[發明專利]一種基于性格系數調節的教與學優化滑模控制方法

有效

• 申請號: 201810636095.4
• 申請日: 2018-06-20
• 公開（公告）號: CN108803330B
• 公開（公告）日: 2020-12-11
• 發明（設計）人: 肖玲斐;何虹興;孟中祥;徐敏
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 唐紹焜

本發明公開了一種基于性格系數調節的教與學優化滑模控制方法，提出了一種基于性格系數調節的改進教與學算法，并用于優化滑模控制器的可設計參數，從而削弱滑模控制的抖振現象，實現滑模控制系統性能的提高，提高滑模控制方法的實用可行性。此外，在改進教與學算法中，針對算法后期搜索速度變慢的情況，設置了一個對性格系數的激勵措施：當學員在學習過程中取得進步的時候，其性格系數會被修正。修正的規則是：當學員是在互學過程中取得進步時，令其性格系數增大；若學員是在自學過程中有所收獲，則令其性格系數減小。通過性格系數及其激勵措施，教與學算法的局部搜索能力增強，全局收斂性提高，算法后期的收斂速度加快，并能夠有效避免早熟現象。

技術領域

本發明涉及控制系統優化技術，具體涉及一種基于性格系數調節的教與學優化滑模控制方法。

背景技術

智能優化算法是近幾十年里發展起來的一類啟發式算法，代表性的智能優化算法有遺傳算法、粒子群算法、人工神經網絡、模擬退火算法等。

隨著科學技術的不斷進步，人們對高效的優化技術和精準的智能計算也提出了更高的要求，這也就要求一方面要不斷地進行新型智能算法的研究，一方面也需要不斷地對既有智能算法進行改進和完善。同時，拓寬智能算法的應用領域既能對帶來實際的效益，給相關現實問題的研究帶來一些啟發，同時也是對算法內容的一種驗證、詮釋和補充。因此，智能算法的應用研究是一個同時具有理論意義和實際價值的重要課題。

本發明所研究的教與學算法則是近幾年新出現的尚在發展階段一種智能算法。

教與學算法(Teaching-Learning Based Optimization,TLBO)是Rao等人于2010年提出的一種新的群智能優化算法，該方法模擬教師的教導過程與學生的學習過程來求得最優解。教與學算法參數少、結構簡單、概念簡明、求解精度高、收斂速度快且具有極強的收斂能力。相比較一些經典的智能優化算法，比如粒子群算法，該算法的特點在于算法僅有群成員數和迭代代數兩個參數，需要設置的參數少，可以避免參數設置不當引起的計算效率降低或易陷入局部收斂等問題。教與學算法從提出到現在短短的幾年里，便已經引起了很多學者的關注，并得到了很好的應用。2012年Rao等分別提出了精英TLBO算法和改進教與學算法，兩者分別應用在復雜優化問題和無約束優化問題，并均顯示出了良好的性能。拓守恒等人對教與學算法進行改進，提出一種“自我學習”策略，并將改進方法應用到主動懸架LQR控制器權系數的優化。李巖等人提出一種考慮區間模式和本地模式協調的時滯廣域阻尼控制器設計新方法，應用教與學優化算法確定最優增益序列，其對新英格蘭測試系統的仿真結果表明該方法能有效抑制區間振蕩的同時還能保證本地振蕩模式不惡化，并對時滯有很好的魯棒性。Zou等提出一種求解多目標優化問題的TLBO算法(MOPs)，把當前種群中擁擠度最大的非劣解設為教師，非劣解的群體中心作為群體的平均個體，仿真結果表明了MOPs算法的有效性。教與學算法作為新興的一種智能優化算法，盡管受到了很多學者的關注，并也得到了一些實踐成效，可仍存在著很多的問題。與教與學算法相對鮮明的社會特性基礎相比，其數學基礎顯得相對薄弱，缺乏深刻且有普遍意義的理論分析。而在實際應用也存在著容易早熟收斂的問題。教與學算法的“教”過程其實就是全部解向最優點靠攏的過程，這就使得算法的多樣性容易過早丟失，跳出局部收斂的能力較差。而算法的設置參數較少，那么算法的結果往往依賴于隨機選擇的初始群體的分布情況，算法十分容易陷入早熟收斂和局部收斂。除了算法本身存在的問題之外，其具體應用研究也應當是今后研究的重點。考慮到教與學算法的研究時間較短，其應用領域仍有待于進一步拓寬。目前的應用研究稍顯不足，今后的研究應當多注重在動態、多約束、離散、多目標等復雜問題上的研究和應用。就工程和自動化領域而言，這類復雜問題是普遍存在的。因此，教育學算法是一個十分具有研究價值和應用前景的課題。

智能算法在控制領域中的應用可以說是一個優化問題的拓展。考慮到隨著技術的進步，控制對象變得越來越復雜，對控制任務的精度要求越來越高，控制器的設計還有很大的優化空間，因此采用智能算法去處理控制器的優化問題是一個非常行之有效的手段。