本发明公开一种用于洪灾救援艇的模型预测PID航向控制优化方法，属于PID控制优化技术领域，具体步骤为：S1、建立洪灾救援艇航向系统动态非线性的数学模型；S2、定义洪灾救援艇航向控制的目标，建立洪灾救援艇航向控制问题数学模型；S3、设计MPC控制器，计算出未来一段时间内的最优控制输入序列；S4、改进成吉思汗鲨鱼元启发式算法，优化洪灾救援艇航向PID控制器；S5、将MPC计算得到的最优控制输入与PID控制器输出进行比较，并校正；S6、校正后的信号，作为实际的航向控制信号送入洪灾救援艇系统；S7、不断地进行MPC计算和洪灾救援艇航向PID参数调整，以适应系统的变化，改善优化洪灾救援艇航向控制性能。
1.一种用于洪灾救援艇的模型预测PID航向控制优化方法，其特征在于，具体步骤如下：S1、建立描述洪灾救援艇航向系统动态非线性的数学模型；其中非线性模拟洪灾救援艇在洪水中的复杂环境；
S2、定义洪灾救援艇航向控制的目标函数，包括期望的航向角度、航向角误差以及航向控制任何约束条件；
S3、基于航向系统数学模型和待优化目标函数，设计MPC控制器；确定MPC控制周期，在每个MPC控制周期内，使用系统模型进行预测，计算出未来一段时间内的最优控制输入序列；
S4、改进成吉思汗鲨鱼优化算法，优化洪灾救援艇航向PID控制器，包括步骤：S4.1、改进成吉思汗鲨鱼优化算法；
S4.1.3、对邻域解集合中的每个解应用适应度函数 ，评估适应度值大小，若满足> ，说明算法陷入局部最优；
S4.1.4、利用下式，选择一个更优解，作为下次迭代的最优值，继续迭代，从而跳出局部最优；
式中， 为多个解中最优解，min为求最小值，N为随机解的个数；
其次，通过适应度函数和正弦公式改进算法开发阶段的嗅觉强度因子 ，使算法根据当前性能调节开发精度，改进后的嗅觉强度因子 公式为：；
式中， 为开发速度参数，影响算法的收敛速度， 为迭代次数t时的适应度函数，t为当前迭代次数，T为总迭代次数；
S4.2、利用改进后的成吉思汗鲨鱼优化算法对航向PID控制器的Kp、Ki、Kd参数进行最佳值寻优；
S5、将MPC计算得到的最优控制输入与优化后的洪灾救援艇航向PID控制器输出进行比较；
S6、将MPC计算得到的最优控制输入作为优化后的PID控制器输出的修正项，作为实际的航向控制信号送入洪灾救援艇系统，实施航向控制；
S7、在系统运行过程中，不断地进行MPC计算和洪灾救援艇航向PID参数调整，以适应系统的变化，改善优化洪灾救援艇航向控制性能。
2.根据权利要求1所述的一种用于洪灾救援艇的模型预测PID航向控制优化方法，其特征在于，所述S1中，航向系统的模型为洪灾救援艇的运动学模型，采用离散时间模型表示，公式为：;
式中， 为下一时刻的洪灾救援艇的航向角度， 为当前时刻洪灾救援艇的航向角度， 为舵角控制输入， 为洪灾环境对救援艇的扰动。
3.根据权利要求1所述的一种用于洪灾救援艇的模型预测PID航向控制优化方法，其特征在于，所述S2中，利用所述目标建立洪灾救援艇航向控制问题数学模型，洪灾救援艇航向控制问题数学模型，公式为：；
式中，L为预测时域的长度， 为第 个时刻的灾救援艇预测航向角度， 为第 个时刻的洪灾救援艇舵角控制输入。
4.根据权利要求1所述的一种用于洪灾救援艇的模型预测PID航向控制优化方法，其特征在于，所述S3中，待优化目标函数为洪灾救援艇航向控制问题数学模型。
5.根据权利要求1所述的一种用于洪灾救援艇的模型预测PID航向控制优化方法，其特征在于，所述S4.2中，利用改进后的成吉思汗鲨鱼元启发式算法对航向PID控制器的Kp、Ki、Kd参数进行最佳值寻优，具体步骤为：step1、设计适应度函数，用于计算算法种群个体适应度值反应系统的性能，其中适应度函数为洪灾救援艇航向控制问题数学模型演变，公式为；
式中，T为洪灾救援艇航向控制总时间，t为当前迭代次数， 为第 次迭代的洪灾救援艇实际航向角度， 为的洪灾救援艇目标航向角度， 为第 次迭代的洪灾救援艇舵角控制输入；
step2、初始化改进成吉思汗鲨鱼优化算法初始参数，如最大迭代次数、种群规模、待优化问题维度和搜索空间、约束条件以及塘鹅的初始位置；其中鲨鱼的初始位置为算法寻优过程中洪灾救援艇PID参数的初始解，鲨鱼的位置更新即为洪灾救援艇PID控制参数的更新；
step3、将洪灾救援艇PID控制器的参数编码为鲨鱼的位置，每个鲨鱼的位置对应一个PID控制器的参数组合，其中，编码采用实数编码方式；
step4、使用定义好的适应度函数，计算每个个体的适应度，适应度越小，个体的性能越好，洪灾救援艇PID控制器的参数越优；
step5、对于每个个体，根据其当前适应度和历史最优适应度比较，更新个体最优解，同时，根据所有个体的适应度，更新群体最优解；
step6、利用"邻域搜索"策略，判断是否陷入局部最优；具体步骤为：step6.1、计算当前解的适应度函数值 ；
step6.2、使用邻域函数 生成 的邻域解集合，邻域函数公式为：；
式中， 为第i维的邻域解， 为均值为0，方差为 的高斯分布；
step6.3、对邻域解集合中的每个解应用适应度函数 ，评估适应度值大小，若满足> ，说明算法陷入局部最优；
step6.4、利用下式，选择一个更优解，作为下次迭代的最优值，继续迭代，从而跳出局部最优；
式中， 为多个解中最优解，min为求最小值，N为随机解的个数；
step7、成吉思汗鲨鱼狩猎阶段，即为算法的探索阶段，鲨鱼的位置的更新，即为PID控制器参数集解的更新，位置更新公式如下：；
式中， 为第i只鲨鱼个体在t+1时刻在第j维的位置， 为第i只鲨鱼个体在当前t时刻在第j维的位置， 为在区间[0,1]上的随机数， 为鲨鱼搜索的上界， 为鲨鱼搜索的下界；
step8、成吉思汗鲨鱼移位阶段，即为算法的开发阶段，引入改进后的鲨鱼嗅觉强度因子，然后改进鲨鱼的位置更新公式，公式如下：；
式中， 为嗅觉强度因子 ，控制算法的寻优步长和寻优强度，为鲨鱼当前迭代最优位置，即洪灾救援艇航向PID控制器参数当前最优解；
step9、成吉思汗鲨鱼捕食阶段，即为算法的搜索和开发转换阶段，首先改进金枪鱼优化算法的捕食阶段位置更新公式，然后将其应用于成吉思汗鲨鱼优化算法，改进后的鲨鱼位置更新公式如下：；
式中， 为[0，1]之间的随机数，λ为1或‑1的随机数字，p为一个控制成吉思汗鲨鱼在其活动过程中的运动步长的参数；
step10、检查是否满足终止条件，如果满足终止条件，即当前迭代次数t等于总迭代次数T，算法结束，根据鲨鱼算法位置更新策略与洪灾救援艇PID控制器之间的映射关系，将最优位置分解赋值给航向PID控制器的Kp、Ki、Kd参数；否则，返回step4进行下一轮迭代；
step11、将得到的最优航向PID参数应用于扰动航向PID控制器中，使用最优的航向PID参数对系统进行控制，并评估控制系统的性能，根据评估结果，如果系统性能不满足要求，继续调整算法参数，然后重新运行算法，直到获得满意的控制器参数。
一种用于洪灾救援艇的模型预测PID航向控制优化方法
技术领域
[0001] 本发明属于PID控制优化技术领域，尤其涉及一种用于洪灾救援艇的模型预测PID航向控制优化方法。
背景技术
[0002] 救援艇在洪水救援中具有重要的应用前景，它们可以在洪水期间提供快速、灵活、高效的救援服务，帮助营救被困人员、提供急救和食品、水源等物资，以及执行其他紧急任务；救援艇可以快速抵达洪水现场，帮助疏散被困人员，将他们从洪水中转移到安全地带；特别是在洪水迅速发展的情况下，救援艇可以迅速响应，救援时间至关重要。洪水时水流湍急、水位波动大、漩涡和障碍物很多，这些条件对救援艇的控制提出了很高的要求；洪水环境通常是非线性的，而标准PID控制器是一种线性控制方法，在面对复杂的非线性水域条件时，PID控制系统可能无法提供足够的性能；其次在洪水中，艇体容易受到水流、漩涡等干扰，这些干扰可能干扰PID控制系统的性能，PID控制器通常较为脆弱，对外部干扰和参数变化的抵抗能力相对较弱。
[0003] 模型预测控制（Model Predictive Control，MPC）： MPC是一种基于系统模型的控制方法，它通过预测系统的未来行为来优化控制输入。MPC可以处理多变量系统和约束条件，并且在应对非线性、时变系统时表现出色。在PID控制器的基础上，引入MPC来进行进一步的优化，MPC利用系统的模型进行预测，并在每个控制周期内计算出最优控制输入，以使系统的性能达到最佳。
[0004] 启发式算法在优化PID控制器参数时具有一些缺点，这些缺点可能影响到优化的性能和稳定性；启发式算法有可能陷入局部最优解，而无法找到全局最优解。特别是在高维度、非凸或非光滑的搜索空间中，启发式算法容易被困在局部最优解中，而无法探索到更优的解决方案。
[0005] 成吉思汗鲨鱼优化算法（GKSO）的灵感来自于成吉思汗鲨鱼的捕食和生存行为，整个优化过程是通过模拟成吉思汗鲨鱼的四种不同活动来实现的，包括狩猎（探索）、运动（开发）、觅食（从探索到开发的转换），成吉思汗鲨鱼优化算法在运动阶段存在盲目移动问题，导致算法寻优精度不高，同时和别的元启发式算法一样，存在陷入局部最优的风险。
发明内容
[0006] 本发明的目的在于：为了解决在洪水救援时，在面对复杂的非线性水域条件时，PID控制系统无法提供足够的性能，对外部干扰和参数变化的抵抗能力相对弱的问题，本发明通过将模型预测控制（MPC）与洪灾救援艇航向PID控制器结合，并利用改进成吉思汗鲨鱼优化算法（IGKSO）优化模型预测PID控制器，解决PID控制系统在复杂水域中无法提供足够的性能的缺陷，并解决标准成吉思汗鲨鱼优化算法容易陷入局部最优和寻优速度慢的问题，同时，帮助算法跳出局部最优，提高算法寻优精度。
[0007] 为了实现上述目的，本发明采用了如下技术方案：
[0008] 一种用于洪灾救援艇的模型预测PID航向控制优化方法，具体步骤如下。
[0009] S1、建立描述洪灾救援艇航向系统动态非线性的数学模型；其中航向系统的模型为洪灾救援艇的运动学模型，非线性模拟洪灾救援艇在洪水中的复杂环境。
[0010] S2、定义洪灾救援艇航向控制的目标，包括期望的航向角度、航向角误差以及航向控制任何约束条件；利用所述目标建立洪灾救援艇航向控制问题数学模型。
[0011] S3、基于航向系统数学模型和待优化目标函数，设计MPC控制器；确定MPC控制周期，在每个MPC控制周期内，使用系统模型进行预测，计算出未来一段时间内的最优控制输入序列，其中MPC为模型预测控制器。
[0012] S4、改进成吉思汗鲨鱼优化算法（GKSO），优化洪灾救援艇航向PID控制器，包括步骤：
[0013] S4.1、改进成吉思汗鲨鱼优化算法；
[0014] 首先，引入"邻域搜索"策略，具体为：
[0015] S4.1.1、计算当前解的适应度函数值 ；
[0016] S4.1.2、使用邻域函数 生成 的邻域解集合；
[0017] S4.1.3、对邻域解集合中的每个解应用适应度函数 ，评估适应度值大小，若满足 > ，说明算法陷入局部最优；
[0018] S4.1.4、利用下式，选择一个更优解，作为下次迭代的最优值，继续迭代，从而跳出局部最优；
[0019] ；
[0020] 式中， 为多个解中最优解，min为求最小值，N为随机解的个数；
[0021] 其次，通过适应度函数和正弦公式改进算法开发阶段的鲨鱼嗅觉强度因子 ，使算法根据当前性能调节开发精度，改进后的嗅觉强度因子 公式为：
[0022] ；
[0023] 式中， 为开发速度参数，影响算法的收敛速度， 为迭代次数t时的适应度函数，t为当前迭代次数，T为总迭代次数；
[0024] S4.2、利用改进后的成吉思汗鲨鱼优化算法对洪灾救援艇航向PID控制器的Kp、Ki、Kd参数进行最佳值寻优。
[0025] S5、将MPC计算得到的最优控制输入与优化后的洪灾救援艇航向PID控制器输出进行比较。
[0026] S6、将MPC计算得到的最优控制输入作为优化后的PID控制器输出的修正项，作为实际的航向控制信号送入洪灾救援艇系统，实施航向控制。
[0027] S7、在系统运行过程中，不断地进行MPC计算和洪灾救援艇航向PID参数调整，以适应系统的变化，改善优化洪灾救援艇航向控制性能。
[0028] 进一步地，所述步骤S1中，洪灾救援艇航向系统动态非线性的数学模型，航向系统的模型为洪灾救援艇的运动学模型，采用离散时间模型表示，公式为：
[0029] ;
[0030] 式中， 为下一时刻的洪灾救援艇的航向角度， 为当前时刻洪灾救援艇的航向角度， 为舵角控制输入， 为洪灾环境对救援艇的扰动。
[0031] 进一步地，所述步骤S2中，洪灾救援艇航向控制问题数学模型，其中洪灾救援艇航向控制问题为洪灾救援艇目标航向与实际航向的角度误差问题，其数学模型为：
[0032] ；
[0033] 式中，L为预测时域的长度， 为第 个时刻的灾救援艇预测航向角度， 为第个时刻的洪灾救援艇舵角控制输入。
[0034] 进一步地，所述步骤S3中，设计MPC控制器的步骤为：首先设计洪灾救援艇的航向控制系统模型，然后，设定控制目标和约束范围，最后在每个控制周期内（控制周期为T），计算出N步预测航向角度，并选择使代价函数最小化的舵角控制输入序列，然后，将第一个舵角控制输入 应用于洪灾救援艇，等待下一个
控制周期再次计算。
[0035] 进一步地，设定控制目标和约束范围，范围设置为： 。
[0036] 进一步地，所述步骤S3中，待优化目标函数为洪灾救援艇航向控制问题数学模型。
[0037] 进一步地，所述S4.2中，利用改进后的成吉思汗鲨鱼优化算法对洪灾救援艇航向PID控制器的Kp、Ki、Kd参数进行最佳值寻优，具体步骤为：
[0038] step1、设计适应度函数，用于计算算法种群个体适应度值反应系统的性能，其中适应度函数为洪灾救援艇航向控制问题数学模型演变，公式为；
[0039] ；
[0040] 式中，T为洪灾救援艇航向控制总时间，t为当前迭代次数， 为第 次迭代的洪灾救援艇实际航向角度， 为的洪灾救援艇目标航向角度， 为第 次迭代的洪灾救援艇舵角控制输入；
[0041] step2、初始化改进成吉思汗鲨鱼优化算法初始参数，如最大迭代次数、种群规模、待优化问题维度和搜索空间、约束条件以及塘鹅的初始位置；其中鲨鱼的初始位置为算法寻优过程中洪灾救援艇PID参数的初始解，鲨鱼的位置更新即为洪灾救援艇PID控制参数的更新；
[0042] step3、将洪灾救援艇PID控制器的参数编码为鲨鱼的位置，每个鲨鱼的位置对应一个PID控制器的参数组合，其中，编码采用实数编码方式；
[0043] step4、使用定义好的适应度函数，计算每个个体的适应度，适应度越小，个体的性能越好，洪灾救援艇PID控制器的参数越优；
[0044] step5、对于每个个体，根据其当前适应度和历史最优适应度比较，更新个体最优解，同时，根据所有个体的适应度，更新群体最优解；
[0045] step6、利用"邻域搜索"策略，判断是否陷入局部最优；具体步骤为：
[0046] step6.1、计算当前解的适应度函数值 ；
[0047] step6.2、使用邻域函数 生成 的邻域解集合，邻域函数公式为：
[0048] ；
[0049] 式中， 为第i维的邻域解， 为均值为0，方差为 的高斯分布；
[0050] step6.3、对邻域解集合中的每个解应用适应度函数 ，评估适应度值大小，若满足 > ，说明算法陷入局部最优；
[0051] step6.4、利用下式，选择一个更优解，作为下次迭代的最优值，继续迭代，从而跳出局部最优；
[0052] ；
[0053] 式中， 为多个解中最优解，min为求最小值，N为随机解的个数；
[0054] step7、成吉思汗鲨鱼狩猎阶段，即为算法的探索阶段，鲨鱼的位置的更新，即为PID控制器参数集解的更新，位置更新公式如下：
[0055] ；
[0056] 式中， 为第i只鲨鱼个体在t+1时刻在第j维的位置， 为第i只鲨鱼个体在当前t时刻在第j维的位置， 为在区间[0,1]上的随机数， 为鲨鱼搜索的上界，为鲨鱼搜索的下界；
[0057] step8、成吉思汗鲨鱼移位阶段，即为算法的开发阶段，引入改进后的鲨鱼嗅觉强度因子，然后改进鲨鱼的位置更新公式，公式如下：
[0058] ；
[0059] 式中， 为嗅觉强度因子 ，控制算法的寻优步长和寻优强度， 为鲨鱼当前迭代最优位置，即洪灾救援艇航向PID控制器参数当前最优解；
[0060] step9、成吉思汗鲨鱼捕食阶段，即为算法的搜索和开发转换阶段，首先改进金枪鱼优化算法的捕食阶段位置更新公式，然后将其应用于成吉思汗鲨鱼优化算法，改进后的鲨鱼位置更新公式如下：
[0061] ；
[0062] 式中， 为[0，1]之间的随机数，λ为1或‑1的随机数字，p为一个控制成吉思汗鲨鱼在其活动过程中的运动步长的参数；
[0063] step10、检查是否满足终止条件，如果满足终止条件，即当前迭代次数t等于总迭代次数T，算法结束，根据鲨鱼算法位置更新策略与洪灾救援艇PID控制器之间的映射关系，将最优位置分解赋值给航向PID控制器的Kp、Ki、Kd参数；否则，返回step4进行下一轮迭代；
[0064] step11、将得到的最优航向PID参数应用于扰动航向PID控制器中，使用最优的航向PID参数对系统进行控制，并评估控制系统的性能，根据评估结果，如果系统性能不满足要求，继续调整算法参数，然后重新运行算法，直到获得满意的控制器参数。
[0065] 综上所述，由于采用了上述技术方案，本发明的有益效果是：
[0066] 本发明，首先，将模型预测控制（MPC）与洪灾救援艇航向PID控制器结合，MPC可以根据预测模型对未来的航向进行优化，以实现更好的航行方向和更快的救援速度，与洪灾救援艇航向PID控制器结合，可以提供更加精确和稳定的航向控制，从而确保救援艇能够准确到达目标位置；过MPC和PID控制器的结合，可以更好地应对这些干扰因素，增强航向控制的抗干扰能力，从而提高救援的准确性和效率；然后，改进成吉思汗鲨鱼优化算法，首先，引入"邻域搜索"策略，使算法陷入布局最优时，可以自适应跳出，提高算法寻优精度；其次，通过适应度函数和正弦公式改进算法开发阶段的嗅觉强度因子 ，使算法根据当前性能调节开发精度，同时，可以尽可能避免算法陷入局部最优；基于以上改进提高了成吉思汗鲨鱼优化算法的性能，进而优化洪灾救援艇扰动PID控制，提高了PID控制器的鲁棒性，解决了背景技术中救援艇在面对复杂的非线性水域条件时，对外部干扰和参数变化的抵抗能力相对较弱的问题，改进成吉思汗鲨鱼优化算法优化航向PID性能有显著优点。
附图说明
[0067] 图1为一种用于洪灾救援艇的模型预测PID航向控制优化方法步骤图。
[0068] 图2为改进成吉思汗鲨鱼优化算法与标准成吉思汗鲨鱼优化算法最优个体适应度值对比曲线图。
[0069] 图3为改进成吉思汗鲨鱼优化算法与标准成吉思汗鲨鱼优化算法优化洪灾救援艇航向PID控制得到的最佳参数图，（a）为Kp参数值寻优图，（b）为Ki参数值寻优图，（c）为Kd参数值寻优图。
[0070] 图4为改进后成吉思汗鲨鱼优化算法与标准成吉思汗鲨鱼优化算法以及无优化下普通PID对救援艇控制的效果对比图。
具体实施方式
[0071] 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。
[0072] 请参阅图1‑图4，本发明提供一种技术方案：
[0073] 一种用于洪灾救援艇的模型预测PID航向控制优化方法，如图1所示，具体步骤如下。
[0074] S1、建立描述洪灾救援艇航向系统动态非线性的数学模型；其中航向系统的模型为洪灾救援艇的运动学模型，非线性模拟洪灾救援艇在洪水中的复杂环境。
[0075] S2、定义洪灾救援艇航向控制的目标，包括期望的航向角度、航向角误差以及航向控制任何约束条件；利用所述目标建立洪灾救援艇航向控制问题数学模型。
[0076] S3、基于航向系统数学模型和待优化目标函数，设计MPC控制器；确定MPC控制周期，在每个MPC控制周期内，使用系统模型进行预测，计算出未来一段时间内的最优控制输入序列，其中MPC为模型预测控制器。
[0077] S4、改进成吉思汗鲨鱼优化算法（GKSO），优化洪灾救援艇航向PID控制器，包括步骤：
[0078] S4.1、改进成吉思汗鲨鱼优化算法；
[0079] 首先，引入"邻域搜索"策略，具体为：
[0080] S4.1.1、计算当前解的适应度函数值 ；
[0081] S4.1.2、使用邻域函数 生成 的邻域解集合；
[0082] S4.1.3、对邻域解集合中的每个解应用适应度函数 ，评估适应度值大小，若满足 > ，说明算法陷入局部最优；
[0083] S4.1.4、利用下式，选择一个更优解，作为下次迭代的最优值，继续迭代，从而跳出局部最优；
[0084] ；
[0085] 式中， 为多个解中最优解，min为求最小值，N为随机解的个数；
[0086] 其次，通过适应度函数和正弦公式改进算法开发阶段的鲨鱼嗅觉强度因子 ，使算法根据当前性能调节开发精度，改进后的嗅觉强度因子 公式为：
[0087] ；
[0088] 式中， 为开发速度参数，影响算法的收敛速度， 为迭代次数t时的适应度函数，t为当前迭代次数，T为总迭代次数；
[0089] S4.2、利用改进后的成吉思汗鲨鱼优化算法对航向PID控制器的Kp、Ki、Kd参数进行最佳值寻优。
[0090] S5、将MPC计算得到的最优控制输入与优化后的洪灾救援艇航向PID控制器输出进行比较。
[0091] S6、将MPC计算得到的最优控制输入作为优化后的PID控制器输出的修正项，作为实际的航向控制信号送入洪灾救援艇系统，实施航向控制。
[0092] S7、在系统运行过程中，不断地进行MPC计算和洪灾救援艇航向PID参数调整，以适应系统的变化，改善优化洪灾救援艇航向控制性能。
[0093] 进一步地，所述步骤S1中，洪灾救援艇航向系统动态非线性的数学模型，航向系统的模型为洪灾救援艇的运动学模型，采用离散时间模型表示，公式为：
[0094] ;
[0095] 式中， 为下一时刻的洪灾救援艇的航向角度， 为当前时刻洪灾救援艇的航向角度， 为舵角控制输入， 为洪灾环境对救援艇的扰动。
[0096] 进一步地，所述步骤S2中，洪灾救援艇航向控制问题数学模型，其中洪灾救援艇航向控制问题为洪灾救援艇目标航向与实际航向的角度误差问题，其数学模型为：
[0097] ；
[0098] 式中，L为预测时域的长度， 为第 个时刻的灾救援艇预测航向角度， 为第个时刻的洪灾救援艇舵角控制输入。
[0099] 进一步地，所述步骤S3中，设计MPC控制器的步骤为：首先设计洪灾救援艇的航向控制系统模型，然后，设定控制目标和约束范围，最后在每个控制周期内（控制周期为T），计算出N步预测航向角度，并选择使代价函数最小化的舵角控制输入序列，然后，将第一个舵角控制输入 应用于洪灾救援艇，等待下一个
控制周期再次计算。
[0100] 进一步地，设定控制目标和约束范围，范围设置为： 。
[0101] 进一步地，所述步骤S3中，待优化目标函数为洪灾救援艇航向控制问题数学模型。
[0102] 进一步地，所述S4.1中， 为开发速度参数，影响算法的收敛速度，具体实施时，开发速度参数m取值为1.5。
[0103] 进一步地，所述S4.2中，利用改进后的成吉思汗鲨鱼优化算法对航向PID控制器的Kp、Ki、Kd参数进行最佳值寻优，具体步骤为：
[0104] step1、设计适应度函数，用于计算算法种群个体适应度值反应系统的性能，其中适应度函数为洪灾救援艇航向控制问题数学模型演变，公式为；
[0105] ；
[0106] 式中，T为洪灾救援艇航向控制总时间，t为当前迭代次数， 为第 次迭代的洪灾救援艇实际航向角度， 为的洪灾救援艇目标航向角度， 为第 次迭代的洪灾救援艇舵角控制输入；
[0107] step2、初始化改进成吉思汗鲨鱼优化算法初始参数，如最大迭代次数、种群规模、待优化问题维度和搜索空间、约束条件以及塘鹅的初始位置；其中鲨鱼的初始位置为算法寻优过程中洪灾救援艇PID参数的初始解，鲨鱼的位置更新即为洪灾救援艇PID控制参数的更新；
[0108] step3、将洪灾救援艇PID控制器的参数编码为鲨鱼的位置，每个鲨鱼的位置对应一个PID控制器的参数组合，其中，编码采用实数编码方式；
[0109] step4、使用定义好的适应度函数，计算每个个体的适应度，适应度越小，个体的性能越好，洪灾救援艇PID控制器的参数越优；
[0110] step5、对于每个个体，根据其当前适应度和历史最优适应度比较，更新个体最优解，同时，根据所有个体的适应度，更新群体最优解；
[0111] step6、利用"邻域搜索"策略，判断是否陷入局部最优；具体步骤为：
[0112] step6.1、计算当前解的适应度函数值 ；
[0113] step6.2、使用邻域函数 生成 的邻域解集合，邻域函数公式为：
[0114] ；
[0115] 式中， 为第i维的邻域解， 为均值为0，方差为 的高斯分布；
[0116] step6.3、对邻域解集合中的每个解应用适应度函数 ，评估适应度值大小，若满足 > ，说明算法陷入局部最优；
[0117] step6.4、利用下式，选择一个更优解，作为下次迭代的最优值，继续迭代，从而跳出局部最优；
[0118] ；
[0119] 式中， 为多个解中最优解，min为求最小值，N为随机解的个数；
[0120] step7、成吉思汗鲨鱼狩猎阶段，即为算法的探索阶段，鲨鱼的位置的更新，即为PID控制器参数集解的更新，位置更新公式如下：
[0121] ；
[0122] 式中， 为第i只鲨鱼个体在t+1时刻在第j维的位置， 为第i只鲨鱼个体在当前t时刻在第j维的位置， 为在区间[0,1]上的随机数， 为鲨鱼搜索的上界，为鲨鱼搜索的下界；
[0123] step8、成吉思汗鲨鱼移位阶段，即为算法的开发阶段，引入改进后的鲨鱼嗅觉强度因子，然后改进鲨鱼的位置更新公式，公式如下：
[0124] ；
[0125] 式中， 为嗅觉强度因子 ，控制算法的寻优步长和寻优强度， 为鲨鱼当前迭代最优位置，即洪灾救援艇航向PID控制器参数当前最优解；
[0126] step9、成吉思汗鲨鱼捕食阶段，即为算法的搜索和开发转换阶段，首先改进金枪鱼优化算法的捕食阶段位置更新公式，然后将其应用于成吉思汗鲨鱼优化算法，改进后的鲨鱼位置更新公式如下：
[0127] ；
[0128] 式中， 为[0，1]之间的随机数，λ为1或‑1的随机数字，p为一个控制成吉思汗鲨鱼在其活动过程中的运动步长的参数；
[0129] step10、检查是否满足终止条件，如果满足终止条件，即当前迭代次数t等于总迭代次数T，算法结束，根据鲨鱼算法位置更新策略与洪灾救援艇PID控制器之间的映射关系，将最优位置分解赋值给航向PID控制器的Kp、Ki、Kd参数；否则，返回step4进行下一轮迭代；
[0130] step11、将得到的最优航向PID参数应用于扰动航向PID控制器中，使用最优的航向PID参数对系统进行控制，并评估控制系统的性能，根据评估结果，如果系统性能不满足要求，继续调整算法参数，然后重新运行算法，直到获得满意的控制器参数。
[0131] 更进一步地，所述step9中，P为一个控制成吉思汗鲨鱼在其活动过程中的运动步长的参数，数学公式为：
[0132] ；
[0133] 式中， 为时间t + 1时的权重系数。
[0134] 利用Matlab和Simulink对洪灾救援艇控制系统进行仿真，通过改进成吉思汗鲨鱼算法（IGKSO）与标准成吉思汗鲨鱼算法（GKSO）对比来完成本发明设计方法的实验验证；设置成吉思汗鲨鱼种群N=100，问题维度D=3，问题维度数为PID控制器参数数目，成吉思汗鲨鱼的搜索上界UB=100，下界LB=0，总迭代次数T=30。
[0135] 图2为改进后成吉思汗鲨鱼优化算法（IGKSO）与改进前成吉思汗优化算法（GKSO）在适应度函数 测试在的适应度值变化图，适应度值越小，表示实际的航向控制数据与目标的航向控制数据误差越小，从而洪灾救援艇航向控制效果越好，算法寻优速度和精度越强；不难发现，改进后成吉思汗鲨鱼优化算法（IGKSO）的适应度值最小值为1.1相比改进前成吉思汗优化算法（GKSO）的适应度值更小，且变化速度更快，在迭代20次时，便找到最优解。
[0136] 图3为实施过程中洪灾救援艇PID控制器在改进后成吉思汗鲨鱼优化算法（IGKSO）与改进前成吉思汗优化算法（GKSO）优化下，Kp、Ki、Kd三个参数的寻优变换图，具体实施时，如（a）、（b）、（c）所示，IGKSO优化洪灾救援艇PID控制器的Kp参数为40.120，Ki参数为0，Kd参数为47.351；GKSO优化洪灾救援艇PID控制器的Kp参数为65.875，Ki参数为0，Kd参数为78.685。
[0137] 图4为洪灾救援艇的航向控制效果图，对比改进后成吉思汗鲨鱼优化算法（IGKSO）与改进前成吉思汗优化算法（GKSO）优化航向PID控制器后的航向控制效果，从图中可以看出，改进后成吉思汗鲨鱼优化算法（IGKSO）优化航向PID控制效果曲线IGKSO‑PID的超调量为1.1左右，而改进前成吉思汗优化算法（GKSO）的航向PID控制效果曲线IGKSO‑PID的超调量超过了1.2，且IGKSO‑PID达到目标航向所需要的时间为4s，而IGKSO‑PID达到目标航向所需要的时间为6s，相比之下，改进后成吉思汗鲨鱼优化算法（IGKSO）优化后的航向PID性能更好。
