CN111832165A - 一种测控设备布站优化方法及装置 - Google Patents
一种测控设备布站优化方法及装置 Download PDFInfo
- Publication number
- CN111832165A CN111832165A CN202010633928.9A CN202010633928A CN111832165A CN 111832165 A CN111832165 A CN 111832165A CN 202010633928 A CN202010633928 A CN 202010633928A CN 111832165 A CN111832165 A CN 111832165A
- Authority
- CN
- China
- Prior art keywords
- measurement
- constraint
- control equipment
- optimization
- objective function
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种测控设备布站优化方法及装置,属于测控设备布站优化领域。该方法包括:以测控设备测得的弹道点在X轴、Y轴、Z轴三个方向上的交会测量误差分布均匀且交会测量总精度最高为原则,构建单个弹道点的优化目标函数,对所有弹道点的优化目标函数求和得到总优化目标函数;构建约束方程,约束方程中的约束条件包括测量精度约束、设备跟踪精度约束、逆光约束和区域约束中的至少两个;在约束方程的限制下求解总优化目标函数得到测控设备优化后的站址坐标。利用本发明的总优化目标函数对测控设备的站址坐标进行优化,不仅能使交会测量总精度满足精度要求,还能保证三个方向上的交会测量误差分布均匀,能提高测控设备的测量精度。
Description
技术领域
本发明涉及一种测控设备布站优化方法及装置,属于测控设备布站优化技术领域。
背景技术
测控设备布站优化是提高靶场外弹道测量精度的一种有效手段,其实质是在测控设备精度与目标定位算法确定的情况下,通过采用最为合理的布站几何方案,提高对武器试验目标的跟踪测量精度。
目前,测控设备布站优化的研究归纳起来可分为两类:第一类是在设备待选站址存在,且有若干种方案可供选择的情况下,通过建立方案评估的指标体系及权重体系,对各种方案的优劣进行评估;这类方法过于依赖业务人员经验及备选站址的优劣程度,其自动化程度不高;第二类是给定测控设备站址初值,选择并建立合适的优化模型,通过构建约束方程,经过不断的搜索与迭代,在给定区域范围内选择具有最佳测量精度的布站几何方案。这类方法的核心是设备布站优化目标函数在约束方程限制下的非线性解算问题,目前比较常见的是禁忌搜索算法、模拟退火算法、遗传算法等。
例如,郭丽华,朱元昌等在2010年仪器仪表学报第31卷第4期,公开的一篇名为《基于遗传算法的光电经纬仪布站优化设计》的文献中公开了一种布站优化方法,该方法将布站优化的目标函数定义为交会测量总误差最小,在构建约束方程时考虑了光测设备性能约束(例如跟踪角速度、角加速度、工作仰角等)、设备与太阳夹角约束和布站区域约束,最后基于小生境遗传算法求解目标函数得到最优的布站几何方案,即得到各光测设备的站址。
但是利用上述方法进行布站优化设计存在以下问题:首先,该方法中目标函数的设计不够合理,利用该目标函数仅能保证交会测量总误差能满足精度要求,却无法保证单个单向上的交会测量误差能否满足精度要求;其次,测控设备在布站时需要综合考虑多种因素,如设备性能、场地、气象、地形等,该方法在构建约束方程时仅考虑了部分因素,约束条件不够充分,会影响设备的布站方案设计进而影响测控设备的测量精度。综上所述,上述方法中目标函数的设计不够合理且约束方程中的约束条件不够充分,使得按照该方法得到的布站几何方案进行测控设备站址布置时,测控设备的测量精度较低。
发明内容
本发明的目的在于提供一种测控设备布站优化方法及装置,用以解决利用现有方法得到的布站几何方案进行测控设备站址布置时,测控设备的测量精度较低的问题。
为实现上述目的,本发明提供了一种测控设备布站优化方法,该方法包括以下步骤:
获取各测控设备的初始站址坐标和各弹道点的坐标;
以测控设备测得的弹道点在X轴、Y轴、Z轴三个方向上的交会测量误差分布均匀且交会测量总精度最高为原则,构建单个弹道点的优化目标函数,对所有弹道点的优化目标函数求和得到所有弹道点的总优化目标函数;所述交会测量误差根据各测控设备的站址坐标和相应弹道点的坐标得到;
构建约束方程,所述约束方程中的约束条件包括测量精度约束、设备跟踪精度约束、逆光约束和区域约束中的至少两个;
在所述约束方程的限制下求解所述总优化目标函数,得到测控设备优化后的站址坐标;
其中,所述测量精度约束是指单个弹道点的优化目标函数值小于设定值;所述设备跟踪精度约束是指测控设备的旋转角速度及角加速度不能超过设备的极限值,所述旋转角包括方位角和俯仰角;所述逆光约束是指测控设备逆光的角度大于角度设定值;所述区域约束是指在设定区域内不能布站。
本发明还提供了一种测控设备布站优化装置,该装置包括处理器和存储器,所述处理器执行由所述存储器存储的计算机程序,以实现上述的测控设备布站优化方法。
本发明的有益效果是:本发明以测控设备测得的弹道点在X轴、Y轴、Z轴三个方向上的交会测量误差分布均匀且交会测量总精度最高为原则,构建单个弹道点的优化目标函数,不仅能使交会测量总精度满足精度要求,还能保证三个方向上的交会测量误差分布均匀,利用对本发明的总优化目标函数进行求解得到的测控设备优化后的站址坐标进行测控设备布置,能够提高测控设备的测量精度。
进一步地,在上述方法及装置中,所述约束方程中的约束条件还包括通视约束,所述通视约束是指要保证测控设备对每个弹道点都是可视的。
这样做的有益效果是:构建约束方程时还考虑了通视约束,更符合测控设备在布站时的实际情况,在考虑了通视约束后的约束方程的限制下求解总优化目标函数,得到测控设备优化后的站址坐标,根据该站址坐标进行测控设备布置,能够进一步提高测控设备的测量精度。
进一步地,在上述方法及装置中,所述通视约束通过以下步骤实现:首先利用多点通视分析模型计算测控设备对每个弹道点的通视性,然后令测控设备对每个弹道点的通视性均满足设定要求。
进一步地,在上述方法及装置中,利用自适应遗传算法求解所述总优化目标函数,所述自适应遗传算法交叉操作中的交叉概率能随种群中个体的适应度值自适应调整;交叉概率的自适应调整公式为:
式中,pc为当前交叉概率,pcmax为交叉概率的最大值,pcmin为交叉概率的最小值,favg为种群某代个体的平均适应度值,f为当前个体的适应度值,fmax为种群某代个体的最大适应度值,Gmax为种群总代数,G为当前种群代数,当前交叉概率pc在pcmin和pcmax构成的区间内自适应变动。
进一步地,在上述方法及装置中,所述自适应遗传算法变异操作中的变异概率能随种群中个体的适应度值自适应调整;变异概率的自适应调整公式为:
式中,pm为当前变异概率,pmmax为变异概率的最大值,pmmin为变异概率的最小值,当前变异概率pm在pmmin和pmmax构成的区间内自适应变动。
附图说明
图1是本发明方法实施例中的弹道点空间交会测量原理图;
图2是本发明方法实施例中的测控设备布站优化方法流程图;
图3是本发明方法实施例中目标、太阳相对测量站位置关系示意图;
图4是本发明方法实施例中基于理论弹道的通视约束条件计算流程图;
图5-1是本发明方法实施例中优化前的光电经纬仪布局示意图;
图5-2是本发明方法实施例中优化后的光电经纬仪布局示意图;
图6-1是本发明方法实施例中优化前三个方向上的交会测量误差和交会测量总精度曲线图;
图6-2是本发明方法实施例中优化后三个方向上的交会测量误差和交会测量总精度曲线图;
图7是本发明装置实施例中的测控设备布站优化装置结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。
方法实施例:
光电经纬仪测量系统是靶场外弹道测量常用的光测设备,本实施例中以双站光电经纬仪交会测量(AE-AE)方式详细介绍本实施例的测控设备布站优化方法(以下简称本实施例方法),多台光电经纬仪的布站优化方法与此类似,不再赘述。
为了更好地理解本实施例方法,首先对双站光电经纬仪弹道点空间交会测量原理进行简单介绍。
如图1所示,OXYZ为大地坐标系,两台光电经纬仪的位置为O1与O2,它们在水平面上投影为O1’与O2’,测量弹道点M坐标为(x,y,z),O1与O2对M的方位角及俯仰角分别为α1、α2及λ1、λ2。设是两台光电经纬仪的测角误差, σ为测控设备的测角精度),则M在X、Y、Z三个方向上的交会测量误差σx、σy、σz为:
式中,x1、z1分别为O1的X轴坐标和Z轴坐标,x2、z2分别为O2的X轴坐标和Z轴坐标。
本实施例中σA的值越小,表明测控设备的交会测量总精度越高。
本实施例方法如图2所示,该方法包括以下步骤:
步骤1、获取各测控设备的初始站址坐标和各弹道点的坐标;
步骤2、构建单个弹道点的优化目标函数以及所有弹道点的总优化目标函数;
在实际试验中要对理论弹道所有弹道点进行优化,对所有弹道点的优化目标函数求和得到所有弹道点的总优化目标函数为:f=f1′+f2′+…+fn′(n为弹道点的总个数)。
步骤3、构建约束方程,约束方程中的约束条件包括:测量精度约束、设备跟踪精度约束、逆光约束、区域约束和通视约束;下面对每个约束条件进行详细介绍:
(1)测量精度约束
测量精度约束是指:测控设备的测量精度不能低于试验要求的精度,由于测量精度是用单个弹道点的优化目标函数值表征的,单个弹道点的优化目标函数值越小,测量精度越高,因此,测量精度约束等同于令单个弹道点的优化目标函数值小于设定值。若试验要求测量精度为C0,则测量精度约束条件为:fi′<C0(i=0,1,2.....n)。
以高炮武器系统为例,如果进行校飞,则要求整个测量航迹上交会精度不大于某个值;如果是直接射击和避开射击,则要求参试设备在远点和近点的交会精度是武器射击精度的3~5倍。
(2)设备跟踪精度约束
设备跟踪精度约束是指:光电经纬仪对目标跟踪测量过程中,旋转角速度及角加速度不能超过设备的极限值,否则容易丢失目标或导致动态滞后误差增加。
设备跟踪精度约束条件如下:
ωAi′<ωA0(i=0,1,2.....n)
ωEi′<ωE0(i=0,1,2.....n)
aAi′<aA0(i=0,1,2.....n)
aEi′<aE0(i=0,1,2.....n)
其中:ω′Ai和aAi′分别是第i个弹道点方位角跟踪角速度和角加速度,ωA0和aA0分别是第i个弹道点方位角跟踪角速度和角加速度的极限值,ωEi′和aEi′分别是第i个弹道点俯仰角跟踪角速度和角加速度,ωE0和aE0分别是第i个弹道点俯仰角跟踪角速度和角加速度的极限值。实际计算时,可基于最小二乘法拟合t-A、t-E曲线方程,采用滑窗式五点二次预测公式求解弹道点方位角和俯仰角,具体计算方法见文献《靶场光电经纬仪跟踪精度评估技术》,该计算方法为现有技术,在此不再赘述。
(3)逆光约束
逆光约束是指:目标-设备与太阳-设备间夹角(即设备逆光的角度)不能小于角度设定值,否则光电经纬仪受太阳光的影响将无法正常工作。在实际试验过程中,设备逆光的角度要大于25°,一般认为大于25°就不逆光,即逆光约束条件为:βsi>25°(i=0,1,2.....n)。
设备逆光的角度βs的计算原理如图3所示,OT为目标相对于测量站(即测控设备)的矢量,OS为太阳相对于测量站的矢量,OT和OS两向量之间的夹角即为设备逆光的角度βs。根据目标、太阳相对测量站位置关系可以得到:
(4)区域约束
设备布站的区域约束主要有两种类型:一种是安全区域约束,另一种是地理地形约束。在实际应用中这两种类型的约束可归为一种情况处理,即可用多边形表示实际区域边界范围(即约束区域),多边形用发射坐标系中的点位坐标(x,z)进行表示,具体如下式:
akx+bkz+ck≤0(k=1,2....n)
xmin≤x≤xmax
zmin≤z≤zmax
其中:ak、bk、ck为方程系数,其值是根据构成多边形的线段的端点坐标所确定的;xmin、xmax、zmin、zmax为测控设备坐标取值的最大及最小值,n为构成多边形区域边界范围的线段总数。
区域约束条件为:对每一约束区域,在该区域内不能布站,在该区域外可以布站。
(5)通视约束
通视约束是指:在设备布站优化中,要选择开阔地域布站,使测量视线内无高大建筑物和天然地形遮挡,测控设备与相应标校塔、标校杆也应保持良好通视条件。布站优化设计中的通视约束条件主要围绕理论弹道进行计算,即需要保证测控设备对每个弹道点都是可视的。
如图4所示,本实施例中光电经纬仪对每个弹道点的通视性利用AE调用GP框架的多点通视分析模型来计算,该方法为现有技术,下面简单介绍其计算过程:
读入理论弹道数据;创建FeatureClass对象,并利用弹道点数据及IWorkspaceEdit接口构造点集要素类;获取DEM数据图层,并将其转换为ISufacepOp2接口;获取IRasterAnalysisEnvironment,并进行格网间距、金字塔层级率、大气折射率等参数的计算;对DEM数据进行裁剪,裁剪范围是测控设备和理论弹道外接矩形的并集;创建LineOfSight对象(该对象在GP框架中用于进行单点或多点通视分析),并设置该对象的输入输出参数;创建Geoprocessor对象进行GP框架执行环境的设置,并设置GP框架的执行模式(同步还是异步);Geoprocessor对象执行多点通视分析;输出结果文件(该文件存储了光电经纬仪对每个弹道点的通视性)。
步骤4、在约束方程的限制下利用自适应遗传算法求解总优化目标函数,得到测控设备优化后的站址坐标。
本实施例中,利用上述5种约束条件对测控设备的站址坐标进行约束,且约束分两步实现:第一步,在测量精度约束、设备跟踪精度约束、逆光约束和区域约束的限制下利用自适应遗传算法求解总优化目标函数,得到测控设备初步优化后的站址坐标;第二步,利用通视约束对测控设备初步优化后的站址坐标进一步约束,即判断按照初步优化后的站址坐标进行布站时测控设备的通视性是否满足要求,若满足要求,则该初步优化后的站址坐标即为最终优化后的站址坐标;若不满足要求,则将该初步优化后的站址坐标舍弃,重复第一步和第二步,直至得到通视性满足要求的站址坐标作为最终优化后的站址坐标。
综上,光电经纬仪布站优化问题,实质是目标函数在约束方程限制下的非线性规划问题,用数学模型表述如下:
min f=f1′+f2′+…+fn′
本实施例利用自适应遗传算法求解总优化目标函数,包括以下步骤:
(1)染色体编码
根据理论弹道空间分布状况和光电经纬仪的保精度作用距离等条件,可以确定两台光电经纬仪站址坐标最优解的搜索区间为发射坐标系O-XYZ平面中40公里×40公里的范围,搜索精度为l米(0.001公里),其中:X方向为0公里~40公里,Z方向为–20公里~20公里。
在利用遗传算法对测控设备的站址坐标进行优化解算时,需要将两台光电经纬仪的坐标值用一个染色体表示,即将4个坐标值转换为二进制编码,设站址的单个坐标值所需的二进制位数为n,则:
2n-1-1≤(U-L)*10k≤2n-1
其中,U和L为搜索区间范围的坐标上限(-40公里)和坐标下限(+40公里),k值此处为3,代表算法搜索精度,该值可根据实际要求设置。代入搜索范围数据(即U、L和k),可得n=17,故两台光电经纬仪的一组坐标位置构成的染色体编码需要的二进制位数为:17×4=68位。当有多台光电经纬仪时,染色体编码方式与此类似,不再赘述。
(2)适应度函数的构建
本实施例中,将总优化目标函数作为适应度函数。
(3)遗传算子设计
1)选择算子
本实施例采用适应度比例选择算法(“轮盘赌算法”,Roulette WheelSelection),其核心思想是个体被选中的概率与其适应度函数值成正比。假设群体的个体总数是n,则可将轮盘分为n个扇区,扇区面积与染色体的适应度成正比。将染色体的适应度归一化,记为[F(x1),F(x2),...,F(xn)],其归一化的方法为:
其中,f(xi)是个体的适应度函数,n为种群数量,同时计算归一化适应度的累积分布向量:
[F(x1),F(x1)+F(x2),...1]
产生一个随机数r来模拟轮盘的转动,将随机数r和累积分布向量的分量比较。若0<r<F(x1),则染色体x1被选中,若F(x1)<r<F(x2),则染色体x2被选中,重复进行n次“转动”,就能选出新种群的n个染色体,经过多次迭代进化,从最后一代(迭代次数)的种群个体中选出适应度值最大的染色体,该值即为最优解。
2)交叉算子
种群在进化过程中执行交叉算子是依交叉概率pc进行的,利用交叉概率pc从种群中随机选出两个个体,并按照某种规则交换两个个体的某段基因片段,以此生成两个新的种群个体,其目的在于通过组合个体的适应性,来增强种群的多样性,进而可得到更加优秀的个体。
本实施例中交叉概率能随种群中个体的适应度值自适应调整,调整原则为:当种群中个体的适应度值趋于相同时,需要增大交叉概率;当种群中个体的适应度值相对较分散的情况下,则需要减小交叉概率,按照该原则灵活调整种群执行交叉操作的概率,就能使种群保持多样性繁殖,进而提高算法在解空间的搜索能力。
本实施例的交叉概率自适应调整公式如下:
其中,pcmax为算法交叉概率的最大值,pcmin为算法交叉概率的最小值,favg为种群某代个体的平均适应度,f为当前个体的适应度函数值,fmax为种群某代个体的最大适应度值,Gmax为种群总代数,G为当前种群代数,当前交叉操作概率pc在pcmin和pcmax构成的区间内自适应变动。
利用交叉概率pc从种群中随机选出两个个体后,本实施例采用“固定点交换”的方法执行交叉操作生成新个体,即确定某一位置为随机定位点(开始基因交换的起点),将随机定位点至染色体编码总长度之间的所有基因进行交换,例如:交叉前的两条染色体分别为00000011100000|101、11100000001111|110,|代表交叉点,则交叉后的两条染色体分别为11100000001111|101、00000011100000|110。
需要注意的是,进行交叉操作后产生的子代的基因有可能是重复的,这在布站优化目标函数的解算过程中是不允许的,是无效的。若出现这种情况,本实施例的处理方法是:不改变父代染色体,即不进行交叉操作让父代染色体直接进入子代,同时要加大交叉概率,以防止这种无效操作过多影响算法的效果。
3)变异算子
变异算子是布站优化目标函数进化寻优的驱动力,它使个体基因的某一位以一定的概率(即变异概率pm)发生变化,引入适当的扰动,可以避免陷入局部极值。本实施例采用的方法是:随机选择一个染色体,然后随机选择其中的一个基因进行变异,如果变异的结果和这个染色体原来的基因相同,那么需要重新变异一次,直到变异的结果不再是无效的为止。
本实施例的变异概率能随种群中个体的适应度值自适应调整,调整原则为:在遗传算法执行的早期,由于种群的多样性较好,使种群个体进行变异时以较小的概率进行,这样能够增加遗传算法的收敛速度;随着种群的进化,迭代过程在不断进行,导致种群个体之间的差异性减弱,此时应增大变异概率,以加大种群个体发生变异的概率,增强种群个体之间的多样性。
本实施例的变异概率的自适应调整公式为:
其中,pmmax为算法变异概率的最大值,通常取值为0.1,pmmin为算法变异概率的最小值,通常取值0.001,当前变异操作概率pm在pmmin和pmmax构成的区间内自适应变动。
(4)总优化目标函数求解
当染色体编码完成和遗传算子设计完成后,就可以在上述前4种约束条件的约束下利用常规的遗传算法步骤求解总优化目标函数,当达到设定的种群进化代数或者种群中个体的适应度值满足设定要求时,就求得测控设备初步优化后的站址坐标,进而利用通视约束条件对初步优化后的站址坐标进一步约束,得到最终优化后的站址坐标。。
本实施例以测控设备测得的弹道点在X轴、Y轴、Z轴三个方向上的交会测量误差分布均匀且交会测量总精度最高为原则,构建单个弹道点的优化目标函数,不仅能使交会测量总精度满足精度要求,还能保证三个方向上的交会测量误差分布均匀;同时,从测量精度约束、设备跟踪精度约束、逆光约束、区域约束和通视约束五个方面构建了约束方程,约束方程中考虑的约束条件更加全面,更符合测量设备在布站时的实际情况。综上,在本实施例的约束方程的限制下对本实施例的总优化目标函数进行求解,得到测控设备优化后的站址坐标,根据该站址坐标进行测控设备布置,能够提高测控设备的测量精度。
本实施例中的测控设备是指光电经纬仪,作为其他实施方式,测控设备还可以是雷达等设备,对这些设备进行布站优化的方法与光电经纬仪类似,不再赘述,只要保证进行布站优化设计时,单个弹道点的优化目标函数是以测控设备测得的弹道点在X轴、Y轴、Z轴三个方向上的交会测量误差分布均匀且交会测量总精度最高为原则构建的即可。另外,本实施例中约束方程中的约束条件包括测量精度约束、设备跟踪精度约束、逆光约束、区域约束和通视约束5种约束条件,作为其他实施方式,约束方程中的约束条件还可以仅包括这5种约束条件中的至少两种,例如当在完全空旷无遮挡且安全性均符合要求的场地进行布站时,可以省略区域约束和通视约束。
需要说明的是,本实施例以测控设备测得的弹道点在X轴、Y轴、Z轴三个方向上的交会测量误差分布均匀且交会测量总精度最高为原则构建了单个弹道点的优化目标函数f′,这仅是单个弹道点的优化目标函数的一种具体实现方式,在实际应用中,单个弹道点的优化目标函数并不局限于这一种形式,例如还可以对本实施例的f′作简单变形(例如对f′开根号或取平方)来得到新的单个弹道点的优化目标函数,因此只要构建的单个弹道点的优化目标函数是基于上述原则构建的,均在本发明的保护范围之内。
下面利用实验验证本实施例方法的有效性。
设靶场坐标系中,搜索空间Ω:{x∈[0,40000],y∈[-20000,20000]},种群规模N=50,染色体编码68位,Pcmin=0.4,Pcmax=0.9,Pmmin=0.001,Pmmax=0.1,进化中止代数G=300,则种群进化300次后即可得到光电经纬仪的最优站址。
优化前的光电经纬仪布局图如图5-1所示,优化前第一台光电经纬仪的坐标JWY-I为(X=8034.79,Y=0.00,Z=-1498.50),优化前第二台光电经纬仪的坐标JWY-II为(X=7002.01,Y=0.00,Z=1987.44);利用本实施例方法得到的优化后的光电经纬仪布局图如图5-2所示,优化后第一台光电经纬仪的坐标JWY-I'为(X=8333.74,Y=0.00,Z=-980.48),优化后第二台光电经纬仪的坐标JWY-II'为(X=8374.06,Y=0.00,Z=1362.42)。
优化前三个方向上的交会测量误差和交会测量总精度曲线如图6-1所示,利用本实施例方法得到的优化后三个方向上的交会测量误差和交会测量总精度曲线如图6-2所示。
结合图6-1和图6-2可以看出,优化前交会测量总精度σA值的变化区间为0~52.5,优化后交会测量总精度σA值的变化区间仅为0~10,优化后σA值的变化区间明显缩小;同时,优化前0-14s内三个方向上的误差均在2以上,14s后三个方向上的误差最高达10.5以上,优化后0-14s内三个方向上的误差在2以下,14s后三个方向上的误差最高只有6,说明优化后三个方向上的误差明显减小。综上,基于本实施例方法进行跟踪式光电经纬仪的优化布站,优化后的三个方向上的误差以及交会测量总精度σA值与优化前相比均明显的减小,表明优化后测控设备的测量精度明显提高。同时,与基本遗传算法相比,本实施例的自适应遗传算法能提高遗传算法的收敛速度,因此,采用本实施例的自适应遗传算法进行光电经纬仪的布站优化实用性较强。优化前后整个弹道的适应度函数值统计如下:
表1优化前后适应度函数统计值对比
由于本实施例中适应度函数就是总优化目标函数,通过表1可以看出,优化后的适应度函数值与优化前相比均明显变小,说明优化后取得的总优化目标函数值更小,从而优化后的测量误差更小,测量精度更高。
装置实施例:
本实施例的测控设备布站优化装置,如图7所示,该装置包括处理器、存储器,存储器中存储有可在处理器上运行的计算机程序,所述处理器在执行所述计算机程序时实现上述方法实施例中的方法。
也就是说,以上方法实施例中的方法应理解为可由计算机程序指令实现测控设备布站优化方法的流程。可提供这些计算机程序指令到处理器,使得通过处理器执行这些指令产生用于实现上述方法流程所指定的功能。
本实施例所指的处理器是指微处理器MCU或可编程逻辑器件FPGA等的处理装置。
本实施例所指的存储器包括用于存储信息的物理装置,通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。例如:利用电能方式存储信息的各式存储器,RAM、ROM等;利用磁能方式存储信息的的各式存储器,硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘;利用光学方式存储信息的各式存储器,CD或DVD。当然,还有其他方式的存储器,例如量子存储器、石墨烯存储器等等。
通过上述存储器、处理器以及计算机程序构成的装置,在计算机中由处理器执行相应的程序指令来实现,处理器可以搭载各种操作系统,如windows操作系统、linux系统、android、iOS系统等。
Claims (7)
1.一种测控设备布站优化方法,其特征在于,该方法包括以下步骤:
获取各测控设备的初始站址坐标和各弹道点的坐标;
以测控设备测得的弹道点在X轴、Y轴、Z轴三个方向上的交会测量误差分布均匀且交会测量总精度最高为原则,构建单个弹道点的优化目标函数,对所有弹道点的优化目标函数求和得到所有弹道点的总优化目标函数;所述交会测量误差根据各测控设备的站址坐标和相应弹道点的坐标得到;
构建约束方程,所述约束方程中的约束条件包括测量精度约束、设备跟踪精度约束、逆光约束和区域约束中的至少两个;
在所述约束方程的限制下求解所述总优化目标函数,得到测控设备优化后的站址坐标;
其中,所述测量精度约束是指单个弹道点的优化目标函数值小于设定值;所述设备跟踪精度约束是指测控设备的旋转角速度及角加速度不能超过设备的极限值,所述旋转角包括方位角和俯仰角;所述逆光约束是指测控设备逆光的角度大于角度设定值;所述区域约束是指在设定区域内不能布站。
3.根据权利要求1或2所述的测控设备布站优化方法,其特征在于,所述约束方程中的约束条件还包括通视约束,所述通视约束是指要保证测控设备对每个弹道点都是可视的。
4.根据权利要求3所述的测控设备布站优化方法,其特征在于,所述通视约束通过以下步骤实现:首先利用多点通视分析模型计算测控设备对每个弹道点的通视性,然后令测控设备对每个弹道点的通视性均满足设定要求。
7.一种测控设备布站优化装置,其特征在于,该装置包括处理器和存储器,所述处理器执行由所述存储器存储的计算机程序,以实现如权利要求1-6任一项所述的测控设备布站优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010633928.9A CN111832165A (zh) | 2020-07-02 | 2020-07-02 | 一种测控设备布站优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010633928.9A CN111832165A (zh) | 2020-07-02 | 2020-07-02 | 一种测控设备布站优化方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111832165A true CN111832165A (zh) | 2020-10-27 |
Family
ID=72900123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010633928.9A Pending CN111832165A (zh) | 2020-07-02 | 2020-07-02 | 一种测控设备布站优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832165A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114894047A (zh) * | 2021-09-17 | 2022-08-12 | 中国人民解放军63875部队 | 一种靶场关键段姿态交会测量优化布站分析方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069240A (zh) * | 2015-08-17 | 2015-11-18 | 湖北工业大学 | 一种空间测量定位系统测站布局智能优化方法 |
US20180260714A1 (en) * | 2017-03-10 | 2018-09-13 | Yun Li | Global optimization, search and machine learning method based on the lamarckian principle of inheritance of acquired characteristics |
-
2020
- 2020-07-02 CN CN202010633928.9A patent/CN111832165A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069240A (zh) * | 2015-08-17 | 2015-11-18 | 湖北工业大学 | 一种空间测量定位系统测站布局智能优化方法 |
US20180260714A1 (en) * | 2017-03-10 | 2018-09-13 | Yun Li | Global optimization, search and machine learning method based on the lamarckian principle of inheritance of acquired characteristics |
Non-Patent Citations (1)
Title |
---|
刘宏建 等: "一种基于自适应遗传算法的测控设备布站优化方法", 《测绘科学技术学报》, vol. 37, no. 3, pages 1 - 5 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114894047A (zh) * | 2021-09-17 | 2022-08-12 | 中国人民解放军63875部队 | 一种靶场关键段姿态交会测量优化布站分析方法 |
CN114894047B (zh) * | 2021-09-17 | 2023-10-03 | 中国人民解放军63875部队 | 一种靶场关键段姿态交会测量优化布站分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107169608B (zh) | 多无人机执行多任务的分配方法及装置 | |
CN107145161B (zh) | 无人机访问多目标点的航迹规划方法及装置 | |
CN109725294B (zh) | 基于改进遗传算法的雷达阵列稀疏优化方法 | |
CN111398918B (zh) | 一种复杂山地环境下的雷达探测能力分析方法 | |
CN105576650A (zh) | 基于同化技术与同风带理论的风电功率预测方法及系统 | |
CN110322038B (zh) | 基于中尺度数据的风机自动排布的方法和设备 | |
CN106121913A (zh) | 一种海上风电场的风机排布方法 | |
CN109118583A (zh) | 一种基于cpu和gpu混合的高速并行地形遮蔽计算方法 | |
CN113051638A (zh) | 一种建筑高度优化配置方法及装置 | |
CN111832165A (zh) | 一种测控设备布站优化方法及装置 | |
CN115688607A (zh) | 基于多通道频谱组合的带状跨海似大地水准面精化方法 | |
CN112906286B (zh) | 基于nsga-ii算法的全方向隐身卫星外形多目标优化方法 | |
Yavari et al. | Comparison of particle swarm optimization and genetic algorithm in rational function model optimization | |
Kookalani et al. | Shape optimization of GFRP elastic gridshells by the weighted Lagrange ε-twin support vector machine and multi-objective particle swarm optimization algorithm considering structural weight | |
Xie et al. | A novel adaptive parameter strategy differential evolution algorithm and its application in midcourse guidance maneuver decision-making | |
CN117806346A (zh) | 一种基于自适应蜣螂优化器的无人机路径规划方法 | |
Jing et al. | An improved star identification method based on neural network | |
CN114912171A (zh) | 一种基于建筑遮挡的日照辐射计算方法 | |
CN114298133A (zh) | 短期风速混合预测方法及装置 | |
CN112698666A (zh) | 一种基于气象栅格的飞行器航路优化方法 | |
Meng et al. | Feature oriented optimal sensor selection and arrangement for perception sensing system in automated driving | |
CN117346793B (zh) | 基于植物生长算法的无人机路径规划方法、装置、设备和介质 | |
CN116755463A (zh) | 无人机对输电线路巡检的路径规划方法及设备、储存介质 | |
CN115951589B (zh) | 基于最大化Kozachenko-Leonenko熵的恒星均匀选取方法 | |
Kwinta et al. | Simplification of 2D shapes with equivalent rectangles |
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 |