的第
i组,在本发明实施例中目标偏好信息可以分为硬件条件、高级、中级和低级,因此,总共可以分为4组。
k i,j 可以表示第
i个分组中第
j个目标结果的目标偏好信息。将
Z d 设定为满足目标偏好信息向量
K的特定解决方案的指标性能。
Z u 设定为不满足目标偏好信息向量
K的指标性能,
Z i 设定为相对于第
i优先级的目标偏好信息的指标性能。则偏好算子可以定义为:
其中,
u和
v是客观空间中的两个向量,即由两个初始变量集中初始目标设计变量数值评估产生的评分,是弱优势关系。也可以将写成。式中“”是且的意思,“”是或的意思。可以理解的是,上述内容可以理解为:首先,考虑只有最低优先级目标偏好信息的情况,即。目标向量
u优于
v当且仅当:对于
u不满足的目标结果,
u弱支配
v;或者,如果对于这些目标偏好信息,
u和
v在性能上是相等的,那么如果
v不能满足剩余的所有目标结果(即
u能够满足的目标结果),或者在剩余目标结果中,
u弱于
v,则
u优先。在
u满足所有目标结果的情况下,和都将是空集,然后接下来的比较将仅仅取决于
v是否未能满足目标结果或被是否
u弱支配。同理,在的情况,目标向量
u优于
v如果:对于优先级为2的目标结果,当
u不满足目标结果时,
u弱支配
v;或者,如果对于这些目标结果,
u和
v在性能上是相等的,那么如果
v不能满足优先级2的剩余所有目标结果,那么
u是首选的。在
v确实满足这些目标结果的情况下,不再纯粹基于弱优势在这个较高的优先级上做出决策,而是对较低优先级的目标结果进行新的优选性比较。
接上述示例,在本发明实施例中,所有指标性能Z和对应的目标结果G、约束条件及目标偏好信息g可以如下所示:a.闭环最大极值点< 1;硬性条件。b.增益裕度≤6dB;高级。c. 相位裕度: [30,60] ;高级。d. 上升时间≤20ms;中级。e. 峰值时间≤100ms;低级。f.最大超调量≤10%;中级。g. 最大欠冲量≤8%;低级。h. 沉降时间≤200ms;低级。i. 稳态误差≤1%;中级。
相应的,假设目标结果
b-
i分别为,最小化的目标结果表示为,最大闭环极点的约束条件表示为:,同理,相位裕度的约束条件可以表示为: ;增益裕度的约束条件可以表示为:。则包含最大闭环极点、相位裕度及增益裕度的包含目标偏好的基于帕累托最优的多目标决策模型的数学模型可以表示为:
,其中,
x可以指目标设计变量,即
k P 和
k I 。
D可以指目标设计变量空间。
p可以指目标设计变量的初始变量数值。可以指初始变量数值的参数空间。
值得注意的是,本发明实施例对包含目标偏好的基于帕累托最优的多目标决策模型的数学模型中的指标性能的个数不进行限定。
由此,通过将目标偏好信息加入至多目标决策模型中,可以构建得到更加具有适配性的决策模型,提高了最优变量解的生成效率。
本发明实施例的技术方案,通过依据PI控制器参数优化任务所对应的目标设计问题中的纵向控制类型建立目标PI控制器对应的目标纵向控制系统模型;并依据目标纵向控制系统模型及纵向控制类型约束目标设计变量的范围,获取目标设计变量的数值限度,进而,依据数值限度获取各初始变量数值,生成初始变量集;最终,将初始变量集输入至预先建立的包含目标偏好的基于帕累托最优的多目标决策模型中,获取目标PI控制器中各目标设计变量对应的最优变量解,解决了PI控制器优化过程中的多目标多参数优化问题,能够快速且准确地生成PI控制器的优化参数值,提高PI控制器的优化效率。
在上述实施例的基础上,本发明实施例中,在获取目标PI控制器中各目标设计变量对应的最优变量解之后,还可以包括:利用目标PI控制器中各目标设计变量对应的最优变量解中的最优比例增益权重和最优积分增益权重;根据所述最优比例增益权重和最优积分增益权重,构建目标PI控制器;采用所述目标PI控制器,执行与所述PI控制器参数优化任务匹配的反馈控制操作。具体的,在得到目标设计变量对应的最优变量解之后,可以根据最优变量解中的最优比例增益权重和最优积分增益权重对PI控制器中的目标设计变量进行参数优化,得到目标PI控制器,以利用目标PI控制器实现车辆的纵向控制,即用于车辆加速或者减速控制。
实施例二
图3为本发明实施例二提供的一种PI控制器的参数优化方法的流程图,本实施例以上述实施例为基础进行细化,在本实施例中具体是对将所述初始变量集输入至预先建立的包含目标偏好的基于帕累托最优的多目标决策模型中,获取目标PI控制器中各目标设计变量对应的最优变量解的操作进行细化,具体可以包括:将所述初始变量集输入至预先建立的包含目标偏好的基于帕累托最优的多目标决策模型中,并初始化当前迭代次数;获取初始变量集中各初始目标设计变量数值对应的指标性能结果,在一次迭代周期中,依据初始变量集对应的指标性能结果获取精英基因种群,并记录所述精英基因种群对应的当前迭代次数;当确定所述当前迭代次数满足预设阈值或所述包含目标偏好的基于帕累托最优的多目标决策模型满足预设收敛条件时,在所述精英基因种群中获取目标设计变量对应的最优变量解;当确定所述当前迭代次数不满足预设阈值或所述包含目标偏好的基于帕累托最优的多目标决策模型不满足预设收敛条件时,累加所述当前迭代次数,并返回执行依据初始变量集对应的指标性能结果获取精英基因种群,并记录所述精英基因种群对应的当前迭代次数的操作。如图3所示,该方法包括:
S210、获取比例积分PI控制器参数优化任务所对应的目标设计问题;其中,目标设计问题包括纵向控制类型、目标设计变量。
S220、依据目标设计问题中的纵向控制类型建立目标PI控制器对应的目标纵向控制系统模型。
S230、依据所述目标纵向控制系统模型及纵向控制类型约束所述目标设计变量的范围,获取所述目标设计变量的数值限度,并依据所述数值限度获取各初始变量数值,生成初始变量集。
S240、将所述初始变量集输入至预先建立的包含目标偏好的基于帕累托最优的多目标决策模型中,并初始化当前迭代次数。
其中,当前迭代次数可以指预先建立的包含目标偏好的基于帕累托最优的多目标决策模型当前的迭代次数。初始化当前迭代次数可以指将当前迭代次数的数值重新置一,为后续迭代结束提供有效的基础,保证了最优变量解的准确性。
S250、获取初始变量集中各初始目标设计变量数值对应的指标性能结果,在一次迭代周期中,依据初始变量集对应的指标性能结果获取精英基因种群,并记录所述精英基因种群对应的当前迭代次数。
其中,精英基因种群可以指根据初始变量集生成的包含较优目标设计变量数值的集合。
在一个可选的实施方式中,依据初始变量集对应的指标性能结果获取精英基因种群,可以包括:获取各指标性能对应的目标偏好信息及目标结果,并将所述目标偏好信息、目标结果及初始变量集对应的指标性能结果引入至预设分数排名函数中,获取初始变量集对应的第一偏好排序,并依据预设拥挤距离计算函数获取初始变量集与对应指标性能结果的第一拥挤距离;依据所述第一偏好排序及第一拥挤距离获取初始变量集中满足预设选择标准的待选变量集;将所述待选变量集进行数据扩充,得到子变量集;其中,子变量集中设计变量数值的数量与初始变量集中设计变量数值的数量一致;将所述子变量集与所述初始变量集合并,生成结果变量集;对所述结果变量集进行性能评估,得到结果变量集对应的指标性能结果,并将所述目标偏好信息、目标结果及结果变量集对应的指标性能结果引入至预设分数排名函数中,获取结果变量集对应的第二偏好排序,并依据预设拥挤距离计算函数获取结果变量集与对应指标性能结果的第二拥挤距离;依据所述第二偏好排序及第二拥挤距离获取结果变量集中的精英基因种群。
其中,第一偏好排序可以指初始变量集中各设计变量数值对应的指标性能结果的排名。预设分数排名函数可以指预先设定的计算各指标性能结果排名顺序的函数。示例性的,可以根据
rank_prf函数计算各指标性能结果的排名顺序:。其中,
V可以表示包含索引项的向量,向量中的每个元素均对应一组目标设计变量的参数值。
ObjV可以表示索引向量中各元素所对应的性能结果,
GoalV可以表示索引向量中各元素所对应的目标结果,
PriorityV可以表示索引向量中各元素所对应的目标偏好信息。示例性的,若指标性能结果:闭环最大极值点、增益裕度、相位裕度、上升时间、峰值时间、最大超调量、最大欠冲量、沉降时间和稳态误差按照目标偏好信息进行设定,则
PriorityV可以为[4 3 3 2 1 2 1 2]。由此,通过加入
rank_
prf函数可以引入目标偏好信息,提高了精英基因种群的获取效率。
其中,第一拥挤距离可以指初始变量集中各目标设计变量数值与对应指标性能结果的拥挤距离。示例性的,可以通过
crowding函数计算所得。预设选择标准可以指预先设定的目标设计变量数值选择方法,示例性的,可以为随机竞争法。
其中,待选变量集可以指依据预设选择标准从初始变量集中获取的设计变量数值组成的集合。通常,待选变量集中设计变量数值的数量小于初始变量集中设计变量数值的数量。示例性的,若初始变量集中包含100个设计变量数值,则待选变量集可能包含初始变量集中排名前50的设计变量数值。
其中,数据扩充可以指根据待选变量集中的设计变量数值生成新的设计变量数值。子变量集可以指进行数据扩充后得到的集合。结果变量集可以指将子变量集与初始变量集合并后生成的集合。通常,若子变量集和子变量集中设计变量数值的个数均为N,则最终得到的结果变量集中设计变量数值的个数为2N。
其中,第二偏好排序可以指结果变量集中各设计变量数值对应的指标性能结果的排名。第二拥挤距离可以指结果变量集中各目标设计变量数值与对应指标性能结果的拥挤距离。
具体的,在计算得到第二偏好排序及第二拥挤距离后,可以依据生存选择函数,如
reducer函数,在第二偏好排序及第二拥挤距离中筛选出精英基因种群。由此,可以为后续的最优变量解提供有效的基础,保证了最优变量解的准确性。
S260、确定所述当前迭代次数是否满足预设阈值或所述包含目标偏好的基于帕累托最优的多目标决策模型是否满足预设收敛条件;若否,执行S270;若是,执行S280。
其中,预设阈值可以指预先设定的用于对当前迭代次数进行评估的数值。预设收敛条件可以指预先设定的用于对包含目标偏好的基于帕累托最优的多目标决策模型的收敛状态进行评估的条件。
在一个可选的实施方式中,确定所述包含目标偏好的基于帕累托最优的多目标决策模型满足预设收敛条件,包括:如果所述精英基因种群的超体积数值满足预设收敛标准,则确定所述包含目标偏好的基于帕累托最优的多目标决策模型满足预设收敛条件。其中,超体积数值可以指精英基因种群中设计变量数值对应的各指标性能结果在空间中构成的体积値。示例性的,可以根据
Hypervolume_caculate函数计算精英基因种群对应性能的指标的超体积数值:。
其中,
A可以表示精英基因种群。可以表示占据支配地位的参考点。可以指集
A的勒贝格度量。
其中,预设收敛标准可以指预先设定的对精英基因种群的超体积数值进行评估的标准。示例性的,可以为精英基因种群的超体积数值小于目标数值,也可以为精英基因种群的超体积数值收敛至一个较小的预设数值。
S270、累加所述当前迭代次数,并返回执行S250。
具体的,若当前迭代次数不满足预设阈值或包含目标偏好的基于帕累托最优的多目标决策模型不满足预设收敛条件时,则将当前迭代次数加一,并再次执行依据初始变量集对应的指标性能结果获取精英基因种群的操作,直至当前迭代次数满足预设阈值或包含目标偏好的基于帕累托最优的多目标决策模型满足预设收敛条件。
S280、在所述精英基因种群中获取目标设计变量对应的最优变量解。
具体的,为保证最终目标PI模型的准确性,可以将精英基因种群中排名第一的目标设计变量数值作为最优变量解。
本发明实施例的技术方案,通过依据PI控制器参数优化任务所对应的目标设计问题中的纵向控制类型建立目标PI控制器对应的目标纵向控制系统模型;并依据目标纵向控制系统模型及纵向控制类型约束目标设计变量的范围,获取目标设计变量的数值限度,进而,依据数值限度获取各初始变量数值,生成初始变量集;进一步,将初始变量集输入至预先建立的包含目标偏好的基于帕累托最优的多目标决策模型中,并初始化当前迭代次数;获取初始变量集中各初始目标设计变量数值对应的指标性能结果,在一次迭代周期中,依据初始变量集对应的指标性能结果获取精英基因种群,并记录精英基因种群对应的当前迭代次数;若当前迭代次数满足预设阈值或包含目标偏好的基于帕累托最优的多目标决策模型满足预设收敛条件,则在精英基因种群中获取目标设计变量对应的最优变量解;反之,累加当前迭代次数,并重新执行获取精英基因种群的操作,直至当前迭代次数满足预设阈值或包含目标偏好的基于帕累托最优的多目标决策模型满足预设收敛条件,解决了PI控制器优化过程中的多目标多参数优化问题,能够快速且准确地生成PI控制器的优化参数值,提高PI控制器的优化效率。
如图4所示为本发明实施例提供的一种可选的PI控制器的参数优化方法的流程图。具体的,首先,获取比例积分PI控制器参数优化任务所对应的目标设计问题,并根据目标设计问题中的纵向控制类型建立目标PI控制器对应的目标纵向控制系统模型;进而,根据目标纵向控制系统模型及纵向控制类型约束目标设计变量的范围,获取目标设计变量的数值限度,并依据预设抽样方法在数值限度中执行抽样操作,得到包含各初始变量数值的初始变量集,实现参数空间初始化抽样计划;进一步的,依据指标性能计算函数获取初始变量集中各初始目标设计变量数值对应的指标性能结果,并依据各初始目标设计变量数值对应的指标性能结果分布情况获取包含各指标性能优先级的目标偏好信息,实现特征挖掘;进一步的,将各指标性能对应的目标结果、约束条件及目标偏好信息结合,构成指标性能标准;并根据指标性能标准建立包含目标偏好的基于帕累托最优的多目标决策模型;并将初始变量集输入至预先建立的包含目标偏好的基于帕累托最优的多目标决策模型中,持续评估各设计变量数值的指标性能,直至迭代结束得到精英基因种群,并在精英基因种群中获取目标设计变量对应的最优变量解作为最终解决方案。
图5是根据本发明实施例二提供的一种精英基因种群生成方法的流程图;具体的,首先,将初始变量集P1输入至预先建立的包含目标偏好的基于帕累托最优的多目标决策模型中,并将迭代次数设置为一(即初始化当前迭代次数);之后,使用
optimizeSystem函数计算初始目标设计变量数值的性能Z,计算得到初始变量集对应的第一偏好排序以及第一拥挤距离D;进而,使用随机竞争法进行基因选择,得到待选变量集;并将待选变量集进行突变(即数据扩充),生成数量为N的子变量集Q;进一步,将初始变量集P1与子变量集Q合并,生成数量为2N的结果变量集P2;并对结果变量集P2进行性能评估,得到结果变量集对应的指标性能结果,以及计算结果变量集P2对应的第二偏好排序和第二拥挤距离;使用
reducer函数在第二偏好排序及第二拥挤距离中筛选出精英基因种群P3,并判断当前迭代次数是否满足预设阈值或包含目标偏好的基于帕累托最优的多目标决策模型是否满足预设收敛条件;若否,将迭代次数加一,并返回执行计算得到初始变量集对应的第一偏好排序以及第一拥挤距离D的操作;否则,输出当前的精英基因种群,并在精英基因种群中获取目标设计变量对应的最优变量解。
实施例三
图6为本发明实施例三提供的一种PI控制器的参数优化装置的结构示意图。如图6所示,该装置包括:设计问题获取模块310、第一模型构建模块320、变量集生成模块330及最优变量解生成模块340;
其中,设计问题获取模块310,用于获取比例积分PI控制器参数优化任务所对应的目标设计问题;其中,目标设计问题包括纵向控制类型、目标设计变量;
第一模型构建模块320,用于依据目标设计问题中的纵向控制类型建立目标PI控制器对应的目标纵向控制系统模型;
变量集生成模块330,用于依据所述目标纵向控制系统模型及纵向控制类型约束所述目标设计变量的范围,获取所述目标设计变量的数值限度,并依据所述数值限度获取各初始变量数值,生成初始变量集;
最优变量解生成模块340,用于将所述初始变量集输入至预先建立的包含目标偏好的基于帕累托最优的多目标决策模型中,获取目标PI控制器中各目标设计变量对应的最优变量解。
本发明实施例的技术方案,通过依据PI控制器参数优化任务所对应的目标设计问题中的纵向控制类型建立目标PI控制器对应的目标纵向控制系统模型;并依据目标纵向控制系统模型及纵向控制类型约束目标设计变量的范围,获取目标设计变量的数值限度,进而,依据数值限度获取各初始变量数值,生成初始变量集;最终,将初始变量集输入至预先建立的包含目标偏好的基于帕累托最优的多目标决策模型中,获取目标PI控制器中各目标设计变量对应的最优变量解,解决了PI控制器优化过程中的多目标多参数优化问题,能够快速且准确地生成PI控制器的优化参数值,提高PI控制器的优化效率。
可选的,变量集生成模块330,具体可以用于:依据所述纵向控制类型建立目标设计变量的初始限度;将所述初始限度引入至目标纵向控制系统模型,获取初始限度中各设计变量数值对应的指标性能结果;将满足稳定性条件的目标指标性能结果所对应的设计变量数值集合,生成目标设计变量的数值限度。
可选的,变量集生成模块330,具体可以用于:依据预设抽样方法在所述数值限度中执行抽样操作,得到各初始变量数值,并将各初始变量数值集合生成初始变量集。
可选的,PI控制器的参数优化装置,还可以包括:第二模型构建模块,用于在将所述初始变量集输入至预先建立的包含目标偏好的基于帕累托最优的多目标决策模型中之前,依据指标性能计算函数获取初始变量集中各初始目标设计变量数值对应的指标性能结果;依据所述各初始目标设计变量数值对应的指标性能结果分布情况获取包含各指标性能优先级的目标偏好信息;获取各指标性能对应的目标结果及约束条件,并结合所述目标偏好信息建立包含目标偏好的基于帕累托最优的多目标决策模型。
可选的,最优变量解生成模块340,具体可以包括:迭代次数初始化单元、精英基因种群获取单元以及迭代判断单元;
其中,迭代次数初始化单元,用于将所述初始变量集输入至预先建立的包含目标偏好的基于帕累托最优的多目标决策模型中,并初始化当前迭代次数;
精英基因种群获取单元,用于获取初始变量集中各初始目标设计变量数值对应的指标性能结果,在一次迭代周期中,依据初始变量集对应的指标性能结果获取精英基因种群,并记录所述精英基因种群对应的当前迭代次数;
迭代判断单元,用于当确定所述当前迭代次数满足预设阈值或所述包含目标偏好的基于帕累托最优的多目标决策模型满足预设收敛条件时,在所述精英基因种群中获取目标设计变量对应的最优变量解;当确定所述当前迭代次数不满足预设阈值或所述包含目标偏好的基于帕累托最优的多目标决策模型不满足预设收敛条件时,累加所述当前迭代次数,返回执行依据初始变量集对应的指标性能结果获取精英基因种群,并记录所述精英基因种群对应的当前迭代次数的操作。
可选的,精英基因种群获取单元,具体可以用于:
获取各指标性能对应的目标偏好信息及目标结果,并将所述目标偏好信息、目标结果及初始变量集对应的指标性能结果引入至预设分数排名函数中,获取初始变量集对应的第一偏好排序,并依据预设拥挤距离计算函数获取初始变量集与对应指标性能结果的第一拥挤距离;
依据所述第一偏好排序及第一拥挤距离获取初始变量集中满足预设选择标准的待选变量集;
将所述待选变量集进行数据扩充,得到子变量集;其中,子变量集中设计变量数值的数量与初始变量集中设计变量数值的数量一致;
将所述子变量集与所述初始变量集合并,生成结果变量集;
对所述结果变量集进行性能评估,得到结果变量集对应的指标性能结果,并将所述目标偏好信息、目标结果及结果变量集对应的指标性能结果引入至预设分数排名函数中,获取结果变量集对应的第二偏好排序,并依据预设拥挤距离计算函数获取结果变量集与对应指标性能结果的第二拥挤距离;
依据所述第二偏好排序及第二拥挤距离获取结果变量集中的精英基因种群。
可选的,迭代判断单元,具体可以用于:如果所述精英基因种群的超体积数值满足预设收敛标准,则确定所述包含目标偏好的基于帕累托最优的多目标决策模型满足预设收敛条件。
可选的,PI控制器的参数优化装置,还可以包括:目标PI控制器构建模块,用于在获取目标PI控制器中各目标设计变量对应的最优变量解之后,利用目标PI控制器中各目标设计变量对应的最优变量解中的最优比例增益权重和最优积分增益权重;根据所述最优比例增益权重和最优积分增益权重,构建目标PI控制器;采用所述目标PI控制器,执行与所述PI控制器参数优化任务匹配的反馈控制操作。
本发明实施例所提供的PI控制器的参数优化装置可执行本发明任意实施例所提供的PI控制器的参数优化方法,具备执行方法相应的功能模块和有益效果。
实施例四
图7示出了可以用来实施本发明的实施例的电子设备410的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图7所示,电子设备410包括至少一个处理器420,以及与至少一个处理器420通信连接的存储器,如只读存储器(ROM)430、随机访问存储器(RAM)440等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器420可以根据存储在只读存储器(ROM)430中的计算机程序或者从存储单元490加载到随机访问存储器(RAM)440中的计算机程序,来执行各种适当的动作和处理。在RAM 440中,还可存储电子设备410操作所需的各种程序和数据。处理器420、ROM 430以及RAM440通过总线450彼此相连。输入/输出(I/O)接口460也连接至总线450。
电子设备410中的多个部件连接至I/O接口460,包括:输入单元470,例如键盘、鼠标等;输出单元480,例如各种类型的显示器、扬声器等;存储单元490,例如磁盘、光盘等;以及通信单元4100,例如网卡、调制解调器、无线通信收发机等。通信单元4100允许电子设备410通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器420可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器420的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器420执行上文所描述的各个方法和处理,例如PI控制器的参数优化方法。
该方法包括:
获取比例积分PI控制器参数优化任务所对应的目标设计问题;其中,目标设计问题包括纵向控制类型、目标设计变量;
依据目标设计问题中的纵向控制类型建立目标PI控制器对应的目标纵向控制系统模型;
依据所述目标纵向控制系统模型及纵向控制类型约束所述目标设计变量的范围,获取所述目标设计变量的数值限度,并依据所述数值限度获取各初始变量数值,生成初始变量集;
将所述初始变量集输入至预先建立的包含目标偏好的基于帕累托最优的多目标决策模型中,获取目标PI控制器中各目标设计变量对应的最优变量解。
在一些实施例中,PI控制器的参数优化方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元490。在一些实施例中,计算机程序的部分或者全部可以经由ROM 430和/或通信单元4100而被载入和/或安装到电子设备410上。当计算机程序加载到RAM 440并由处理器420执行时,可以执行上文描述的PI控制器的参数优化方法的一个或多个步骤。备选地,在其他实施例中,处理器420可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行PI控制器的参数优化方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (8)
1.一种PI控制器的参数优化方法,其特征在于,包括:
获取比例积分PI控制器参数优化任务所对应的目标设计问题;其中,目标设计问题包括纵向控制类型、目标设计变量;
依据目标设计问题中的纵向控制类型建立目标PI控制器对应的目标纵向控制系统模型;
依据所述目标纵向控制系统模型及纵向控制类型约束所述目标设计变量的范围,获取所述目标设计变量的数值限度,并依据所述数值限度获取各初始变量数值,生成初始变量集;
将所述初始变量集输入至预先建立的包含目标偏好的基于帕累托最优的多目标决策模型中,获取目标PI控制器中各目标设计变量对应的最优变量解;
所述将所述初始变量集输入至预先建立的包含目标偏好的基于帕累托最优的多目标决策模型中,获取目标PI控制器中各目标设计变量对应的最优变量解,包括:
将所述初始变量集输入至预先建立的包含目标偏好的基于帕累托最优的多目标决策模型中,并初始化当前迭代次数;
获取初始变量集中各初始目标设计变量数值对应的指标性能结果,在一次迭代周期中,依据初始变量集对应的指标性能结果获取精英基因种群,并记录所述精英基因种群对应的当前迭代次数;
当确定所述当前迭代次数满足预设阈值或所述包含目标偏好的基于帕累托最优的多目标决策模型满足预设收敛条件时,在所述精英基因种群中获取目标设计变量对应的最优变量解;当确定所述当前迭代次数不满足预设阈值或所述包含目标偏好的基于帕累托最优的多目标决策模型不满足预设收敛条件时,累加所述当前迭代次数,返回执行依据初始变量集对应的指标性能结果获取精英基因种群,并记录所述精英基因种群对应的当前迭代次数的操作;
所述依据初始变量集对应的指标性能结果获取精英基因种群,包括:
获取各指标性能对应的目标偏好信息及目标结果,并将所述目标偏好信息、目标结果及初始变量集对应的指标性能结果引入至预设分数排名函数中,获取初始变量集对应的第一偏好排序,并依据预设拥挤距离计算函数获取初始变量集与对应指标性能结果的第一拥挤距离;
依据所述第一偏好排序及第一拥挤距离获取初始变量集中满足预设选择标准的待选变量集;
将所述待选变量集进行数据扩充,得到子变量集;其中,子变量集中设计变量数值的数量与初始变量集中设计变量数值的数量一致;
将所述子变量集与所述初始变量集合并,生成结果变量集;
对所述结果变量集进行性能评估,得到结果变量集对应的指标性能结果,并将所述目标偏好信息、目标结果及结果变量集对应的指标性能结果引入至预设分数排名函数中,获取结果变量集对应的第二偏好排序,并依据预设拥挤距离计算函数获取结果变量集与对应指标性能结果的第二拥挤距离;
依据所述第二偏好排序及第二拥挤距离获取结果变量集中的精英基因种群;
所述依据所述数值限度获取各初始变量数值,生成初始变量集,包括:
依据预设抽样方法在所述数值限度中执行抽样操作,得到各初始变量数值,并将各初始变量数值集合生成初始变量集。
2.根据权利要求1所述的方法,其特征在于,所述依据所述目标纵向控制系统模型及纵向控制类型约束所述目标设计变量的范围,获取所述目标设计变量的数值限度,包括:
依据所述纵向控制类型建立目标设计变量的初始限度;
将所述初始限度引入至目标纵向控制系统模型,获取初始限度中各设计变量数值对应的指标性能结果;
将满足稳定性条件的目标指标性能结果所对应的设计变量数值集合,生成目标设计变量的数值限度。
3.根据权利要求1所述的方法,其特征在于,在将所述初始变量集输入至预先建立的包含目标偏好的基于帕累托最优的多目标决策模型中之前,还包括:
依据指标性能计算函数获取初始变量集中各初始目标设计变量数值对应的指标性能结果;
依据所述各初始目标设计变量数值对应的指标性能结果分布情况获取包含各指标性能优先级的目标偏好信息;
获取各指标性能对应的目标结果及约束条件,并结合所述目标偏好信息建立包含目标偏好的基于帕累托最优的多目标决策模型。
4.根据权利要求1所述的方法,其特征在于,确定所述包含目标偏好的基于帕累托最优的多目标决策模型满足预设收敛条件,包括:
如果所述精英基因种群的超体积数值满足预设收敛标准,则确定所述包含目标偏好的基于帕累托最优的多目标决策模型满足预设收敛条件。
5.根据权利要求1-3任一项所述的方法,其特征在于,在获取目标PI控制器中各目标设计变量对应的最优变量解之后,还包括:
利用目标PI控制器中各目标设计变量对应的最优变量解中的最优比例增益权重和最优积分增益权重;
根据所述最优比例增益权重和最优积分增益权重,构建目标PI控制器;
采用所述目标PI控制器,执行与所述PI控制器参数优化任务匹配的反馈控制操作。
6.一种PI控制器的参数优化装置,其特征在于,包括:
设计问题获取模块,用于获取比例积分PI控制器参数优化任务所对应的目标设计问题;其中,目标设计问题包括纵向控制类型、目标设计变量;
第一模型构建模块,用于依据目标设计问题中的纵向控制类型建立目标PI控制器对应的目标纵向控制系统模型;
变量集生成模块,用于依据所述目标纵向控制系统模型及纵向控制类型约束所述目标设计变量的范围,获取所述目标设计变量的数值限度,并依据所述数值限度获取各初始变量数值,生成初始变量集;
最优变量解生成模块,用于将所述初始变量集输入至预先建立的包含目标偏好的基于帕累托最优的多目标决策模型中,获取目标PI控制器中各目标设计变量对应的最优变量解;
所述最优变量解生成模块,具体包括:迭代次数初始化单元、精英基因种群获取单元以及迭代判断单元;
其中,迭代次数初始化单元,用于将所述初始变量集输入至预先建立的包含目标偏好的基于帕累托最优的多目标决策模型中,并初始化当前迭代次数;
精英基因种群获取单元,用于获取初始变量集中各初始目标设计变量数值对应的指标性能结果,在一次迭代周期中,依据初始变量集对应的指标性能结果获取精英基因种群,并记录所述精英基因种群对应的当前迭代次数;
迭代判断单元,用于当确定所述当前迭代次数满足预设阈值或所述包含目标偏好的基于帕累托最优的多目标决策模型满足预设收敛条件时,在所述精英基因种群中获取目标设计变量对应的最优变量解;当确定所述当前迭代次数不满足预设阈值或所述包含目标偏好的基于帕累托最优的多目标决策模型不满足预设收敛条件时,累加所述当前迭代次数,返回执行依据初始变量集对应的指标性能结果获取精英基因种群,并记录所述精英基因种群对应的当前迭代次数的操作;
所述精英基因种群获取单元,具体用于:
获取各指标性能对应的目标偏好信息及目标结果,并将所述目标偏好信息、目标结果及初始变量集对应的指标性能结果引入至预设分数排名函数中,获取初始变量集对应的第一偏好排序,并依据预设拥挤距离计算函数获取初始变量集与对应指标性能结果的第一拥挤距离;
依据所述第一偏好排序及第一拥挤距离获取初始变量集中满足预设选择标准的待选变量集;
将所述待选变量集进行数据扩充,得到子变量集;其中,子变量集中设计变量数值的数量与初始变量集中设计变量数值的数量一致;
将所述子变量集与所述初始变量集合并,生成结果变量集;
对所述结果变量集进行性能评估,得到结果变量集对应的指标性能结果,并将所述目标偏好信息、目标结果及结果变量集对应的指标性能结果引入至预设分数排名函数中,获取结果变量集对应的第二偏好排序,并依据预设拥挤距离计算函数获取结果变量集与对应指标性能结果的第二拥挤距离;
依据所述第二偏好排序及第二拥挤距离获取结果变量集中的精英基因种群;
所述依据所述数值限度获取各初始变量数值,生成初始变量集,包括:
依据预设抽样方法在所述数值限度中执行抽样操作,得到各初始变量数值,并将各初始变量数值集合生成初始变量集。
7.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的PI控制器的参数优化方法。
8.一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指令,所述计算机指令用于使处理器执行时实现权利要求1-5中任一项所述的PI控制器的参数优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211438958.XA CN115561999B (zh) | 2022-11-17 | 2022-11-17 | 一种pi控制器的参数优化方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211438958.XA CN115561999B (zh) | 2022-11-17 | 2022-11-17 | 一种pi控制器的参数优化方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115561999A CN115561999A (zh) | 2023-01-03 |
CN115561999B true CN115561999B (zh) | 2023-04-07 |
Family
ID=84770032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211438958.XA Active CN115561999B (zh) | 2022-11-17 | 2022-11-17 | 一种pi控制器的参数优化方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115561999B (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110377948A (zh) * | 2019-06-12 | 2019-10-25 | 江苏师范大学 | 一种注塑参数多目标优化方法 |
CN111522226B (zh) * | 2020-05-20 | 2022-06-28 | 中国科学院光电技术研究所 | 针对伺服转台的多目标优化高型pid最优控制器设计方法 |
CN112736953B (zh) * | 2020-12-31 | 2022-12-02 | 中国能源建设集团安徽省电力设计院有限公司 | 一种带有多目标优化的风储系统储能容量配置设计方法 |
CN113705109B (zh) * | 2021-09-02 | 2022-10-14 | 中国人民解放军战略支援部队航天工程大学 | 基于混合偏好模型的进化高维多目标优化方法及系统 |
-
2022
- 2022-11-17 CN CN202211438958.XA patent/CN115561999B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115561999A (zh) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109066710B (zh) | 一种多目标无功优化方法、装置、计算机设备及存储介质 | |
CN112765477B (zh) | 信息处理、信息推荐的方法和装置、电子设备和存储介质 | |
CN109165081B (zh) | 基于机器学习的Web应用自适应资源配置方法 | |
CN115578023A (zh) | 一种装配车间调度方法、装置、设备和存储介质 | |
CN113821983B (zh) | 基于代理模型的工程设计优化方法、装置及电子设备 | |
CN114091128A (zh) | 一种排样方案的确定方法、装置及电子设备 | |
CN113935235A (zh) | 基于遗传算法和代理模型的工程设计优化方法及装置 | |
Heger et al. | Dispatching rule selection with Gaussian processes | |
JP7137074B2 (ja) | 最適化計算方法、最適化計算装置及び最適化計算プログラム | |
CN115730799A (zh) | 一种柔性装配作业车间生产任务调度方法、系统及设备 | |
CN114818913A (zh) | 决策生成方法和装置 | |
CN115561999B (zh) | 一种pi控制器的参数优化方法、装置、设备及介质 | |
CN110233763B (zh) | 一种基于时序差分学习的虚拟网络嵌入算法 | |
CN116151381B (zh) | 量子电路处理方法、装置及电子设备 | |
Chang et al. | A survey of some simulation-based algorithms for Markov decision processes | |
CN116579570A (zh) | 产品生产排产方法、装置、设备及介质 | |
CN113220437B (zh) | 一种工作流多目标调度方法及装置 | |
US20150205276A1 (en) | Method for controlling a system | |
CN117914227A (zh) | 一种电机控制方法、装置、设备及存储介质 | |
Zhang et al. | Evolutionary algorithm with AHP decision-making method for cloud workflow service composition | |
CN113220414B (zh) | 一种基于改进贫富优化算法的云工作流调度方法 | |
CN114638073B (zh) | 一种钢筋加工方法、装置、电子设备及存储介质 | |
CN115402310B (zh) | 一种巡航控制方法、装置、设备及存储介质 | |
Jameel et al. | A Reference Point‐Based Evolutionary Algorithm Solves Multi and Many‐Objective Optimization Problems: Method and Validation | |
Zhang et al. | Missile fixed-structure m controller design based on constrained PSO algorithm |
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 |