![]()
车辆巡航控制系统已经逐渐成为最近生产的车辆中不可或缺的组成部分。这是因为它能显著降低驾驶员发生事故的风险，并提供长途旅行的舒适性。此外，它还能最小化燃料消耗。由于这些优势，车辆巡航控制系统也成为客户重要的需求。考虑到这些事实，采用一种最优控制方法对于现实世界中的工程优化问题变得非常重要。土耳其巴特曼大学的Serdar Ekinci教授团队在Journal of Bionic Engineering上发表题为《A Modified Oppositional Chaotic Local Search Strategy Based Aquila Optimizer toDesign an Effective Controller for Vehicle Cruise Control System》的学术论文。该论文提出了一种真实的PIDD2控制器作为车辆巡航控制系统的有效控制器，并使用混沌局部搜索和改进的对立学习策略来提高天鹰优化器（AO）的性能。作者构建了一种高效的元启发式算法，用于优化PIDD2控制器参数，并提出了一种简单有效的目标函数，以提高算法的优化性能。AO是2021年提出的一种新型元启发式算法，它根据天鹰的狩猎行为进行数学建模，将算法的优化过程分为扩展探索、缩小探索、扩展开发和缩小开发四个步骤。在本文中，作者提出了一种新的基于改进的对抗混沌局部搜索策略的天鹰优化器(CmOBL-AO)，通过混沌局部搜索和改进的对立学习策略进一步提高了天鹰优化器的性能，所提出的CmOBL-AO算法的详细流程图如图1所示。研究人员针对四个经典基准函数进行了比较实验，将提出的CmOBL-AO算法与DE、GSA、AVOA和AO进行了对比。实验结果表明，相对于其他对比算法，CmOBL-AO在统计学意义上表现出最佳性能。其中，对抗混沌局部搜索（CLS）和改进的对立学习（OBL）策略对AO的优化性能起到了有效的提升作用。图2展示了四个测试函数的三维图像，图4展示了CmOBL-AO算法与其他算法的对比实验结果。![]()
图3 CmOBL-AO算法与其他算法的对比实验结果CmOBL-AO算法应用于设计车辆巡航控制系统的PIDD2控制器。其实现过程如图4所示。首先，需要初始化CmOBL-AO算法的参数并生成一个随机的代理群。然后，通过评估目标函数和算法的更新策略来更新PIDD2控制器的参数。这个过程会进行多次迭代，直到达到预设的最大迭代次数为止。通过这种方法，可以得到最优的控制器参数，用于车辆巡航控制系统以实现高效控制。
![]()
图4 采用CmOBL-AO算法优化的PIDD2控制器的车辆巡航控制系统详细流程图在本文中，提出的CmOBL-AO算法与PSO、GWO、SSA和AO在该设计问题上进行了性能比较，实验结果表明，CmOBL-AO算法在所有算法中排名第一。图5展示了30次运行中算法获得的不同目标函数值，图6展示了算法在优化过程中随迭代次数获取的目标函数值。
结论：本文开发了一种名为CmOBL-AO的新型元启发式算法，并提出了一种新的目标函数，用于设计控制车辆巡航系统的PIDD2控制器。实验结果表明，CmOBL-AO算法在单峰和多峰基准函数上与DE、GSA、AVOA和AO算法相比具有更好的平衡性，表现优异。通过统计分析、Wilcoxon符号秩分析、时间响应分析、鲁棒性分析和抗扰分析，对比了PSO、GWO、SSA和AO算法证明了CmOBL-AO算法在车辆巡航控制系统中的优越性。此外，与已有的14种性能良好的车辆巡航控制系统方法相比，基于CmOBL-AO的实际PIDD2控制器在控制系统中表现出更好的性能。通过不同的质量指标和运行速度的考量，进一步证明了提出方法的优越性。
全文链接：https://rdcu.be/dgEyM![]()
![]()
