
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于对偶学习的牛顿-拉夫逊优化器及其在四旋翼无人机控制中的应用
《Scientific Reports》:Sliding mode control of quadrotor UAVs using improved opposition-based Newton-Raphson-based optimizer
【字体: 大 中 小 】 时间:2026年09月27日 来源:Scientific Reports 4.9
编辑推荐:
摘要本文提出了一种新颖的元启发式优化算法——基于对偶学习的牛顿-拉夫逊优化器(OBNRBO),并将其应用于四旋翼无人机控制。该方法通过在传统牛顿-拉夫逊优化器(NRBO)中引入对偶学习(OBL),增强了全局探索能力,降低了早熟收敛的风险,在保持较高求解精度的同时加快了收敛速度
本文提出了一种新颖的元启发式优化算法——基于对偶学习的牛顿-拉夫逊优化器(OBNRBO),并将其应用于四旋翼无人机控制。该方法通过在传统牛顿-拉夫逊优化器(NRBO)中引入对偶学习(OBL),增强了全局探索能力,降低了早熟收敛的风险,在保持较高求解精度的同时加快了收敛速度。该策略提高了种群多样性和搜索效率,从而提升了优化的可靠性和鲁棒性。利用标准基准优化函数对OBNRBO的性能进行了严格评估,并与标准NRBO及多种最先进的算法进行了比较。结果表明,OBNRBO始终能够实现更高的精度、更快的收敛速率以及更好的统计稳定性。为验证其实际有效性,将OBNRBO应用于四旋翼无人机位置与姿态控制的滑模控制器(SMC)参数整定。由于非线性动力学、耦合效应和外部干扰,四旋翼系统面临显著的控制挑战,是理想的测试平台。与标准NRBO整定方法相比,所提出的基于OBNRBO的整定方法使PID控制器的时域性能指标提升约10–20%,SMC控制器的时域性能指标提升5–30%。经OBNRBO优化的滑模控制器在不同轨迹和评估标准下均表现出最优的整体性能,验证了该算法在复杂非线性控制应用中的有效性。