PSODE混合算法的ADRC控制

王子豪，杨小健

（南京工业大学 计算机科学与技术学院，江苏 南京211816）

摘  要： 针对自抗扰控制过程中存在的最优参数难以确定的问题，提出一种基于混合PSODE的参数调整算法。采用线性ADRC控制器，利用ITAE值作为子项对系统动态性能进行评价，对于振幅回撤较大的输出增加惩罚策略；针对ADRC控制参数较多、难优化的问题，采用混合PSODE算法进行优化：当PSO的搜索停滞时，新算法异步间歇对pbest空间进行变异，并自适应调整惯性权重使粒子收敛，平衡了算法的全局和局部搜索能力。最后利用所提出的控制算法对锅炉过热汽温系统控制模型进行仿真，结果显示优化后的控制系统具有良好的控制性能和鲁棒性。

关键词： ADRC；参数优化；变异；DE；PSO

中图分类号： TP18

文献标识码： A

DOI：10.16157/j.issn.0258-7998.2016.06.025

中文引用格式： 王子豪，杨小健. PSODE混合算法的ADRC控制[J].电子技术应用，2016，42(6)：91-93，97.

英文引用格式： Wang Zihao，Yang Xiaojian. ADRC control based on PSODE hybrid algorithm[J].Application of Electronic Technique，2016，42(6)：91-93，97.

0 引言

自抗扰控制器（Active disturbance rejection controller）是一种非线性控制器[1]，该控制器将系统模型的内部扰动和外部扰动看为总扰动，通过扩张观测器对总扰动进行估计和补偿。因此，ADRC可以有效解决一些非线性不确定系统的控制问题[2-3]。相对于非线性自抗扰控制器，线性自抗扰控制器设计简单，控制器参数调节有相对确定的方法[4]。ADRC是否能充分发挥其性能依赖于控制器的参数设置是否最优。ADRC需要优化的参数较多，若依靠经验调试线性ADRC的参数，非常耗时，且无法保证系统响应最优或次优。文献[5]采用各种算法对线性自抗扰控制器多参数整定问题进行调优。但这些方法复杂，实际应用有一定难度。

PSO算法在算法早期迭代时的效果很好，但在邻近最优解时出现了停滞。DE算法的多样性及搜索能力的鲁棒性较强，但后期收敛速度较慢。针对这个问题，本文提出一种PSODE混合优化计算方法。新算法的前期基于惯性权重改进策略有效扩大搜索步长，粒子大范围搜索。当PSO的搜索停滞时，对pbest空间进行变异同时自适应调整粒子搜索步长，既避免了算法出现早熟问题增加粒子的多样性，又利于粒子加速收敛，保证寻优速度。本文采用该算法应用于优化线性自抗扰控制器的参数，并进行了仿真研究，结果表明可以有效提高系统的控制性能。

1 线性ADRC控制器

二阶线性ADRC控制器的结构图如图1所示。图中y和r是控制器输出和参考输入信号。u为控制量，d为未知外扰，Gp是被控对象。ESO（Extended State Observer）为扩张状态观测器。

二阶线性ADRC中ESO的一般形式：

2 PSODE混合算法

2.1 标准PSO算法

粒子群优化算法是一种收敛速度快、算法简单的全局优化进化算法。pbest和gbest分别表示粒子的最优位置和群体的最优位置，可以把它们看成PSO算法的两个输入。PSO算法中，随着迭代次数增加，粒子的多样性会逐渐减小，这增加了陷入局部最优的可能性。

2.2 标准DE算法

DE算法首先在搜索范围内随机生成粒子，再采用变异、交叉、选择三大步骤来更新种群，其更新过程与遗传算法类似。

因为DE含有变异属性和交叉属性，所以相比PSO，DE算法全局搜索性能更好一些。但是，这种变异性可能带来收敛速度慢的问题，导致局部搜索性能降低。

2.3 惯性权重改进策略

权重系数的取值研究是改进PSO算法的重点。根据粒子与当前种群最优值的平均距离和粒子与当前种群的最大距离对惯性权重进行改进。

距离变化率的定义为:

k的取值随着粒子与当前种群最优值的平均距离和粒子与当前种群的最大距离变小而变小，表明需要提高它的精细搜索能力，反之，则需要提高它的全局搜索能力。η的取值：

其中，a1=0.3，a2=0.2，r为[0，1]间均匀分布的随机数，η的值随迭代次数的变化而变化，可以提高前期粒子搜索范围和粒子后期的搜索精度。

2.4 PSODE混合策略

(编辑：mao35  来源：网络整理)