CN110502860A - 基于粒子群算法的无人直升机控制优化方法 - Google Patents

Abstract

本发明涉及基于粒子群算法的无人直升机控制优化方法，属于无人直升机显模型跟踪控制领域，该方法包括：确定无人直升机显模型控制系统得到其中的积分常数阵G4和增益对角矩阵R；将G4和R作为粒子群中的参数通过粒子群算法优化，并输出控制器。本发明通过在显模型控制方法中引入粒子群优化算法，优化无人直升机控制器中的参数，提高了无人直升机的操纵品质，改善被控对象的鲁棒性。得出的控制器可使被控对象的性能在约束范围内达到最优，设计更简单、使用更灵活。本发明还解决了传统显模型跟踪控制方法中积分常数阵G4和增益对角矩阵R的选择通过试凑的方法凭借专家经验的劣势，使得更便捷的构造出G4和R并得到最优的控制器。

Description

基于粒子群算法的无人直升机控制优化方法

技术领域

本发明属于无人直升机控制技术领域，具体地，涉及基于粒子群算法的无人直升机控制优化方法。

背景技术

无人直升机(unmanned helicopter简称UMH)不仅具有部署方便、机动灵活、使用时不会产生人员伤亡和生存力强等无人机的优点，同时具有定点悬停、垂直起降和任意方向飞行等飞行能力。无人直升机飞行动力学特性表现为高阶、强耦合。耦合是无人直升机飞行时影响操纵品质的主要因素。显模型跟踪控制系统(model-follow control system，MFCS)能有效的减小耦合改善飞行品质。MFCS所以建立的四个通道的显模型是线性独立模型，通过跟踪控制率设计，可以使各通道直接跟踪各自的显模型使得通道间具有优良的解耦性能。其跟踪控制率能使控制对象在一个采样周期内跟踪显模型并具有优良的跟踪特性与稳态性能。

粒子群算法，也称粒子群优化算法或鸟群觅食算法(Particle SwarmOptimization)。PSO算法属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它通过追随当前搜索到的最优值来寻找全局最优。这种算法有实现容易、精度高、收敛快等优点，并且在解决实际问题中展示了其优越性。

在MFCS设计中，积分常数矩阵G4与前向增益对角矩阵R的设计没有固定的标准可以参考，所以不同的设计人员所设计的矩阵也不尽相同。对于G4、R矩阵的设计普遍采用试凑法，这样设计出来的控制器不但需要的工作量大，并且也不一定能够保证控制器达到很好的控制效果。

发明内容

为了解决现有技术中的不足，本发明的目的在于提供基于粒子群算法的无人直升机控制优化方法，所述方法通过粒子群优化算法对矩阵G4和R进行优化，解决现有技术中显模型跟踪控制中前向增益对角阵R、积分常数阵G4的选择凭借专家经验的劣势。

为了实现上述目的，本发明采用的具体方案为：

基于粒子群算法的无人直升机控制优化方法，包括以下步骤：

步骤一、根据无人直升机模型设计四个通道的显模型，四个通道的显模型传递函数如下：

纵向通道：

横向通道：

航向通道：

总距通道：

式中，C_ii(i＝1,2,3,4)为各通道的灵敏度系数，τ_m为时间常数，ξ为阻尼系数，ω_n为模型带宽；

步骤二、确定显模型跟踪控制系统外回路反馈阵G1、内回路反馈阵G2、比例阵G5、控制阵G3、前向增益对角阵R、积分常数阵G4；

步骤三、将前向增益对角阵R、积分常数阵G4作为粒子群中各粒子的参数，通过粒子群算法优化；

步骤四、将求得矩阵G4、R代入显模型控制系统。

作为对上述方案的进一步优化，所述步骤三具体包括：

A1、设置粒子群算法参数，并初始化粒子群；

A2、确定粒子群适应度；

A3、比较各粒子的适应度，找出局部最优值得粒子位置和全局最优值粒子位置；

A4、更新各粒子的速度和位置，直到达到满足条件。

作为对上述方案的更进一步优化，所述初始化粒子群：种群规模sizepop＝20；迭代次数maxgen＝100；初始速度和种群上下的边界值Vmax＝1，Vmin＝-1，popmax＝5，popmin＝-5；

惯性权重：

式中ω_max代表权重最大值，ω_min代表最小值，f代表粒子当前目标函数值，f_min代表最小目标值，f_avg代表平均目标值；最大惯性权重ω_max＝0.9；最小惯性权重ω_min＝0.6；学习因子：

其中，d是预设大于零的非负系数，Cmax取2.5，Cmin取0.5；

所述确定粒子群适应度：

fitness(i)＝object_fun(pop(i,:))，fitnessgbest＝fitness，fitnesszbest＝bestfitness；

所述比较各粒子的适应度，找出局部最优值得粒子位置和全局最优值粒子位置：

[bestfitness bestindex]＝min(fitness)，

zbest＝pop(bestindex,:)，

gbest＝pop，

fitnessgbest＝fitness，

fitnesszbest＝bestfitness；

所述更新各粒子的速度和位置，通过下式更新：

V(j,k)＝w*V+c1*rand*(gbest-pop(j,k))+c2*rand*(zbest-pop(j,k))，

V(j,find(V(j,k)>Vmax))＝Vmax，V(j,find(V(j,k)<Vmin))＝Vmin。

有益效果：

1、本发明将G4和R作为粒子群中的参数通过粒子群算法优化，并输出控制器。通过在显模型控制方法中引入粒子群优化算法，优化无人直升机控制器中的参数，提高了无人直升机的操纵品质，改善被控对象的鲁棒性。得出的控制器可使被控对象的性能在约束范围内达到最优。

2、本发明在显模型控制的方法中引入了粒子群算法，优化前向增益对角阵R、积分常数阵G4，解决了现有技术上矩阵G4、R的选择凭借专家经验的劣势，使得设计简单、使用更灵活、应用范围更加广泛。

附图说明

图1是本发明实施例中粒子群优化算法流程图；

图2是本发明实施例中粒子速度更新示意图；其中：z^k：当前的搜索点；z^k+1：调整后的搜索点；v^k：当前的速度；v^k+1：调整后的速度；v_Pbest：基于个体极值Pbest的速度；v_Gbest：基于群体极值Gbest的速度；

图3是本发明实施例中显模型控制系统结构图；

图4是本发明实施例中优化前各通道仿真图；

图5是本发明实施例中优化后各通道仿真图。

具体实施方式

下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述。

本案将可由以下的实施例说明而得到充分了解，使得熟悉本技艺之人士可以据以完成，其他实施方案可以包括结构的、逻辑的、过程的以及其他的改变。

为了解决现有技术中显模型跟踪控制中前向增益对角阵R、积分常数阵G4的选择凭借专家经验的劣势，本发明实例提供了一种基于粒子群算法的控制优化方法。包括如下步骤：

步骤一、根据无人直升机模型设计四个通道的显模型

某无人直升机线性模型为

其中状态量和控制量分别是：

x＝[u v w p q r φ θ ψ]^T

Δu＝[Δu_e Δu_a Δu_r Δu_c]^T

式中：x是无人直升机状态变量，包含体轴系三维速度u,v,w，体轴系三维角速度p,q,r，姿态角φ,θ,ψ；Δu＝[Δu_e Δu_a Δu_r Δu_c]^T是无人直升机纵向、横向、航向、高度四个作动器Δδ＝[δ_e δ_a δ_r δ_c]^T的输入信号。用后向差分法将上述方程离散化即得四个通道的显模型传递函数如下：

纵向通道：

横向通道：

航向通道：

总距通道：

设计如下带宽纵向通道：ω_n1＝3rad/s，时间常数τ_m1＝0.33s；横向通道：ω_n2＝3rad/s,时间常数τ_m2＝0.33；航向通道：ω_n3＝5rad/s,时间常数τ_m3＝0.20s；总距通道：ω_n1＝4rad/s,时间常数τ_m1＝0.25s.

设计灵敏系数为，纵向通道：C₁₁＝6°/cm；横向通道：C₂₂＝12°/cm；航向通道：C₃₃＝10°/cm；总距通道：C₄₄＝-2m/(s·cm)。考虑总距通道速度方向是向下为正，所以总距通道灵敏系数为负。

步骤二、确定显模型跟踪控制系统外回路反馈阵G1、内回路反馈阵G2、比例阵G5、控制阵G3、前向增益对角阵R、积分常数阵G4。

在图3中显模型控制系统结构图中外回路反馈阵G1，用于选择俯仰角变化量Δθ和滚转角变化量Δφ作为反馈量。内回路反馈阵G2，用于选择俯仰角速率变化量Δq、滚转角速率变化量Δp、偏航角速率变化量Δr和地垂速率变化量Δw。姿态误差e₁经比例阵G5以一定的比例关系转变成速率指令与无人直升机实际的速率信号之差形成速率误差e₂，该误差信号经过控制阵G3又以比例加积分的形式形成作动器控制信号ΔU其中积分信号的引入可抑制稳态误差，该信号通过作动器使无人直升机的实际状态量Δx跟踪显模型的输出。

跟踪的动静态性能将取决于前向增益对角阵R和积分常数阵G4。其中，调节对角阵R的元素可以改善系统在跟踪的动态特性，调节对角阵G4的相应元素可以减少系统一拍跟踪的稳态误差。

步骤三、将前向增益对角阵R、积分常数阵G4作为粒子群中各粒子的参数，通过粒子群算法优化。

进一步地，所述步骤三包括：

A1.设置粒子群算法参数，并初始化粒子群：种群规模sizepop＝20；迭代次数maxg＝100；初始速度和种群上下的边界值Vmax＝1、Vmin＝-1、popmax＝5、popmin＝-5；

惯性权重：

式中ω_max代表权重最大值ω_min代表最小值，f代表粒子当前目标函数值，f_min代表最小目标值f_avg代表平均目标值。最大惯性权重ω_max＝0.9；最小惯性权重ω_min＝0.6。

学习因子：其中，d是预设大于零的非负系数，C_max取2.5，C_min取0.5。

A2.确定粒子群适应度:

fitness(i)＝object_fun(pop(i,:))

fitnessgbest＝fitness；fitnesszbest＝bestfitness；

A3.比较各粒子的适应度，找出局部最优值得粒子位置和全局最优值粒子位置:

[bestfitness bestindex]＝min(fitness)；

zbest＝pop(bestindex,:)；

gbest＝pop；

fitnessgbest＝fitness；

fitnesszbest＝bestfitness；

A4.更新各粒子的速度和位置，直到达到满足条件:

V(j,k)＝w*V+c1*rand*(gbest-pop(j,k))+c2*rand*(zbest-pop(j,k))；

V(j,find(V(j,k)>Vmax))＝Vmax；

V(j,find(V(j,k)<Vmin))＝Vmin。

步骤四、将求得矩阵G4、R代入显模型控制系统，得到仿真结果如图4图5所示。

附图结果分析：结果分析，由图4和图5的各通道动态特性响应可以得出，控制系统拥有良好的跟踪性能并且各通道间具有优良的解耦性能，以俯仰通道为例给入阶跃信号后，其余三个通道都保持了镇定。快速性上有所改善，并且由图中可以明显看出在波动幅值上，优化后的波动大小明显优于粒子群算法优化前的。

需要说明的是，以上所述的实施方案应理解为说明性的，而非限制本发明的保护范围，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，在其他实施例中实现。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。本发明的保护范围以权利要求书为准。

Claims (3)

1.基于粒子群算法的无人直升机控制优化方法，其特征在于：包括以下步骤：

步骤一、根据无人直升机模型设计四个通道的显模型，四个通道的显模型传递函数如下：

纵向通道：

横向通道：

航向通道：

总距通道：

式中，C_ii(i＝1,2,3,4)为各通道的灵敏度系数，τ_m为时间常数，ξ为阻尼系数，ω_n为模型带宽；

步骤二、确定显模型跟踪控制系统外回路反馈阵G1、内回路反馈阵G2、比例阵G5、控制阵G3、前向增益对角阵R、积分常数阵G4；

步骤三、将前向增益对角阵R、积分常数阵G4作为粒子群中各粒子的参数，通过粒子群算法优化；

步骤四、将求得矩阵G4、R代入显模型控制系统。

2.根据权利要求1所述的基于粒子群算法的无人直升机控制优化方法，其特征在于：所述步骤三具体包括：

A1、设置粒子群算法参数，并初始化粒子群；

A2、确定粒子群适应度；

A3、比较各粒子的适应度，找出局部最优值得粒子位置和全局最优值粒子位置；

A4、更新各粒子的速度和位置，直到达到满足条件。

3.根据权利要求1所述的基于粒子群算法的无人直升机控制优化方法，其特征在于：所述初始化粒子群：种群规模sizepop＝20；迭代次数maxgen＝100；初始速度和种群上下的边界值Vmax＝1，Vmin＝-1，popmax＝5，popmin＝-5；

惯性权重：

式中ω_max代表权重最大值，ω_min代表最小值，f代表粒子当前目标函数值，f_min代表最小目标值，f_avg代表平均目标值；最大惯性权重ω_max＝0.9；最小惯性权重ω_min＝0.6；

学习因子：

其中，d是预设大于零的非负系数，Cmax取2.5，Cmin取0.5；

所述确定粒子群适应度：

fitness(i)＝object_fun(pop(i,:))，fitnessgbest＝fitness，fitnesszbest＝bestfitness；

所述比较各粒子的适应度，找出局部最优值得粒子位置和全局最优值粒子位置：

[bestfitness bestindex]＝min(fitness)，

zbest＝pop(bestindex,:)，

gbest＝pop，

fitnessgbest＝fitness，

fitnesszbest＝bestfitness；

所述更新各粒子的速度和位置，通过下式更新：

V(j,k)＝w*V+c1*rand*(gbest-pop(j,k))+c2*rand*(zbest-pop(j,k))，

V(j,find(V(j,k)>Vmax))＝Vmax，V(j,find(V(j,k)<Vmin))＝Vmin。