企业官网建设流程全解析

简介：针对自抗扰控制器ADRC参数整定复杂且依赖人工经验的问题，这份资源以遗传算法为核心，提供了一套可运行的参数优化方案。资源面向控制工程和智能优化算法方向的科研人员与工程师，也适合学习ADRC与MATLAB仿真的进阶读者。压缩包共21个文件，以16个.m格式的MATLAB源码为主，涵盖种群初始化、适应度计算、选择、交叉、变异等遗传算法核心函数，并包含ADRC关键模块：过渡过程TD、扩张状态观测器ESO、非线性误差反馈NLSEF以及PID对比模型；同时配有Simulink仿真模型、最优点分布与变化趋势图、算法流程图和说明文档，包体约126KB，结构清晰便于按模块取用。已有2017人浏览学习。通过该资源，读者既可查看完整的ADRC参数整定MATLAB实现与仿真案例，也可直接修改目标函数和种群参数，迁移到自己的控制对象中，减少人工试凑时间并提升系统抗扰性能。

1. 四条曲线七个参数，调ADRC的手工时代该结束了

做自抗扰控制（ADRC）的同行都有体会：调PID像看大夫，调ADRC像上刑。TD的跟踪速度、ESO的三个观测器增益、NLSEF的比例和阻尼、再加上扰动补偿系数b0，随手一数就是七个参数，叠在一起还彼此拉扯。手动仿真凑参数，运气好三五天，运气不好折腾半个月后性能还不如一个调好的PID。用遗传算法（GA）做ADRC参数整定，本质是把这段血泪过程交给迭代搜索：给每个参数划定合理边界，设计一条能综合反映跟踪性能、超调量、控制量成本的适应度曲线，剩下的让种群自己进化。这篇文章要解决三个问题：到底整定哪些参数、怎么在MATLAB里让GA和ADRC闭环跑起来、以及哪些坑会让整个搜索白费功夫。适合正在做ADRC工程实践、对人工调参感到疲惫的工程师和相关方向的研究生。

2. 先说清楚要整定哪些东西：ADRC参数角色与整定难点

2.1 三个核心模块各管什么事：TD、ESO、NLSEF

ADRC的设计思路是：把被控对象内部不确定性当成总扰动，用扩张状态观测器把它估计出来，再前馈补偿掉。整个控制器拆成三个模块，每个模块都有自己的参数角色。

跟踪微分器（TD）负责把参考信号平滑化，同时给出参考的微分。常用线性形式的两个参数是跟踪速度r和滤波因子h。r越大跟踪越快，但会放大参考信号的噪声；h越大输出越平滑，但相位滞后更严重。换句话说，r和h就是一对“快”和“稳”的矛盾，需要折中。

扩张状态观测器（ESO）是整个ADRC的核心。对二阶对象需要三个增益β01、β02、β03，分别对应位置估计、速度估计、总扰动估计的修正速度。这三个增益不是独立作用的，它们相互配合决定观测器的收敛速度和噪声放大程度。工程上有个粗糙但实用的印象：β01决定收敛快慢，β02负责阻尼，β03负责扰动跟踪能力。但这三个值一旦量级不匹配，观测器就会振荡甚至发散。

非线性状态误差反馈（NLSEF）把TD的参考信号和ESO的观测状态做差，组合成控制量。线性形式下就是比例增益kp和阻尼增益kd两个参数，外加一个最关键的扰动补偿系数b0。b0表示控制量u到对象加速度的增益估计，它不准确时，ESO估计的扰动会存在稳态偏差，整个前馈补偿就错位了。可以说b0是“名义模型”和“真实对象”之间的桥梁，也是人工调参时最玄学的一个值。

这里要说明一个选型判断：具体实现时我建议先用线性形式的ADRC。非线性形式里NLSEF带α和δ参数、TD带fhan函数，会让GA搜索维度直接增加到十几个参数，参数耦合更严重，优化结果难以解释。线性ADRC已经能覆盖大部分工业对象，GA整定的可复现性也更好。等线性形式的整定流程走通了，再向非线性形式扩展不迟。

你会发现，ADRC参数不是“一个萝卜一个坑”，而是环环相扣。kp给得大，ESO的β01也得跟得上，否则误差信号里全是观测噪声；b0给错，扰动补偿就错位，实际响应和名义模型相差很远。手动调参时经常出现调好一个模块、另一个模块又崩掉的局面，这正是GA介入的意义——把七个参数当染色体一起搜。不过，不意味着能把ADRC当黑匣子直接丢给GA，至少要清楚每个参数的物理含义和大致量级，否则搜索边界都设不合理，后面的优化就是空中楼阁。

2.2 为什么传统整定方法容易翻车

工程上最常用的ADRC整定方法是带宽参数化：把ESO的三个β设计成观测器带宽ωo的函数，控制律增益用控制器带宽ωc设计。公式简洁、物理意义明确，但有两个前提假设：一是你有一个可靠的对象模型，二是系统非线性不强、外部扰动不剧烈。这两个前提在仿真模型上经常成立，到了真实设备上遇到高温、摩擦、负载突变等场景就很容易翻车。

另一个常见做法是经验整定：先固定b0，按阶跃响应的超调量和调节时间手工调kp、kd，再回头调ESO增益。这个流程对低阶稳定对象有效，但对大惯量对象、纯滞后对象、强耦合多变量对象，调参周期长，而且最终结果严重依赖初始猜测。更有意思的是，两个工程师从不同初始值出发，最后手工调出的参数可能差两三倍，性能却差不多。说明手工调参通常停在了“满意解”而不是“优化解”。

对控制系统设计来说，这其实是标准的命题：在给定的约束（超调上限、调节时间上限、控制量限幅）下，找到一组让综合性能最优的参数。手工做法是试错，GA做的就是显式求解这个最优化问题。GA适合的原因主要有三点：它对目标函数的连续可导没有要求，ITAE这类积分指标可以直接当适应度；实数编码的GA在参数数量不超过二三十个时收敛速度和稳定性都可接受；GA的种群机制让搜索结果不容易陷死在某个局部极值。

2.3 遗传算法切入角度：把整定变成最优化

GA模拟自然选择的框架放到ADRC整定里，对应关系很直接：一条染色体就是一组ADRC参数，比如[r, β01, β02, β03, b0, kp, kd]共7个基因；一个个体就是一套完整控制器；适应度函数就是仿真闭环后算出的综合指标，比如ITAE加上超调惩罚和控制量惩罚。种群经过选择、交叉、变异不断进化，优良参数组合被保留，变异算子负责防止搜索早期就陷入局部最优。

和粒子群（PSO）或差分进化（DE）相比，GA在这个场景下的优势是：维度不高时收敛稳健，且交叉算子能把不同参数块（观测器参数、控制律参数）之间的组合遗传下去，减少“一改全部推倒”的盲目性。缺点是收敛速度相对慢，一次仿真往往需要几秒到几十秒。因此实际工程中GA适合离线整定，也就是在仿真模型上先把参数整好，再搬到设备上做小范围细调。

还有一点要强调：GA整定出来的是“在搜索边界和适应度函数约束下的最优解”，不是数学意义上的全局最优。你给b0的搜索范围是[0.5, 10]，它就不会给你0.3或15。边界设定本质上就是你把工程经验输入算法的方式。搜索框画得准，GA收敛快；画得太宽，搜索结果可能包含工程上完全不能用的参数组合。这一点在第4章会重点展开。

3. 用MATLAB搭一套GA-ADRC联合仿真：从模型到主程序

3.1 整体架构：一个仿真函数加一个优化循环

落地时我的做法是不用Simulink，直接写纯m脚本的仿真函数加GA主程序。原因有两个：Simulink模型在循环里反复仿真时加载开销大，每次求解器配置不一致还会引入无关变量；纯脚本用固定步长欧拉法，逻辑透明，只要你能看懂离散方程就能复现。参数整定场景下，仿真精度要求是相对的——目的是比较参数好坏，而不是精确还原某个瞬态，固定步长完全够用。

整体结构分成两层。第一层是闭环仿真函数run_adrc，输入一组参数和对象信息，输出阶跃响应序列、控制量序列和性能指标。第二层是GA主程序ga_adrc_main，负责种群初始化、适应度计算、选择、交叉、变异和收敛判断。两层之间只通过参数向量和指标值传递数据，这样无论是换被控对象还是换适应度函数，整体结构都不需要改动。

function [y, u, score] = run_adrc(params, plant, sim_opt) % run_adrc: 在给定参数下完成一次闭环仿真 % params: ADRC参数向量，顺序固定为 [r, beta1, beta2, beta3, b0, kp, kd] % plant: 被控对象函数句柄 % sim_opt: 包含 Tfinal, h, ref, umax, init_state, warmup 的结构体

这种封装形式一旦固定下来，后续想把对象换成电机、温控回路或者机械臂关节，只需要替换plant句柄，GA部分完全不用动。这也是这类整定工具能沉淀成团队公共资产的原因。

3.2 被控对象与ADRC离散方程实现

先写一个二阶不确定对象。为了贴近工程，我给对象加了与实际参数相关的未建模非线性项，并假设名义b0和真实对象增益存在偏差。这样GA搜出来的参数才有意义——如果对象完全已知且无扰动，直接用带宽法参数化就够了，不必动用GA。

function dx = plant(t, x, u) % 被控对象：二阶非线性不确定系统 % x(1): 位置状态，x(2): 速度状态 % u: 控制输入 % 真实对象增益 b_truth = 2.5，名义 b0 用 2.0，故意留偏差 b_truth = 2.5; % f 模拟未建模动态：速度平方项 + 正弦扰动 f = 0.3 * x(2)^2 + 0.5 * sin(2 * t); dx = [x(2); f + b_truth * u]; end

这段代码里f的两项都是给GA的“考验”：如果ESO估计不准确，跟踪误差就会被放大。实际使用中把这类不确定项替换成自己对象的模型即可，比如摩擦力模型、迟滞模型或者负载力矩扰动模型。

接下来是ADRC本体。控制器放在一个循环里按固定步长离散推进，核心逻辑如下：

% ADRC控制器：线性TD + 线性ESO + 线性误差反馈 % 参数按顺序解包：r, beta1, beta2, beta3, b0, kp, kd r = p(1); beta1 = p(2); beta2 = p(3); beta3 = p(4); b0 = p(5); kp = p(6); kd = p(7); for k = 1:N % TD：对参考输入 v 做平滑跟踪，r 是跟踪速度 e_td = x1_td - v(k); x1_td = x1_td + h * x2_td; x2_td = x2_td + h * (-r^2 * e_td - 2 * r * x2_td); % ESO：z1 位置估计，z2 速度估计，z3 总扰动估计 e_eso = z1 - y(k); z1 = z1 + h * (z2 - beta1 * e_eso); z2 = z2 + h * (z3 - beta2 * e_eso + b0 * u(k)); z3 = z3 + h * (-beta3 * e_eso); % 误差反馈控制律 u0 = kp * (x1_td - z1) + kd * (x2_td - z2); u(k+1) = (u0 - z3) / b0; u(k+1) = max(min(u(k+1), u_max), -u_max); % 对象状态推进 x = x + h * [x(2); plant_func(x, u(k+1))]; y(k+1) = x(1); end

有几个关键点需要说明。TD的离散形式用二阶线性跟踪，收敛快、无高频振铃，适合和GA配合使用。ESO的三个增益beta直接对应连续形式中的观测器增益，h是控制周期，通常取0.001到0.01秒。特别要注意的是u(k)和y(k)的时序关系：当前控制量由上一时刻观测状态计算得到，对象状态用当前控制量推进，模拟的是数字控制器经典的一拍延迟，而不是在同一时刻互相依赖。

这个“一拍延迟”细节很值得强调。很多人的ADRC仿真在连续域里做，ESO的状态和对象状态同步更新，优化出来的参数看着漂亮，一旦搬到单片机离散代码里就出问题。原因是连续域忽略了一拍滞后，ESO和对象之间出现了额外的时延。所以要么就在固定步长离散域直接仿真，要么至少在循环里显式处理这个时序，否则GA整出来的参数到了真实控制器上基本不能用。

3.3 遗传算法主程序：选择、交叉、变异怎么落

GA主程序我用实数编码，避免二进制编码长度过长带来的搜索效率下降。整体流程：初始化种群，循环迭代，每一代计算适应度、执行锦标赛选择、模拟二进制交叉（SBX）、高斯变异。下面是一段可运行的骨架代码：

pop = lb + rand(popsize, dim) .* (ub - lb); % 初始化种群，dim=7 best_chrom = zeros(1, dim); best_fit = inf; for gen = 1:maxgen fits = zeros(popsize, 1); for i = 1:popsize [~, ~, fits(i)] = run_adrc(pop(i,:), plant_handle, sim_opt); end [current_best, idx] = min(fits); if current_best < best_fit best_fit = current_best; best_chrom = pop(idx, :); end new_pop = zeros(popsize, dim); for i = 1:2:popsize % 锦标赛选择：从3个候选里挑适应度最好的 p1 = tournament_select(pop, fits, 3); p2 = tournament_select(pop, fits, 3); % SBX交叉，eta_c 控制子代贴近父代的程度 [c1, c2] = sbx_crossover(p1, p2, eta_c, lb, ub); % 高斯变异，sigma 随代数衰减 sigma = sigma0 * (1 - gen / maxgen); c1 = gaussian_mutate(c1, sigma, lb, ub); c2 = gaussian_mutate(c2, sigma, lb, ub); new_pop(i,:) = c1; new_pop(i+1,:) = c2; end % 精英保留：历史最优个体直接进下一代 new_pop(1,:) = best_chrom; pop = new_pop; end

这里面有几个实现细节值得留意。锦标赛选择用3个候选者的规模，适合小种群，能保持足够的选择压力。SBX交叉的分布指数eta_c一般取15到20，控制子代和父代的相似程度，eta_c越小子代离父代越远，搜索越激进。高斯变异的标准差sigma我习惯初始设为搜索范围的5%到10%，并随代数线性衰减，这样前期探索充分、后期精细收敛。精英保留把历史最优个体放进下一代，保证适应度曲线单调下降。

一个容易被新手忽略的点：适应度计算时一定要在run_adrc里处理发散情况。如果仿真过程中状态发散，或者出现NaN，适应度应直接返回一个极大值，而不是让这个NaN渗进选择过程。否则两三代下来整个种群全被NaN污染，整个优化直接崩溃。

3.4 适应度函数设计：ITAE、超调与控制量三合一

适应度函数决定了GA往哪个方向进化，它比GA算子本身更值得花时间。我用三个指标组合成一个综合分数：

function score = fitness_from_sim(y, u, v, h, weights) % 输入：输出序列 y，控制量 u，参考 v，仿真步长 h % weights: [w1, w2, w3] 分别对应 ITAE、超调、控制量惩罚 t_vec = (0:length(y)-1) * h; % ITAE：时间加权绝对误差，突出稳态精度 itae = sum(t_vec .* abs(y - v)) * h; % 超调惩罚：输出峰值超过参考终值的部分 overshoot = max(0, max(y) - v(end)); % 控制量惩罚：用控制量变化量的积分抑制抖振 du = sum(abs(diff(u))) * h; score = weights(1) * itae + weights(2) * overshoot + weights(3) * du; end

权重的选择体现工程要求。现场最看重调节时间，w1给大；设备不允许超过某个限位，w2给大；执行机构磨损严重，w3必须给到0.5以上。我一般起始配置是[1, 1, 0.1]，因为ITAE本身已经对快速性和精度做了时间加权，超调作为硬约束倾向，控制量惩罚只用来压制抖振。

还有一个容易忽略的点是参考输入的形式。整定步进跟踪性能时，参考v用阶跃信号；但如果现场主要任务是斜坡跟踪或正弦跟踪，同一组参数会给出完全不同的最优解。GA整定的结果只对你设计的参考场景有效，换场景必须重新整定。这不是BUG，是控制问题本身的结构使然。

4. 参数边界与GA超参：所有系数怎么定、怎么改

4.1 ADRC参数边界：靠带宽法给GA画个搜索框

GA搜索边界是工程经验注入最多的地方。边界太宽，搜索空间指数膨胀，收敛慢，还可能搜出物理上不可实现的参数；边界太窄，直接漏掉最优解。我的做法是先用带宽参数化思想算一组基准值，再在基准值上下各扩5到10倍，得到搜索框。

具体来说，假设控制器带宽ωc取10 rad/s，观测器带宽ωo取40 rad/s，对于二阶线性ADRC，常用近似关系：β01≈3ωo=120，β02≈3ωo²=4800，β03≈ωo³=64000，kp≈ωc²=100，kd≈2ωc=20。按照“上下一到两个数量级”的原则，搜索边界可以设成：

这张表不是拍脑袋，而是把“工程直觉”编码成了一个搜索区间。尤其是b0，真实值是2.5，名义设定2.0，搜索范围给[0.5, 10]就足够宽，GA能自己找到接近真值的补偿系数。如果不给b0留出偏差空间，ESO再怎么调也补不齐模型误差。

需要提醒的是，β01、β02、β03之间天然存在量级耦合。有些做GA的人把三个增益完全独立搜索，结果算法经常跑到“β01很大但β02很小”的组合，观测器输出振荡。我的习惯是对β02和β03加和β01的关系约束，比如把β02下限设为β01²的四分之一、β03下限设为β01³的八分之一，这样搜索空间收缩到“准带宽型”区域，收敛速度肉眼可见地提升。

实际判断边界是否合理，可以看最优个体是否反复落在同一边界上。如果某个参数多次卡在边界，不是边界设窄了，就是适应度函数没有约束住这个参数，这两种情况处理方式完全不同，第5章会展开讲。

4.2 GA本身超参：种群、代数、交叉率、变异率

确定了ADRC参数边界后，GA自身的超参设置同样影响成败。我常用的配置如下。

种群规模popsize：30到50。7维参数空间不算大，30个个体够用；太小会早熟，太大会让每一代的仿真时间爆炸。最大代数maxgen：50到100。我习惯先跑50代看收敛曲线，如果适应度还在持续下降，就延长继续跑。交叉率：0.8到0.9，用SBX交叉，分布指数eta_c取15到20。变异率需要分两处看：一是单个基因位的变异概率，通常取0.1到0.2；二是变异强度sigma，即高斯扰动的标准差。

有个经验数值值得记住：种群规模乘以代数控制在2000到5000次仿真左右。对7维参数问题，这个计算量已经能稳定收敛到工程可用的解。如果超过5000次仿真还没收敛，优先怀疑适应度函数和搜索边界，而不是一味加大种群。

% 一组可直接使用的GA配置 popsize = 40; % 种群规模 maxgen = 60; % 最大代数 eta_c = 18; % SBX分布指数 pc = 0.85; % 交叉概率 sigma0 = 0.08; % 变异强度初始比例，相对搜索范围

交叉概率和变异强度在实数编码GA里是主要调节点。交叉概率太高会让搜索变成随机游走，太低则种群快速同质化。我的习惯是交叉率固定0.85，重点调变异强度的初始值和衰减速度。sigma0取0.08意味着最初变异幅度是搜索范围的8%，如果收敛太慢就提到0.12，如果后期参数抖得厉害就降到0.05。

4.3 一套能直接用的初始配置

把前面的选择汇总成一份完整配置，方便直接抄作业：

另外强烈建议在GA跑的同时记录每一代最优适应度曲线和最优参数的变动轨迹。这两条曲线能帮你判断两件事：适应度是否单调下降，参数是否稳定在某个区域。如果适应度不再下降但参数还在漂移，说明搜索空间里有个平坦谷底，此时手动收窄边界或加大变异强度更有效，而不是盲目增加代数。

5. 避坑清单：GA整定ADRC最容易踩的五个坑

5.1 现象：每次优化结果差异大，重复性差

代码没改，同一套配置跑两次GA，最优参数差30%以上，性能却差不多。比如某单轴伺服对象，b0真值2.5，GA跑出两组结果：一组kp约18、b0约2.1，另一组kp约25、b0约3.0，看阶跃响应几乎重合。这种情况的本质是适应度函数在参数空间里有一片宽阔的平坦区域，很多参数组合都对应相似性能。

原因：种群规模太小或代数不足，搜索没有充分压缩到单一最优区域。 解决：先把种群加到50，代数加到100，观察最优参数轨迹是否稳定。如果仍然漂移，把b0搜索范围收紧到真实对象增益附近，同时降低kd上界，缩小无效空间。工程兜底做法是用同一配置重复跑3次，取适应度最好的结果，三个结果互相印证也能判断搜索是否稳定。

5.2 现象：最优个体落在搜索边界上

优化结果里某个参数卡在边界上，比如b0一直停在10。这一步说明边界限制了搜索，要么最优解在边界外，要么适应度函数对这个参数不敏感。我曾经整定一个温控回路，b0撞在10这个上界，一开始以为是空间不够，把边界扩到20，结果GA又卡在20。查适应度各项才发现ITAE占了约99%的权重，控制量变化带来的代价几乎可以忽略，所以GA认为把b0推到极端也无所谓。

原因：搜索框画窄了，或者这个参数在特定适应度函数下缺乏约束力。 解决：先把卡边界的参数边界向两侧扩大两倍再跑。如果扩大后仍卡在新边界，就要检查适应度函数对该参数的惩罚力度。上面温控的例子就是把控制量惩罚权重从0.1提高到0.8后，b0收敛到了合理区间。记住：扩边界治标，调权重治本。

5.3 现象：仿真发散但GA照样输出

GA迭代过程中某条染色体对应的仿真发散，出现了NaN适应度，但种群没有把它淘汰，最后输出一份完全不可用的参数。具体路径往往是：某个个体把β03给到9e5，ESO的z3在几步内飙到1e8，被除进控制量后对象状态直接溢出，适应度变成NaN。不同MATLAB版本里NaN参与排序的行为还不一致，有的当极大值，有的直接干扰选择逻辑。

原因：run_adrc里缺少防御性检查，发散个体没有被正确处理。 解决：在run_adrc里对ESO的三个状态z1、z2、z3做饱和限幅，同时对控制量u做饱和。仿真结束时强制检查y序列，若存在NaN或inf，score直接返回1e10。只要做了这条，发散个体自然会被选择压力淘汰，不需要额外干预。

提示：ESO状态限幅的取值一般取对象状态量程的1.5到2倍。限幅太松起不到保护作用，太紧会把观测器收敛过程截断。

5.4 现象：ITAE很小但控制量疯狂抖振

搜索结果输出很漂亮，ITAE低得惊人，但u的曲线像锯齿一样反复切换。一个典型的抖振解是ITAE等于0.012，但控制量变化率峰值超过2000/s，现场电机电流保护直接跳闸。这就是适应度函数设计有漏洞的典型表现。

原因：适应度函数只计算了跟踪误差，没有约束控制量的变化率。GA发现高频抖动的控制量可以把误差压到极小，便钻了这个空子。 解决：加大控制量惩罚权重，把w3从0.1提到0.6甚至1.0，或者改为对控制量的高频分量单独惩罚。另一个更治本的办法是在仿真里给执行机构加变化率限幅，让算法从一开始就面对真实的物理约束。把w3调到0.6后，ITAE略微上升到0.018，但最大变化率降到200/s以内，这才是能落地的结果。

5.5 现象：ESO初始冲击导致适应度虚高

仿真刚开始的前0.1秒，ESO状态从0开始跟踪真实状态，会产生很大的初始误差。ITAE的积分把这短暂但剧烈的误差算进去，优化结果被这段初始冲击主导，整定出来的参数倾向于“快速压住初始误差”而不是“稳态调节优秀”。

原因：控制器在仿真起始时刻状态未初始化到工作点，ESO不可能从0立刻跟上。 解决：适应度积分从0.2秒之后开始，或在仿真里加预热段：先让对象在开环状态下运行一段，再切入闭环控制。run_adrc里增加warmup参数，适应度计算时直接从对应下标开始，这样GA评估的是稳态工作点附近的调节能力。预热时间我一般取0.5到1秒，足够让ESO在恒定控制量下先收敛。

6. 进阶：从离线整定走向在线自适应

6.1 多目标处理思路

前面用加权和把超调、ITAE、控制量合成一个目标，优点是简单，缺点是权重难定。更进阶的做法是转成多目标优化，比如引入NSGA-II的思路，直接保留一个Pareto前沿。你可以直观看到“调节时间最短的方案”与“控制量最温和的方案”之间的权衡曲线，再根据现场实际接受度选点。在MATLAB里实现起来不算复杂，适应度函数返回三个标量，把非支配排序和拥挤度距离替换掉原来的锦标赛选择即可。代价是计算量几乎翻倍，但换来的是对目标权衡的更深入理解。

6.2 用增量式GA做在线整定的前提与限制

真正在线调整ADRC参数，工程上受限于计算时间。我的做法是维持离线搜出的参数不动，在线只微调b0和ESO的β01。滑动窗口实时统计扰动估计值的变化，当窗口数据积累到一定量级、且统计特性偏移超过阈值时，才触发一次小规模GA重搜。重搜时把当前参数写进初始种群作为精英个体，这样既用了GA的全局搜索能力，又避免每个控制周期都跑优化。

这种方案有一个硬前提：被控对象参数变化不能太快，至少要慢于一次重搜的计算时间。如果设备工况在秒级剧烈变化，GA整定就不再适用，应该改回自抗扰里的带宽自适应或增益调度那一类方法。这也是我反复强调GA适合离线整定的原因——它是设计工具，不是实时运行库。

最后说一个我自己工作里的习惯：每次用GA整定完一组ADRC参数，我会顺手把适应度函数的各个分项数值、搜索边界、GA超参连同最终参数一起存成一份配置记录。三个月后设备改造，翻出当时的记录，能很快复现整套环境。这个习惯帮我避免了很多“明明当年调得挺好，现在怎么复现不出来”的尴尬。希望帮到你。

本文还有配套的精品资源，点击获取