1.一种基于改进雾凇优化算法的海上救援飞翼控制优化方法，其特征在于，具体步骤如下：步骤一、基于引入步长增量式PID控制器、位置式PID控制器和救援飞翼控制原理搭建海上救援飞翼控制系统模型；整个控制系统的模型为航向控制和速度控制的级联结构，航向控制器输出的舵角控制指令作为速度控制的输入，速度控制器输出的推进力控制指令通过动力系统转化为实际的舵角和推进力；

步骤二、基于救援飞翼航向控制要求和目标效果要求，针对增量式PID控制器，初始化增量式PID控制参数Kp、Ki、Kd以及输入变量和输出变量以及输出变量范围；其中输入变量包括：系统反馈量与目标量的偏差Err和上一次的偏差Last_Err以及上上次的偏差Previous_Err，输出变量决定救援飞翼航向运动状态；针对位置式PID，只初始化位置式PID控制参数Kp、Ki、Kd参数；

步骤三、针对增量式PID和位置式PID不同特性，提出局部停滞反馈再加速机制，对雾凇优化算法改进，提高寻优速度和精度，将算法获得的结果赋给PID控制器，具体为：第一：针对增量式PID提出一种局部停滞反馈再加速机制，包括随时跳出局部最优和跳出后立刻提高收敛速度，具体包括为：Q1、局部停滞反馈再加速机制公式为：

（1）；

若 ，则表示当前陷入局部最优，则通过式

跳出局部范围，继续寻优；

式中，Lmt为停滞标志量，Lmt_max为最大停滞标志量，设定为50； 为第个i粒子的第j个粒子的适应度值； 为最佳个体的适应度值； 为更新雾凇种群的新位置，i和j表示第个i粒子的第j个粒子；Ubi,j和Lbi,j分别是逃逸空间的上界和下界；

Q2、改进雾凇粒子之间的粘附度h,改进后的雾凇粒子粘附度h公式为：（2）；

式中，h为雾凇粒子粘附度，控制两个雾化粒子中心之间的距离；hlast为上次迭代雾凇粒子粘附度；Fitnesslast为上次迭代粒子最优适应度值；Fitnesscurrent为当前迭代粒子最优适应度值；t为当前迭代次数；T为总迭代次数；

式 成立时，说明算法寻优值在预设范围内变化极小，陷入局部最优，此时立刻跳出该范围继续探索；当跳出局部最优，当前迭代时间满足 时，按式（3）更新雾凇种群位置；

（3）；

式中， 为更新雾凇种群的新位置，i和j表示第个i粒子的第j个粒子； 为雾凇种群中最佳雾凇集的第j个粒子；r1、r2为雾凇控制因子，取值为[‑1,1]；β是外部环境因素；hlast为上次迭代雾凇粒子粘附度；Ubi,j和Lbi,j分别是逃逸空间的上界和下界；E为被附加的系数；

否则，当前迭代时间满足 时，按式（4）更新雾凇种群位置；

（4）；

式中，Fitnesslast为上次迭代粒子最优适应度值；Fitnesscurrent为当前迭代粒子最优适应度值；t为当前迭代次数；T为总迭代次数；

第二：针对位置式PID控制速度，提出一种将雾凇优化算法与黄金正弦算法融合的方法，采用雾凇‑黄金正弦融合算法对速度PID优化，改进后，雾凇更新公式为：（5）；

式中， 为更新雾凇种群的新位置，i和j表示第个i粒子的第j个粒子； 为前一次雾凇种群的位置 为雾凇种群中最佳雾凇集的第j个粒子；x1, x2为黄金分割系数；r1,r2为雾凇控制系数；β是环境因素，h为粘附程度；

步骤四、改进雾凇优化算法优化增量式PID控制器，不断迭代，通过计算适应度值，利用贪婪策略将最优优化结果筛选出来得到最优的航向控制值，然后赋值给Kp、Ki、Kd三个参数；根据雾凇‑黄金正弦融合算法对位置式PID优化，计算适应度值，迭代筛选最优速度控制值，然后赋值给Kp、Ki、Kd三个参数，循环往复将航向最优参数和速度最优参数应用到对应的模型中，输出PPM控制信号，控制救援飞翼稳定运动。

2.根据权利要求1所述的一种基于改进雾凇优化算法的海上救援飞翼控制优化方法，其特征在于，所述步骤一，海上救援飞翼控制系统模型分为外环航向控制模型和内环航速控制模型，海上救援飞翼控制系统模型输入端为参考信号源，输出端为电调控制器，采用差分放大电路计算输入信号和参考信号之间的差异，生成航向误差信号，经过控制放大器电路进行放大，以生成一个控制信号，为了实现航向和航速的闭环控制，海上救援飞翼控制系统模型还包括反馈回路电路；机制为通过海上救援飞翼的实时航向与目标航行的差值调整救援飞翼的左右航速，从而实现调整航向的目的，当实时航向与目标航行的差值近似零的时，保证救援飞翼匀速直线运行；电机驱动是由电调控制器控制，采用PPM信号作为驱动信号，其中实时航向数据由电子指南针模块采集，实时航速由电机转速公式根据力矩解算得到。

3.根据权利要求1所述的一种基于改进雾凇优化算法的海上救援飞翼控制优化方法，其特征在于，所述步骤四，改进雾凇优化算法优化增量式、位置式PID控制器的具体步骤为：S1.构建海上救援飞翼单输入单输出的三阶多环节速度和航向传递函数，来描述救援飞翼的速度河航向调整过程，传递函数的输入为PID控制器调控得到的速度、航向，输出为实时速度、实时航向，传递函数公式为：（6）；

式中，s是复频域变量，K是增益，T1、T2、T3是时间参数值；该传递函数包含了三个一阶惯性环节，其中第一个环节具有附加的时滞T1，而后两个环节则没有；

对于传递函数中的参数值，通过参数辨识来确定，具体步骤为：

D1、在实际环境下，使用PID控制器调控救援飞翼的速度、航向，同时记录输入和输出的数据；

D2、对采集到的数据进行预处理，包括去除噪声、滤波和采样频率的调整；

D3、使用频域分析方法处理参数，将预处理后的输入输出数据拟合到三阶多环节传递函数模型中，从而确定参数K、T1、T2和T3的值；

S2.明确需要控制的系统的目标和性能指标，包括稳定性、响应速度、超调量；

S3.初始化改进雾凇优化算法和增量式PID参数，并按照式（7）计算海上救援飞翼控制器输出的航向信号；

（7）；

式中，u(t)是在时间t处的控制器输出，e(t)、e(t‑1)，e(t‑2)是在时间t、t‑1、t‑2处的实时航向与目标航行误差，Kp、Ki、Kd为PID三个参数，Δt为时间步长；

S4.确定目标函数，用于量化控制系统的性能，计算适应度值；根据救援飞翼的航行特性，提出了一种由均方误差和积分绝对误差结合的目标函数，并接入权重系数和迭代次数改进，使适应度值随迭代次数的变化更加显著，更有利于判断是否陷入局部最优：（8）；

其中，J为目标函数，α和β为权重系数，N是样本数量，y1是实际值，y2是预测值，t为当前迭代次数；

S5.通过目标函数计算适应度值并保留本次迭代最优适应度值，将本次最优适应度值赋值给Fitnesscurrent ，上次迭代最优适应度值赋值给Fitnesslast；

S6.针对航向控制器，即引入步长的增量式PID，更新雾凇粒子种群位置，分两步，分别为软霜搜索和硬霜穿刺，具体如下；

第一步，软霜搜索阶段，若当前迭代时间满足 时，按下式更新雾凇种群位置；

；

式中， 为更新雾凇种群的新位置，i和j表示第个i粒子的第j个粒子； 为雾凇种群中最佳雾凇集的第j个粒子；r1、r2为雾凇控制因子，取值为[‑1,1]；β是外部环境因素；hlast为上次迭代雾凇粒子粘附度；Ubi,j和Lbi,j分别是逃逸空间的上界和下界；E为被附加的系数；

否则，当前迭代时间满足 时，按下式更新雾凇种群位置；

；

式中，Fitnesslast为上次迭代粒子最优适应度值；Fitnesscurrent为当前迭代粒子最优适应度值；t为当前迭代次数；T为总迭代次数；

第二步，硬霜穿刺阶段，位置更新不能陷入局部最优，为了防止环境因素导致陷入布局最优，进一步提出一种样本标准差判断机制，如下：（9）；

式中， 表示当前适应度值的归一化值， 为当前雾凇粒子

及前n个粒子的适应度值样本标准差， 为更新后的粒子的新位置， 为当前最优位置；

若式（9）成立，可认为当前未陷入局部最优，则执行 （10），否则执行S5；

S7.针对航速控制器，即位置式PID，雾凇种群位置更新公式分两步进行，具体如下：第一步，将黄金正弦算法融合到雾凇优化算法，改进软霜搜索阶段种群位置更新公式，改进后如下式：；

第二步，采用硬雾凇穿刺机制进行个体位置更新，并进行边界处理，位置更新公式如下：；

S8.根据式（1）判断，若  成立，则表示当前陷入局部最优，则通过式跳出局部范围，继续寻优；

S9.在S5‑S8的引导下迭代地更新PID参数，根据目标函数的值来调整参数，以朝向性能指标最优的方向进行搜索，根据贪婪策略过滤种群中的次优解；

S10.循环执行S4‑S9，判断当前迭代次数是否达到最大迭代次数，若达到，则退出循环，输出全局最优解，并分配给PID的三个参数。