CN107589665A - 一种基于梯度粒子群算法的弹道快速优化方法及装置 - Google Patents

Abstract

本发明实施例提供了一种基于梯度粒子群算法的弹道快速优化方法及装置，其所述方法包括对第k代种群、第k‑1代种群进行初始化，并确定第k代种群对应的第一全局最优个体，以及第k‑1代种群对应的第二全局最优个体；判断所述第一全局最优个体的适应度值，是否高于所述第二全局最优个体的适应度值；若否，则基于所述第一全局最优个体对应的位置矢量为起点，生成第k+1代种群，依据第k+1代种群以及第k代种群进行弹道优化；若是，则采用梯度法更新所述第一全局最优化个体对应的位置矢量，执行基于所述第一全局最优个体对应的位置矢量为起点，生成第k+1代种群，依据所述第k+1代种群以及所述第k代种群进行弹道优化的步骤。本发明实施例提供的方案，可实现弹道的快速优化。

Description

一种基于梯度粒子群算法的弹道快速优化方法及装置

技术领域

本发明涉及飞行器设计技术领域，特别是涉及一种基于梯度粒子群算法的弹道快速优化方法和装置、电子设备以及计算机可读存储介质。

背景技术

弹道优化是弹道导弹总体优化设计的重要组成部分，它贯穿于导弹设计和作战运用的全过程。弹道优化是指在某些特定的约束条件下，优化选择导弹从起始点到目标点满足某种性能指标最优的运动轨迹的过程。从数学角度讲，弹道优化问题即为非线性条件下，带有状态约束、路径约束和控制约束的最优控制问题。最优控制问题的求解方法主要包括间接法、直接法和智能优化算法。

间接法的基本原理是基于Pontryagin极大值原理和经典变分法的拉格朗日乘子法将最优控制问题转化为Hamilton边值问题进行求解。采用间接法求解轨迹优化问题，其优点在于求解精度高，且最优解满足一阶最优性必要条件。然而，与直接法相比，间接法存在几个典型的不足，包括难以程序化、最优性条件推导复杂、协态变量初值猜测困难等。

直接法的基本思想是将连续最优控制问题离散化并转化为参数优化问题，再通过优化算法对性能指标直接寻优。相比间接法而言，直接法应用更为广泛。

近年来，智能优化算法以其独特的机制和优点，在飞行器设计领域得到越来越广泛的应用。遗传算法效法自然界生物进化过程，基于“适者生存”的原理求解约束优化问题。鉴于其全局、并行、高效的优化性能以及较强的鲁棒性，大量学者将其应用于轨迹优化领域。鲜勇，许立军研究了遗传算法在导弹飞行程序设计中的应用；Crain T P,Bishop R H,Fowler W T基于混合遗传算法研究了行星探测轨道优化设计问题等。与遗传算法类似，粒子群算法作为智能优化算法的一种，因其参数设置少、收敛速度快等优点，在轨迹优化领域的应用日益受到关注。杨希祥，江振宇，张为华采用粒子群算法对固体运载火箭弹道优化设计问题进行了研究；冉茂鹏，王青基于改进粒子群算法研究了航天器在固定时间内燃料最省的多脉冲交会问题等。研究结果表明，基于遗传算法进行轨迹优化，求解精度较高，但收敛速度较慢；采用现有的粒子群算法进行弹道优化，收敛速度较快，但求解精度较低，因此，如何实现弹道高效、高精度优化是目前需要本领域技术人员迫切需要解决的技术问题。

发明内容

本发明提供了一种基于梯度粒子群算法的弹道快速优化方法和装置、电子设备以及计算机可读存储介质，以解决现有技术中存在的无法高效、高精度对弹道进行优化的问题。

为了解决上述问题，本发明公开了一种基于梯度粒子群算法的弹道快速优化方法，所述方法包括：

对第k代种群、第k-1代种群进行初始化，并确定所述第k代种群对应的第一全局最优个体，以及所述第k-1代种群对应的第二全局最优个体；其中，第k代种群为当前代种群；

判断所述第一全局最优个体的适应度值，是否高于所述第二全局最优个体的适应度值；若否，则基于所述第一全局最优个体对应的位置矢量为起点，生成第k+1代种群，依据所述第k+1代种群以及所述第k代种群进行弹道优化；

若是，则采用梯度法更新所述第一全局最优化个体对应的位置矢量，执行所述基于所述第一全局最优个体对应的位置矢量为起点，生成第k+1代种群，依据所述第k+1代种群以及所述第k代种群进行弹道优化的步骤。

可选地，所述对第k代种群、第k-1代种群进行初始化，并确定所述第k代种群对应的第一全局最优个体，以及所述第k-1代种群对应的第二全局最优个体的步骤，包括：

在优化变量可行域中，分别随机初始化第k代种群中各微粒的位置向量和速度向量，计算各微粒的适应度值，确定第一全局最优个体；

分别随机初始化第k-1代种群中各微粒的位置向量和速度向量，计算各微粒的适应度值，确定第二全局最优个体。

可选地，所述采用梯度法更新所述第一全局最优化个体对应的位置矢量的步骤，包括：

基于所述第一全局最优个体、所述第二全局最优个体的位置矢量确定搜索梯度其中，dx^k为搜索梯度，第一全局最优个体的位置矢量，为第二全局最优个体的位置矢量，β为系数；

计算沿所述搜索梯度搜索到的位置矢量处的个体的适应度值f(x^k+dx^k)，其中，x^k+dx^k∈R，R为优化变量可行域；

若f(x^k+dx^k)大于f(x^k)，则确定搜索成功，则继续沿着该梯度方向搜索直至搜索失败后，确定最后一次成功搜索到的位置矢量，将所述位置矢量更新为所述第一全局最优个体对应的位置矢量。

可选地，

其中，β为梯度调节系数，k为迭代次数，k_max为最大迭代次数，β_start、β_end分别表示调节系数β的初始值和终止值。

为了解决上述问题，本发明公开了一种基于梯度粒子群算法的弹道快速优化装置，所述装置包括：

初始化模块，用于对第k代种群、第k-1代种群进行初始化，并确定所述第k代种群对应的第一全局最优个体，以及所述第k-1代种群对应的第二全局最优个体；其中，第k代种群为当前代种群；

适应度评价模块，用于判断所述第一全局最优个体的适应度值，是否高于所述第二全局最优个体的适应度值；

迭代模块，用于若否，则基于所述第一全局最优个体对应的位置矢量为起点，生成第k+1代种群，依据所述第k+1代种群以及所述第k代种群进行弹道优化；

更新模块，用于若是，则采用梯度法更新所述第一全局最优化个体对应的位置矢量，执行所述迭代模块。

可选地，所述初始化模块包括：

第一初始化子模块，用于在优化变量可行域中，分别随机初始化第k代种群中各微粒的位置向量和速度向量，计算各微粒的适应度值，确定第一全局最优个体；

第二初始化子模块，用于分别随机初始化第k-1代种群中各微粒的位置向量和速度向量，计算各微粒的适应度值，确定第二全局最优个体。

可选地，所述更新模块包括：

梯度计算子模块，用于基于所述第一全局最优个体、所述第二全局最优个体的位置矢量确定搜索梯度其中，dx^k为搜索梯度，第一全局最优个体的位置矢量，为第二全局最优个体的位置矢量，β为系数；

搜索子模块，用于计算沿所述搜索梯度搜索到的位置矢量处的个体的适应度值f(x^k+dx^k)，其中，x^k+dx^k∈R，R为优化变量可行域；

循环子模块，用于若f(x^k+dx^k)大于f(x^k)则确定搜索成功，继续沿着该梯度方向搜索直至搜索失败后，确定最后一次成功搜索到的位置矢量，将所述位置矢量更新为所述第一全局最优个体对应的位置矢量。

可选地，

其中，β为梯度调节系数，k为迭代次数，k_max为最大迭代次数，β_start、β_end分别表示调节系数β的初始值和终止值。

为了解决上述问题，本发明公开了电子设备，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行如权利要求书中所述的任意一种基于梯度粒子群算法的弹道快速优化方法。

为了解决上述问题，本发明还公开了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求书中所述的任意一种基于梯度粒子群算法的弹道快速优化方法。

与现有技术相比，本发明包括以下优点：

本发明实施例提供的基于梯度粒子群算法的弹道快速优化的方案，结合梯度搜索的高效性和粒子群搜索的随机性，对弹道进行快速优化。具体地，将梯度搜索的思想融入粒子群算法之中，利用第k-1代种群与第k代种群的全局最优值产生搜索梯度，进而基于梯度搜索实现粒子群体搜索的高效性，同时通过调整梯度大小解决了基本粒子群算法易“早熟”及精度低等问题，收敛精度高、搜索速度快，可实现弹道的快速优化。

附图说明

图1是根据本发明实施例一的一种基于梯度粒子群算法的弹道快速优化方法的步骤流程图；

图2是根据本发明实施例二的一种基于梯度粒子群算法的弹道快速优化方法的步骤流程图；

图3是根据本发明实施例三的一种基于梯度粒子群算法的弹道优化流程图；

图4地心大地直角坐标系下导弹飞行弹道示意图；

图5飞行程序角随时间的变化曲线；

图6一级飞行攻角随时间的变化曲线；

图7当地弹道倾角随时间的变化曲线；

图8混合粒子群算法适应度收敛曲线；

图9是根据本发明实施例四的一种基于梯度粒子群算法的弹道快速优化装置的结构框图；

图10是根据本发明实施例五的一种基于梯度粒子群算法的弹道快速优化装置的结构框图；

图11是根据本发明实施例六的一种电子设备的结构框图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例一

参照图1，示出了本发明实施例的一种基于梯度粒子群算法的弹道快速优化方法的步骤流程图。

本实施例的基于梯度粒子群算法的弹道快速优化方法包括以下步骤：

步骤101：对第k代种群、第k-1代种群进行初始化，并确定所述第k代种群对应的第一全局最优个体，以及第k-1代种群对应的第二全局最优个体。

其中，第k代种群为当前代种群及最新代种群，第k-1代种群为次新代种群。

对种群进行初始化时，可以确定种群中全部或个别微粒的位置向量和速度向量，通过位置向量和速度向量确定微粒的适应度值。针对同一代种群中的各微粒，依据各微粒的适应度值即可确定出全局最优个体。

步骤102：判断第一全局最优个体的适应度值，是否高于第二全局最优个体的适应度值；若是，则执行步骤103；若否，则直接执行步骤104。

步骤103：采用梯度法更新第一全局最优化个体对应的位置矢量；然后执行步骤104。

梯度法更新第一全局最优化个体对应的位置矢量时，基于第一全局最优化个体对应的位置矢量、以及第二全局最优化个体对应的位置矢量确定搜索梯度，以所确定的搜索梯度为步长，逐步进行搜索。在进行搜索时，若本步搜索成功，则继续下一步的搜索，直至搜索失败后终止搜索流程。将最近一次成功搜索到的位置矢量更新为第一全局最优个体对应的位置矢量。

当然，若首次搜索便失败，则不再进行继续搜索，而是直接跳转至步骤104。

步骤104：基于第一全局最优个体对应的位置矢量为起点，生成第k+1代种群，依据第k+1代种群以及第k代种群进行弹道优化。

步骤102至步骤104为单次迭代，在具体实现过程中，若所的优化结果精度未达到预设精度、且迭代次数未超出预设值，则继续返回步骤102依据第k+1代种群以及第k代种群进行弹道优化进行下一次迭代。在进行下一次迭代时，将第k+1代种群作为当前代种群，将k代种群作为前一代种群。若优化结果精度达到预设精度、或迭代次数已达到预设值，则不再返回步骤102进行下一代迭代计算。

本发明实施例提供的基于梯度粒子群算法的弹道快速优化的方法，结合梯度搜索的高效性和粒子群搜索的随机性，对弹道进行快速优化。具体地，将梯度搜索的思想融入粒子群算法之中，利用第k-1代种群与第k代种群的全局最优值产生搜索梯度，进而基于梯度搜索实现粒子群体搜索的高效性，同时通过调整梯度大小解决了基本粒子群算法易“早熟”及精度低等问题，收敛精度高、搜索速度快，可实现弹道的快速优化。

实施例二

参照图2，示出了本发明实施例二的一种基于梯度粒子群算法的弹道快速优化方法的步骤流程图。

基本粒子群算法中，粒子通过跟踪个体最优解和全局最优解更新其位置向量和速度向量，该过程使得粒子群体迭代初期的全局搜索能力以及迭代后期的局部搜索能力较弱。本发明以此实施例中以此作为切入点，将梯度搜索的思想融入粒子群算法之中，提出了一种新的梯度粒子群优化算法。该算法利用第k-1代种群与第k代种群全局最优值产生搜索梯度，进而基于梯度搜索实现粒子群体搜索的高效性，同时通过调整梯度大小可以解决基本粒子群算法易“早熟”及精度低等问题，实现了导弹弹道的快速优化设计。本发明实施例中的基于梯度粒子群算法的弹道快速优化方法具体包括以下步骤：

步骤201：在优化变量可行域中，分别随机初始化第k代种群中各微粒的位置向量和速度向量，计算各微粒的适应度值，确定第一全局最优个体。

将适应度值最高的微粒确定为第一全局最优个体。

步骤202：分别随机初始化第k-1代种群中各微粒的位置向量和速度向量，计算各微粒的适应度值，确定第二全局最优个体。

将适应度值最高的微粒确定为第二全局最优个体。

步骤203：判断第一全局最优个体的适应度值，是否高于第二全局最优个体的适应度值；若是，则执行步骤204；若否，则直接执行步骤207。

若优于则执行步骤204，否则执行步骤207，其中k为迭代次数，当前代最优个体的位置矢量，不同位置矢量对应不同的个体。

步骤204：基于第一全局最优个体、第二全局最优个体的位置矢量确定搜索梯度。

搜索梯度可以表征为其中，dx^k为搜索梯度，第一全局最优个体的位置矢量，为第二全局最优个体的位置矢量，β为系数。其中β为一正常数，β越大，算法全局搜索能力越强，β越小，算法局部搜索能力越强。

优选地通过如下公式确定：

其中，β为梯度调节系数，k为迭代次数，k_max为最大迭代次数，β_start、β_end分别表示调节系数β的初始值和终止值。

步骤205：计算沿搜索梯度搜索到的位置矢量处的个体的适应度值。

其中，计算沿搜索梯度搜索到的位置矢量处的个体的适应度值为f(x^k+dx^k)，其中，x^k+dx^k∈R，R为优化变量可行域。

步骤206：若f(x^k+dx^k)大于f(x^k)，则确定搜索成功，则继续沿着该梯度方向搜索直至搜索失败后，确定最后一次成功搜索到的位置矢量，将位置矢量更新为第一全局最优个体对应的位置矢量。

例如：沿着梯度方向执行三次搜索均成功，执行第四次搜索时失败，则将第三次搜索到的位置矢量更新为第一全局最优个体对应的位置矢量。

此时可得第k代种群的全局最优个体的二次优化解令

若首次搜索后f(x^k+dx^k)大于f(x^k)确定搜索失败，搜索失败时不再继续进行搜索，而是直接执行步骤207。该种情况下不对第一全局最优个体对应的位置矢量进行更新。

步骤207：基于第一全局最优个体对应的位置矢量为起点，生成第k+1代种群，依据第k+1代种群以及所述第k代种群进行弹道优化。

具体地，基于第一全局最优个体对应的位置矢量为起点，生成第k+1代种群时，需要对位置向量和速度向量进行更新，具体公式如下：

其中，惯性权重采用线性递减权重ω，学习因子采用异步变化学习因子c_i具体为：

式中r₁，r₂为(0,1)区间上的随机数，ω_min、ω_max分别表示惯性权重ω的最大值和最小值，k为当前迭代次数，k_max为最大迭代次数。

步骤203至步骤207为进行单词迭代的具体流程，在具体实现过程中，可以重复执行上述流程进行多次迭代，直至满足任一流程终止条件为止，并输出优化结果。

其中流程终止条件包括：优化结果是否达到预设精度、迭代次数达到预设值。

本发明实施例提供的基于梯度粒子群算法的弹道快速优化的方法，结合梯度搜索的高效性和粒子群搜索的随机性，对弹道进行快速优化。具体地，将梯度搜索的思想融入粒子群算法之中，利用第k-1代种群与第k代种群的全局最优值产生搜索梯度，进而基于梯度搜索实现粒子群体搜索的高效性，同时通过调整梯度大小解决了基本粒子群算法易“早熟”及精度低等问题，收敛精度高、搜索速度快，可实现弹道的快速优化。

实施例三

参照图3，示出了本发明实施例三的一种基于梯度粒子群算法的弹道快速优化方法的步骤流程图。

本发明实施例中以导弹射击精度为目标函数，在设计导弹飞行程序，建立弹道优化模型的基础上，应用梯度粒子群算法对弹道导弹弹道规划问题进行研究，进行导弹弹道的快速优化。

导弹飞行程序设计如下：

弹道导弹经过一级动力飞行段、二级动力飞行段、自由飞行段和再入飞行段完成对导弹飞行任务。在此过程中，导弹按照标准弹道飞行，其运动姿态随着设定的飞行程序的变化而变化。为此，以二级弹道导弹为例，设计如下飞行程序。

(1)一级飞行程序设计

一级飞行段导弹处于稠密的大气层中，其飞行时序可分为垂直上升段、程序转弯段、跨音速飞行段和一级分离段。飞行程序的设计随着飞行时序的不同而不同。一级飞行程序具体设计如下：

式中，

t₁为导弹垂直上升时间，α为二级导弹飞行攻角，和a为弹道转弯快慢的控制参数，θ为弹道倾角，t₂为程序转弯结束时刻，t₃为跨音速飞行结束时刻，t_k1为一级分离结束时刻。

(2)二级飞行程序设计

二级飞行空气动力对导弹的运动影响很小，因此近似导弹在真空引力场中飞行。飞行程序采用分段二次曲线拼接的方式进行设计，具体形式如下：

式中，为一级段结束时的飞行程序角， 为控制导弹飞行程序角变化快慢的参数，t_k2为二级分离结束时刻，Δt为计算(积分)步长。

(3)自由段、再入段飞行程序设计

对于标准弹道而言，自由飞行段、再入飞行段导弹作无控飞行，直至完成作战任务。飞行过程中，程序角保持不变。

式中为导弹二级分离结束时刻飞行程序角，t_f为到达滑翔状态的时刻。

弹道优化模型建立分为规划约束条件、优化设计变量以及性能指标选取三个主要部分，各部分具体说明如下：

约束条件主要包括微分方程组约束、路径约束、初始状态约束和终端状态约束等。

路径约束主要包括控制系统约束、动压约束及过载约束等，具体形式如下：

式中t₁为垂直起飞时间，t_s为发动机达到额定工作状态时刻，t_e为垂直起飞时间上限。n_y和q分别为法向过载和动压，n_ymax和q_max分别为法向过载限定值和动压限定值。

初始状态约束主要指发射窗口约束，即

T₁+T₂+T₃＝T_m (9)

式中，T₁为一级飞行时间，T₂为二级飞行时间，T₃为被动段飞行时间，T_m为导弹从发射点至命中目标所用的时间。

终端状态约束主要是指攻击时刻导弹的攻击角约束。具体形式如下：

Θ_min≤Θ_f≤Θ_max (10)

式中Θ_f为攻击时刻导弹的当地弹道倾角，Θ_min和Θ_max分别为攻击时刻当地弹道倾角的下限和上限。

弹道规划优化设计变量为

式中，x₁对应导弹垂直起飞时间，x₂、x₃对应一级程序转弯控制参数，x₄对应瞄准方位角，x₅～x₈对应二级飞行程序角控制参数。

性能指标选取：

选取导弹的脱靶量d_f即导弹射击精度作为弹道优化的目标函数，即：

F(X)＝min{d_f(X)} (12)

在导弹飞行程序设计完成、弹道优化模型建立完成后，基于梯度粒子群算法的导弹弹道快速优化设计及仿真验证，具体验证方式如下：

取优化设计变量为粒子群各微粒的位置向量，以导弹脱靶量d_f为适应度函数，基于梯度粒子群算法进行弹道优化设计，具体优化流程如图1。

步骤1种群初始化

在优化变量可行域R中随机初始化第1代群体与第2代群体各微粒的位置向量x和速度向量v，计算各微粒的适应度值，记录前两代群体个体最优及全局最优。

步骤2适应度评价

评价各微粒的适应度值，若优于则执行步骤(3)，否则执行步骤(4)，其中k为迭代次数，当前代最优个体。

步骤3梯度法更新最优个体

取第k-1代群体与第k代群体对应的全局最优个体位置矢量差值的系数倍为搜索梯度，即计算适应度值f(x^k+dx^k)，(x^k+dx^k∈R)。若f(x^k+dx^k)优于f(x^k)，则搜索成功，并沿着该梯度方向继续搜索，直到探索失败，回到最后成功一步的位置上，此时可得第k代群体全局最优个体的二次优化解令执行下一步；若f(x^k+dx^k)不优于f(x^k)，则搜索失败，执行下一步。

其中β为一正常数，β越大，算法全局搜索能力越强，β越小，算法局部搜索能力越强。β的取值策略为

步骤4改进粒子群算法生成新一代种群，更新速度向量和位置向量。

以第k代群体当前最优位置为起点，产生新一代种群。位置向量和速度向量的改进更新公式如式(2)所示。

其中，惯性权重采用线性递减权重，学习因子采用异步变化学习因子，即

式中r₁，r₂为(0,1)区间上的随机数，ω_min、ω_max分别表示惯性权重ω的最大值和最小值，k为当前迭代次数，k_max为最大迭代次数。

终止条件判定

判断优化结果是否达到给定精度或迭代次数是否达到给定值。若满足给定条件，则终止迭代，并输出最优解，否则转至步骤2。

以二级导弹为例，应用梯度粒子群算法研究弹道导弹弹道规划问题。取发射点大地纬度B_f为44.486°，大地经度L_f为114.648°，大地高H_f为500m；发射点大地纬度B_T为52.933°，大地经度L_T为146.299°，大地高H_T为100m；种群大小取50，最大迭代次数取30，惯性权重最大值为0.9，最小值为0.4，学习因子c₁的初始值为2.5，终止值为0.5，学习因子c₂的初始值为0.5，终止值为2.5，β的初始值为2.5，终止值为0.5。

给定设计变量的取值范围，基于梯度粒子群算法进行弹道优化，得到各设计变量的优化结果。地心大地直角坐标系下导弹飞行弹道如图4，导弹飞行程序角、一级段飞行攻角、当地弹道倾角随时间的变化曲线如图5、图6、图7所示，梯度粒子群算法适应度收敛曲线如图8所示。基于梯度粒子群算法进行导弹弹道优化，仿真计算50次，结果表明，本发明提出的梯度粒子群算法使得粒子群体能够快速有效地跳出局部最优点，有效解决了标准粒子群算法易“早熟”即收敛精度低等问题。采用梯度粒子群算法进行弹道规划，收敛精度高，优化耗时短，实现了导弹弹道的快速优化设计。

实施例四

参照图9，示出了本发明实施例四中的基于梯度粒子群算法的弹道快速优化装置的结构示意图。

本发明实施例的基于梯度粒子群算法的弹道快速优化装置包括：初始化模块401，用于对第k代种群、第k-1代种群进行初始化，并确定所述第k代种群对应的第一全局最优个体，以及所述第k-1代种群对应的第二全局最优个体；其中，第k代种群为当前代种群；适应度评价模块402，用于判断所述第一全局最优个体的适应度值，是否高于所述第二全局最优个体的适应度值；迭代模块403，用于若否，则基于所述第一全局最优个体对应的位置矢量为起点，生成第k+1代种群，依据所述第k+1代种群以及所述第k代种群进行弹道优化；更新模块404，用于若是，则采用梯度法更新所述第一全局最优化个体对应的位置矢量，执行所述迭代模块。

通过本发明实施例提供的基于梯度粒子群算法的弹道快速优化的装置，结合梯度搜索的高效性和粒子群搜索的随机性，对弹道进行快速优化。具体地，将梯度搜索的思想融入粒子群算法之中，利用第k-1代种群与第k代种群的全局最优值产生搜索梯度，进而基于梯度搜索实现粒子群体搜索的高效性，同时通过调整梯度大小解决了基本粒子群算法易“早熟”及精度低等问题，收敛精度高、搜索速度快，可实现弹道的快速优化。

实施例五

参照图10，示出了本发明实施例五中的基于梯度粒子群算法的弹道快速优化装置的结构示意图。

本发明实施例的基于梯度粒子群算法的弹道快速优化装置包括：初始化模块501，用于对第k代种群、第k-1代种群进行初始化，并确定所述第k代种群对应的第一全局最优个体，以及所述第k-1代种群对应的第二全局最优个体；其中，第k代种群为当前代种群；适应度评价模块502，用于判断所述第一全局最优个体的适应度值，是否高于所述第二全局最优个体的适应度值；迭代模块503，用于若否，则基于所述第一全局最优个体对应的位置矢量为起点，生成第k+1代种群，依据所述第k+1代种群以及所述第k代种群进行弹道优化；更新模块504，用于若是，则采用梯度法更新所述第一全局最优化个体对应的位置矢量，执行所述迭代模块。

优选地，所述初始化模块501包括：第一初始化子模块5011，用于在优化变量可行域中，分别随机初始化第k代种群中各微粒的位置向量和速度向量，计算各微粒的适应度值，确定第一全局最优个体；第二初始化子模块5012，用于分别随机初始化第k-1代种群中各微粒的位置向量和速度向量，计算各微粒的适应度值，确定第二全局最优个体。

优选地，所述更新模块504包括：梯度计算子模块5041，用于基于所述第一全局最优个体、所述第二全局最优个体的位置矢量确定搜索梯度其中，dx^k为搜索梯度，第一全局最优个体的位置矢量，为第二全局最优个体的位置矢量，β为系数；搜索子模块5042，用于计算沿所述搜索梯度搜索到的位置矢量处的个体的适应度值f(x^k+dx^k)，其中，x^k+dx^k∈R，R为优化变量可行域；循环子模块5043，用于若f(x^k+dx^k)大于f(x^k)则确定搜索成功，继续沿着该梯度方向搜索直至搜索失败后，确定最后一次成功搜索到的位置矢量，将所述位置矢量更新为所述第一全局最优个体对应的位置矢量。

优选地，

本发明实施例中的基于梯度粒子群算法的弹道快速优化装置用于实现前述方法实施例中相应的基于梯度粒子群算法的弹道快速优化方法，并且具有相应的方法实施的有益效果，在此不再赘述。

实施例六

参照图11，示出了本发明实施例五的一种用于基于梯度粒子群算法的弹道快速优化的电子设备的结构示意图。

参照图11，电子设备可以包括以下一个或多个组件：处理组件602，存储器604，电源组件606，多媒体组件608，音频组件610，输入/输出(I/O)的接口612，传感器组件614，以及通信组件616。

处理组件602通常控制电子设备的整体操作，诸如与显示，数据通信，相机操作和记录操作相关联的操作。处理元件602可以包括一个或多个处理器620来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件602可以包括一个或多个模块，便于处理组件602和其他组件之间的交互。例如，处理部件602可以包括多媒体模块，以方便多媒体组件608和处理组件602之间的交互。

存储器604被配置为存储各种类型的数据以支持在电子设备的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件606为电子设备的各种组件提供电力。电源组件606可以包括电源管理系统，一个或多个电源，及其他与为电子设备600生成、管理和分配电力相关联的组件。

多媒体组件608包括在所述电子设备和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件608包括一个前置摄像头和/或后置摄像头。当电子设备处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件610被配置为输出和/或输入音频信号。例如，音频组件610包括一个麦克风(MIC)，当电子设备处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。在一些实施例中，音频组件610还包括一个扬声器，用于输出音频信号。

I/O接口612为处理组件602和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件614包括一个或多个传感器，用于为电子设备600提供各个方面的状态评估。例如，传感器组件614可以检测到设备600的打开/关闭状态，组件的相对定位，例如所述组件为电子设备的显示器和小键盘，传感器组件614还可以检测电子设备或电子设备一个组件的位置改变，用户与电子设备接触的存在或不存在，电子设备方位或加速/减速和电子设备的温度变化。传感器组件614可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件614还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件616被配置为便于电子设备和其他设备之间有线或无线方式的通信。电子设备可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信部件616经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信部件616还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器604，上述指令可由电子设备的处理器620执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述实施例中所示的任意一种基于梯度粒子群算法的弹道快速优化的方法。

本发明实施例的电子设备用于实现前述多个方法实施例中相应的基于梯度粒子群算法的弹道快速优化的方法，并且具有相应的方法实施的有益效果，在此不再赘述。

本说明书中的各个实施例均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的部分互相参见即可。

本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以预测方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本发明所提供的一种基于梯度粒子群算法的弹道快速优化方法和装置、电子设备以及计算机可读存储介质，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于梯度粒子群算法的弹道快速优化方法，其特征在于，所述方法包括：

对第k代种群、第k-1代种群进行初始化，并确定所述第k代种群对应的第一全局最优个体，以及所述第k-1代种群对应的第二全局最优个体；其中，第k代种群为当前代种群；

判断所述第一全局最优个体的适应度值，是否高于所述第二全局最优个体的适应度值；若否，则基于所述第一全局最优个体对应的位置矢量为起点，生成第k+1代种群，依据所述第k+1代种群以及所述第k代种群进行弹道优化；

若是，则采用梯度法更新所述第一全局最优化个体对应的位置矢量，执行所述基于所述第一全局最优个体对应的位置矢量为起点，生成第k+1代种群，依据所述第k+1代种群以及所述第k代种群进行弹道优化的步骤。

2.根据权利要求1所述的方法，其特征在于，所述对第k代种群、第k-1代种群进行初始化，并确定所述第k代种群对应的第一全局最优个体，以及所述第k-1代种群对应的第二全局最优个体的步骤，包括：

在优化变量可行域中，分别随机初始化第k代种群中各微粒的位置向量和速度向量，计算各微粒的适应度值，确定第一全局最优个体；

分别随机初始化第k-1代种群中各微粒的位置向量和速度向量，计算各微粒的适应度值，确定第二全局最优个体。

3.根据权利要求1所述的方法，其特征在于，所述采用梯度法更新所述第一全局最优化个体对应的位置矢量的步骤，包括：

基于所述第一全局最优个体、所述第二全局最优个体的位置矢量确定搜索梯度其中，dx^k为搜索梯度，第一全局最优个体的位置矢量，为第二全局最优个体的位置矢量，β为系数；

计算沿所述搜索梯度搜索到的位置矢量处的个体的适应度值f(x^k+dx^k)，其中，x^k+dx^k∈R，R为优化变量可行域；

若f(x^k+dx^k)大于f(x^k)，则确定搜索成功，则继续沿着该梯度方向搜索直至搜索失败后，确定最后一次成功搜索到的位置矢量，将所述位置矢量更新为所述第一全局最优个体对应的位置矢量。

4.根据权利要求1所述的方法，其特征在于：

<mrow> <mi>&amp;beta;</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>s</mi> <mi>t</mi> <mi>a</mi> <mi>r</mi> <mi>t</mi> </mrow> </msub> <mo>-</mo> <mfrac> <mrow> <msub> <mi>&amp;beta;</mi> <mrow> <mi>s</mi> <mi>t</mi> <mi>a</mi> <mi>r</mi> <mi>t</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>e</mi> <mi>n</mi> <mi>d</mi> </mrow> </msub> </mrow> <msub> <mi>k</mi> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> </mfrac> <mo>&amp;times;</mo> <mi>k</mi> <mo>;</mo> </mrow>

其中，β为梯度调节系数，k为迭代次数，k_max为最大迭代次数，β_start、β_end分别表示调节系数β的初始值和终止值。

5.一种基于梯度粒子群算法的弹道快速优化装置，其特征在于，所述装置包括：

初始化模块，用于对第k代种群、第k-1代种群进行初始化，并确定所述第k代种群对应的第一全局最优个体，以及所述第k-1代种群对应的第二全局最优个体；其中，第k代种群为当前代种群；

适应度评价模块，用于判断所述第一全局最优个体的适应度值，是否高于所述第二全局最优个体的适应度值；

迭代模块，用于若否，则基于所述第一全局最优个体对应的位置矢量为起点，生成第k+1代种群，依据所述第k+1代种群以及所述第k代种群进行弹道优化；

更新模块，用于若是，则采用梯度法更新所述第一全局最优化个体对应的位置矢量，执行所述迭代模块。

6.根据权利要求5所述的装置，其特征在于，所述初始化模块包括：

第一初始化子模块，用于在优化变量可行域中，分别随机初始化第k代种群中各微粒的位置向量和速度向量，计算各微粒的适应度值，确定第一全局最优个体；

第二初始化子模块，用于分别随机初始化第k-1代种群中各微粒的位置向量和速度向量，计算各微粒的适应度值，确定第二全局最优个体。

7.根据权利要求5所述的装置，其特征在于，所述更新模块包括：

梯度计算子模块，用于基于所述第一全局最优个体、所述第二全局最优个体的位置矢量确定搜索梯度其中，dx^k为搜索梯度，第一全局最优个体的位置矢量，为第二全局最优个体的位置矢量，β为系数；

搜索子模块，用于计算沿所述搜索梯度搜索到的位置矢量处的个体的适应度值f(x^k+dx^k)，其中，x^k+dx^k∈R，R为优化变量可行域；

循环子模块，用于若f(x^k+dx^k)大于f(x^k)则确定搜索成功，继续沿着该梯度方向搜索直至搜索失败后，确定最后一次成功搜索到的位置矢量，将所述位置矢量更新为所述第一全局最优个体对应的位置矢量。

8.根据权利要求5所述的装置，其特征在于：

<mrow> <mi>&amp;beta;</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>s</mi> <mi>t</mi> <mi>a</mi> <mi>r</mi> <mi>t</mi> </mrow> </msub> <mo>-</mo> <mfrac> <mrow> <msub> <mi>&amp;beta;</mi> <mrow> <mi>s</mi> <mi>t</mi> <mi>a</mi> <mi>r</mi> <mi>t</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>e</mi> <mi>n</mi> <mi>d</mi> </mrow> </msub> </mrow> <msub> <mi>k</mi> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> </mfrac> <mo>&amp;times;</mo> <mi>k</mi> <mo>;</mo> </mrow>

其中，β为梯度调节系数，k为迭代次数，k_max为最大迭代次数，β_start、β_end分别表示调节系数β的初始值和终止值。

9.一种电子设备，其特征在于，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行如权利要求1-4中一个或多个所述的基于梯度粒子群算法的弹道快速优化的方法。

10.一种可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1-4中一个或多个所述的基于梯度粒子群算法的弹道快速优化的方法。