CN113722826A - 一种基于遗传算法的扑翼飞行器节能控制优化方法 - Google Patents
一种基于遗传算法的扑翼飞行器节能控制优化方法 Download PDFInfo
- Publication number
- CN113722826A CN113722826A CN202111011332.6A CN202111011332A CN113722826A CN 113722826 A CN113722826 A CN 113722826A CN 202111011332 A CN202111011332 A CN 202111011332A CN 113722826 A CN113722826 A CN 113722826A
- Authority
- CN
- China
- Prior art keywords
- flapping wing
- wing aircraft
- flapping
- genetic algorithm
- saving control
- 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
Links
- 230000002068 genetic effect Effects 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 230000035772 mutation Effects 0.000 claims abstract description 10
- 230000005484 gravity Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 abstract description 4
- 229910052744 lithium Inorganic materials 0.000 abstract description 4
- 238000005265 energy consumption Methods 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009189 diving Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Physiology (AREA)
- Computational Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Fluid Mechanics (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于遗传算法的扑翼飞行器节能控制优化方法,包括如下步骤:根据准定常假设建立扑翼飞行器空气动力学模型;根据扑翼飞行器空气动力学模型建立扑翼飞行器功率消耗的目标函数和约束函数;针对遗传算法的选择、交叉和变异操作进行改进和优化,并应用遗传算法搜寻目标函数的全局最优解;输出最优控制变量给扑翼飞行器。本发明可以在保证扑翼飞行器提供足够升力的前提下,降低飞行器的功耗,节约锂电池的能量消耗,提高扑翼飞行器的续航时间。
Description
技术领域
本发明涉及扑翼飞行器技术领域,尤其涉及一种基于遗传算法的扑翼飞行器节能控制优化方法。
背景技术
扑翼飞行器可以像自然界中的鸟类一样进行低速飞行、盘旋、俯冲、悬停等飞行动作,因此扑翼飞行器在军用侦查和民用等领域得到了越来越广泛的应用。目前扑翼飞行器主要采用直流电机驱动、锂电池供电的方式,为了保持足够的升力,电机始终处于工作状态,由于扑翼飞行器尺寸和重量的限制,锂电池的容量通常不会很大,因此现有扑翼飞行器的续航时间通常较短,限制了扑翼飞行器执行任务的时间,因此对扑翼飞行器的节能控制研究对提高飞行器的任务执行时间和续航时间具有重要价值。
发明内容
本发明目的是提供了一种基于遗传算法的扑翼飞行器节能控制优化方法,以解决上述问题。
本发明解决技术问题采用如下技术方案:
一种基于遗传算法的扑翼飞行器节能控制优化方法,包括如下步骤:
S1,根据准定常假设建立扑翼飞行器空气动力学模型;
S2,根据扑翼飞行器空气动力学模型建立扑翼飞行器功率消耗的目标函数和约束函数;
S3,针对遗传算法的选择、交叉和变异操作进行改进和优化,并应用遗传算法搜寻目标函数的全局最优解;
S4,输出最优控制变量给扑翼飞行器。
优选的,根据准定常假设,扑翼飞行器空气动力学模型为:
F=FL+FR
其中F为扑翼飞行器的升力;
优选的,扑翼飞行器的功率消耗为:
优选的,扑翼飞行器节能控制的目标函数为:
Min P,扑翼飞行器的功率消耗最低。
优选的,约束条件为:
F>G,G为扑翼飞行器的重力;
ρ<ρmax,ρmax为安全飞行高度对应的大气密度;
v<vmax,vmax为最大安全扑翼拍动速度;
0<α<αmax,αmax为攻角最大值;
0<θ<θmax,θmax为俯仰角最大值。
优选的,遗传算法的流程为:
S31,随机生成初始种群;
S32,计算适应度,适应度函数为扑翼飞行器的功率消耗P;
S33,选择操作;为了提高遗传算法的收敛速度,根据适应度值的大小进行排序,并设置不同的选择概率,适应度值最大的个体不进行交叉和变异操作,直接进入下一代;适应度值较大的个体设置较高的选择概率;适应度值较小的个体设置较低的选择概率,并设置罚函数,连续计算后两代个体的适应度值,若个体的适应度值持续偏低,则通过罚函数进一步降低选择概率;
S34,交叉操作;随机选择两个交叉点,并计算下一代的适应度值;为了提高遗传算法的收敛速度,对个体进行n次,n>2,随机交叉操作,取n次中的适应度最大值进入下一代,从而选择“优秀的”个体进入下一代;
S35,变异操作;随机选择两个变异点,并计算下一代的适应度值;为了提高遗传算法的收敛速度,对个体进行n次,n>2,随机变异操作,取n次中的适应度最大值进入下一代,从而选择“优秀的”个体进入下一代;
S36,达到迭代次数后,停止迭代。
优选的,步骤S4中的控制变量包括飞行高度、扑翼拍动速度、攻角和俯仰角。
本发明公开的一种基于遗传算法的扑翼飞行器节能控制优化方法,具有以下有益效果:
(1)本发明公开的基于遗传算法的扑翼飞行器节能控制优化方法,输出的最优控制参数能够保证升力大于飞行器的重力,实现飞行器的自主飞行。
(2)本发明公开的基于遗传算法的扑翼飞行器节能控制优化方法在保证足够升力的前提下,使扑翼飞行器的功率消耗最小,从而保证锂电池的续航时间。
(3)本发明公开的基于遗传算法的扑翼飞行器节能控制优化方法对遗传算法的选择、交叉和变异操作进行了改进,确保快速收敛到最优控制参数,保证系统的实时性。
附图说明
图1为本发明基于遗传算法的扑翼飞行器节能控制优化方法的整体流程图。
图2为本发明遗传算法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本实施例公开的一种基于遗传算法的扑翼飞行器节能控制优化方法,包括如下步骤:
S1,根据准定常假设建立扑翼飞行器空气动力学模型;
S2,根据扑翼飞行器空气动力学模型建立扑翼飞行器功耗的目标函数和约束函数,其中目标函数以扑翼飞行器的功率消耗最小为目标,约束函数包括升力应大于自身重力、飞行高度应确保最小安全高度、飞行速度小于最大设计速度、攻角在设计范围内、俯仰角在设计范围内,输出的控制变量为飞行高度、扑翼拍动速度、攻角和俯仰角;
S3,针对遗传算法的选择、交叉和变异操作进行改进和优化,并应用遗传算法搜寻目标函数的全局最优解,搜寻满足功耗最小时的最优控制变量;
S4,输出最优控制变量给扑翼飞行器。
根据准定常假设,扑翼飞行器空气动力学模型为
F=FL+FR。
其中F为扑翼飞行器的升力;
扑翼飞行器的功率消耗为
扑翼飞行器节能控制的目标函数为:
Min P,扑翼飞行器的功率消耗最低。
约束条件为:
F>G,G为扑翼飞行器的重力;扑翼飞行器的升力大于重力;
ρ<ρmax,ρmax为安全飞行高度对应的大气密度;高度越高,大气密度越低,需保证扑翼飞行器的安全飞行高度;
v<vmax,vmax为最大安全扑翼拍动速度;扑翼拍动速度小于最大安全扑翼拍动速度;
0<α<αmax,αmax为攻角最大值;攻角在设计范围之内;
0<θ<θmax,θmax为俯仰角最大值;俯仰角在设计范围之内。由此建立目标函数和约束函数,输出的控制变量为飞行高度、扑翼拍动速度、攻角和俯仰角。
如图2所示,遗传算法的流程为:
S31,随机生成初始种群,采用二进制编码生成初始种群,初始种群数量的大小与扑翼飞行器控制器的运算速度相关,初始种群数量越大,越能保持种群的多样性,确保搜寻到全局最优解,但是会降低遗传算法的收敛速度,降低响应时间,初始种群的大小通常应不小于40。
S32,计算适应度,第i个个体的适应度值为扑翼飞行器的功率消耗Pi。
S33,选择操作。为了提高遗传算法的收敛速度,根据适应度值的大小进行排序,并设置不同的选择概率,适应度值最大的个体不进行交叉和变异操作,直接进入下一代;计算所有个体适应度的平均值当个体的适应度值时,设置初始选择概率为μk(μk>0.5),当个体的适应度值时,设置初始选择概率为1-μk,即适应度值较大的个体设置较高的选择概率;适应度值较小的个体设置较低的选择概率。
为概率μk设置罚函数,计算个体的适应度值的后代个体的适应度值,若后代个体的适应度值仍然小于个体适应度的平均值则μk+1=εμk(0<ε<1),即通过罚函数进一步降低个体的适应度值小于平均值的选择概率。
S34,交叉操作。交叉概率为0.1~0.5,随机选择两个个体的两个交叉点进行交叉操作,并计算下一代的适应度值;为了提高遗传算法的收敛速度,对两个个体进行n次,n>2,随机交叉操作,取n次中的适应度最大值进入下一代,从而选择“优秀的”个体进入下一代,n的取值会一定程度提高算法的复杂程度,但是通过多次随机交叉后取适应度值最大的个体有助于快速选择优秀的个体进入下一代,提高算法的收敛速度,通常情况下n的取值小于5。
S35,变异操作。变异概率为0.01~0.1,对单个个体随机选择两个变异点,并计算下一代的适应度值;为了提高遗传算法的收敛速度,对单个个体进行n次,n>2,随机变异操作,取n次中的适应度最大值进入下一代,从而选择“优秀的”个体进入下一代,n的取值会一定程度提高算法的复杂程度,但是通过多次随机交叉后取适应度值最大的个体有助于快速选择优秀的个体进入下一代,提高算法的收敛速度,通常情况下n的取值小于5。
S36,达到迭代次数(根据扑翼飞行器控制器运算速度的不同,迭代次数可以在100~300之间)或经过多次迭代后适应度值不再增加,则认为算法搜寻到最优解,停止迭代。
S37,最优解即为满足功耗最低的输出控制变量;飞行高度、扑翼拍动速度、攻角和俯仰角。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种基于遗传算法的扑翼飞行器节能控制优化方法,其特征在于,包括如下步骤:
S1,根据准定常假设建立扑翼飞行器空气动力学模型;
S2,根据扑翼飞行器空气动力学模型建立扑翼飞行器功率消耗的目标函数和约束函数;
S3,针对遗传算法的选择、交叉和变异操作进行改进和优化,并应用遗传算法搜寻目标函数的全局最优解;
S4,输出最优控制变量给扑翼飞行器。
4.根据权利要求3所述的一种基于遗传算法的扑翼飞行器节能控制优化方法,其特征在于,扑翼飞行器节能控制的目标函数为:
MinP,扑翼飞行器的功率消耗最低。
5.根据权利要求4所述的一种基于遗传算法的扑翼飞行器节能控制优化方法,其特征在于,约束条件为:
F>G,G为扑翼飞行器的重力;
ρ<ρmax,ρmax为安全飞行高度对应的大气密度;
v<vmax,vmax为最大安全扑翼拍动速度;
0<α<αmax,αmax为攻角最大值;
0<θ<θmax,θmax为俯仰角最大值。
6.根据权利要求1所述的一种基于遗传算法的扑翼飞行器节能控制优化方法,其特征在于,遗传算法的流程为:
S31,随机生成初始种群;
S32,计算适应度,适应度函数为扑翼飞行器的功率消耗P;
S33,选择操作;为了提高遗传算法的收敛速度,根据适应度值的大小进行排序,并设置不同的选择概率,适应度值最大的个体不进行交叉和变异操作,直接进入下一代;适应度值较大的个体设置较高的选择概率;适应度值较小的个体设置较低的选择概率,并设置罚函数,连续计算后两代个体的适应度值,若个体的适应度值持续偏低,则通过罚函数进一步降低选择概率;
S34,交叉操作;随机选择两个交叉点,并计算下一代的适应度值;为了提高遗传算法的收敛速度,对个体进行n次,n>2,随机交叉操作,取n次中的适应度最大值进入下一代,从而选择“优秀的”个体进入下一代;
S35,变异操作;随机选择两个变异点,并计算下一代的适应度值;为了提高遗传算法的收敛速度,对个体进行n次,n>2,随机变异操作,取n次中的适应度最大值进入下一代,从而选择“优秀的”个体进入下一代;
S36,达到迭代次数后,停止迭代。
7.根据权利要求1所述的一种基于遗传算法的扑翼飞行器节能控制优化方法,其特征在于,步骤S4中的控制变量包括飞行高度、扑翼拍动速度、攻角和俯仰角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111011332.6A CN113722826B (zh) | 2021-08-31 | 2021-08-31 | 一种基于遗传算法的扑翼飞行器节能控制优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111011332.6A CN113722826B (zh) | 2021-08-31 | 2021-08-31 | 一种基于遗传算法的扑翼飞行器节能控制优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113722826A true CN113722826A (zh) | 2021-11-30 |
CN113722826B CN113722826B (zh) | 2024-02-20 |
Family
ID=78679636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111011332.6A Active CN113722826B (zh) | 2021-08-31 | 2021-08-31 | 一种基于遗传算法的扑翼飞行器节能控制优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113722826B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729639A (zh) * | 2017-10-10 | 2018-02-23 | 东莞理工学院 | 一种仿蜂鸟扑翼微型飞行器悬飞下翅翼的设计方法 |
CN108490965A (zh) * | 2018-04-19 | 2018-09-04 | 东华大学 | 基于遗传算法优化神经网络的旋翼飞行器姿态控制方法 |
WO2020215362A1 (zh) * | 2019-04-24 | 2020-10-29 | 东莞理工学院 | 一种微型扑翼飞行器翅膀智能参数化设计方法 |
CN112115544A (zh) * | 2020-08-10 | 2020-12-22 | 南京理工大学 | 一种基于改进遗传算法的火箭轨迹优化方法 |
-
2021
- 2021-08-31 CN CN202111011332.6A patent/CN113722826B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729639A (zh) * | 2017-10-10 | 2018-02-23 | 东莞理工学院 | 一种仿蜂鸟扑翼微型飞行器悬飞下翅翼的设计方法 |
CN108490965A (zh) * | 2018-04-19 | 2018-09-04 | 东华大学 | 基于遗传算法优化神经网络的旋翼飞行器姿态控制方法 |
WO2020215362A1 (zh) * | 2019-04-24 | 2020-10-29 | 东莞理工学院 | 一种微型扑翼飞行器翅膀智能参数化设计方法 |
CN112115544A (zh) * | 2020-08-10 | 2020-12-22 | 南京理工大学 | 一种基于改进遗传算法的火箭轨迹优化方法 |
Non-Patent Citations (1)
Title |
---|
张瑞坤等: "偏置式空间RSSR 急回仿生扑翼机构优化设计与分析", 机械科学与技术, vol. 41, no. 4, pages 3 * |
Also Published As
Publication number | Publication date |
---|---|
CN113722826B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11132476B2 (en) | Automatic aircraft design optimization based on joint aerodynamic, structural, and energy performance | |
WO2020197885A1 (en) | Systems and methods for maintaining attitude control under degraded energy source conditions using multiple propulsors | |
CN204895858U (zh) | 垂直起降空中变体固定翼四轴无人机 | |
CN110001973B (zh) | 轻型固定翼无人机的混合动力推进系统与控制方法 | |
CN114355777B (zh) | 一种基于分布式压力传感器与分段姿态控制的动态滑翔方法及系统 | |
CN109969425B (zh) | 一种针对复合推力构型直升机的两侧推进螺旋桨优化方法 | |
CN113776532B (zh) | 一种基于分组混合优化群搜索算法的无人机巡检线路航迹规划方法 | |
CN109141429B (zh) | 临近空间球载太阳能无人机投放过程航迹设计方法 | |
EP3499391A1 (en) | Automatic aircraft design optimization based on joint aero-dynamic, structural, and energy performance | |
CN108639332A (zh) | 复合三旋翼无人机多模态飞行控制方法 | |
CN109969426A (zh) | 一种针对复合推力构型直升机的升力分配方法及系统 | |
CN113504797B (zh) | 一种扑翼飞行机器人编队控制方法 | |
CN110304244A (zh) | 飞行控制方法、装置、倾转翼飞行器及介质 | |
CN113722826B (zh) | 一种基于遗传算法的扑翼飞行器节能控制优化方法 | |
CN106875122B (zh) | 一种降低凝结尾生成的区域扇区飞行调配方法 | |
CN116501079B (zh) | 一种基于强化学习的无人机高空球载投放控制方法 | |
CN110182361B (zh) | 一种可倾转的垂直起降固定翼无人机 | |
CN211107983U (zh) | 一种可倾转的垂直起降固定翼无人机 | |
CN111532428A (zh) | 一种自由起降的倾转动力微型固定翼无人机 | |
CN113901700B (zh) | 一种基于粒子群算法的扑翼飞行器升力最大优化方法 | |
CN110334401A (zh) | 一种基于串列布置的双扑翼推进效能的优化方法 | |
CN113673036B (zh) | 一种扑翼飞行器的升力和功耗协同优化方法 | |
CN112810832B (zh) | 一种倾转多旋翼飞行器动力系统分布方案的设计方法 | |
CN114919744A (zh) | 一种串联式布局的分布式动力倾转旋翼垂起无人机 | |
CN113255143A (zh) | 一种分布式混合电推进飞行器能量管理系统 |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Wang Fangbo Inventor after: Wang Xiaoming Inventor after: Luo Changjie Inventor after: Deng Huichao Inventor after: Xiao Shengjie Inventor before: Deng Huichao Inventor before: Xiao Shengjie |
|
GR01 | Patent grant | ||
GR01 | Patent grant |