基于海鸥优化算法的冲压发动机自抗扰控制设计方法

1.本发明涉及一种基于海鸥优化算法的冲压发动机自抗扰控制设计，属于航空发动机控制领域。


背景技术：

2.本发明使用的模型是某型冲压发动机，冲压发动机是一种新型的、用于高速飞行的、尖端航空科学技术。其中冲压发动机内燃烧室内压力调节控制是关乎冲压发动机能否高性能运转的一个关键要素之一。冲压发动机压力调节系统属于复杂的多输入多输出系统，耦合性强，被控压力和控制量都不止一个，且每一个被控压力受多个控制量的影响，每一个控制量同时对多个被控压力有影响，尤其是遇到少控多的控制场景，例如冲压发动机的3个控制量控制10组被控压力，因此变量选择在多输入多输出的复杂系统是非常重要的。合适的特征变量选择能帮助构建更好的控制器，且能帮助进一步了解这些变量的控制相关性，帮助分析发动机工作性能。
3.对于冲压发动机燃烧室的沿程压力，通常受到各种扰动因素的影响，比如实际应在工作过程中受温度、压强等环境因素的影响，发动机燃烧室的沿程压力会发生不同程度的变化。这增加了控制难度，设计一种具有良好抗干扰能力的控制器十分必要。自抗扰控制(active disturbance rejection control,adrc)是韩京清教授提出的一种控制方法，采取自抗扰控制(adrc)可以将冲压发动机这一复杂控制对象变为简单的积分串联型控制对象，同时解决响应速度和超调性的矛盾，解决模型未知部分和外部扰动对冲压发动机的影响。但adrc需要整定的参数众多，整定起来较为繁琐，有必要利用新型的优化算法实现控制参数的自整定。
4.鉴于以上，为了克服目前冲压发动机压力调节系统设计的不足，本发明提出一种基于海鸥优化算法的冲压发动机自抗扰控制设计，采取随机森林变量选择算法筛选最能表征控制量的特征压力，摒除相关性小的变量和冗余特征压力，对高维的数据进行维度约简；并对自抗扰控制器中扩张状态观测器的非线性函数进行改进，提升鲁棒控制效果；同时利用改进的海鸥优化算法实现控制参数自整定，提高控制精度与控制速度，降低了参数整定难度，这在冲压发动机的运用上具有重要的工程意义。


技术实现要素：

5.针对现有技术的不足，本发明提出了一种基于海鸥优化算法的冲压发动机自抗扰控制设计。
6.本发明的技术方案：
7.一种基于海鸥优化算法的冲压发动机自抗扰控制设计方法，步骤如下：
8.s1：基于多变量少控多的控制目标，实现m个控制量控制n组被控量，m＜n，从n组被控压力中选取m组沿程压力作为最有效的压力被控量，结合随机森林变量选择的方法确定被控量；
9.s1.1根据冲压发动机控制要求，运行发动机模型，获取输出的压力数据，被控量为p＝[p1,
…
pi,
…
pn]
t
即类变量，控制量为u＝[u1,
…
ui,
…
un]
t
，ui和pi是同一回路中的变量；将发动机模型输出的压力数据作为原始训练集d，每条数据含有m个特征，k为样本数量，j为分类树数量；
[0010]
s1.2抽取训练子集，从原始训练集d中有放回地随机选取k个样本，并重复k次，作为训练子集；原始训练集d中除去采样得到的训练子集外的部分，作为袋外数据集，用oob表示；
[0011]
s1.3构建分类树，先在m个特征中随机抽取l个特征组成特征子集，根据样本特征选择分割点，将分割点划分为子节点，同时将训练子集划分到相应节点中，重复地逐层划分，最终得到所有节点；循环执行上述过程，直至建立j棵分类树，以构成随机森林t，其中t∈{ti,i＝1,2,
…
,j}；
[0012]
s1.4统计非0子节点处变量的重要度w，循环计算得到所有的变量重要度，取其均值作为最终的判断依据，排列变量的重要度，并选择其中最重要的3组变量；
[0013]
s1.5对分类树所得结果进行评价，计算相关系数r2，验证有效性；
[0014]
s2：根据自抗扰的基本原理，搭建adrc控制器的跟踪微分器td、扩张状态观测器eso、非线性状态误差反馈nlsef三个部分，并对其中的非线性函数fal进行改进，构造新的扩张状态观测器eso和非线性状态误差反馈nlsef；
[0015]
s2.1设计跟踪微分器td
[0016]
鉴于非线性td效率比线性td效率高，且本控制系统为离散系统，所以引入最速离散函数：
[0017][0018]
式中：fhan是函数符号；fh是fhan数的输出值；k为离散仿真的第k步；v1(k)为跟踪的离散信号；v2(k)为跟踪的离散信号的导数；h为仿真步长；u为控制目标；h0为滤波因子；
[0019]
fhan(v1(k)-u(t),v2(k),r,h0)的计算如下式：
[0020][0021]
式中：r是待调参数，fsg(v,d)＝(sign(v+d)-sign(v-d))/2，sign()为符号函数；d、a、a0、a1、a2、y为函数计算的中间过程量，不具备实际物理意义；
[0022]
s2.2设计扩张状态观测器eso
[0023]
对三方向通道分别建立如下形式的二阶扩张状态观测器：
[0024][0025]
式中：e为误差项，通过选择适当的参数β
01
,β
02
,β
03
，使得上式构建的eso可实时估计对象的状态及被扩张的状态，这里使用带宽整定法确定确定参数配置，即β
01
＝3ω,β
02
＝3ω2,β
03
＝ω3，其中ω为扩张状态观测器的带宽，需要根据要求设定，也是需要调节的参数；gi(e),i＝1,2是满足e
·gi
(e)≥0的适当的非线性函数fal(e,αi,δ)，取
[0026][0027]
式中：α为0和1之间的常数，δ为线性段区间长度；
[0028]
s2.3改进扩张状态观测器中的fal函数
[0029]
扩张状态观测器是整个自抗扰控制器的核心部分，而fal函数又是扩张状态观测器的核心。从传统的fal函数的表达式可以看出，该非线性函数在误差绝对值比较小的时候，是线性的，而当误差比较大的时候是呈指数上升的，不收敛的。针对这一问题，本发明设计出如下式的一个新的非线性函数newfal来替换传统的非线性函数fal，为了便于区分，式中x为误差，等同于fal中的e。
[0030][0031]
当误差绝对值较大时，newfal函数输出值收敛于一个固定的常数，明显小于fal函数输出值，避免了因误差不断增大，非线性函数不收敛的问题，同时，newfal函数在原点附近更光滑且收敛性更好，有效克服了传统fal函数在原点附近存在拐点而导致斜率较大的问题。从上面两个式子中看出，当输入误差值趋向于0时，fal函数输出增益趋于无穷，易引起系统震荡；输入误差较小时，newfal函数输出增益高于fal函数；而输入误差较大时，newfal函数输出增益明显低于fal函数，因此本发明设计的newfal函数比fal函数更能体现“小误差，大增益；大误差，小增益”的工程思想。
[0032]
改进后的二阶扩张状态观测器为如下，b为补偿因子；
[0033][0034]
s2.4非线性状态误差反馈设计；
[0035]
将跟踪微分器的输出与扩张状态观测器的输出做差并进行非线性组合，并将扩张状态观测器估计的总扰动进行实时补偿，得到系统的控制量，具体表示如下：
[0036]
u0＝k
p
newfal(x1,α1)+kdnewfal(x2,α2)
[0037]
式中：u0是非线性状态反馈模块的输出，k
p
、kd分别为控制量增益，根据自抗扰控制
基本原理，得到补偿内外扰动后的系统控制率如下式所示，u为控制量；
[0038][0039]
s3：设计一种改进的海鸥优化算法，对自抗扰控制器主要参数进行自主调优，具体是提出一种基于吸引和排斥概念的启发种群进化策略；所述改进的海鸥优化算法如下：
[0040]
s3.1海鸥种群ps初始化，最大迭代次数为m_max，初始化附加变量a，b；
[0041]
s3.2计算初始种群的适应度值，标记最优个体，适应度函数fitness计算如下：
[0042][0043]
式中：t
p
是时间，e(t
p
)是上述控制误差，即适应度函数为时间乘以误差绝对值的积分；
[0044]
s3.3根据迁徙和攻击操作更新海鸥位置，为了避免与其他海鸥碰撞，对位置进行更新，位置更新公式为：
[0045]cs
(t)＝a
×
ps(x)，
[0046]
式中：cs(t)表示不与其他海鸥存在位置冲突的新位置，ps(x)表示海鸥当前位置；
[0047]
s3.4计算新种群适应度值，更新最优个体；在避免了与其他海鸥的位置重合之后，海鸥会向最佳位置所在的方向移动；最佳位置方向更新公式为：
[0048]ms
(t)＝b
×
(p
best
(x)-ps(x))
[0049]
式中：ms(t)表示个体向最佳海鸥的收敛方向，p
best
(x)表示最优位置；海鸥靠近最佳位置：海鸥移动到不与其他海鸥相撞的位置后，就向着最佳位置的所在方向进行移动，到达新的位置；位置更新公式为：
[0050]hs
(t)＝|cs(t)+ms(t)|
[0051]
式中：hs(t)为海鸥的新位置；
[0052]
s3.5从上述可以看出，种群更新过于依赖最优个体，如果全局最优个体陷入局部最优，则可能导致使整个种群的更新停滞不前，算法容易早熟收敛。为此，本发明对海鸥优化算法的搜索方式进行改进，对上述海鸥优化算法的搜索方式进行改进，提出一种基于吸引和排斥概念的启发种群进化策略，改进后的位置更新公式如下：
[0053][0054]
式中：表示更新后的位置，表示第jh个体第ih维上的位置分量，h
b,ih
表示全局最优个体，表示全局最差个体，r1和r2均为[0,1]范围内均匀分布的随机数；上式中表示最优个体的吸引作用，表示最差个体的排斥作用；
[0055]
s3.6攻击阶段：海鸥在迁徙过程中，用翅膀不断改变攻击速度和角度，当攻击猎物时，它们就在空中进行螺旋形状运动；海鸥在三维平面中的运动行为描述如下：
[0056]
xh＝rh×
cos(kh)
[0057]
yh＝rh×
sin(kh)
[0058]
zh＝rh×
kh[0059][0060]
式中：rh是海鸥每个螺旋形状运动的半径，kh是随机角度值，处于0到2π内，uh和vh是螺旋形状的相关常数，用来控制螺旋半径，通常取1，e是自然对数的底数；
[0061]
s3.7对海鸥的攻击位置进行更新，结合海鸥新位置，得到整体海鸥位置更新公式为：
[0062]
ps(t)＝(hs×
xh×
yh×
zh)+p
best
(t)
[0063]
式中：ps(t)为海鸥的攻击位置；
[0064]
s3.8判断是否满足终止条件，是则停止迭代并输出最优参数值，否则跳转至s3.3继续迭代；
[0065]
s3.9根据s3.8求得的最优参数值，将其传递给自抗扰控制器；
[0066]
s4：验证改进自抗扰控制器的优越性，在matlab中搭建simulink模型进行仿真实验。
[0067]
本发明的有益效果为：冲压发动机由于温度、压力和噪声造成的沿程压力波动对发动机来说，是一种扰动作用，尤其在沿程压力指令的变换上，对发动机的实时抗扰控制提出了很高的要求。本发明的一种海鸥优化的冲压发动机自抗扰控制设计，将自抗扰控制器应用于压力调节系统中，利用随机森林算法提取出对控制量最敏感的压力输出量，提出采用改进的自适应海鸥优化算法整定控制参数，简化了调参复杂度，提高了寻优过程的收敛速度与寻优精度。
附图说明
[0068]
图1为基于海鸥优化算法的冲压发动机自抗扰控制设计设计流程图；
[0069]
图2为自抗扰控制结构框架图；
[0070]
图3为随机森林变量选择流程图；
[0071]
图4为改进海鸥优化算法流程图；
[0072]
图5为某型冲压发动机在某一工况下受扰动后控制效果图；
[0073]
图6为某型冲压发动机在某一工况下沿程压力发生连续阶跃变化后的控制效果图。
具体实施方式
[0074]
以下结合发明中实施例中的附图，对本发明进行进一步详细说明。显然，所描述的实施例仅是发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0075]
如图1所示，一种基于海鸥优化算法的冲压发动机自抗扰控制设计，主要包括如下步骤：
[0076]
s1：基于变量控制目标，从10组被控压力中选取3组沿程压力作为最有效的压力被控量，结合随机森林变量选择的方法确定被控变量。
[0077]
s2：根据自抗扰的基本原理，搭建adrc控制器的跟踪微分器td、扩张状态观测器eso、非线性状态误差反馈nlsef三个部分，并改进非线性函数fal。
[0078]
s3：设计一种改进海鸥优化算法，对自抗扰控制器主要参数进行自主调优，具体是提出一种基于吸引和排斥概念的启发种群进化策略。
[0079]
s4：验证改进自抗扰控制器的优越性，在matlab中搭建simulink模型进行仿真实验。
[0080]
如图2，确定被控量的步骤如下：
[0081]
s1：基于多变量少控多的控制目标，实现m个控制量控制n组被控量，m＜n，从n组被控压力中选取m组沿程压力作为最有效的压力被控量，结合随机森林变量选择的方法确定被控量；
[0082]
s1.1根据冲压发动机控制要求，运行发动机模型，获取输出的压力数据，被控量为p＝[p1,
…
pi,
…
pn]
t
即类变量，控制量为u＝[u1,
…
ui,
…
un]
t
，ui和pi是同一回路中的变量；将发动机模型输出的压力数据作为原始训练集d，每条数据含有m个特征，k为样本数量，j为分类树数量；
[0083]
s1.2抽取训练子集，从原始训练集d中有放回地随机选取k个样本，并重复k次，作为训练子集；原始训练集d中除去采样得到的训练子集外的部分，作为袋外数据集，用oob表示；
[0084]
s1.3构建分类树，先在m个特征中随机抽取l个特征组成特征子集，根据样本特征选择分割点，将分割点划分为子节点，同时将训练子集划分到相应节点中，重复地逐层划分，最终得到所有节点；循环执行上述过程，直至建立j棵分类树，以构成随机森林t，其中t∈{ti,i＝1,2,
…
,j}；
[0085]
s1.4统计非0子节点处变量的重要度w，循环计算得到所有的变量重要度，取其均值作为最终的判断依据，排列变量的重要度，并选择其中最重要的3组变量；
[0086]
s1.5对分类树所得结果进行评价，计算相关系数r2，验证有效性；
[0087]
取ntree＝100，leaf＝5，其中nrtee为树的数量、leaf为叶子数，经过大量试验训练及分析，得出10组压力中第5、第6、第7组压力与三组控制量相关度最高，而且计算得到的r2＝0.89》0.5，说明变量的选择是有效的。
[0088]
s2：如图3所示，搭建adrc控制器的跟踪微分器td、扩张状态观测器eso、非线性状态误差反馈nlsef三个部分。
[0089]
s2.1设计跟踪微分器td
[0090]
鉴于非线性td效率比线性td效率高，且本控制系统为离散系统，所以引入最速离散函数：
[0091][0092]
式中：fhan是函数符号；fh是fhan数的输出值；k为离散仿真的第k步；v1(k)为跟踪的离散信号；v2(k)为跟踪的离散信号的导数；h为仿真步长；u为控制目标；h0为滤波因子；
[0093]
fhan(v1(k)-u(t),v2(k),r,h0)的计算如下式：
[0094][0095]
式中：r是待调参数，fsg(v,d)＝(sign(v+d)-sign(v-d))/2，sign()为符号函数；d、a、a0、a1、a2、y为函数计算的中间过程量，不具备实际物理意义；
[0096]
s2.2设计扩张状态观测器eso
[0097]
对三方向通道分别建立如下形式的二阶扩张状态观测器：
[0098][0099]
式中：e为误差项，通过选择适当的参数β
01
,β
02
,β
03
，使得上式构建的eso可实时估计对象的状态及被扩张的状态，这里使用带宽整定法确定确定参数配置，即β
01
＝3ω,β
02
＝3ω2,β
03
＝ω3，其中ω为扩张状态观测器的带宽，需要根据要求设定，也是需要调节的参数；gi(e),i＝1,2是满足e
·gi
(e)≥0的适当的非线性函数fal(e,αi,δ)，取
[0100][0101]
式中：α为0和1之间的常数，δ为线性段区间长度；
[0102]
s2.3改进扩张状态观测器中的fal函数
[0103]
扩张状态观测器是整个自抗扰控制器的核心部分，而fal函数又是扩张状态观测器的核心。从传统的fal函数的表达式可以看出，该非线性函数在误差绝对值比较小的时候，是线性的，而当误差比较大的时候是呈指数上升的，不收敛的。针对这一问题，本发明设计出如下式的一个新的非线性函数newfal来替换传统的非线性函数fal，为了便于区分，式中x为误差，等同于fal中的e。
[0104][0105]
当误差绝对值较大时，newfal函数输出值收敛于一个固定的常数，明显小于fal函数输出值，避免了因误差不断增大，非线性函数不收敛的问题，同时，newfal函数在原点附近更光滑且收敛性更好，有效克服了传统fal函数在原点附近存在拐点而导致斜率较大的问题。从上面两个式子中看出，当输入误差值趋向于0时，fal函数输出增益趋于无穷，易引起系统震荡；输入误差较小时，newfal函数输出增益高于fal函数；而输入误差较大时，newfal函数输出增益明显低于fal函数，因此本发明设计的newfal函数比fal函数更能体现“小误差，大增益；大误差，小增益”的工程思想。
[0106]
改进后的二阶扩张状态观测器为如下，b为补偿因子；
[0107][0108]
s2.4非线性状态误差反馈设计；
[0109]
将跟踪微分器的输出与扩张状态观测器的输出做差并进行非线性组合，并将扩张状态观测器估计的总扰动进行实时补偿，得到系统的控制量，具体表示如下：
[0110]
u0＝k
p
newfal(x1,α1)+kdnewfal(x2,α2)
[0111]
式中：u0是非线性状态反馈模块的输出，k
p
、kd分别为控制量增益，根据自抗扰控制基本原理，得到补偿内外扰动后的系统控制率如下式所示，u为控制量；
[0112][0113]
s3：图4为改进的海鸥优化算法流程图，通过改进的海鸥优化算法，对自抗扰控制器主要参数进行自主调优，所述需要进行整定的参数是以上所述跟踪微分器、扩张状态观测器和非线性状态误差反馈律中获取的待整定参数的集合，即跟踪微分器的时间常数r、线性扩张状态观测器的ω、补偿因子b、非线性状态误差反馈nlsef的k
p
和kd，以上所述待整定参数的集合向量即为海鸥种群，每个参数代表群体中的一个海鸥，待整定参数的理想最优解即是海鸥的最佳位置。
[0114]
s4：验证改进自抗扰控制器的优越性，在matlab中搭建simulink模型进行仿真实验。
[0115]
如图5所示，仿真步长为10时发动机压力受到扰动作用，沿程压力出现下降，在仿真步长为20时控制器开始抗扰作用，在控制器抗扰作用时受到噪声影响，经过对控制器参数自整定，得到效果较好的参数组合1为r＝500，ω0＝10.5，ω1＝7.5，ω2＝7.5，k
p1
＝90，k
d1
＝0，k
p2
＝80，k
d2
＝0，k
p3
＝88，k
d3
＝0，b0＝89，b1＝-4，b2＝0.5。经过15.65时间步长，对扰动进行补偿，被控压力值达到扰动前的数值。
[0116]
如图6所示，冲压发动机沿程的压力共产生了5次跳变的阶跃，从仿真步长为20时开始，每50个仿真步长产生一次压力阶跃。为了跟踪上5次连续的压力指令变化，进行自抗扰控制，得到效果较好的参数组合2为r＝500，ω0＝11.5，ω1＝8，ω2＝10，k
p1
＝150，k
d1
＝0，k
p2
＝300，k
d2
＝0，k
p3
＝220，k
d3
＝0，b0＝89，b1＝-10，b2＝0.5。从仿真步长为20时控制器开始作用，在不超过15个仿真步长时间内，5次被控压力值达到目标压力值。
[0117]
综上，基于海鸥优化算法的冲压发动机自抗扰控制设计，能够有效补偿由于系统内外因素产生的扰动，同时还能有效消除变换压力指令时带来的扰动影响，实现压力阶跃变化时的实时控制。

技术特征：
1.一种基于海鸥优化算法的冲压发动机自抗扰控制设计方法，其特征在于，步骤如下：s1：基于多变量少控多的控制目标，实现m个控制量控制n组被控量，m＜n，从n组被控压力中选取m组沿程压力作为最有效的压力被控量，结合随机森林变量选择的方法确定被控量；s1.1根据冲压发动机控制要求，运行发动机模型，获取输出的压力数据，被控量为p＝[p1,
…
p
i
,
…
p
n
]
t
即类变量，控制量为u＝[u1,
…
u
i
,
…
u
n
]
t
，u
i
和p
i
是同一回路中的变量；将发动机模型输出的压力数据作为原始训练集d，每条数据含有m个特征，k为样本数量，j为分类树数量；s1.2抽取训练子集，从原始训练集d中有放回地随机选取k个样本，并重复k次，作为训练子集；原始训练集d中除去采样得到的训练子集外的部分，作为袋外数据集，用oob表示；s1.3构建分类树，先在m个特征中随机抽取l个特征组成特征子集，根据样本特征选择分割点，将分割点划分为子节点，同时将训练子集划分到相应节点中，重复地逐层划分，最终得到所有节点；循环执行上述过程，直至建立j棵分类树，以构成随机森林t，其中t∈{t
i
,i＝1,2,
…
,j}；s1.4统计非0子节点处变量的重要度w，循环计算得到所有的变量重要度，取其均值作为最终的判断依据，排列变量的重要度，并选择其中最重要的3组变量；s1.5对分类树所得结果进行评价，计算相关系数r2，验证有效性；s2：根据自抗扰的基本原理，搭建adrc控制器的跟踪微分器td、扩张状态观测器eso、非线性状态误差反馈nlsef三个部分，并对其中的非线性函数fal进行改进，构造新的扩张状态观测器eso和非线性状态误差反馈nlsef；s2.1设计跟踪微分器td鉴于非线性td效率比线性td效率高，且本控制系统为离散系统，所以引入最速离散函数：式中：fhan是函数符号；fh是fhan数的输出值；k为离散仿真的第k步；v1(k)为跟踪的离散信号；v2(k)为跟踪的离散信号的导数；h为仿真步长；u为控制目标；h0为滤波因子；fhan(v1(k)-u(t),v2(k),r,h0)的计算如下式：式中：r是待调参数，fsg(v,d)＝(sign(v+d)-sign(v-d))/2，sign()为符号函数；d、a、
a0、a1、a2、y为函数计算的中间过程量，不具备实际物理意义；s2.2设计扩张状态观测器eso对三方向通道分别建立如下形式的二阶扩张状态观测器：式中：e为误差项，通过选择适当的参数β
01
,β
02
,β
03
，使得上式构建的eso可实时估计对象的状态及被扩张的状态，这里使用带宽整定法确定确定参数配置，即β
01
＝3ω,β
02
＝3ω2,β
03
＝ω3，其中ω为扩张状态观测器的带宽，需要根据要求设定，也是需要调节的参数；g
i
(e),i＝1,2是满足e
·
g
i
(e)≥0的适当的非线性函数fal(e,α
i
,δ)，取式中：α为0和1之间的常数，δ为线性段区间长度；s2.3改进扩张状态观测器中的fal函数设计一个新的非线性函数newfal来替换上述传统的非线性函数fal，为了便于区分，下式中x为误差，e为自然底数；改进后的二阶扩张状态观测器为如下，b为补偿因子；s2.4非线性状态误差反馈设计；将跟踪微分器的输出与扩张状态观测器的输出做差并进行非线性组合，并将扩张状态观测器估计的总扰动进行实时补偿，得到系统的控制量，具体表示如下：u0＝k
p
newfal(x1,α1)+k
d
newfal(x2,α2)式中：u0是非线性状态反馈模块的输出，k
p
、k
d
分别为控制量增益，根据自抗扰控制基本原理，得到补偿内外扰动后的系统控制率如下式所示，u为控制量；s3：设计一种改进的海鸥优化算法，对自抗扰控制器主要参数进行自主调优，具体是提出一种基于吸引和排斥概念的启发种群进化策略；所述改进的海鸥优化算法如下：s3.1海鸥种群p
s
初始化，最大迭代次数为m_max，初始化附加变量a，b；s3.2计算初始种群的适应度值，标记最优个体，适应度函数fitness计算如下：
式中：t
p
是时间，e(t
p
)是上述控制误差，即适应度函数为时间乘以误差绝对值的积分；s3.3根据迁徙和攻击操作更新海鸥位置，为了避免与其他海鸥碰撞，对位置进行更新，位置更新公式为：c
s
(t)＝a
×
p
s
(x)，式中：c
s
(t)表示不与其他海鸥存在位置冲突的新位置，p
s
(x)表示海鸥当前位置；s3.4计算新种群适应度值，更新最优个体；在避免了与其他海鸥的位置重合之后，海鸥会向最佳位置所在的方向移动；最佳位置方向更新公式为：m
s
(t)＝b
×
(p
best
(x)-p
s
(x))式中：m
s
(t)表示个体向最佳海鸥的收敛方向，p
best
(x)表示最优位置；海鸥靠近最佳位置：海鸥移动到不与其他海鸥相撞的位置后，就向着最佳位置的所在方向进行移动，到达新的位置；位置更新公式为：h
s
(t)＝|c
s
(t)+m
s
(t)|式中：h
s
(t)为海鸥的新位置；s3.5对上述海鸥优化算法的搜索方式进行改进，提出一种基于吸引和排斥概念的启发种群进化策略，改进后的位置更新公式如下：式中：表示更新后的位置，表示第j
h
个体第i
h
维上的位置分量，h
b,ih
表示全局最优个体，表示全局最差个体，r1和r2均为[0,1]范围内均匀分布的随机数；上式中表示最优个体的吸引作用，表示最差个体的排斥作用；s3.6攻击阶段：海鸥在迁徙过程中，用翅膀不断改变攻击速度和角度，当攻击猎物时，它们就在空中进行螺旋形状运动；海鸥在三维平面中的运动行为描述如下：x
h
＝r
h
×
cos(k
h
)y
h
＝r
h
×
sin(k
h
)z
h
＝r
h
×
k
h
式中：r
h
是海鸥每个螺旋形状运动的半径，k
h
是随机角度值，处于0到2π内，u
h
和v
h
是螺旋形状的相关常数，用来控制螺旋半径，通常取1，e是自然对数的底数；s3.7对海鸥的攻击位置进行更新，结合海鸥新位置，得到整体海鸥位置更新公式为：p
s
(t)＝(h
s
×
x
h
×
y
h
×
z
h
)+p
best
(t)式中：p
s
(t)为海鸥的攻击位置；s3.8判断是否满足终止条件，是则停止迭代并输出最优参数值，否则跳转至s3.3继续迭代；s3.9根据s3.8求得的最优参数值，将其传递给自抗扰控制器；s4：验证改进自抗扰控制器的优越性，在matlab中搭建simulink模型进行仿真实验。

技术总结
一种基于海鸥优化算法的冲压发动机自抗扰控制设计，首先利用随机森林算法提取出对控制量最敏感的压力输出量，加入跟踪微分器，柔化启动环节，对给定压力信号进行平滑降噪处理得到压力信号及压力的微分信号。然后通过改进的扩张状态观测器观测状态，将冲压发发动机系统内部扰动和外部扰动看作一个整体扰动并观测出来，反馈到控制算法中，再通过非线性状态误差反馈将ESO的整体误差补偿到控制系统中，对其进行补偿。采用改进的自适应海鸥优化算法整定控制参数。本发明能够达到使冲压发动机要求按照指定控制压力指令阶跃运行，在满足指令的同时，大幅减小压力阶跃跳变时产生的扰动和误差，并且简化调参复杂度，提高寻优过程的收敛速度与寻优精度。敛速度与寻优精度。敛速度与寻优精度。


技术研发人员：杜宪 尹博文 马艳华 孙希明
受保护的技术使用者：大连理工大学
技术研发日：2023.02.28
技术公布日：2023/5/25