CN117930662A - 一种基于mimo-brb-pso的伺服系统参数优化计算方法 - Google Patents
一种基于mimo-brb-pso的伺服系统参数优化计算方法 Download PDFInfo
- Publication number
- CN117930662A CN117930662A CN202410110106.0A CN202410110106A CN117930662A CN 117930662 A CN117930662 A CN 117930662A CN 202410110106 A CN202410110106 A CN 202410110106A CN 117930662 A CN117930662 A CN 117930662A
- Authority
- CN
- China
- Prior art keywords
- particle
- particles
- mimo
- servo system
- calculating
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 32
- 238000004364 calculation method Methods 0.000 title claims abstract description 17
- 239000002245 particle Substances 0.000 claims abstract description 125
- 230000001133 acceleration Effects 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 239000013598 vector Substances 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 9
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 206010010254 Concussion Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
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)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于MIMO‑BRB‑PSO的伺服系统参数优化计算方法。该方法首先对PSO算法的惯性权重和正加速度常数等参数进行初始化，同时迭代更新粒子位置和速度，并计算粒子的适应度值。随后，基于历史粒子的惯性权重和适应度值，构造MIMO置信规则库推理模型，并通过置信推理来获取PSO算法的运行参数。接着，重复前面的过程，计算当前粒子的适应度值，并结合其惯性权重作为MIMO置信规则库推理模型的输入，可进一步获取下一个粒子的最佳运行参数。以此类推，通过迭代不断最终得到历史全局最优值，实现伺服系统的参数优化计算。本发明通过对运行参数的自适应调整，提高了方法的优化精度。
Description
技术领域
本发明涉及一种基于MIMO-BRB-PSO的伺服系统参数优化计算方法，属于群智能优化领域。
背景技术
粒子群优化算法(PSO)基于模拟鸟群的行为，使用迭代的方式在解空间中搜索最优解，其概念相对简单，易于理解和实现；它通过多个粒子的协作和信息交换来探索搜索空间，在搜索过程中不容易陷入局部最优解，并且在处理高维优化问题时表现较好，相比其他优化算法在高维空间中搜索更加高效。但是其对参数的变化较为敏感，修改参数的值可能会对其优化结果产生巨大影响。
在伺服系统的PSO算法中，惯性权重w和正加速度常数c1、c2是控制粒子移动的重要参数。较大的惯性权重使粒子在搜索空间中保持较大的运动速度，有助于跳出局部最优解；较小的惯性权重则使粒子更趋向于局部搜索，并且有助于在接近全局最优解时更精确地收敛，调整惯性权重可以平衡全局探索和局部探索的比重。而c1和c2这两个常数分别控制了粒子根据自身经验和群体经验调整移动方向的程度。增大c1和c2可以增加个体和群体经验对粒子移动的影响力，有助于加速收敛速度，但也可能增加震荡和早熟收敛(陷入局部最优)的风险。针对传统粒子群算法存在的粒子惯性权重和加速度常数选取不当，而导致寻优结果易陷入局部最优的问题提出改进方案，通过引入MIMO置信规则库结构，实现了粒子惯性权重和加速度常数的实时更新，在一定程度上解决了算法易陷入局部最优的问题，提高了PSO算法的优化精度，从而实现伺服系统的参数最优。
发明内容
本发明针对现有伺服系统参数自适应调整能力的不足，提出一种基于MIMO-BRB-PSO的伺服系统参数优化计算方法。
本发明在标准粒子群优化算法(PSO)的基础上，引入了MIMO置信规则库推理模型，实现了各粒子的惯性权重w和正加速度常数c1和c2的在线实时调整，有效提高了PSO算法的优化精度，最终实现伺服系统的参数优化。
本发明提出的基于MIMO-BRB-PSO的伺服系统参数优化计算方法，包括以下各步骤：
(1)初始化PSO算法的惯性权重和正加速度常数等参数，迭代更新粒子位置和速度，并计算粒子的适应度值；
(2)基于历史粒子的惯性权重和适应度值，构造MIMO置信规则库推理模型，并通过置信推理来获取PSO算法的运行参数，包括当前粒子的惯性权重和正加速度常数；
(3)根据步骤(1)计算当前粒子的适应度值，并结合其惯性权重作为推理模型的输入，重复步骤(1)～(2)，可进一步获取下一个粒子的惯性权重和正加速度常数，依次迭代，不断获取最佳运行参数，最终得到历史全局最优值，实现伺服系统的参数优化计算。
本发明提出的基于MIMO-BRB-PSO的伺服系统参数优化计算方法，首先初始化粒子的速度、位置、加速度常数和惯性权重等参数；并基于全局最优值和粒子的个体最优值更新各粒子的速度、位置；构造关于惯性权重和正加速度常数的MIMO置信规则推理模型，通过置信推理得到惯性权重增量的估计值和新的加速度常数c1和c2，并更新粒子的惯性权重和加速度常数；依次迭代，直到满足停止条件，完成对算法优化精度的提升，最终实现对伺服系统的参数优化。
该方法将传统粒子群算法与置信规则推理的方法相结合，构造关于惯性权重和加速度常数的MIMO置信规则推理模型，通过置信推理得到惯性权重增量和新的加速度常数的估计值，并在线实时更新，有效提升了算法的优化能力，并在处理系统参数优化问题中展现了方法的有效性。
附图说明
图1是本发明方法的流程框图；
图2是实验系统模型结构框图；
图3是实验系统参数辨识结果仿真对比图。
具体实施方式
本申请提出的基于MIMO-BRB-PSO的伺服系统参数优化计算方法，其流程框图如图1所示，包括以下各步骤：
(1)初始化PSO算法的惯性权重和正加速度常数等参数，迭代更新粒子位置和速度，并计算粒子的适应度值；
(2)基于历史粒子的惯性权重和适应度值，构造MIMO置信规则库推理模型，并通过置信推理来获取PSO算法的运行参数，包括当前粒子的惯性权重和正加速度常数；
(3)根据步骤(1)计算当前粒子的适应度值，并结合其惯性权重作为推理模型的输入，重复步骤(1)～(2)，可进一步获取下一个粒子的惯性权重和正加速度常数，依次迭代，不断获取最佳运行参数，最终得到历史全局最优值，实现伺服系统的参数优化计算。
在某些实施例中，所述步骤(1)具体步骤如下：
(1-1)对粒子群优化算法中的各项参数进行初始化。
具体地，粒子群定义为算法最大迭代次数为Hmax(50≤Hmax≤200)，目标搜索空间维度为N。
初始化粒子的位置Xi、速度Vi、个体最优值Pi、粒子群的全局最优值Pg、初始惯性权重w和正加速度常数c1和c2等参数，其中/>表示粒子群中的第i个粒子，M表示粒子的总数。
(1-2)在经过第h次迭代后，粒子的惯性权重为/>位置为/>速度为正加速度系数为/>和/>全局最优值/>个体最优值
当进行第h+1次迭代时，粒子的位置/>和速度Vi h+1根据如下公式进行更新：
式(1)中，rl、r2为均匀分布在(0,1)区间的随机数，算法运行参数和/>为粒子的正加速度常数，满足/> 为进行第h+1次迭代过程中粒子pi的惯性权重，可通过引入MIMO置信规则推理模型获取，利用式(1)和式(2)可对M个粒子的位置和速度进行更新。
为了便于理解，这里举例说明步骤(1-1)和(1-2)，过程如下：
初始化粒子种群的参数，定义目标搜索空间维度N＝2，粒子群为M＝100，算法最大迭代次数Hmax＝50，初始惯性权重w＝0.7，正加速度常数c1＝c2＝0.6；并对各个粒子的位置和速度进行初始化，由于参数过多，这里只列举粒子/>初始化后的位置和速度参数：位置X1＝[-11.1194,56.1724]，速度V1＝[0,0]。
经过h＝1次迭代后，粒子的各项参数为：正加速度常数c1＝0.9554，c2＝1.1971；r1＝0.9296，r2＝0.6967；惯性权重/>位置/>速度V1 1＝[1.9309,-0.0838]，个体最优值为P1 1＝[-9.1885,56.0885],全局最优值/>
由公式(1)和公式(2)可知，第2次迭代过程中粒子的速度和位置更新过程如下：
在某些实施例中，所述步骤(2)具体步骤如下：
(2-1)构建包含L条规则的置信规则库，用于描述输入变量f1(h+1,i-1),f2(h+1,i-1)与输出变量y1(h+1,i),y2(h+1,i)和y3(h+1,i)之间存在的复杂非线性关系。
进一步，所述置信规则库中的第l条规则可表示为：
式(3)中，置信规则库推理模型的输入f1(h+1,i-1)表示h+1次迭代过程中粒子pi-1的惯性权重f2(h+1,i-1)定义为粒子pi-1的适应度值/>输出y1(h+1,i),y2(h+1,i)和y3(h+1,i)分别表示第h+1次迭代过程中粒子pi的惯性权重增量Δw(h+1,i)和正加速度常数/>
表示第l条规则中第θ个输入变量的参考等级，有其中的元素满足/>其中Kq表示第θ个输入变量的参考等级个数，共计L＝K1×K2条规则。
为模型的输出参考向量，即置信规则的后件属性，进一步，表示输出yl的参考值集合，共计J＝N1×N2×N3个输出参考向量。
rj,l表示输出向量y(h+1,i)＝[y1(h+1,i),y2(h+1,i),y3(h+1,i)]匹配的置信度，满足/>
(2-2)获取第h+1次迭代过程中产生的样本数据f(h+1,i-1)＝[f1(h+1,i-1),作为置信规则库推理模型的输入，随后计算f(h+1,i-1)相对于其参考值的匹配度aq,q：
(2-3)根据步骤(2-2)中计算的匹配度，可计算第l条规则的激活权重为：
式(5)中，wl表示第l条规则的激活权重，满足wl∈[0,1]；δθ表示变量重要性因子，为相对属性权重，满足/> 为第l条规则下输入f(h+1,i-1)与其参考值的匹配度；/>表示第l条规则的权重。
(2-4)基于步骤(2-3)可计算L条规则的激活权重，进而通过证据推理算法对输入样本数据f(h+1,i-1)所激活的L条规则进行融合，获得f(h+1,i-1)对应输出参考向量的置信度
(2-5)基于步骤(2-4)得到f(h+1,i-1)对应J＝N1×N2×N3个输出参考向量的置信度后，可利用效用理论估计模型输出向量y(h+1,i)＝[y1(h+1,i),y2(h+1,i),y3(h+1,i)]，计算公式如下：
最终可得第h+1次迭代过程中粒子pi的惯性权重和正加速度常数/> 表示如下：
为便于理解，在此举例说明输出y1(2,1)、y2(2,1)和y3(2,1)的推理过程，其中置信规则库是两个输入和一个向量输出的模型，且模型的输入输出参考值设置如下：
表1输入与输出的语义值与参考值
将获取的粒子的惯性权重/>和适应度值/>转化为输入的样本数据向量所对应的参考值区间分别为[0.6,0.75]和[0,0.35]。
由公式(4)可知该样本输入f1(2,1)与A1,2和A1,3的匹配度为α1，2＝0.3417和α1,3＝0.6583，输入f2(2,1)与A2,1和A2,2的匹配度为α2,1＝0.9931和α2,2＝0.0069。
根据公式(5)可求得每条规则的激活权重如下表所示：
表2规则的激活权重
根据公式(6)和(7)对所有规则进行融合，融合的结果如下所示：
表3输出参考值的置信度
已知融合结果可由公式(8)估计出惯性权重的增量和新的正加速度常数的值为：
y1(2,1)＝(-0.2×0)+(-0.2×0.0694)+(-0.2×0.0074)
+K+(0×0.0784)+K+(0.2×0.0063)+(0.2×0.0694)
+(0.2×0.0074)
＝-0.0013
y2(2,1)＝(0×0)+(0×0.0694)+(0×0.0074)
+K+(1×0.0784)+K+(2×0.0063)+(2×0.0694)
+(2×0.0074)
＝0.9554
y3(2,1)＝(0×0)+(1×0.0694)+(2×0.0074)
+K+(2×0.0784)+K+(0×0.0063)+(1×0.0694)
+(2×0.0074)
＝1.1971
最后根据公式(9)～(11)可得新的惯性权重和正加速度常数c1和c2：
在某些实施例中，所述步骤(3)具体步骤如下：
根据步骤(2-5)得到第2代粒子p2的惯性权重和正加速度常数/>后，计算粒子p2的适应度值/>并将/>作为输入向量，重复步骤(2-2)～(2-5)，可进一步获取粒子p3的惯性权重/>和正加速度常数/>依次迭代，不断获取最佳运行参数，最终实现PSO算法运行参数的在线自适应调整，完成伺服系统参数优化。
这里需要注意的是：第h+1次迭代过程中的粒子p1的惯性权重是通过第h次迭代过程中粒子M的惯性权重与惯性权重增量的估计值Δw(h,M)之和计算得到的，即第h次迭代过程中，将粒子M的惯性权重/>与适应度值/>作为MIMO置信规则推理模型的输入，通过置信推理得到惯性权重增量的估计值Δw(h,M)，进而通过公式/>可计算得到第h+1次迭代过程中的粒子p1的惯性权重值。
以下结合附图，详细介绍本发明方法的实施例：
本发明的核心部分是：构造了关于PSO算法运行参数的MIMO置信规则推理模型，描述了模型输入(惯性权重和适应度值)与模型输出(惯性权重增量和正加速度常数)之间的非线性关系。
首先，初始化PSO算法中各粒子速度、位置、惯性权重和正加速度常数等参数。其次，引入MIMO置信规则推理模型，通过置信推理得到惯性权重增量的估计值和新的正加速度常数，并以此更新粒子的惯性权重和正加速度常数。随后，基于已获取的各粒子的惯性权重和正加速常数，并结合其他运行参数更新各粒子的速度和位置。最后，计算粒子的适应度值，并结合其惯性权重作为推理模型的输入，依次迭代，不断获取最佳运行参数，最终得到历史全局最优值，实现伺服系统的参数优化计算。
以下结合实验数据，详细介绍本实施例的各个步骤。
1、确定仿真模型及待辨识参数
由图2可知，实验系统由控制驱动器、伺服电机、传动装置和传感器组成。在不加负载的情况下，实验系统可简化为传递函数的形式：
式(12)中，δE为实验系统的指令输入，δ为实际输出；可知传递函数中待辨识参数为KE和TE；由此可知粒子群算法中目标搜索空间维度N＝2，并设置搜索目标的上下限为KE∈[0,1],TE＝[0,50]。
2、实验数据的获取与处理
实时采集伺服系统的指令输入δE和实际输出δ信号作为粒子群算法的输入，粒子群算法的输出即为伺服系统的待辨识参数KE和TE；设定采样周期T＝1s并对实验数据进行采样，得到K＝376组样本数据，将δE和δ表示成一个样本集合S＝{[δE(k),δ(k)]|k＝1,2,K,K}，其中[δE(k),δ(k)]为一个样本向量。
3、建立粒子群算法的辨识模型
(3.1)初始化粒子种群
随机生成M＝100个粒子作为辨识模型的初始种群，设置算法最大迭代次数Hmax＝50，并初始化粒子的位置、速度、惯性权重和正加速度常数等粒子参数。粒子初始化后的各参数为：位置X1＝[-11.1194,56.1724]，速度V1＝[0,0]，惯性权重w1＝0.7，加速度常数c1＝c2＝0.6，r1＝r2＝0.5。
(3.2)更新粒子的位置和速度
经过h＝1次迭代后，粒子的各项参数为：正加速度常数c1＝0.9554,c2＝1.1971；r1＝0.9296,r2＝0.6967；惯性权重/>位置/>速度V1 1＝[1.9309,-0.0838]，个体最优值为P1 1＝[-9.1885,56.0885],全局最优值/>
由本发明公式(2)和公式(3)可知，第h＝2次迭代过程中粒子的速度和位置更新过程如下：
其中惯性权重w和正加速度常数的估计值可通过构建MIMO置信规则推理模型获取，以和/>的获取过程为例，具体过程如下：
(3.3)基于MIMO置信规则库的PSO算法运行参数推理
(a)构造置信矩阵库
依照本发明的步骤(2)设定输出y1为惯性权重的增量Δw(2,1)，其结果参考值集合为D1＝{-0.2,0,0.2}，输出y2为正加速度常数其结果参考值集合为D2＝{0,1,2}，输出y3为正加速度常数/>其结果参考值集合为D3＝{0,1,2}，遍历三者的参考值可得输出yl(2,1)的结果参考值集合为D＝{[-0.2,0,0],…,[0.2,2,2]}；其中输入f1为粒子群算法参数惯性权重/>其输入参考值为A1＝{0.4,0.6,0.75,0.9}；输入f2为粒子的适应度值其输入参考值集合A2＝{0,0.35,0.7,1}，具体设置各输入变量和输出变量的语义值(参考值)如表4所示。
表4输入与输出的参考值
进而，可以给出置信规则库中的第l条规则为：
共计可以生成L＝4×4＝16条规则。
(b)规则激活与输出估计
将得到的粒子第h＝2次迭代过程中的惯性权重和适应度值转化为置信规则推理的输入样本数据/>所对应的参考区间分别为[0.6,0.75]和[0,0.35]。
由公式(4)可知该样本输入f1(2,1)与A1,2和A1,3的匹配度为α1，2＝0.3417和α1,3＝0.6583，输入f2(2,1)与A2,1和A2,2的匹配度为α2,1＝0.9931和α2,2＝0.0069。
根据本发明公式(5)可求得每条规则的激活权重如下表所示：
表5规则的激活权重
通过本发明方法的步骤(2-4)和(2-5)计算出置信规则库的估计输出y1(2,1)、y2(2,1)和y3(2,1)，即惯性权重的增量和正加速度常数。根据公式(6)和(7)对所有规则进行融合，计算可得
则由公式(8)可得惯性权重增量和正加速度常数的估计值为：
y1(2,1)＝(-0.2×0)+(-0.2×0.0694)+(-0.2×0.0074)
+K+(0×0.0784)+K+(0.2×0.0063)+(0.2×0.0694)
+(0.2×0.0074)
＝-0.0013
y2(2,1)＝(0×0)+(0×0.0694)+(0×0.0074)
+K+(1×0.0784)+K+(2×0.0063)+(2×0.0694)
+(2×0.0074)
＝0.9554
y3(2,1)＝(0×0)+(1×0.0694)+(2×0.0074)
+K+(2×0.0784)+K+(0×0.0063)+(1×0.0694)
+(2×0.0074)
＝1.1971
则由公式(9)～(11)可得新的惯性权重和正加速度常数c1和c2的值为：
(3.4)更新个体最优值和全局最优值
根据更新后粒子的位置来计算其适应度，得/>并将其与第h＝1次迭代后粒子/>的个体最优值对应的适应度值/>相比较，/>所以取/>所对应的位置为粒子/>的最新个体最优值，即/>依次类推，可计算100个粒子第h＝2次迭代后的适应度值/>并对这100个粒子的个体最优值进行更新，然后将100个粒子第h＝2次迭代后的适应度值与第h＝1次迭代后全局最优值对应的适应度值作比较，其中最小的适应度值对应的粒子位置即为第h＝2次迭代后的全局最优值，/>中最小适应度值为/>则h＝2次迭代后的全局最优值为适应度值/>对应得粒子的位置，即/>
(3.5)获取最优辨识结果
在获得第2代的全局最优值后，重复本发明方法步骤(1)和步骤(2)，可获得第3次迭代后的全局最优值/>依次类推，通过递归迭代不断更新全局最优值，直到最大迭代次数为Hmax时，停止更新，最终得到群体历史全局最优值/>即伺服系统模型的辨识结果为KE＝0.3477，TE＝4.5521。
根据本发明方法的推理得到更精确的伺服系统模型参数，使得伺服系统实际输出和估计输出之间的误差平方的最小值为0.1530，而通过改进型的PSO辨识方法(惯性权重线性递减)得到的辨识结果对应的误差平方的最小值为0.25，图3给出了两种方法的辨识结果图。由图可看出：本发明方法明显优于改进型的PSO辨识方法(惯性权重线性递减)在伺服系统参数辨识方面的效果，能够更精准地实现伺服系统模型参数的辨识。
以上所述的实施例及/或实施方式，仅是用以说明实现本发明技术的较佳实施例及/或实施方式，并非对本发明技术的实施方式作任何形式上的限制，任何本领域技术人员，在不脱离本发明内容所公开的技术手段的范围，当可作些许的更动或修改为其它等效的实施例，但仍应视为与本发明实质相同的技术或实施例。
Claims (8)
1.一种基于MIMO-BRB-PSO的伺服系统参数优化计算方法，其特征在于该方法包括以下步骤：
(1)初始化伺服系统中PSO算法的惯性权重和正加速度常数，迭代更新粒子位置和速度，并计算粒子的适应度值；
(2)基于历史粒子的惯性权重和适应度值，构造MIMO置信规则库推理模型，并通过置信推理来获取PSO算法的运行参数，包括当前粒子的惯性权重和正加速度常数；
(3)根据步骤(1)计算当前粒子的适应度值，并结合其惯性权重作为推理模型的输入，重复步骤(1)～(2)，获取下一个粒子的惯性权重和正加速度常数，依次迭代，不断获取最佳运行参数，最终得到历史全局最优值，实现伺服系统的参数优化计算。
2.根据权利要求1所述的一种基于MIMO-BRB-PSO的伺服系统参数优化计算方法，其特征在于，所述步骤(1)具体步骤如下：
(1-1)对粒子群优化算法中的各项参数进行初始化，具体地：
定义粒子群为Sp＝{pi|i＝1,2,K,M}；
初始化粒子pi的位置Xi、速度Vi、个体最优值Pi、粒子群的全局最优值Pg、初始惯性权重w和正加速度常数c1和c2，其中pi表示粒子群中的第i个粒子，M表示粒子的总数；
(1-2)在经过第h次迭代后，粒子pi的惯性权重为位置为/>速度为正加速度系数为/>和/>个体最优值为/>全局最优值为
当进行第h+1次迭代时，粒子pi的位置和速度Vi h+1根据如下公式进行更新：
式中，rl、r2为均匀分布在(0,1)区间的随机数，和/>为粒子的正加速度常数，满足 为进行第h+1次迭代过程中粒子pi的惯性权重。
3.根据权利要求2所述的一种基于MIMO-BRB-PSO的伺服系统参数优化计算方法，其特征在于，还包括定义目标搜索空间维度N和最大迭代次数Hmax。
4.根据权利要求2所述的一种基于MIMO-BRB-PSO的伺服系统参数优化计算方法，其特征在于，所述步骤(2)具体步骤如下：
(2-1)构建包含L条规则的置信规则库，用于描述输入变量f1(h+1,i-1),f2(h+1,i-1)与输出变量y1(h+1,i),y2(h+1,i)和y3(h+1,i)之间存在的复杂非线性关系；
(2-2)获取第h+1次迭代过程中产生的样本数据f(h+1,i-1)＝[f1(h+1,i-1),作为置信规则库推理模型的输入，随后计算f(h+1,i-1)相对于其参考值的匹配度aq,q；
(2-3)根据步骤(2-2)中计算的匹配度，计算第l条规则的激活权重；
(2-4)通过证据推理算法对输入样本数据f(h+1,i-1)所激活的L条规则进行融合，获得f(h+1,i-1)对应输出参考向量的置信度
(2-5)基于步骤(2-4)得到置信度利用效用理论估计模型输出向量y(h+1,i)＝[y1(h+1,i),y2(h+1,i),y3(h+1,i)]；
计算第h+1次迭代过程中粒子pi的惯性权重和正加速度常数。
5.根据权利要求4所述的一种基于MIMO-BRB-PSO的伺服系统参数优化计算方法，其特征在于，步骤(2-1)的置信规则库中的第l条规则表示为：
式中，置信规则库推理模型的输入f1(h+1,i-1)表示第h+1次迭代过程中粒子pi-1的惯性权重f2(h+1,i-1)定义为粒子pi-1的适应度值/>置信规则库推理模型的输出y1(h+1,i),y2(h+1,i)和y3(h+1,i)分别表示第h+1次迭代过程中粒子pi的惯性权重增量(Δw(h+1,i))和正加速度常数/>
表示第l条规则中第q个输入变量的参考等级，/>为模型的输出参考向量，即置信规则的后件属性，rj,l表示输出向量y(h+1,i)＝[y1(h+1,i),y2(h+1,i),y3(h+1,i)]匹配/>的置信度。
6.根据权利要求4或5所述的一种基于MIMO-BRB-PSO的伺服系统参数优化计算方法，其特征在于，步骤(2-1)中参考值的匹配度aq,q计算如下：
7.根据权利要求4或5所述的一种基于MIMO-BRB-PSO的伺服系统参数优化计算方法，其特征在于，步骤(2-5)中惯性权重和正加速度常数/>计算如下：
8.根据权利要求3或7所述的一种基于MIMO-BRB-PSO的伺服系统参数优化计算方法，其特征在于，所述步骤(3)具体步骤如下：
(3-1)根据步骤(2-5)得到第h+1代粒子pi的惯性权重和正加速度常数/> 后，计算粒子pi的适应度值/>并将/>作为输入向量，重复步骤(2-2)～(2-5)，获取粒子pi+1的惯性权重/>和正加速度常数/>依次迭代，不断获取最佳运行参数；
(3-2)根据步骤(3-1)获取M个粒子更新后的正加速度常数和惯性权重后，计算所有粒子更新后的位置和速度，并以此计算其适应度值，并最终得到每个粒子的个体最优值以及第h+1次迭代的全局最优值
(3-3)在获得h+1次迭代的全局最优值后，重复步骤(2)、(3-1)～(3-2)，获取h+2次迭代的全局最优值/>依次类推，通过迭代不断更新全局最优值，直到达到最大迭代次数Hmax时为止，最终得到M个粒子的历史全局最优值，即为伺服系统参数的最佳结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410110106.0A CN117930662A (zh) | 2024-01-26 | 2024-01-26 | 一种基于mimo-brb-pso的伺服系统参数优化计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410110106.0A CN117930662A (zh) | 2024-01-26 | 2024-01-26 | 一种基于mimo-brb-pso的伺服系统参数优化计算方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117930662A true CN117930662A (zh) | 2024-04-26 |
Family
ID=90764312
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410110106.0A Pending CN117930662A (zh) | 2024-01-26 | 2024-01-26 | 一种基于mimo-brb-pso的伺服系统参数优化计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117930662A (zh) |
-
2024
- 2024-01-26 CN CN202410110106.0A patent/CN117930662A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108133258B (zh) | 一种混合全局优化方法 | |
| Ou et al. | Comparison between PSO and GA for parameters optimization of PID controller | |
| CN113552797A (zh) | 一种基于改进粒子群优化的加热炉炉温控制方法和系统 | |
| Allaoua et al. | Neuro-fuzzy DC motor speed control using particle swarm optimization | |
| CN108167802B (zh) | 低负荷下锅炉负荷的多模型智能寻优预测控制方法 | |
| CN112987572B (zh) | 一种基于先验知识的自适应球杆系统粒子群优化方法 | |
| CN113687654A (zh) | 一种基于进化算法的神经网络训练方法及路径规划方法 | |
| Łapa et al. | Aspects of structure and parameters selection of control systems using selected multi-population algorithms | |
| CN110530373A (zh) | 一种机器人路径规划方法、控制器及系统 | |
| CN117970782B (zh) | 一种基于鱼鳞进化gsom改进的模糊pid控制方法 | |
| CN113093526A (zh) | 一种基于强化学习的无超调pid控制器参数整定方法 | |
| CN114330119B (zh) | 一种基于深度学习的抽蓄机组调节系统辨识方法 | |
| Maddi et al. | Optimization of pid controller gain using evolutionary algorithm and swarm intelligence | |
| CN116722541A (zh) | 一种基于卷积神经网络的电力系统负荷预测方法及装置 | |
| CN117930662A (zh) | 一种基于mimo-brb-pso的伺服系统参数优化计算方法 | |
| CN114282440B (zh) | 一种抽水蓄能机组调节系统鲁棒辨识方法 | |
| CN115618497A (zh) | 一种基于深度强化学习的翼型优化设计方法 | |
| CN110908280B (zh) | 一种小车-二级倒立摆系统优化控制方法 | |
| CN115016248A (zh) | 一种基于pso算法优化rbf神经网络的电机pid控制方法 | |
| Wenwen | Application Research of end to end behavior decision based on deep reinforcement learning | |
| CN115309051B (zh) | 一种数控立车伺服系统及其多模态多目标自趋优控制方法 | |
| Khorasgani et al. | Deep reinforcement learning with adjustments | |
| Dimos et al. | A learning framework for versatile STL controller synthesis | |
| CN117826713B (zh) | 一种改进的强化学习agv路径规划方法 | |
| CN114970343B (zh) | 一种基于搜索空间变动的水泥粉磨过程多目标优化方法 |
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 |