CN110399697B - 基于改进遗传学习粒子群算法的飞行器的控制分配方法 - Google Patents

Abstract

本发明公开一种基于改进遗传学习粒子群算法的飞行器的控制分配方法，该方法为：将伪控制量作为改进遗传学习粒子群算法的输入，所述伪控制量＝期望的三轴力矩*最优前馈增益‑执行机构的输出*最优反馈增益；利用改进遗传学习粒子群算法根据伪控制量计算得到执行器控制量；再将执行器控制量作用于执行机构，所述执行机构产生的输出为实际的器三轴力矩；将实际的三轴力矩输入至飞行器；飞行器按照实际的三轴力矩飞行。本发明不依赖于具体的数学问题，易于在工程上实施，本发明提供的方法具有更高的效率和更精准的计算结果。

Description

基于改进遗传学习粒子群算法的飞行器的控制分配方法

技术领域

本发明属于过驱动飞行器控制技术及智能算法领域，尤其涉及一种基于改进遗传学习粒子群算法的飞行器的控制分配方法。

背景技术

随着飞行环境日益复杂以及人们对飞行器要求的与日俱增，单纯的三操纵面飞行器已经很难满足需求。因此，多种气动布局形式被提出，在这些先进气动布局形式中，操纵面的余度配置形成了广义多操纵面布局的气动冗余，充分发挥了飞行器的优良特点，但也使得飞行器设计越来越复杂。控制分配作为解决该问题的有效途径，被大量应用于飞行器设计中。

传统的控制分配方法包括伪逆法、直接分配法、串接链法、内点法等，它们有的随着向量维数增加，运算量大大增加；有的易受到操纵面速率限制，从而产生极大的操纵量和操纵面饱和，同时，很多传统的控制分配算法依赖于具体的数学问题，给实际工程设计带来了不小的困难。而随着计算机技术的大幅度增强，智能算法在控制界的影响日益大大增加。使用智能算法来进行控制分配设计，不仅适应性强、适用性广，而且逼近能力强。粒子群算法作为群体智能优化算法中最具有代表性的一种算法之一，由于其收敛速度快的特点，被广泛使用。但是，粒子群算法极易陷入局部最优解。为此，可将粒子群算法与遗传算法结合来解决该问题。

发明内容

发明目的：针对上述现有技术中控制分配方法在实际工程中不易于实施、粒子群算法极易陷入局部最优解等问题，本发明提供一种基于改进遗传学习粒子群算法的飞行器的控制分配方法。

技术方案：本发明提供一种基于改进遗传学习粒子群算法的飞行器的控制分配方法，该方法具体包括如下步骤：

步骤1：将伪控制量作为改进遗传学习粒子群算法的输入，所述伪控制量＝期望的三轴力矩*最优前馈增益-执行机构的输出*最优反馈增益；利用改进遗传学习粒子群算法根据伪控制量计算得到执行器控制量；

步骤2：将执行器控制量作用于执行机构，所述执行机构产生的输出为实际的三轴力矩；将实际的三轴力矩输入至飞行器；飞行器按照实际的三轴力矩飞行。

进一步的，所述最优前馈增益：

K_LQF＝[C(B_vK_LQ-A)^-1B_v]⁺

其中，C∈R^n×n为飞行器系统的输出矩阵，A∈R^n×n为飞行器系统的状态矩阵，n为飞行器系统状态量的数量,矩阵B_v由B_u分解得到，B_u＝B_vB，B_u为飞行器系统的输入矩阵，B为飞行器控制分配矩阵；通过解算Riccati方程 得到矩阵P₁的值,并将矩阵P₁的值作为最优反馈增益K_LQ，其中Q₁、R₁为由线性二次型理论得到的性能矩阵；T为矩阵转置。

进一步的，所述步骤1的具体方法为：

步骤1.1：初始化粒子群，设定最大迭代次数为maxgen，设定粒子的最大、最小速率为V_min、V_max；

步骤1.2：利用遗传算法对初始粒子群进行优化；判断当前迭代次数t是否大于等于预设的迭代次数T1，如果否，则转步骤1.3；如果是，则判断第t次迭代计算中优化后的粒子群与第t-1次迭代计算中优化后的粒子群是否有变化，如果有变化，则转步骤1.3，如果没有变化，则在当前粒子群中随机选择20％的粒子加入下一次迭代的粒子群中，并转步骤1.3；

步骤1.3：计算优化后粒子群中每个粒子的适应值,选择适应值最优的粒子作为本次迭代计算的个体极值，并保存；将本次迭代计算得到的个体极值与第t-1迭代计算得到的个体极值进行比较，再次选择适应值最优的粒子作为本次迭代计算的全局最优解，并保存；

步骤1.4：将本次迭代计算的全局最优解作为父代粒子进行变异，并将变异后的粒子作为子代粒子；将父代粒子与子代粒子进行比较；重新选择适应值最优的粒子作为本次得迭代计算的全局最优解，并保存；

步骤1.5：判断t是否大于等于maxgen；如果是，则输出最后一次迭代计算得到的全局最优解，将该全局最优解作为执行器控制量；如果否，判断t是否大于等于预设的迭代次数T2；如果不是，则转步骤1.6；如果是，则转步骤1.7；

步骤1.6：更新粒子群中每个粒子的速率，从而形成新的粒子群，新粒子群＝旧粒子群+粒子群速率；并将该新的粒子作为下一次迭代计算的初始粒子，t＝t+1,转步骤1.2；

步骤1.7：判断前t-1次每次迭代产生的全局最优解是否有变化，如果没有变化，则更新粒子群中每个粒子的速率，并对更新速率后的粒子群执行突变策略，从而形成新的粒子群；并将该新的粒子作为下一次迭代计算的初始粒子，t＝t+1,转步骤1.2；如果有变化则转步骤1.6。

进一步的，所述步骤1.3中的适应值J的计算公式如下所示：

s.t.v＝Bu

其中，u∈R^q为执行器控制量；v＝Bu；q为执行器控制量的输入个数。

进一步的，所述步骤2.6和步骤2.7中更新粒子群中每个粒子的速率的方法如下所示：

V_i(t+1)＝wV_i(t)+C₁r₁(P(t)-X_i(t))r₃+C₂r₂(G(t)-X_i(t))(1-r₃)

其中，惯性权重w(t)、加速度因子C₁、C₂分别为

其中，V_i(t+1)表示下一次迭代计算的第i个粒子的速率，w为惯性权重，w_s为初始惯性权重，w_f为最终惯性权重，V_i(t)为本次迭代计算的第i个粒子速率，C₁为认知加速度因子，C_1s为初始认知加速度因子，C_1f为最终认知加速度因子，C₂为社会加速度因子，C_2s初始社会加速度因子，C_2f为最终社会加速度因子，r₁、r₂为[0,1]之间的随机数，r为常数，P(t)为当前迭代计算的个体极值，G(t)为当前迭代计算的全局最优解，X_i(t)为第i个粒子。

进一步的，所述步骤1.7中对更新速率后的粒子群执行突变策略的具体方法为：

步骤A:产生一个[0,1]的随机数R₁，设定一个突变概率P，0.8≤P≤1，若R₁<P，则转骤B；否则结束突变操作，进行下一次迭代计算；

步骤B:产生一个[0,1]的随机数R₂，若R₂>0.5，则按下述策略突变粒子群中每个粒子的速率：

若R₂≤0.5,则按下述策略突变粒子群中每个粒子的速率：

其中，V_max为粒子最大速率，R₁、R₂、R₃、R₄均为0到1之间的随机数。

进一步的，所述步骤2.4中对该适应值最优的粒子进行变异：

G^*(t)＝G(t)+V^*(t)f(G(t))

其中：

其中G^*(t)为变异后的粒子，V^*(t)为本迭代计算的粒子群的平均速度。

有益效果：本发明通过使用遗传算法构造优化种群，使粒子搜索更加多样化，避免了粒子群算法的过早收敛、提高幸存的样本的高质量、从而整个控制分配方法的工作效率，同时也提高了计算精度。

附图说明

图1为本发明闭环系统框图。

图2为本发明改进遗传学习粒子群算法的流程图。

具体实施方式

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

本实施例提供一种基于改进遗传学习粒子群算法的飞行器的控制分配方法，如图1所示该方法采用分层设计的思路:首先设计上层控制律，根据控制对象，基于LQR设计满足相应Riccati方程的最优反馈增益、最优前馈增益，并生成伪控制量；其次，在一种改进遗传学习粒子群算法的基础之上设计中层控制分配算法，得到实际执行器控制指令。最终，将实际执行器控制量输出到下层控制对象执行器。

第一步：设计上层控制律：解Riccati方程：将得到的P₁的值作为最优反馈增益K_LQ；其中Q₁、R₁为由线性二次型理论得到的性能矩阵；最优前馈增益K_LQF＝[C(B_vK_LQ-A)^-1B_v]⁺；其中，C∈R^n×n为飞行器系统的输出矩阵，A∈R^n×n为飞行器系统的状态矩阵，n为飞行器系统状态量的数量,矩阵B_v由B_u分解得到，B_u＝B_vB，B_u为飞行器系统的输入矩阵，B为飞行器系统的控制分配矩阵。得到伪控制量＝期望的三轴力矩*最优前馈增益-执行机构的输出*最优反馈增益。

第二步：根据飞行器系统空间状态模型，以及公式：B_u＝B_vB，设计控制分配矩阵B；

其中，x∈Rⁿ为飞行器系统系统状态，y∈R^m为飞行器系统的输出。

并设计粒子群算法的中层控制分配算法(性能指标)：

s.t.v＝Bu

第三步：将伪控制量作为改进遗传学习粒子群算法的输入，利用改进遗传学习粒子群算法根据伪控制量计算得到执行器控制量；具体改进遗传学习粒子群算法如图2所示；

本实施例中设定迭代次数maxgen＝100,种群规模sizepop＝10,粒子群最大、最小速率分别群最大、最小速率分别为+5和-5；T1＝7,T2＝7；

图2中对粒子群速率进行更新的公式为：

V_i(t+1)＝wV_i(t)+C₁r₁(P_i(t)-X_i(t))r₃+C₂r₂(G_i(t)-X_i(t))(1-r₃)

惯性权重对粒子群算法的全局寻优和局部寻优的平衡有非常大的意义。较大的惯性权重使得粒子群速度更新变快，全局搜索能力增强，而较小的惯性权重让粒子群速度更新变慢，局部搜索能力增强。为了取得一个较好的寻优效果，采用以下方法计算非线性惯性权重：

其中，V_i(t+1)表示下一次迭代计算的第i个粒子的速率，w为惯性权重，w_s＝0.9为初始惯性权重，w_f＝0.4为最终惯性权重，V_i(t)为本次迭代计算的第i个粒子速率，C₁为认知加速度因子，C_1s＝0.5为初始认知加速度因子，C_1f＝2.5为最终认知加速度因子，C₂为社会加速度因子，C_2s＝2.5初始社会加速度因子，C_2f＝0.5为最终社会加速度因子，r₁、r₂为[0,1]之间的随机数，r＝2.5,P(t)为当前迭代计算的个体极值，G(t)为当前迭代计算的全局最优解，X_i(t)为第i个粒子。

该计算惯性权重的方法使得粒子群算法初期拥有较大的认知加速度因子和较小的社会加速度因子，保证了搜索范围。但在初期搜索过程中，粒子移动到的种群可能不是最佳种群,因此随着迭代次数的增加，算法减少了认知加速度因子，增加了社会加速度因子，从而使得粒子算法在后期可以收敛到全局最优。

图2中将全局最优解进行cauchy变异的具体公式为：

G^*(t)＝G(t)+V^*(t)f(G(t))

其中：

其中G^*(t)为变异后的粒子，V^*(t)为本迭代计算的粒子群的平均速度。

图2中对全局最优解没有变化的粒子群速率更新后，再对每个粒子进行速率突变，具体速率突变的方法为：

步骤A:产生一个[0,1]的随机数R₁，设定一个突变概率P(本实施例中设定P＝0.8)，若R₁<P，则转步骤B；否则结束突变操作；将速度更新后的粒子群作为下次迭代计算的初始粒子群，并进行下一次迭代计算。

步骤B:产生一个[0,1]的随机数R₂，若R₂>0.5，则按下述策略突变粒子群中每个粒子的速率：

若R₂≤0.5,则按下述策略突变粒子群中每个粒子的速率：

其中，V_max为粒子最大速率，R₁、R₂、R₃、R₄均为0到1之间的随机数。

第四步：将粒子群最后一次迭代计算输出的全局最优解作为执行器控制量，作用于执行机构(飞行器状态空间矩阵)，将所述执行机构产生的输出(实际的三轴力矩)作用到实际的飞行器中；所述实际的飞行器按照实际的三轴力矩飞行。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

Claims (4)

1.基于改进遗传学习粒子群算法的飞行器的控制分配方法，其特征在于，具体包括如下步骤：

步骤1：将伪控制量作为改进遗传学习粒子群算法的输入，所述伪控制量A1的计算方法为：A1＝A2*A3-A4*A5，其中A2为期望的三轴力矩，A3为最优前馈增益，A4为执行机构的输出，A5为最优反馈增益；利用改进遗传学习粒子群算法根据伪控制量计算得到执行器控制量；

步骤2：将执行器控制量作用于执行机构，所述执行机构产生的输出为实际的三轴力矩；将实际的三轴力矩输入至飞行器；飞行器按照实际的三轴力矩飞行；

所述步骤1的具体方法为：

步骤1.1：初始化粒子群，设定最大迭代次数为maxgen，设定粒子的最大、最小速率为V_max、V_min；

步骤1.2：利用遗传算法对初始粒子群进行优化；判断当前迭代次数t是否大于等于预设的迭代次数T1，如果否，则转步骤1.3；如果是，则判断第t次迭代计算中优化后的粒子群与第t-1次迭代计算中优化后的粒子群是否有变化，如果有变化，则转步骤1.3，如果没有变化，则在当前粒子群中随机选择20％的粒子加入下一次迭代的粒子群中，并转步骤1.3；

步骤1.3：计算优化后粒子群中每个粒子的适应值,选择适应值最优的粒子作为本次迭代计算的个体极值，并保存；将本次迭代计算得到的个体极值与第t-1次迭代计算得到的个体极值进行比较，再次选择适应值最优的粒子作为本次迭代计算的全局最优解，并保存；

步骤1.4：将本次迭代计算的全局最优解作为父代粒子进行变异，并将变异后的粒子作为子代粒子；将父代粒子与子代粒子进行比较；重新选择适应值最优的粒子作为本次迭代计算的全局最优解，并保存；

步骤1.5：判断t是否大于等于maxgen；如果是，则输出最后一次迭代计算得到的全局最优解，将该全局最优解作为执行器控制量；如果否，判断t是否大于等于预设的迭代次数T2；如果不是，则转步骤1.6；如果是，则转步骤1.7；

步骤1.6：更新粒子群中每个粒子的速率，从而形成新的粒子群；并将该新粒子群作为下一次迭代计算的初始粒子群，t＝t+1,转步骤1.2；

步骤1.7：判断前t-1次每次迭代产生的全局最优解是否有变化，如果没有变化，则更新粒子群中每个粒子的速率，并对更新速率后的粒子群执行突变策略，从而形成新的粒子群；并将该新的粒子群作为下一次迭代计算的初始粒子群，t＝t+1,转步骤1.2；如果有变化则转步骤1.6；

所述步骤1.7中对更新速率后的粒子群执行突变策略的具体方法为：

步骤A:产生一个[0,1]的随机数R₁，设定一个突变概率P，0.8≤P≤1，若R₁<P，则转骤B；否则结束突变操作，进行下一次迭代计算；

步骤B:产生一个[0,1]的随机数R₂，若R₂>0.5，则按下述策略突变粒子群中每个粒子的速率：

若R₂≤0.5,则按下述策略突变粒子群中每个粒子的速率：

其中，V_max为粒子最大速率，R₁、R₂、R₃、R₄均为0到1之间的随机数。

2.根据权利要求1所述的基于改进遗传学习粒子群算法的飞行器的控制分配方法，其特征在于，所述最优前馈增益：

K_LQF＝[C(B_vK_LQ-A)^-1B_v]⁺

其中，C∈R^n×n为飞行器系统的输出矩阵，A∈R^n×n为飞行器系统的状态矩阵，n为飞行器系统状态量的数量,矩阵B_v由B_u分解得到，B_u＝B_vB，B_u为飞行器系统的输入矩阵，B为飞行器控制分配矩阵；通过解算Riccati方程 得到矩阵P₁的值,并将矩阵P₁的值作为最优反馈增益K_LQ，其中Q₁、R₁为由线性二次型最优理论得到的性能矩阵；所述T为矩阵转置。

3.根据权利要求1所述的基于改进遗传学习粒子群算法的飞行器的控制分配方法，其特征在于，所述步骤1.6和步骤1.7中更新粒子群中每个粒子的速率的方法如下所示：

V_i(t+1)＝wV_i(t)+C₁r₁(P(t)-X_i(t))r₃+C₂r₂(G(t)-X_i(t))(1-r₃)

其中，惯性权重w(t)、加速度因子C₁、C₂分别为

其中，V_i(t+1)表示下一次迭代计算的第i个粒子的速率，w为惯性权重，w_s为初始惯性权重，w_f为最终惯性权重，V_i(t)为本次迭代计算的第i个粒子速率，C₁为认知加速度因子，C_1s为初始认知加速度因子，C_1f为最终认知加速度因子，C₂为社会加速度因子，C_2s初始社会加速度因子，C_2f为最终社会加速度因子，r₁、r₂为[0,1]之间的随机数，r为常数,P(t)为当前迭代计算的个体极值，G(t)为当前迭代计算的全局最优解，X_i(t)为第i个粒子。

4.根据权利要求3所述的基于改进遗传学习粒子群算法的飞行器的控制分配方法，其特征在于，所述步骤1.4中采用如下公式进行变异：

G^*(t)＝G(t)+V^*(t)f(G(t))

其中：

其中G^*(t)为变异后的粒子，V^*(t)为本迭代计算的粒子群的平均速度。