CN117850213B - 一种用于消杀机器人的加强型pid控制优化方法 - Google Patents

Abstract

本发明提出一种用于消杀机器人的加强型PID控制优化方法，属于PID控制技术领域，步骤为：步骤一、在貉藻优化算法局部开发阶段，融合三角拓扑聚合算法的局部聚合策略，利用“邻域局限扰动”机制，建立改进貉藻优化算法模型；步骤二、计算消杀机器人动力电机的当前转速和目标转速的差值，将差速值转换为可优化数学模型，利用改进貉藻优化算法对数学模型优化得到最佳PID参数；步骤三、将最佳PID控制器控制参数输入到消杀机器人速度PID控制器模型中，利用最佳PID控制器控制参数计算出最佳消杀机器人速度控制值；步骤四、将消杀机器人速度控制值输入到消杀机器人的动力电机控制模块，实现消杀机器人左右两个动力电机的转速精准控制。

Description

一种用于消杀机器人的加强型PID控制优化方法

技术领域

本发明涉及PID控制领域，具体涉及一种用于消杀机器人的加强型PID控制优化方法。

背景技术

消杀机器人能够在短时间内对大面积环境进行高效的消杀操作，相较于人工操作，机器人能够快速覆盖大范围，迅速应对紧急情况，减缓病原体传播速度，此外，通过机器人执行环境消杀任务，可以减少人工直接接触病原体的风险，这对于处理高风险区域，例如病房、医院、交通站点等，有助于保护人员免受感染；消杀机器人的自动化操作降低了对人工劳动的依赖，使得环境消杀任务更加灵活和可持续，机器人可以在无人值守或有限人力资源的情况下执行任务。

电机速度控制在消杀机器人中是非常重要的，因为它直接影响着机器人在执行任务时的性能和效率。电机速度控制允许机器人以精确的速度执行各种运动，包括移动、旋转、提升和下降等。在消杀任务中，精准的运动控制可以确保机器人能够准确到达目标位置，并有效地执行消杀操作，通过对电机速度的精确控制，机器人可以实现不同速度的运动，从而提高任务执行的灵活性；在消杀环境中，可能需要根据具体情况快速移动或慢速操作，电机速度控制使得机器人能够适应不同的任务需求；控制电机速度可以帮助机器人避免碰撞，特别是在狭窄或拥挤的环境中；通过降低速度，机器人可以更容易地感知周围环境，减小碰撞的风险，提高操作的安全性。

复杂环境中的电机系统是非线性的，而PID控制是基于线性模型的，这导致PID控制在处理非线性性质时可能效果有限，导致控制性能下降；复杂环境中，系统参数会随时间发生变化，PID控制对于时变系统的适应性相对有限，因此在这种情况下需要更先进的控制策略；PID控制对于参数变化和外部扰动的鲁棒性有限，在复杂环境中，系统参数难以准确测量或估计，PID控制变得较为脆弱。

貉藻优化算法（WWPA）模拟貉藻植物在狩猎探险时的自然行为，为了寻找猎物，WWPA使用植物作为搜索代理，用于解决优化问题，使用23种不同单峰和多模态类型的目标函数来评估WWPA的性能，对单峰函数的优化结果表明WWPA具有较强的开发能力接近最优解，而对多模态函数的优化结果表明WWPA对搜索空间的主要最优区域具有较强的探索能力。

发明内容

本发明的目的在于：改进貉藻优化算法对传统PID控制器参数整定，加强传统PID控制器的控制精度，实现精准控制消杀机器人左右两侧动力电机的转速，保证消杀机器人的直线行驶，在狭窄或拥挤的环境中，避免消杀机器人与障碍物碰撞。

一种用于消杀机器人的加强型PID控制优化方法，通过加强传统PID控制器的控制精度，精准控制消杀机器人左右两侧动力电机的转速，保证消杀机器人的直线行驶，具体步骤为：

步骤一、在貉藻算法局部开发阶段，融合三角拓扑聚合算法的局部聚合策略，提出一种“邻域局限扰动”机制，在貉藻优化算法后期，监控局部开发阶段貉藻优化算法是否陷入次优解；建立改进貉藻优化算法模型。

步骤二、计算消杀机器人动力电机的当前转速和目标转速的差速值，将差速值输入到改进貉藻优化算法模型和PID控制器模型中，将差速值转换为可优化数学模型，利用改进后的貉藻优化算法对数学模型优化，得到最佳PID控制器的比例参数kp、积分参数ki、微分参数kd控制参数。

步骤三、将最佳PID控制器控制参数输入到消杀机器人的速度PID控制器模型中， 利用最佳PID控制器控制参数计算出最佳消杀机器人动力电机速度控制值。

步骤四、将最佳消杀机器人动力电机速度控制值输入到消杀机器人的动力 电机控制模块，实现消杀机器人左右两个动力电机的转速精准控制。

优选地，根据消杀机器人的速度控制系统建立系统模型，所述系统模型包括：消杀机器人动力电机的当前转速输入单元、消杀机器人动力电机目标转速输入单元、差速值计算单元、改进貉藻优化算法输入单元、消杀机器人速度PID控制器、消杀机器人的动力电机控制模块以及消杀机器人左右两侧动力电机。

优选地，三角拓扑聚合优化算法能够更好地适应不同的输入数据和场景，该算法的局部开发阶段的局部聚合策略具有较强的快速收敛性能，将其与貉藻优化算法融合，使得貉藻优化算法的局部开发阶段的位置更新策略更加优秀，在局部开发阶段，对步骤一中所述三角拓扑聚合算法的局部聚合策略进行改进，降低算法陷入局部次优解的概率，改进后局部聚合策略的数学模型为：

；

式中，为第次迭代的貉藻个体的位置，为第次迭代的 貉藻个体的次优位置，为取值[0，1]的随机值，为貉藻优化算法的最大迭代次 数，为聚合范围。

优选地，所述步骤一中，“邻域局限扰动”机制的具体步骤为：

S11、在貉藻优化算法的收敛阶段，设置迭代次数阈值，计算次迭代后貉藻捕 食的敏感系数的变化程度，公式如下:

；

式中，迭代次数阈值为大于2的正整数，取值为4，为第次迭代的貉藻捕食 的敏感系数，第-1次迭代的貉藻捕食的敏感系数；

S12、设置貉藻捕食的敏感系数变化阈值，判断是否成立，若成立，执 行S13，若不成立，则结束“邻域局限扰动”机制；

S13、对当前貉藻优化算法种群位置更新，如下式：

；

式中，为貉藻种群的待更新的位置，为第i个貉藻优化算法个体的当 前位置，为在[-1,1]范围内生成随机数的函数，为自适应搜索步长的因子，公 式为：

；

式中，为指数函数，为貉藻优化算法当前迭代次数，为貉藻优化算法最 大迭代次数。

优选地，所述步骤二，将差速值输入到改进貉藻优化算法模型和PID控制器模型中，PID控制器模型采用位置式PID控制器，位置式PID控制器会根据差速值的大小计算出电机控制器需要的输出，以便快速减小直到消除差速值，PID控制器模型公式为：

；

式中，为PID控制器的比例参数，为PID控制器的积分参数，为PID控制 器的微分参数，为消杀机器人动力电机的当前转速和目标转速的差速值。

优选地，所述步骤二中，将速度差速值转换为可优化数学模型，利用所述数学模型为改进貉藻优化算法寻优的标准，可优化数学模型数学公式为：

；

式中，为目标函数值，为消杀机器人动力电机的当前转速和目标转速的差 速值，为消杀机器人动力电机的当前转速和目标转速积分误差的平方，为线性权 重，为稳定性指标ITAE。

优选地，可优化数学模型作为算法寻优的目标函数，目标函数越小，消杀机器人速度PID系统的稳定性越好。

优选地，所述步骤二中，将速度差速值转换为可优化数学模型，利用改进后的貉藻优化算法对数学模型优化，得到最佳PID控制器控制参数，具体步骤为：

S21、可优化数学模型作为改进后的貉藻优化算法寻参的目标函数，引导改进后貉藻优化算法（IWWPA）寻找到最佳PID控制器控制参数，使消杀机器人速度差速值达到最小；

S22、设置改进后的貉藻优化算法寻优的上界和下界，在范围内， 随机初始化个貉藻个体位置和貉藻捕食的敏感系数，最大迭代次数；

S23、将PID控制器的比例参数kp、积分参数ki、微分参数kd作为一个解集合，采用实数编码的方式，将解集合编码为貉藻的个体位置；

S24、根据消杀机器人的速度差速值，通过目标函数，计算每个貉藻个体的最优位置，保留所有个体中目标函数最小的貉藻个体的位置；

S25、根据改进后的貉藻优化算法的全局勘探和局部开发策略，更新貉藻个体的位置，即更新消杀机器人的速度PID控制器的比例参数kp、积分参数ki、微分参数kd解集；

S26、在貉藻优化算法收敛时，引入“邻域局限扰动”机制，利用步骤S11和S12，若 成立，则说明貉藻优化算法收敛陷入次优解，则通过步骤S13在当前收敛值的 领域内扰动，跳出局部次优解，返回步骤S24；

S27、对本次迭代得到的最优解与上次迭代的最优解比较，如果连续三次迭代的解 没有得到改善，或者当前迭代次数满足，则认为找到全局最优解，结束迭代，将最 优位置输出，解码为消杀机器人速度PID控制器的比例参数kp、积分参数ki、微分参数kd，否 则返回步骤S22。

优选地，根据改进后的貉藻优化算法的全局勘探和局部开发策略，更新貉藻个体的位置，具体步骤为：

S251、若 0.5成立，在全局勘探阶段，模拟貉藻发现昆虫并捕食行为，通过对 昆虫的攻击进行建模，按照下式增强貉藻优化算法寻找最优区域的探索能力；

；

式中，为第次迭代的貉藻的位置，为第次迭代的貉藻的 位置，为貉藻寻找目标区域的直径；数学模型公式为：

；

式中，为[0,2]的随机值，为[0,1]的随机值，为貉藻捕食的敏感系数；

S252、若<0.5成立，在局部开发阶段，模拟貉藻选择合适的茎消化昆虫的行为， 首先确定一个新的随机位置，作为“合适的茎”，融合三角拓扑聚合算法的局部聚合策略，并 对局部聚合策略改进，数学模型公式为：

；

式中，为貉藻捕食的敏感系数，为第次迭代的貉藻的次优位置，为局部开发阶段貉藻寻找目标区域的直径，数学模型公式为：

;

式中，为[0,2]的随机值，为当前貉藻最佳位置；

为聚合范围，数学模型公式为：

。

优选地，貉藻捕食的敏感系数控制着算法寻优的精度，敏感系数越大，改进貉 藻优化算法越不容易陷入局部次优解，反之，敏感系数越小，改进貉藻优化算法越容易陷入 局部次优解，貉藻捕食的敏感系数的数学公式为：

；

式中，F为当前迭代时刻的貉藻最佳适应度值，适应度值通过目标函数求取。

综上所述，由于采用了上述技术方案，本发明的有益效果是：改进貉藻优化算法对传统PID控制器参数整定，加强传统PID控制器的控制精度，实现精准控制消杀机器人动力电机的转速，保证消杀机器人的直线行驶，在狭窄或拥挤的环境中，避免消杀机器人与障碍物碰撞，具体创新点：首先，在局部开发阶段，融合三角拓扑聚合算法的局部聚合策略，然后，提出一种“邻域局限扰动”机制，在改进貉藻优化算法后期，监控局部开发阶段算法是否陷入次优解；建立改进貉藻优化算法模型；然后，利用建立改进型目标函数，引导算法优化消杀机器人速度PID控制，达到更好的控制稳定性和效果。

附图说明

图1为一种用于消杀机器人的加强型PID控制优化方法步骤图。

图2为改进貉藻优化算法优化消杀机器人速度PID控制器的步骤图。

图3为改进貉藻优化算法与标准貉藻优化算法对速度PID控制器参数寻优的变化曲线图。

图4为改进貉藻优化算法与标准貉藻优化算法的目标函数最优个体适应度值对比曲线图。

图5为改进貉藻优化算法与标准貉藻优化算法优化速度PID的效果对比图。

图6为消杀机器人动力电机在貉藻优化算法改进前与改进后相对目标转速的对比图。

具体实施方式

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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1-图6，本发明提供一种技术方案：

一种用于消杀机器人的加强型PID控制优化方法，通过加强传统PID控制器的控制精度，精准控制消杀机器人左右两侧动力电机的转速，保证消杀机器人的直线行驶，如图1所示，具体步骤为：

步骤一、在貉藻算法局部开发阶段，融合三角拓扑聚合算法的局部聚合策略，提出一种“邻域局限扰动”机制，在貉藻优化算法后期，监控局部开发阶段貉藻优化算法是否陷入次优解；建立改进貉藻优化算法模型。

步骤二、计算消杀机器人动力电机的当前转速和目标转速的差速值，将差速值输入到改进貉藻优化算法模型和PID控制器模型中，将差速值转换为可优化数学模型，利用改进后的貉藻优化算法对数学模型优化，得到最佳PID控制器的比例参数kp、积分参数ki、微分参数kd控制参数。

步骤三、将最佳PID控制器控制参数输入到消杀机器人的速度PID控制器模型中， 利用最佳PID控制器控制参数计算出最佳消杀机器人动力电机速度控制值。

步骤四、将最佳消杀机器人动力电机速度控制值输入到消杀机器人的动力 电机控制模块，实现消杀机器人左右两个动力电机的转速精准控制。

优选地，在Siumlink中，根据消杀机器人的速度控制系统建立系统模型，所述系统模型包括：消杀机器人动力电机的当前转速输入单元、消杀机器人动力电机目标转速输入单元、差速值计算单元、改进貉藻优化算法输入单元、消杀机器人速度PID控制器、消杀机器人的动力电机控制模块以及消杀机器人左右两侧动力电机。

优选地，在局部开发阶段，对步骤一中所述三角拓扑聚合算法的局部聚合策略进行改进，降低算法陷入局部次优解的概率，改进后局部聚合策略的数学模型为：

；

式中，为第次迭代的貉藻个体的位置，为第次迭代的 貉藻个体的次优位置，为取值[0，1]的随机值，为貉藻优化算法的最大迭代次 数，为聚合范围。

优选地，所述步骤一中，“邻域局限扰动”机制的具体步骤为：

S11、在貉藻优化算法的收敛阶段，设置迭代次数阈值，计算次迭代后貉藻捕 食的敏感系数的变化程度，公式如下:

；

式中，迭代次数阈值为大于2的正整数，取值为4，为第次迭代的貉藻捕食 的敏感系数，第-1次迭代的貉藻捕食的敏感系数；

S12、设置貉藻捕食的敏感系数变化阈值，判断是否成立，若成立，执 行S13，若不成立，则结束“邻域局限扰动”机制；

S13、对当前貉藻优化算法种群位置更新，如下式：

；

式中，为貉藻种群的待更新的位置，为第i个貉藻优化算法个体的当 前位置，为在[-1,1]范围内生成随机数的函数，为自适应搜索步长的因子，公 式为：

；

式中，为指数函数，为貉藻优化算法当前迭代次数，为貉藻优化算法最 大迭代次数。

优选地，所述步骤二，将差速值输入到改进貉藻优化算法模型和PID控制器模型中，PID控制器模型采用位置式PID控制器，位置式PID控制器会根据差速值的大小计算出电机控制器需要的输出，以便快速减小直到消除差速值，PID控制器模型公式为：

；

式中，为PID控制器的比例参数，为PID控制器的积分参数，为PID控制 器的微分参数，为消杀机器人动力电机的当前转速和目标转速的差速值。

优选地，所述步骤二中，将速度差速值转换为数学模型，利用所述数学模型为改进貉藻优化算法寻优的标准，优化数学模型数学公式为：

；

式中，为目标函数值，为消杀机器人动力电机的当前转速和目标转速的差 速值，为消杀机器人动力电机的当前转速和目标转速积分误差的平方，为线性权 重，为稳定性指标ITAE。

优选地，优化数学模型作为算法寻优的目标函数，目标函数越小，消杀机器人速度PID系统的稳定性越好。

优选地，所述步骤二中，利用改进貉藻优化算法对消杀机器人速度PID控制器优化，得到最佳PID控制器控制参数，如图2所示，具体步骤为：

所述步骤二中，将速度差速值转换为可优化数学模型，利用改进后的貉藻优化算法对数学模型优化，得到最佳PID控制器控制参数，具体步骤为：

S21、可优化数学模型作为改进后的貉藻优化算法寻参的目标函数，引导改进后貉藻优化算法（IWWPA）寻找到最佳PID控制器控制参数，使消杀机器人速度差速值达到最小；

S22、设置改进后的貉藻优化算法寻优的上界和下界，在范围内， 随机初始化个貉藻个体位置和貉藻捕食的敏感系数，最大迭代次数；

S23、将PID控制器的比例参数kp、积分参数ki、微分参数kd作为一个解集合，采用实数编码的方式，将解集合编码为貉藻的个体位置；

S24、根据消杀机器人的速度差速值，通过目标函数，计算每个貉藻个体的最优位置，保留所有个体中目标函数最小的貉藻个体的位置；

S25、根据改进后的貉藻优化算法的全局勘探和局部开发策略，更新貉藻个体的位置，即更新消杀机器人的速度PID控制器的比例参数kp、积分参数ki、微分参数kd解集；

S26、在貉藻优化算法收敛时，引入“邻域局限扰动”机制，利用步骤S11和S12，若 成立，则说明貉藻优化算法收敛陷入次优解，则通过步骤S13在当前收敛值的 领域内扰动，跳出局部次优解，返回步骤S24；

S27、对本次迭代得到的最优解与上次迭代的最优解比较，如果连续三次迭代的解 没有得到改善，或者当前迭代次数满足，则认为找到全局最优解，结束迭代，将最 优位置输出，解码为消杀机器人速度PID控制器的比例参数kp、积分参数ki、微分参数kd，否 则返回步骤S22。

优选地，根据改进后的貉藻优化算法的全局勘探和局部开发策略，更新貉藻个体的位置，具体步骤为：

S251、若 0.5成立，在全局勘探阶段，模拟貉藻发现昆虫并捕食行为，通过对 昆虫的攻击进行建模，按照下式增强貉藻优化算法寻找最优区域的探索能力；

；

式中，为第次迭代的貉藻的位置，为第次迭代的貉藻的 位置，为貉藻寻找目标区域的直径；数学模型公式为：

；

式中，为[0,2]的随机值，为[0,1]的随机值，为貉藻捕食的敏感系数；

S252、若<0.5成立，在局部开发阶段，模拟貉藻选择合适的茎消化昆虫的行为， 首先确定一个新的随机位置，作为“合适的茎”，融合三角拓扑聚合算法的局部聚合策略，并 对局部聚合策略改进，数学模型公式为：

；

式中，为貉藻捕食的敏感系数，为第次迭代的貉藻的次优位置，为局部开发阶段貉藻寻找目标区域的直径，数学模型公式为：

;

式中，为[0,2]的随机值，为当前貉藻最佳位置；

为聚合范围，数学模型公式为：

。

优选地，貉藻捕食的敏感系数控制着算法寻优的精度，敏感系数越大，改进貉 藻优化算法越不容易陷入局部次优解，反之，敏感系数越小，改进貉藻优化算法越容易陷入 局部次优解，貉藻捕食的敏感系数的数学公式为：

；

式中，F为当前迭代时刻的貉藻最佳适应度值，适应度值通过目标函数求取。

在Matlab软件中对貉藻优化算法进行改进编码，设置最大迭代次数=30，貉藻 种群规模=50，寻优上界=100，下界=0，利用作为适应度函数，迭代寻优输出最佳消杀 机器人速度PID控制器参数，将参数输入到Simulink搭建的系统模型中，对消杀机器人的电 机速度进行仿真控制。

如图3的（a）Kp参数寻优值、（b）Ki参数寻优值、（c）Kd参数寻优值所示，改进貉藻优化算法与标准貉藻优化算法对速度PID控制器参数寻优的变化曲线图，改进貉藻优化算法对速度PID控制器参数寻优得到的比例参数kp=58.92，积分参数ki=0.35，微分参数kd=63.57；标准貉藻优化算法对速度PID控制器参数寻优得到比例参数kp=59.15，积分参数ki=27.68，微分参数kd=64.36，从图3以及参数数据可以发现，改进貉藻优化算法寻参相比于标准貉藻优化算法寻参速度更快，精度更小。

如图4所示，改进貉藻优化算法与标准貉藻优化算法的最优个体适应度值对比曲线图，在迭代开始时，改进貉藻优化算法（IWWPA）的适应度值迅速下降，而标准貉藻优化算法（WWPA）的适应度则下降较慢；说明改进貉藻优化算法（IWWPA）寻优速度更快，经过大约25次迭代后，IWWPA算法的适应度开始平稳，并维持在约1.2，而WWPA算法的适应度值在迭代20次时趋于平稳，但大约适应度值在4.5，陷入局部最优，达不到最佳精度，从整体趋势分析，适应度值越小，消杀机器人速度PID控制器性能越好，说明本发明提出的利用改进貉藻优化算法加强消杀机器人速度PID性能的优势更好。

如图5所示，改进貉藻优化算法与标准貉藻优化算法优化速度PID对消杀机器人速度控制的效果对比图，WWPA-PID控制策略在大约2秒时达到峰值，随后迅速下降，并在大约8秒时趋于稳定；IWWPA-PID控制策略的峰值较低，并且在上升到峰值后迅速下降，在约4秒时达到稳定状态；图中显示，WWPA-PID在初期响应更快，但同时也出现了较大的超调，这意味着其输出值超过了期望的稳定值，相比之下，IWWPA-PID虽然上升到峰值的速度较慢，但超调较小，这意味着IWWPA-PID在抑制超调方面更有效，更快的调整，使消杀机器人的速度达到目标值。

如图6所示，消杀机器人动力电机速度在IWWPA-PID控制器的控制下，相对于在WWPA-PID控制器的控制下，速度调整的时间更短，且在调整过程中，超调的速度误差更小，充分说明本发明专利提出的消杀机器人动力电机速度控制方法更加有效。

Claims (4)

1.一种用于消杀机器人的加强型PID控制优化方法，通过加强传统PID控制器的控制精度，精准控制消杀机器人左右两侧动力电机的转速，保证消杀机器人的直线行驶，其特征在于，具体步骤为：

步骤一、在貉藻算法局部开发阶段，融合三角拓扑聚合算法的局部聚合策略，提出一种“邻域局限扰动”机制，在貉藻优化算法后期，监控局部开发阶段貉藻优化算法是否陷入次优解；建立改进貉藻优化算法模型；所述“邻域局限扰动”机制的具体步骤为：

S11、在貉藻优化算法的收敛阶段，设置迭代次数阈值n，计算n次迭代后貉藻捕食的敏感系数K的变化程度Δu，公式如下：

式中，迭代次数阈值n为大于2的正整数，取值为4，K_i为第i次迭代的貉藻捕食的敏感系数，K_i-1第i-1次迭代的貉藻捕食的敏感系数；

s12、设置貉藻捕食的敏感系数变化阈值α，判断Δu≤α是否成立，若成立，执行S13，若不成立，则结束“邻域局限扰动”机制；

S13、对当前貉藻优化算法种群位置更新，如下式：

式中，X_new为貉藻种群的待更新的位置，为第i个貉藻优化算法个体的当前位置，Rand为在[-1，1]范围内生成随机数的函数，γ为自适应搜索步长的因子，公式为：

式中，exp为指数函数，t为貉藻优化算法当前迭代次数，T为貉藻优化算法最大迭代次数；

所述改进貉藻优化算法模型，改进后的貉藻优化算法模型为：

式中，K为貉藻捕食的敏感系数，P_s(t)为第t次迭代的貉藻的次优位置，W₁为局部开发阶段貉藻寻找目标区域的直径，alpha为聚合范围，P(t+1)为第t+1次迭代的貉藻个体的位置，P(t)为第t次迭代的貉藻的位置，rand为取值[0，1]的随机值；

步骤二、计算消杀机器人动力电机的当前转速和目标转速的差速值，将差速值输入到改进貉藻优化算法模型和PID控制器模型中，将差速值转换为可优化数学模型，利用改进后的貉藻优化算法对数学模型优化，得到最佳PID控制器的比例参数kp、积分参数ki、微分参数kd控制参数；

步骤三、将最佳PID控制器控制参数输入到消杀机器人的速度PID控制器模型中，利用最佳PID控制器控制参数计算出最佳消杀机器人动力电机速度控制值u(t)；

步骤四、将最佳消杀机器人动力电机速度控制值u(t)输入到消杀机器人的动力电机控制模块，实现消杀机器人左右两个动力电机的转速精准控制。

2.根据权利要求1所述的一种用于消杀机器人的加强型PID控制优化方法，其特征在于，对步骤一中所述三角拓扑聚合算法的局部聚合策略进行改进，降低算法陷入局部次优解的概率，改进后局部聚合策略的数学模型为：

式中，P(t+1)为第t+1次迭代的貉藻个体的位置，P_s(t)为第t次迭代的貉藻个体的次优位置，rand为取值[0，1]的随机值，T为貉藻优化算法的最大迭代次数，alpha为聚合范围。

3.根据权利要求1所述的一种用于消杀机器人的加强型PID控制优化方法，其特征在于，所述步骤二中，将速度差速值转换为可优化数学模型，利用改进后的貉藻优化算法对数学模型优化，得到最佳PID控制器控制参数，具体步骤为：

S21、可优化数学模型作为改进后的貉藻优化算法寻参的目标函数，引导改进后的貉藻优化算法寻找到最佳PID控制器控制参数，使消杀机器人速度差速值达到最小；

S22、设置改进后的貉藻优化算法寻优的上界ub和下界lb，在[lb，ub]范围内，随机初始化N个貉藻个体位置和貉藻捕食的敏感系数K，最大迭代次数T；

S23、将PID控制器的比例参数kp、积分参数ki、微分参数kd作为一个解集合，采用实数编码的方式，将解集合编码为貉藻的个体位置；

S24、根据消杀机器人的速度差速值，通过目标函数，计算每个貉藻个体的最优位置，保留所有个体中目标函数最小的貉藻个体的位置；

S25、根据改进后的貉藻优化算法的全局勘探和局部开发策略，更新貉藻个体的位置，即更新消杀机器人的速度PID控制器的比例参数kp、积分参数ki、微分参数kd解集；

S26、在改进后的貉藻优化算法收敛时，引入“邻域局限扰动”机制，利用步骤S11和S12，若Δu≤α成立，则说明改进后的貉藻优化算法收敛陷入次优解，则通过步骤S13在当前收敛值的领域内扰动，跳出局部次优解，返回步骤S24；

S27、对本次迭代得到的最优解与上次迭代的最优解比较，如果连续三次迭代的解没有得到改善，或者当前迭代次数t满足t＝T，则认为找到全局最优解，结束迭代，将最优位置输出，解码为消杀机器人速度PID控制器的比例参数kp、积分参数ki、微分参数kd，否则返回步骤S22。

4.根据权利要求3所述的一种用于消杀机器人的加强型PID控制优化方法，其特征在于，根据改进后的貉藻优化算法的全局勘探和局部开发策略，更新貉藻个体的位置，具体步骤为：

S251、r为取值为0到1内的随机数，若r满足，r≥0.5成立，在全局勘探阶段，模拟貉藻发现昆虫并捕食行为，通过对昆虫的攻击进行建模，按照下式增强貉藻优化算法寻找最优区域的探索能力；

P(t+1)＝P(t)+W·(2K+r₂)；

式中，P(t+1)为第t+1次迭代的貉藻的位置，P(t)为第t次迭代的貉藻的位置，W为貉藻寻找目标区域的直径；数学模型公式为：

W＝r₁·(P(t)+2K)；

式中，r₁为[0，2]的随机值，r₂为[0，1]的随机值，K为貉藻捕食的敏感系数；

S252、r为取值为0到1内的随机数，若r满足r＜0.5成立，在局部开发阶段，模拟貉藻选择合适的茎消化昆虫的行为，首先确定一个新的随机位置，作为“合适的茎”，融合三角拓扑聚合算法的局部聚合策略，并对局部聚合策略改进，数学模型公式为：

式中，K为貉藻捕食的敏感系数，P_s(t)为第t次迭代的貉藻的次优位置，W₁为局部开发阶段貉藻寻找目标区域的直径，数学模型公式为：

W₁＝r₃·(K·P_best(t)+r₃·P(t))；

式中，r₃为[0，2]的随机值，P_best(t)为当前貉藻最佳位置；

alpha为聚合范围，数学模型公式为：