吳 敏 徐興雷 尚 猛

1(浙江東方職業(yè)技術(shù)學(xué)院 浙江 溫州 325000)2(溫州職業(yè)技術(shù)學(xué)院 浙江 溫州 325011)3(嶺南大學(xué)經(jīng)營(yíng)學(xué)院 慶尚北 慶山 385141)

0 引 言

隨著自動(dòng)化技術(shù)和航天技術(shù)的迅速發(fā)展，機(jī)械臂的應(yīng)用范圍也越來越廣。近年來，機(jī)械臂已逐漸應(yīng)用于許多工程領(lǐng)域之中，如搬運(yùn)機(jī)械臂[1]、康復(fù)機(jī)械臂[2]、農(nóng)業(yè)采摘[3]、3D打印[4]、空間抓捕[5]和微創(chuàng)手術(shù)[6]等。由于機(jī)械臂一般用于一些高精度工程作業(yè)，對(duì)于機(jī)械臂運(yùn)動(dòng)軌跡精度有極為嚴(yán)格的要求，因此，國內(nèi)外學(xué)者提出許多不同的機(jī)械臂軌跡跟蹤控制策略。例如：王偉等[7]提出一種快速非奇異終端滑?？刂频臋C(jī)械臂軌跡跟蹤方法；王勇等[8]提出一種模糊自適應(yīng)的機(jī)械臂軌跡跟蹤方法；劉福才等[9]提出一種間隙補(bǔ)償控制器，對(duì)機(jī)械臂進(jìn)行軌跡跟蹤控制；Sun等[10]提出一種自適應(yīng)運(yùn)動(dòng)力跟蹤控制方法；Zhao等[11]提出一種非線性擴(kuò)張狀態(tài)觀測(cè)器的雙關(guān)節(jié)機(jī)械臂軌跡跟蹤控制策略；Bauakrif等[12]提出一種迭代學(xué)習(xí)的軌跡跟蹤策略。以上控制方法有效提高了機(jī)械臂的軌跡跟蹤精度，但在實(shí)際控制過程中，機(jī)械臂受到外負(fù)載擾動(dòng)時(shí)，控制精度均受到很大程度的影響。因此，本文選取具有強(qiáng)抗擾動(dòng)能力的非線性自抗擾控制器對(duì)機(jī)械臂進(jìn)行軌跡跟蹤控制。

自抗擾控制器(Active Disturbance Rejection Control，ADRC)[13]區(qū)別于其他控制器的優(yōu)點(diǎn)在于，ADRC不依賴精確的數(shù)學(xué)模型，具有較強(qiáng)的抗擾動(dòng)特性，且ADRC具有較高的控制精度和響應(yīng)速度。但其缺點(diǎn)在于ADRC存在多個(gè)耦合參數(shù)，傳統(tǒng)的經(jīng)驗(yàn)整定法難以整定出合理有效的控制參數(shù)，一定程度降低了ADRC的控制精度和抗擾動(dòng)能力。針對(duì)上述問題，Du等[14]提出一種動(dòng)態(tài)慣性權(quán)重的自適應(yīng)粒子群算法對(duì)ADRC參數(shù)進(jìn)行在線整定；Zhou等[15]提出一種改進(jìn)遺傳算法的參數(shù)整定策略；海星朔等[16]提出一種改進(jìn)鴿群算法的參數(shù)整定策略；劉福才等[17]提出一種混沌粒子群的參數(shù)整定方法。此外，還有入侵雜草算法[18]以及基于萊維飛行的鯨魚優(yōu)化算法[19]等參數(shù)整定策略。但上述整定方法均采用單一機(jī)制的優(yōu)化算法對(duì)參數(shù)進(jìn)行在線整定，當(dāng)被控對(duì)象具有較高耦合性和非線性時(shí)，難以整定出有效的控制參數(shù)。因此，本文提出一種雙種群鯊魚優(yōu)化算法的參數(shù)整定策略。

鯊魚優(yōu)化算法(Shark Smell Optimization,SSO)[20]是Abedinia等提出的一類新的種群智能優(yōu)化算法。其優(yōu)點(diǎn)在于算法所需調(diào)整參數(shù)少、結(jié)構(gòu)簡(jiǎn)單、易于實(shí)現(xiàn)，且具有較強(qiáng)的局部搜索能力。算法的缺陷在于易陷入局部最優(yōu)、早熟收斂，且算法的開發(fā)能力和勘探能力極為不平衡。因此，本文提出一種雙種群鯊魚優(yōu)化算法(Double Population Shark Smell Optimization,DPSSO)。該算法中兩個(gè)種群的尋優(yōu)機(jī)制各不相同，其中：種群1的尋優(yōu)機(jī)制用來平衡算法的開發(fā)能力和勘探能力；種群2的尋優(yōu)機(jī)制用來有效增加算法跳出局部最優(yōu)的機(jī)率，提高了算法的收斂精度和收斂速度，加強(qiáng)了算法的全局搜索能力。實(shí)驗(yàn)結(jié)果表明，DPSSO可以有效整定ADRC參數(shù)，提高了控制精度和抗擾動(dòng)能力，降低了機(jī)械臂軌跡跟蹤誤差。

1 自抗擾控制數(shù)學(xué)模型

自抗擾控制器由微分跟蹤器(Tracking Differentiator，TD)、擴(kuò)張狀態(tài)觀測(cè)器(Extended State Observe，ESO)、非線性反饋控制率(Nonlinear State Error Feedback Control Law，NLSEF)組成。ADRC的控制流程如圖1所示。

圖1 自抗擾控制流程示意圖

圖1中，ω為系統(tǒng)所受外部擾動(dòng)，TD通過安排過渡過程給出系統(tǒng)輸入的跟蹤量v1以及跟蹤量的微分信號(hào)v2，目的是平衡系統(tǒng)響應(yīng)速度和系統(tǒng)超調(diào)的矛盾。其數(shù)學(xué)表達(dá)式為：

(1)

(2)

式中：T為積分步長(zhǎng)；y(k)為系統(tǒng)輸出；b0為控制器增益；δ1和δ2為平滑因子；α1和α2為非線性因子；β1、β2和β3為修正系數(shù)，三個(gè)參數(shù)具有很強(qiáng)的耦合關(guān)系，并且很大程度影響ESO的觀測(cè)效果。因此修正系數(shù)整定是否合理，決定了ADRC抗擾動(dòng)能力的強(qiáng)弱。NLSEF對(duì)誤差e1和e2進(jìn)行非線性組合，并輸出控制信號(hào)u0，其數(shù)學(xué)表達(dá)式為：

(3)

式中：β1、β2為控制系數(shù)，很大程度影響ADRC的控制精度；e1、e2為誤差，e1為指令信號(hào)與被控對(duì)象位置輸出誤差，e2為指令信號(hào)微分與被控對(duì)象速度輸出誤差；α1、α2為[0,1]之間的常數(shù)；fal(·)函數(shù)是一類非線性函數(shù)，代表輸出誤差校正率，其表達(dá)式為：

(4)

由式(1)-式(4)可得，控制系數(shù)和修正系數(shù)等5個(gè)耦合參數(shù)是ADRC的待整定參數(shù)。5個(gè)參數(shù)很大程度上會(huì)影響ADRC的控制精度和抗擾動(dòng)能力。

2 鯊魚優(yōu)化算法

鯊魚優(yōu)化算法來源于鯊魚在海中的獵食行為。算法的搜索方式由直線運(yùn)動(dòng)和螺旋運(yùn)動(dòng)構(gòu)成。如算法的種群規(guī)模為NP，則鯊魚優(yōu)化算法種群初始化的數(shù)學(xué)表達(dá)式為：

X=(X1,X2,…,Xi,…，XNP)

(5)

式中：第i個(gè)初始位置向量為Xi。如優(yōu)化問題的決策變量個(gè)數(shù)為ND，則Xi可表示為：

Xi=(Xi,1,Xi,2,…,Xi,j,…,Xi,ND)

(6)

式中：Xi,j為第i個(gè)鯊魚個(gè)體的第j個(gè)決策變量。

此外，由于鯊魚在捕獵時(shí)，會(huì)朝具有強(qiáng)烈血腥味的獵物游動(dòng)，且鯊魚距離獵物的距離越近，游動(dòng)速度越快。因此，鯊魚在捕獵過程中，每個(gè)階段的速度都取決于上一階段速度的大小，且游動(dòng)速度具有一個(gè)限定范圍。因此鯊魚優(yōu)化算法的速度更新公式為：

(7)

鯊魚在游動(dòng)過程中會(huì)先以直線運(yùn)動(dòng)的方式尋找獵物，這種捕獵行為的位置更新公式可表示為：

(8)

(9)

式中：R3為[0,1]之間的隨機(jī)數(shù)；m表示在位置搜索中每個(gè)階段的獵物的數(shù)量。鯊魚會(huì)向具有更強(qiáng)氣味的獵物進(jìn)行移動(dòng)，并繼續(xù)搜索路徑，這一特點(diǎn)在SSO算法中實(shí)現(xiàn)如下：

(10)

3 改進(jìn)鯊魚優(yōu)化算法

3.1 雙種群尋優(yōu)

雙種群尋優(yōu)在算法迭代過程中，不僅可以避免算法更新機(jī)制單一而引起的早熟收斂現(xiàn)象，還可以避免算法在迭代后期，進(jìn)化緩慢甚至停滯進(jìn)化的情況。針對(duì)機(jī)械臂具有較強(qiáng)的非線性和耦合性的特點(diǎn)，單一機(jī)制的鯊魚優(yōu)化算法難以整定出合理的自抗擾控制器參數(shù)的問題。本文將種群規(guī)模為N的鯊魚種群平均分為兩個(gè)子種群S1和S2，其中種群S1中的個(gè)體，在迭代過程中，引入位置廢棄策略和自適應(yīng)控制因子。種群S2中的個(gè)體，在迭代過程中，引入擴(kuò)張算子以及非線性遞增慣性權(quán)重。計(jì)算S1和S2種群中每次迭代所得最優(yōu)粒子的適應(yīng)度值，并進(jìn)行比較。適應(yīng)度值較大的粒子放入種群S2中，適應(yīng)度值較小的粒子，放入種群S1中。雙種群策略極大程度地保持了算法的種群多樣性，避免了單一機(jī)制尋優(yōu)所引起的進(jìn)化緩慢以及早熟收斂的現(xiàn)象。

3.2 自適應(yīng)控制因子

在基本SSO算法中，控制因子αk是調(diào)整算法全局搜索能力和局部搜索能力的重要參數(shù)。αk的加入是為了防止SSO算法局搜能力過強(qiáng)導(dǎo)致算法早熟收斂。但根據(jù)研究表明，具有隨機(jī)性的控制因子雖然一定程度上增強(qiáng)了算法的全局搜索能力，但也一定程度上忽略了SSO進(jìn)化的階段性。通常，在SSO進(jìn)化搜索初期，算法應(yīng)具有較強(qiáng)的全局搜索能力，獲得較大的搜索范圍，提高算法的種群多樣性。在算法迭代后期，算法應(yīng)具有較強(qiáng)的局部搜索能力，可以在最優(yōu)解附近進(jìn)行精確搜索，提高算法的收斂精度和收斂速度。因此，本文通過粒子取得的適應(yīng)度值來自適應(yīng)調(diào)整控制因子αk，以此平衡算法的開發(fā)能力和勘探能力，防止算法進(jìn)化方向的盲目性。改進(jìn)后的αk的數(shù)學(xué)表達(dá)式如下：

(11)

(12)

3.3 位置廢棄

位置廢棄策略是一種有別于傳統(tǒng)依賴變異跳出局部最優(yōu)的位置更新方式。位置廢棄策略的思想是，假設(shè)被廢棄位置的上限值為L(zhǎng)。在該位置上，粒子第L次陷入局部最優(yōu)、早熟收斂，且在該位置被重復(fù)搜索L次的過程中，收斂精度均沒有得到改善，因此當(dāng)此位置被搜索到第L次時(shí)，該位置被廢棄，算法在之后的迭代過程中不再對(duì)該位置進(jìn)行搜索，并生成新的搜索位置，所生成的新位置數(shù)學(xué)表達(dá)式為：

(13)

式中：t為當(dāng)前迭代次數(shù)；rand表示隨機(jī)數(shù)；η為[-r,r]之間的隨機(jī)數(shù)，隨著算法的迭代，r值從1非線性降低到0。該策略可以保證算法在迭代后期，粒子將圍繞在全局最優(yōu)解附近進(jìn)行局部搜索，有效避免了算法陷入局部最優(yōu)、早熟收斂，提高了算法的全局搜索能力。

3.4 非線性慣性權(quán)重

根據(jù)實(shí)驗(yàn)表明，較大的慣性權(quán)重可以提高算法的開發(fā)能力，較小的慣性權(quán)重可以提高算法的勘探能力。線性優(yōu)化的慣性權(quán)重可以一定程度提高算法的整體性能，但并不能對(duì)算法的開發(fā)能力和勘探能力起到有效的平衡作用。因此，為了平衡算法的開發(fā)能力和勘探能力，本文引入余弦控制方式，對(duì)慣性權(quán)重進(jìn)行非線性優(yōu)化，使得算法在迭代初期，擁有較大的慣性權(quán)重，提高算法的勘探范圍，在迭代后期擁有較小的慣性權(quán)重，提高算法的開發(fā)能力。非線性慣性權(quán)重的數(shù)學(xué)表達(dá)式如下：

ω=(ωmax-ωmin)×exp(-0.5×t/Tmax)-ωmax

(14)

式中：ωmax=0.8為慣性權(quán)重最大值；ωmin=0.4為慣性權(quán)重最小值；t為當(dāng)前粒子迭代次數(shù)；Tmax為最大迭代次數(shù)。因此，基于非線性慣性權(quán)重的位置更新公式為：

(15)

3.5 擴(kuò)張算子

通過非線性慣性權(quán)重改進(jìn)后的鯊魚優(yōu)化算法有效地提高了算法的搜索范圍和搜索精度，但受鯊魚優(yōu)化算法自身位置更新公式的限制，當(dāng)算法在迭代后期，擁有較強(qiáng)的局部搜索能力時(shí)，一旦粒子陷入局部最優(yōu)，粒子很難有能力跳出局部最優(yōu)，向新的搜索區(qū)域進(jìn)行開發(fā)。因此本文引入擴(kuò)張算子策略，賦予最優(yōu)粒子開發(fā)新區(qū)域的能力，幫助粒子跳出局部最優(yōu)。其擴(kuò)張算子EO的數(shù)學(xué)表達(dá)式為：

(16)

(17)

式中：λ為探索系數(shù)，λ=0.45×(1-ω)，用來調(diào)整算法的搜索范圍；R為解空間的隨機(jī)位置；β為系數(shù)，并隨迭代次數(shù)的增加而減小；t為當(dāng)前迭代次數(shù)；Tmax為算法設(shè)定最大迭代次數(shù)。因此SSO算法的速度更新公式可修改為：

(18)

改進(jìn)鯊魚優(yōu)化算法DPSSO的流程如圖2所示，算法迭代結(jié)束的判定條件為是否達(dá)到最大迭代次數(shù)或控制誤差是否小于等于設(shè)定的最小誤差值。

圖2 DFSSO算法流程

3.6 數(shù)值實(shí)驗(yàn)

為了驗(yàn)證本文算法DPSSO的有效性，選取了10個(gè)基準(zhǔn)測(cè)試函數(shù)，如表1所示。其中：f1-f4為單峰函數(shù)，用于驗(yàn)證DPSSO的收斂精度和收斂速度；f5-f10為多峰函數(shù)，用于驗(yàn)證DPSSO的全局搜索能力。

表1 10個(gè)基準(zhǔn)測(cè)試函數(shù)

將本文算法對(duì)表1的10個(gè)測(cè)試函數(shù)進(jìn)行數(shù)值實(shí)驗(yàn)，并與基本SSO算法和其他3種用于ADRC參數(shù)整定的算法——?jiǎng)討B(tài)慣性權(quán)重自適應(yīng)粒子群算法[14](APSO)、混沌粒子群算法[17](CPSO)、基于Lévy飛行軌跡增強(qiáng)的鯨魚優(yōu)化算法[19](LWOA)進(jìn)行結(jié)果對(duì)比，其中測(cè)試函數(shù)f1-f8的維數(shù)為50。為了保證對(duì)比實(shí)驗(yàn)的公平性，5種算法對(duì)10個(gè)測(cè)試函數(shù)獨(dú)立運(yùn)行50次，并取結(jié)果的平均值和標(biāo)準(zhǔn)差，具體結(jié)果如表2所示，最優(yōu)解用加粗字體表示。

表2 數(shù)值實(shí)驗(yàn)對(duì)比結(jié)果

續(xù)表2

可以看出，對(duì)于單峰測(cè)試函數(shù)f1而言，SSO算法、APSO算法、CPSO算法均早熟收斂陷入局部最優(yōu)，只有DPSSO算法和LWOA可收斂到全局最優(yōu)解，但DPSSO算法相較LWOA取得解的質(zhì)量更優(yōu)。對(duì)于單峰測(cè)試函數(shù)f3而言，當(dāng)其他4種算法均早熟收斂時(shí)，DPSSO算法仍可以求解到全局最優(yōu)解，說明DPSSO算法的收斂能力更強(qiáng)。因此對(duì)于單峰測(cè)試函數(shù)的測(cè)試結(jié)果而言，DPSSO算法相較其他4種算法可以取得更小的平均值和標(biāo)準(zhǔn)差，具有更高的收斂精度和穩(wěn)定性。

隨著高速公路路網(wǎng)規(guī)模不斷擴(kuò)大，高速公路稽查管理工作日益復(fù)雜化，其中假綠通車輛稽查治理工作逐漸成為整個(gè)高速公路稽查管理工作的重點(diǎn)。按照國家有關(guān)規(guī)定，運(yùn)輸鮮活農(nóng)產(chǎn)品的車輛在高速公路上行駛可免繳通行費(fèi)。由此，各種冒充綠通車輛的手段層出不窮，屢禁不止，給高速公路稽查管理工作和收費(fèi)站日常收費(fèi)管理工作帶來巨大壓力。

對(duì)于多峰測(cè)試函數(shù)f6-f8而言，DPSSO算法同樣可以取得更小的平均值和標(biāo)準(zhǔn)差，只有在測(cè)試函數(shù)f5上取得的結(jié)果較差，但仍優(yōu)于其他4種算法。說明DPSSO算法相較其他4種算法而言，具有更高的全局搜索能力，搜索成功率也更高，算法穩(wěn)定性更強(qiáng)。

對(duì)于測(cè)試函數(shù)f9-f10而言，5種算法的求解能力均有很大提高，甚至可以收斂到理論最優(yōu)值，這是由于測(cè)試函數(shù)維數(shù)較低所致。但DPSSO的標(biāo)準(zhǔn)差更小，說明DPSSO算法的穩(wěn)定性更強(qiáng)[22]。整體而言，DPSSO算法具有更高的全局搜索能力，搜索精度更高，并且跳出局部最優(yōu)的能力較強(qiáng)，可以有效地避免算法早熟收斂，有效地平衡了算法的全局搜索能力和局部搜索能力，可以用于自抗擾參數(shù)整定。

4 實(shí)驗(yàn)仿真

4.1 基于評(píng)價(jià)指標(biāo)的對(duì)比實(shí)驗(yàn)

為了驗(yàn)證DPSSO可以有效地在線整定自抗擾控制參數(shù)，本文選取ITAE指標(biāo)[21]作為評(píng)價(jià)函數(shù)，兩自由度機(jī)械臂為被控對(duì)象，對(duì)自抗擾控制器參數(shù)進(jìn)行在線整定。其中算法判定條件的誤差最小值設(shè)定為0.001。參數(shù)整定流程如圖3所示。

圖3 基于DPSSO的參數(shù)整定流程

本文將基于DPSSO-ADRC的參數(shù)整定結(jié)果與其他3種算法(LWOA-ADRC、APSO-ADRC、CPSO-ADRC)的整定結(jié)果進(jìn)行對(duì)比驗(yàn)證。ITAE指標(biāo)的數(shù)學(xué)表達(dá)式如下：

(19)

為了保證實(shí)驗(yàn)公平性，4種參數(shù)整定方法獨(dú)立運(yùn)行30次，并分別保存4種整定方法的最優(yōu)結(jié)果。具體結(jié)果如圖4所示。

圖4 評(píng)價(jià)函數(shù)值對(duì)比圖

可以看出，首先，在迭代初期，DPSSO-ADRC的評(píng)價(jià)函數(shù)值迅速下降，下降速度遠(yuǎn)大于其他3種算法，說明DPSSO-ADRC算法的尋優(yōu)速度更快，初值尋優(yōu)能力更強(qiáng)，且DPSSO-ADRC的尋優(yōu)范圍更廣，全局搜索能力更強(qiáng)。其次，DPSSO-ADRC相較其他3種算法可以取得更小的評(píng)價(jià)函數(shù)值，說明DPSSO-ADRC的搜索精度更高，整定出的ADRC參數(shù)更為合理有效。因此，相較于其他3種算法優(yōu)化后的ADRC，DPSSO-ADRC的控制精度更高，抗擾動(dòng)能力更強(qiáng)。

4.2 基于機(jī)械臂的軌跡跟蹤實(shí)驗(yàn)

本文選取具有非線性和強(qiáng)耦合特性的兩自由度機(jī)械臂作為被控對(duì)象，提出一種DPSSO-ADRC的控制策略對(duì)機(jī)械臂進(jìn)行軌跡跟蹤實(shí)驗(yàn)。實(shí)驗(yàn)中以機(jī)械臂軌跡跟蹤誤差大小作為評(píng)價(jià)標(biāo)準(zhǔn)，分別對(duì)APSO-ADRC、CPSO-ADRC、LWOA-ADRC，以及DPSSO-ADRC 4種控制策略進(jìn)行對(duì)比驗(yàn)證。具體實(shí)驗(yàn)結(jié)果如圖5-圖8所示。機(jī)械臂的數(shù)學(xué)模型表示為：

圖5 q1軌跡跟蹤誤差對(duì)比圖

(20)

式中：q為關(guān)節(jié)位置；D為正規(guī)慣性矩陣；C為離心力和科氏力；G為重力向量；d為未知擾動(dòng)向量；τ為控制率，其數(shù)學(xué)表達(dá)式為：

(21)

以機(jī)械臂為被控對(duì)象，通過DPSSO算法在線優(yōu)化后的ADRC控制器參數(shù)如表3所示。

表3 ADRC參數(shù)優(yōu)化值

從圖5和圖6中可得，相比其他3種控制策略，DPSSO-ADRC控制策略的控制誤差最小，響應(yīng)速度更快。對(duì)于機(jī)械臂關(guān)節(jié)角度q1而言，DPSSO-ADRC控制策略可以更快地達(dá)到穩(wěn)態(tài)，軌跡跟蹤誤差小于0.001。并且在DPSSO-ADRC控制機(jī)械臂啟動(dòng)時(shí)，控制器產(chǎn)生的瞬時(shí)誤差遠(yuǎn)遠(yuǎn)小于其他3種控制策略，說明DPSSO-ADRC控制策略的魯棒性更強(qiáng)。對(duì)于機(jī)械臂關(guān)節(jié)角度q2而言，4種控制策略的控制誤差均有所增大，這是由于機(jī)械臂各關(guān)節(jié)之間具有強(qiáng)耦合性。但DPSSO-ADRC控制策略相較其他3種控制策略的跟蹤誤差更小，對(duì)比q1的控制誤差并無明顯增大，說明DPSSO-ADRC控制策略具有較強(qiáng)的解耦特性，對(duì)于被控對(duì)象自身的內(nèi)部擾動(dòng)，具有很高的抗擾動(dòng)能力。

圖6 q2軌跡跟蹤誤差對(duì)比圖

為了驗(yàn)證DPSSO-ADRC控制策略具有較強(qiáng)的抗外部擾動(dòng)能力，當(dāng)系統(tǒng)穩(wěn)定后，在t=12 s時(shí)加入一個(gè)幅值為1的階躍信號(hào)，模擬外部擾動(dòng)。從圖7和圖8可知，相較其他三種控制策略，DPSSO-ADRC控制策略受外部擾動(dòng)干擾最小，對(duì)外部擾動(dòng)進(jìn)行觀測(cè)和補(bǔ)償?shù)臅r(shí)間最短，說明DPSSO-ADRC控制策略的抗擾動(dòng)能力更優(yōu)。因此，通過DPSSO算法優(yōu)化后的ADRC控制器，不僅有效地提高了控制器的控制精度和控制速度，而且加強(qiáng)了ADRC的抗擾動(dòng)能力。

圖7 q1加入擾動(dòng)后軌跡跟蹤誤差對(duì)比圖

圖8 q2加入擾動(dòng)后軌跡跟蹤誤差對(duì)比圖

5 結(jié) 語

本文針對(duì)傳統(tǒng)非線性ADRC控制器耦合參數(shù)過多、難以整定的缺陷，提出一種基于雙種群鯊魚優(yōu)化算法的參數(shù)整定方式，同時(shí)針對(duì)傳統(tǒng)鯊魚優(yōu)化算法易早熟收斂、收斂精度低的問題，通過位置廢棄以及非線性慣性權(quán)重等策略提出DPSSO算法。首先本文通過數(shù)值對(duì)比實(shí)驗(yàn)和ITAE評(píng)價(jià)指標(biāo)對(duì)比實(shí)驗(yàn)，驗(yàn)證了DPSSO算法具有較強(qiáng)的尋優(yōu)精度，可以用于ADRC的參數(shù)整定上。其次，本文以機(jī)械臂作為被控對(duì)象，通過機(jī)械臂軌跡跟蹤仿真實(shí)驗(yàn)，驗(yàn)證了DPSSO算法整定后的ADRC控制器，具有較強(qiáng)的控制精度和抗擾動(dòng)能力。因此，本文算法可以用于ADRC控制器參數(shù)整定。