طراحی بهینه پارتویی کنترلرهای خطی به کمک الگوریتم چند هدفه اجتماع-ذرات

پذیرفته شده برای ارائه شفاهی ، صفحه 1-8 (8) اصل مقاله (1.14 MB)

کد مقاله : 1033-ISAV2022 (R1)

نویسندگان

¹علیرضا شفیعی سروستانی ؛ ²محمد جواد محمودآبادی

¹رفسنجان- دانشگاه ولی عصر رفسنجان- دانشکده مهندسی مکانیک-

²کرمان، سیرجان، دانشگاه صنعتی سیرجان، دانشکده مهندسی مکانیک

چکیده

بهینه‌سازی هنر یافتن بهترین پاسخ در میان شرایط موجود است و برای طراحی و نگهداری بسیاری از سیستم‌های مهندسی، اقتصادی، صنایع و حتی اجتماعی به منظور به حداقل رساندن هزینه‌ها یا به حداکثر رساندن سود استفاده می‌شود. به منظور حل چنین مسائلی از الگوریتم‌های بهینه‌سازی استفاده می‌شود. در دهه‌های اخیر، الگوریتم‌های الهام گرفته از طبیعت به عنوان روش-های بهینه‌سازی هوشمند در کنار روش‌های کلاسیک موفقیت قابل توجهی از خود نشان داده‌اند. در این مطالعه پژوهشی، یک روش بهینه‌سازی چند‌هدفه جدید برای یافتن جبهه‌های پارتویی توابع هدف غیربرتر در طراحی کنترل‌کننده‌های پسخورد حالت خطی برای یک سیستم گوی و میله استفاده شده است. در فرایند حل مسئله، بهره‌های کنترلی به عنوان متغیر طراحی و مجموع نرمال شده زمان‌نشست و فراجهش به عنوان تابع هدف لحاظ شده‌اند. نتایج و تحلیل‌های به دست آمده نشان می‌دهد که الگوریتم بهینه‌سازی چند‌هدفه ارائه شده در این مقاله از نظر سرعت همگرایی، بهینه سراسری، دقت حل و قابلیت اطمینان بسیار خوب عمل می‌کند.

کلیدواژه ها

بهینه‌سازی اجتماع ذرات؛ الگوریتم چند‌هدفه؛ کنترلر پسخورد حالت خطی؛ سیستم گوی و میله

موضوعات

Structural Dynamics

Title

Pareto Design of Linear Controllers Based on a Multi-objective Algorithm;

Authors

ali reza shafiee sarvestani, mohammadjavad Mahmoodabadi

Abstract

Optimization is the art of finding the best answer among existing conditions and is used to design and maintain many engineering, economic, industrial and even social systems in order to minimize costs or maximize profits. In order to solve such problems, optimization algorithms are used. In recent decades, algorithms inspired by nature have shown significant success as smart optimization methods alongside classical methods. In this research study, a new multi-objective optimization method is applied to obtain the Pareto frontiers of some non-commensurable objective functions in the design of linear state feedback controllers for a ball-beam system. In the process of solving the problem, the control gains are included as the design variable and the normalized sum of the sitting time and overshoot as the objective function. The obtained results and analysis show that the multi-objective optimization algorithm presented in this article works very well in terms of convergence speed, global optimality, solution accuracy and reliability.

Keywords

Particle swarm optimization, Multi-objective Algorithm, Linear State Feedback Control, ball-beam system

مراجع

[1] Ogata, K. "Modern control engineering", Upper Saddle River, NJ: Prentice hall, (Vol. 5), (2010) [2] C. von Lücken, C. Brizuela, B. Barán “An Overview on Evolutionary Algorithms for Many-objective Optimization Problems,” Control Engineering Practice, vol. 9, e1267, 2019. [3] P. Barak, (1991) Magic numbers in design of suspension for passenger cars. Passenger Car Meeting, Tennessee,53–88 (1991). [4] M. Bouazara, “Etude et Analyse de la Suspension Active et SemiActive des Vehicules Routiers”, Ph.D. Thesis, University Laval, Canada (1997). [5] A. K. Kashyap, D. R. Parhi, “Particle Swarm Optimization aided PID Gait Controller Design for a Humanoid Robot”, ISA Transactions, vol. 114, pp. 306-330, 2021. [6] M. Hannachi, O. Elbeji, M. Benhamed, L. Sbita, “Optimal Tuning of Proportional–Integral Controller using Particle Swarm Optimization Algorithm for Control of Permanent Magnet Synchronous Generator based Wind Turbine with Tip Speed Ratio for Maximum Power Point Tracking”, Wind Engineering, Vol 45, pp. 400–412, 2021. [7] J. Kennedy and R. C. Eberhart, “Particle Swarm Optimization, ” in Proceedings of the IEEE International Conference on Neural Networks, vol. IV, Perth, Australia, pp. 1942–1948, 1995. [8] P. J. Angeline, “Using Selection to Improve Particle Swarm Optimization, in Proceedings of the IEEE Congress on Evolutionary Computation,” Anchorage, AK, pp. 84–89, May 1998. [9] R. C. Eberhart, and Y. Shi, “Comparison between Genetic Algorithms and Particle Swarm Optimization”, in Proceedings of the IEEE Congress on Evolutionary Computation, Anchorage, AK, pp. 611–616, May 1998. [10] D. Sedighizadeh, E. Masehian, M. Sedighizadeh, H. Akbaripour, “GEPSO: A new generalized particle swarm optimization algorithm” Mathematics and Computers in Simulation, vol 179, pp. 194-212, 2021. [11] J. E. Fieldsend, and S. Singh, “A Multi-objective Algorithm Based Upon Particle Swarm Optimization and Efficient Data Structure and Turbulence,” In Workshop on Computational Intelligence, pp. 34–44, 2002. [12] S. Mostaghim, and J. Teich, “Strategies for Finding Good Local Guides in Multi- objective Particle Swarm Optimization (MOPSO), ” In Proceedings of the IEEE Swarm Intelligence Symposium, pp. 26–33, 2003. [13] K. E. Parsopoulos, D. K. Tasoulis, and M. N. Vrahatis, “Multi-objective Optimization Using Parallel Vector Evaluated Particle Swarm Optimization,” Proceedings of the IASTED International Conference on Artificial Intelligence and Applications, vol. 2, pp. 823-828, 2004. [14] L. Deng, L. Song; G. Sun, A Competitive Particle Swarm Algorithm Based on Vector Angles for Multi-Objective Optimization, IEEE Access, vol. 9, pp. 89741- 89756, 2021. [15] R. C. Eberhart, R. Dobbins, and P. K. Simpson, “Computational Intelligence PC Tools,” Morgan Kaufmann Publishers, 1996. [16] M. J. Mahmoodabadi, F. Sadeghi Googhari, Numerical Solution of Time-Dependent Schrodinger Equation by Combination of the Finite Difference Method and Particle Swarm Optimization, Journal of Research on Manybody Systems, vol. 11, 114-127, 2021. [17] M. J. Mahmoodabadi, A. R. Ghanizadeh, Numerical Solutions of the Nonlinear Porous Media Equation based on High Exploration Particle Swarm Optimization and Moving Least Squares, Journal of the Serbian Society for Computational Mechanics, vol. 14, pp. 31-50, 2020. [18] R. C. Eberhart, and J. Kennedy, “A New Optimizer Using Particle Swarm Theory,” Proceedings of the Sixth International Symposium on Micro Machine and Human Science, Nagoya, Japan, 39-43, 1995. [19] A. Ratnaweera, and S. K. Halgamuge, “Self-organizing Hierarchical Particle Swarm Optimizer with Time-varying Acceleration Coefficient,” IEEE Transactions on Evolutionary Computation, vol. 8, no. 3, 240–255, 2004. [20] Sh. J. Tsai, T. Y. Sun, Ch. Ch. Liu, Sh. T. Hsieh, W. C. Wu, and Sh. Y. Chiu, “An improved multi-objective particle swarm optimizer for multi-objective problems,” Expert Systems with Applications, Volume 37, Issue 8, pp. 5872-5886, 2010. [21] R. Toscana, “A Simple Robust PI/PID Controller Design via Numerical Optimization Approach,” Journal of Process Control, 15, pp. 81–88, 2005. [22] W. A. Wolovich, “Automatic Control Systems. Harcourt Brace College Publication Orlando,” USA: Saunders College Publishing, 1994.