基于双种群混沌鲸鱼算法的自抗扰控制器参数整定
发布时间：2022-01-09 21:29
非线性自抗扰控制器具有多个耦合参数且依靠传统的经验整定法难以整定,以至于对控制器的精度和抗扰动能力造成一定影响。针对此问题,提出一种双种群混沌鲸鱼算法对控制器参数进行在线整定。针对传统鲸鱼算法易陷入局部最优以及在迭代后期出现寻优缓慢的现象,提出一种混沌策略和双种群协同机制对算法进行改进。以机械臂作为被控对象进行仿真验证,结果表明优化后的自抗扰控制器具有更好的控制精度和良好的抗扰动能力。改进后的鲸鱼优化算法可以用于非线性自抗扰控制器参数整定。
【文章来源】：计算机应用与软件. 2019,36(04)北大核心
【文章页数】：6 页
【部分图文】：
非线性自抗扰结构框图其中:v和v分别为TD给出的过度过程及其微分;
fal(·)是一种非线性函数，是输出误差校正率，其表达式为:fal(e，a，δ)=|e|asign(e)|e|＞δe/δ1－a|e|≤{δ(4)其余参数由于一部分变化极其敏感，一部分对控制系统影响不大，因此可事先根据经验先行设定。本文选取TD中r=100，h=0．01;ESO中的a1=0．5，a2=0．25，δ=0．01。针对非线性自抗扰参数难整定以至于影响控制精度和抗扰动问题，选取ITAE作为优化的目标函数，采用双种群混沌鲸鱼算法进行在线优化，其系统框图如图2所示。图2基于DCWOA算法的ADＲC系统框图2算法设计2．1标准鲸鱼优化算法鲸鱼优化算法是一种高效的新型启发式优化算法，其寻优方式是基于模拟鲸鱼狩猎所得出的。该算法主要包括三个阶段:包围猎物、螺旋狩猎和搜索食物。对于鲸鱼优化算法而言，鲸鱼种群中任意一只鲸鱼所在的位置都可以表示为一个决策变量。(1)包围猎物:座头鲸在狩猎的时候要包围猎物，其数学模型如下:D=|CX*(t)－X(t)|(5)X(t+1)=X*(t)－A·D(6)式中:t表示为迭代次数;A和C为系数矩阵;X*(t)为当前最优的鲸鱼位置向量;X(t)表示当前鲸鱼的位置向量，A和C由下面的公式得出:A=2a×r1－a(7)C=2×r2(8)式中:r1和r2为(0，1)之间的随机数;a的值在(0，2)
胁蛔悖??从庞谄渌?2种算法，同时也更加稳定。结果表明，在绝大部分的测试函数上，相比其他3种算法，DCWOA算法可以找到精度更高，收敛速度更快的最优解。因此DCWOA是一个具有高效性的优化算法，并且可用于优化自抗扰参数。本文选取DCWOA算法对ADＲC参数进行在线优化，并选取ITAE指标做为算法的目标函数，其中ITAE指标［10］的数学表达式如下:J=∫T0t|e(t)|dt(15)为了验证本文所提算法的有效性，选取CPSO与DCWOA进行对比验证，具体结果如图3和图4所示。图3第一组参数寻优图4第二组参数寻优图3和图4为CPSO和DCWOA算法对两组AD-ＲC参数整定过程中的评价函数优化曲线。DCWOA算法相较CPSO而言，具有更高的搜索精度，更快的搜索速度，很大程度上提高了ADＲC的控制精度。在寻优范围上，DCWOA远大于CPSO。在算法寻优初期，DCWOA算法得到的评价函数值的下降速度明显优于CPSO，说明DCWOA的寻优初值要好于CPSO，因此可得到比CPSO更快的寻优速度，使算法整体的优化效率得到提升，且评价函数值更小，故DCWOA可以更好地得到控制器参数。最后为了验证本文方法的高效性，在MATLAB上独立运行DCWOA、AWOA、WOA和CPSO算法各50次，并记录平均时间分别为5．34s、6．88s、7．33s和6．02s。因此验证本文算法复杂度更低，优化时间更短。
【参考文献】：
期刊论文
[1]基于鲸鱼优化算法的汽轮机热耗率模型预测[J]. 牛培峰,吴志良,马云鹏,史春见,李进柏. 化工学报. 2017(03)
[2]基于混沌粒子群优化算法的异结构混沌反同步自抗扰控制[J]. 刘福才,贾亚飞,任丽娜. 物理学报. 2013(12)
本文编号：3579475
【文章来源】：计算机应用与软件. 2019,36(04)北大核心
【文章页数】：6 页
【部分图文】：
非线性自抗扰结构框图其中:v和v分别为TD给出的过度过程及其微分;
fal(·)是一种非线性函数，是输出误差校正率，其表达式为:fal(e，a，δ)=|e|asign(e)|e|＞δe/δ1－a|e|≤{δ(4)其余参数由于一部分变化极其敏感，一部分对控制系统影响不大，因此可事先根据经验先行设定。本文选取TD中r=100，h=0．01;ESO中的a1=0．5，a2=0．25，δ=0．01。针对非线性自抗扰参数难整定以至于影响控制精度和抗扰动问题，选取ITAE作为优化的目标函数，采用双种群混沌鲸鱼算法进行在线优化，其系统框图如图2所示。图2基于DCWOA算法的ADＲC系统框图2算法设计2．1标准鲸鱼优化算法鲸鱼优化算法是一种高效的新型启发式优化算法，其寻优方式是基于模拟鲸鱼狩猎所得出的。该算法主要包括三个阶段:包围猎物、螺旋狩猎和搜索食物。对于鲸鱼优化算法而言，鲸鱼种群中任意一只鲸鱼所在的位置都可以表示为一个决策变量。(1)包围猎物:座头鲸在狩猎的时候要包围猎物，其数学模型如下:D=|CX*(t)－X(t)|(5)X(t+1)=X*(t)－A·D(6)式中:t表示为迭代次数;A和C为系数矩阵;X*(t)为当前最优的鲸鱼位置向量;X(t)表示当前鲸鱼的位置向量，A和C由下面的公式得出:A=2a×r1－a(7)C=2×r2(8)式中:r1和r2为(0，1)之间的随机数;a的值在(0，2)
胁蛔悖??从庞谄渌?2种算法，同时也更加稳定。结果表明，在绝大部分的测试函数上，相比其他3种算法，DCWOA算法可以找到精度更高，收敛速度更快的最优解。因此DCWOA是一个具有高效性的优化算法，并且可用于优化自抗扰参数。本文选取DCWOA算法对ADＲC参数进行在线优化，并选取ITAE指标做为算法的目标函数，其中ITAE指标［10］的数学表达式如下:J=∫T0t|e(t)|dt(15)为了验证本文所提算法的有效性，选取CPSO与DCWOA进行对比验证，具体结果如图3和图4所示。图3第一组参数寻优图4第二组参数寻优图3和图4为CPSO和DCWOA算法对两组AD-ＲC参数整定过程中的评价函数优化曲线。DCWOA算法相较CPSO而言，具有更高的搜索精度，更快的搜索速度，很大程度上提高了ADＲC的控制精度。在寻优范围上，DCWOA远大于CPSO。在算法寻优初期，DCWOA算法得到的评价函数值的下降速度明显优于CPSO，说明DCWOA的寻优初值要好于CPSO，因此可得到比CPSO更快的寻优速度，使算法整体的优化效率得到提升，且评价函数值更小，故DCWOA可以更好地得到控制器参数。最后为了验证本文方法的高效性，在MATLAB上独立运行DCWOA、AWOA、WOA和CPSO算法各50次，并记录平均时间分别为5．34s、6．88s、7．33s和6．02s。因此验证本文算法复杂度更低，优化时间更短。
【参考文献】：
期刊论文
[1]基于鲸鱼优化算法的汽轮机热耗率模型预测[J]. 牛培峰,吴志良,马云鹏,史春见,李进柏. 化工学报. 2017(03)
[2]基于混沌粒子群优化算法的异结构混沌反同步自抗扰控制[J]. 刘福才,贾亚飞,任丽娜. 物理学报. 2013(12)
本文编号：3579475
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3579475.html
