[发明专利]一种基于性格系数调节的教与学优化滑模控制方法

说明书

本发明公开了一种基于性格系数调节的教与学优化滑模控制方法，提出了一种基于性格系数调节的改进教与学算法，并用于优化滑模控制器的可设计参数，从而削弱滑模控制的抖振现象，实现滑模控制系统性能的提高，提高滑模控制方法的实用可行性。此外，在改进教与学算法中，针对算法后期搜索速度变慢的情况，设置了一个对性格系数的激励措施：当学员在学习过程中取得进步的时候，其性格系数会被修正。修正的规则是：当学员是在互学过程中取得进步时，令其性格系数增大；若学员是在自学过程中有所收获，则令其性格系数减小。通过性格系数及其激励措施，教与学算法的局部搜索能力增强，全局收敛性提高，算法后期的收敛速度加快，并能够有效避免早熟现象。

技术领域

本发明涉及控制系统优化技术，具体涉及一种基于性格系数调节的教与学优化滑模控制方法。

背景技术

智能优化算法是近几十年里发展起来的一类启发式算法，代表性的智能优化算法有遗传算法、粒子群算法、人工神经网络、模拟退火算法等。

随着科学技术的不断进步，人们对高效的优化技术和精准的智能计算也提出了更高的要求，这也就要求一方面要不断地进行新型智能算法的研究，一方面也需要不断地对既有智能算法进行改进和完善。同时，拓宽智能算法的应用领域既能对带来实际的效益，给相关现实问题的研究带来一些启发，同时也是对算法内容的一种验证、诠释和补充。因此，智能算法的应用研究是一个同时具有理论意义和实际价值的重要课题。

本发明所研究的教与学算法则是近几年新出现的尚在发展阶段一种智能算法。

教与学算法(Teaching-Learning Based Optimization,TLBO)是Rao等人于2010年提出的一种新的群智能优化算法，该方法模拟教师的教导过程与学生的学习过程来求得最优解。教与学算法参数少、结构简单、概念简明、求解精度高、收敛速度快且具有极强的收敛能力。相比较一些经典的智能优化算法，比如粒子群算法，该算法的特点在于算法仅有群成员数和迭代代数两个参数，需要设置的参数少，可以避免参数设置不当引起的计算效率降低或易陷入局部收敛等问题。教与学算法从提出到现在短短的几年里，便已经引起了很多学者的关注，并得到了很好的应用。2012年Rao等分别提出了精英TLBO算法和改进教与学算法，两者分别应用在复杂优化问题和无约束优化问题，并均显示出了良好的性能。拓守恒等人对教与学算法进行改进，提出一种“自我学习”策略，并将改进方法应用到主动悬架LQR控制器权系数的优化。李岩等人提出一种考虑区间模式和本地模式协调的时滞广域阻尼控制器设计新方法，应用教与学优化算法确定最优增益序列，其对新英格兰测试系统的仿真结果表明该方法能有效抑制区间振荡的同时还能保证本地振荡模式不恶化，并对时滞有很好的鲁棒性。Zou等提出一种求解多目标优化问题的TLBO算法(MOPs)，把当前种群中拥挤度最大的非劣解设为教师，非劣解的群体中心作为群体的平均个体，仿真结果表明了MOPs算法的有效性。教与学算法作为新兴的一种智能优化算法，尽管受到了很多学者的关注，并也得到了一些实践成效，可仍存在着很多的问题。与教与学算法相对鲜明的社会特性基础相比，其数学基础显得相对薄弱，缺乏深刻且有普遍意义的理论分析。而在实际应用也存在着容易早熟收敛的问题。教与学算法的“教”过程其实就是全部解向最优点靠拢的过程，这就使得算法的多样性容易过早丢失，跳出局部收敛的能力较差。而算法的设置参数较少，那么算法的结果往往依赖于随机选择的初始群体的分布情况，算法十分容易陷入早熟收敛和局部收敛。除了算法本身存在的问题之外，其具体应用研究也应当是今后研究的重点。考虑到教与学算法的研究时间较短，其应用领域仍有待于进一步拓宽。目前的应用研究稍显不足，今后的研究应当多注重在动态、多约束、离散、多目标等复杂问题上的研究和应用。就工程和自动化领域而言，这类复杂问题是普遍存在的。因此，教育学算法是一个十分具有研究价值和应用前景的课题。

智能算法在控制领域中的应用可以说是一个优化问题的拓展。考虑到随着技术的进步，控制对象变得越来越复杂，对控制任务的精度要求越来越高，控制器的设计还有很大的优化空间，因此采用智能算法去处理控制器的优化问题是一个非常行之有效的手段。