一种基于改进的人工蜂群算法的四旋翼PID参数优化方法，包括如下步骤：1)建立四旋翼飞行器数学模型，2)设计四旋翼飞行器PID控制器；3)基本人工蜂群算法优化PID参数过程；4)带免疫压缩操作的人工蜂群算法优化PID控制参数；5)输出PID性能控制参数，即传递函数G1(S)，G2(S)，G3(S)。本发明专利技术提供了一种精确度较高、耗时较短、自适应能力较好、适用性良好的基于改进的人工蜂群算法的四旋翼PID参数优化方法。
【技术实现步骤摘要】
【专利摘要】一种基于改进的人工蜂群算法的四旋翼PID参数优化方法，包括如下步骤：1)建立四旋翼飞行器数学模型，2)设计四旋翼飞行器PID控制器；3)基本人工蜂群算法优化PID参数过程；4)带免疫压缩操作的人工蜂群算法优化PID控制参数；5)输出PID性能控制参数，即传递函数G1(S)，G2(S)，G3(S)。本专利技术提供了一种精确度较高、耗时较短、自适应能力较好、适用性良好的基于改进的人工蜂群算法的四旋翼PID参数优化方法。【专利说明】-种基于改进的人工蜂群算法的四旋翼PID参数优化方法
本专利技术涉及飞行器优化控制领域，尤其是一种PID参数优化方法，特别适用于四 旋翼飞行器控制方面的问题。
技术介绍
近年来，四旋翼飞行器逐渐成为航空学术研究中新的前沿和热点。四旋翼飞行器 是一种能实现垂直起降的非共轴式多旋翼飞行器，可以只通过调节蝶形分布的四个旋翼的 转速，实现对四旋翼飞行器飞行姿态的控制。由于不需要尾翼，四旋翼飞行器结构更加紧 凑，四个旋翼的提升力比单旋翼更加均匀，因而飞行姿态更加稳定。另外，四旋翼飞行器还 具有起飞要求低、可悬停等特点。 飞行控制是四旋翼飞行器控制中的关键技术。澳大利亚卧龙岗大学的Mckerrow 对四旋翼飞行器进行了精确建模。美国斯坦福大学的Gabe Hoffman等人研发出了基于非线 性控制律的飞行控制器，国防科技大学王俊生等设计了基于FSMC的飞行控制方法。目前研 究多集中在非线性控制领域，由于非线性控制对模型准确性有较强的依赖，在模型误差存 在的条件下，PID控制更加实用。K p，Kp Kd这3个参数决定PID控制性能的优劣，它们影响 着控制系统的可靠性和鲁棒性。在内外回路控制中，这3个参数之间不是单纯的孤立关系， 而是相互影响，变动其中一个参数，会影响其他两个参数的控制作用。传统的PID控制器参 数调整多采用试凑方式，这不仅需要熟练的操作技巧和经验，而且往往耗时较长。更重要的 是，当被控对象特性发生变化需要控制参数相应变化时，传统PID控制器没有自适应能力， 只能依赖人工重新调整。 近年来，随着人工智能的发展，出现了很多智能算法优化PID参数问题。
技术实现思路
为了克服已有四旋翼PID参数优化方法中精确度不高、耗时较长、无自适应能力、 适用性较差的不足，本专利技术提供了一种精确度较高、耗时较短、自适应能力较好、适用性良 好的基于改进的人工蜂群算法的四旋翼PID参数优化方法。 本专利技术解决其技术问题所采用的技术方案是： -种基于改进的人工蜂群算法的四旋翼PID参数优化方法，所述优化方法包括以 下步骤： 1)建立四旋翼飞行器数学模型：设定四旋翼飞行器机械结构完全对称，在小角度 下，设定欧拉角的角速度和机体角速度之间为简单的积分关系，则有 ： 【权利要求】1. 一种基于改进的人工蜂群算法的四旋翼PID参数优化方法，其特征在于：所述优化 方法包括以下步骤： 1) 建立四旋翼飞行器数学模型：设定四旋翼飞行器机械结构完全对称，在小角度下， 设定欧拉角的角速度和机体角速度之间为简单的积分关系，则有 ：式中，Φ，9，<?分别为四旋翼飞行器的滚转角，俯仰角和偏航角；ωχ，coy，ω ζ分别为X， y，ζ轴角速度； 把四旋翼飞行器非线性耦合分解成4个独立控制通道，定义系统控制输入量为：式中Α为俯仰控制量；U2为滚转控制量；U3为偏航控制量；U4为垂直控制量；ω i (i = 1，2, 3, 4)分别为各旋翼的角速度；kt，kd分别为旋翼升力系数和旋翼阻力系数； 2) 设计四旋翼飞行器PID控制器： 结合四旋翼飞行器机体结构数据，给出俯仰通道的传递函数G1(s)如下：其中，Θ (s)为俯仰通道的输出函数，Ujs)为俯仰通道的输入函数，s代表传递函数的 拉式变换； 滚转通道的传递函数G2(s)为：其中，Φ (s)为滚转通道的输出函数，U2(s)为滚转通道的输入函数，s代表传递函数的 拉式变换； 偏航通道的传递函数G3(s)为：其中，列0为偏航通道的输出函数，U3(s)为偏航通道的输入函数，s代表传递函数的拉 式变换； 3) 基本人工蜂群算法优化PID参数过程： 3. 1)初始化时，随机生成SN个可行解并计算适应度函数值，可行解的数量等于雇佣蜂 的数量，随机产生可行解的公式如下： Xi =-Tmn -·Τ4η) (6) 式中，XiSD维向量，i = 1，2，...，SN，D为优化参数的个数，j e {1，2,…，D}，x/代表 Xi在第j维上的分量；rand(0, 1)为取区间之间的随机数，为d方向的向量最大 值，^^为一方向的向量最小值； 3. 2)雇佣蜂记录自己到目前为止的最优值，并在当前食物源附近展开邻域搜索，产生 一个新食物源替代前一个蜜源的公式为： v/=x/_4) (7) 式中，i代表群里某具体个体，j e {1，2,…，D}，k e {1，2,…，SN}，k为随机生成且 k关i，v/代表在#的邻域内找到的一个较优蜜源的位置，$代表随机生成来的另一个蜜源 的位置；<?/为之间的随机数； 3. 3)基本人工蜂群算法，观察蜂选择雇佣蜂的概率Pi为：式中，fit (xj为第i个解的适应值对应食物源的丰富程度； 4) 带免疫压缩操作的人工蜂群算法优化PID控制参数： 4.1)选择阈值￡和最大迭代次数1^_，初始蜜蜂位置2;()=(2;1,2 1.2,...,2"/))，21」为群体中 第1个个体在」维分量上的值，_^{1，2^"，0}，根据广1" = 1-(矿,€1,...，/^)』(°)为初 始状态找到的最优蜜源的位置，为群体中第1个蜜蜂个体的初始位置，F 2°为群体中第2 个蜜蜂个体的初始位置，为群体中第SD个蜜蜂个体的初始位置，人工蜂群算法由SD个 蜜蜂组成一个群体，每个蜜蜂个体均进行搜索,找出全局最优，设算法迭代次数k = 0, k 的取值范围从〇开始直到Nmax ; 4. 2) k - k+1，根据公式（6)更新每个蜜源位置，并采用阴性选择机制，对蜜源亲合度小 于抑制阈值σ s并且适应度最高的个体予以保留，而抑制其他所有的蜜源； 4. 3)计算适应度函数值if \其表述为F(n> ，F(n)为在第η次迭 代过程中找到的最优蜜源的位置，是根据每个个体蜜源位置值f(i)在其邻域内是否存在局 部较优解而更新寻找蜜源最优位，if1为群体中第1个蜜蜂个体的η次迭代后找到的新蜜 源的位置，为群体中第2个蜜蜂个体的η次迭代后找到的新蜜源的位置，/?1为群体中 第30个蜜蜂个体的11次迭代后找到的新蜜源的位置，如果满足$(1^)4(11))^> )>￡且11 < Nmax，跳到步骤4. 2)，否则结束迭代； 5) 输出PID性能控制参数，即传递函数G1(s)，G2(s)，G3(s)。2.如权利要求1所述的一种基于改进的人工蜂群算法的四旋翼PID参数优化方法，其 特征在于：所述步骤3)中，当某食物源迭代limit次没有改进时，便放弃该食物源，并且将 该食物源记录在禁忌表中，同时该蜜源对应的雇用蜂转变为侦察蜂按式￠)随机产生一个 新的位置代替原蜜源。【文档编号本文档来自技高网...
【技术保护点】
一种基于改进的人工蜂群算法的四旋翼PID参数优化方法，其特征在于：所述优化方法包括以下步骤：1)建立四旋翼飞行器数学模型：设定四旋翼飞行器机械结构完全对称，在小角度下，设定欧拉角的角速度和机体角速度之间为简单的积分关系，则有：φ·=ωxθ·=ωyψ·=ωz---(1)]]>式中，φ,θ,分别为四旋翼飞行器的滚转角，俯仰角和偏航角；ωx,ωy,ωz分别为x，y，z轴角速度；把四旋翼飞行器非线性耦合分解成4个独立控制通道，定义系统控制输入量为：U1=kt(ω32-ω12)U2=kt(ω42-ω22)U3=kd(ω12-ω22+ω32-ω42)U4=ktΣi=14ωi2---(2)]]>式中U1为俯仰控制量；U2为滚转控制量；U3为偏航控制量；U4为垂直控制量；ωi(i＝1,2,3,4)分别为各旋翼的角速度；kt，kd分别为旋翼升力系数和旋翼阻力系数；2)设计四旋翼飞行器PID控制器：结合四旋翼飞行器机体结构数据，给出俯仰通道的传递函数G1(S)如下：G1(S)=θ(s)U1(s)=57.95s+4411s3+107.5s2+892.5s+4435---(3)]]>其中，θ(s)为俯仰通道的输出函数，U1(s)为俯仰通道的输入函数，s代表传递函数的拉式变换；滚转通道的传递函数G2(S)为：G2(S)=φ(s)U2(s)=63s+4563.873s3+109.347s2+1023.292s+2930.432---(4)]]>其中，φ(s)为滚转通道的输出函数，U2(s)为滚转通道的输入函数，s代表传递函数的拉式变换；偏航通道的传递函数G3(S)为：其中，为偏航通道的输出函数，U3(s)为偏航通道的输入函数，s代表传递函数的拉式变换；3)基本人工蜂群算法优化PID参数过程：3.1)初始化时，随机生成SN个可行解并计算适应度函数值，可行解的数量等于雇佣蜂的数量，随机产生可行解的公式如下：xij=xminj+rand(0,1)(xmaxj-xminj)---(6)]]>式中，xi为D维向量，i＝1,2,...,SN，D为优化参数的个数，j∈{1,2,…,D}，代表xi在第j维上的分量；rand(0,1)为取区间[0,1]之间的随机数，为xj方向的向量最大值，为xj方向的向量最小值；3.2)雇佣蜂记录自己到目前为止的最优值，并在当前食物源附近展开邻域搜索，产生一个新食物源替代前一个蜜源的公式为：式中，i代表群里某具体个体，j∈{1,2,…,D}，k∈{1,2,…,SN}，k为随机生成且k≠i，代表在的邻域内找到的一个较优蜜源的位置，代表随机生成来的另一个蜜源的位置；为[－1,1]之间的随机数；3.3)基本人工蜂群算法，观察蜂选择雇佣蜂的概率Pi为：Pi=fit(xi)Σn=1SNfit(xn)---(8)]]>式中，fit(xi)为第i个解的适应值对应食物源的丰富程度；4)带免疫压缩操作的人工蜂群算法优化PID控制参数：4.1)选择阈值ε和最大迭代次数Nmax，初始蜜蜂位置Zij为群体中第i个个体在j维分量上的值，j∈{1,2,…,D}，根据F(0)为初始状态找到的最优蜜源的位置，为群体中第1个蜜蜂个体的初始位置，为群体中第2个蜜蜂个体的初始位置，为群体中第SD个蜜蜂个体的初始位置，人工蜂群算法由SD个蜜蜂组成一个群体，每个蜜蜂个体均进行搜索，找出全局最优设算法迭代次数k＝0，k的取值范围从0开始直到Nmax；4.2)k←k+1，根据公式(6)更新每个蜜源位置，并采用阴性选择机制，对蜜源亲合度小于抑制阈值σs并且适应度最高的个体予以保留，而抑制其他所有的蜜源；4.3)计算适应度函数值其表述为F(n)为在第n次迭代过程中找到的最优蜜源的位置，是根据每个个体蜜源位置值在其邻域内是否存在局部较优解而更新寻找蜜源最优位，为群体中第1个蜜蜂个体的n次迭代后找到的新蜜源的位置，为群体中第2个蜜蜂个体的n次迭代后找到的新蜜源的位置，为群体中第SD个蜜蜂个体的n次迭代后找到的新蜜源的位置，如果满足(F(n‑1)‑F(n))/F(n)＞ε且n＜Nmax，跳到步骤4.2)，否则结束迭代；5)输出PID性能控制参数，即传递函数G1(S)，G2(S)，G3(S)。...
【技术特征摘要】
【专利技术属性】
技术研发人员：楼晓春，何丽莉，陈华凌，孟伟，
申请(专利权)人：杭州职业技术学院，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。