一种用于配药机的药剂流量优化控制方法与流程

本发明属于pid控制优化领域，尤其涉及一种用于配药机的药剂流量优化控制方法。

背景技术：

1、配药机的药剂流量是指机器能够精确测量和分配药物的速率，这个流量通常取决于配药机的设计和规格，以及所需配药的具体要求，一些配药机可以处理大量的药物，每小时可以分配数百甚至上千个处方，而另一些则更专注于个别定制的药物，可能速度较慢但更加精确，药剂流量的精确性对于配药机至关重要，因为药物的过量或不足都可能对患者造成健康风险，因此，配药机通常配备有高精度的测量和控制系统，以确保每个药物的分配量都在医嘱范围内，并且符合安全标准，使用pid控制器来控制配药机的药剂流量是一种常见的方法。

2、pid控制器将比例、积分和微分三个环节整合在一起，通过对输入偏差进行相应的比例、积分和微分运算，最终利用这些运算结果来控制执行机构，其稳定性强和结构简单的特点，在工业控制中得到了广泛的应用，通常采用闭环控制方式，尽管pid控制在配药机的药剂流量控制中被广泛应用，但也存在一些明显的缺点，传统的pid控制直接使用设定值和输出之间的误差来进行控制，这可能导致系统出现超调或振荡现象，在配药机药剂流量控制系统中，这种情况可能会干扰其稳定性，其次，传统的pid控制采用线性组合方式形成控制量，这种方式不适用于所有系统，特别是在处理非线性、时变等复杂过程时，效果可能不佳，这可能影响到配药机药剂流量控制系统的精确度，调整pid控制器的参数需要工作人员具有丰富的经验和技巧，选择不当可能会花费大量的时间，在配药机的药剂流量控制中，错误的参数设置可能会导致药物配比错误或流量波动，从而影响到配药的准确性和效率。

3、美洲狮优化算法是一种新的智能优化算法，其灵感来自美洲狮的智力和生命，在该算法中，在探索和开发的每个阶段都提出了独特而强大的机制，这增加了算法针对各种优化问题的性能， 此外，还提出了一种新型智能机制，这是一种相变的超启发式机制，利用这种机制，po算法可以在优化操作期间执行相变操作并平衡两个相变阶段，每个阶段都会根据问题的性质自动调整，但是与一些常见的智能优化算法一样，美洲狮优化算法会出现收敛速度慢，搜索后期容易陷入局部最优解无法快速跳出，从而在优化实际pid控制器时，无法在规定迭代次数下，寻找到最优的kp、ki、kd三个参数。

技术实现思路

1、发明的目的在于：通过改进美洲狮优化算法，提高原始算法的收敛速度，增加搜索到最优解的精度，减少算法陷入局部最优解的可能，并利用改进的美洲狮优化算法，优化用于配药机药剂流量的pid控制器的kp、ki、kd三个参数，减少pid控制器的响应时间和超调量，从而解决传统pid控制器在控制配药机的药剂流量时不稳定和适应性较差的问题，提高了配药机的药剂流量控制的鲁棒性。

2、为了实现上述目的，本发明采用了如下的技术方案：

3、一种用于配药机的药剂流量优化控制方法，具体步骤如下：

4、步骤一、使用matlab和simulink软件构建配药机药剂流量控制系统的仿真模型。

5、步骤二、改进美洲狮优化算法，具体改进策略包括：

6、d1、采用优点集映射方法生成算法的初始种群位置；

7、d2、使用一种周期性自适应t分布扰动方法来改进美洲狮优化算法的长跳狩猎数学模型，使用第iter次迭代的最佳位置作为参考点，如果当前迭代数iter整除周期t则采用自适应t分布扰动种群位置，否则采用原始长跳狩猎数学模型来更新种群位置；

8、d3、使用一种适应性正态精英策略来改进美洲狮优化算法的伏击策略数学模型，以第iter次迭代的最佳位置作为精英位置，并将精英位置作为正态分布的均值，在搜索空间中通过当前迭代次数自适应的设置正态分布标准差，最后将生成的正态精英系数来扰动当前美洲狮个体的位置，从而实现种群的更新。

9、步骤三、利用改进美洲狮优化算法整定配药机药剂流量pid控制器的参数，通过优化得到最佳的kp、ki、kd参数。

10、步骤四、将通过美洲狮优化算法整定的kp、ki、kd三个参数，输入到通过simulink构建的配药机药剂流量控制系统仿真模型中，优化配药机药剂流量控制系统的控制效果。

11、进一步地，所述步骤一中，使用matlab和simulink软件构建配药机药剂流量控制系统，包括信号输入单元、pid控制器单元、改进美洲狮优化算法单元、流量控制器单元、药剂输出泵单元和药剂流量采集器单元；目标药剂流量通过信号输入单元传入，与药剂流量采集器单元采集到的药剂实际输出量做差求得偏差量e(t)，将得到的e(t)输入pid控制器单元，经过改进美洲狮优化算法优化的pid控制器对e(t)进行调节，输出控制u(t)到流量控制器单元，流量控制器单元生成控制信号控制药剂输出泵输出一定剂量的药剂，进而实现整个配药机的药剂流量控制。

12、进一步地，所述步骤一中，将配药机的药剂流量控制问题转换成待优化数学模型，数学模型即为改进美洲狮优化算法的目标函数。

13、进一步地，所述d1中，采用优点集映射方法生成算法的初始种群，使用优点集生成的种群位置在整个搜索范围内更加均匀，有利于美洲狮优化算法在无经验阶段获取更好的评分，让后续的各个阶段更好的寻优，具体改进的公式如式(1)和式(2)所示：

14、（1）；

15、（2）；

16、式(1)中r为映射系数，i=1，2，…，n，n为种群数量，j=1，2，…，dim，dim为种群的维度，表示一个最小素数，该最小素数的选定规则为，这个素数本身减去3之后除以2小于种群维度的最小值，式(2)中p代表初始化种群位置，lb表示搜索空间的最小值，ub表示搜索空间的最大值，r是由式(1)生成的映射系数。

17、进一步地，所述改进策略d2中、使用一种周期性自适应t分布扰动方法来改进美洲狮优化算法的长跳狩猎数学模型，通过自适应t分布的扰动可以提高更新种群的多样性，通过周期性的更新种群，可以增加更新策略的多样性，从而减少算法在寻优过程中陷入局部最优解的可能性，提高算法在开发阶段的效率，具体的改进公式如式(3)所示：

18、（3）；

19、式（3）中表示第i只美洲狮更新的位置，表示第iter次迭代的最优解，trnd()表示t分布函数，iter表示当前迭代次数，maxiter表示最大迭代数，t表示更新策略的周期，β表示0到2之间产生的随机数，α表示0到3之间的正态分布随机数，表示当前美洲狮的位置，表示在种群中所有个体中随机选取的一个位置，j是[1,n]之间的随机数，n是种群数量，当迭代次数iter与周期t可以整除时则使用自适应t分布扰动策略改进的长跳狩猎策略来更新种群位置，否则使用算法的原始长跳狩猎策略来更新种群位置。

20、进一步地，所述d3中，使用一种适应性正态精英策略来改进美洲狮优化算法的伏击策略数学模型，以当前最优解作为高斯分布的均值，根据搜索空间大小以及当前迭代阶段，通过高斯函数生成数值对当前个体位置进行更新，通过适应性正态精英策略，可以提高算法前期的更新范围和向最优解区域靠近的速度，以及增加后期对于全局搜索的精度，具体的改进公式如式(4)和式(5)所示：

21、（4）；

22、（5）；

23、式（4）中σ表示正态分布中标准差，ub表示搜索空间的上限，lb表示搜索空间的下限，iter表示当前迭代数，maxiter表示最大迭代数；

24、式（5）中表示第i只美洲狮更新的位置，normrnd（）表示正态分布函数，表示当前最优解作为正态分布的均值，σ由式（4）生成表示正态分布的标准差，表示当前迭代的第i只美洲狮的位置。

25、进一步地，所述步骤三中，利用改进美洲狮优化算法整定配药机药剂流量pid控制器的参数，通过优化得到最佳的kp、ki、kd参数，具体步骤为：

26、s1、模拟配药机药剂流量控制系统的工作过程，使用simulink设计传递函数，传递函数模型采用二阶非线性函数来模拟；

27、s2、给定配药机药剂流量控制系统的输入信号，将系统的输入信号作为目标药剂流量；

28、s3、初始化改进美洲狮优化算法的种群规模n、问题维度dim、搜索空间上限ub和下限lb,以及最大迭代次数maxiter，采用优点集映射策略初始化美洲狮种群的初始位置，通过目标函数计算各个位置的适应度值大小，选择适应度值最小的作为种群的最优适应度值，将该位置作为种群的最优解；

29、s4、将配药机药剂流量控制系统的pid控制器参数kp、ki、kd，编码为改进美洲狮优化算法的位置解的三个维度；

30、s5、使用iae作为改进美洲狮优化算法的目标函数，目标函数公式如下：

31、；

32、式中j表示改进美洲狮优化算法所求的适应度值，e（t）表示配药机药剂流量控制系统在当前运行时间t的误差，也就是目标药剂流量与采集到的实际药剂流量之间的差值，l为系统运行的总时间；

33、s6、模拟美洲狮的社会行为，建立改进美洲狮优化算法的位置更新策略数学模型，依照无经验阶段计算出的评分选择合适的阶段进行更新，利用所述数学模型更新美洲狮位置信息，将其转换成配药机药剂流量控制系统中pid控制器的kp、ki、kd三个参数；

34、s7、采用贪婪策略进行适应度比较，将本次迭代中适应度值最小的位置作为当前的最优位置，并对新更新的种群进行评分，评分值作为下次选择更新阶段的依据；

35、s8、循环执行s6-s7，判断当前迭代次数是否达到最大的迭代数，若达到，则退出循环，输出全局的最优解，并将搜寻的最优解传递给配药机药剂流量控制系统中pid控制器的kp、ki、kd三个参数。

36、更进一步地，所述s1中，为了更好地模拟配药机药剂流量控制系统的实际工作状态，使用simulink仿真软件设计二阶非线性函数来模拟配药机药剂流量控制系统的工作过程，从而增加配药机药剂流量控制系统监测流量的精度，同时减少系统的稳态误差和动态误差，提高整个系统的适应性和稳定性，传递函数的公式如下：

37、；

38、式中，g(s)为传递函数，s为函数变量。

39、更进一步地，所述s8中，模拟美洲狮的社会行为，建立改进美洲狮优化算法的位置更新策略数学模型的具体步骤为：

40、s81、将前三次迭代作为美洲狮算法的无经验阶段，通过无经验阶段计算出美洲狮在探索阶段和开发阶段的得分，通过评分的计算可以更好的平衡两种更新阶段之间的转换，提高算法的全局搜索能力，两个阶段评分的计算公式如式(6)和式(7)所示；

41、（6）；

42、（7）；

43、式(6)为探索阶段的评分计算公式，式(7)为开发阶段的评分计算公式，pf1和pf2用于权衡探索和开发阶段不停成本效益的影响力，和表示在探索阶段的不同成本效益，和表示在开发阶段的不同成本效益；

44、s82、如果当前种群的探索评分大于开发评分则采取探索阶段来更新种群，通过模拟美洲狮搜寻猎物时的探索阶段作为算法更新策略，在这个阶段美洲狮会在自己的领地内随机搜寻食物，或者随机靠近其他美洲狮并利用猎物，探索阶段的数学模型公式如式（8）所示：

45、 （8）；

46、式（8）中表示第i只美洲狮更新的位置，iter表示当前迭代数，表示1到种群维度dim之间的随机数，ub表示搜索空间的上限，lb表示搜索空间的下限，r是0到1之间的随机数，、…表示从整个种群中随机选取的六个美洲狮个体，g表示-1到1的随机数，当r的值大于0.5时美洲狮则会在整个搜索空间中随机搜寻食物，使用公式（8）中的第一个公式来更新种群，当r的值小于0.5时美洲狮则会靠近其他的美洲狮来获取猎物，使用公式（8）中的第二个公式来更新种群位置；

47、s83、如果当前种群的开发评分大于探索评分则采取开发阶段来更新种群，通过模拟美洲狮搜寻猎物时的开发阶段作为算法的更新策略，开发阶段包括两种更新策略，第一种是模拟美洲狮在狩猎时的长跳狩猎行为，通过改进的周期性自适应t分布扰动策略来更新种群位置，更新公式如式（3）所示，通过改进长跳狩猎行为的数学模型，提高了更新种群的多样性，特别是减少了算法陷入局部最优解的可能性，第二种是模拟美洲狮在狩猎时的伏击策略，通过改进的适应性正态精英策略来改进伏击策略的数学模型，更新公式如式（4）所示，通过改进伏击策略数学模型，提高了算法前期算法的收敛速度，使得种群可以快速向最优解区域靠近，增加了算法后期搜索的精度。

48、综上所述，由于采用了上述技术方案，本发明的有益效果是：

49、本发明中提出一种用于配药机的药剂流量优化控制方法，引入优点集映射初始化搜索种群、引入一种周期性自适应t分布扰动方法来改进美洲狮优化算法的快速运行策略中的长跳狩猎策略、引入一种适应性正态精英策略来改进美洲狮优化算法的伏击策略，通过优点集映射初始化的种群分布更加均匀种群质量更高，在算法初期可以快速找到最佳位置所在区域，提高算法的搜索速度，采用周期性t分布扰动策略可以增加种群的多样性，当搜索过程陷入局部最优解时可以快速找到新的最优个体，从而跳出局部最优的情况，提高算法的全局搜索能力，采用适应性正态精英策略，在算法前期可以提高更新范围和向最优解区域靠近的速度，以及增加后期对于全局搜索的精度，将改进的美洲狮优化算法应用到配药机药剂流量控制系统的pid控制器上，提高了pid控制器的稳定性和适应性，在控制非线性的配药机的药剂流量时，有效的解决了系统反应慢、流量控制精度低和不稳定的问题。