CN117970785A - 一种基于改进群优化算法的助行仪控制方法 - Google Patents

Abstract

一种基于改进群优化算法的助行仪控制方法，包括助行仪控制系统和基于改进群优化算法的助行仪PID控制系统，所述改进群优化算法是对基础巨型犰狳算法改进；其特征在于，具体包括以下步骤：S1.构建助行仪控制系统模型和基于改进群优化算法的助行仪PID控制系统模型；S2.构建改进巨型犰狳算法的模型；S3.利用改进巨型犰狳算法优化电流PID控制器，得到最佳的电流PID控制参数Kp、Ki、Kd；S4.助行仪控制系统应用优化后的PID控制参数实现电流闭环控制。

Description

一种基于改进群优化算法的助行仪控制方法

技术领域

本发明涉及PID控制技术领域，具体涉及一种基于改进群优化算法的助行仪控制方法。

背景技术

现如今脑卒中疾病的患者每年都会增加，由于脑卒中导致大脑中枢神经元的受损，对于躯体肌肉调控能力下降，引起肌张力降低，肌力、平衡能力下降，行走运动控制障碍等较为严重的症状产生，行动极大地受限，严重影响生活质量。常规的运动康复训练是脑卒中患者主要的康复手段之一，通过一定的功能康复训练可以得到大脑的功能康复，而康复的效果与训练施加的刺激强度相关。

助行仪是一种辅助行走的设备，它的工作原理主要基于功能电刺激原理。通过传感器检测到的步态情况，助行仪可以控制刺激器的低频电脉冲输出，在患足起步时把足部抬起，而在患足落地时停止电刺激，从而控制患肢的足部运动，帮助患者在步行时获得更加稳健安全的步态。但在面对身体功能较差的老年人或者不同身高体型的患者和用户，对于助行仪的控制要求也会提高。

基于改进群优化方法的助行仪控制方法涉及PID控制方法，主要运用在助行仪电极端对于输出脉冲电流的控制。传统的PID控制主要适用于线性且动态特性不随时间变化的系统，对于复杂、惯性大、滞后大的对象，PID控制难以达到理想的效果。

巨型犰狳优化算法（Giant Armadillo Optimization，GAO）是一种新型群智能优化算法，该算法模拟了野生巨型犰狳的自然行为，具有进化能力强、搜索速度快、寻优能力强的特点。该算法是基于巨型犰狳攻击白蚁丘的策略，分为两个阶段进行了描述和数学建模：(1)基于模拟巨型犰狳向白蚁丘移动的探索，(2)基于模拟巨型犰狳挖掘技能的开发，以捕食和打开白蚁丘。巨型犰狳优化算法虽搜索速度快，但全局搜索性能差，易陷入局部最优解。

发明内容

本发明的目的在于：为了解决助行仪在应对不同患者和不同身体类型使用人群时面临的多样化挑战，确保其在各种使用场景中实现更加精确的控制，以及传统的PID控制对于复杂、惯性大、滞后大的系统环境，无法提供足够的控制性能的问题。本发明提出一种基于改进群优化算法的助行仪控制方法，通过改进巨型犰狳算法解决了传统PID控制低性能的问题，提高PID控制系统的稳定性和鲁棒性。此外，通过改进巨型犰狳算法优化电流PID控制器的控制参数Kp、Ki、Kd，实现对助行仪电极端输出脉冲电流的精确控制。

为实现上述目的，本发明采用了如下技术方案：

一种基于改进群优化算法的助行仪控制方法，包括助行仪控制系统和基于改进群优化算法的助行仪PID控制系统，所述改进群优化算法是对基础巨型犰狳算法改进；具体包括以下步骤。

S1.构建助行仪控制系统模型和基于改进群优化算法的助行仪PID控制系统模型。

S2.构建改进巨型犰狳算法的模型。

S3.利用改进巨型犰狳算法优化电流PID控制器，得到最佳的电流PID控制参数Kp、Ki、Kd。

S4.助行仪控制系统应用优化后的PID控制参数实现电流闭环控制。

进一步的，所述S1中，助行仪控制系统模型包括步态传感器单元，控制器，供压单元，稳流单元，脉冲控制单元，电流输出单元，检测单元；所述步态传感器单元用来检测人体步态情况；所述控制器是整个控制系统的中心，输出相应的占空比信号给供压单元；所述供压单元根据占空比信号为稳流单元提供工作电压；所述稳流单元的作用是维持系统电流的稳定性；所述脉冲控制单元负责对电流进行精细的调节和控制以得到脉冲电流；所述电流输出单元为释放脉冲电流的电极；所述检测单元用来检测实时反馈电流和电压。

进一步的，所述S1中，基于改进群优化算法的助行仪PID控制系统模型包括偏差计算模块，电流PID控制器模块，电流检测模块，电极模块，改进巨型犰狳算法模块。

进一步的，所述S2中，构建改进巨型犰狳算法的模型，包括两部分。

D1.在算法的探索阶段融入螺旋搜索策略，提高算法的全局搜索性能。

D2.在算法的开发阶段加入自调节控制因子z，避免算法陷入局部最优解，自调节控制因子z的公式如下：

（1）；

其中，t为当前迭代次数，T为最大迭代次数。

进一步的，所述S3中，利用改进巨型犰狳算法优化电流PID控制器，得到最佳的电流PID控制参数Kp、Ki、Kd，具体步骤如下：

step1.将电流PID控制器控制参数Kp、Ki、Kd编码为巨型犰狳算法搜索空间的解，随着算法的迭代，巨型犰狳的位置即为电流PID控制器参数的解。

step2.初始化改进巨型犰狳算法的参数，包括种群规模N，最大迭代次数T，空间维 度d，搜索上界，搜索下界。

step3.根据适应度函数计算当前迭代巨型犰狳种群个体适应度值，将最优适应度值记录下来，并与上次迭代的种群最优适应度值相比较，保留最优适应度值。

step4.建立巨型犰狳算法在探索阶段和开发阶段的种群位置更新公式，求解最优种群个体位置。

step5.算法的探索阶段，融入螺旋搜索策略的种群个体位置更新公式如下：

（2）；

（3）；

其中，是基于探索阶段第j维度第i只巨型犰狳的新位置，是介于0和1之间 的随机数，是第j维度第i只巨型犰狳选择的白蚁丘，是第j维度第i只巨型犰 狳的位置，c是螺旋搜索因子，l是介于-1和1之间的随机数，是集合中的随机数，n 表示幂级数中每一项的次数。

算法的开发阶段，加入自调节控制因子z的种群个体位置更新公式为：

（4）；

其中，是基于开发阶段第j维度第i只巨型犰狳的新位置，其他参数意义同上。

step6.若更新后的巨型犰狳种群个体位置比上次更新的位置更优，则保留当前最优解。

step7.判断当前迭代次数t是否达到最大迭代次数T，若是则停止寻优输出最优解，并将最优解分配给电流PID控制器作为控制参数Kp、Ki、Kd，否则返回执行step1。

本发明通过改进巨型犰狳算法：在算法的探索阶段融入螺旋搜索策略，使算法在全局范围内能够更为广泛地调查搜索空间，寻找具有潜力的区域，提高算法的全局搜索性能；在算法的开发阶段加入自调节控制因子，使得算法在迭代时根据具体情况自动调整内部参数和策略，有助于算法更好地适应不同的应用场景和数据分布，提高算法的灵活性和适应性。基于以上改进提高了基础巨型犰狳算法的性能，进而优化了助行仪脉冲电流PID控制性能。

附图说明

图1为助行仪控制系统模型。

图2为基于改进群优化算法的助行仪PID控制系统模型。

图3为改进巨型犰狳算法优化电流PID控制器控制参数流程图。

图4为基础巨型犰狳算法与改进巨型犰狳算法的适应度值变化曲线图。

图5为基础巨型犰狳算法与改进巨型犰狳算法应用在PID控制系统的效果对比图。

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。

参阅图1-图5，本发明提供一种技术方案：

一种基于改进群优化算法的助行仪控制方法，包括助行仪控制系统和基于改进群优化算法的助行仪PID控制系统，所述改进群优化算法是对基础巨型犰狳算法改进；具体包括以下步骤。

S1.构建助行仪控制系统模型和基于改进群优化算法的助行仪PID控制系统模型。

S2.构建改进巨型犰狳算法的模型。

S3.利用改进巨型犰狳算法优化电流PID控制器，得到最佳的电流PID控制参数Kp、Ki、Kd。

S4.助行仪控制系统应用优化后的PID控制参数实现电流闭环控制。

进一步的，所述S1中，如图1所示，助行仪控制系统模型包括步态传感器单元，控制器，供压单元，稳流单元，脉冲控制单元，电流输出单元，检测单元。

进一步的，所述助行仪控制系统模型中，控制器通过步态传感器单元检测到的人体步态情况和检测单元检测到的实时反馈电流和电压，输出相应的占空比信号给供压单元，供压单元根据控制器输出的占空比信号为稳流单元提供工作电压，随后经过稳流单元输出稳定的电流到脉冲控制单元，脉冲控制单元对电流进行精细的调节和控制得到脉冲电流，最后通过电流输出单元输出脉冲电流。

进一步的，所述步态传感器单元用来检测人体步态情况；所述控制器是整个控制系统的中心，输出相应的占空比信号给供压单元；所述供压单元根据占空比信号为稳流单元提供工作电压；所述稳流单元的作用是维持系统电流的稳定性；所述脉冲控制单元负责对电流进行精细的调节和控制以得到脉冲电流；所述电流输出单元为释放脉冲电流的电极；所述检测单元用来检测实时反馈电流和电压。

进一步的，所述S1中，如图2所示，基于改进群优化算法的助行仪PID控制系统模型包括偏差计算模块，电流PID控制器模块，电流检测模块，电极模块，改进巨型犰狳算法模块。

进一步的，所述偏差计算模块用来计算期望电流值与实时反馈电流值的差值；所述电流检测模块用来检测实时反馈电流值；所述电极模块用来输出脉冲电流；所述改进巨型犰狳算法模块输出优化后的PID控制参数Kp、Ki、Kd；所述电流PID控制器模块接收优化后的PID控制参数，输出参考脉冲电流值到电极。

进一步的，所述S2中，构建改进巨型犰狳算法的模型，包括两部分：

D1.在算法的探索阶段融入螺旋搜索策略，提高算法的全局搜索性能。

D2.在算法的开发阶段加入自调节控制因子z，避免算法陷入局部最优解，自调节控制因子z的公式如下：

（1）；

其中，t为当前迭代次数，T为最大迭代次数。

进一步的，所述S3中，如图3所示，利用改进巨型犰狳算法优化电流PID控制器，得到最佳的电流PID控制参数Kp、Ki、Kd，具体步骤如下：

step1.将电流PID控制器控制参数Kp、Ki、Kd编码为巨型犰狳算法搜索空间的解，随着算法的迭代，巨型犰狳的位置即为电流PID控制器参数的解。

step2.初始化改进巨型犰狳算法的参数，包括种群规模N，最大迭代次数T，空间维 度d，搜索上界，搜索下界。

step3.根据适应度函数计算当前迭代巨型犰狳种群个体适应度值，将最优适应度值记录下来，并与上次迭代的种群最优适应度值相比较，保留最优适应度值。

step4.建立巨型犰狳算法在探索阶段和开发阶段的种群位置更新公式，求解最优种群个体位置。

step5.算法的探索阶段，融入螺旋搜索策略的种群个体位置更新公式如下：

（2）；

（3）；

其中，是基于探索阶段第j维度第i只巨型犰狳的新位置，是介于0和1之间 的随机数，是第j维度第i只巨型犰狳选择的白蚁丘，是第j维度第i只巨型犰 狳的位置，c是螺旋搜索因子，l是介于-1和1之间的随机数，是集合中的随机数，n 表示幂级数中每一项的次数。

算法的开发阶段，加入自调节控制因子z的种群个体位置更新公式为：

（4）；

其中，是基于开发阶段第j维度第i只巨型犰狳的新位置，其他参数意义同上。

step6.若更新后的巨型犰狳种群个体位置比上次更新的位置更优，则保留当前最优解。

step7.判断当前迭代次数t是否达到最大迭代次数T，若是则停止寻优输出最优解，并将最优解分配给电流PID控制器作为控制参数Kp、Ki、Kd，否则返回执行step1。

根据图4基础巨型犰狳算法与改进巨型犰狳算法的适应度值变化曲线图可以看出，根据适应度值越小算法性能越好的准则，改进后的巨型犰狳算法在适应度值上表现更优异，算法不仅增加了解的多样性，而且加快了收敛速度。这表明它在问题解决方面有更高的效率和性能，能更好的适应问题的复杂性和多样性，从而更有效地寻找到最优解或者更接近最优解的解决方案，也增强了其在实际应用中的可靠性和可行性。

由图5基础巨型犰狳算法与改进巨型犰狳算法应用在PID控制系统的效果对比图可以看出，改进后的巨型犰狳算法在应用于PID控制系统时表现更出色，相比于基础巨型犰狳算法，它能够更精确地调节控制参数，超调量更小，更快速地响应系统变化，以及更稳定地维持控制系统的性能。

Claims (5)

1.一种基于改进群优化算法的助行仪控制方法，包括助行仪控制系统和基于改进群优化算法的助行仪PID控制系统，所述改进群优化算法是对基础巨型犰狳算法改进；

其特征在于：具体包括以下步骤：

S1.构建助行仪控制系统模型和基于改进群优化算法的助行仪PID控制系统模型；

S2.构建改进巨型犰狳算法的模型；

S3.利用改进巨型犰狳算法优化电流PID控制器，得到最佳的电流PID控制参数Kp、Ki、Kd；

S4.助行仪控制系统应用优化后的PID控制参数实现电流闭环控制。

2.根据权利要求1所述的一种基于改进群优化算法的助行仪控制方法，其特征在于，所述S1中，助行仪控制系统模型包括步态传感器单元，控制器，供压单元，稳流单元，脉冲控制单元，电流输出单元，检测单元；所述步态传感器单元用来检测人体步态情况；所述控制器是整个控制系统的中心，输出相应的占空比信号给供压单元；所述供压单元根据占空比信号为稳流单元提供工作电压；所述稳流单元的作用是维持系统电流的稳定性；所述脉冲控制单元负责对电流进行精细的调节和控制以得到脉冲电流；所述电流输出单元为释放脉冲电流的电极；所述检测单元用来检测实时反馈电流和电压。

3.根据权利要求1所述的一种基于改进群优化算法的助行仪控制方法，其特征在于，所述S1中，基于改进群优化算法的助行仪PID控制系统模型包括偏差计算模块，电流PID控制器模块，电流检测模块，电极模块，改进巨型犰狳算法模块。

4.根据权利要求1所述的一种基于改进群优化算法的助行仪控制方法，其特征在于，所述S2中，构建改进巨型犰狳算法的模型，包括两部分：

D1.在算法的探索阶段融入螺旋搜索策略，提高算法的全局搜索性能；

D2.在算法的开发阶段加入自调节控制因子z，避免算法陷入局部最优解，自调节控制因子z的公式如下：

（1）；

其中，t为当前迭代次数，T为最大迭代次数。

5.根据权利要求1所述的一种基于改进群优化算法的助行仪控制方法，其特征在于，所述S3中，利用改进巨型犰狳算法优化电流PID控制器，得到最佳的电流PID控制器参数Kp、Ki、Kd，具体步骤如下：

step1.将电流PID控制器参数Kp、Ki、Kd编码为巨型犰狳算法搜索空间的解，随着算法的迭代，巨型犰狳的位置即为电流PID控制器参数的解；

step2.初始化改进巨型犰狳算法的参数，包括种群规模N，最大迭代次数T，空间维度d，搜索上界，搜索下界/>;

step3.根据适应度函数计算当前迭代巨型犰狳种群个体适应度值，将最优适应度值记录下来，并与上次迭代的种群最优适应度值相比较，保留最优适应度值；

step4.建立巨型犰狳算法在探索阶段和开发阶段的种群位置更新公式，求解最优种群个体位置；

step5.算法的探索阶段，融入螺旋搜索策略的种群个体位置更新公式如下：

（2）；

（3）；

其中，是基于探索阶段第j维度第i只巨型犰狳的新位置，/>是介于0和1之间的随机数，/>是第j维度第i只巨型犰狳选择的白蚁丘，/>是第j维度第i只巨型犰狳的位置，c是螺旋搜索因子，l是介于-1和1之间的随机数，/>是集合/>中的随机数，n表示幂级数中每一项的次数；

算法的开发阶段，加入自调节控制因子z的种群个体位置更新公式为：

（4）；

其中，是基于开发阶段第j维度第i只巨型犰狳的新位置，其他参数意义同上；

step6.若更新后的巨型犰狳种群个体位置比上次更新的位置更优，则保留当前最优解；

step7.判断当前迭代次数t是否达到最大迭代次数T，若是则停止寻优输出最优解，并将最优解分配给电流PID控制器作为控制参数Kp、Ki、Kd，否则返回执行step1。