基于改進(jìn)MOEAD算法的主從式PID控制器參數(shù)尋優(yōu)

胡鷹 呂暢 原嘉辰

摘 要：為了有效解決電液伺服系統(tǒng)主從控制結(jié)構(gòu)中主缸和從缸PID控制器的參數(shù)設(shè)定問題，提出了一種基于多目標(biāo)優(yōu)化算法與模型仿真相結(jié)合的求解方法。在該求解方法中，將參數(shù)設(shè)定問題建模為了一個多目標(biāo)優(yōu)化問題，其目標(biāo)空間包括主從同步誤差、調(diào)節(jié)時間、超調(diào)量和積分平方誤差四個維度，建立了主從結(jié)構(gòu)的PID控制仿真模型，來獲取目標(biāo)空間的目標(biāo)值。改進(jìn)了MOEAD算法，通過親代選擇以及子代生成算子選擇強化算法子代的多樣性，通過個體與權(quán)重向量的綁定機制和外部種群對無效權(quán)重向量的替換策略對原始算法中的權(quán)重向量進(jìn)行重調(diào)整。由改進(jìn)的MOEAD算法獲取了最終的Pareto非支配解集，在最終解集中選取了拐點個體作為控制器的最優(yōu)參數(shù)，提高了主從同步結(jié)構(gòu)的控制品質(zhì)。

關(guān)鍵詞：同步控制；多目標(biāo)優(yōu)化；仿真；PID控制

中圖分類號：TP273?? 文獻(xiàn)標(biāo)志碼：A??? 文章編號：1001-3695（2024）05-022-1434-07

doi： 10.19734/j.issn.1001-3695.2023.09.0400

Parameter optimization of master-slave PID controller based on improved MOEAD algorithm

Abstract：To solve the parameter tunning problem of PID controllers in master-slave control structure of electro-hydraulic servo system， this paper proposed a solution method based on multi-objective optimization algorithm combined with model simulation. This method modeled the problem as a multi-objective optimization problem whose target space included four dimensions， namely master-slave synchronization error， settling time， overshoot and integral squared error. And it established the simulation model of master-slave PID control structure to obtain the target value of the target space. Additionally， it improved the MOEAD algorithm by strengthenning the diversity of generated offspring through the selection of parents along with the offspring generate operators and readjusting the weight vector through the substitution strategy of invalid ones using external populations and binding mechanism between weight vectors and individuals. Finally， this method got the final Pareto non-dominated solution set and then selected the knee point individual as the optimal parameter of the controller in the solution set， which improves the control quality of the master-slave synchronization structure.

Key words：synchronous control; multi objective optimization; simulation; PID control

0 引言

液壓傳動技術(shù)因其具有的輸出功率大、安裝靈活、穩(wěn)定可靠等優(yōu)點，廣泛應(yīng)用于航空航天、海洋開發(fā)、土建工程等工業(yè)領(lǐng)域。在大多數(shù)設(shè)備中，往往要求兩個或多個元件同步執(zhí)行，這就需要對多套液壓進(jìn)行同步控制。同步控制系統(tǒng)包括等同式和主從式兩種。等同式控制結(jié)構(gòu)中，兩個液壓缸的參考值同時由外部提供，雙缸之間無耦合關(guān)系，他們各自形成控制閉環(huán)。不同于等同式控制結(jié)構(gòu)，在主從控制結(jié)構(gòu)中，主缸接收外部的參考值，從缸接收主缸的實時輸出值作為其參考值，即從缸跟隨主缸的運動。主從缸的PID控制器參數(shù)需要分別給定。這種主從控制結(jié)構(gòu)中，在滿足PID控制的超調(diào)量、調(diào)節(jié)時間、調(diào)節(jié)誤差等目標(biāo)之外，還需要盡量減小主從缸之間的位移誤差。而這種大時滯、非線性、強耦合系統(tǒng)的PID參數(shù)整定十分困難。

早期的PID整定方法為Z-N法［1］，由兩位儀器公司的工程師提出，他們通過系統(tǒng)臨界振蕩時的增益和振蕩周期計算出PID控制器參數(shù)。進(jìn)化算法出現(xiàn)之后，很多研究人員將其用于PID控制器的參數(shù)整定。

一部分學(xué)者將單組PID控制器的整定問題建模為單目標(biāo)優(yōu)化問題，并使用單目標(biāo)優(yōu)化算法進(jìn)行求解。Feleke等人［2］使用ITAE建立目標(biāo)，并使用差分進(jìn)化算法應(yīng)用于能源系統(tǒng)的PID控制器。盧艷軍等人［3］通過將PSO算法中的慣性權(quán)重做非線性動態(tài)下降處理，提高了算法的搜索性能，同時使用ITAE作為單目標(biāo)，將算法應(yīng)用于無人機PID控制器整定。呂紅芳等人［4］將免疫思想引入PSO算法中，提高了算法精度，并使用ITAE作為單目標(biāo)，通過對比實驗證明改進(jìn)后的粒子群算法控制效果更佳。上述研究人員將單組PID控制器的整定問題建模為單目標(biāo)問題模型，并使用單目標(biāo)優(yōu)化算法進(jìn)行求解。為了兼顧PID控制中的系統(tǒng)誤差和收斂速度，文獻(xiàn)多使用ITAE做目標(biāo)函數(shù)。但I(xiàn)TAE指標(biāo)傾向于選擇調(diào)節(jié)時間較短的PID參數(shù)，在超調(diào)方面表現(xiàn)較差。其他的ISE、IAE等指標(biāo)均表現(xiàn)出不同的響應(yīng)特點，均不能得到PID控制器的最佳參數(shù)。

另一些學(xué)者采用加權(quán)和的方法處理PID控制器參數(shù)優(yōu)化問題中的多個子目標(biāo)。Sibtain等人［5］將光伏與風(fēng)電網(wǎng)PID控制器的三項子目標(biāo)做權(quán)重和，并將其對時間的積分作為單目標(biāo)，使用GA進(jìn)行整定。Goud等人［6］將連續(xù)攪拌釜式反器的PID控制器調(diào)節(jié)問題中的多個目標(biāo)加權(quán)為一個目標(biāo)，并用PSO進(jìn)行優(yōu)化。Ma等人［7］使用調(diào)節(jié)時間、輸出偏差和系統(tǒng)輸出三項的加權(quán)積分值作為單目標(biāo)，并將改進(jìn)后的差分進(jìn)化算法應(yīng)用于挖機電液伺服系統(tǒng)的PID參數(shù)優(yōu)化。加權(quán)和可以將PID整定問題中多個子目標(biāo)轉(zhuǎn)換為單目標(biāo)優(yōu)化問題，從而使用單目標(biāo)優(yōu)化算法求解，但整定問題中，超調(diào)、調(diào)節(jié)時間和系統(tǒng)誤差三個目標(biāo)相互矛盾，它們之間的加權(quán)權(quán)重?zé)o法確定，導(dǎo)致求解結(jié)果不穩(wěn)定。

還有一部分學(xué)者為PID的整定問題建立了多目標(biāo)問題模型，并使用多目標(biāo)優(yōu)化算法進(jìn)行求解。Milainovic＇等人［8］使用NSGA-Ⅱ來調(diào)節(jié)水文預(yù)測工具中的PID控制器，建立了一系列的二維目標(biāo)函數(shù)組，并對各組目標(biāo)函數(shù)進(jìn)行了測試。Liu等人［9］為PID參數(shù)調(diào)節(jié)問題設(shè)置了直接目標(biāo)和非直接目標(biāo)，并建立了對應(yīng)的多目標(biāo)優(yōu)化問題模型進(jìn)行求解。Sabahi等人［10］將模糊PID的整定建模為兩目標(biāo)優(yōu)化問題，并使用AWPSO（adaptive weighted PSO）算法求解。Rajamani等人［11］為硬件電路設(shè)計問題中的PID控制器整定問題建立了目標(biāo)空間為兩維的多目標(biāo)優(yōu)化問題模型，并使用NSGA-Ⅱ來進(jìn)行求解。在這部分文獻(xiàn)中，同樣只對單組PID控制器的整定問題進(jìn)行求解。這些文獻(xiàn)中僅將PID控制器整定問題建立為目標(biāo)空間兩維的多目標(biāo)優(yōu)化問題，未能有效處理問題中其他控制指標(biāo)。

本文將主從控制結(jié)構(gòu)的液壓缸同步控制系統(tǒng)PID控制器參數(shù)整定問題建模為目標(biāo)空間四維、決策空間六維的多目標(biāo)優(yōu)化問題。在目前相關(guān)文獻(xiàn)中，常用且較為成熟的求解算法包括GA［12］、PSO［13］、DE［14］和NSGA-Ⅱ［15］等。GA模擬自然進(jìn)化過程對問題進(jìn)行求解，作為一種隨機搜索算法，其適用于任意形式的目標(biāo)函數(shù)，但其搜索能力較差。PSO算法受鳥群捕食行為啟發(fā)而來，算法使用群體最優(yōu)信息與個體最優(yōu)信息來引導(dǎo)種群迭代，因此其收斂速度較GA快，但易早熟收斂，且無法保證獲取全局最優(yōu)解。DE基于個體間差向量做變異操作，算法參數(shù)少，原理簡單，魯棒性強，但仍易落入局部最優(yōu)。GA、PSO和DE同屬于單目標(biāo)優(yōu)化算法，不適用于本文的多目標(biāo)問題模型。NSGA-Ⅱ是多目標(biāo)優(yōu)化算法NSGA的改進(jìn)版，加入了精英策略與擁擠距離，提高了原算法的性能，但隨著目標(biāo)數(shù)量增多，非支配排序的選擇壓力逐漸不足，因此僅適用于三個目標(biāo)或以下的優(yōu)化問題。MOEAD算法［16］基于權(quán)重向量分解生成子問題，天然具有更好的搜索能力，且其選擇壓力強于NSGA-Ⅱ，算法復(fù)雜度低于NSGA-Ⅱ。本文選擇MOEAD算法進(jìn)行求解，通過對MOEAD算法的改進(jìn)，加強其獲取復(fù)雜帕累托前沿的能力。將改進(jìn)后的多目標(biāo)優(yōu)化算法應(yīng)用于主從控制結(jié)構(gòu)的PID控制器參數(shù)整定問題中。對比該方法與傳統(tǒng)的Z-N法、經(jīng)典單目標(biāo)優(yōu)化方法和經(jīng)典多目標(biāo)優(yōu)化方法，驗證了本文方法對主從結(jié)構(gòu)PID控制器進(jìn)行整定的可行性和有效性，具有一定的實際應(yīng)用價值。

1 同步控制系統(tǒng)的控制結(jié)構(gòu)

閥控液壓缸的閉環(huán)同步控制有等同同步控制和主從同步控制兩種控制策略。圖1、2分別為兩種控制策略下的PID控制框圖。本文解決后者的PID控制器整定問題。

圖中，PID控制器將給定參考值與實際輸出值的偏差分別做比例（P）、積分（I）、微分（D），并將三個計算量線性組合為控制量，對被控對象進(jìn)行控制。

2 多目標(biāo)優(yōu)化問題建模

使用MATLAB中的Simulink工具箱對主從模式的PID控制結(jié)構(gòu)建模。以某型矯直機為例，其主壓下系統(tǒng)采用主從同步控制結(jié)構(gòu)。一組閥控液壓缸的傳遞函數(shù)通過查閱文獻(xiàn)［17］得到。由伺服閥閥芯位移到液壓缸活塞位移的傳遞函數(shù)為

其中：Kh為伺服閥的增益；ωh為閥控液壓缸系統(tǒng)固有頻率；ξh為系統(tǒng)阻尼比。文獻(xiàn)［17］給出了某型矯直機的一組參數(shù)，并依據(jù)設(shè)備參數(shù)計算得到了閥控液壓缸傳遞函數(shù)中三個參數(shù)Kh、ωh、ξh的取值。具體取值情況見表1。

故，此閥控液壓缸系統(tǒng)的傳遞函數(shù)為

使用Simulink建立的主從結(jié)構(gòu)同步控制仿真模型中，PID模塊共有兩個，分別對應(yīng)主、從缸的控制器，共6個參數(shù)，分別對應(yīng)主、從缸控制器的P、I、D值。

仿真模型的輸出設(shè)定為對應(yīng)時間序列的位移量。依據(jù)仿真模型來建立多目標(biāo)優(yōu)化的問題模型。

圖3為仿真模型。圖中1、2、3號輸出端口為后續(xù)建立問題模型所使用，simout即為含有對應(yīng)時間序列的位移量。

2.1 同步誤差目標(biāo)

使用同步誤差建立目標(biāo)函數(shù)，用式（3）來計算調(diào)節(jié)過程中主、從缸之間的位移累計誤差。

其中：T為仿真模型的仿真時長；mt和st為對應(yīng)時間標(biāo)簽t處的主缸和從缸位移值。

2.2 主、從缸的調(diào)節(jié)時間目標(biāo)

當(dāng)系統(tǒng)偏移量小于2%時，系統(tǒng)判定為穩(wěn)定，計算此時的時間。計算方法如式（4）所示。

Tst=Tm_st+Ts_st（4）

其中：Tm_st和Ts_st分別為主、從缸的調(diào)節(jié)時間，計算方法由式（5）（6）來表示。

其中：sm_output為主缸位移值；rm為主缸接收的外部參考值；ss_output為從缸的位移值；rs（t）為從缸的參考值，從缸跟隨主缸移動，它的參考值即為主缸的位移值，是時間t的函數(shù)。在偏差小于參考值的2%時判為穩(wěn)定。

2.3 主、從缸的超調(diào)目標(biāo)

超調(diào)量也叫最大偏差，表示被控量偏離參考值的程度，這項指標(biāo)在實際工程中十分重要，使用式（7）進(jìn)行計算。

σ=σm+σs（7）

式（7）包括主缸超調(diào)部分σm和從缸超調(diào)部分σs，從缸參考值會隨時間改變，因此，從缸的超調(diào)值取所有仿真時間標(biāo)簽中的最大值。主缸超調(diào)部分和從缸超調(diào)部分分別為

σm=max（sm_output（t）－rm）（8）

σs=max（|ss_output（t）－rs（t）|）（9）

其中，主缸超調(diào)計算時只考慮位移大于參考值的情況，從缸超調(diào)計算時考慮與其參考值偏差的絕對值。

2.4 主、從缸的積分平方誤差目標(biāo)

主缸和從缸的積分平方誤差（ISE）計算式為

Fise=Fm_ise+Fs_ise=∫（|em（t）|2）dt+∫（|es（t）|2）dt（10）

包含了一組PID控制中，控制量與參考值的偏差。其中：Fm_ise為主缸積分平方誤差；Fs_ise為從缸積分平方誤差；e（t）為時刻t時的位移值與參考值之間誤差，t為仿真時間。

綜上所述，建立多目標(biāo)優(yōu)化問題模型。其目標(biāo)空間為四維，決策空間為六維。問題模型的描述如式（11）所示，式中決策向量為主從兩組PID控制器的參數(shù)，每組為三個。目標(biāo)向量由四個目標(biāo)值組成，分別為同步誤差、調(diào)節(jié)時間、超調(diào)量和積分平方誤差。

min y=f（x）=［Fsyc，Tst，σ，F(xiàn)ise］

x=［xm_p，xm_i，xm_d，xs_p，xs_i，xs_d］

s.t. ?xmin≤x≤xmax（11）

3 MOEAD多目標(biāo)優(yōu)化算法的改進(jìn)

真實世界的優(yōu)化問題不同于測試函數(shù)，它的Pareto前沿未知。這就要求算法能夠有效處理各種復(fù)雜的Pareto前沿面。MOEAD算法的三種分解方法中，基于切比雪夫的分解法對凸和非凸問題均表現(xiàn)較好，本文基于此分解法進(jìn)行改進(jìn)。傳統(tǒng)的MOEAD算法在面對降維、不連續(xù)、非凸等的復(fù)雜Pareto前沿時，存在不能找到所有Pareto前沿、處理結(jié)果依賴超參數(shù)、易落入局部最優(yōu)等問題。為了解決這些問題，本文提出基于權(quán)重向量重調(diào)整的改進(jìn)MOEAD算法，即MOEAD-WDN（weighted vector dynamic readjust based on non-dominated external population）。

3.1 子代的生成

為了增強子代個體的多樣性，依概率p在鄰居內(nèi)或在全部個體中隨機選取親本，算法中p取0.8。如式（12）所示，i為種群中個體的序號，T為個體的鄰域范圍，mi為個體i的配對池，population為全體種群。

在確定配對池后，依概率選擇GA算子或選擇DE算子生成子代。依次遍歷種群中的個體后，得到子代種群offspring。如式（13）所示，r為0～1的隨機數(shù)，在本文算法中，q取0.5。

3.2 外部種群的更新

如圖4所示，子代全部生成后形成的子代種群將與當(dāng)前的外部種群合并形成新的外部種群EP，對合并形成的EP非支配排序，并取得其非支配解，取非支配解集作為最終的外部種群EP。外部種群更新如圖4所示。

隨著迭代的進(jìn)行，子代種群offspring中的非支配解會越來越多，為了減小計算的開銷，限制外部種群EP的數(shù)量上限為三倍的種群數(shù)量。當(dāng)外部種群EP中的個體過多時，計算其中個體的擁擠程度，并去掉較擁擠的個體，使外部種群個體數(shù)量維持在種群個體數(shù)量的三倍。

3.3 無效權(quán)重向量的判定

執(zhí)行切比雪夫分解，并進(jìn)行鄰域更新，被更新的鄰居個體上限設(shè)為鄰域個體數(shù)量的30%。形成當(dāng)前的種群后，對當(dāng)前種群進(jìn)行非支配排序，得到非支配解。為了增強算法的探索能力，改進(jìn)的算法中，將權(quán)重向量與種群中的非支配解按照余弦距離最近原則進(jìn)行嚴(yán)格的一對一綁定。一個權(quán)重向量只能與一個距離自己最近的非支配解綁定，同時，一個非支配解只能綁定在一個權(quán)重向量上。當(dāng)非支配解與權(quán)重向量綁定完成后，一部分權(quán)重向量未參與綁定。未綁定的權(quán)重向量即為當(dāng)前迭代中的失效權(quán)重向量。依據(jù)失效權(quán)重向量擁擠程度對其進(jìn)行排序。采用鄰近距離作為擁擠度量，計算方法如式（14）所示，其中：m為目標(biāo)空間維度，dis為離第j個wv最近的第i個wv的距離。標(biāo)記失效權(quán)重向量中較為擁擠的前8%，在下一步中對其重調(diào)整。

如圖5所示，以兩目標(biāo)情況下的算法為例， f1和f2為所優(yōu)化問題的兩個目標(biāo)，假設(shè)a～f為當(dāng)前目標(biāo)空間存在的6個權(quán)重向量，1～4為當(dāng)前種群對應(yīng)的目標(biāo)空間的點，它們是非支配的。權(quán)重向量a與點1綁定，距離權(quán)重向量b較近的有兩個點，分別為點2和點3，但b已經(jīng)與點2綁定，所以點3只能與距離其較近的下一個權(quán)重向量c綁定。點4距離權(quán)重向量e較近且e未參與綁定，所以將點4與權(quán)重向量e綁定。在綁定完成后，權(quán)重向量d、f即為本次判定得到的無效權(quán)重向量。

3.4 無效權(quán)重向量的調(diào)整

取出種群中與無效權(quán)重向量對應(yīng)的個體，并從權(quán)重向量集合中去除失效權(quán)重向量。使用外部種群EP中的個體對去掉的個體和權(quán)重向量進(jìn)行補全。

依次選擇距離種群最遠(yuǎn)的外部種群中的個體對當(dāng)前種群進(jìn)行補全，同時將個體的坐標(biāo)映射到目標(biāo)空間的單位超平面上，建立對應(yīng)的權(quán)重向量，補全權(quán)重向量集合。依次執(zhí)行上述步驟，直到種群數(shù)量恢復(fù)至原有。

如圖6所示，D為目標(biāo)空間的單位超平面，二維情況下單位超平面為一條線。在上一步去除無效權(quán)重向量d、f后，目標(biāo)空間僅剩a、b、c、e四個權(quán)重向量，需從外部種群中取個體對當(dāng)前權(quán)重向量和當(dāng)前種群進(jìn)行補全。點5和6為外部種群中距離當(dāng)前種群較遠(yuǎn)的點，將它們補進(jìn)當(dāng)前種群，并根據(jù)其在單位超平面上的映射點建立權(quán)重向量g和h。此時權(quán)重向量數(shù)量和個體數(shù)量又恢復(fù)至初始情況。而無效權(quán)重向量d、f被替換為權(quán)重向量g、h。

隨后判斷是否滿足算法停止條件，若不滿足，則使用此時形成的種群進(jìn)行下一次的迭代，當(dāng)滿足條件后，輸出此時的種群作為最終種群。

在解決真實世界問題時，需要在獲取的最終種群中提取最終個體。由于在拐點附近，一個目標(biāo)值的少量提升會造成其他一個或多個目標(biāo)值的顯著下降，所以這個具有最大邊際效用的點常被認(rèn)為是最具吸引力的點。本文取拐點作為最終個體。獲取到最終種群后，對目標(biāo)空間個體歸一化，計算由極值構(gòu)成的超平面，并計算距離此超平面最遠(yuǎn)的點，即為拐點。

如圖7所示，以目標(biāo)空間三維為例，圖中圓點為算法運行結(jié)束后目標(biāo)空間得到的最終點集，此時建立超平面D，并計算各點到D的距離，取距離最大的點3作為拐點。

拐點在決策空間對應(yīng)的個體即為最終決策向量。決策向量前三位元素為系統(tǒng)主PID控制器參數(shù)，后三位元素即為系統(tǒng)從PID控制器參數(shù)。改進(jìn)后的MOEAD算法流程如圖8所示。算法結(jié)束條件設(shè)為10 000次評價次數(shù)。

4 算法的有效性驗證

本文算法運行環(huán)境主要為Intel Core i5-8400、2.8 GHz CPU、8 GB RAM、64 bit Windows10系統(tǒng)的PC機。算法采用MATLAB編程，版本為2021b，使用基于MATLAB的多目標(biāo)優(yōu)化算法測試平臺PlatEMO［18］進(jìn)行測試，PlatEMO平臺版本為3.5。

4.1 測試函數(shù)及指標(biāo)

使用典型多目標(biāo)優(yōu)化測試問題系列IMOP［19］。IMOP測試函數(shù)系列共包含八個測試函數(shù)，其中，IMOP1、IMOP2和IMOP3為二維問題，其余為三維問題。IMOP1和IMOP2的Pareto前沿分別為具有尖尾的一維凸曲線和一維非凸曲線。對進(jìn)化算法來說，非凸問題較難求解，尖尾部分的解通常較難獲得。IMOP3的Pareto為一維不連續(xù)曲線。IMOP4是在三維空間中的一條波浪線，代表了多目標(biāo)優(yōu)化問題中的降維問題。IMOP5為三維空間中不連續(xù)的8個圓面。IMOP6為空間中的網(wǎng)格平面，IMOP7為空間中球體非凸的一部分。IMOP8則包含了100個不連續(xù)的小區(qū)域，每個子區(qū)域由離散的點組成。圖9為IMOP測試集的8種Pareto前沿面。為了有效對比各個算法的測試結(jié)果，使用反轉(zhuǎn)世代距離指標(biāo)IGD［20］和超體積指標(biāo)HV［21］作為評價標(biāo)準(zhǔn)。

反轉(zhuǎn)世代距離是一個綜合性能評價指標(biāo)，它計算每個在真實Pareto上的點到算法獲取的個體集合之間的最小距離和，其值越小，代表著算法的收斂性和分布性越好。IGD的計算方法如式（15）所示。

其中：P為測試函數(shù)的Pareto面上均勻分布的點集；|P|為Pareto前沿面上點的個數(shù)；Q為算法獲取的最優(yōu)Pareto最優(yōu)解集；d（v，Q）為P中的個體到Q中點集的最小歐氏距離。當(dāng)算法性能較好時，IGD指標(biāo)會相對較小；當(dāng)性能較差時，算法獲取的最優(yōu)解集會匯聚在局部區(qū)域，解集中的點距離真實Pareto會較遠(yuǎn)，使得IGD指標(biāo)偏大。

另一項評價指標(biāo)超體積HV的計算方法如式（16）所示。

在HV計算式中，P為與測試函數(shù)的真實Pareto對應(yīng)的參考點集，通常為多個目標(biāo)上的最大值形成的向量。當(dāng)算法性能較優(yōu)時，超體積更大。

4.2 與其他多目標(biāo)算法的對比

取近年來的六個多目標(biāo)優(yōu)化算法與MOEAD-WDN進(jìn)行對比。分別為：DEAGNG［22］、TiGE2［23］、PREA［24］、NSGAⅡSDR［25］、MOEADVOV［26］、DEGA［27］。對比算法的參數(shù)設(shè)置為其推薦值，如表2所示。每個算法在每項測試函數(shù)上均獨立進(jìn)行20次測試，最終采用Wilcoxon秩和檢驗以0.05的顯著性水平來比較各個算法的性能。當(dāng)p值小于0.05則拒絕原假設(shè)，說明作為對比對象的兩個算法存在顯著差異，否則說明對比對象的相差不大。

在IMOP測試函數(shù)系列上的結(jié)果見表3、4。“+”表示算法優(yōu)于比較對象，“-”表示算法劣于比較對象，而“=”則表示算法與比較對象沒有統(tǒng)計意義上的顯著差異。測試中的種群數(shù)量設(shè)為100，最大評價次數(shù)設(shè)為10 000。在表3、4中，較優(yōu)結(jié)果已用加粗字體表示。由結(jié)果可知，在IGD指標(biāo)方面，本文算法僅在IMOP1上與最優(yōu)方法有小幅差距。在HV指標(biāo)指標(biāo)方面，MOEAD-WDN僅在IMOP8上與最優(yōu)算法有少許差距，在其他7個測試函數(shù)上均占優(yōu)。結(jié)果表明，MOEAD-WDN算法可以有效得到各種特殊的Pareto前沿，且算法綜合性能優(yōu)于六個比較對象。

5 仿真與對比實驗

5.1 仿真條件設(shè)置

對主從控制結(jié)構(gòu)的PID系統(tǒng)施以單位階躍激勵。其他仿真條件包括仿真時間、種群規(guī)模、評價次數(shù)，取值見表5。

5.2 仿真與結(jié)果分析

將本文方法與其他傳統(tǒng)PID整定方法進(jìn)行對比。用作對比的方法包括Z-N、GA、PSO、NSGA-Ⅲ和MOEAD算法。Z-N中主從缸控制器取同一組PID參數(shù)。由于本文問題模型目標(biāo)空間為四維，所以使用適用于超多目標(biāo)的升級版算法NSGA-Ⅲ作為對比。得到的PID參數(shù)見表6。

GA和PSO均屬于單目標(biāo)優(yōu)化法，在這些方法中，使用主從缸各自的積分平方誤差、超調(diào)、調(diào)節(jié)時間以及主從缸同步誤差七個目標(biāo)取權(quán)重1組成加權(quán)目標(biāo)。NSGA-Ⅲ、MOEAD和本文方法均屬于多目標(biāo)優(yōu)化方法。這些方法的仿真使用本文提出的多目標(biāo)優(yōu)化問題模型。將取得的六組PID控制參數(shù)分別代入仿真模型，得到響應(yīng)曲線后，計算控制質(zhì)量指標(biāo)，結(jié)果見表7。

表7中各項指標(biāo)的最優(yōu)值均以粗體表示，最劣值均以下畫線標(biāo)出。在同步控制的各項控制指標(biāo)中，同步誤差是其中的關(guān)鍵指標(biāo)。其結(jié)果對比如圖10所示。

由圖10可知，三種多目標(biāo)優(yōu)化方法得到的主從同步誤差均遠(yuǎn)小于Z-N和單目標(biāo)法。其中MOEAD最差，NSGA-Ⅲ最優(yōu)。

各種方法得到的主從缸調(diào)節(jié)時間對比結(jié)果如圖11所示，超調(diào)指標(biāo)和ISE指標(biāo)的對比結(jié)果分別如圖12、13所示。

如圖11所示，NSGA-Ⅲ取得的主缸調(diào)節(jié)時間遠(yuǎn)遠(yuǎn)大于其他方法，它對主缸的調(diào)節(jié)時間超過了3 s，這在現(xiàn)場作業(yè)中不可接受。其他各方法調(diào)節(jié)時間均低于0.5 s。

超調(diào)方面，如圖12所示，Z-N的主、從缸超調(diào)值遠(yuǎn)高于其他，而NSGA-Ⅲ最低。在ISE指標(biāo)方面，如圖13所示，NSGA-Ⅲ的主缸數(shù)值要遠(yuǎn)高于其他方法，其他方法均在0.05以內(nèi)。綜合考慮上述各項指標(biāo)，三種多目標(biāo)優(yōu)化方法在關(guān)鍵的同步誤差指標(biāo)方面優(yōu)于Z-N和單目標(biāo)優(yōu)化方法。多目標(biāo)優(yōu)化方法中的NSGA-Ⅲ雖然在同步誤差方面優(yōu)于本文方法，但其調(diào)節(jié)時間、ISE指標(biāo)在六種方法中最差，且主缸調(diào)節(jié)時間過長。本文方法的同步誤差僅有MOEAD方法的一半，而在其他方面均無明顯差距。對比實驗的結(jié)果證明本文方法較優(yōu)。

6 結(jié)束語

液壓同步機構(gòu)有等同式和主從式兩種控制結(jié)構(gòu)，其中的主從式控制結(jié)構(gòu)存在非線性、強耦合、大延遲的特點。主、從缸的PID控制器參數(shù)難以找到最優(yōu)值。為解決此問題，本文將其建模為目標(biāo)空間四維、決策空間六維的多目標(biāo)優(yōu)化問題。分別圍繞控制質(zhì)量指標(biāo)要求中的超調(diào)量、調(diào)節(jié)時間、調(diào)節(jié)誤差以及同步控制中要求的同步誤差建立四個目標(biāo)函數(shù)。在處理真實世界多目標(biāo)優(yōu)化問題時，由于Pareto前沿面未知，傳統(tǒng)多目標(biāo)優(yōu)化算法對這種情況的處理不理想。本文以MOEAD算法為框架，提出基于失效權(quán)重向量的判定與重調(diào)整的改進(jìn)算法MOEAD-WDN，增強了算法對未知Pareto前沿面的逼近能力，使算法能更有效地處理具有退化、不連續(xù)、非凸等特殊Pareto前沿的問題。通過與其他PID調(diào)節(jié)方法對比，證明了本文方法的先進(jìn)性，有效提高了主從同步控制結(jié)構(gòu)PID控制器的控制品質(zhì)。

參考文獻(xiàn)：

［1］敖翔，王黎明，汪洋，等. 基于齊格勒-尼柯爾斯PID算法對車輛縱向行駛穩(wěn)定性的研究［J］. 車輛與動力技術(shù)，2022（4）： 21-26，37. （Ao Xiang，Wang Liming，Wang Yang，et al. Research on vehicle longitudinal driving stability based on Ziegler-Nichols PID algorithm［J］. Vehicle & Power Technology，2022（4）： 21-26，37.）

［2］Feleke S，Satish R，Tatek W，et al. DE-algorithm-optimized fuzzy-PID controller for AGC of integrated multi area power system with HVDC link［J］. Energies，2022，15（17）： 6174.

［3］盧艷軍，郭竟翔，李忠海. 基于改進(jìn)粒子群優(yōu)化的旋翼無人機PID參數(shù)整定算法［J］. 探測與控制學(xué)報，2022，44（5）： 116-124. （Lu Yanjun，Guo Jingxiang，Li Zhonghai. Rotor UAV PID parameter tuning algorithm based on improved particle swarm optimization［J］. Journal of Detection and Control，2022，44（5）： 116-124.）

［4］呂紅芳，王濤，嵇月強，等. 基于免疫粒子群算法的PID參數(shù)優(yōu)化研究［J］. 中國工程機械學(xué)報，2022，20（3）： 194-198. （Lyu Hongfang，Wang Tao，Ji Yueqiang，et al. Research on PID parameter optimization based on immune particle swarm algorithm［J］. Chinese Journal of Construction Machinery，2022，20（3）： 194-198.）

［5］Sibtain D，Murtaza A F，Ahmed N，et al. Multi control adaptive fractional order PID control approach for PV/wind connected grid system［J］. International Trans on Electrical Energy Systems，2021，31（4）： e12809.

［6］Goud H，Sharma P C，Nisar K，et al. PSO based multi-objective approach for controlling PID controller［J］. Computers，Materials & Continua，2022，71（3）： 4409-4423.

［7］Ma Wei，Ma Shoulei，Qiao Wenhua，et al. Research on PID controller of excavator electro-hydraulic system based on improved differential evolution［J］. Machines，2023，11（2）： 143.

［8］Milainovic＇ M，Prodanovic＇ D，Stanic＇ M，et al. Control theory-based data assimilation for open channel hydraulic models： tuning PID controllers using multi-objective optimization［J］. Journal of Hydroinformatics，2022，24（4）： 898-916.

［9］Liu Liheng，Yan Jin，Wang Jinping，et al. Multi-objective optimization of PID controller of outlet temperature of DSG trough solar collector［J］. Energy Reports，2021，7： 479-493.

［10］Sabahi K，Zhang Chunwei，Kausar N，et al. Input-output scaling factors tuning of type-2 fuzzy PID controller using multi-objective optimization technique［J］. Energy，2023，8（4）： 7917-7932.

［11］Rajamani M，Rajesh R，Iruthayarajan M W. Design and experimental validation of PID controller for buck converter： a multi-objective evolutionary algorithms based approach［J］. IETE Journal of Research，2023，69（1）： 21-32.

［12］王永，呂致為. 基于基因庫求解旅行商問題的遺傳算法［J］. 計算機應(yīng)用研究，2023，40（11）： 3262-3268. （Wang Yong，Lyu Zhiwei. Genetic algorithm for solving thetraveling salesman problem based on gene library［J］. Application Research of Computers，2023，40（11）： 3262-3268.）

［13］謝美華，李艷武，葛棚丹. 自適應(yīng)混合粒子群算法求解置換流水車間調(diào)度問題［J］. 計算機應(yīng)用研究，2023，40（11）： 3241-3246，3253. （Xie Meihua，Li Yanwu，Ge Pengdan. Self-adaptive hybrid particle swarm optimization for permutation flow shop scheduling problem［J］. Application Research of Computers，2023，40（11）： 3241-3246，3253.）

［14］Wang Peng，Xue Bing，Liang Jing，et al. Differential evolution-based feature selection： a niching-based multiobjective approach［J］. IEEE Trans on Evolutionary Computation，2022，27（2）： 296-310.

［15］陳龍，劉勤明，葉春明，等. 基于改進(jìn)的NSGA2算法考慮病患公平性及醫(yī)院運作成本的病床配置優(yōu)化研究［J］. 計算機應(yīng)用研究，2022，39（8）： 2414-2421，2431. （Chen Long，Liu Qinming，Ye Chunming，et al. Research on hospital bed allocation optimization considering patient fairness and hospital operating costs based on the improved NSGA2 algorithm［J］. Application Research of Compu-ters，2022，39（8）： 2414-2421，2431.）

［16］Chang Yatong，Luo Wenjian，Lin Xin，et al. Multiparty multiobjective optimization by MOEA/D［C］//Proc of IEEE Congress on Evolutio-nary Computation. Piscataway，NJ： IEEE Press，2022： 01-08.

［17］陳聰. 電液伺服系統(tǒng)特性分析與滑模變結(jié)構(gòu)控制器設(shè)計［D］. 太原： 太原科技大學(xué)，2014. （Chen Cong. Characteristic analysis of electro-hydraulic servo system and design of sliding mode variable structure controller［D］. Taiyuan： Taiyuan University of Science and Technology，2014.）

［18］Tian Ye，Cheng Ran，Zhang Xingyi，et al. PlatEMO： a MATLAB platform for evolutionary multi-objective optimization ［educational forum］ ［J］. IEEE Computational Intelligence Magazine，2017，12（4）： 73-87.

［19］Tian Ye，Cheng Ran，Zhang Xingyi，et al. Diversity assessment of multi-objective evolutionary algorithms： performance metric and benchmark problems ［research frontier］ ［J］. IEEE Computational Intelligence Magazine，2019，14（3）： 61-74.

［20］Wang Zihan，Xiao Chunyun，Zhou Aimin. An exact inverted generational distance for continuous pareto front［C］// Proc of International Conference on Parallel Problem Solving from Nature. Cham： Sprin-ger，2022： 96-109.

［21］Riquelme N，Von Lücken C，Baran B. Performance metrics in multi-objective optimization［C］// Proc of Latin American Computing Conference. Piscataway，NJ： IEEE Press，2015： 1-11.

［22］Liu Yiping，Ishibuchi H，Masuyama N，et al. Adapting reference vectors and scalarizing functions by growing neural gas to handle irregular Pareto fronts［J］. IEEE Trans on Evolutionary Computation，2019，24（3）： 439-453.

［23］Zhou Yalan，Zhu Min，Wang Jiahai，et al. Tri-goal evolution framework for constrained many-objective optimization［J］. IEEE Trans on Systems，Man，and Cybernetics： Systems，2018，50（8）： 3086-3099.

［24］Yuan Jiawei，Liu Hailin，Gu Fangqing，et al. Investigating the properties of indicators and an evolutionary many-objective algorithm using promising regions［J］. IEEE Trans on Evolutionary Computation，2020，25（1）： 75-86.

［25］Tian Ye，Cheng Ran，Zhang Xingyi，et al. A strengthened dominance relation considering convergence and diversity for evolutionary many-objective optimization［J］. IEEE Trans on Evolutionary Computation，2018，23（2）： 331-345.

［26］Takagi T，Takadama K，Sato H. Weight vector arrangement using virtual objective vectors in decomposition-based MOEA［C］// Proc of IEEE Congress on Evolutionary Computation. Piscataway，NJ： IEEE Press，2021： 1462-1469.

［27］He Cheng，Cheng Ran，Yazdani D. Adaptive offspring generation for evolutionary large-scale multiobjective optimization［J］. IEEE Trans on Systems，Man，and Cybernetics： Systems，2020，52（2）： 786-798.