La ajuste efectivo de los parámetros del controlador proporcional-integral-derivativo (PID) siempre ha sido un desafío en el campo de la ingeniería de control. Este artículo presenta un algoritmo de optimización mejorado basado en la optimización del hipopótamo (EHO) para hacer frente a este desafío. El algoritmo mejorado utiliza un muestreo cúbico latino y una inicialización inversa de aprendizaje adaptativo para mejorar la diversidad de la población y reforzar la capacidad de búsqueda global. Además, se introduce un mecanismo de perturbación adaptativa en la fase de exploración para optimizar la actualización de la posición. Para evaluar el rendimiento de EHO, se probó con las funciones de prueba CEC2022 en cuatro tipos de algoritmos inteligentes clásicos o avanzados. También se evaluó su efectividad aplicando el ajuste del PID a diferentes tipos de sistemas. EHO se comparó con otros cinco tipos de algoritmos y el método clásico de Zigler-Nichols. El análisis de las curvas de convergencia, la respuesta escalonada, los diagramas de caja y los gráficos de radar muestra que EHO es superior en términos de precisión, velocidad de convergencia y estabilidad. Por último, la eficacia del algoritmo se evaluó ajustando los parámetros del controlador PID en cascada para el seguimiento de la trayectoria de un cuadricóptero. Los resultados de la simulación muestran que el uso de EHO para optimizar el sistema conduce a errores absolutos temporales de canal de posición (x, y, z) notablemente más bajos durante 80 segundos: 59.979, 22.162 y 0.017 respectivamente. Estos valores son significativamente inferiores a los del algoritmo original de optimización del hipopótamo y al método de ajuste manual.

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