基于大语言模型的控制器代码自动设计方法及装置

摘要: 本技术涉及自动控制,特别是涉及一种基于大语言模型的控制器代码自动设计方法及装置。背景技术:1、控制器自动设计是控制工程中的长期课题,其目标是在尽量少的人工先验下...
基于大语言模型的控制器代码自动设计方法及装置

本技术涉及自动控制,特别是涉及一种基于大语言模型的控制器代码自动设计方法及装置。

背景技术:

1、控制器自动设计是控制工程中的长期课题,其目标是在尽量少的人工先验下,自动得到满足跟踪、稳定、抗扰、一致性等综合要求的控制器。实际工程中,被控对象往往不是单一确定的对象,而是物理参数在区间内变化的一整类对象,理想的设计应是能由对象参数推算控制器、从而覆盖整类对象的整定规则,而非针对单一工作点反复重调。然而,现有技术在多个关键维度上存在不足。

2、第一类为基于数值优化算法的控制器自动设计。该类方法在给定结构或人工预设的控制环节库中选定结构,再以粒子群、差分进化等智能优化算法或解析优化方法整定参数。其缺陷在于:可选结构受限于固定形式或人工预设库,无法生成库外的新颖控制律结构;适应度多为单一性能指标,未显式约束一致性、抗扰性与实现复杂度;每个对象实例均需重新求解一次,无法产生可复用的整定规则;优化过程不产生关于“下一步如何改进结构”的语义指导。

3、第二类为固定结构pid控制器的智能或自适应参数整定,以及内模控制、simc等解析整定规则。该类方法以固定结构为前提,仅整定数值参数,难以应对需要前馈、非线性补偿或状态反馈组合等非常规结构的被控对象;对解析规则不存在的对象类,如自激振荡的非线性对象,则无能为力。

4、第三类为令大语言模型在线充当控制器或在线决策。该类方法让大语言模型基于当前观测与历史信息在每个控制周期在线推理直接产出动作。其缺陷在于:大语言模型处于闭环之中,存在实时性差、推理时延与算力开销大、行为不可解析、且难以离线固化为可独立部署的确定性控制律等问题,产物是决策过程而非可被验证与移交的控制器代码。

5、第四类为大语言模型驱动的进化式代码生成。该类方法将大语言模型与进化计算结合,用于自动生成组合优化领域的启发式函数代码,或在强化学习环境中演化控制策略代码。其缺陷在于:面向组合优化的离散评分适应度或强化学习回报,不涉及经典连续被控对象的闭环动力学仿真、形式化稳定性约束与跨参数一致性;交叉、变异等遗传算子使用固定的提示模板,不随进化过程中算子的成败自适应调整;未把面向控制性能的语义诊断系统地引导生成;未将代码实现复杂度作为与性能并列的进化目标;亦未把设计目标提升为覆盖整类对象、可泛化至未见实例的参数化整定规则。

6、综上,现有技术无法在自动探索控制律结构、产出可离线部署且可验证的控制器、面向控制性能自适应进化、在硬稳定性约束下管理多目标折中、跨代沉淀设计知识、并以单一设计覆盖整类对象且泛化至未见参数实例等方面同时取得效果。

技术实现思路

1、本技术实施例提供了一种基于大语言模型的控制器代码自动设计方法及装置,通过构建多目标评价体系,改变传统方法单一性能指标优化的局限,同时兼顾控制精度、跨参数泛化均匀性、执行器能耗、代码部署成本四个核心维度,推动控制器向轻量化演化,降低工程部署的硬件算力要求。

2、第一方面,本技术实施例提供了一种基于大语言模型的控制器代码自动设计方法,所述方法包括:

3、步骤s1、构建至少一个训练实例,获取被控对象的元信息,并基于元信息生成目标问题;

4、步骤s2、大语言模型基于目标问题生成父代控制器种群,获取父代控制器种群中每一可执行父代控制器个体分别在多个训练实例上进行预应用的预应用结果;

5、步骤s3、对父代控制器种群进行遗传得到子代控制器种群,获取子代控制器种群中每一可执行子代控制器个体分别在多个训练实例上进行预应用的预应用结果;

6、步骤s4、基于父代控制器种群与子代控制器种群中每一可执行个体的预应用结果选取设定数量的最优个体,得到新生控制器种群,所述预应用结果为包括抗扰误差指标、性能一致性指标、控制能量指标以及代码复杂度指标的四维目标向量,其中,所述抗扰误差指标为目标控制器在每一训练实例上的绝对误差积分,所述性能一致性指标为目标控制器在每一训练实例上的稳定程度,所述控制能量指标为目标控制器运行过程中的运行能耗,所述代码复杂度指标为目标控制器对应抽象语法树的节点总数,目标控制器为可执行父代控制器个体或可执行子代控制器个体;

7、步骤s5、未满足迭代中止条件时,以新生控制器种群作为新的父代控制器种群迭代执行步骤s2-s4;满足迭代中止条件时,获取历代迭代结果中的最优可执行个体作为被控对象的控制器代码。

8、第二方面,本技术实施例提供了一种基于大语言模型的控制器代码自动设计装置包括:

9、构建模块,用于构建至少一个训练实例,获取被控对象的元信息,并基于元信息生成目标问题;

10、父代预应用模块,大语言模型基于目标问题生成父代控制器种群,获取父代控制器种群中每一可执行父代控制器个体分别在多个训练实例上进行预应用的预应用结果;

11、子代预应用模块,对父代控制器种群进行遗传得到子代控制器种群,获取子代控制器种群中每一可执行子代控制器个体分别在多个训练实例上进行预应用的预应用结果;

12、新生种群选取模块,基于父代控制器种群与子代控制器种群中每一个体的预应用结果选取设定数量的最优个体,得到新生控制器种群,所述预应用结果为包括抗扰误差指标、性能一致性指标、控制能量指标以及代码复杂度指标的四维目标向量,其中,所述抗扰误差指标为目标控制器在每一训练实例上的绝对误差积分,所述性能一致性指标为目标控制器在每一训练实例上的稳定程度,所述控制能量指标为目标控制器运行过程中的运行能耗,所述代码复杂度指标为目标控制器对应抽象语法树的节点总数,目标控制器为可执行父代控制器个体或可执行子代控制器个体;

13、迭代输出模块,未满足迭代中止条件时,以新生控制器种群作为新的父代控制器种群执行迭代;满足迭代中止条件时,获取历代迭代结果中的最优可执行个体作为被控对象的控制器代码。

14、第三方面,本技术实施例提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行一种基于大语言模型的控制器代码自动设计方法。

15、第四方面,本技术实施例提供了一种可读存储介质,所述可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时实现一种基于大语言模型的控制器代码自动设计方法。

16、本发明的主要贡献和创新点如下:

17、本技术实施例将被控对象抽象为由参数区间界定的被控对象类,通过参数随机采样生成训练实例,突破传统方法仅针对单一工作点整定的局限,单一控制器代码即可覆盖整类存在参数摄动的被控对象,无需针对每个参数实例单独重复求解;本技术实施例采用大语言模型生成初始父代控制器种群,结合遗传进化机制迭代优化,打破传统数值优化方法依赖预设控制结构库的限制,可探索生成库外的新颖控制律结构;最终产物为可离线固化的确定性控制器代码,而非依赖大语言模型在线推理的决策过程,避免了在线控制的推理时延、算力开销大、行为不可解析等问题;本技术实施例设置两级可执行性筛选机制,先通过抽象语法树逻辑校验代码合法性与安全性,再通过短时探针验证控制器在各训练实例上的闭环有界性,前置过滤存在语法错误、危险构造的无效代码,大幅降低后续仿真评估的算力浪费;本技术实施例通过构建多目标评价体系,改变传统方法单一性能指标优化的局限,同时兼顾控制精度、跨参数泛化均匀性、执行器能耗、代码部署成本四个核心维度,推动控制器向轻量化演化,降低工程部署的硬件算力要求;本技术实施例采用双路子代生成机制,一路基于精英父代个体与历史进化思路生成定向优化的探索子代,一路基于交叉变异算子生成维持多样性的遗传子代,二者整合形成子代种群,探索子代依托历史进化经验针对性改进优质个体,提升优质解的优化效率;遗传子代通过交叉变异维持种群多样性,避免算法陷入局部最优;本技术实施例构建语义驱动的自适应进化反馈闭环,将每代的性能校验结果转化为自然语言诊断信息,同时统计交叉变异的成功率、失稳率与改进率,动态更新下一代的历史进化思路与交叉变异算子,将数值化的性能结果转化为大语言模型可理解的语义梯度,让进化过程具备自主反思优化方向的能力,替代传统固定提示模板的遗传算子,算子策略随进化成效动态调整实现进化方向的自适应优化,显著提升迭代收敛速度与最终解的质量。

18、本技术的一个或多个实施例的细节在以下附图和描述中提出,以使本技术的其他特征、目的和优点更加简明易懂。