本发明涉及飞行器设计领域，更具体的说是涉及一种人工智能程序员书写数字飞行器源代码的聚类决策方法。
背景技术：
飞行器设计与研制过程中，为了保证飞行器最终应用的高可靠性，在设计中需要大量采用现有设计的主流方法，并且需要进行仿真验证与地面试验。其中有一些地面试验不能完全的反映飞行器真实在轨工作状况，而且成本高昂，因此受到了限制。
数字飞行器仿真验证没有环境条件的限制，而且只要模型建立足够精确，就能够较好的模拟出飞行器的工作状况，因此仿真验证方法在飞行器设计中得到了广泛的应用，并且飞行器数值仿真已经用于飞行器设计的验证。
在数字飞行器搭建的过程中，需要编写大量的源代码，工作量大。目前基本依靠人来完成源代码中一系列问题的决策。人工编写代码费时费力，使用人工智能程序员来替代人书写数字飞行器源代码，可以根据飞行器的具体设计情况，自主编写飞行器仿真模型的源代码，并对模型中模块的选择进行决策，将人从繁重的数字飞行器源代码编写过程中解放出来。
因此，如何提供一种利用人工智能程序员自主书写数字飞行器源代码的聚类决策方法是本领域技术人员亟需解决的问题。
技术实现要素：
有鉴于此，本发明提供了一种人工智能程序员书写数字飞行器源代码的聚类决策方法，本发明克服现有技术的不足，使用人工智能程序员替代人进行数字飞行器源代码书写，对书写过程中遇到的代码的编写、飞行器模型中模块的选择等问题，可以依据聚类得到的一类问题的解决方案进行自主决策，提高了编写效率，降低了飞行器仿真成本。
为了达到上述目的，本发明采用如下技术方案：
一种人工智能程序员书写数字飞行器源代码的聚类决策方法，所述方法包括以下步骤：
步骤一，收集数字飞行器的目标样本，所述目标样本包括目标元素集和飞行器部件模型决策集；将所述目标元素集和所述飞行器部件模型决策集一一对应存储至目标样本数据库；
步骤二，提取步骤一中目标元素集中每个目标元素的特征向量；
步骤三，对步骤二中的特征向量进行聚类，利用多种聚类方法依次执行聚类操作，形成对应多个聚类结果，并对所述聚类结果进行评分，选择评分最高的聚类结果作为所述目标元素集的最优聚类结果；计算最优聚类结果中各个类的聚类中心，各个类的聚类中心为该类中所有特征向量的质心；
步骤四，统计最优聚类结果中每个类的目标元素对应的飞行器部件模型，选择对应关系数量最多的控制方法作为目标部件模型；
步骤五，获取待决策目标，将所述待决策目标归入最接近的类中，并调用所述类的目标部件模型。
优选的，在上述人工智能程序员书写数字飞行器源代码的聚类决策方法中，所述步骤一具体包括，
(1)收集目标样本的方法包括计算机自动收集与人工收集；
(2)将目标元素集中的目标元素和控制方法决策集中的飞行器部件模型一一对应匹配，存储至计算机文件中，所述存储方式包括但不限于数据库文件，Excel文件，文本文件；所述目标元素和控制方法均为若干个。
优选的，在上述人工智能程序员书写数字飞行器源代码的聚类决策方法中，在所述步骤二中，
所述目标元素包括若干数据对象，特征向量由若干个所述数据对象的属性值构成。
优选的，在上述人工智能程序员书写数字飞行器源代码的聚类决策方法中，所述步骤三具体包括，
(1)将特征向量利用m种聚类算法依次执行聚类操作，形成m种聚类结果；
(2)使用至少两种评分方法对每种聚类结果进行评分，将每种聚类结果的不同评分方法的评分加权求和，每一个聚类结果对应一个评分，选择评分最高的一个聚类结果作为目标元素集的最优聚类结果；所述最优聚类结果包括若干个类，每一类包括若干个目标元素，并计算每一类的聚类中心。
优选的，在上述人工智能程序员书写数字飞行器源代码的聚类决策方法中，所述步骤三中的聚类方法包括但不限于K-means聚类算法、层次聚类算法、SOM聚类算法、FCM聚类算法。
优选的，在上述人工智能程序员书写数字飞行器源代码的聚类决策方法中，所述步骤三中的评分方法包括但不限于purity算法、RI算法、F值算法。
优选的，在上述人工智能程序员书写数字飞行器源代码的聚类决策方法中，所述步骤五具体包括：
按照步骤二的方法提取出所述待决策目标的特征向量，然后计算待决策目标的特征向量与所有聚类中心的距离，并将所述待决策目标划分到距离最近的聚类中心对应的类中，在样本数据库中查找对应的目标部件模型。
优选的，在上述人工智能程序员书写数字飞行器源代码的聚类决策方法中，计算待决策目标的特征向量与所有聚类中心的距离的方法是：聚类中心的向量与待决策目标的特征向量相减，计算相减后所得向量的2范数。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种人工智能程序员书写数字飞行器源代码的聚类决策方法，使用人工智能程序员来替代人书写数字飞行器源代码可以根据任务要求自主编写数字飞行器源代码，并且自主决策源代码书写中代码的编写、飞行器模型中模块的选择等问题，将人从繁重的数字飞行器源代码编写过程中解放出来。本发明具体通过对目标样本集与控制方法决策集建立对应关系，并进行聚类和评分，获得最优聚类结果及其对应的目标部件模型；通过各类的聚类中心对待决策目标进行决策划分，以此查找对应的目标部件模型，合理地完成数字飞行器源代码的聚类决策，实现了数字飞行器源代码书写的自动化与智能化，降低了飞行器的仿真成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1附图为本发明构建聚类决策系统的流程示意图；
图2附图为本发明人工智能程序员书写数字飞行器源代码的聚类决策方法的整体流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供了一种人工智能程序员书写数字飞行器源代码的聚类决策方法，本发明克服现有技术的不足，使用人工智能程序员替代人进行数字飞行器源代码书写，对书写过程中遇到的代码的编写、飞行器模型中模块的选择等问题，可以依据之前通过聚类得到的一类问题的解决方案进行自主决策，提高了编写效率，降低了飞行器仿真成本。
请参阅图1，图1为本发明构建聚类决策系统的流程示意图。在此基础上，图2给出了人工智能程序员书写数字飞行器源代码的聚类决策方法的整体流程示意图。本发明人工智能程序员书写数字飞行器源代码的聚类决策方法具体包括以下步骤：
步骤S101：收集数字飞行器的目标样本，目标样本包括目标元素集和飞行器部件模型决策集；将目标元素集和飞行器部件模型决策集一一对应存储至目标样本数据库；
具体执行方法：(1)收集目标样本的方法包括计算机自动收集与人工收集；
(2)将目标元素集中的目标元素和飞行器部件模型决策集中的飞行器部件模型一一对应匹配，存储至计算机文件中，存储方式包括但不限于数据库文件，Excel文件，文本文件；目标元素和控制方法均为若干个。
数字飞行器设计中目标元素的数据对象包括：
1、轨道选择：低中高轨，太阳同步，地球静止，冻结轨道，星座；
2、轨道递推：二体，J2，J4，HPOP；
3、主承力结构选择：非返回式飞行器(中心承力筒、箱式、桁架式承力结构)；返回式飞行器；
4、稳定方式：重力梯度稳定、自旋稳定、三轴稳定(整星零动量，偏置动量)；
5、姿态控制算法选择：PID、滑模自适应、智能控制；
6、敏感器选择：太阳敏感器、地球敏感器、星敏感器、磁强计、GPS、陀螺；
7、敏感器安装位置与数量
8、姿态控制执行机构的选择：精密轮、动量轮、控制力矩陀螺、推力器、磁力矩器；
9、动量轮选用与构型：金字塔构型，三正装一斜装；
10、控制力矩陀螺选用及其构型：单框架、双框架；定速、变速；金字塔构型、平行构型、五棱锥构型；
11、推力器选用：10N推力器、490N推力器，及其构型；
12、电源系统设计：太阳帆板选用(种类，效率，面积)、电池种类、电池容量、充放电深度；
13、太阳帆板安装方式：体装式、展开式；
14、热控系统设计：被动热控(表面涂层、隔热层)；主动热控(热管、散热窗口、加热器)；
15、测控系统设计：转发器选用(数量)、天线(全向、定向)、通信频段(C、S、Ku、Ka)；
16、有效载荷选择：可见光相机、红外相机、微波遥感器、SAR、通信、科学探测设备。
目标元素集是人在书写计算机程序源代码时，做出决策的依据与需要做出决策的内容，例如：选择对地观测卫星轨道高度(500km)、太阳帆板面积(4m2)、光学相机分辨率(1m)。在此条件下书写控制力矩陀螺部件的源代码。
飞行器部件模型决策集是依据目标元素做出的决策，与上面的具体数据对象对应，例如：为控制力矩陀螺选用“含有轴承与电机等元件级模型的动力学解算方法”；
除控制力矩陀螺这一个部件之外，对于动量轮，蓄电池，太阳帆板，充液储箱等其它部件的模型也采用类似的决策方法。
步骤S101通过计算机自主在互联网上搜寻样本，或计算机阅读指定文献，或人工输入样本来实现，将遇到的目标元素与飞行器部件模型以字符串的形式对应存储在样本数据库的表格中。将意义相同但是名称不同的解决方案用统一的字符串或者ID替换。
步骤S102：提取S101中目标元素集中每个目标元素的特征向量；所述目标元素包括若干数据对象，特征向量由若干个所述数据对象的属性值构成。
特征向量中数据对象的个数是特征的数目，特征向量中每个数据对象的属性值用来表征该特征。
例如：
设样本总数为N。
样本1的目标元素：飞行器轨道半长轴为a1，飞行器总质量为M1，飞行器三轴转动惯量分别为J1x、J1y、J1z，飞行器能提供给控制力矩陀螺的最大电功率为P1，控制力矩陀螺构型为K1。
样本1的飞行器部件模型：为具体函数，使用的语言包括但不限于C、C++、C#、Java、prolog，函数中采用，例如仅依赖运动量的理想模型动力学解算方法，记作方法1。
提取样本1中的目标元素的特征向量为：
S1＝(a1，M1，J1x，J1y，J1z，P1，K1)
样本2中的目标元素的特征向量为：
S2＝(a2，M2，J2x，J2y，J2z，P2，K2)
样本2的飞行器部件模型采用的是含有轴承与电机等元件级模型的动力学解算方法，记作方法2。
样本i的目标元素的特征向量记作：
Si＝(ai，Mi，Jix，Jiy，Jiz，Pi，Ki)，i＝1...N
每一个样本经过步骤S102的处理之后，输出样本对应的目标元素的特征向量。
步骤S103：对步骤S102中的特征向量进行聚类，利用多种聚类方法依次执行聚类操作，形成对应多个聚类结果，并对所述聚类结果进行评分，选择评分最高的聚类结果作为所述目标元素集的最优聚类结果；计算最优聚类结果的聚类中心；
具体执行方法：(1)将特征向量利用m种聚类算法依次执行聚类操作，形成m种聚类结果；
(2)使用至少两种评分方法对每种聚类结果进行评分，将每种聚类结果的不同评分方法的评分加权求和，每一个聚类结果对应一个评分，选择评分最高的一个聚类结果作为目标元素集的最优聚类结果；所述最优聚类结果包括若干个类，每一类包括若干个目标元素，并计算每一类的聚类中心。
采用聚类方法，对所有N个样本中目标元素的特征向量进行聚类。聚类方法数目为m，包括但不限于K-means聚类算法、层次聚类算法、SOM聚类算法、FCM聚类算法，其中m大于1。
聚类方法的输出是目标元素聚合形成的多个类，每个类的聚类中心，以及每个类中包含的具体数据对象。
聚类中心用一个向量表示：
C＝(ac，Mc，Jcx，Jcy，Jcz，Pc，Kc)
下面举例说明聚类的过程：
将步骤S102中所有目标元素集的特征向量利用上述m种聚类方法依次执行聚类操作，形成m个聚类结果。
通过n种聚类结果评分方法对以上m个聚类结果进行评分，评分方法包括但不限于purity算法、RI算法、F值算法。将每种聚类结果的不同评分方法的评分加权求和，由于每一个聚类结果对应一个评分，共得到m个评分。选择评分最高的一个聚类结果作为目标元素的最优聚类结果。
步骤S103的输出为目标元素的最优聚类结果，当共分为L类时，第i类的聚类中心表示为：
步骤S104：统计最优聚类结果中每个类的目标元素对应的飞行器部件模型，选择对应关系数量最多的飞行器部件模型作为目标部件模型；
例如，在步骤S103聚类后得到的L类的第i类中，有20个目标元素选用方法1完成飞行器部件模型决策，有4个目标元素采用方法2完成飞行器部件模型决策，有1个目标元素采用方法3完成飞行器部件模型决策。则人工智能程序员自动选择方法1为目标部件模型。
将方法1存储到样本数据库中，与第i类对应起来，作为该类的目标部件模型。
步骤S105：获取待决策目标，将所述待决策目标归入最接近的类中，并调用所述类的目标部件模型；
首先按步骤S102的方法提取出目标元素的特征向量，然后计算特征向量与所有聚类中心的距离，人工智能程序员根据距离最近的聚类中心将该目标元素划分到该聚类中心对应的类中，在样本数据库中查找到该类目标元素的目标部件模型，用以解决当前问题。
计算特征向量与聚类中心的距离的方法是：聚类中心的向量与待决策目标的特征向量相减，计算相减后所得向量的2范数。
在上述例子中，当前需要解决的问题的“特征向量”为：
SN+1＝(aN+1,MN+1，JN+1 x，JN+1 y，JN+1 z,PN+1，KN+1)
计算得知该特征向量与聚类中心的距离最近，则认为该待决策目标属于该聚类中心对应的目标元素。
因此采用该类目标元素的目标部件模型解决该问题，即方法1。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。