一种基于增强型烟花算法的自抗扰控制的机器鱼路径跟踪控制方法

机器鱼在未知水域进行路径跟踪时受到内外多种未知干扰因素的影响。自抗扰控制(auto disturbance rejection control,ADRC)具有较强的适应性、鲁棒性,是解决非线性、不确定性、强干扰、强耦合、大时滞等控制问题的一种有效方法。为了获得高质量的跟踪效果,提出基于增强型烟花算法的自抗扰控制(enhanced fireworks algorithm-auto disturbance rejection control,EFWA-ADRC)的路径跟踪控制方法。针对ADRC中参数的优化问题,采用增强型烟花算法(EFWA)在线调整,以提高机器鱼在路径跟踪过程中的抗干扰性。以多关节仿生机器鱼为研究对象,结合机器鱼的数学模型,在Serret-Frenet坐标系下建立路径跟踪误差模型,重点设计前向速度和转向速度控制率,构建基于EFWA-ADRC的路径跟踪控制系统。最后仿真与实验结果显示基于EFWA-ADRC与常规ADRC的控制方法使机器鱼分别在2.8 s、3.3 s左右跟踪给定路径,且跟踪误差分别保持在正负0.09 m、0.1 m内,相比于常规ADRC,所提出的控制方法使跟踪的稳态误差降低10%,证明提出的EFWA-ADRC控制器对受到强干扰的被控系统具有更优的控制效果。

矿井通风网络的反向增强型烟花算法优化研究

建立了以通风网络总能耗最小为目标的矿井通风网络非线性无约束优化模型。为提高该模型的优化能力和收敛速度,提出了一种反向增强型烟花算法。首先采用均匀反向初始化种群策略,将生成的均匀分布的随机种群和反向种群共同竞争,选择最优初始种群作为后续搜索的起始点;然后精细化控制烟花爆炸半径,使不同世代烟花种群的爆炸半径呈非线性递减,同代种群的爆炸半径由自身适应度值协调分配,并设定最小动态阈值以减少搜索资源浪费;最后采用精英反向学习选择策略,加强对精英烟花所在空间邻域的搜索,提高算法的全局勘测能力。实验结果表明,采用该算法对矿井通风网络进行优化后,在满足实际通风网络调节限制及用风需求基础上,总能耗可降低约23.2%,优化效果优于粒子群优化算法和增强型烟花算法。

具有导向功能的改进烟花算法

为消除烟花算法(firework algorithm,FWA)中爆炸半径对搜索范围的限制,增强各类搜索算子的导向性,提出具有导向功能的改进烟花算法(improved fwa with directional function,IdFWA)。充分利用当代最优个体的位置信息以及历代的全局最优解,设计两种具有导向功能的搜索算子。使用12个标准测试函数对增强型烟花算法EnFWA、自适应烟花算法AFWA、有导烟花算法GFWA和IdFWA进行对比测试,实验结果表明,改进后的烟花算法无论在单峰函数还是多峰函数上的收敛速度和求解精度皆优于其它3个算法。

基于改进双种群烟花算法的机器人逆解研究

一般机器人的逆运动学求解过程中存在着推导公式复杂,求解精度低的问题。为此,将双种群烟花算法进行了一定的改进,提出了一种基于改进双种群烟花算法的高精度机器人逆解算法。该算法采用两个种群并行对解空间进行搜索,增加了种群的多样性;优化过程中采用协作算子进行种群间的信息交换,得到了更快的收敛速度;同时引入了算法早熟扰动机制来提高搜索的成功率,避免陷入局部最优解。最后以6R一般机器人作为实验对象进行实验,结果表明:改进双种群烟花算法不仅提高了收敛精度,而且在运算速度和收敛成功率上也有很大的提升。