一种基于元启发式算法的水利监测设备控制优化方法

摘要

本发明公开一种基于元启发式算法的水利监测设备控制优化方法，属于水利监测设备PID控制领域，具体步骤为：步骤一、确定水利监测设备对水质的目标监测范围和监测精度；步骤二、将水利监测设备的控制问题转化成一个元启发式算法优化的问题，水利监测控制采用PID控制策略，建立待优化的优化结构模型和仿真模型；步骤三、针对水利监测设备对扰动要求，改进元启发式算法；步骤四、利用改进的元启发式算法优化水利监测PID控制参数；步骤五、根据水利监测设备的实时反馈信息，算法自动调整PID控制参数，使系统输出尽可能接近目标监测精度和范围，从而精准控制水利设备；解决水利监测设备控制易受环境干扰的问题。

权利要求

1.一种基于元启发式算法的水利监测设备控制优化方法，其特征在于，具体步骤如下：步骤一、确定水利监测设备对水资源的目标监测范围和监测精度；

步骤二、将水利监测设备的控制问题转化成一个元启发式算法优化的问题，水利监测控制采用PID控制策略，建立待优化的优化结构模型和仿真模型；

步骤三、针对水利监测设备对扰动要求，对火鹰优化算法改进，包括两个部分；

D1、在火鹰优化算法的猎物位置更新策略中，引入非线性扰动因子 ，公式为：；

式中，为算法搜索空间中位数，为当前迭代次数；

D2、在火鹰优化算法的勘探阶段融合鹈鹕优化算法，同时引入最优位置策略，改进火鹰优化算法在勘探阶段的位置更新策略公式为：（1）；

式中， 为第 只火鹰的新位置， 为第 只火鹰上次迭代的位置， 为[0,1]范围内的随机数， 为当前迭代的最优位置，为1或2的随机整数， 为第 个猎物被第 个火鹰包围的新位置；

步骤四、利用改进的火鹰优化算法优化水利监测设备PID控制参数，得到最佳PID控制参数；

步骤五、将寻优最佳参数应用到水利监测设备中，根据水利监测设备的实时反馈信息，算法自动调整PID控制参数，使系统输出达到目标监测精度和范围，从而精准控制水利设备。

2.根据权利要求1所述的一种基于元启发式算法的水利监测设备控制优化方法，其特征在于，所述步骤二中，水利监测设备的控制结构模型和仿真模型主要包括控制系统目标值输入模块、控制系统监控测量模块、误差值模块、PID控制器模块、改进火鹰优化算法模块、被控对象模块。

3.根据权利要求1所述的一种基于元启发式算法的水利监测设备控制优化方法，其特征在于，所述步骤三中，融入鹈鹕优化算法和最优位置策略后，改进火鹰优化算法的位置更新方式是采用火鹰跟随猎物位置更新而更新的方式。

4.根据权利要求1所述的一种基于元启发式算法的水利监测设备控制优化方法，其特征在于，所述步骤三中，扰动因子是以 为中心的非线性扰动，随着 与 的距离增加，扰动强度逐渐减小，非线性扰动因子的搜索空间中位数 取值为0.5。

5.根据权利要求1所述的一种基于元启发式算法的水利监测设备控制优化方法，其特征在于，所述步骤四中，利用改进的火鹰优化算法优化水利监测设备PID控制参数，具体步骤为：S1、针对水利监测设备需求，设计目标函数 ，具体公式为：；

式中， 为水利监测设备对水资源的目标监测值与水利监测设备对水资源监测的实时值的差值， 为经过水利监测设备的PID控制器调整的输出值， 为水利监测设备PID控制器的比例增益， 为水利监测设备PID控制器的积分增益， 为水利监测设备PID控制器的微分增益，为迭代次数；

S2、针对水利环境的扰动，设计Simulink仿真传递函数；

；

式中， 为水利环境扰动增益，为复数频率变量；

S3、将水利监测设备的PID控制参数Kp、Ki、Kd编码为火鹰搜索空间的解；

S4、初始化火鹰优化算法，包括种群规模N、问题维度D、猎物数量n、算法搜索空间上界ub、算法搜索空间下界lb以及最大迭代次数Max_iter，火鹰的初始位置，所述火鹰的初始位置就是PID参数的初始值，在算法迭代过程中，火鹰不断更新的种群位置就是不断优化的水利监测设备PID控制器参数的值；

S5、在搜索空间中确定火鹰和猎物；

S6、计算火鹰和猎物之间的总距离，通过分散猎物来确定火鹰的领地，通过对火鹰和猎物的分类，配置算法的搜索过程；

S7、模拟火鹰从主火收集燃烧的木棍，然后在选定的区域点火的行为，这两种行为可作为改进火鹰优化算法搜索循环中的位置更新过程，位置更新公式如式(1)所示：（1）；

S8、模拟猎物在每只火鹰的领地内的移动的行为，引入非线性扰动因子，设计猎物位置更新公式为：， ， （2）；

式中， 为第 个猎物被第 个火鹰包围的新位置， 为第 只火鹰属下的一个安全地点， 和 是在 (0,1)范围内均匀分布的随机数，用于确定猎物向火鹰和安全地点的移动，为非线性扰动因子；

S9、模拟猎物会向其他火鹰的领地移动的行为，引入非线性扰动因子，设计猎物位置更新公式为：， ， （3）；

式中， 为第 个猎物被第 个火鹰包围的新位置， 为搜索空间中的另一个火鹰， 为 以外的安全地带， 和 是在 (0,1)范围内均匀分布的随机数，用于确定猎物向其他火鹰和领土外的安全地点移动，为非线性扰动因子；

S10、计算适应度值，用当前迭代最优适应度值与上次迭代最优适应度值比较，保留最优的适应度值，保留确定最佳目标对象，所述最佳目标对象就是水利监测设备PID控制器的最佳参数；

S11、当前迭代次数 自加， ，判断当前迭代次数是否达到最大迭代次数Max_iter，若达到，则退出循环，输出全局最优解，并分配给PID的三个参数；否则返回执行S4。

6.根据权利要求1所述的一种基于元启发式算法的水利监测设备控制优化方法，其特征在于，所述步骤四中，得到最佳PID参数后，将Kp、Ki、Kd应用到Simulink搭建的系统仿真中，实验验证效果。

说明书

一种基于元启发式算法的水利监测设备控制优化方法

技术领域

[0001] 本发明涉及水利监测设备PID控制领域，具体涉及一种基于元启发式算法的水利监测设备控制优化方法。

背景技术

[0002] 在水资源检测控制中，PID（比例‑积分‑微分）控制是一种常见的控制策略，在污水处理和净水系统中，需要控制水资源参数，例如PH值或氧化还原电位，PID控制器可以通过测量传感器发出的信号，与期望的水利进行比较，产生一个控制信号来调整投药装置或电动阀的开度，从而改变投加的药剂量或改变水流路径，进而控制水资源质量；此外在许多水处理设施中，需要维持水池或水箱的液位在一个特定的水平，PID控制器可以通过测量液位高度，并与期望的液位进行比较，产生一个控制信号来调整水泵或阀门的开度，从而改变液位的水平。在这些应用场景中，PID控制器通过不断地比较实际测量值和期望值，调整系统的输入信号，使系统的输出尽可能接近期望值；由于PID控制器简单、易于实现、可靠性高，因此在许多水处理和供水系统中得到了广泛应用；然而，需要注意的是，在实际应用中还需要考虑其他因素，如系统的非线性、时变性、扰动等，需要采用更为复杂的控制策略来提高控制精度和鲁棒性。火鹰优化算法（FHO）是一种新的元启发式算法，它基于自然界中火鹰的觅食行为进行优化问题的求解；具体来说，模拟了火鹰捕捉猎物的过程，通过生火、传火和捕获猎物等行为来寻找最优解。

发明内容

[0003] 本发明的目的在于：提出一种水利监测设备控制优化方法，利用改进元启发式算法优化PID，提高PID控制在复杂水利环境下易受扰动影响的性能，从而在水利方面，提高水利监测设备的精度，从而合理准确地控制水资源参数。

[0004] 为了实现上述目的，本发明采用了如下技术方案，一种基于元启发式算法的水利监测设备控制优化方法，具体步骤如下：

[0005] 步骤一、确定水利监测设备对水资源的目标监测范围和监测精度；

[0006] 步骤二、将水利监测设备的控制问题转化成一个元启发式算法优化的问题，水利监测控制采用PID控制策略，建立待优化的优化结构模型和仿真模型；

[0007] 步骤三、针对水利监测设备对扰动要求，对火鹰优化算法改进，包括两个部分；

[0008] D1、在火鹰优化算法的猎物位置更新策略中，引入非线性扰动因子 ，公式为：

[0009] ；

[0010] 式中，为算法搜索空间中位数，为当前迭代次数；

[0011] D2、在火鹰优化算法的勘探阶段融合鹈鹕优化算法，同时引入最优位置策略，改进火鹰优化算法在勘探阶段的位置更新策略公式为：

[0012] （1）；

[0013] 式中， 为第 只火鹰的新位置， 为第 只火鹰上次迭代的位置， 为[0,1]范围内的随机数， 为当前迭代的最优位置，为1或2的随机整数， 为第 个猎物被第 个火鹰包围的新位置；

[0014] 步骤四、利用改进的火鹰优化算法优化水利监测设备PID控制参数，得到最佳PID控制参数；

[0015] 步骤五、将寻优最佳参数应用到水利监测设备中，根据水利监测设备的实时反馈信息，算法自动调整PID控制参数，使系统输出达到目标监测精度和范围，从而精准控制水利设备。

[0016] 进一步地，所述步骤一，水利监测设备主要用于监测水文水利数据，水利检测设备可以实现对水资源的全方位监测，为水资源管理提供及时、准确的数据支持，确定目标监测范围和监测精度，为了准确控制水资源环境。

[0017] 进一步地，所述步骤二，水利监测设备的控制问题通常使用PID控制方式，结构模型和仿真模型主要包括控制系统目标值输入模块、控制系统监控测量模块、误差值模块、PID控制器模块、改进火鹰优化算法模块、被控对象模块；所述控制系统目标值输入模块主要用于输入水利监测设备对水资源的目标监测值，控制系统监控测量模块用于水利监测设备对水资源监测的实时值采集，被控对象模块主要用于调节水利监测设备。

[0018] 进一步地，所述步骤三，引入非线性扰动因子 ，扰动因子是以 为中心的非线性扰动，随着 与 的距离增加，扰动强度逐渐减小，非线性扰动因子的搜索空间中位数 取值为0.5，非线性扰动因子可以帮助算法更好地应对噪声和异常值，这种扰动可以使算法更健壮，对输入数据的微小变化更不敏感，从而提高算法的鲁棒性。

[0019] 进一步地，所述步骤三，鹈鹕优化算法在勘探阶段的勘探能力较强，且猎物的位置在搜索空间中是随机生成的，这样增加鹈鹕优化算法在解决精确搜索问题上的勘探能力，反而火鹰优化算法的勘探能力较弱，因此将鹈鹕优化算法融入火鹰优化算法可以提高火鹰优化算法的寻优精度，同时引入最优位置策略，使火鹰优化算法在全局搜索时，寻优精度更高。

[0020] 进一步地，所述步骤四中，利用改进的火鹰优化算法优化水利监测设备PID控制参数，具体步骤为：

[0021] S1、针对水利监测设备需求，设计目标函数 ，具体公式为：

[0022] ；

[0023] 式中， 为水利监测设备对水资源的目标监测值与水利监测设备对水资源监测的实时值的差值， 为经过水利监测设备的PID控制器调整的输出值， 为水利监测设备PID控制器的比例增益， 为水利监测设备PID控制器的积分增益， 为水利监测设备PID控制器的微分增益，为迭代次数；

[0024] S2、针对水利环境的扰动，设计Simulink仿真传递函数；

[0025] ；

[0026] 式中， 为水利环境扰动增益，为复数频率变量；

[0027] S3、将PID控制参数Kp、Ki、Kd编码为火鹰搜索空间的解；

[0028] S4、初始化火鹰优化算法，包括种群规模N、问题维度D、猎物数量n、算法搜索空间上界ub、算法搜索空间下界lb以及最大迭代次数Max_iter，火鹰的初始位置，所述火鹰的初始位置就是PID参数的初始值，在算法迭代过程中，火鹰不断更新的种群位置就是不断优化的水利监测设备PID控制器参数的值；

[0029] S5、在搜索空间中确定火鹰和猎物；

[0030] S6、计算火鹰和猎物之间的总距离，通过分散猎物来确定火鹰的领地，通过对火鹰和猎物的分类，配置算法的搜索过程；

[0031] S7、模拟火鹰从主火收集燃烧的木棍，然后在选定的区域点火的行为，这两种行为可作为改进火鹰优化算法搜索循环中的位置更新过程，位置更新公式如式(1)所示：

[0032] （1）；

[0033] S8、模拟猎物在每只火鹰的领地内的移动的行为，设计猎物位置更新公式为：

[0034] ， ， （2）；

[0035] 式中， 为第 个猎物被第 个火鹰包围的新位置， 为第 只火鹰属下的一个安全地点， 和 是在 (0,1)范围内均匀分布的随机数，用于确定猎物向火鹰和安全地点的移动，为非线性扰动因子。

[0036] S9、模拟猎物会向其他火鹰的领地移动的行为，设计猎物位置更新公式为：

[0037] ， ， （3）；

[0038] 式中， 为第 个猎物被第 个火鹰包围的新位置， 为搜索空间中的另一个火鹰， 为 以外的安全地带， 和 是在 (0,1)范围内均匀分布的随机数，用于确定猎物向其他火鹰和领土外的安全地点移动，为非线性扰动因子；

[0039] S10、计算适应度值，用当前迭代最优适应度值与上次迭代最优适应度值比较，保留最优的适应度值，保留确定最佳目标对象，所述最佳目标对象就是水利监测设备PID控制器的最佳参数；

[0040] S11、当前迭代次数 自加， ，判断当前迭代次数是否达到最大迭代次数Max_iter，若达到，则退出循环，输出全局最优解，并分配给PID的三个参数；否则返回执行S4。

[0041] 更进一步地，所述S1中，目标函数考虑了水利监测设备控制误差、水利监测设备PID控制器输出和控制过程，同时考虑了对水利监测设备控制误差的鲁棒性。

[0042] 更进一步地，所述S2中，在这个情况下，我们的目标是使水利尽量接近理想值，因此，我们可以将误差（目标监测值与实际测量值的差）作为PID控制器的输入，并使用上述传递函数对误差进行适当的变换和滤波。

[0043] 更进一步地，所述S4中，初始化改进火鹰优化算法，首先，确定若干候选解 作为火鹰和猎物的位置向量，利用一个随机初始化过程来确定这些向量在搜索空间中的初始位置，公式如下：

[0044] ；

[0045] ；

[0046] 式中，为搜索空间中候选解的总数；为第个候选解的第个决策变量； 表示候选解的初始位置； 和 是第个候选解的第个决策变量的最小和最大边界；  是一个[ 0 , 1 ]均匀分布的随机数。

[0047] 更进一步地，所述S5中，在搜索空间中确定火鹰和猎物，公式为：

[0048] ；

[0049] ；

[0050] 式中， 为搜索空间中关于n个猎物总数的第k个猎物， 为搜索空间中N个火鹰的总数中的第i个火鹰。

[0051] 更进一步地，所述S6中，计算火鹰和猎物之间的总距离，公式为：

[0052] ， ；

[0053] 式中， 为第i只火鹰与第k只猎物之间的总距离，n为搜索空间中的猎物总数，N为搜索空间中火鹰的总数；  和 为火鹰和猎物在搜索空间中的坐标。

[0054] 更进一步地，所述S8中， 为第 只火鹰属下的一个安全地点，公式为：

[0055] ；

[0056] 式中， 为被第 个猎物包围的第 只火鹰。

[0057] 更进一步地，所述S9中， 为 以外的安全地带， 的公式为：

[0058] ；

[0059] 式中， 为搜索空间中的第k个猎物。

[0060] 综上所述，由于采用了上述技术方案，本发明的有益效果是：

[0061] 1、模拟了火鹰捕捉猎物的过程，并将火鹰优化算法引入PID控制中，利用火鹰优化算法优化PID控制参数，提高PID控制的鲁棒性，提高了PID控制的抗干扰能力，从而优化了水利监测设备控制精度。

[0062] 2、引入非线性扰动因子可以用来增加算法的探索性，当算法陷入局部最优解，无法找到更好的解，非线性扰动因子可以随机地改变搜索方向，帮助算法跳出局部最优，找到全局最优解。

[0063] 3、改进火鹰优化算法，在火鹰优化算法的勘探阶段融合鹈鹕优化算法，提高火鹰优化算法的寻优精度，同时引入最优位置策略，使火鹰优化算法在全局搜索时，寻优精度更高。

附图说明

[0064] 图1为基于元启发式算法的水利监测设备控制优化方法的步骤图；

[0065] 图2为水利监测设备控制结构框图；

[0066] 图3为改进火鹰优化算法优化PID控制参数的流程图；

[0067] 图4为改进火鹰优化算法与标准火鹰优化算法适应度值对比图；

[0068] 图5 为改进火鹰优化算法与标准火鹰优化算法寻优参数对比图，（a）为参数Kp对比图，（b）为参数ki对比图，（c）为参数kd对比图；

[0069] 图6为改进火鹰优化算法与标准火鹰优化算法优化水利监测设备控制效果对比图。

具体实施方式

[0070] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

[0071] 请参阅图1‑图6，本发明提供一种技术方案：一种基于元启发式算法的水利监测设备控制优化方法，具体步骤如下：

[0072] 如图1所示步骤一、确定水利监测设备对水资源的目标监测范围和监测精度；

[0073] 步骤二、将水利监测设备的控制问题转化成一个元启发式算法优化的问题，水利监测控制采用PID控制策略，建立待优化的优化结构模型和仿真模型；

[0074] 步骤三、针对水利监测设备对扰动要求，对火鹰优化算法改进，包括两个部分；

[0075] D1、在火鹰优化算法的猎物位置更新策略中，引入非线性扰动因子 ，公式为：

[0076] ；

[0077] 式中，为算法搜索空间中位数，为当前迭代次数；

[0078] D2、在火鹰优化算法的勘探阶段融合鹈鹕优化算法，同时引入最优位置策略，改进火鹰优化算法在勘探阶段的位置更新策略公式为：

[0079] （1）；

[0080] 式中， 为第 只火鹰的新位置， 为第 只火鹰上次迭代的位置， 为[0,1]范围内的随机数， 为当前迭代的最优位置，为1或2的随机整数， 为第 个猎物被第 个火鹰包围的新位置；

[0081] 步骤四、利用改进的火鹰优化算法优化水利检测设备PID控制参数，得到最佳PID控制参数；

[0082] 步骤五、将寻优最佳参数应用到水利监测设备中，根据水利监测设备的实时反馈信息，算法自动调整PID控制参数，使系统输出达到目标监测精度和范围，从而精准控制水利设备。

[0083] 进一步地，所述步骤一，水利监测设备主要用于监测水文水利数据，水利检测设备可以实现对水资源的全方位监测，为水资源管理提供及时、准确的数据支持，确定目标监测范围和监测精度，为了准确控制水资源环境。

[0084] 进一步地，所述步骤二，水利监测设备的控制问题通常使用PID控制方式，如图2所示，结构模型和仿真模型主要包括控制系统目标值输入模块、控制系统监控测量模块、误差值模块、PID控制器模块、改进火鹰优化算法模块、被控对象模块；所述控制系统目标值输入模块主要用于输入水利监测设备对水资源的目标监测值，控制系统监控测量模块用于水利监测设备对水资源监测的实时值采集，被控对象模块主要用于调节水利监测设备。

[0085] 进一步地，所述步骤三，引入非线性扰动因子 ，扰动因子是以 为中心的非线性扰动，随着 与 的距离增加，扰动强度逐渐减小，非线性扰动因子的搜索空间中位数 取值为0.5，非线性扰动因子可以帮助算法更好地应对噪声和异常值，这种扰动可以使算法更健壮，对输入数据的微小变化更不敏感，从而提高算法的鲁棒性。

[0086] 进一步地，所述步骤三，鹈鹕优化算法在勘探阶段的勘探能力较强，且猎物的位置在搜索空间中是随机生成的，这样增加鹈鹕优化算法在解决精确搜索问题上的勘探能力，反而火鹰优化算法的勘探能力较弱，因此将鹈鹕优化算法融入火鹰优化算法可以提高火鹰优化算法的寻优精度，同时引入最优位置策略，使火鹰优化算法在全局搜索时，寻优精度更高。

[0087] 进一步地，所述步骤四中，利用改进的火鹰优化算法优化水利监测设备PID控制参数，如图3所示，具体步骤为：

[0088] S1、针对水利监测设备需求，设计目标函数 ，具体公式为：

[0089] ；

[0090] 式中， 为水利监测设备对水资源的目标监测值与水利监测设备对水资源监测的实时值的差值， 为经过水利监测设备的PID控制器调整的输出值， 为水利监测设备PID控制器的比例增益， 为水利监测设备PID控制器的积分增益， 为水利监测设备PID控制器的微分增益，为迭代次数；

[0091] S2、针对水利环境的扰动，设计Simulink仿真传递函数；

[0092] ；

[0093] 式中， 为水利环境扰动增益，为复数频率变量；

[0094] S3、将PID控制参数Kp、Ki、Kd编码为火鹰搜索空间的解；

[0095] S4、初始化火鹰优化算法，包括种群规模N、问题维度D、猎物数量n、算法搜索空间上界ub、算法搜索空间下界lb以及最大迭代次数Max_iter，火鹰的初始位置，所述火鹰的初始位置就是PID参数的初始值，在算法迭代过程中，火鹰不断更新的种群位置就是不断优化的水利监测设备PID控制器参数的值；

[0096] S5、在搜索空间中确定火鹰和猎物；

[0097] S6、计算火鹰和猎物之间的总距离，通过分散猎物来确定火鹰的领地，通过对火鹰和猎物的分类，配置算法的搜索过程；

[0098] S7、模拟火鹰从主火收集燃烧的木棍，然后在选定的区域点火的行为，这两种行为可作为改进火鹰优化算法搜索循环中的位置更新过程，位置更新公式如式(1)所示：

[0099] （1）；

[0100] S8、模拟猎物在每只火鹰的领地内的移动的行为，设计猎物位置更新公式为：

[0101] ， ， （2）；

[0102] 式中， 为第 个猎物被第 个火鹰包围的新位置， 为第 只火鹰属下的一个安全地点， 和 是在 (0,1)范围内均匀分布的随机数，用于确定猎物向火鹰和安全地点的移动，为非线性扰动因子；

[0103] S9、模拟猎物会向其他火鹰的领地移动的行为，设计猎物位置更新公式为：

[0104] ， ， （3）；

[0105] 式中， 为第 个猎物被第 个火鹰包围的新位置， 为搜索空间中的另一个火鹰， 为 以外的安全地带， 和 是在 (0,1)范围内均匀分布的随机数，用于确定猎物向其他火鹰和领土外的安全地点移动，为非线性扰动因子；

[0106] S10、计算适应度值，用当前迭代最优适应度值与上次迭代最优适应度值比较，保留最优的适应度值，保留确定最佳目标对象，所述最佳目标对象就是水利监测设备PID控制器的最佳参数；

[0107] S11、当前迭代次数 自加， ，判断当前迭代次数是否达到最大迭代次数Max_iter，若达到，则退出循环，输出全局最优解，并分配给PID的三个参数；否则返回执行S4。

[0108] 更进一步地，所述S1中，目标函数考虑了水利监测设备控制误差、水利监测设备PID控制器输出和控制过程，同时考虑了对水利监测设备控制误差的鲁棒性。

[0109] 更进一步地，所述S2中，在这个情况下，我们的目标是使水利尽量接近理想值，因此，我们可以将误差（目标监测值与实际测量值的差）作为PID控制器的输入，并使用上述传递函数对误差进行适当的变换和滤波。

[0110] 更进一步地，所述S4中，初始化改进火鹰优化算法，首先，确定若干候选解 作为火鹰和猎物的位置向量，利用一个随机初始化过程来确定这些向量在搜索空间中的初始位置，公式如下：

[0111] ；

[0112] ；

[0113] 式中，为搜索空间中候选解的总数；为第个候选解的第个决策变量； 表示候选解的初始位置； 和 是第个候选解的第个决策变量的最小和最大边界；  是一个[ 0 , 1 ]均匀分布的随机数。

[0114] 更进一步地，所述S5中，在搜索空间中确定火鹰和猎物，公式为：

[0115] ；

[0116] ；

[0117] 式中， 为搜索空间中关于n个猎物总数的第k个猎物， 为搜索空间中N个火鹰的总数中的第i个火鹰。

[0118] 更进一步地，所述S6中，计算火鹰和猎物之间的总距离，公式为：

[0119] ， ；

[0120] 式中， 为第i只火鹰与第k只猎物之间的总距离，n为搜索空间中的猎物总数，N为搜索空间中火鹰的总数；  和 为火鹰和猎物在搜索空间中的坐标。

[0121] 更进一步地，所述S8中， 为第 只火鹰属下的一个安全地点，公式为：

[0122] ；

[0123] 式中， 为被第 只火鹰 包围的第 个猎物。

[0124] 更进一步地，所述S9中， 为 以外的安全地带， 的公式为：

[0125] ；

[0126] 式中， 为搜索空间中的第k个猎物。

[0127] 具体实施时，设置火鹰种群规模为N=20，迭代60次，问题维度d=3，搜索上界ub=0，搜索下届lb=100。

[0128] 通过Matlab对标准火鹰优化算法和改进火鹰优化算法的性能测试，采用适应度函数数值的形式，适应度越小，代表算法性能越优越，如图4所示，虚线为改进火鹰优化算法的PID控制器的适应度值曲线，对比实线的标准火鹰优化算法的适应度值曲线，可以明显发现，改进火鹰优化算法的适应度值变化更快，说明算法寻优速度更快，且适应度值更小，说明算法寻优精度更高。

[0129] 如图5所示，利用算法优化PID控制器，主要目标是寻找最优控制参数Kp、Ki、Kd，寻参的速度和精度是主要的，图（a）为参数Kp对比图，（b）为参数ki对比图，（c）为参数kd对比图，从图（a）、（b）、（c）中可以看出，改进火鹰优化算法(IFHO)寻参速度和精度都要比标准火鹰优化算法(FHO)的寻参效果优异的多，在迭代30次时，改进火鹰算法便找到最优参数，趋于稳定。

[0130] 图6为火鹰优化算法(IFHO)改进前后优化PID控制，实现水利监测设备控制的效果图，通过Simulink仿真来验证效果，从图中可以得出，改进火鹰优化算法优化PID的超调量比标准火鹰优化算法(FHO)优化PID的超调量更小，且很快趋于稳定，这说明在改进火鹰算法下，水利监测设备在复杂环境下，遇到干扰时能够保证监控数据稳定。