一种无人系统姿态控制PID参数整定动态多目标优化方法技术方案

本发明专利技术公开了一种无人系统姿态控制PID参数整定动态多目标优化方法，包括：S1，构建优化空间；S2，构建优化目标函数模型；S3，采用基于核均值匹配的动态多目标优化算法进行优化求解，得到不同时刻对应的PID控制参数；S4，根据得到的PID控制参数构建解空间，获得最终优化结果。本发明专利技术根据动力学模型分析和动态传递函数，通过矩阵描述的方法对无人系统刚体姿态进行描述，建立控制模型；利用基于核均值匹配的新型动态多目标优化算法进行求解，在不同时刻对PID参数进行动态优化，使得无人系统在动态姿态控制中满足最大超调量小、稳定时间短或绝对控制误差值小的要求。对控制误差值小的要求。对控制误差值小的要求。

【技术实现步骤摘要】
一种无人系统姿态控制PID参数整定动态多目标优化方法


[0001]本专利技术涉及无人系统姿态控制参数优化领域，尤其是涉及一种无人系统姿态控制PID参数整定动态多目标优化方法。

技术介绍

[0002]多目标优化算法通过对问题进行数学建模从而寻找最优解，旨在提高决策效益，优化资源利用，在实际应用中能够很好地同时考虑多个方面且相互制约的优化问题，代表性的多目标优化算法有NSGA
‑
II和MOEA/D等。无人系统，即自主控制技术控制系统，是可以实现无人操控和自适应执行各种任务的关键，设计的技术主要包括无人机控制、无人驾驶控制、人机只能交互控制等，其轨迹规划参数在无人系统运行中的姿态PID控制过程中，由于控制系统具有非线性、时滞性要求等特殊需求，控制过程中的最大超调量、稳定时间、绝对误差量等优化变量是相互矛盾的，且在运行过程中需要考虑到许多外界动态的因素对无人系统的影响，是一个显著的动态多目标优化问题，需要设计合理的动态检测和响应环节来适应环境的变化。
[0003]在使用PID控制器进行调节时，如果根据静态控制方法进行解决，每次都需要重新构建一个控制模型，会使得控制过程变得漫长，且在动态实时控制中显得没有意义。因此，何如保证无人系统在不同时刻的动态姿态控制中满足最大超调量小、稳定时间短和绝对控制误差值小要求是一个重要的研究方法。

技术实现思路

[0004]本专利技术的目的在于解决现有技术中的问题。
[0005]本专利技术解决其技术问题所采用的技术方案是：提供一种无人系统姿态控制PID参数整定动态多目标优化方法，包括：
[0006]S1，基于无人系统动力学模型构建优化空间；根据控制约束，构建PID参数的多维变量优化空间；
[0007]S2，构建优化目标函数模型；根据动力学模型分析和动态传递函数，通过矩阵描述的方法对无人系统刚体姿态进行描述，在PID参数整定中，以阶跃响应最大超调量、稳定时间和绝对控制误差值作为优化目标；
[0008]S3，优化求解；根据得到的优化目标函数模型和优化空间，设置动态环境参数、最大迭代次数N
max
和优化种群大小N，采用基于核均值匹配的动态多目标优化方法进行优化求解，得到不同时刻对应的PID控制参数；
[0009]S4，获得最终优化结果；根据得到的PID控制参数构建解空间，获得无人系统在不同时刻下动态姿态控制中的优化目标值，依据控制需要在系列帕累托解中选择最终优化结果；
[0010]优选的，所述S1包括：确定动态PID控制参数的变化范围，根据范围要求构建多维变量优化空间。
[0011]优选的，所述S2中的优化目标函数模型为：
[0012][0013]其中，F(x，t)是动态优化目标函数集合，t为时间变量，x为优化的PID参数，F1(x，t)中的绝对控制误差|e(t)|表示当前无人系统的位置与预设位置的绝对误差，最大超调量O
m
表示无人系统的姿态调整过程中的最大偏移量，F2(x,t)中的R表示无人系统姿态调整的稳定时间，w1和w2分别为两个动态优化目标函数的权重因子，在优化过程中，上述目标函数均以最小化为衡量标准。
[0014]优选的，S3包括：
[0015]S31，根据优化空间中随机生成设定种群大小的PID控制参数样本点，作为初始种群initPop；
[0016]S32，在时间T＝0的初始环境下，将初始种群作为优化目标函数模型的输入，仿真输出作为初代帕累托解；
[0017]S33，从前代种群随机挑选前代帕累托解的50％个体作为传感器，计算新环境下动态优化目标函数的变化率RCV
t
和覆盖范围的变化率RCS
t
，公式如下：
[0018][0019][0020][0021][0022]其中，PS是帕累托解集，Ft(x)表示的是前代传感器在t时刻环境下的目标函数值，P
ideal
表示的是前代帕累托解的理想点，||F
t
(x)，F
t
(y)||表示在t时刻两者的目标函数差值的模，t表示当前时刻，|PS
t
‑1|是传感器的个数，Dis
t
表征各帕累托解与理想点的平均距离，CS
t
反映帕累托个体与所有其它解的平均距离；
[0023]S34，根据所得到目标函数值的变化率RCV
t
和覆盖范围的变化率RCS
t
，求得四个指标值：PS
t
‑1因数S
PS
、初始化因数S
re
、P
ks
拐点因数S
ks
和P
cs
中心点因数S
cs
，对不同时刻无人系统姿态控制效果变化程度进行表征，进而采用四种策略进行多策略源域选择，指标公式如下：
[0024][0025]对各部分分数进行归一化处理，以确定每个源域的权重，生成源域种群X
so
及非支
配标签Y
so
，权重计算公式如下：
[0026][0027]其中，n＝[PS，re，ks，cs]；
[0028]S35，进入知识迁移阶段，系统进行预搜索操作，利用优化空间随机产生两个数量均为N的种群P1和种群P2，计算种群个体质量因数Q，并生成目标域种群X
ta
，公式如下：
[0029]I
ε
(x1，x2)＝max
j∈[1，2，
…
，M]|F
t，j
(x1)
‑
F
t,j
(x2)|
[0030]Q(x)＝max
z∈P\{x}
[I
ε
(x，z)][0031]计算I
ε
(x1，x2)的目的是找出x2与x1相比表现最好的目标函数值的差值，Q(x)是个体x的质量因数，Q值越大表示个体x的质量越好；
[0032]S36，以X
so
、Y
so
和X
ta
作为目标域，训练一个以θ
t
为参数的预测模型，求取样本权重，根据权重选择训练样本，训练分类器，获取新环境下的初始种群initPop；
[0033]S37，利用初始种群initPop带入静态多目标优化算法中寻优，得到当前环境的帕累托解；
[0034]S38，循环S33至S37，直至迭代次数达到最大迭代次数N
max
，停止迭代，输出当前帕累托解，作为不同时刻对应的PID控制参数。
[0035]优选的，所述S32中的优化目标函数模型采用MOEA/D静态多目标优化算法。
[0036]优选的，所述S34中的多策略源域选择为：当RCVt较大时，说明环境的变化程度较大，前代帕累托的知识不能很好地适应当前环境，源域需要较大比例的重新生成个体；当RCVt较小时，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人系统姿态控制PID参数整定动态多目标优化方法，其特征在于，包括：S1，基于无人系统动力学模型构建优化空间；根据控制约束，构建PID参数的多维变量优化空间；S2，构建优化目标函数模型；根据动力学模型分析和动态传递函数，通过矩阵描述的方法对无人系统刚体姿态进行描述，在PID参数整定中，以阶跃响应最大超调量、稳定时间和绝对控制误差值作为优化目标；S3，优化求解；根据得到的优化目标函数模型和优化空间，设置动态环境参数、最大迭代次数N
max
和优化种群大小N，采用基于核均值匹配的动态多目标优化方法进行优化求解，得到不同时刻对应的PID控制参数；S4，获得最终优化结果；根据得到的PID控制参数构建解空间，获得无人系统在不同时刻下动态姿态控制中的优化目标值，依据控制需要在系列帕累托解中选择最终优化结果。2.如权利要求1所述的无人系统姿态控制PID参数整定动态多目标优化方法，其特征在于，所述S1包括：确定动态PID控制参数的变化范围，根据范围要求构建多维变量优化空间。3.如权利要求1所述的无人系统姿态控制PID参数整定动态多目标优化方法，其特征在于，所述S2中的优化目标函数模型为：其中，F(x，t)是动态优化目标函数集合，t为时间变量，x为优化的PID参数，F1(x，t)中的绝对控制误差|e(t)|表示当前无人系统的位置与预设位置的绝对误差，最大超调量O
m
表示无人系统的姿态调整过程中的最大偏移量，F2(x，t)中的R表示无人系统姿态调整的稳定时间，w1和w2分别为两个动态优化目标函数的权重因子，在优化过程中，上述目标函数均以最小化为衡量标准。4.如权利要求1所述的无人系统姿态控制PID参数整定动态多目标优化方法，其特征在于，S3包括：S31，根据优化空间中随机生成设定种群大小的PID控制参数样本点，作为初始种群initPop；S32，在时间T＝0的初始环境下，将初始种群作为优化目标函数模型的输入，仿真输出作为初代帕累托解；S33，从前代种群随机挑选前代帕累托解的50％个体作为传感器，计算新环境下动态优化目标函数的变化率RCV
t
和覆盖范围的变化率RCS
t
，公式如下：，公式如下：，公式如下：
其中，PS是帕累托解集，F
t
(x)表示的是前代传感器在t时刻环境下的目标函数值，P
ideal
表示的是前代帕累托解的理想点，‖F
t
(x)，F
t
(y)‖表示在t时刻两者的目标函数差值的模，t表示当前时刻，|PS
t
‑1|是传感器的个数，Dis
t
表征各帕累托解与理想点的平均距离，CS
t
反映帕累托个体与所有其它解的平均距离；S34，根据所得到目标函数值的变化率RCV
t
和覆盖范围的变化率RCS
t
，求得四个指标值：PS
t
‑1因数S
PS
、初始化因数S
re
、P
ks
拐点因数S
ks
和P
cs
中心点因数S
cs
，对不同时刻无人系统姿态控制效果变化程度进行表征，进而采用四种策略进行多策略源域选择，指标公式如下：对各部分分数进行归一化处理，以确定每个源域的权重，生成源域种群X
so
及非支配标签Y
so
，权重计算公式如下：其中，n＝[PS，re，ks，cs]；S35，进入知识迁移阶段，系统进行预搜索操作，利用优化空间随机产生两个数量均为N的种群P1和种群P2，计算种群个体质量因数Q，并生成目标域...

【专利技术属性】
技术研发人员：曾念寅，胡立伟，蓝承波，李寒，吴佩树，
申请(专利权)人：厦门大学，
类型：发明
国别省市：