Optimización de controles mediante algoritmos metaheurísticos aplicado a vehículos aéreos

Palabras clave: Optimización por Nube de Partículas, Algoritmo de Optimización de Lobos Grises, L-SHADE, Optimización por Pastoreo de Elefantes, Algoritmo de Optimización de Ballenas, CCAA, QUAV

Resumen

Técnicas basadas en población inspiradas en la naturaleza, han demostrado ser efectivas para resolver problemas complejos de optimización. Estos métodos son capaces de encontrar los parámetros óptimos de controladores. En este trabajo se diseña un controlador Proporcional Derivativo (PD) compensado, el cual permite a un UAV (unmanned aerial vehicle) seguir una trayectoria predeterminada. Los parámetros óptimos del controlador son determinados mediante la minimización de la función costo, calculada como el error entre las trayectorias deseadas y las reales en el espacio tridimensional. Además, se comparan seis diferentes algoritmos meta-heurísticos para su sintonización: Optimización por Nube de Partículas (PSO), la variante del Algoritmo de Evolución Diferencial (L-SHADE), Algoritmo de Optimización de Lobos (GWO), Optimización por Pastoreo de Elefantes (EHO), Algoritmo de Optimización de Ballenas (WOA) y el Algoritmo de Autómata Celular de Estado Continuo (CCAA). Los resultados de la implementación muestran que se obtiene un mejor desempeño dinámico del UAV en el seguimiento de la trayectoria proporcionada con el algoritmo PSO.

Descargas

La descarga de datos todavía no está disponible.

Citas

Allu, N. and Toding, A. (2020). Tuning with Ziegler Nichols Method for Design PID Controller at Rotate Speed DC Motor. IOP Conference Series: Materials Science and Engineering, 846(1).

Alweshah, M., Khalaileh, S. A., Gupta, B. B., Almomani, A., Hammouri, A. I., and Al-Betar, M. A. (2020). The monarch butterfly optimization algorithm for solving feature selection problems. Neural Computing and Applications, 0.

Åstr¨om, K. J. and H¨agglund, T. (2004). Revisiting the Ziegler-Nichols step response method for PID control. Journal of Process Control, 14(6):635–650.

Bi, H., Qi, G., Hu, J., Faradja, P., and Chen, G. (2019). Modeling and Analysis of Chaos and Bifurcations for the Attitude System of a Quadrotor Unmanned Aerial Vehicle. Chaos, Solitons and Fractals, 138:109815.

Elhosseini, M. A., El Sehiemy, R. A., Rashwan, Y. I., and Gao, X. Z. (2019). On the performance improvement of elephant herding optimization algorithm.

Knowledge-Based Systems, 166:58–70. Erkol, H. O. (2018). Attitude controller optimization of four-rotor unmanned air vehicle. International Journal of Micro Air Vehicles, 10(1):42–49.

Hernandez-Romero, N., Medina-Marin, J., and Seck-Tuoh-Mora, J. C. (2012). Introducci´on a Matlab para Resolver Problemas de Ingenier´ıa Aplicando Algoritmos Gen´eticos. Pachuca, Hgo.

Kennedy, J. and Eberhart, R. (1995). Particle Swarm Optimisation. Conference on Neural Networks IEEE, 95:1942–1948.

Kramer, O. (2017). Genetic Algorithm Essentials, volume 679. Mirjalili, S. and Lewis, A. (2016). The Whale Optimization Algorithm. Advances in Engineering Software, 95:51–67.

Mirjalili, S., Mirjalili, S. M., and Lewis, A. (2014). Grey Wolf Optimizer. Advances in Engineering Software, 69:46–61.

Mohamed, A. W., Hadi, A. A., and Jambi, K. M. (2019). Novel mutation strategy for enhancing SHADE and LSHADE algorithms for global numerical optimization. Swarm and Evolutionary Computation, 50.

Razinkova, A., Kang, B.-J., Cho, H.-C., and Jeon, H.-T. (2014). Constant Altitude Flight Control for Quadrotor UAVs with Dynamic Feedforward Compensation. International Journal of Fuzzy Logic and Intelligent Systems, 14(1):26–33.

Seck-Tuoh-Mora, J. C., Hernandez-Romero, N., Lagos-Eulogio, P., Medina- Marin, J., and Zu˜niga-Pe˜na, N. S. (2021). A continuous-state cellular automata algorithm for global optimization. Expert Systems with Applications, page 114930.

Subhadip, S. (2014). Genetic Algorithm : An Approach for Optimization ( Using MATLAB ). International Journal of Latest Trends in Engineering and Technology (IJLTET), 3(3):261–267.

Talbi, E.-G. (2009). Metaheuristics : from design to implementation, volume 1. Wiley & Sons, Canada.

Tanabe, R. and Fukunaga, A. (2013). Success-history based parameter adaptation for Di erential Evolution. 2013 IEEE Congress on Evolutionary Computation, CEC 2013, (3):71–78.

Tanabe, R. and Fukunaga, A. S. (2014). Improving the search performance of SHADE using linear population size reduction. Proceedings of the 2014 IEEE Congress on Evolutionary Computation, CEC 2014, pages 1658–

Ustunkok, T. and Karakaya, M. (2019). E ect of PSO Tuned P, PD, and PID Controllers on the Stability of a Quadrotor. 1st International Informatics and Software Engineering Conference: Innovative Technologies for Digital Transformation, IISEC 2019 - Proceedings, (4):0–5.

Valavanis, K. and Vachtsevanos, G. (2015). Handbook of Unmanned Aerial Vehicles. Springer Netherlands, Dordrecht.

Wang, G. G., Deb, S., and Coelho, L. D. S. (2015a). Elephant Herding Optimization. Proceedings - 2015 3rd International Symposium on Computational and Business Intelligence, ISCBI 2015, pages 1–5.

Wang, G. G., Deb, S., and Cui, Z. (2015b). Monarch butterfly optimization.

Neural Computing and Applications, 31(7):1995–2014. Ziegler, J. G. and Nichols, N. B. (1942). Optimum settings for automatic controllers. Trans. ASME, pages 759–768.

Publicado
2022-06-24
Cómo citar
Zúñiga-Peña, N. S., Hernández-Romero, N., Medina-Marín, J., & Barragán-Vite, I. (2022). Optimización de controles mediante algoritmos metaheurísticos aplicado a vehículos aéreos. Pädi Boletín Científico De Ciencias Básicas E Ingenierías Del ICBI, 10(Especial2), 23-34. https://doi.org/10.29057/icbi.v10iEspecial2.8638

Artículos más leídos del mismo autor/a

1 2 > >>