✨ 本团队擅长数据搜集与处理、建模仿真、程序设计、仿真代码、EI、SCI写作与指导毕业论文、期刊论文经验交流。✅ 专业定制毕设、代码✅如需沟通交流查看文章底部二维码1基于自适应灰狼优化的LQR权重在线调节针对LQR控制器中状态权重矩阵Q和输入权重R通常依赖经验设定的问题引入改进灰狼优化算法对权重参数进行在线寻优。将无人驾驶汽车的横向偏差、航向角偏差、方向盘转角以及转角变化率作为LQR的状态量并采用动态自适应sigmoid函数更新灰狼算法的收敛因子初期探索范围广后期精细搜索。将每次控制周期内实际轨迹与参考轨迹的累积横向误差和转向能耗作为灰狼优化器的适应度函数在Matlab/Simulink仿真中每0.1秒进行一次小种群迭代粒子数量设定为15个最大迭代10代。经过高速公路双移线工况的变速实验该自适应LQR相比固定权重LQR的最大横向跟踪误差降低22%航向角误差标准差减小0.018 rad且在不同车速下均能保持平稳转向无过度振荡。2遗传算法优化的双层纵向PID控制架构构建上层速度调节与下层加速度执行的两级纵向控制器。上层控制器根据期望速度与实际速度的偏差产生期望加速度指令采用遗传算法对PID的比例、积分、微分系数和低通滤波器时间常数共四个参数进行整定。遗传算法的染色体采用实数编码目标函数由速度跟踪的积分绝对误差、超调量惩罚和加速度变化率惩罚三项加权构成权重分别取0.5、0.3、0.2。为降低在线计算负载优化过程在Matlab工作空间离线进行生成一组关于速度偏差和车速的系数映射表实际运行中通过查表插值获取。下层控制器将期望加速度转换为驱动或制动信号标定过程采用基于最小二乘的节气门与制动压力分段线性映射。在Carsim中进行的匀加速至80 km/h和正弦速度跟踪测试中该纵向控制器的速度均方根误差为0.12 m/s加速度曲线平顺无抖动乘客冲击度指标小于2.0 m/s³。3横纵向协同控制与预瞄‑反馈复合机制为实现泊车和超车等复杂场景下的整体运动控制整合横向LQR与纵向PID搭建预瞄‑反馈复合控制器。预瞄控制器利用道路曲率和当前车速计算前馈方向盘转角降低LQR的稳态误差反馈通道则实时补偿因侧风、轮胎磨损等引起的扰动。横向LQR与纵向PID通过车速和曲率的耦合约束协同工作在弯道处纵向速度规划根据横向加速度限幅自动降低期望车速而横向控制器的预测时域也会随车速动态调节。在Carsim与Simulink联合仿真中构建了低速直角转弯泊车和高速超车变道两个典型场景前者的最终停车位置误差小于0.04 m后者在超车过程中侧向加速度最大值仅为2.1 m/s²横摆角速度响应迅速且无衰减振荡有效提升了整车轨迹跟踪精度与行驶安全性。import numpy as npfrom scipy.linalg import solve_continuous_are# 自适应灰狼优化LQR权重更新class GreyWolfLQR:def __init__(self, n15, dim4):self.n n; self.dim dimself.alpha_pos np.zeros(dim); self.beta_pos np.zeros(dim); self.delta_pos np.zeros(dim)def optimize(self, fitness_func, bounds):wolves np.random.rand(self.n, self.dim)*(bounds[:,1]-bounds[:,0])bounds[:,0]a 2; convergence []for t in range(10):for i in range(self.n):fitness fitness_func(wolves[i])# 更新alpha/beta/delta...a 2*(1-t/10) # 灰狼线性收敛此处可改为自适应sigmoidfor i in range(self.n):r1, r2 np.random.rand(self.dim)A, C 2*a*r1-a, 2*r2D np.abs(C*self.alpha_pos - wolves[i])wolves[i] self.alpha_pos - A*Dreturn self.alpha_pos# LQR求解def compute_lqr_gain(A, B, Q, R):P solve_continuous_are(A, B, Q, R)K np.linalg.inv(R) B.T Preturn K# 纵向遗传优化PID离线def pid_fitness(params, speed_ref, speed_act):Kp, Ki, Kd, N paramserror speed_ref - speed_actintegral np.cumsum(error)*0.01; derivative np.gradient(error)/0.01u Kp*error Ki*integral Kd*derivativeiau np.sum(np.abs(error)*0.01)overshoot max(speed_act.max()-speed_ref,0)*100return iau*0.5 overshoot*0.3 np.std(np.gradient(u))*0.2如有问题可以直接沟通