改进直接打靶法和自适应遗传算法相结合的弹道优化方法与流程

文档序号:33562187发布日期:2023-03-22 15:42阅读:127来源:国知局
改进直接打靶法和自适应遗传算法相结合的弹道优化方法与流程

1.本发明涉及飞行器弹道优化领域,尤其涉及一种改进直接打靶法和自适应遗传算法相结合的弹道优化方法。


背景技术:

2.高马赫数飞行器准平衡飞行段弹道优化问题是目前研究的热点。高马赫数飞行器准平衡飞行过程中不仅要考虑动压、过载、热流率等约束限制,还需要对多禁飞区(自然环境、政治军事因素形成的)进行规避。现有针对禁飞区的研究成果相对较浅,主要通过弹道优化或设计横向制导逻辑规避禁飞区。
3.在弹道优化方面,高马赫数飞行器准平衡飞行段弹道优化问题具有较高的非线性和复杂度,经典变分法和pontryagin极小值原理难以高效求得最优解,因此通常用直接法进行求解。直接打靶法是直接法中典型的代表方法,其通过离散控制变量,将最优控制问题转化为非线性规划问题,具有通用性好、易实现等优点。但直接打靶法的收敛性能依赖于终端时刻和控制量初末时刻猜想值,在工程实际应用中初值难以预估,需要进行相应的改进。在横向制导逻辑方面,方法主要包括触角法、倾侧角符号反转法、人工势场法等,其通过在线设计制导策略来规避禁飞区,但并未考虑终端时刻性能指标的最优性(如最远航程等)。


技术实现要素:

4.本发明的目的就在于为了解决上述问题设计了一种改进直接打靶法和自适应遗传算法相结合的弹道优化方法。
5.本发明通过以下技术方案来实现上述目的:
6.改进直接打靶法和自适应遗传算法相结合的弹道优化方法,包括:
7.s1、忽略地球自转以及曲率影响,将地球假设为平面,分别在弹道坐标系和地面坐标系建立动力学方程和运动学方程,得到3自由度高马赫数飞行器质心运动方程组简化模型,质心运动方程组简化模型为:
[0008][0009]
式中:v(t)为飞行器速度,θ(t)和ψv(t)分别为弹道倾角和弹道偏角;y(t)为高度,x(t)和z(t)分别为纵程和横程;m(t)为飞行器质量,g为重力加速度,α(t)为攻角,γv(t)为
速度倾斜角;αb为平衡攻角,βb为平衡侧滑角;yb和zb分别为αb、βb所对应的平衡升力和平衡侧向力,x为阻力,计算表达式如下:
[0010][0011]
式中c
x
、cy为阻力系数和升力系数,q=0.5*ρ*v2,其中ρ为高马赫数飞行器所处高度的空气密度,s为飞行器参考面积;
[0012]
s2、确定准平衡飞行段飞行过程中所受的约束条件以及目标函数,并将弹道优化问题描述为在满足质心运动方程组简化模型和约束条件下,寻找控制量攻角α和速度倾斜角γv最优时间序列使得目标函数最小的标准动态最优控制问题,约束条件包括控制量约束、过程约束和到达目的地的终端约束;
[0013]
s3、利用改进直接打靶法将标准动态最优控制问题转化为非线性规划问题;
[0014]
s4、在控制量约束范围内构造控制量攻角α和速度倾斜角γv数据集,将初始状态x0作为输入,将控制量初末时刻值一并纳入优化设计变量,利用自适应遗传算法优化改进直接打靶法中离散点处的控制量,并通过三次样条插值对控制量-时间历程平滑处理,以终端约束中单调变化量(如速度)为判断条件,基于四阶龙格库塔法(runge-kutta)进行数值积分,经过若干次迭代计算出最优控制u
*
,同时可以得到状态变量曲线最优轨迹x
*

[0015]
本发明的有益效果在于:在控制约束范围内构造控制量数据集,将控制量初末时刻值和终端时刻纳入优化设计变量,利用改进直接打靶法使以最远航程为目标函数,满足控制约束、过程约束、终端约束的动态最优控制问题参数化为非线性规划问题。在此基础上借助自适应遗传算法对控制量参数进行全局寻优,通过三次样条插值对控制量-时间历程平滑处理,利用四阶龙格库塔法进行数值积分,以此得到符合条件的理想弹道。
附图说明
[0016]
图1是本发明改进直接打靶法和自适应遗传算法相结合的弹道优化方法中改进直接打靶法求解思路;
[0017]
图2是本发明改进直接打靶法和自适应遗传算法相结合的弹道优化方法中自适应遗传算法流程图;
[0018]
图3以最远纵向航程为目标的弹道优化问题中,进行仿真的最佳适应度变化曲线;
[0019]
图4以最远纵向航程为目标的弹道优化问题中,进行仿真的速度变化曲线;
[0020]
图5以最远纵向航程为目标的弹道优化问题中,进行仿真的弹道倾角变化曲线;
[0021]
图6以最远纵向航程为目标的弹道优化问题中,进行仿真的弹道偏角变化曲线;
[0022]
图7以最远纵向航程为目标的弹道优化问题中,进行仿真的纵程变化曲线;
[0023]
图8以最远纵向航程为目标的弹道优化问题中,进行仿真的高度变化曲线;
[0024]
图9以最远纵向航程为目标的弹道优化问题中,进行仿真的横程变化曲线;
[0025]
图10以最远纵向航程为目标的弹道优化问题中,进行仿真的攻角变化曲线;
[0026]
图11以最远纵向航程为目标的弹道优化问题中,进行仿真的速度倾斜角变化曲线;
[0027]
图12以最远纵向航程为目标的弹道优化问题中,进行仿真的高度—纵程变化曲线;
[0028]
图13以最远纵向航程为目标的弹道优化问题中,进行仿真的热流率变化曲线;
[0029]
图14以最远纵向航程为目标的弹道优化问题中,进行仿真的动压变化曲线;
[0030]
图15以最远纵向航程为目标的弹道优化问题中,进行仿真的过载变化曲线;
[0031]
图16以最远纵向航程为目标的弹道优化问题中,进行仿真的规避禁飞区俯视图;
[0032]
图17以最远纵向航程为目标的弹道优化问题中,进行仿真的规避禁飞区三维立体图;
[0033]
图18以最远横向航程为目标的弹道优化问题中,进行仿真的最佳适应度变化曲线;
[0034]
图19以最远横向航程为目标的弹道优化问题中,进行仿真的速度变化曲线;
[0035]
图20以最远横向航程为目标的弹道优化问题中,进行仿真的弹道倾角变化曲线;
[0036]
图21以最远横向航程为目标的弹道优化问题中,进行仿真的弹道偏角变化曲线;
[0037]
图22以最远横向航程为目标的弹道优化问题中,进行仿真的纵程变化曲线;
[0038]
图23以最远横向航程为目标的弹道优化问题中,进行仿真的高度变化曲线;
[0039]
图24以最远横向航程为目标的弹道优化问题中,进行仿真的横程变化曲线;
[0040]
图25以最远横向航程为目标的弹道优化问题中,进行仿真的攻角变化曲线;
[0041]
图26以最远横向航程为目标的弹道优化问题中,进行仿真的速度倾斜角变化曲线;
[0042]
图27以最远横向航程为目标的弹道优化问题中,进行仿真的高度—纵程变化曲线;
[0043]
图28以最远横向航程为目标的弹道优化问题中,进行仿真的热流率变化曲线;
[0044]
图29以最远横向航程为目标的弹道优化问题中,进行仿真的动压变化曲线;
[0045]
图30以最远横向航程为目标的弹道优化问题中,进行仿真的过载变化曲线;
[0046]
图31以最远横向航程为目标的弹道优化问题中,进行仿真的规避禁飞区俯视图;
[0047]
图32以最远横向航程为目标的弹道优化问题中,进行仿真的规避禁飞区三维立体图。
具体实施方式
[0048]
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0049]
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
[0050]
下面结合附图,对本发明的具体实施方式进行详细说明。
[0051]
改进直接打靶法和自适应遗传算法相结合的弹道优化方法,包括:
[0052]
s1、忽略地球自转以及曲率影响,将地球假设为平面,分别在弹道坐标系和地面坐标系建立动力学方程和运动学方程,得到3自由度高马赫数飞行器质心运动方程组简化模
型,质心运动方程组简化模型为:
[0053][0054]
式中:v(t)为飞行器速度,θ(t)和ψv(t)分别为弹道倾角和弹道偏角;y(t)为高度,x(t)和z(t)分别为纵程和横程;m(t)为飞行器质量,g为重力加速度,α(t)为攻角,γv(t)为速度倾斜角;αb为平衡攻角,βb为平衡侧滑角;yb和zb分别为αb、βb所对应的平衡升力和平衡侧向力,x为阻力,计算表达式如下:
[0055][0056]
式中c
x
、cy为阻力系数和升力系数,q=0.5*ρ*v2,其中ρ为高马赫数飞行器所处高度的空气密度,s为飞行器参考面积;
[0057]
s2、确定准平衡飞行段飞行过程中所受的约束条件以及目标函数,并将弹道优化问题描述为在满足质心运动方程组简化模型和约束条件下,寻找控制量攻角α和速度倾斜角γv最优时间序列使得目标函数最小的标准动态最优控制问题,约束条件包括控制量约束、过程约束和到达目的地的终端约束;
[0058]
为保证飞行器稳定飞行,控制量攻角α和速度倾斜角γv要限制在一定的范围内,控制量约束包括攻角α和速度倾斜角γv,约束表示为:
[0059][0060]
过程约束包括热流率约束、动压约束、过载约束和禁飞区约束,具体如下:
[0061]
热流率约束、动压约束和过载约束表示为:
[0062][0063]
设高马赫数飞行器在准平衡飞行过程中规避的禁飞区类型为圆柱形,中心点为(xi,yi,zi),半径为ri,具体表达式如下:
[0064][0065]
设l(x(t),t)为高马赫数飞行器到禁飞区的最短距离,εn为大于0的无穷小量,则禁飞区约束可表示为l(x(t),t)≥εn,式中kq是与高马赫数飞行器相关的常值参数,为
允许的最大热流率,q
dmax
为允许的最大动压,n
lmax
为允许的最大过载;
[0066]
为满足中末制导交接班需求,需对准平衡飞行段终端时刻的高度、速度、弹道倾角设定约束,因此终端约束包括终端时刻的高度、速度和弹道倾角约束,表示为:
[0067][0068]
式中,yf、vf、θf分别为准平衡飞行终端时刻的高度、速度和弹道倾角;y
df
、v
df
、θ
df
分别为预定的准平衡飞行终端时刻的高度、速度和弹道倾角;εh、εv、ε
θ
分别为三个约束量的误差上界;
[0069]
目标函数根据具体任务选定,一般可分为最大航程(最大纵程/最大横程)、飞行时间最短、终端时刻速度最大等。本文选择最大航程(最大纵程/最大横程)为优化目标,目标函数表示为:
[0070]
min j=-l
df
ꢀꢀꢀ
(7)
[0071]
其中l
df
为飞行器的航程;
[0072]
高马赫数飞行器准平衡飞行段弹道优化问题可描述为:在满足质心运动方程组、控制量约束、过程约束、终端约束的条件下,寻找控制量攻角α和速度倾斜角γv最优时间序列使得目标函数最小;更一般性的最优控制问题描述如下:寻找控制变量u(t),使得bolza型性能指标最小:
[0073][0074]
且满足质心运动方程组约束
[0075][0076]
边界条件约束
[0077]
φ(x(t0),t0,x(tf),tf)=0
ꢀꢀꢀꢀ
(10)
[0078]
以及不等式约束
[0079]
c(x(t),u(t),t)≤0
ꢀꢀꢀ
(11)
[0080]
其中,t0为起始时刻,tf为终端时刻。
[0081]
s3、利用改进直接打靶法将标准动态最优控制问题转化为非线性规划问题;
[0082]
直接打靶法是一种仅离散控制变量的方法,描述运动轨迹的状态变量需要根据参数化后的控制变量对运动方程组数值积分获得,对于高马赫数飞行器准平衡飞行段弹道优化问题,一般选择四阶龙格库塔法(runge-kutta)进行求解,以保证数值计算的精度和稳定性。需要注意的是,直接打靶法对初值要求较高,算法的精确性往往依赖于初值猜想的准确程度,可能产生局部极小的问题,为此,对直接打靶进行改进,将控制量初末时刻值一并纳入优化设计变量,以终端约束中单调变化量(如速度)为判断条件,将弹道结束时刻作为终端时刻,以此达到降低对初值敏感的目的;
[0083]
s31、直接打靶法中一般选择对时间变量进行离散化,得到离散时间序列t:
[0084]
t0=t1<t2<
···
<t
k-1
<tk=tf<
···
<t
n-1
<tnꢀꢀꢀꢀ
(12)
[0085]
以终端约束中单调变化量(如速度)为判断条件,则tn可取一个较大的值,如tn=1000s,可令终端约束单调变化量结束时刻为tk=tf;
[0086]
s32、对控制变量进行离散化:以离散节点处的控制变量为设计变量,得到离散控制序列u:
[0087]
[u1,u2,
···
,u
k-1
,uk=uf,
···
,u
n-1
,un]
ꢀꢀꢀꢀ
(13)
[0088]
时间节点之间的控制量通过插值函数ψi(t)获取,则连续空间的控制变量做如下近似:
[0089][0090]
其中ui为网格节点处的控制变量;
[0091]
s33、对状态变量进行离散化:高马赫数飞行器初始状态是已知的,即xi,在通过优化算法得到离散控制序列u的前提下,可通过基于四阶龙格库塔法(runge-kutta)数值积分的方法,经过多次迭代积分,得到与时间序列对应的状态变量序列x:
[0092]
[x1,x2,
···
,x
k-1
,xk=xf,
···
,x
n-1
,xn]
ꢀꢀꢀꢀ
(15)
[0093]
其中,xk=xf为终端时刻tf对应的终端状态;
[0094]
s34、设变量集合为:
[0095]
y=[x1,u1,t1,x2,u2,t1,
···
,x
k-1
,u
k-1
,t
k-1
,xf,uf,tf]
ꢀꢀꢀꢀꢀ
(16)
[0096]
性能指标可以表示为:
[0097][0098]
边界条件可表示为:
[0099]
g1(y)=0
ꢀꢀꢀ
(18)
[0100]
过程约束可表示为:
[0101]
g2(y)≤0
ꢀꢀꢀ
(19)
[0102]
非线性规划问题表示为:
[0103][0104]
s4、在控制量约束范围内构造控制量攻角α和速度倾斜角γv数据集,将初始状态x0作为输入,将控制量初末时刻值一并纳入优化设计变量,利用自适应遗传算法优化改进直接打靶法中离散点处的控制量,如图2所示,并通过三次样条插值对控制量-时间历程平滑处理,以终端约束中单调变化量(如速度)为判断条件,基于四阶龙格库塔法(runge-kutta)进行数值积分,经过若干次迭代计算出最优控制u
*
,同时可以得到状态变量曲线最优轨迹x
*

[0105]
s41、种群初始化编码:在控制约束范围内构造控制量数据集,基于改进直接打靶法按照式(12)选取若干时间点,每个节点时刻的控制量攻角和速度倾斜角构成的两个一维数组α=(α1,α2,
···

n-1
,αn)、作为弹道个体的染色体;
[0106]
选择这种编码有几下优点:
[0107]
1)控制约束式(3)可以自动满足;
[0108]
2)在三自由度弹道中,当控制量攻角和速度倾斜角历程确定后可直接得到完整的弹道,若选取其他参数如弹道倾角、高度等为控制量,在迭代时都需要计算出攻角和速度倾
斜角,增加了计算的时间和复杂度。
[0109]
s42、在给定的气动数据中攻角数量是有限的,需要经过插值得到更多的数据量,另外仅有节点时刻攻角值是不够的,需进行插值计算。插值的方法主要有线性插值、多项式插值、样条插值等。本文采用三次样条插值,具有以下优点:
[0110]
1)控制约束式(3)可以自动满足;
[0111]
2)算法易实现,与线性插值相比,插值误差小于线性插值;使用样条会比使用高阶多项式更容易评估,不会受到龙格现象的影响;
[0112]
3)通过样条插值得到的攻角是一条光滑的曲线,不是线性插值的折线,利于飞行器控制系统的设计。
[0113]
s43、适应度函数是对染色体进行评价的一种指标,也是体现自适应遗传算法“优胜劣汰”的关键之处。本文利用joines方法构造综合适应度函数:即基于多目标分层规划方法,将终端时刻的性能指标和终端约束加权得到适应度函数,控制约束已自动满足,其他的过程约束(动压、过载、热流率及禁飞区),可令不满足最大动压q
dmax
、最大过载n
lmax
、最大热流率和穿越禁飞区的适应度函数值设置为无穷大。joines方法在静态罚函数的基础上进行了改进,惩罚系数随着迭代次数的增加而自适应的调整。具体形式为:
[0114][0115]
其中,r1=(cd)
λ
,fi(x)为违反第i个约束的惩罚函数项,pi为第i个约束惩罚项的权重系数,c、λ、均为常数,d为迭代次数;j为弹道优化目标函数项,q为相应的权重系数,k为常数,经数值仿真验证,取c=0.5,是比较可行的方案。另外在综合适应度函数中,终端约束项之间经过对数处理差距较小,因此主要调节下一层级性能指标权重系数q即可;
[0116]
s44、判断是否达到最大迭代次数,若是,则以终端约束中单调变化量(如速度)为判断条件,基于四阶龙格库塔法(runge-kutta)进行数值积分,经过若干次迭代计算出最优控制u
*
,同时可以得到状态变量曲线最优轨迹x
*
,如图1所示。。反之则进入s45;
[0117]
s45、根据适应度值对个体进行选择、交叉和变异的遗传操作,产生新一代群体,并进入s43。
[0118]
选择遗传操作:从种群中选择优胜个体,淘汰劣质个体的操作叫做选择。选择操作的目的是将优化个体直接遗传给下一代或者通过配对交叉产生新个体再遗传给下一代,通常选择轮盘赌法,设种群规模为q,其中个体i的适应度为fi,则第i个个体被选择的概率为:
[0119][0120]
交叉遗传操作:根据交叉概率将两个染色体交叉组合,以期望父代优秀个体优秀特征遗传给子代,产生新的优秀个体。本文选用实数交叉法,即第k个染色体ak和第l个染色体在j位的交叉操作为:
[0121][0122]
变异遗传操作:针对种群中个体串的某一个基因值的变动,第i个个体的第j个基因a
ij
进行变异操作的方法为:
[0123][0124]
其中,fi为个体i的适应度值,q为种群个体数,b是[0,1]的随机数,a
max
、a
min
分别为基因a
ij
的上界和下界;f(g)=r2(1-g0/g
max
)2,r2是一个随机数,g0是当前迭代次数,g
max
为最大进化次数,r是[0,1]的随机数;
[0125]
变异操作的目的有两个,一是增强自适应遗传算法的局部寻优能力,二是维持种群多样性,以防止未成熟收敛现象。
[0126]
仿真
[0127]
飞行器和地球基本参数如表1所示:
[0128]
表1
[0129][0130]
控制约束如表2所示:
[0131]
表2
[0132][0133]
过程约束如表3所示:
[0134]
表3
[0135][0136]
边界约束(初始状态和终端状态)如表4所示:
[0137]
表4
[0138][0139]
注:初始状态高度50km对应的速度10ma≈3297.99m
·
s-1
,终端状态高度27km对应的速度3ma≈899.40m
·
s-1

[0140]
自适应遗传算法主要参数如表5所示:
[0141]
表5
[0142][0143][0144]
本方法设计的自适应遗传算法主要针对遗传算法中适应度函数进行改进,其他参数可在以下范围内进行设定:种群规模:20~100;迭代次数:100~500;交叉概率:0.4~0.99;变异概率:0.0001~0.1。为防止早熟,一般采用增大变异率或增加种群数量的方式来解决,故变异率可选范围内的最大值,种群数量可以适当的增加,迭代次数选择范围内最低值以减少计算量,交叉操作是体现自适应遗传算法全局搜索能力的核心,可取较大值,具体如表5所示。
[0145]
为了验证构建的改进直接打靶法-自适应遗传算法的鲁棒性,将实际飞行过程中气动参数视为不确定性较为合理。不失一般性,在原气动参数的基础上,引入正态分布白噪声,具体公式如下:
[0146][0147]
其中,f(xi)代表原气动系数(包含升力系数c
x
和阻力系数cy升力系数),f
δ
(xi)是添加了噪声后的气动系数,δ为相对误差水平,是均值为0,方差为1的正态分布随机数。
[0148]
最远纵程弹道优化
[0149]
在以最远纵向航程为目标的弹道优化问题中,纵向航程对应x的变化,则性能指标为:
[0150]
j0=min(-l0)=min(-x(tf))
ꢀꢀ
(26)
[0151]
利用原算法(即直接打靶法-遗传算法,需要不断试测初值,另外适应度函数需进行对数变换,否则较难收敛)、构建的混合算法:改进直接打靶法-自适应遗传算法以及在此基础上引入白噪声进行仿真,结果如图3-17所示。
[0152]
最远横程弹道优化
[0153]
在以最远横向航程为目标的弹道优化问题中,纵向航程对应z的变化,则性能指标为:
[0154]
j0=min(-l0)=min(-z(tf))
ꢀꢀꢀ
(27)
[0155]
利用原算法(即直接打靶法-遗传算法,需要不断试测初值,另外适应度函数需进行对数变换,否则较难收敛)、构建的混合算法:改进直接打靶法-自适应遗传算法以及在此基础上引入白噪声进行仿真,结果如图18-32所示。
[0156]
图3和图18给出了种群中最佳适应度值随迭代次数变化的过程,由图可知,原遗传算法对应的适应度函数在40代左右趋于收敛,构造的自适应算法对应的最佳适应度值在初期变化较大,随着迭代次数的增加而逐渐收敛,在10代左右已经趋于平稳,后期在60~90代左右混合算法优化控制量最佳适应度函数值有些许变化,但变化较小,相较于原遗传算法收敛速度较快。这表明利用自适应遗传算法对控制变量寻优具有较好的收敛效果。
[0157]
需要说明的是,原算法(直接打靶法-遗传算法)是通过大量试测初值得到的,在大部分情况下由于对初值敏感,往往得不到规避禁飞区的轨迹。而构造的混合算法将控制变量初末时刻值纳入优化设计变量,以终端约束中单调变化量(如速度)作为轨迹结束时刻的判断条件,初值不需要不断试测,效率较高。从图10-11、25-26中,可以看出,构建的混合算法:改进直接打靶法-自适应遗传算法在以最远纵程/最远横程为性能指标的仿真中,控制约束在规定的范围内;图13-15、28-30中,过程约束中一般约束项热流率、过载、动压也在约束范围内;图16-17、31-32中,能直观看出,混合算法能够实现规避多禁飞区,满足了实际需求。
[0158]
最后,在考虑模型不确定性因素的情况下,即气动系数引入正态分布的白噪声后,最佳适应度函数曲线在20-30代左右已经趋于收敛,自适应遗传算法对控制变量寻优仍具有较好的收敛效果,相应的控制约束、过程约束(热流率、过载、动压及多禁飞区)等仍能满足相应的要求,验证了构建的混合算法具备一定的鲁棒性。
[0159]
为了更直观反应构建的混合算法满足终端约束,建立如下表6-7所示:
[0160]
表6终端约束条件对应的终端状态(性能指标:最远纵程)
[0161][0162]
表7终端约束条件对应的终端状态(性能指标:最远横程)
[0163][0164]
从图4-5、7-8和图19-20、23-24以及表6-7可以看出,在以最远纵程/最远横程为性能指标的仿真中,混合算法能够满足终端约束条件,且相较于原算法性能指标最远纵程/最远横程数值更大,更接近全局最优解,验证了通过引入多目标分层规划方法以保证在终端时刻满足终端约束的同时使性能指标最优的有效性。另外,在考虑气动参数受到干扰的仿真中,终端约束仍能满足要求。
[0165]
综上所述,构造的基于改进直接打靶法和自适应遗传算法得到的最优性能指标轨迹(最远纵程/最远横程)满足控制约束、过程约束(动压、过载、热流率及禁飞区)以及终端约束条件,能够规避多禁飞区,说明了构建的混合算法的有效性。其次,相较于原算法(直接打靶法-遗传算法),混合算法不需要不断试测初值,收敛速度较快,性能指标更优,能够快速、准确的逼近全局最优解。最后,在考虑模型不确定因素,即气动参数受到正态分布白噪
声干扰时仍能满足要求,说明了构建的混合算法具备一定的鲁棒性。
[0166]
结论
[0167]
高马赫数飞行器准平衡飞行段弹道优化方法是高马赫数飞行器研究中主要的关键技术,考虑飞行过程中面临包含多禁飞区等复杂约束限制,提出了一种基于改进直接打靶法和自适应遗传算法的混合优化解决方案。
[0168]
1)通过对直接打靶法改进,将控制量初末时刻值一并纳入优化设计变量,以终端约束中单调变化量(如速度)为判断条件,将弹道结束时刻作为终端时刻,以此降低了对初值的敏感程度。
[0169]
2)为进一步快速、准确逼近全局最优解,对遗传算法的适应度函数进行了三点改进,构造了可随种群迭代次数增加而自适应调整的对数形式的综合适应度函数,建立了新的自适应遗传算法。
[0170]
3)基于建立的自适应遗传算法优化改进直接打靶法中离散点处的控制量,通过三次样条插值对控制量-时间历程平滑处理,并利用四阶龙格库塔法(runge-kutta)进行数值积分,经过若干次迭代计算出最优控制时间序列,同时得到了能够实现规避多禁飞区,满足约束条件且保证航程最远的理想轨迹。
[0171]
试验表明,建立的混合优化算法不需要不断试测初值,相较于原算法(直接打靶法-遗传算法)收敛速度更快,性能指标最远纵程/最远横程数值更大,最接近全局最优解。另外,考虑实际飞行过程中模型存在的不确定性因素,在气动参数中引入了正态分布白噪声,结果表明准平衡飞行过程中各类约束条件仍能满足要求,说明了构造的混合算法具备一定的鲁棒性。在应用方面,构建的混合优化算法本质上是一种优化方法,不仅适用于高马赫数飞行器准平衡飞行段弹道优化,也适用于一般的飞行器弹道优化问题,为下一步研究不确定性量化的鲁棒弹道优化问题提供一定的参考价值。
[0172]
本发明的技术方案不限于上述具体实施例的限制,凡是根据本发明的技术方案做出的技术变形,均落入本发明的保护范围之内。
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1