发明内容
本发明的目的是针对现有技术的不足，提出了一种自适应悬挂系统姿态调节方法，通过改进行星优化算法（IPOA）优化悬挂系统姿态调节的PID控制器，旨在提高姿态调节控制器的控制精度和响应速度，该方法结合传统PID控制算法与智能优化算法，通过IPOA算法优化PID控制器的比例系数Kp、积分系数Ki和微分系数Kd，使得悬挂系统能够根据实时路况和车辆动态自适应调整，提升了控制精度并有效减小了超调量，从而在自适应悬挂系统中实现了对车辆姿态的精确调节，显著改善了车辆在复杂路况下的行驶稳定性和舒适性。
为了实现上述目的，本发明采用了如下技术方案：一种自适应悬挂系统姿态调节方法，具体步骤为：
步骤1、采集悬挂系统的车辆姿态数据，建立自适应悬挂系统姿态调节的动态模型，用于后续控制策略的优化与调整。
步骤2、改进行星优化算法，具体改进策略为：
Im1、引入拓扑绝缘体维度敏感性机制改进POA算法中的质量计算方程；
Im2、为突破原算法中传统引力模型的局限，引入时空非线性映射和拓扑控制机制，使行星个体能够在搜索空间中进行自适应的全局搜索；
Im3、引入自组织临界性机制，让行星个体在动态认知反馈与局部扰动的引导下进行自组织性演化，并引导行星个体在复杂空间中进行更灵活的局部搜索。
步骤3、通过改进行星优化算法（IPOA）对姿态调节的PID控制器进行参数优化，IPOA算法通过模拟行星轨道运动的规律对PID控制器中的比例系数Kp、积分系数Ki和微分系数Kd进行寻优。
步骤4、采用优化后的PID控制器进行悬挂系统姿态的实时调节，PID控制器根据实时采集到的姿态数据，调节悬挂系统中悬挂元件上施加的垂向支撑力，确保车辆姿态符合目标要求。
进一步地，所述步骤1中，采集悬挂系统的车辆姿态数据，包括车身的垂向位移、俯仰角、侧倾角等，以及路面状况、负载变化等动态信息，建立自适应悬挂系统姿态控制模型，用于后续的控制优化和调节。
进一步地，建立车辆动力学模型，车辆动力学模型可以由一个三自由度系统进行描述，分别为垂向位移、俯仰角和横摆角，其中，垂向位移的数学模型为：
（1）；
式（1）中，为车身质量，为车身质心垂向位移，为第i个悬挂施加的垂向支撑力；
更进一步地，俯仰角的数学模型为：
（2）；
式（2）中，为车身绕横向轴的转动惯量，为车身俯仰角度，和分别为前轴和后轴到车身质心的距离，-为四个悬挂施加的垂向支撑力；
更进一步地，横摆运动的数学模型为：
（3）；
式（3）中，为车身绕纵向轴的转动惯量，为车身横摆角，为质心到左右车轮的横向距离。
进一步地，为实现姿态调节，需要定义每个姿态量的误差，误差定义为期望姿态值与实际姿态值之差，定义误差为：
（4）；
式（4）中，、、分别表示垂向位移误差、俯仰角误差以及横摆角误差，、、分别表示目标垂向位移、目标俯仰角以及横摆角，为车身实际垂向位移、为车身实际俯仰角、为车身实际横摆角；
更进一步地，将垂向位移误差输入PID控制器单元，通过IPOA算法在线优化的PID控制器对误差进行处理，输出控制信号作用于自适应悬挂系统的悬挂元件，实时调节悬挂元件上施加的4个垂向支撑力-，从而调节车身的垂向位移、俯仰角和横摆角，保证车身悬挂系统的姿态稳定；
更进一步地，建立控制信号与垂向支撑力的动态映射关系为：
（5）；
式（5）中，-为4个悬挂元件中的垂向支撑力，A为悬挂元件的俯仰角补偿系数，B为悬挂元件的横摆角补偿系数；
更进一步地，在姿态调节过程中，将PID控制器单元的Kp、Ki、Kd系数在线映射到改进行星优化算法的搜索空间中的个体位置，行星个体位置的三个维度值分别表示[Kp KiKd]。
进一步地，所述步骤2、Im1中引入拓扑绝缘体维度敏感性机制改进POA算法中的质量计算方程，该机制通过引入每一维度的敏感度激活系数区分个体的高维和低维，实现对高维与低维个体的有效区分，从而使不同维度上的距离变化对质量值的影响具有差异化响应。当某一维度的敏感度较高时，能够显著增强该维度对质量评价的贡献，进而引导行星个体在关键维度上加快收敛速度，提升算法在高维搜索空间中的优化能力，改进后的质量计算方程为：
（6）；
式（6）中，为第i颗行星的质量，为第j颗行星的质量，i=1，…，nPop，j=1，…，nPop，nPop为算法种群数量，为第i颗或第j颗行星的适应度，为搜索空间的纬度值，为第d维的敏感度激活系数，为第i颗行星在第d维的参数值，为当前最优解在第d维的值，为行星与最优解之间的吸引力参数,为极小常数，防止分母为零导致计算错误。
更进一步地，所述步骤2、Im2中引入时空非线性映射和拓扑控制机制，使行星个体能够在搜索空间中进行自适应的全局搜索，改进后的全局搜索数学模型为：
（7）；
式（7）中，为第i颗行星更新后的个体位置，t为当前迭代次数，为第i颗行星当前迭代的个体位置，为引力加速因子，和为取值在[0，1]之间的随机数，为当前迭代中最优解位置，为行星与最优解之间的吸引力参数，为多样性搜索参数，为行星状态函数，为调整邻域影响的参数，为第i颗行星在当前迭代中的邻域，其中，的数学模型为：
（8）；
式（8）中，t为当前迭代次数，为第i颗行星在第k代的适应度，为最优解的适应度，为第i颗行星在第k代的个体位置，为最优解在第k代的个体位置。
更进一步地，所述步骤2、Im3中引入自组织临界性机制，使行星个体在动态认知反馈与局部扰动的引导下进行自组织性演化，并引导行星个体在复杂空间中进行更灵活的搜索，改进后的局部搜索数学模型为：
（9）；
式（9）中，为第i颗行星更新后的个体位置，为第i颗行星当前迭代的个体位置，t为当前迭代次数，为系统自组织演化出的临界位置，为行星邻域内的局部最优解，为临界扰动强度，为邻域引导强度。
进一步地，所述步骤3，通过改进行星优化算法（IPOA）对姿态调节的PID控制器进行参数优化，IPOA算法通过模拟行星轨道运动的规律进行寻优，优化PID控制器中的比例系数Kp、积分系数Ki和微分系数Kd，具体步骤为：
S1、初始化改进行星优化算法（IPOA）的种群规模nPop，最大迭代次数MaxIter、搜索空间维度Dim，以及搜索空间上下界[Ub，Lb]，Ub和Lb为Dim阶的单位向量；
S2、初始化改进行星优化算法的b、c，G，Rmin参数，初始化改进行星优化算法的个体位置，生成种群个体初始位置，初始化个体位置的数学模型为：
（10）；
式（10）中，为随机生成的行星初始位置，为取值在[0，1]之间的随机数，Ub和Lb的意义同上；
S3、计算每颗行星的适应度；通过贪婪选择的方式更新所有行星的个体位置和适应度，选择种群中适应度最小的个体位置为最优解，并记录的适应度为当前迭代中的最佳适应度；
S4、计算并更新引力矩参数M，M的数学模型为：
（11）；
式（11）中，和为第i颗行星的质量和第j颗行星的质量，为两颗行星之间的笛卡尔距离，G为引力参数；
S5、计算行星与最优解之间的笛卡尔距离，的数学模型为：
（12）；
式（12）中，各参数意义同上；
S6、当>，算法进入全局探索阶段，模拟远离“太阳”的行星构建运动轨迹进行全局搜索，更新个体位置，改进后的全局探索的数学模型同上，的数学模型为：
（13）；
式（13）中，为行星与最优解间的初始笛卡尔距离，其他参数同上；
S7、当<，算法进入局部开发阶段，模拟靠近“太阳”的行星构建运动轨迹进行局部搜索，更新个体位置，改进后的局部探索的数学模型同上；
S8、检查当前迭代次数t是否大于MaxIter，若是，则输出改进行星优化算法的最优解，并将最优解解码成PID控制器中的比例系数Kp、积分系数Ki和微分系数Kd，若否，则执行t=t+1，并返回S3继续迭代寻优。
本发明提出了一种自适应悬挂系统姿态调节方法，通过改进行星优化算法（IPOA）优化悬挂系统中姿态调节的PID控制器，与现有技术相比，本发明的有益效果为：
P1、通过引入拓扑绝缘体维度敏感性机制，对行星优化算法（POA）中的质量计算方程进行改进，使得行星个体能够根据搜索空间维度变化的敏感特性自适应调整，增强了优化过程对复杂非均匀空间结构的感知与适应能力，从而提高了悬挂系统姿态调节过程中PID控制器参数寻优的准确性和动态响应能力；
P2、通过引入时空非线性映射与拓扑控制机制，突破了传统引力模型中位置更新的单一线性演化方式，实现了行星个体在搜索空间中的自适应扭曲搜索与拓扑感知迁移，有效扩展了全局探索范围，提升了姿态调节PID参数优化过程中的搜索效率和对复杂工况变化的适应性；
P3、通过引入自组织临界性机制，使行星个体在动态认知反馈与局部扰动引导下形成自组织演化行为，能够在悬挂系统姿态调节中根据系统状态变化自适应进行局部跳跃与全局调整，从而显著提升了PID控制器调节精度，改善了悬挂系统在复杂道路条件下的姿态稳定性与舒适性。
具体实施方式
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。
本发明提供的一种自适应悬挂系统姿态调节方法，如图1所示，具体步骤为：
步骤1、采集悬挂系统的车辆姿态数据，包括车身的垂向位移、俯仰角、横摆角等，并监测路面状况和车辆的动态响应，基于这些数据，建立自适应悬挂系统姿态调节的动态模型。
具体地，在本发明实例中，通过Matlab分别为垂向位移、俯仰角和横摆角建立数学模型，其中，垂向位移数学模型为：
function dz = heave_model(t, z, F_z_func, m)
% 垂向位移方程
dz1 = z(2); % 速度等于位移的一阶导数
dz2 = sum(F_z_func(t)) / m; % 加速度由四个悬挂力之和决定
dz = [dz1; dz2];
end。
更进一步地，俯仰角的数学模型为：
function dtheta = pitch_model(t, theta, F1_func, F2_func, F3_func,F4_func, l_f, l_r, I_x)
% 俯仰角方程
dtheta1 = theta(2); % 角速度等于俯仰角的一阶导数
dtheta2 = (F1_func(t) * l_f - F2_func(t) * l_f - F3_func(t) * l_r+ F4_func(t) * l_r) / I_x; % 角加速度
dtheta = [dtheta1; dtheta2];
end。
更进一步地，横摆运动的数学模型为：
function dphi = roll_model(t, phi, F1_func, F2_func, F3_func, F4_func, l_w, I_y)
% 横摆角方程
dphi1 = phi(2); % 角速度等于横摆角的一阶导数
dphi2 = (F1_func(t) * l_w + F3_func(t) * l_w - F2_func(t) * l_w -F4_func(t) * l_w) / I_y; % 角加速度
dphi = [dphi1; dphi2];
end。
进一步地，为实现姿态调节，需要定义每个姿态量的误差，误差定义为期望姿态值与实际姿态值之差，定义误差为：
（4）；
式（4）中，、、分别表示垂向位移误差、俯仰角误差以及横摆角误差，、、为期望的车身姿态目标值，分别代表目标垂向位移、目标俯仰角以及横摆角，为车身实际垂向位移、为车身实际俯仰角、为车身横摆角。
更进一步地，将垂向位移误差输入PID控制器单元，通过IPOA算法在线优化的PID控制器对误差进行处理，输出控制信号作用于自适应悬挂系统的悬挂元件，实时调节4个悬挂元件上施加的垂向支撑力-，调节车身的垂向位移、俯仰角和横摆角，保证车身悬挂系统的姿态稳定。
更进一步地，建立控制信号与垂向支撑力的动态映射关系为：
（5）；
式（5）中，-为4个悬挂元件中的垂向支撑力，A为悬挂元件的俯仰角补偿系数，取值为0.1，B为悬挂元件的横摆角补偿系数，取值为0.08。
更进一步地，将姿态差值输入PID控制器单元，通过在线优化的PID控制算法对差值进行处理，输出控制信号，该控制信号作用于自适应悬挂系统的悬挂元件，实时调节悬挂系统的刚度和阻尼特性。
步骤2、改进行星优化算法，具体改进策略为：
Im1、引入拓扑绝缘体维度敏感性机制改进算法中的质量计算方程，改进后的质量计算方程为：
（6）；
式（6）中，为第i颗行星的质量，为第j颗行星的质量，i=1，…，nPop，j=1，…，nPop，nPop为算法种群数量，为第i颗或第j颗行星的适应度，为搜索空间的纬度值，为第d维的敏感度激活系数，取值为0.8，为第i颗行星在第d维的参数值，为当前最优解在第d维的值，为行星与最优解之间的吸引力参数，取值为2，为极小常数，取值为0.000001；
Im2、引入时空非线性映射和拓扑控制机制改进算法的全局搜索数学模型，改进后的全局搜索数学模型为：
（7）；
式（7）中，为第i颗行星更新后的个体位置，t为当前迭代次数，为第i颗行星当前迭代的个体位置，为引力加速因子，和为取值在[0，1]之间的随机数，为当前迭代中最优解位置，为行星与最优解之间的吸引力参数，为多样性搜索参数，为行星状态函数，为调整邻域影响的参数，取值为0.05，为第i颗行星在当前迭代中的邻域，其中，的数学模型为：
（8）；
式（8）中，t为当前迭代次数，为第i颗行星在第k代的适应度，为最优解的适应度，为第i颗行星在第k代的个体位置，为最优解在第k代的个体位置；
Im3、引入自组织临界性机制改进算法的局部搜索数学模型，改进后的局部搜索数学模型为：
（9）；
式（9）中，为第i颗行星更新后的个体位置，为第i颗行星当前迭代的个体位置，t为当前迭代次数，为系统自组织演化出的临界位置，为行星邻域内的局部最优解，为从0.5线性降低到0的临界扰动强度，为邻域引导强度，取值为0.2；
步骤3、通过改进行星优化算法（IPOA）对姿态调节的PID控制器进行参数优化，IPOA算法通过模拟行星轨道运动的规律进行寻优，优化PID控制器中的比例系数Kp、积分系数Ki和微分系数Kd，具体步骤为：
S1、初始化改进行星优化算法（IPOA）的种群规模nPop为30，最大迭代次数MaxIter为20、搜索空间维度Dim为3，搜索空间上界Ub为[20，20，20]，下界为[0，0.000001，0]；
S2、初始化改进行星优化算法的参数b为5、G为1、R0为1000，c为从2线性递减到1的值，初始化改进行星优化算法的个体位置，生成行星个体的初始位置，初始化个体位置的数学模型为：
（10）；
式（10）中，为随机生成的行星初始位置，为取值在[0，1]之间的随机数，Ub和Lb的意义同上；
S3、计算每颗行星的适应度；通过贪婪选择的方式更新所有行星的个体位置和适应度，选择种群中适应度最小的个体位置为最优解，并记录的适应度为当前迭代中的最佳适应度；
S4、计算并更新引力矩参数M，M的数学模型为：
（11）；
式（11）中，和为第i颗行星的质量和第j颗行星的质量，为两颗行星之间的笛卡尔距离，G为引力参数；
S5、计算行星与最优解之间的笛卡尔距离，的数学模型为：
（12）；
式（12）中，各参数意义同上；
S6、当>，算法进入全局探索阶段，模拟远离“太阳”的行星构建运动轨迹进行全局搜索，更新个体位置，改进后的全局探索的数学模型同上，的数学模型为：
（13）；
式（13）中，为行星与最优解间的初始笛卡尔距离，其他参数同上；
S7、当<，算法进入局部开发阶段，模拟靠近“太阳”的行星构建运动轨迹进行局部搜索，更新个体位置，改进后的局部探索的数学模型同上；
S8、检查当前迭代次数t是否大于MaxIter，若是，则输出改进行星优化算法的最优解，并将最优解解码成PID控制器中的比例系数Kp、积分系数Ki和微分系数Kd，若否，则执行t=t+1，并返回S3继续迭代寻优。
进一步地，综合考虑自适应悬挂系统姿态调节的控制精度，响应时间和系统能耗，选择改进行星优化算法的目标函数为：
（14）；
式（13）中，J为目标函数计算的适应度值，、、分别表示垂向位移误差、俯仰角误差以及横摆角误差，为超调量的幅度，为PID控制器输出控制信号平方的积分，T为系统运行总时间，n为误差的累加次数，、为权重系数，取值为0.03，取值为0.01，用于平衡系统的控制精度和能耗。
步骤4、采用优化后的PID控制器进行悬挂系统姿态的实时调节，PID控制器根据实时采集到的姿态变化数据，调节悬挂系统的刚度和阻尼参数，确保车辆姿态符合目标要求，具体步骤为：
Step1、设置自适应悬挂系统姿态调节仿真模型运行时间为20s，采样时间为0.5s，设置车辆初始垂向位移为0、初始俯仰角度为0°、初始横摆角度为0°，目标垂向位移为3、目标俯仰角度为0°、目标横摆角度为1°；
Step2、建立改进行星优化算法数学模型，并通过Matlab编写连接函数，用于仿真模型与改进行星优化算法数学模型传递数据；
Step3、通过连接函数将将PID控制器的Kp、Ki、Kd系数与改进行星优化算法的行星个体位置相关联，=[Kp、Ki、Kd]；
Step4、运行改进行星优化算法数学模型，算法迭代寻优，输出每次迭代中的个体解，将每个个体解在不同维度上的值解码为PID控制器的Kp、Ki、Kd系数；
Step5、将Kp、Ki、Kd参数输出到控制系统仿真模型中，运行控制系统仿真模型；
Step6、判断迭代是否终止，如果终止，输出改进行星优化算法最优解，并将最优解的各个纬度的值解码成Kp、Ki、Kd参数，最优Kp、Ki、Kd参数为：14.7367、0.0642、16.2716。
在本实施步骤中，对比分析普通行星优化算法与改进行星优化算法在优化过程中适应度值随迭代次数的变化曲线，如图3所示，普通行星优化算法在前6代迭代过程中适应度值迅速下降，之后进入收敛平台期，适应度值基本稳定在0.035左右，整体收敛速度较快但最终收敛质量有限，未能进一步降低适应度值；而改进行星优化算法在第6代左右同样出现显著下降，但后续仍能保持适度下降趋势，在第10代以后进一步优化，最终在20代内收敛至约0.018，明显优于普通算法。综合来看，改进行星优化算法不仅在前期具备较快的收敛速度，同时在中后期仍保持较好的优化能力，最终取得了更低的适应度值，验证了所提改进方法在提高寻优精度和加速收敛过程中的有效性与优越性。
在本实施步骤中，对比分析普通行星优化算法与改进行星优化算法的垂向位移曲线，如图4所示，普通行星优化算法在初始阶段迅速上升，但存在明显的超调现象，最大位移接近4cm，并伴随较大幅度的振荡，收敛过程较为缓慢，最终在10秒左右才能基本稳定于目标位移值附近，且过渡过程不够平滑；而改进行星优化算法在初始阶段亦能快速上升，但最大超调量显著减小，振荡幅度和次数均明显降低，位移响应曲线整体更加平稳，约在6秒内便收敛至目标位移值附近，且保持较好的稳定性。综合分析，改进行星优化算法在超调抑制、收敛速度及系统稳定性等方面均优于普通算法，验证了所提改进策略的有效性与优越性。
在本实施步骤中，对比分析普通行星优化算法与改进行星优化算法的俯仰角度响应曲线，如图5所示，普通行星优化算法在初始阶段快速变化，但出现了明显的负向超调，最大俯仰角度接近-0.6°，随后又出现正向超调，且振荡幅度较大，收敛过程较慢，最终在10秒左右才能逐渐趋于稳定；而改进行星优化算法在初始阶段同样出现一定幅度的负向偏移，但超调幅度明显减小，正向振荡也大幅降低，整体曲线变化更为平缓，在6秒内即收敛至目标俯仰角度0°附近，且后续波动极小。综合来看，改进行星优化算法在超调抑制、振荡控制和收敛速度方面均优于普通算法，有效提升了系统的动态响应性能和稳定性。
在本实施步骤中，对比分析普通行星优化算法与改进行星优化算法的横摆角响应曲线，如图6所示，普通行星优化算法在初始阶段快速上升，但出现明显超调，最大横摆角度超过目标值约0.4°，随后产生一定幅度的振荡，整体收敛速度较慢，大约在8秒后才能基本稳定于目标值附近；而改进行星优化算法在初始阶段同样迅速上升，但基本无明显超调，响应过程平滑，且在约2秒内即快速收敛至目标横摆角度1°附近，后续波动极小，表现出优异的动态性能与稳态特性。综合来看，改进行星优化算法能够有效降低系统的超调量，显著提高收敛速度，并增强系统的稳定性，相较普通行星优化算法具有明显优势。
综上所述，本发明提供了一种自适应悬挂系统姿态调节方法，该方法通过改进行星优化算法（IPOA）优化悬挂系统姿态调节的PID控制器的Kp、Ki、Kd系数，有效克服了传统PID控制方法在悬挂系统姿态调节过程中存在的响应迟缓、超调量大及稳态精度不足的问题；通过引入拓扑绝缘体维度敏感性机制与自适应的搜索调节策略改进行星优化算法，能够算法实现对PID控制系数的高效寻优，显著提升悬挂系统在不同工况下的姿态控制性能，尤其在面对复杂路况、车辆载荷变化等外界扰动时，能够保持系统快速响应与高稳定性，从而有效提升车辆行驶的舒适性与安全性。