状态空间模型参数矩阵； A为离散状态空间模型系统矩阵 C为离散状态空间模型输出矩阵 T为积分变量， Bs为离散化后系统的参数矩阵， Bd为离散化后系统的参数矩阵， Ts为采样时间，Ts为0.1 s~1.2s，e为自然常数，k为离散系统的时刻； 步骤一四、给出如下定义： Ax 化）=X 化)-x 化-1) ASs(k) =Ss 化)-Ss(^k-I) Ad(k) =d(k)-(Kk-l) AM ?)为UUV控制输入水平舱角增量； AcK ?)为系统不确定因素及外界扰动增量； Ax( ?)为离散的状态变量增量； 5s( ?)为UUV控制输入水平舱角， x( ?)为离散的状态变量， y( ?)为UUV下潜的深度， d( ?)系统不确定因素和外界扰动 通过离散系统整理获得欠驱动UUV增量型的垂直面预测模型： +1)二 Alxr(A) +W + ",,ZW(A) _>'(点)=(心-(皮)+的克_；1) (3) 其中，y( ?)为UUV下潜的深度。3. 根据权利要求2所述一种基于人工蜂群优化的约束模型预测的欠驱动UUV深度控制 方法，其特征在于:步骤一=中的Ts为0.5s。4. 根据权利要求3所述一种基于人工蜂群优化的约束模型预测的欠驱动UUV深度控制 方法，其特征在于:步骤二中将水平舱角的控制输入约束具体为： ^ (>+/')如、、xw，'=&l，..V'，' - l ,、 (4) A《備 < (A+/)含 A《僅，/ = 0,.，放-1 . Ss化+i)为第k+i时刻水平舱角； SsMIN为Ss化+i)中舱角最小值； SsMAX为Ss化+i)中舱角最大值； A Ss化+i)为第k+i时刻水平舱角的增量； ASsMIN为ASs化+i)中水平舱角增量的最小值； ASsMM为ASs化+i)中水平舱角增量的最大值； m为控制时域； 将公式(4)中表示的约束条件转换为：进一步 表示为： HAlKkH 丫 (6) //?,,>〇?。为单位矩阵，。。为控制输入维数，11。二1，/;，,,><?"=1。5.根据权利要求4所述一种基于人工蜂群优化的约束模型预测的欠驱动UUV深度控制 方法，其特征在于:步骤S中根据步骤一得到的欠驱动UUV增量型的垂直面预测模型和步骤 二得到的水平舱角的控制输入约束条件通过模型预测控制将UUV深度控制问题转化为约束 条件下的二次规划问题具体过程为： (1) 、根据式(3)所示增量型的垂直面预测模型预测的P步系统输出，由系统预测输出所 构成的向量和m步控制输入序列构成的向量为：其中，Yp( ?)为预测输出矩阵，下角标P为预测时域； (2) 、将系统预测输出进一步表示为： Yp 化+11 k) =SxAx(k)+Iy(k)+SdAd(k)+SsAU(k) (7) 其中 式中，Sx为状态变量Ax化)系数矩阵； I为UUV下潜深度y化)系数矩阵； Sd为系统不确定因素及外界扰动增量AcKk)系数矩阵； Ss为控制输入水平舱角增量序列AlKk)系数矩阵； (3) 、设UUV给定控制输出参考序列，即UUV下潜的深度R化+1 )，如下式所示： R化+l) = [r化+1) r化巧）...r化+p)]T R( ?)为P步控制输出参考序列，r( ?)为R( ?)中每一步的控制输出参考序列； (4) 、根据MPC算法的特点，引入目标函数： J(AU(k))=M Ty(Yp 化+l|k)-R 化+1)川2+| I rsAU(k)||2 (6) 其中，Ty和Ts是对称正定加权矩阵，并给出如下定义： 厂 y = di 曰邑{厂 y,l,厂 y,2,'.'，厂 y,p}pXp 厂 5 = dia邑{厂 5,1,厂 5,2,。'，厂 巧）、定义Ep化+11 k) =R化+l)-SxAx化)-Iy化)-SdA(Kk)，则目标函数表示为： J(AU(k)) = AU(k)THAU(k)-G 化+l|k)TAU(k) (7) 其中巧=+巧r,，G(A+11巧=2巧巧r,怎声+1片； H、Ep( ?)和G( ?)为中间变量； (6)、将UUV的深度控制问题转化为二次规划问题进行求解，即有约束二次规划问题为： min J{AU(k)) 化脚 (8) St h{M/{k))<0 其中 J(AU(k)) = AU(k)THAU(k)-G 化+l|k)TAU(k)，h(AU(k))=HAU(k)-丫。6.根据权利要求5所述一种基于人工蜂群优化的约束模型预测的欠驱动UUV深度控制 方法，其特征在于:步骤四中利用基于罚函数的人工蜂群优化算法求解约束条件下的二次 规划问题，求得蜜源的全局最优位置，即xbest=[ASs化），AWk+l)，一，ASsA+m-l)]% UUV水平舱角控制输入增量序列AlKk)具体为： 步骤四一、应用人工蜂群算法，引入惩罚函数法，将带有约束条件的优化问题转换成无 约束的优化问题； (1) 、针对式(8)所描述的约束优化问题，建立如下罚函数7^(么6/(；〇)^及增广目标函数 F(AU(k),〇)： 列 W) = [max{〇，A(M/(A))}J (巧 /.' (/ (点)，仿、)=./(A WA'V) + 巧户(Ar''(足)） (14) 其中，O为罚因子； (2) 、当AU(k)在约束域即满足h(AU(k))<0时，max{0，h(AU化））}=0，此时有F(AU 化），〇)=J(AU(k)); (3) 当 AU(k)在约束域外时，max{0，h(AU(k))}=h(AU(k))，此时有 /,'(心/(足).〇) = .^AfW)) +打列A'/(>)): /)-(?);为罚函数，F(.)为增广目标函数； (4) 、则式(8)的带有约束条件的优化问题转化为如下无约束的优化问题： 巧打叫'^(*)，。) （I^ 步骤四二、采用人工蜂群优化算法求解式(15)所示的二次规划问题； 设在d维空间里，人工蜂群优化方法取AU作为蜜源地址，即第1个蜜源位置记为Xi = (XII，X12，.. ?，Xid);将SN个蜜源与采蜜蜂初始位置--对应，则2 X SN个蜜源中每一个解的适 应度值按下式求得： l/{\+,f-)j>o 的二 \\+u唱 J,<Q 川） 其中，fiti代表第1个蜜源的适应度，AlKk)为UUV水平舱角控制输入增量序列； abs( ?)为绝对值函数;人工蜂群种群包括采蜜蜂、观察蜂和侦查蜂，Xid为第1个蜜源位 置中第d个分量;人工蜂群的数目为2 X SN,采蜜蜂和观察蜂均为SN; 2 X SN个人工蜂群蜜源 包括SN个采蜜蜂蜜源和SN个观察蜂蜜源；1 = 1，2,3,…，2X SN ;2X SN为人工蜂群蜜源的总 个数； 步骤四=、设置人工蜂群优化方法迭代求解二次规划问题的次数为切Cle = I; 步骤四四、当执行第n= 1次步骤一到步骤六时，将步骤四二中2 X SN个初始解的适应度 值最大的解记为全局最优初始解Xbest;当执行第n〉l次步骤S到步骤六时，取n-1次步骤五 中AlKk)剩余的m-1步控制输入分量作为人工蜂群全局最优位置的全局最优初始解，即： xbest=[ASs(；k+l)ASs(；k+m-l), ASs(；k+m-l)]; 步骤四五、在ABC优化算法捜索最优蜜源的过程中，采蜜蜂根据式(9)捜索新的采蜜蜂 蜜源： Vi j = xij+ri (Xi广Xhj) +r2 (Xbest,广 Xi j) (9) 其中，h是一个随机产生的整数，hei，2，...，SN，h辛1〇￡1，2，...，(1^1￡[-1，1]也是一 个随机数，T2 E [0,1] ,Xbest, j为全局最优解的第j个元素;Vlj第1个采蜜蜂蜜源位置中第j个 分量的更新值;XU第1个采蜜蜂蜜源位置中第j个分量;XW第h个采蜜蜂蜜源位置中第j个分 量； 按式（11)求解新采蜜蜂蜜源的适应度值，在新采蜜蜂蜜源的适应度值和步骤四二采蜜 蜂的适应度值之间实施贪婪选择，若新采蜜蜂蜜源适应度值比步骤四二采蜜蜂的适应度值 大，则第1个蜜源位置中第j个分量根据式(9)求得更新值VU，否则，保留步骤四二采蜜蜂蜜 源； 步骤四六、在步骤四五得到采蜜蜂蜜源的位置上，观察蜂按轮盘赌方法W选择概率Pi对 采蜜蜂的蜜源进行选择得到观察蜂的蜜源;其中概率Pi具体为：(10) 根据观察蜂的蜜源按式(9)捜索新的观察峰蜜源，并按式（11)求出新的观察峰蜜源的 适应度值和观察蜂的蜜源适应度值，在新的观察峰蜜源的适应度值和观察蜂的蜜源的适应 度值之间实施贪婪选择，若新的观察峰蜜源的适应度值比观察蜂的蜜源的适应度值大，贝U 第1个蜜源位置中第j个分量为根据式(9)求得更新值VU，否则，保留观察峰蜜源的位置； 步骤四屯、将步骤四五得到的最终的采蜜蜂蜜源适应度值和步骤四六得到的最终的观 察峰蜜源的适应度值进行比较得到适应度值最大的蜜源作为全局最优解Xbest;若此Xbest对 应的最大适应度值在0.998~1.002之间，则输出全局最优解Xbest作为最终全局最优解，若 此Xbest对应的最大适应度值不在0.98~1.02之间，该全局最优解Xbest作为当前全局最优解， 同时将采蜜蜂蜜源转至步骤四八； 步骤四八、如果采蜜蜂的蜜源连续经过5~20次的步骤四一到四屯后，即该蜜源所对应 的适应度值在所有采蜜蜂中不是最大，且两次相邻的数值变化在-0.0 Ol~0.0 Ol之间，那么 采蜜蜂将会丢弃此处蜜源，并将采蜜蜂转变为侦查蜂，并根据式（12)随机产生侦查蜂的蜜 源： Xij = A5sMiN+rand(0,1)( A5smax-A5smin) (12) 其中，ASsMIN为变量XU的下边界;ASsMM为变量XU的上边界； 侦查蜂的蜜源添加到丢弃后的采蜜蜂的蜜源中得到最终的采蜜蜂的蜜源并转至步骤 四九； 步骤四九、切Cle =切cle+1，如果切Cle小于设定次数500,将最终的采蜜蜂的蜜源转步 骤四五；反之，如果切Cle大于等于设定次数500,输出全局最优解Xbest作为最终全局最优 解。
【专利摘要】一种基于人工蜂群优化的模型预测的欠驱动UUV深度控制方法，本发明涉及欠驱动UUV深度控制方法。本发明是要解决存在复杂水平舵角约束条件时UUV深度控制问题，而提出的一种基于人工蜂群优化的模型预测的欠驱动UUV深度控制方法。该方法是通过一、得到欠驱动UUV增量型的垂直面预测模型；二、将水平舵角的控制输入约束条件统一处理为:H△U(k)≤γ；三、通过模型预测控制将UUV深度控制问题转化为约束条件下的二次规划问题；四、求得蜜源的全局最优位置，五、得到k时刻的控制输入；六、确保UUV达到指定UUV下潜的深度R(k+1)完成下潜作业等步骤实现的。本发明应用于UUV深度控制领域。
【IPC分类】G05D1/04
【公开号】CN105511480
【申请号】CN201610104499
【发明人】张伟, 郭毅, 梁志成, 孟德涛, 周佳加, 张宏瀚, 严浙平
【申请人】哈尔滨工程大学
【公开日】2016年4月20日
【申请日】2016年2月25日