Le réglage efficace des paramètres du régulateur proportionnel-intégral-dérivé (PID) a toujours été un défi dans le domaine du génie de contrôle. Cet article présente un algorithme d'optimisation amélioré basé sur l'optimisation de l'hippopotame (EHO) pour relever ce défi. L'algorithme amélioré utilise un échantillonnage cubique latin et une initialisation inversée d'apprentissage adaptatif pour améliorer la diversité de la population et renforcer la capacité de recherche globale. De plus, un mécanisme de perturbation adaptative est introduit lors de la phase d'exploration pour optimiser la mise à jour de la position. Pour évaluer les performances de l'EHO, il a été testé avec les fonctions de test CEC2022 sur quatre types d'algorithmes intelligents classiques ou avancés. Son efficacité a également été évaluée en appliquant le réglage du PID à différents types de systèmes. L'EHO a été comparé à cinq autres types d'algorithmes et à la méthode classique de Zigler-Nichols. L'analyse des courbes de convergence, de la réponse indicielle, des diagrammes en boîte et des graphiques radar montre que l'EHO est supérieur en termes de précision, de vitesse de convergence et de stabilité par rapport aux méthodes comparatives. Enfin, l'efficacité de l'algorithme a été évaluée en ajustant les paramètres du régulateur PID en cascade pour le suivi de trajectoire d'un quadricoptère. Les résultats de la simulation montrent que l'utilisation de l'EHO pour l'optimisation du système conduit à des erreurs absolues temporelles de canal de position (x, y, z) nettement inférieures pour une durée de 80 secondes: 59.979, 22.162 et 0.017 respectivement. Ces valeurs sont nettement inférieures à celles de l'algorithme d'optimisation de l'hippopotame d'origine et de la méthode de réglage manuel.

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