Die effektive Einstellung der Parameter des proportional-integral-differential (PID) Reglers war immer eine herausfordernde Aufgabe im Bereich der Regelungstechnik. In diesem Artikel wird ein verbessertes Optimierungsalgorithmus, basierend auf dem Flusspferdoptimierung (EHO), vorgestellt, um dieser Herausforderung zu begegnen. Der verbesserte Algorithmus verwendet lateinische kubische Proben und eine invers initiierte adaptive Lerninitialisierung, um die Vielfalt der Population zu erhöhen und die globale Suchfähigkeit zu stärken. Darüber hinaus wird in der Explorationsphase ein adaptiver Störmechanismus eingeführt, um das Positionsupdaten zu optimieren. Zur Überprüfung der Leistung des EHO wurde er mit den CEC2022-Testfunktionen auf vier Arten von klassischen oder fortgeschrittenen intelligenten Algorithmen getestet. Zusätzlich wurde seine Wirksamkeit durch Anwendung der PID-Einstellung auf verschiedene Arten von Systemen bewertet. Der EHO wurde mit fünf anderen Arten von Algorithmen und der klassischen Ziegler-Nichols-Methode verglichen. Die Analyse der Konvergenzkurven, der Sprungantworten, der Boxplots und der Radardiagramme zeigt, dass der EHO in Bezug auf Genauigkeit, Konvergenzgeschwindigkeit und Stabilität überlegen ist. Schließlich wurde die Wirksamkeit des Algorithmus durch die Anpassung der PID-Reglerparameter für die Pfadverfolgung eines Quadrocopters bewertet. Die Simulationsergebnisse zeigen, dass die Verwendung des EHO zur Optimierung des Systems zu deutlich niedrigeren zeitlichen absoluten Fehlerwerten der Positionskanäle (x, y, z) innerhalb von 80 Sekunden führt: 59,979, 22,162 und 0,017 jeweils. Diese Werte sind deutlich niedriger als die des ursprünglichen Flusspferdoptimierungsalgorithmus und der manuellen Einstellungsmethode.

PID controllers;Parameter tuning;Hippopotamus optimization;Latin hypercube sampling;Adaptive lens reverse learning;Adaptive perturbation mechanism