CN112861378A - 一种基于改进灰狼算法的助推段飞行程序优化方法和装置 - Google Patents

一种基于改进灰狼算法的助推段飞行程序优化方法和装置 Download PDF

Info

Publication number
CN112861378A
CN112861378A CN202110269003.5A CN202110269003A CN112861378A CN 112861378 A CN112861378 A CN 112861378A CN 202110269003 A CN202110269003 A CN 202110269003A CN 112861378 A CN112861378 A CN 112861378A
Authority
CN
China
Prior art keywords
wolf
algorithm
attack angle
missile
position vector
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.)
Granted
Application number
CN202110269003.5A
Other languages
English (en)
Other versions
CN112861378B (zh
Inventor
王鹏
孙晟
汤国建
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202110269003.5A priority Critical patent/CN112861378B/zh
Publication of CN112861378A publication Critical patent/CN112861378A/zh
Application granted granted Critical
Publication of CN112861378B publication Critical patent/CN112861378B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Aiming, Guidance, Guns With A Light Source, Armor, Camouflage, And Targets (AREA)

Abstract

本申请涉及一种基于改进灰狼算法的助推段飞行程序优化方法、装置、计算机设备和存储介质。所述方法包括：构建弹道导弹运动模型并得到导弹助推段的攻角模型，将其中的攻角特征参数作为灰狼的位置向量，并初始化灰狼种群；将经典灰狼算法中的线性收敛因子改进为迭代前期衰减较慢，迭代后期衰减较快的非线性收敛因子，通过改进的灰狼算法对攻角特征参数寻优，并根据终端状态偏差的适应度函数更新位置向量，迭代直到达到最大迭代次数，根据最优灰狼的位置向量得到弹道导弹运动模型的标准弹道。本发明以攻角模型的关键参数为优化变量，以终端状态偏差最小为优化目标，迭代优化出满足约束的标准弹道，进一步提高了固体导弹助推段标准弹道的生成精度。

Description

一种基于改进灰狼算法的助推段飞行程序优化方法和装置
技术领域
本申请涉及弹道规划技术领域，特别是涉及一种基于改进灰狼算法的助推段飞行程序优化方法、装置、计算机设备和存储介质。
背景技术
弹道导弹具备射程远、精度高、威力大、破坏力强等突出特点，是一种具有极强进攻性和威慑力的武器，也是保卫国土安全、维持地区战略平衡的重要支柱。弹道导弹的飞行轨迹多为离线装订，因此，设计出满足战场需求且能够完成指定任务的标准弹道具有十分重要的意义。
现有技术中存在弹道设计精度还不够高的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高弹道设计精度的基于改进灰狼算法的助推段飞行程序优化方法、装置、计算机设备和存储介质。
一种基于改进灰狼算法的助推段飞行程序优化方法，所述方法包括：
构建弹道导弹运动模型并得到导弹助推段的攻角模型；
将所述攻角模型中的攻角特征参数作为灰狼算法中灰狼的位置向量，根据预先设置的取值范围初始化灰狼种群；
将经典灰狼算法中的线性收敛因子改进为非线性收敛因子，得到改进的灰狼算法；所述非线性收敛因子在迭代前一时刻衰减速度小于在迭代后一时刻衰减速度；
通过所述改进的灰狼算法对所述攻角特征参数进行寻优，并根据终端状态偏差的适应度函数更新所述位置向量，迭代直到达到最大迭代次数，输出全局最优灰狼，根据所述最优灰狼的位置向量得到所述弹道导弹运动模型的标准弹道。
在其中一个实施例中，还包括：构建弹道导弹运动模型并得到导弹助推段的攻角模型为：
Figure BDA0002973498340000021
其中，α(t)表示t时刻的攻角；t0,t11表示垂直起飞段的起止时间；t12,t13表示跨声速段的起止时间；t1f,t20,t2f,t30,t3f表示级间分离段的起止时间；t20,t2f表示导弹第二级飞行段的起止时间；t30,tf表示导弹第三级飞行段的起止时间；表示的起止时间；
Figure BDA0002973498340000022
tm表示α1对应时刻；α1、α2、α3、α4分别为第一至四次负攻角转弯的最小值。
在其中一个实施例中，还包括：将所述攻角模型中的攻角特征参数作为灰狼算法中灰狼的位置向量；所述攻角特征参数为四次负攻角转弯的最小值；
在预先设置的取值范围内生成随机值，根据所述随机值初始化灰狼种群。
在其中一个实施例中，还包括：将经典灰狼算法中的线性收敛因子改进为非线性收敛因子，得到改进的灰狼算法；所述非线性收敛因子为：
Figure BDA0002973498340000023
其中，a为非线性收敛因子；t为当前迭代次数；e为自然数；max为最大迭代次数。
在其中一个实施例中，还包括：根据所述攻角特征参数得到导弹当前终端状态；所述导弹终端状态包括导弹的终端高度、速度以及弹道倾角。
在其中一个实施例中，还包括：获取预先设置的目标终端状态；
根据当前灰狼种群中各个灰狼的位置向量，得到所述位置向量对应的当前终端状态；
根据所述目标终端状态和所述当前终端状态，得到终端状态偏差；
找到使终端状态偏差的适应度函数最小的位置向量，作为寻优结果；
根据所述寻优结果更新所述灰狼种群的位置向量。
在其中一个实施例中，还包括：通过所述改进的灰狼算法对所述攻角特征参数进行寻优，并根据终端状态偏差的适应度函数更新所述位置向量，迭代直到达到最大迭代次数，输出全局最优灰狼；所述终端状态偏差的适应度函数为：
Figure BDA0002973498340000031
其中，Fitness表示所述终端状态偏差的适应度函数值；Hf、Vf、θf表示目标终端高度、速度以及弹道倾角；Hpresent、Vpresent、θpresent表示每一次经过寻优计算后得到的当前终端高度、速度以及弹道倾角；ΔH、ΔV、Δθ表示预先设置的高度、速度和弹道倾角的允许偏差最大值。
一种基于改进灰狼算法的助推段飞行程序优化装置，所述装置包括：
攻角模型确定模块，用于构建弹道导弹运动模型并得到导弹助推段的攻角模型；
灰狼种群初始化模块，用于将所述攻角模型中的攻角特征参数作为灰狼算法中灰狼的位置向量，根据预先设置的取值范围初始化灰狼种群；
收敛因子改进模块，用于将经典灰狼算法中的线性收敛因子改进为非线性收敛因子，得到改进的灰狼算法；所述非线性收敛因子在迭代前一时刻衰减速度小于在迭代后一时刻衰减速度；
迭代模块，用于通过所述改进的灰狼算法对所述攻角特征参数进行寻优，并根据终端状态偏差的适应度函数更新所述位置向量，迭代直到达到最大迭代次数，输出全局最优灰狼，根据所述最优灰狼的位置向量得到所述弹道导弹运动模型的标准弹道。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
构建弹道导弹运动模型并得到导弹助推段的攻角模型；
将所述攻角模型中的攻角特征参数作为灰狼算法中灰狼的位置向量，根据预先设置的取值范围初始化灰狼种群；
将经典灰狼算法中的线性收敛因子改进为非线性收敛因子，得到改进的灰狼算法；所述非线性收敛因子在迭代前期衰减较慢，在迭代后期衰减较快；
通过所述改进的灰狼算法对所述攻角特征参数进行寻优，并根据终端状态偏差的适应度函数更新所述位置向量，迭代直到达到最大迭代次数，输出全局最优灰狼，根据所述最优灰狼的位置向量得到所述弹道导弹运动模型的标准弹道。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
构建弹道导弹运动模型并得到导弹助推段的攻角模型；
将所述攻角模型中的攻角特征参数作为灰狼算法中灰狼的位置向量，根据预先设置的取值范围初始化灰狼种群；
将经典灰狼算法中的线性收敛因子改进为非线性收敛因子，得到改进的灰狼算法；所述非线性收敛因子在迭代前一时刻衰减速度小于在迭代后一时刻衰减速度；
通过所述改进的灰狼算法对所述攻角特征参数进行寻优，并根据终端状态偏差的适应度函数更新所述位置向量，迭代直到达到最大迭代次数，输出全局最优灰狼，根据所述最优灰狼的位置向量得到所述弹道导弹运动模型的标准弹道。
上述基于改进灰狼算法的助推段飞行程序优化方法、装置、计算机设备和存储介质，通过构建弹道导弹运动模型并得到导弹助推段的攻角模型；将攻角模型中的攻角特征参数作为灰狼算法中灰狼的位置向量，根据预先设置的取值范围初始化灰狼种群；将经典灰狼算法中的线性收敛因子改进为在迭代前期衰减较慢，在迭代后期衰减较快的非线性收敛因子，得到改进的灰狼算法；通过改进的灰狼算法对攻角特征参数进行寻优，并根据终端状态偏差的适应度函数更新位置向量，迭代直到达到最大迭代次数，输出全局最优灰狼，根据最优灰狼的位置向量得到弹道导弹运动模型的标准弹道。本发明以攻角模型的关键参数为优化变量，以终端状态偏差最小为优化目标，迭代优化出满足约束的标准弹道，进一步提高了固体导弹助推段标准弹道的生成精度。
附图说明
图1为一个实施例中基于改进灰狼算法的助推段飞行程序优化方法的流程示意图；
图2为一个实施例中俯仰程序角示意图；
图3为一个实施例中攻角变化示意图；
图4为经典灰狼算法和一个实施例中收敛因子对比图；
图5为一个实施例中标准弹道的主要弹道参数曲线及适应度值的变化曲线；
图6为一个实施例中基于改进灰狼算法的助推段飞行程序优化装置的示意图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的基于改进灰狼算法的助推段飞行程序优化方法，可以应用于如下应用环境中。构建弹道导弹运动模型并得到导弹助推段的攻角模型；将攻角模型中的攻角特征参数作为灰狼算法中灰狼的位置向量，根据预先设置的取值范围初始化灰狼种群；将经典灰狼算法中的线性收敛因子改进为在迭代前期衰减较慢，在迭代后期衰减较快的非线性收敛因子，得到改进的灰狼算法；通过改进的灰狼算法对攻角特征参数进行寻优，并根据终端状态偏差的适应度函数更新位置向量，迭代直到达到最大迭代次数，输出全局最优灰狼，根据最优灰狼的位置向量得到弹道导弹运动模型的标准弹道。
在一个实施例中，如图1所示，提供了一种基于改进灰狼算法的助推段飞行程序优化方法，包括以下步骤：
步骤102，构建弹道导弹运动模型并得到导弹助推段的攻角模型。
本发明中，将地球视为匀质圆球，忽略控制力影响，且考虑轴对称导弹零倾侧飞行，可得弹道导弹运动模型的简化模型为：
Figure BDA0002973498340000061
其中，θ为弹道倾角，υ为倾侧角，α为攻角，β为侧滑角。
Figure BDA0002973498340000062
为高度变化率；
Figure BDA0002973498340000063
为地心距变化率；
Figure BDA0002973498340000067
为速度变化率；
Figure BDA0002973498340000064
为弹道倾角变化率；
Figure BDA0002973498340000065
为秒耗量；P为沿弹体方向推力；m为质量；g为引力加速度；D为阻力；L为升力；r为地心距。
根据导弹助推段运动规律，设计俯仰角随时间变化规律如图2所示，图中，
Figure BDA0002973498340000066
表示俯仰程序角。其中，t0-t11为垂直起飞段，t12-t13为跨声速段，为控制导弹终端高度，在第一级选择采用二次转弯的方式。t1f-t20、t2f-t30为级间分离段，t20-t2f为导弹第二级飞行段，t30-tf为导弹第三级飞行段。为实现上图中的俯仰飞行程序角，设计满足终端条件的攻角变化形式如图3，图中，α表示攻角。
通过求攻角模型的关键参数确定攻角变化规律，继而利用欧拉角变换关系得到俯仰角的变化规律，是将标准弹道的求取问题转化为参数寻优问题。
步骤104，将攻角模型中的攻角特征参数作为灰狼算法中灰狼的位置向量，根据预先设置的取值范围初始化灰狼种群。
灰狼算法是一种群体智能算法，是由Seyedali等学者于2014年提出的比较新颖的群智能算法，灰狼算法模拟自然界中灰狼的等级制度与狩猎行为，整个灰狼种群被分为α,β,δ,ω四组，前三组依次是适应度最好的三组，并且这三组指导第四组的狼想着目标搜索，在优化过程中，狼群更新α,β,δ,ω的位置。本发明中，每只灰狼是一个四维向量，代表四个关键参数的一组解，其中每个参数分别是图3所示的四个攻角特征值，灰狼的位置初值为相应搜索空间范围内生成的随机值。
步骤106，将经典灰狼算法中的线性收敛因子改进为非线性收敛因子，得到改进的灰狼算法；非线性收敛因子在迭代前一时刻衰减速度小于在迭代后一时刻衰减速度。
在经典灰狼算法中，灰狼个体的更新方式为：
X(t+1)＝X(t)-A·D
其中，X表示灰狼的位置向量，t表示当前迭代次数，D表示个体与目标的距离，A表示控制搜索领域，A＝2a·r2-a，r2是[0,1]范围内的随机数，a表示迭代因子，
Figure BDA0002973498340000071
收敛因子a是随着迭代次数从2现行递减到0。当|A|＞1时，灰狼群体扩大搜索范围，对应于全局搜索，当|A|＜1时，灰狼群体将包围圈缩小，对应于局部搜索。
经典灰狼算法收敛因子a是从2线性减小到0的，在前期开展全局搜索的速率与后期开展局部搜索的速率一致，这在一定程度上会降低搜索效率。为了提高灰狼算法应用到本发明场景时的算法效率，本发明提出了在迭代前期衰减较慢，在迭代后期衰减较快的非线性收敛因子，其表达式为：
Figure BDA0002973498340000072
经典灰狼算法和本发明中改进灰狼算法的收敛因子随迭代次数的变化如图4所示，可以看出，改进后的非线性收敛因子在迭代初期斜率比经典灰狼算法的迭代因子斜率低，搜索速度变慢，能够有更充足的时间寻找最优区域，而在迭代后期，斜率迅速变高，表示当找到优化的方向后，提高搜索速度，加快找到最优解。
步骤108，通过改进的灰狼算法对攻角特征参数进行寻优，并根据终端状态偏差的适应度函数更新位置向量，迭代直到达到最大迭代次数，输出全局最优灰狼，根据最优灰狼的位置向量得到弹道导弹运动模型的标准弹道。
通过计算终端状态偏差，找到每次迭代终端状态的偏差最小值所对应的位置向量，即攻角模型的四个攻角特征值，同时更新循环中的α、β、δ值。随着迭代累积，各层级灰狼位置会逐渐接近目标，最优适应度值也会越来越小。理想的状态下是通过不断迭代计算，最终最优适应度值会趋于零。此时便找到了符合要求的最优解，根据四个攻角特征值的最优解，代回弹道导弹运动模型即可得到相应标准弹道。
上述基于改进灰狼算法的助推段飞行程序优化方法中，通过构建弹道导弹运动模型并得到导弹助推段的攻角模型；将攻角模型中的攻角特征参数作为灰狼算法中灰狼的位置向量，根据预先设置的取值范围初始化灰狼种群；将经典灰狼算法中的线性收敛因子改进为在迭代前期衰减较慢，在迭代后期衰减较快的非线性收敛因子，得到改进的灰狼算法；通过改进的灰狼算法对攻角特征参数进行寻优，并根据终端状态偏差的适应度函数更新位置向量，迭代直到达到最大迭代次数，输出全局最优灰狼，根据最优灰狼的位置向量得到弹道导弹运动模型的标准弹道。本发明以攻角模型的关键参数为优化变量，以终端状态偏差最小为优化目标，迭代优化出满足约束的标准弹道，进一步提高了固体导弹助推段标准弹道的生成精度。
在其中一个实施例中，还包括：构建弹道导弹运动模型并得到导弹助推段的攻角模型为：
Figure BDA0002973498340000081
其中，α(t)表示t时刻的攻角；t0,t11表示垂直起飞段的起止时间；t12,t13表示跨声速段的起止时间；t1f,t20,t2f,t30,t3f表示级间分离段的起止时间；t20,t2f表示导弹第二级飞行段的起止时间；t30,tf表示导弹第三级飞行段的起止时间；表示的起止时间；
Figure BDA0002973498340000091
tm表示α1对应时刻；α1、α2、α3、α4分别为第一至四次负攻角转弯的最小值。
在其中一个实施例中，还包括：将攻角模型中的攻角特征参数作为灰狼算法中灰狼的位置向量；攻角特征参数为四次负攻角转弯的最小值；在预先设置的取值范围内生成随机值，根据随机值初始化灰狼种群。
在其中一个实施例中，还包括：将经典灰狼算法中的线性收敛因子改进为非线性收敛因子，得到改进的灰狼算法；非线性收敛因子为：
Figure BDA0002973498340000092
其中，a为非线性收敛因子；t为当前迭代次数；e为自然数；max为最大迭代次数。
本实施例中的非线性收敛因子的特点是斜率变化范围较大，在迭代前期斜率值很小，留出充分时间用于全局搜索，在迭代后期斜率值迅速变大，加快局部搜索的速度，契合本发明飞行程序优化场景的需求。
在其中一个实施例中，还包括：根据攻角特征参数得到导弹当前终端状态；导弹终端状态包括导弹的终端高度、速度以及弹道倾角。
在其中一个实施例中，还包括：获取预先设置的目标终端状态；根据当前灰狼种群中各个灰狼的位置向量，得到位置向量对应的当前终端状态；导弹终端状态包括导弹的终端高度、速度以及弹道倾角；根据目标终端状态和当前终端状态，得到终端状态偏差；找到使终端状态偏差的适应度函数最小的位置向量，作为寻优结果；终端状态偏差的适应度函数为：
Figure BDA0002973498340000093
其中，Fitness表示终端状态偏差的适应度函数值；Hf、Vf、θf表示目标终端高度、速度以及弹道倾角；Hpresent、Vpresent、θpresent表示每一次经过寻优计算后得到的当前终端高度、速度以及弹道倾角；ΔH、ΔV、Δθ表示预先设置的高度、速度和弹道倾角的允许偏差最大值。
根据寻优结果更新灰狼种群的位置向量；迭代直到达到最大迭代次数，输出全局最优灰狼。
在一个具体实施例中，设计的初始弹道的终端高度为hf＝90km，终端弹道倾角θf＝0°，终端速度为
Figure BDA0002973498340000101
其中，
Figure BDA0002973498340000102
是一个给定的速度值，用于归一化脱密处理。在求解过程中，为了保证计算精度，灰狼数量的设定不宜过少，另一方面，考虑到尽量提高计算效率，灰狼数量的设定也不宜过多，且迭代循环的最大次数同样不宜过高。因此经过综合考虑，取种群规模为20，最大迭代次数为20次。灰狼的位置初值为相应搜索空间范围内生成的随机值，设定攻角初始搜索空间如表1所示。
表1攻角特征值搜索空间
Figure BDA0002973498340000103
经过迭代计算，得到能够满足终端约束和过程约束的标准弹道，仿真得到四个攻角特征值如表2所示，分别为α1＝-13.3358°，α2＝-6.5173°，α3＝-17°，α4＝-20.4°，图5给出了仿真得到的标准弹道的主要弹道参数曲线及适应度值的变化曲线，其中，仿真结果都对速度进行了归一化处理。
表2攻角特征值的仿真结果
Figure BDA0002973498340000104
由仿真结果可知，利用灰狼算法来设计初始弹道得到的终端高度为89.84km，终端弹道倾角为-0.1727°，终端速度偏差为17m/s，终端状态偏差均不超过偏差的指标约束，且由图可以看出在整个助推段的飞行过程中，高度、速度以及弹道倾角的变化曲线均比较平缓。另外，攻角变化形式与设计规律一致，过程约束也都满足给定的指标要求。由图5(g)可以看出，在迭代进行至第七次的时候，最优适应度的值已经小于1，此时算法已经找到了能够满足过程约束和终端约束的最优解，由此可见基于灰狼算法的标准弹道设计方法精度和计算效率均较好。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种基于改进灰狼算法的助推段飞行程序优化装置，包括：攻角模型确定模块602、灰狼种群初始化模块604、收敛因子改进模块606和迭代模块608，其中：
攻角模型确定模块602，用于构建弹道导弹运动模型并得到导弹助推段的攻角模型；
灰狼种群初始化模块604，用于将攻角模型中的攻角特征参数作为灰狼算法中灰狼的位置向量，根据预先设置的取值范围初始化灰狼种群；
收敛因子改进模块606，用于将经典灰狼算法中的线性收敛因子改进为非线性收敛因子，得到改进的灰狼算法；非线性收敛因子在迭代前一时刻衰减速度小于在迭代后一时刻衰减速度；
迭代模块608，用于通过改进的灰狼算法对攻角特征参数进行寻优，并根据终端状态偏差的适应度函数更新位置向量，迭代直到达到最大迭代次数，输出全局最优灰狼，根据最优灰狼的位置向量得到弹道导弹运动模型的标准弹道。
灰狼种群初始化模块604还用于将攻角模型中的攻角特征参数作为灰狼算法中灰狼的位置向量；攻角特征参数为四次负攻角转弯的最小值；在预先设置的取值范围内生成随机值，根据随机值初始化灰狼种群。
收敛因子改进模块606还用于获取预先设置的目标终端状态；根据当前灰狼种群中各个灰狼的位置向量，得到位置向量对应的当前终端状态；根据目标终端状态和当前终端状态，得到终端状态偏差；找到使终端状态偏差的适应度函数最小的位置向量，作为寻优结果；根据寻优结果更新灰狼种群的位置向量。
关于基于改进灰狼算法的助推段飞行程序优化装置的具体限定可以参见上文中对于基于改进灰狼算法的助推段飞行程序优化方法的限定，在此不再赘述。上述基于改进灰狼算法的助推段飞行程序优化装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于改进灰狼算法的助推段飞行程序优化方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于改进灰狼算法的助推段飞行程序优化方法，其特征在于，所述方法包括：
构建弹道导弹运动模型并得到导弹助推段的攻角模型；
将所述攻角模型中的攻角特征参数作为灰狼算法中灰狼的位置向量，根据预先设置的取值范围初始化灰狼种群；
将经典灰狼算法中的线性收敛因子改进为非线性收敛因子，得到改进的灰狼算法；所述非线性收敛因子在迭代前一时刻衰减速度小于在迭代后一时刻衰减速度；
通过所述改进的灰狼算法对所述攻角特征参数进行寻优，并根据终端状态偏差的适应度函数更新所述位置向量，迭代直到达到最大迭代次数，输出全局最优灰狼，根据所述最优灰狼的位置向量得到所述弹道导弹运动模型的标准弹道。
2.根据权利要求1所述的方法，其特征在于，所述构建弹道导弹运动模型并得到导弹助推段的攻角模型包括：
构建弹道导弹运动模型并得到导弹助推段的攻角模型为：
Figure FDA0002973498330000011
其中，α(t)表示t时刻的攻角；t0,t11表示垂直起飞段的起止时间；t12,t13表示跨声速段的起止时间；t1f,t20,t2f,t30,t3f表示级间分离段的起止时间；t20,t2f表示导弹第二级飞行段的起止时间；t30,tf表示导弹第三级飞行段的起止时间；表示的起止时间；
Figure FDA0002973498330000012
tm表示α1对应时刻；α1、α2、α3、α4分别为第一至四次负攻角转弯的最小值。
3.根据权利要求2所述的方法，其特征在于，将所述攻角模型中的攻角特征参数作为灰狼算法中灰狼的位置向量，根据预先设置的取值范围初始化灰狼种群，包括：
将所述攻角模型中的攻角特征参数作为灰狼算法中灰狼的位置向量；所述攻角特征参数为四次负攻角转弯的最小值；
在预先设置的取值范围内生成随机值，根据所述随机值初始化灰狼种群。
4.根据权利要求3所述的方法，其特征在于，将经典灰狼算法中的线性收敛因子改进为非线性收敛因子，得到改进的灰狼算法；所述非线性收敛因子在迭代前一时刻衰减速度小于在迭代后一时刻衰减速度，包括：
将经典灰狼算法中的线性收敛因子改进为非线性收敛因子，得到改进的灰狼算法；所述非线性收敛因子为：
Figure FDA0002973498330000021
其中，a为非线性收敛因子；t为当前迭代次数；e为自然数；max为最大迭代次数。
5.根据权利要求4所述的方法，其特征在于，所述根据终端状态偏差的适应度函数更新所述位置向量之前，还包括：
根据所述攻角特征参数得到导弹当前终端状态；所述导弹终端状态包括导弹的终端高度、速度以及弹道倾角。
6.根据权利要求5所述的方法，其特征在于，通过所述改进的灰狼算法对所述攻角特征参数进行寻优，并根据终端状态偏差的适应度函数更新所述位置向量，包括：
获取预先设置的目标终端状态；
根据当前灰狼种群中各个灰狼的位置向量，得到所述位置向量对应的当前终端状态；
根据所述目标终端状态和所述当前终端状态，得到终端状态偏差；
找到使终端状态偏差的适应度函数最小的位置向量，作为寻优结果；
根据所述寻优结果更新所述灰狼种群的位置向量。
7.根据权利要求6所述的方法，其特征在于，通过所述改进的灰狼算法对所述攻角特征参数进行寻优，并根据终端状态偏差的适应度函数更新所述位置向量，迭代直到达到最大迭代次数，输出全局最优灰狼，包括：
通过所述改进的灰狼算法对所述攻角特征参数进行寻优，并根据终端状态偏差的适应度函数更新所述位置向量，迭代直到达到最大迭代次数，输出全局最优灰狼；所述终端状态偏差的适应度函数为：
Figure FDA0002973498330000031
其中，Fitness表示所述终端状态偏差的适应度函数值；Hf、Vf、θf表示目标终端高度、速度以及弹道倾角；Hpresent、Vpresent、θpresent表示每一次经过寻优计算后得到的当前终端高度、速度以及弹道倾角；ΔH、ΔV、Δθ表示预先设置的高度、速度和弹道倾角的允许偏差最大值。
8.一种基于改进灰狼算法的助推段飞行程序优化装置，其特征在于，所述装置包括：
攻角模型确定模块，用于构建弹道导弹运动模型并得到导弹助推段的攻角模型；
灰狼种群初始化模块，用于将所述攻角模型中的攻角特征参数作为灰狼算法中灰狼的位置向量，根据预先设置的取值范围初始化灰狼种群；
收敛因子改进模块，用于将经典灰狼算法中的线性收敛因子改进为非线性收敛因子，得到改进的灰狼算法；所述非线性收敛因子在迭代前一时刻衰减速度小于在迭代后一时刻衰减速度；
迭代模块，用于通过所述改进的灰狼算法对所述攻角特征参数进行寻优，并根据终端状态偏差的适应度函数更新所述位置向量，迭代直到达到最大迭代次数，输出全局最优灰狼，根据所述最优灰狼的位置向量得到所述弹道导弹运动模型的标准弹道。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202110269003.5A 2021-03-12 2021-03-12 一种基于改进灰狼算法的助推段飞行程序优化方法和装置 Active CN112861378B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110269003.5A CN112861378B (zh) 2021-03-12 2021-03-12 一种基于改进灰狼算法的助推段飞行程序优化方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110269003.5A CN112861378B (zh) 2021-03-12 2021-03-12 一种基于改进灰狼算法的助推段飞行程序优化方法和装置

Publications (2)

Publication Number Publication Date
CN112861378A true CN112861378A (zh) 2021-05-28
CN112861378B CN112861378B (zh) 2023-02-03

Family

ID=75994238

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110269003.5A Active CN112861378B (zh) 2021-03-12 2021-03-12 一种基于改进灰狼算法的助推段飞行程序优化方法和装置

Country Status (1)

Country Link
CN (1) CN112861378B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117494530A (zh) * 2023-12-29 2024-02-02 湖北工业大学 一种基于改进灰狼算法的薄板钻孔夹具布局优化方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120036096A1 (en) * 2010-08-05 2012-02-09 King Fahd University Of Petroleum And Minerals Method of generating an integrated fuzzy-based guidance law for aerodynamic missiles
US20120053764A1 (en) * 2010-08-30 2012-03-01 King Fahd University Of Petroleum And Minerals Particle swarm-based micro air launch vehicle trajectory optimization method
CN107589665A (zh) * 2017-08-25 2018-01-16 中国人民解放军火箭军装备研究院 一种基于梯度粒子群算法的弹道快速优化方法及装置
CN109506517A (zh) * 2018-11-21 2019-03-22 中国人民解放军空军工程大学 一种带约束的中制导弹道优化方法
CN109725644A (zh) * 2019-01-22 2019-05-07 湖南云顶智能科技有限公司 一种高超声速飞行器线性优化控制方法
CN110167138A (zh) * 2019-05-23 2019-08-23 西安电子科技大学 基于改进灰狼优化算法的无源时差定位系统优化布站方法
CN110608743A (zh) * 2019-10-18 2019-12-24 南京航空航天大学 基于多种群混沌灰狼算法的多无人机协同航路规划方法
CN110729939A (zh) * 2019-11-08 2020-01-24 江苏科技大学 一种永磁同步电机转速环自抗扰控制器参数整定方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120036096A1 (en) * 2010-08-05 2012-02-09 King Fahd University Of Petroleum And Minerals Method of generating an integrated fuzzy-based guidance law for aerodynamic missiles
US20120053764A1 (en) * 2010-08-30 2012-03-01 King Fahd University Of Petroleum And Minerals Particle swarm-based micro air launch vehicle trajectory optimization method
CN107589665A (zh) * 2017-08-25 2018-01-16 中国人民解放军火箭军装备研究院 一种基于梯度粒子群算法的弹道快速优化方法及装置
CN109506517A (zh) * 2018-11-21 2019-03-22 中国人民解放军空军工程大学 一种带约束的中制导弹道优化方法
CN109725644A (zh) * 2019-01-22 2019-05-07 湖南云顶智能科技有限公司 一种高超声速飞行器线性优化控制方法
CN110167138A (zh) * 2019-05-23 2019-08-23 西安电子科技大学 基于改进灰狼优化算法的无源时差定位系统优化布站方法
CN110608743A (zh) * 2019-10-18 2019-12-24 南京航空航天大学 基于多种群混沌灰狼算法的多无人机协同航路规划方法
CN110729939A (zh) * 2019-11-08 2020-01-24 江苏科技大学 一种永磁同步电机转速环自抗扰控制器参数整定方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
余跃等: "一种高超声速飞行器再入轨迹优化方法", 《宇航学报》 *
刘然: "基于灰狼算法的改进及应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
朱建文: "助推-滑翔飞行器自适应全程制导方法研究", 《中国博士学位论文全文数据库 工程科技II辑》 *
游航航等: "基于改进灰狼算法优化的UKF在空战轨迹预测中的应用", 《战术导弹技术》 *
郭杰等: "基于改进粒子群算法的方案飞行弹道优化设计", 《北京理工大学学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117494530A (zh) * 2023-12-29 2024-02-02 湖北工业大学 一种基于改进灰狼算法的薄板钻孔夹具布局优化方法
CN117494530B (zh) * 2023-12-29 2024-03-26 湖北工业大学 一种基于改进灰狼算法的薄板钻孔夹具布局优化方法

Also Published As

Publication number Publication date
CN112861378B (zh) 2023-02-03

Similar Documents

Publication Publication Date Title
CN112528441B (zh) 喉栓式变推力发动机总体参数设计方法、装置和设备
CN107193212B (zh) 基于新型灰狼优化算法的航空发动机非线性预测控制方法
CN112001029A (zh) 一种基于凸优化的火箭在线轨迹优化定制化求解器
CN116242383B (zh) 一种基于增强哈里斯鹰算法的无人车路径规划方法
CN112861378B (zh) 一种基于改进灰狼算法的助推段飞行程序优化方法和装置
CN111679685B (zh) 基于无人机总能量飞行控制方法和装置
CN111931492B (zh) 数据扩充混合策略生成方法、装置和计算机设备
CN113626610A (zh) 知识图谱嵌入方法、装置、计算机设备和存储介质
CN110096798B (zh) 一种多状态有限元模型修正的方法
CN114564787B (zh) 用于目标相关翼型设计的贝叶斯优化方法、装置及存储介质
Boncoraglio et al. Piecewise-global nonlinear model order reduction for pde-constrained optimization in high-dimensional parameter spaces
Zhao et al. Optimization of the aerodynamic configuration of a tubular projectile based on blind kriging
Meng et al. An active learning Kriging model with approximating parallel strategy for structural reliability analysis
CN115289917B (zh) 基于深度学习的火箭子级着陆实时最优制导方法及系统
CN110083946B (zh) 一种基于无约束优化模型的多状态模型修正的方法
CN116339373A (zh) 一种蒙特卡洛自适应动态规划无人机控制方法及系统
Zhang et al. Enhancing the take-off performance of hypersonic vehicles using the improved chimp optimisation algorithm
CN113050682B (zh) 导弹助推段校正制导方法、装置和高超声速飞行器
Wu et al. Safe reward‐based deep reinforcement learning control for an electro‐hydraulic servo system
CN117933104B (zh) 固体姿轨控发动机燃气调节阀压强修正方法
CN113361196A (zh) 导弹杀伤概率评估方法及系统、设备、可读介质
Xue et al. Research on Ballistic Planning Method Based on Improved DDPG Algorithm
CN113805587B (zh) 多无人车分布式编队控制方法、装置和设备
Lisk et al. Multi-objective optimization of supersonic projectiles using evolutionary algorithms
KR102715946B1 (ko) 복합재 유효 거동 예측 모델의 생성 방법 및 생성 장치

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
GR01 Patent grant
GR01 Patent grant