基于蜉蝣优化的Boost DC-DC变换器强化学习、无模型自适应控制与超螺旋滑模控制实时性能对比研究

《Scientific Reports》:Real-time optimization and comparative performance evaluation of ST-SMC, MFAC, and an online adaptive reinforcement learning controller using the Mayfly algorithm

【字体: 大 中 小 】 时间:2026年09月22日 来源:Scientific Reports 4.9

编辑推荐:

   # 摘要 在本研究中,我们实验性地比较了强化学习(RL)、无模型自适应控制(MFAC)和超螺旋滑模控制(ST-SMC)三种方法的实时性能。所实现的强化学习控制器采用了确定性直接在线自适应策略更新结构,而非传统的Q学习、演员-评论家或基于价值函数的架构,并且不需要随机探索或离

  # 摘要在本研究中,我们实验性地比较了强化学习(RL)、无模型自适应控制(MFAC)和超螺旋滑模控制(ST-SMC)三种方法的实时性能。所实现的强化学习控制器采用了确定性直接在线自适应策略更新结构,而非传统的Q学习、演员-评论家或基于价值函数的架构,并且不需要随机探索或离线训练。传统固定参数控制方案在非线性、工作点依赖的动态特性下可能会出现性能退化,而先进的鲁棒、自适应和基于学习的方法在扰动抑制、适应性和瞬态性能方面存在不同的权衡,这促使我们在相同的实时条件下对它们进行系统评估。采用蜉蝣优化算法来确定控制器参数。该算法在基于STM32F407的实验测试系统上实时实现,该系统集成了Boost DC-DC转换器,并在相同的实验装置和评估条件下确定了每种控制方法的最优参数。使用优化后的参数,所有控制器均成功实现了低稳态误差的参考跟踪。强化学习提供了最均衡的综合性能,而无模型自适应控制以其快速上升响应脱颖而出,超螺旋滑模控制则表现出稳定但相对较慢的标称响应。扩展的定量鲁棒性分析表明,无模型自适应控制在多个参考和扰动转换中提供了较低的累积跟踪误差和快速恢复能力,超螺旋滑模控制在负载扰动和输入电压降低期间最有效地限制了电压偏差,而强化学习在负载和输入电压变化测试中始终需要最小的控制努力变化,同时保持了较强的抗噪声鲁棒性。总体结果表明,没有任何单一控制方法在所有测试条件下都取得了绝对优势。综合考虑所采用的目标函数以及标称和测量噪声结果,强化学习控制器提供了最均衡的综合性能,而扰动测试揭示了无模型自适应控制和超螺旋滑模控制的互补优势。在标称运行条件下,强化学习的目标函数值为3.6541,调节时间为0.0960秒,最大超调为0.3091%,而无模型自适应控制分别为5.2478、0.1915秒和2.1049%,超螺旋滑模控制分别为7.8905、0.2711秒和1.2297%。此外,蜉蝣优化算法被证明是一种有效的实时实验优化和结构化不同控制方法比较评估方法。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号