CN111459026A - 基于竞争群算法的倾转旋翼无人机多目标控制分配方法 - Google Patents

基于竞争群算法的倾转旋翼无人机多目标控制分配方法 Download PDF

Info

Publication number
CN111459026A
CN111459026A CN202010239905.XA CN202010239905A CN111459026A CN 111459026 A CN111459026 A CN 111459026A CN 202010239905 A CN202010239905 A CN 202010239905A CN 111459026 A CN111459026 A CN 111459026A
Authority
CN
China
Prior art keywords
actuator
population
representing
matrix
moment
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010239905.XA
Other languages
English (en)
Inventor
蔡志浩
唐旭阳
赵江
王英勋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Beijing University of Aeronautics and Astronautics
Original Assignee
Beijing University of Aeronautics and Astronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Aeronautics and Astronautics filed Critical Beijing University of Aeronautics and Astronautics
Priority to CN202010239905.XA priority Critical patent/CN111459026A/zh
Publication of CN111459026A publication Critical patent/CN111459026A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
    • G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
    • G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
    • G05D1/0858—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft specially adapted for vertical take-off of aircraft
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明属于无人机控制分配及智能算法领域，涉及一种基于竞争群算法的倾转旋翼无人机多目标控制分配方法。本发明将控制器输出的虚拟控制力矩指令作为输入；通过检测倾转旋翼无人机当前的飞行模式，计算得到控制效能矩阵；设定不同的目标优化函数，依据判断矩阵法设计各目标优化函数的权重系数，通过线性加权的形式将多目标优化问题转化为单目标优化函数以便于求解；利用竞争群算法针对目标优化函数，在作动器的位置限幅和速度限幅内对输入的虚拟控制力矩指令进行寻优，输出作动器实际的控制信号。本发明方法实现简单，收敛速度快，降低了计算负荷，具有全局寻优的能力和适应不同飞机对象以及可设定控制分配目标的能力。

Description

基于竞争群算法的倾转旋翼无人机多目标控制分配方法
技术领域
本发明属于无人机控制分配及智能算法领域，涉及一种基于竞争群算法的倾转旋翼无人机多目标控制分配方法。
背景技术
倾转旋翼无人机是一种通过倾转机构实现旋翼从垂直位置到水平位置切换从而实现垂直起降与高速巡航的新型无人机。由于可倾转旋翼的设计，倾转旋翼无人机可以实现直升机模式与固定翼飞机模式的切换，以期实现不同的任务需求、有着更好的性能表现。但是旋翼的倾转会使得无人机的布局结构发生变化，从而对控制提高了更高的要求，尤其是过渡阶段，倾转旋翼无人机的旋翼和舵面都能起到控制作用，导致作动器冗余。控制分配技术的应用不仅能实现无人机基本的姿态控制还能够通过不同作动器的组合实现人为设定的控制分配目标。
目前控制分配算法在分配原理上主要分为两类，即线性分配算法和非线性分配算法。其中，线性分配算法主要包括伪逆法、链式分配法、直接分配法、线性规划法等，非线性分配算法主要包括截距修正法、分段线性规划法、非线性规划法、智能控制分配等。其中，线性分配方法的好处是实现简单、工程实现能力强，缺点是线性分配法具有其先天缺陷，对与非线性的问题解决能力较差，存在较大的分配误差，难以满足复杂飞行条件和高机动飞行对控制分配的要求。而采用智能优化算法能够对非线性程度高的问题进行高精度分配，并且能够依据设定的目标优化函数实现不同的包括最小操纵量偏转、最小雷达反射面在内的控制分配目标。
发明内容
为此，本发明提供了一种基于竞争群算法的倾转旋翼无人机多目标优化控制分配方法，其目的是将控制分配问题转化为优化问题，并设计多目标竞争群优化算法来对问题进行求解，从而实现倾转旋翼无人机的控制分配。
本发明提供了一种基于竞争群算法的倾转旋翼无人机多目标控制分配方法，包括如下步骤：
S1：计算当前飞行模式下的控制效能矩阵；
S2：根据飞行目的和要求，设定多目标优化函数；
S3：依据判断矩阵法设计多目标优化函数中各目标优化函数的权重系数，并利用线性加权法，将多目标优化函数转化为单目标优化函数，设定种群适应度函数；
S4：设计多目标竞争群算法，在作动器的位置限幅和速度限幅内对输入的虚拟控制力矩指令进行寻优，输出作动器的控制分配信号。
进一步，步骤S1具体过程如下：
在倾转旋翼无人机过渡走廊内选取安全可靠的飞行状态，然后在当前飞行状态下进行配平线性化，得到三轴力矩相对于作动器的操纵导数，继而得到当前飞行状态下的控制效能矩阵B：
Figure BDA0002432194880000021
其中，控制效能矩阵B的每一行表示期望三轴力矩对不同作动器的操纵倒数；CL、CM、CN分别表示滚转力矩系数、俯仰力矩系数、偏航力矩系数；{δg|g＝1,2,…m}表示作动器；m为作动器数量。
进一步，步骤S2具体过程如下：
选取跟踪误差最小作为性能评价指标，使得作动器实际输出的三轴力矩与输入的期望三轴力矩误差最小，设计目标优化函数为：
f1＝||Wv(v-vd)||2
其中，Wv表示力矩权重系数矩阵；v表示期望输出力矩；vd表示实际输出力矩；
选取操纵量偏转最小作为性能评价指标，使得作动器总的偏转量最小，总体能量最小，设计目标优化函数为：
f2＝||Wu(u-ud)||2
其中，Wu表示作动器权重系数矩阵；u表示作动器实际位置；ud表示作动器期望位置；
将权重系数值作为性能指标评价函数的设计指标，设计目标优化函数为：
Figure BDA0002432194880000031
其中，k1、k2分别表示力矩权重系数最大差值与作动器权重系数最大差值对应的比例系数；||Wv||L1表示力矩权重系数矩阵Wv中权重系数之和；||Wu||L1表示作动器权重系数矩阵Wu中权重系数之和；I表示单位矩阵；下标∞表示无穷范数。
进一步，其特征在于，步骤S3具体过程如下:
根据倾转旋翼无人机的飞行任务和飞行条件，分析3个性能评价指标函数的重要程度，并将性能评价指标进行排队，得到判断矩阵：
Figure BDA0002432194880000032
根据性能评价指标函数相对其他函数的重要程度计算所对应的权重系数：
Figure BDA0002432194880000033
其中，
Figure BDA0002432194880000034
其中，asp表示第s个性能评价指标函数对于第p个性能评价指标函数的重要程度；
依据线性加权法，采用混合多目标优化控制分配策略，将多目标优化函数转化为单目标优化函数：
min J＝w1f1+w2f2+w3f3
其中，J表示种群适应度函数；min J表示寻找最小值；w1、w2、w3分别表示目标优化函数f1、f2、f3的权重系数。
进一步，步骤S4具体包括如下子步骤：
S41：建立初始粒子种群
设定种群的数量N和迭代次数tmax，在作动器的位置限幅内umin≤u≤umax进行种群位置初始化X(t)＝[X1(t),X2(t),…,XN(t)]，种群速度初始化V(t)＝[V1(t),V2(t),…,VN(t)]，其中，t表示迭代次数,0≤t≤tmax；u表示作动器位置；umin表示作动器位置下限；umax表示作动器位置上限；X表示种群位置；V表示种群速率；
考虑到实际中作动器不仅存在位置限制还存在速度限制，在每个采样周期内对作动器的位置限制进行修正：
u(h)＝u(h-1)+dh*vmin
Figure BDA0002432194880000041
其中，u(h)表示h时刻下考虑速率限制的作动器位置下限；u(h-1)表示h-1时刻下作动器实际位置；dh表示采样时间间隔；vmin表示作动器偏转速率下限；
Figure BDA0002432194880000042
表示h时刻下考虑速率限制的作动器位置上限；vmax表示作动器偏转速率上限，
利用竞争群算法在
Figure BDA0002432194880000043
的约束条件下进行寻优。
S42：从种群中随机选取两个粒子，直至遍历整个种群，将种群中的粒子分为N/2个组别；
S43：利用步骤S3中设定的种群适应度函数，在每个组别中计算比较两个粒子的种群适应度，将种群适应度高的粒子视为胜者，将种群适应度低的粒子视为败者；
S44：胜者的位置和速度不更新，直接进入第t+1次迭代，败者向着败者更新速度和位置；
S45：判断是否停止迭代；
若种群适应度满足最小误差要求，或迭代次数达到最大，则输出控制分配解，否则返回步骤S2；
S46：输出控制分配结果。
进一步，步骤S44具体过程如下：
定义第t次迭代次数下，种群中第k,k＝1,2,…,N/2,组别中的胜者的位置和速度分别为Xi(t)，Vi(t)，和败者的位置和速度分别为Xj(t)和Vj(t)，运用式(1)所述策略更新败者的速度：
Figure BDA0002432194880000051
其中，Vj(t+1)表示第t+1次迭代时的粒子j的种群速度；R1(t),R2(t),R3(t)∈[0,1]m是第t次迭代中三个随机产生的向量；
Figure BDA0002432194880000052
是种群位置的平均值；
Figure BDA0002432194880000053
是用来控制种群位置的平均值
Figure BDA0002432194880000054
影响的参数；
依据式(2)更新败者的位置：
Xj(t+1)＝Xj(t)+Vj(t+1) (2)
其中，Xj(t+1)表示第t+1次迭代时的粒子j的种群位置。
本发明的有益效果：
1)相较于传统的线性伪逆法，本发明的竞争群算法能够遍历整个转矩可达集合寻找最优解，从而提升了控制分配效率，对较大期望力矩的输入能够实现分配，从而提升了倾转旋翼无人机的机动能力，提高对扰动的抵抗能力，拓展了飞行包线。
2)本发明的竞争群算法相较于粒子群算法，有着更快的收敛速度和全局寻优的能力，针对多目标，大维度的问题的解决也有着更好的表现效果。
附图说明
图1为本发明的基于竞争群算法的倾转旋翼无人机多目标控制分配方法流程图；
图2为本发明的竞争群算法核心算法示意图；
图3a)-c)为本发明的竞争群算法与传统伪逆法三轴期望力矩响应对比示意图。
具体实施方式
下面结合附图和实施例进一步描述本发明，应该理解，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
如图1所示，本发明的基于竞争群算法的倾转旋翼无人机多目标优化控制分配方法包括如下步骤：
S1：计算当前飞行模式下的控制效能矩阵
本实施例选取倾转旋翼无人机过渡模态下短舱角度为δ＝60°(设定短舱竖直状态下倾转角度为0)下的飞行状态下进行控制分配问题说明。依据过渡走廊得到短舱倾转角度为60°下的速度V限制范围，选取速度V＝16m/s，在当前状态下对倾转旋翼无人机六自由度非线性动力学模型进行配平与线性化，由小扰动方程得到状态方程系数矩阵Bu，提取控制效能矩阵B为：
Figure BDA0002432194880000061
其中，控制效能矩阵B的每一行表示期望力矩对不同作动器的操纵导数。
作动器的位置限幅为：
umax＝[2.5 2.5 10 10 15 15 25 25 15 15]T
umin＝[-2.5 -2.5 -10 -10 -15 -15 -25 -25 -15 -15]T
其中，umax表示作动器位置上限；umin表示作动器位置下限。
作动器的速度限幅为：
Δumax＝[10 10 10 10 10 10 10 10 10 10]T
Δumin＝[-10 -10 -10 -10 -10 -10 -10 -10 -10 -10]T
其中，Δumax表示作动器速率上限；Δumin表示作动器速率下限。
对不同作动器的幅值限制进行归一化处理，这一步骤的意义在不同作动器有着不同的操纵范围，导致控制效能矩阵B中它们的操纵导数相差很大，但是这并不意味着它们的操纵能力相差很大，因此对作动器的位置限幅和速度限幅进行归一化处理。设
Figure BDA0002432194880000071
得到归一化处理后的
Figure BDA0002432194880000072
具体如下：
Figure BDA0002432194880000073
Figure BDA0002432194880000074
Figure BDA0002432194880000075
Figure BDA0002432194880000076
Figure BDA0002432194880000077
其中，
Figure BDA0002432194880000078
表示归一化处理的操纵效能矩阵；
Figure BDA0002432194880000079
表示归一化的作动器位置上限；
Figure BDA00024321948800000710
表示归一化的作动器位置下限；
Figure BDA00024321948800000711
表示归一化的作动器速率上限；
Figure BDA00024321948800000712
表示归一化的作动器速率下限。
S2:设定多目标优化函数
选取跟踪误差最小作为性能评价指标，使得作动器实际输出的三轴力矩与输入的期望三轴力矩误差最小，设计目标优化函数为：
f1＝||Wv(v-vd)||2
其中，Wv表示力矩权重系数矩阵；v表示期望输出力矩；vd表示实际输出力矩；
选取操纵量偏转最小作为性能评价指标，使得作动器总的偏转量最小，总体能量最小，设计目标优化函数为：
f2＝||Wu(u-ud)||2
其中，Wu表示作动器权重系数矩阵；u表示作动器实际位置；ud表示作动器期望位置；
将权重系数值作为性能指标评价函数的设计指标，设计目标优化函数为：
Figure BDA0002432194880000081
其中，k1、k2分别表示力矩权重系数最大差值与作动器权重系数最大差值所对应的比例系数；||Wv||L1表示矩阵Wv中权重系数之和；||Wu||L1表示矩阵Wu中权重系数之和；I表示单位矩阵；下标∞表示无穷范数。
S3：将步骤S2设定的多目标优化函数转化为单目标优化函数
设定判断矩阵：
Figure BDA0002432194880000082
根据性能评价指标函数相对其他函数的重要程度计算所对应的权重系数：
Figure BDA0002432194880000083
其中，
Figure BDA0002432194880000084
其中，asp表示第s个性能评价指标函数对于第p个性能评价指标函数的重要程度；计算得到w1＝0.7930,w2＝0.1451,w3＝0.0619。
依据线性加权法，采用混合多目标优化控制分配策略，将多目标优化函数转化为单目标优化函数：
min J＝w1f1+w2f2+w3f3
其中，J表示种群适应度函数；min J表示寻找最小值；w1、w2、w3分别表示目标优化函数的权重系数。
S4：产生初始粒子群
设定种群的数量N＝100，迭代次数tmax＝500和种群权重系数
Figure BDA0002432194880000091
在作动器的位置限幅内
Figure BDA0002432194880000092
进行种群位置初始化X(0)＝[X1(0),X2(0),…,XN(0)]，种群速度初始化V(0)＝[V1(0),V2(0),…,VN(0)]。
S5：从步骤S4产生的初始粒子群中随机选取两个粒子，计算并比较种群适应度
竞争群算法核心思想示意所图2示，从初始粒子群中随机选取两个粒子Xm,Xn，依据种群适应度函数计算种群适应度，fitm(t),fitn(t)(设定fitm(t)＞fitn(t)，t为迭代次数)。将种群适应度较大的粒子Xm视为胜者，将种群适应度较小的个体Xn视为败者，不断循环直至遍历至整个种群，即粒子两两一组，将产生的初始粒子群随机分为50组。
S6：由步骤S5可知t次迭代时每组粒子分为胜者位置和速度Xi(t),Vi(t)与败者位置和速度Xj(t),Vj(t)(i,j∈N)，其中胜者的种群位置和速度不更新，直接进入第t+1次迭代，而败者则依据式(1)更新败者的速度：
Figure BDA0002432194880000093
其中，Vj(t+1)表示第t+1次迭代时的粒子j的种群速度；R1(t),R2(t),R3(t)∈[0,1]m是第t次迭代中三个随机产生的向量；
Figure BDA0002432194880000094
是种群位置的平均值；
Figure BDA0002432194880000095
是用来控制种群位置的平均值
Figure BDA0002432194880000096
影响的参数；
依据式(2)更新败者的位置：
Xj(t+1)＝Xj(t)+Vj(t+1) (2)
其中，Xj(t+1)表示第t+1次迭代时的粒子j的种群位置。
S7：判断是否停止迭代
若种群适应度满足最小误差要求，或迭代次数达到最大则输出控制分配解，否则继续迭代。
S8：输出控制分配结果。
竞争群算法与伪逆法三轴力矩输出如图3所示。
综上，通过实例验证了本发明所提出的基于竞争群算法的倾转旋翼无人机多目标控制分配方法有效的实现倾转旋翼无人机过渡模态下的多目标控制分配问题。
对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以对本发明的实施例做出若干变型和改进，这些都属于本发明的保护范围。

Claims (6)

1.一种基于竞争群算法的倾转旋翼无人机多目标控制分配方法，其特征在于，包括如下步骤：
S1：计算当前飞行模式下的控制效能矩阵；
S2：根据飞行目的和要求，设定多目标优化函数；
S3：依据判断矩阵法设计多目标优化函数中各目标优化函数的权重系数，并利用线性加权法，将多目标优化函数转化为单目标优化函数，设定种群适应度函数；
S4：设计多目标竞争群算法，在作动器的位置限幅和速度限幅内对输入的虚拟控制力矩指令进行寻优，输出作动器的控制分配信号。
2.根据权利要求1所述的方法，其特征在于，步骤S1具体过程如下：
在倾转旋翼无人机过渡走廊内选取安全可靠的飞行状态，然后在当前飞行状态下进行配平线性化，得到三轴力矩相对于作动器的操纵导数，继而得到当前飞行状态下的控制效能矩阵B：
Figure FDA0002432194870000011
其中，控制效能矩阵B的每一行表示期望三轴力矩对不同作动器的操纵倒数；CL、CM、CN分别表示滚转力矩系数、俯仰力矩系数、偏航力矩系数；{δg|g＝1,2,…m}表示作动器；m为作动器数量。
3.根据权利要求1所述的方法，其特征在于，步骤S2具体过程如下：
选取跟踪误差最小作为性能评价指标，使得作动器实际输出的三轴力矩与输入的期望三轴力矩误差最小，设计目标优化函数为：
f1＝||Wv(v-vd)||2
其中，Wv表示力矩权重系数矩阵；v表示期望输出力矩；vd表示实际输出力矩；
选取操纵量偏转最小作为性能评价指标，使得作动器总的偏转量最小，总体能量最小，设计目标优化函数为：
f2＝||Wu(u-ud)||2
其中，Wu表示作动器权重系数矩阵；u表示作动器实际位置；ud表示作动器期望位置；
将权重系数值作为性能指标评价函数的设计指标，设计目标优化函数为：
Figure FDA0002432194870000021
其中，k1、k2分别表示力矩权重系数最大差值与作动器权重系数最大差值对应的比例系数；||Wv||L1表示力矩权重系数矩阵Wv中权重系数之和；||Wu||L1表示作动器权重系数矩阵Wu中权重系数之和；I表示单位矩阵；下标∞表示无穷范数。
4.根据权利要求3所述的方法，其特征在于，步骤S3具体过程如下:
根据倾转旋翼无人机的飞行任务和飞行条件，分析3个性能评价指标函数的重要程度，并将性能评价指标进行排队，得到判断矩阵：
Figure FDA0002432194870000022
根据性能评价指标函数相对其他函数的重要程度计算所对应的权重系数：
Figure FDA0002432194870000023
其中，
Figure FDA0002432194870000024
asp∈A，其中，asp表示第s个性能评价指标函数对于第p个性能评价指标函数的重要程度；
依据线性加权法，采用混合多目标优化控制分配策略，将多目标优化函数转化为单目标优化函数：
min J＝w1f1+w2f2+w3f3
其中，J表示种群适应度函数；min J表示寻找最小值；w1、w2、w3分别表示目标优化函数f1、f2、f3的权重系数。
5.根据权利要求1所述的方法，其特征在于，步骤S4具体包括如下子步骤：
S41：建立初始粒子种群
设定种群的数量N和最大迭代次数tmax，在作动器的位置限幅内umin≤u≤umax进行种群位置初始化X(t)＝[X1(t),X2(t),…,XN(t)]，种群速度初始化V(t)＝[V1(t),V2(t),…,VN(t)]，其中，t表示迭代次数，0≤t≤tmax；u表示作动器位置；umin表示作动器位置下限；umax表示作动器位置上限；X表示种群位置；V表示种群速率；
考虑到实际中作动器不仅存在位置限制还存在速度限制，在每个采样周期内对作动器的位置限制进行修正：
u(h)＝u(h-1)+dh*vmin
Figure FDA0002432194870000031
其中，u(h)表示h时刻下考虑速率限制的作动器位置下限；u(h-1)表示h-1时刻下作动器实际位置；dh表示采样时间间隔；vmin表示作动器偏转速率下限；
Figure FDA0002432194870000032
表示h时刻下考虑速率限制的作动器位置上限；vmax表示作动器偏转速率上限；
利用竞争群算法在
Figure FDA0002432194870000033
的约束条件下进行寻优；
S42：从种群中随机选取两个粒子，直至遍历整个种群，将种群中的粒子分为N/2个组别；
S43：利用步骤S3中设定的种群适应度函数，在每个组别中计算比较两个粒子的种群适应度，将种群适应度高的粒子视为胜者，将种群适应度低的粒子视为败者；
S44：胜者的位置和速度不更新，直接进入下一次迭代，败者向着败者更新速度和位置；
S45：判断是否停止迭代；
若种群适应度满足最小误差要求，或迭代次数达到最大，则输出控制分配解，否则返回步骤S2；
S46：输出控制分配结果。
6.根据权利要求5所述的方法，其特征在于，步骤S44具体过程如下：
定义第t次迭代次数下，种群中第k,k＝1,2,…,N/2,组别中的胜者的位置和速度分别为Xi(t)，Vi(t)，和败者的位置和速度分别为Xj(t)和Vj(t)，运用式(1)所述策略更新败者的速度：
Figure FDA0002432194870000041
其中，Vj(t+1)表示第t+1次迭代时的粒子j的种群速度；R1(t),R2(t),R3(t)∈[0,1]m是第t次迭代中三个随机产生的向量；
Figure FDA0002432194870000042
是种群位置的平均值；
Figure FDA0002432194870000043
是用来控制种群位置的平均值
Figure FDA0002432194870000044
影响的参数；
依据式(2)更新败者的位置：
Xj(t+1)＝Xj(t)+Vj(t+1) (2)
其中，Xj(t+1)表示第t+1次迭代时的粒子j的种群位置。
CN202010239905.XA 2020-03-31 2020-03-31 基于竞争群算法的倾转旋翼无人机多目标控制分配方法 Pending CN111459026A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010239905.XA CN111459026A (zh) 2020-03-31 2020-03-31 基于竞争群算法的倾转旋翼无人机多目标控制分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010239905.XA CN111459026A (zh) 2020-03-31 2020-03-31 基于竞争群算法的倾转旋翼无人机多目标控制分配方法

Publications (1)

Publication Number Publication Date
CN111459026A true CN111459026A (zh) 2020-07-28

Family

ID=71683410

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010239905.XA Pending CN111459026A (zh) 2020-03-31 2020-03-31 基于竞争群算法的倾转旋翼无人机多目标控制分配方法

Country Status (1)

Country Link
CN (1) CN111459026A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112653894A (zh) * 2020-12-15 2021-04-13 深圳万兴软件有限公司 帧间预测编码搜索方法、装置、计算机设备及存储介质
CN112685832A (zh) * 2020-12-29 2021-04-20 清华大学 垂直起降固定翼飞机过渡过程走廊构建方法
CN114489144A (zh) * 2022-04-08 2022-05-13 中国科学院自动化研究所 无人机自主机动决策方法、装置及无人机
CN118034071A (zh) * 2024-04-15 2024-05-14 四川沃飞长空科技发展有限公司 飞行器控制分配方法、装置、飞行器、存储介质及产品

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104020774A (zh) * 2014-06-19 2014-09-03 金陵科技学院 基于动态控制重新分配的飞行器姿态容错控制方法
CN106354009A (zh) * 2016-09-20 2017-01-25 江苏理工学院 一种飞翼飞行器舵机执行器组合控制分配方法
CN108303939A (zh) * 2017-06-09 2018-07-20 北京空天技术研究所 一种考虑控制量饱和的指令重构算法
CN110703787A (zh) * 2019-10-09 2020-01-17 南京航空航天大学 基于偏好矩阵的混合多目标pso算法的飞行器冗余控制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104020774A (zh) * 2014-06-19 2014-09-03 金陵科技学院 基于动态控制重新分配的飞行器姿态容错控制方法
CN106354009A (zh) * 2016-09-20 2017-01-25 江苏理工学院 一种飞翼飞行器舵机执行器组合控制分配方法
CN108303939A (zh) * 2017-06-09 2018-07-20 北京空天技术研究所 一种考虑控制量饱和的指令重构算法
CN110703787A (zh) * 2019-10-09 2020-01-17 南京航空航天大学 基于偏好矩阵的混合多目标pso算法的飞行器冗余控制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FENGYING ZHENG 等: ""Hybrid multi-objective control allocation strategy for compound high-speed rotorcraft"", 《ISA TRANSACTIONS》 *
RAN CHENG 等: ""A Competitive Swarm Optimizer for Large Scale Optimization"", 《IEEE TRANSACTIONS ON CYBERNETICS》 *
郑峰婴 等: ""复合式旋翼飞行器多目标控制分配策略"", 《航空学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112653894A (zh) * 2020-12-15 2021-04-13 深圳万兴软件有限公司 帧间预测编码搜索方法、装置、计算机设备及存储介质
CN112685832A (zh) * 2020-12-29 2021-04-20 清华大学 垂直起降固定翼飞机过渡过程走廊构建方法
CN114489144A (zh) * 2022-04-08 2022-05-13 中国科学院自动化研究所 无人机自主机动决策方法、装置及无人机
CN118034071A (zh) * 2024-04-15 2024-05-14 四川沃飞长空科技发展有限公司 飞行器控制分配方法、装置、飞行器、存储介质及产品

Similar Documents

Publication Publication Date Title
CN111459026A (zh) 基于竞争群算法的倾转旋翼无人机多目标控制分配方法
CN107065539B (zh) 一种飞翼布局飞行器的操纵面故障自适应容错控制方法
CN109725644A (zh) 一种高超声速飞行器线性优化控制方法
CN111880555B (zh) 翼伞系统避障航迹规划方法和系统
CN106970531B (zh) 倾转翼垂直起降无人机模态转换控制策略确定方法
CN111273688B (zh) 基于事件触发的四旋翼无人机一致性编队控制方法
CN112068594B (zh) 一种基于jaya算法优化的小型无人直升机航向控制方法
CN115576341A (zh) 基于函数微分和自适应变增益的无人机轨迹跟踪控制方法
CN114637312B (zh) 一种基于智能变形决策的无人机节能飞行控制方法及系统
CN113377121A (zh) 一种基于深度强化学习的飞行器智能抗扰动控制方法
CN108459611B (zh) 一种近空间飞行器的姿态跟踪控制方法
CN114637203A (zh) 一种针对中高速、大机动无人机的飞行控制系统
CN112947498B (zh) 飞行器航迹角控制方法、系统及存储介质
CN111897219B (zh) 基于在线逼近器的倾转四旋翼无人机过渡飞行模式最优鲁棒控制方法
CN114815878B (zh) 基于实时优化和深度学习的高超声速飞行器协同制导方法
CN115685764A (zh) 变翼展飞行器任务自适应的抗干扰跟踪控制方法及系统
CN112698666B (zh) 一种基于气象栅格的飞行器航路优化方法
CN113110576B (zh) 一种可连续切换的自适应固定时间收敛协同制导方法
CN115373275A (zh) 四旋翼无人机的指定时间预定性能容错控制方法
CN114036628A (zh) 变体飞行器翼展与控制策略协同设计方法
CN113148135A (zh) 一种多矢量推力倾转旋翼无人机及其航向控制方法
CN112464557B (zh) 基于改进型混合多目标pso的飞翼无人机冗余舵面控制方法
CN116755328B (zh) 基于切换模糊模型的倾转旋翼无人机过渡段飞行控制方法
CN109878703A (zh) 旋转机翼飞机多模式转换的控制分配方法
CN112464557A (zh) 基于改进型混合多目标pso的飞翼无人机冗余舵面控制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200728

RJ01 Rejection of invention patent application after publication