基于免疫粒子群优化的主动悬架LQG控制研究

doi:10.3778/j.issn.1002-8331.1709-0270

计算机工程与应用 ›› 2018, Vol. 54 ›› Issue (6): 252-256.DOI: 10.3778/j.issn.1002-8331.1709-0270

基于免疫粒子群优化的主动悬架LQG控制研究

张玉分1，龙金莲1，李婧1，卢家暄2

1.贵州大学电气工程学院，贵阳 550025
2.贵州大学大数据与信息工程学院，贵阳 550025

出版日期:2018-03-15 发布日期:2018-04-03

Research on LQG of active suspension based on immune particle swarm optimization

ZHANG Yufen1, LONG Jinlian1, LI Jing1, LU Jiaxuan2

1.College of Electrical Engineering, Guizhou University, Guiyang 550025, China
2.College of Big Data and Information Engineering, Guizhou University, Guiyang 550025, China

Online:2018-03-15 Published:2018-04-03

摘要/Abstract

摘要： 针对LQG控制器用于主动悬架存在权重系数依靠先验知识来确定的不足，提出了免疫粒子群混合优化算法。该算法首先利用粒子群算法对LQG参数进行离线优化，得到一组准最优LQG参数，将其作为在线调节初始值，然后引入免疫粒子群算法对LQG参数进行在线实时优化。该方法实现简单，在保持粒子多样性的同时也改善了粒子群算法收敛速度慢、早熟以及免疫算法过程繁复冗长。仿真验证了所提方法的可行性与有效性。

关键词: 主动悬架, 线性二次型（LQG）控制器, 免疫粒子群混合优化算法, 粒子群算法

Abstract: In order to solve the disadvantage that the weight coefficients depend on prior knowledge for the LQG controllerused in the active suspension, an immune particle swarm optimization algorithm is proposed. Firstly, the particle swarm optimization algorithm is used to optimize the parameters and obtain the quasi-optimal parameters as the initial value of online regulation, then the parameters are optimized in real time with the immune particle swarm algorithm. This method is simple, which can maintain the particle diversity and the convergence rate and precocity of PSO in particle swarm and the complexity of the immune algorithm are improved at the same time. The feasibility and validity of the proposed method are verified by simulation.

Key words: active suspension;linear quadratic（LQG） controller, immune particle swarm optimization, particle swarm optimization

张玉分1，龙金莲1，李婧1，卢家暄2. 基于免疫粒子群优化的主动悬架LQG控制研究[J]. 计算机工程与应用, 2018, 54(6): 252-256.

ZHANG Yufen1, LONG Jinlian1, LI Jing1, LU Jiaxuan2. Research on LQG of active suspension based on immune particle swarm optimization[J]. Computer Engineering and Applications, 2018, 54(6): 252-256.

[1]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[2]	朱佳莹，高茂庭. 融合粒子群与改进蚁群算法的AUV路径规划算法[J]. 计算机工程与应用, 2021, 57(6): 267-273.
[3]	李静星，杨有龙. 针对高维数据的马尔科夫毯特征选择[J]. 计算机工程与应用, 2021, 57(6): 58-66.
[4]	王嘉月，史立. 考虑电池损耗的电动冷藏车路径及充电策略[J]. 计算机工程与应用, 2021, 57(24): 283-289.
[5]	林炜星，王宇嘉，陈万芬，梁海娜. 基于多因子粒子群的高维数据特征选择算法[J]. 计算机工程与应用, 2021, 57(22): 199-207.
[6]	于国龙，赵勇，吴恋，崔忠伟. QPSO算法的改进及其在DBN参数优化中应用[J]. 计算机工程与应用, 2021, 57(10): 154-162.
[7]	周蓉，李俊，王浩. 基于灰狼优化的反向学习粒子群算法[J]. 计算机工程与应用, 2020, 56(7): 48-56.
[8]	杨华龙，陆婷，辛禹辰. 基于改进粒子群算法的异质车队二级IRP优化[J]. 计算机工程与应用, 2020, 56(22): 272-278.
[9]	覃凤婷，杨有龙，仇海全. 基于稀疏子空间的局部异常值检测算法[J]. 计算机工程与应用, 2020, 56(19): 152-159.
[10]	杨彦荣，宋荣杰，周兆永. 基于GAN-PSO-ELM的网络入侵检测方法[J]. 计算机工程与应用, 2020, 56(12): 66-72.
[11]	周琴，程立正. 层适应网格上求解奇异摄动问题的粒子群算法[J]. 计算机工程与应用, 2020, 56(11): 46-50.
[12]	胡雪娇，陈行健，赵南，薛卫. PSO_BFA优化词袋模型及蛋白质亚细胞定位预测[J]. 计算机工程与应用, 2020, 56(1): 165-171.
[13]	蒋丽1，2，叶润舟1，2，梁昌勇1，2，陆文星1，2. 改进的二阶振荡粒子群算法[J]. 计算机工程与应用, 2019, 55(9): 130-138.
[14]	张鑫1，邹德旋1，肖鹏1，喻秋2. 自适应简化粒子群优化算法及其应用[J]. 计算机工程与应用, 2019, 55(8): 250-263.
[15]	冯建新1，2，李慧1，2，刘治国1，2. 新型火焰颜色空间——IFCS[J]. 计算机工程与应用, 2019, 55(5): 203-210.

基于免疫粒子群优化的主动悬架LQG控制研究

Research on LQG of active suspension based on immune particle swarm optimization

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics