本发明涉及桥式起重机技术领域，特别是一种桥吊滑模控制参数优化方法、装置、设备及存储介质。
背景技术：
桥式吊车作为一种大型货物装卸机械装置在现代工业生产中扮演着重要的角色，而实现精确的桥式吊车定位并尽可能地消除负载的摆角是亟待解决的问题。由于滑模控制器具有强鲁棒性、响应快等控制特点，因此被应用于桥式吊车领域。
桥式吊车的滑模控制器参数调整的优劣与货物的精确定位以及消除负载摆角的效果之间具有紧密的联系，现有的桥式吊车滑模控制器的参数多数依靠人工手动调试，其中由于控制器的参数之间具有一定的耦合性，导致参数的调节过程复杂繁琐，而且最终得出的参数在控制效果上往往也不是很好。
技术实现要素：
为解决上述问题，本发明的目的在于提供一种桥吊滑模控制参数优化方法、装置、设备及存储介质，采用改进的布谷鸟搜索算法对桥式吊车滑模控制器的控制参数进行优化，能够得到滑模控制器参数的最优解，提高了桥式吊车系统防摆控制的响应速度以及鲁棒性，使系统具有抗干扰能力。
本发明解决其问题所采用的技术方案是：
第一方面，本发明提供了一种桥吊滑模控制参数优化方法，包括：设置布谷鸟搜索算法每一维的搜索空间范围分别为：a,ε,k∈[0,100]，b∈[-100,100]，其中a、ε、b、k分别为台车位置滑模控制器的位置误差权重、切换增益、角度误差权重和指数系数，所述的布谷鸟搜索算法采用自适应步长并引入基于迭代次数自适应选取交叉点的操作算子；
设置所述布谷鸟搜索算法的适应度函数为
根据所述适应度函数采用所述的布谷鸟搜索算法求解所述a、ε、b、k的最优解。
2.进一步，所述根据所述适应度函数采用所述的布谷鸟搜索算法求解所述a、ε、b、k的最优解包括以下步骤：
s31,初始化所述的布谷鸟搜索算法的基本参数和鸟巢，初始化所述台车位置滑模控制器的参数，设定鸟巢的数目为n，被发现概率为pa及最大的迭代次数为gmax，布谷鸟算法随机产生初始鸟巢，计算并评估所述初始鸟巢的适应度值，保存适应度值最高的鸟巢；
s32,根据所述自适应步长公式和莱维飞行公式更新鸟巢的位置，计算并评估鸟巢的适应度值，根据贪婪算法保存适应度值最高的鸟巢；
s33,为每一个鸟巢选取一个随机概率pt，丢弃pt＜pa的鸟巢；
s34,根据偏好随机游走算法更新被丢弃鸟巢的位置，计算并评估鸟巢的适应度值，根据贪婪算法保存适应度值最高的鸟巢；
s35,根据所述基于迭代次数自适应选取交叉点的操作算子公式进行交叉操作，产生新的鸟巢，计算并评估所述新的鸟巢的适应度值，根据贪婪算法保存适应度值最高的鸟巢；
s36,若未达到预先设定的最大迭代次数gmax，则把此代的鸟巢位置作为下一代的初始鸟巢位置，返回s32，继续进行下次迭代，否则，输出所述a、ε、b、k的最优解。
进一步，所述根据所述基于迭代次数自适应选取交叉点的操作算子公式进行交叉操作包括:
随机选取n/2个鸟巢，将十进制的鸟巢位置转换为二进制序列，二进制序列长度为l；
将转换后的鸟巢进行两两配对；
根据所述基于迭代次数自适应选取交叉点的操作算子公式产生一个概率p0；
将p0与均匀随机概率pn进行比较，当pn＜p0时，在序列的l/2处到l处的高位区域选择交叉点，当pn>p0时，在序列的0处到l/2处的低位区域选择交叉点；
在所述交叉点进行交叉操作；
将二进制序列转换为十进制的鸟巢位置。
进一步，所述基于迭代次数自适应选取交叉点的操作算子公式为p0＝b2/{1+exp[c1(gn-g0)]}，其中，b2为概率变化范围，gn为当前进化代数，c1和g0分别为步长变化时对应的速率和进化代数。
进一步，所述台车位置滑模控制器为u，
进一步，所述自适应步长公式为α＝α1+b1gn/gmax，其中，α1为初始时刻的步长，b1为步长变化范围，gmax为对应的最大进化代数，gn为当前进化代数。
第二方面，本发明提供了一种桥吊滑模控制参数优化装置，包括：搜索范围设置单元，用于设置布谷鸟搜索算法每一维的搜索空间范围分别为：a,ε,k∈[0,100]，b∈[-100,100]，其中a、ε、b、k分别为台车位置滑模控制器的位置误差权重、切换增益、角度误差权重和指数系数，所述的布谷鸟搜索算法采用自适应步长并引入基于迭代次数自适应选取交叉点的操作算子；
适应度函数设置单元，用于设置所述布谷鸟搜索算法的适应度函数为
处理单元，用于根据所述适应度函数采用所述的布谷鸟搜索算法求解所述a、ε、b、k的最优解。
进一步，所述处理单元包括：
初始化单元,用于初始化所述的布谷鸟搜索算法的基本参数和鸟巢，初始化所述台车位置滑模控制器的参数，设定鸟巢的数目为n，被发现概率为pa及最大的迭代次数为gmax，布谷鸟算法随机产生初始鸟巢，计算并评估所述初始鸟巢的适应度值，保存适应度值最高的鸟巢；莱维飞行单元,根据所述自适应步长公式和莱维飞行公式更新鸟巢的位置，计算并评估鸟巢的适应度值，根据贪婪算法保存适应度值最高的鸟巢；
丢弃单元,用于为每一个鸟巢选取一个随机概率pt，丢弃pt＜pa的鸟巢；
偏好游走单元,用于根据偏好随机游走算法更新被丢弃鸟巢的位置，计算并评估鸟巢的适应度值，根据贪婪算法保存适应度值最高的鸟巢；
交叉单元,用于根据所述基于迭代次数自适应选取交叉点的操作算子公式进行交叉操作，产生新的鸟巢，计算并评估所述新的鸟巢的适应度值，根据贪婪算法保存适应度值最高的鸟巢；
输出单元，用于若未达到预先设定的最大迭代次数gmax，则把此代的鸟巢位置作为下一代的初始鸟巢位置，返回s32，继续进行下次迭代，否则，输出所述a、ε、b、k的最优解。
第三方面，本发明提供了一种桥吊滑模控制参数优化设备，
包括至少一个控制处理器和用于与至少一个控制处理器通信连接的存储器；存储器存储有可被至少一个控制处理器执行的指令，指令被至少一个控制处理器执行，以使至少一个控制处理器能够执行如上所述的桥吊滑模控制参数优化方法。
第四方面，本发明提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行如上所述的桥吊滑模控制参数优化方法。
第五方面，本发明还提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使计算机执行如上所述的桥吊滑模控制参数优化方法。
本发明实施例中提供的一个或多个技术方案，至少具有如下有益效果：对传统布谷鸟搜索算法进行改进，引入自适应步长和基于迭代次数选取交叉点的交叉操作算子，采用改进的布谷鸟搜索算法对桥式吊车滑模控制器的控制参数进行优化，得到滑模控制器参数的最优解，提高了桥式吊车系统防摆控制的响应速度以及鲁棒性，使系统具有抗干扰能力。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1是本发明实施例的方法流程图；
图2是本发明实施例的根据适应度函数采用所述的布谷鸟搜索算法求解a、ε、b、k的最优解的方法流程图；
图3是本发明实施例的根据基于迭代次数自适应选取交叉点的操作算子公式进行交叉操作的方法流程图；
图4是本发明实施例的根据基于迭代次数自适应选取交叉点的操作算子公式进行交叉操作的方法示意图；
图5是本发明实施例中的改进布谷鸟搜索算法与标准布谷鸟搜索算法、粒子群算法的寻优测试结果对比表格；
图6是本发明实施例中的改进布谷鸟搜索算法与标准布谷鸟搜索算法、粒子群算法的寻优测试结果曲线图；
图7是本发明实施例中的改进布谷鸟搜索算法与标准布谷鸟搜索算法、粒子群算法应用在台车位置滑模控制器控制参数寻优过程的曲线图；
图8是本发明实施例中的改进布谷鸟搜索算法与标准布谷鸟搜索算法、粒子群算法和人工调节参数应用在台车位置滑模控制器中的控制效果曲线图；
图9是本发明实施例中的改进布谷鸟搜索算法与标准布谷鸟搜索算法、粒子群算法和人工调节参数应用在台车位置滑模控制器中的滑模控制器控制参数表格；
图10是本发明实施例中的改进布谷鸟搜索算法与标准布谷鸟搜索算法、粒子群算法和人工调节参数应用在台车位置滑模控制器中的台车位置性能指标表格；
图11是本发明实施例中的改进布谷鸟搜索算法与标准布谷鸟搜索算法、粒子群算法和人工调节参数应用在台车位置滑模控制器中的负载摆角性能指标表格；
图12是本发明实施例在第一种仿真场景中的仿真实验效果图；
图13是本发明实施例在第二种仿真场景中的仿真实验效果图；
图14是本发明实施例的装置中单元架构示意图；
图15是本发明实施例的设备中的连接示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
需要说明的是，如果不冲突，本发明实施例中的各个特征可以相互结合，均在本发明的保护范围之内。另外，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。
参照图1，本发明的一个实施例提供了一种桥吊滑模控制参数优化方法，包括：
步骤s10，设置布谷鸟搜索算法每一维的搜索空间范围分别为：a,ε,k∈[0,100]，b∈[-100,100]，其中a、ε、b、k分别为台车位置滑模控制器的位置误差权重、切换增益、角度误差权重和指数系数，所述的布谷鸟搜索算法采用自适应步长并引入基于迭代次数自适应选取交叉点的操作算子；
步骤s20,设置所述布谷鸟搜索算法的适应度函数为
步骤s30,根据所述适应度函数采用所述的布谷鸟搜索算法求解所述a、ε、b、k的最优解。
本发明实施例采用改进的布谷鸟搜索算法对台车位置位置滑模控制器的控制参数进行寻优，得到最优的控制参数组，使台车位置滑模控制器能够快速、精准移动到指定位置，并尽量消除负载摆角。
将改进的布谷鸟搜索算法应用到台车位置滑模控制器中，需要对控制参数的范围进行事先的研究，结合滑模控制器系统的稳定性进行判断与研究，保证系统能够在所设置的参数寻优的范围里具有稳定性，如果其中具有不稳定的点，会导致布谷鸟搜索算法在运算过程中出现错误，无法进行下去，在本发明实施例中设置改进的布谷鸟搜索算法每一维的搜索空间范围为：a,ε,k∈[0,100]，b∈[-100,100]。
参照图2，其中，根据适应度函数采用所述的布谷鸟搜索算法求解所述a、ε、b、k的最优解包括以下步骤：
s31,初始化所述的布谷鸟搜索算法的基本参数和鸟巢，初始化所述台车位置滑模控制器的参数，设定鸟巢的数目为n，被发现概率为pa及最大的迭代次数为gmax，布谷鸟算法随机产生初始鸟巢，计算并评估所述初始鸟巢的适应度值，保存适应度值最高的鸟巢；
s32,根据所述自适应步长公式和莱维飞行公式更新鸟巢的位置，计算并评估鸟巢的适应度值，根据贪婪算法保存适应度值最高的鸟巢；
s33,为每一个鸟巢选取一个随机概率pt，丢弃pt＜pa的鸟巢；
s34,根据偏好随机游走算法更新被丢弃鸟巢的位置，计算并评估鸟巢的适应度值，根据贪婪算法保存适应度值最高的鸟巢；
s35,根据所述基于迭代次数自适应选取交叉点的操作算子公式进行交叉操作，产生新的鸟巢，计算并评估所述新的鸟巢的适应度值，根据贪婪算法保存适应度值最高的鸟巢；
s36,若未达到预先设定的最大迭代次数gmax，则把此代的鸟巢位置作为下一代的初始鸟巢位置，返回s32，继续进行下次迭代，否则，输出所述a、ε、b、k的最优解。
本发明实施例中，采用改进的布谷鸟搜索算法求解台车位置滑模控制器中的a、ε、b、k控制参数组的最优解，其中，计算并评估鸟巢的适应度值的过程包括：根据台车位置滑模控制器返回台车位置和负载摆角参数，采用适应度函数计算各个鸟巢的适应度值，在算法优化的时候把定位误差，负载摆角，控制器输出的情况考虑进去，使台车位置滑模控制器能够得到好的控制效果。
其中，鸟巢的最佳位置就是桥吊滑模控制参数的最佳优化方案，对应的鸟巢最佳位置中的鸟蛋就是桥吊滑模控制参数的最优解。
布谷鸟搜索算法，是由剑桥大学yang和deb教授根据布谷鸟育雏行为提出的一种群智能优化算法，它也是一种新型元启发式搜索算法，其思想主要基于两个策略：布谷鸟的巢寄生性和莱维飞行机制，通过随机游走的方式搜索得到一个最优的鸟窝来孵化自己的鸟蛋，这种方式可以达到一种高效的寻优模式，布谷鸟搜索算法有四个重要的参数，即鸟巢数目n、发现概率pa、步长α以及莱维飞行的参数λ。布谷鸟搜索算法主要优点是参数少、操作简单、易实现、随机搜索路径优和寻优能力强等，但标准布谷鸟搜索算法由于固定的步长导致算法在初期与后期的搜索步长不变，导致搜索的精度不高，算法的莱维飞行随机分布的搜索过程，在搜索过程中解的多样性具有一定的局限性，导致算法在解的收敛的速度方面不高，本发明实施例采用了自适应步长取代了传统布谷鸟搜索算法中的固定步长，并引入了基于迭代次数自适应选取交叉点的操作算子，能在算法搜索初期具有较大的于交叉变异范围，到后期则具有较小的交叉变异范围，可以增加算法在初期的解的多样性，同时也不会影响算法后期的收敛速度以及精度。
参照图3和图4，根据所述基于迭代次数自适应选取交叉点的操作算子公式进行交叉操作包括：
步骤s351,随机选取n/2个鸟巢，将十进制的鸟巢位置转换为二进制序列，二进制序列长度为l；
步骤s352,将转换后的鸟巢进行两两配对；
步骤s353,根据所述基于迭代次数自适应选取交叉点的操作算子公式产生一个概率p0；
步骤s354,将p0与均匀随机概率pn进行比较，当pn＜p0时，在序列的l/2处到l处的高位区域选择交叉点，当pn>p0时，在序列的0处到l/2处的低位区域选择交叉点；
步骤s355,在所述交叉点进行交叉操作；
步骤s356,将二进制序列转换为十进制的鸟巢位置。
在本发明实施例中，参考遗传算法通过交叉操作达到增加个体多样性的思想，在布谷鸟搜索算法的搜索过程中引入基于迭代次数自适应选取交叉点的操作算子，由于在交叉的过程中个体发生变异的情况充满随机性，可能会导致算法的收敛速度变慢，为此，引进自适应变异的思想，在原有的交叉操作中设计了自适应选取交叉点的交叉操作算子，在前期，交叉操作的位置选取集中在序列的高位区域，这样能够在前期增加算法的搜索空间，而在后期则主要集中在序列的低位区域，能够实现在后期增加搜索精度的要求。
优选地，所述基于迭代次数自适应选取交叉点的操作算子公式为p0＝b2/{1+exp[c1(gn-g0)]}，其中，b2为概率变化范围，gn为当前进化代数，c1和g0分别为步长变化时对应的速率和进化代数。
优选地，所述台车位置滑模控制器为u，
优选地，自适应步长公式为α＝α1+b1gn/gmax，其中，α1为初始时刻的步长，b1为步长变化范围，gmax为对应的最大进化代数，gn为当前进化代数。
本发明实施例中，采用自适应步长取代标准布谷鸟搜索算法中的固定步长，能够提高改进的布谷鸟搜索算法的寻优精度，使台车位置滑模控制器控制效果更好。
在一种优选的实施方式中，台车位置滑模控制器的构建过程包括：采用拉格朗日方程对桥式吊车台车位置系统进行建模，忽略各类摩擦力、负载的空气阻力以及绳子的弹性形变。拉格朗日方程普遍形式如下为：
值得注意的是，布谷鸟搜索算法中，每个布谷鸟都会随机选择宿主鸟巢进行生蛋也即产生解，并计算适应度进行比较，适应度高的鸟巢会被保留下来并进入下一代，期间宿主会有pa的概率发现寄生的鸟巢并丢弃，然后选择新的位置筑巢。其中，鸟巢下一代的位置更新采用的是莱维飞行和偏好随机游走方式，该方式具有长时间的短距离游走和偶尔的长距离跳跃的特点，保证了算法的全局搜索能力，鸟巢位置更新公式为：
为了测试本发明实施例中的改进布谷鸟搜索算法的优化性能，设置对比测试包括：选取标准布谷鸟搜索算法、粒子群算法与本发明实施例的改进布谷鸟搜索算法进行对比，选取四个测试函数进行寻优测试并对寻优结果进行对比，四个测试函数的全局最小值均为fmin(0,0,l,0)＝0，四个测试函数分别定义为：sphere函数：
参照图5，其中，e-07表示科学计数法10-7，e-05表示科学计数法10-5，在寻优精度方面，本发明实施例中的改进布谷鸟搜索算法与标准布谷鸟搜索算法、粒子群算法的寻优精度对比测试中，对于f1函数，三个算法的最优解均能接近函数的最优值，其中，本发明实施例中的改进布谷鸟搜索算法的接近程度更高，稳定性更好；在f2函数的测试中，本发明实施例中的改进布谷鸟搜索算法能找到最优解，而标准布谷鸟搜索算法和粒子群算法均未能找到；对于f3，本发明实施例中的改进布谷鸟搜索算法在稳定性上优于粒子群算法；在f4测试中，相比其它两种算法，本发明实施例中的改进布谷鸟搜索算法的寻优精度最优，综合四种函数的寻优精度效果对比，本发明实施例中的改进布谷鸟搜索算法在搜索精度上优于标准布谷鸟搜索算法和粒子群算法。
参照图6，其中，实线代表本发明实施例中的改进布谷鸟搜索算法的测试结果情况，点划线代表标准布谷鸟搜索算法的测试结果情况，虚线代表粒子群算法的测试结果情况，在全局搜索能力方面，根据四个测试函数场景的测试情况，粒子群算法虽然收敛速度快，但容易早熟，标准布谷鸟搜索算法虽然一直有下降的趋势，但明显比本发明实施例中的改进布谷鸟搜索算法慢，其中，对于单峰函数f1的测试情况，本发明实施例中的改进布谷鸟搜索算法的收敛速度明显比标准布谷鸟搜索算法快，对于f2，f3和f4的测试情况，粒子群算法的收敛速度虽快，但最终会陷入到局部解中，本发明实施例中的改进布谷鸟搜索算法与布谷鸟搜索算法均具有很强的全局搜索的能力，但在收敛速度上，本发明实施例中的改进布谷鸟搜索算法优于标准布谷鸟搜索算法，综合四种函数的全局搜索能力效果对比，本发明实施例中的改进布谷鸟搜索算法在全局搜索能力上优于标准布谷鸟搜索算法和粒子群算法。
为了进一步检验本发明实施例在桥式吊车滑模控制参数优化方面的有益效果，设置对比测试包括：分别采用本发明实施例中的改进布谷鸟搜索算法、标准布谷鸟搜索算法和粒子群算法对台车滑模控制器的控制参数a、ε、b和k进行优化，记录采用本发明实施例中的改进布谷鸟搜索算法、标准布谷鸟搜索算法和粒子群算法的滑模控制器的控制效果，由于在桥式吊车的实际应用中，通常是人工调节控制参数，因此在对比测试中加入人工调节控制参数的情况进行对比。在本发明实施例中，适应度函数j为：
参照图7，采用本发明实施例中的改进布谷鸟搜索算法、标准布谷鸟搜索算法和粒子群算法的寻优情况，可知本发明实施例中的改进布谷鸟搜索算法在40代已经开始收敛，而标准布谷鸟搜索算法和粒子群算法还在逐步收敛中，由此可知，在台车位置滑模控制器的控制参数优化方面，本发明实施例中的改进布谷鸟搜索算法在收敛速度方面的性能优于标准布谷鸟搜索算法和粒子群算法。
参照图8，把采用本发明实施例中的改进布谷鸟搜索算法优化的控制参数控制效果与标准布谷鸟搜索算法、粒子群算法和人工调节进行比较，本发明实施例中的改进布谷鸟搜索算法优化的控制参数使台车更快到达目标位置，而且有效抑制负载摆角，控制效果最优。
参照图9、图10和图11，其中，改进cs代表本发明实施例中的改进布谷鸟搜索算法，cs代表标准布谷鸟搜索算法，pso代表粒子群算法，smc代表滑模控制器，e-08表示科学计数法10-8，e-06表示科学计数法10-6，本发明实施例中的改进布谷鸟搜索算法在台车位置滑模控制器的控制参数优化过程中，对比标准布谷鸟搜索算法、粒子群算法和人工调节，在滑模控制器参数方面，本发明实施例中的改进布谷鸟搜索算法优化的控制参数的适应度值最高，即在优化精度方面最优；在台车位置控制方面，本发明实施例中的改进布谷鸟搜索算法优化的控制参数使台车最快到达目标位置；在负载摆角抑制方面，本发明实施例中的改进布谷鸟搜索算法优化的控制参数最快消除了负载摆角。
为了更进一步检验本发明实施例的鲁棒性，设置了两种场景的仿真实验，第一种仿真场景为：为了模拟风力或其它外力的影响，在第5秒时，施加一个幅值为100牛顿的外力干扰；第二种仿真场景为：改变桥式吊车系统的参数，负载质量m与绳长l，第一组参数为m＝1千克，l＝1米，第二组的参数为m＝1千克，l＝0.75米，第三组的参数为m＝0.5千克，l＝0.75米，第四组参数为m＝0.5千克，l＝1米。
参照图12，本发明实施例在第一种仿真场景中，系统受到干扰后，负载摆角在干扰瞬间有一定的摆动，经过2秒再次稳定下来，恢复到零摆角上，仿真结果表明了本发明实施例具有较好的抗干扰能力。
参照图13，其中，实线代表第一组参数的仿真结果情况，虚线代表第一组参数的仿真结果情况，点划线代表第一组参数的仿真结果情况，方点虚线代表第一组参数的仿真结果情况，本发明实施例在第二种仿真场景中，改变负载质量以及绳长时，对台车位置的定位几乎没有影响；只改变负载的质量时，对比第一组和第四组的曲线变化情况，负载的摆角并没有明显的改变；只改变绳长时，对比第一组和第二组以及第三组和第四组的曲线变化情况，负载的摆角会受到一定的影响，具体表现为绳长变短时，摆角会有小幅度的变小，仿真结果表明了本发明实施例能够适用于不同系统参数下的吊车系统，具有良好的鲁棒性。
本发明实施例还提供了一种桥吊滑模控制参数优化装置，在该桥吊滑模控制参数优化装置1000中，包括但不限于：搜索范围设置单元1100、适应度函数设置单元1200和处理单元1300。
其中，搜索范围设置单元单元1100，用于设置布谷鸟搜索算法每一维的搜索空间范围分别为：a,ε,k∈[0,100]，b∈[-100,100]，其中a、ε、b、k分别为台车位置滑模控制器的位置误差权重、切换增益、角度误差权重和指数系数，所述的布谷鸟搜索算法采用自适应步长并引入基于迭代次数自适应选取交叉点的操作算子；适应度函数设置单元1200，用于设置所述布谷鸟搜索算法的适应度函数为
处理单元1300，用于根据所述适应度函数采用所述的布谷鸟搜索算法求解所述a、ε、b、k的最优解。
需要说明的是，由于本实施例中的一种桥吊滑模控制参数优化装置与上述的一种桥吊滑模控制参数优化方法基于相同的发明构思，因此，方法实施例中的相应内容同样适用于本装置实施例，此处不再详述。
本发明实施例还提供了一种桥吊滑模控制参数优化设备，该桥吊滑模控制参数优化设备2000可以是任意类型的智能终端，例如手机、平板电脑、个人计算机等。
具体地，该桥吊滑模控制参数优化设备2000包括：一个或多个控制处理器和存储器，图15中以一个控制处理器为例。
控制处理器和存储器可以通过总线或者其他方式连接，图15中以通过总线连接为例。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块，如本发明实施例中的桥吊滑模控制参数优化方法对应的程序指令/模块，例如，图14中所示的搜索范围设置单元1100、适应度函数设置单元1200和处理单元1300。控制处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行桥吊滑模控制参数优化装置1000的各种功能应用以及数据处理，即实现上述方法实施例的桥吊滑模控制参数优化方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据桥吊滑模控制参数优化装置1000的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于控制处理器远程设置的存储器，这些远程存储器可以通过网络连接至该桥吊滑模控制参数优化设备2000。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器中，当被所述一个或者多个控制处理器执行时，执行上述方法实施例中的桥吊滑模控制参数优化方法，例如，执行以上描述的图1中的方法步骤s10至s30，实现图14中的单元1100-1300的功能。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，例如，被图15中的一个控制处理器执行，可使得上述一个或多个控制处理器执行上述方法实施例中的桥吊滑模控制参数优化方法，例如，执行以上描述的图1中的方法步骤s10至s30，实现图14中的单元1100-1300的功能。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述，本领域技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现。本领域技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(readonlymemory,rom)或随机存储记忆体(randomaccessmemory,ram)等。
以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
技术特征：
1.一种桥吊滑模控制参数优化方法，其特征在于，包括以下步骤：设置布谷鸟搜索算法每一维的搜索空间范围分别为：a,ε,k∈[0,100]，b∈[-100,100]，其中a、ε、b、k分别为台车位置滑模控制器的位置误差权重、切换增益、角度误差权重和指数系数，所述的布谷鸟搜索算法采用自适应步长并引入基于迭代次数自适应选取交叉点的操作算子，其中，所述台车位置滑模控制器为u，
设置所述布谷鸟搜索算法的适应度函数为
根据所述适应度函数采用所述的布谷鸟搜索算法求解所述a、ε、b、k的最优解。
2.根据权利要求1所述的一种桥吊滑模控制参数优化方法，其特征在于，所述根据所述适应度函数采用所述的布谷鸟搜索算法求解所述a、ε、b、k的最优解包括以下步骤：
s31,初始化所述的布谷鸟搜索算法的基本参数和鸟巢，初始化所述台车位置滑模控制器的参数，设定鸟巢的数目为n，被发现概率为pa及最大的迭代次数为gmax，布谷鸟算法随机产生初始鸟巢，计算并评估所述初始鸟巢的适应度值，保存适应度值最高的鸟巢；
s32,根据所述自适应步长公式和莱维飞行公式更新鸟巢的位置，计算并评估鸟巢的适应度值，根据贪婪算法保存适应度值最高的鸟巢；
s33,为每一个鸟巢选取一个随机概率pt，丢弃pt＜pa的鸟巢；
s34,根据偏好随机游走算法更新被丢弃鸟巢的位置，计算并评估鸟巢的适应度值，根据贪婪算法保存适应度值最高的鸟巢；
s35,根据所述基于迭代次数自适应选取交叉点的操作算子公式进行交叉操作，产生新的鸟巢，计算并评估所述新的鸟巢的适应度值，根据贪婪算法保存适应度值最高的鸟巢；
s36,若未达到预先设定的最大迭代次数gmax，则把此代的鸟巢位置作为下一代的初始鸟巢位置，返回s32，继续进行下次迭代，否则，输出所述a、ε、b、k的最优解。
3.根据权利要求2所述的一种桥吊滑模控制参数优化方法，其特征在于，所述根据所述基于迭代次数自适应选取交叉点的操作算子公式进行交叉操作包括:
随机选取n/2个鸟巢，将十进制的鸟巢位置转换为二进制序列，二进制序列长度为l；
将转换后的鸟巢进行两两配对；
根据所述基于迭代次数自适应选取交叉点的操作算子公式产生一个概率p0；
将p0与均匀随机概率pn进行比较，当pn＜p0时，在序列的l/2处到l处的高位区域选择交叉点，当pn>p0时，在序列的0处到l/2处的低位区域选择交叉点；
在所述交叉点进行交叉操作；
将二进制序列转换为十进制的鸟巢位置。
4.一种桥吊滑模控制参数优化装置，其特征在于：包括：
搜索范围设置单元，用于设置布谷鸟搜索算法每一维的搜索空间范围分别为：a,ε,k∈[0,100]，b∈[-100,100]，其中a、ε、b、k分别为台车位置滑模控制器的位置误差权重、切换增益、角度误差权重和指数系数，所述的布谷鸟搜索算法采用自适应步长并引入基于迭代次数自适应选取交叉点的操作算子，其中，所述台车位置滑模控制器为u，
适应度函数设置单元，用于设置所述布谷鸟搜索算法的适应度函数为
处理单元，用于根据所述适应度函数采用所述的布谷鸟搜索算法求解所述a、ε、b、k的最优解。
5.根据权利要求4所述的一种桥吊滑模控制参数优化装置，其特征在于：所述处理单元包括：
初始化单元,用于初始化所述的布谷鸟搜索算法的基本参数和鸟巢，初始化所述台车位置滑模控制器的参数，设定鸟巢的数目为n，被发现概率为pa及最大的迭代次数为gmax，布谷鸟算法随机产生初始鸟巢，计算并评估所述初始鸟巢的适应度值，保存适应度值最高的鸟巢；
莱维飞行单元,根据所述自适应步长公式和莱维飞行公式更新鸟巢的位置，计算并评估鸟巢的适应度值，根据贪婪算法保存适应度值最高的鸟巢；
丢弃单元,用于为每一个鸟巢选取一个随机概率pt，丢弃pt＜pa的鸟巢；
偏好游走单元,用于根据偏好随机游走算法更新被丢弃鸟巢的位置，计算并评估鸟巢的适应度值，根据贪婪算法保存适应度值最高的鸟巢；
交叉单元,用于根据所述基于迭代次数自适应选取交叉点的操作算子公式进行交叉操作，产生新的鸟巢，计算并评估所述新的鸟巢的适应度值，根据贪婪算法保存适应度值最高的鸟巢；
输出单元，用于若未达到预先设定的最大迭代次数gmax，则把此代的鸟巢位置作为下一代的初始鸟巢位置，返回s32，继续进行下次迭代，否则，输出所述a、ε、b、k的最优解。
6.一种桥吊滑模控制参数优化设备，其特征在于：包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1-3任一项所述的桥吊滑模控制参数优化方法。
7.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1-3任一项所述的桥吊滑模控制参数优化方法。
技术总结
本发明公开了一种桥吊滑模控制参数优化方法、装置、设备及存储介质，对传统布谷鸟搜索算法进行改进，引入自适应步长和基于迭代次数选取交叉点的交叉操作算子，采用改进的布谷鸟搜索算法对桥式吊车滑模控制器的控制参数进行优化，得到滑模控制器参数的最优解，提高了桥式吊车系统防摆控制的响应速度以及鲁棒性，使系统具有抗干扰能力。
技术研发人员：王天雷;张人丰;张宪文;李汶杰;张京玲;岳洪伟;翟懿奎;邱炯智
受保护的技术使用者：五邑大学
技术研发日：.09.30
技术公布日：.01.03
如果觉得《一种桥吊滑模控制参数优化方法 装置 设备及存储介质与流程》对你有帮助，请点赞、收藏，并留下你的观点哦！
