CN113821054B - 基于鸽群智能优化动态逆控制的无人机轨迹跟踪制导方法 - Google Patents

Abstract

本发明公开一种基于鸽群智能优化动态逆控制的无人机轨迹跟踪制导方法：步骤一：无人机的轨迹跟踪制导控制建模；步骤二：无人机动态逆控制建模；步骤三：无人机四回路轨迹跟踪制导控制建模；步骤四：鸽群智能优化无人机对航路的轨迹跟踪制导；步骤五：输出无人机轨迹跟踪结果。本发明优点功效在于：一、提供了一种结合无人机飞行控制和轨迹跟踪制导的无人机自主航路飞行框架，在降低任务复杂度的同时，提升了任务的鲁棒性与可靠性；二、提出了一种利用动态逆控制的无人机轨迹跟踪制导控制方法，支持跟踪输入的预期三维航路序列，即预期航路，具有灵活性；三、提出了一种鸽群智能优化控制的方法，实时跟踪收敛效果更佳，符合实际需求。

Description

基于鸽群智能优化动态逆控制的无人机轨迹跟踪制导方法

技术领域

本发明涉及一种基于鸽群智能优化动态逆控制的无人机轨迹跟踪制导方法，属于无人机自主控制领域。

背景技术

轨迹跟踪制导技术是解决飞行器按照预想路线进行自主飞行的一种有效手段，无人机在自主飞行状态下对参考轨迹信号的有效跟踪也是无人机自主控制很重要的一个方面，在通常的无人机控制方法设计过程中，无人机在飞行过程中存在很多的外界干扰，由于系统的复杂性、环境的变化、系统的损耗和错误的操作等，这些因素使得可靠的控制律设计变得相当复杂。本发明旨在利用鸽群优化算法的强鲁棒性与动态逆控制方法的高度可靠性，设计无人机轨迹跟踪制导方法，使得无人机在自主控制过程中能够有效地跟踪期望中的轨迹信号，实现稳定、可靠的飞行。

利用动态逆控制的无人机制导方法将飞机的数学模型(通常是非线性模型)，找出平衡点，将其线性化，而后将无人机的数学模型分为偏航、滚转和俯仰三个不同的通道，然后分别分开来看每个通道，对每个通道先后用经典控制理论里的根轨迹法(极点配置)、频域法等方法对无人机的自动控制律进行设计，从而使得无人机有较好的增稳控制系统、姿态控制系统和轨迹跟踪控制能力(能较好的对给定的轨迹信号进行跟踪控制)，无人机因此鲁棒性能提高很多，在一定的外界干扰下或一定的误差下能够满足预期的控制效果。这种运用了经典控制理论方法的控制律设计思路能够较好的消除系统的误差，有较好的抗外界干扰能力，而且易于实现。最优控制方法从数学上看其本质为：就是在一个控制方案的所有解中，选出最优的、所需要的代价最小的解作为最终的选择解。工程中已经证实，运用最优控制律设计的控制系统有较好的鲁棒性能。但在实际中，由于无人机总是存在模型不确定性因素，因此在这种情况下解决控制可靠性的问题需要解决。非线性动态逆是一种将一个非线性系统进行线性化然后进行相应的设计的容错控制方法，应用于无人机非线性控制中。它是通过状态反馈来消除模型中的非线性，进而使部分或全部的闭环系统线性化，而后可以利用控制分析方法中的线性系统的分析方法进行解决问题。增量非线性动态逆控制方法以传感器所获得的参数为基础，对模型的不确定性比较不敏感，不需要严格的模型来跟随，提高了系统的鲁棒性能，在容错控制方面能够得到更好的应用。鸽群算法的思想是模拟鸽群利用地球磁场和地标组合来归巢的过程。鸽群算法具有原理相对简单、所需调整的参数较少、比较容易实现等特点。还有计算相对简单,鲁棒性较强等显著优势,相对于其他部分算法而言还有收敛速度较快的优势。所以将鸽群优化对动态逆控制方法进行优化，设计出一种高效可靠的轨迹跟踪制导方法。

发明内容

1、发明目的：

本发明是利用鸽群智能优化原理相对简单、所需调整的参数较少、比较容易实现、强鲁棒性与动态逆控制方法的高度可靠性的特点，用鸽群优化动态逆控制，从而设计无人机轨迹跟踪制导方法，使得无人机在自主控制过程中能够有效地跟踪期望中的轨迹信号，实现稳定、可靠的飞行。

2、技术方案：

本发明是一种基于鸽群智能优化动态逆控制的无人机轨迹跟踪制导方法，具体实现步骤如下：

步骤一：无人机的轨迹跟踪制导控制建模

(1)无人机的状态向量建模

无人机的控制需要实时的各种状态向量，现不加推导的给出各状态向量的动态方程的数学模型：

其中，V表示无人机的总速度，χ表示无人机的运动的方位角，γ表示无人机的飞行轨迹角。

其中，X,Y,Z分别代表了无人机受到的空气动力和发动机推进力的合力在机体参考坐标系三个坐标轴上的分力，T_VB表示从机体参考坐标系到速度参考系的转移矩阵，T_VE表示从地球参考坐标系到速度参考坐标系的转移矩阵。这些转移矩阵表示为：

其中，μ代表航迹倾斜角，α代表空气动力学下无人机的迎角(攻角)，β代表空气动力学下无人机的侧滑角，其中T_BV为T_VB的转置矩阵。

f₃＝J^-1(M_a-ω×Jω) (7)

其中，u₃表示无人机升降舵、副翼和方向舵这些控制面的偏转,这也是控制系统的输入量,M_a表示除了控制面偏转所产生的力矩表示的力矩外的其他所有力矩，ω表示无人机的滚转角速度、俯仰角速度、偏航角速度向量。

步骤二：无人机动态逆控制建模

现不加推导的给出无人机的系统方程和动态逆控制方程。

其中，输出量y，状态量x，控制量u，F与u是线性关系，f是动态函数，g为控制分布函数。图1、图2展示了无人机动态逆控制框图。

步骤三：无人机四回路轨迹跟踪制导控制建模

图3展示了四回路控制的原理框图，按照图3所示以及式(1)、式(2)、式(5)和式(6)所表达，进行控制回路的建模，主要内容是位置控制回路跟踪参考量想要的参考量χ^des,γ^des由该回路产生；飞行轨迹控制回路控制变量x₁够跟踪给定的/>并且产生姿态控制回路的输入信号μ^des,α^des；另外，为了能够跟踪无人机的速度参考量V^ref，飞行轨迹控制回路产生引擎需要的功率信号PLA^des；姿态控制回路需要跟踪飞行轨迹控制回路产生的/>并且为了控制无人机姿态，它产生/>输入到角速率控制回路；角速率控制回路跟踪由姿态控制回路给出的信号/>为了达到控制目的，它产生想要的指令u^des并输入到无人机执行器。其中有上标ref的表示要求控制器跟踪的参考变量，有上标des的表示由控制器产生的想要的变量。

(1)无人机位置控制回路模型

不加推导的给出参考位置变量表达式：

无人机位置控制回路为飞行轨迹控制回路产生的输出χ^des,γ^des表示为：

(2)无人机飞行轨迹控制回路模型

飞行轨迹控制回路中，应该控制变量均跟踪他们的参考量V^ref,χ^des,γ^des，输出的控制量为PLA^des，μ^des,α^des，它们在方程中表达为：

其中μ^des的表达式：

对于PLA^des和α^des，式(15)的第一和第三个方程表示为：

其中，

最终想要得到的控制变量可以表达为：

图4展示了无人机飞行轨迹控制回路框图。

(3)无人机姿态控制回路模型

在无人机姿态控制回路中，需要得到的结果是跟踪μ^des,α^des,β^ref三个控制变量，其中μ^des,α^des在飞行轨迹控制回路中已经得到，而β^ref需要将其设置为0。

该无人机姿态控制回路的控制模型表达式为：

其中，v_μ,v_α,v_β表示μ^des,α^des,β^ref和μ、α、β的误差通过线性控制器后得到的结果。

(4)无人机角速率控制回路模型

在无人机角速率控制回路中，控制目的是要跟踪由姿态控制回路产生的控制变量p^des、q^des、r^des，而无人机角速率控制回路输出的控制变量是无人机舵面的偏转量

此无人机角速率控制回路的动态逆控制方程可以表达为：

其中，v_p,v_q,v_r表示p^des,q^des,r^ref和p、q、r的误差通过线性控制器后得到的结果。

此无人机角速率控制回路产生的控制量表达式为：

步骤四：鸽群智能优化无人机对航路的轨迹跟踪制导

通过模仿自然界中鸽子归巢行为提出了鸽群优化，利用鸽群算法优化无人机在位置控制回路跟踪参考位置信息的过程，使无人机实际轨迹更快地朝最优位置收敛。在鸽子归巢过程中，当远离巢穴时，鸽子的导航信息主要是从太阳和地磁场中获取；在飞行后期，当鸽子逐渐靠近巢穴时，鸽子的导航信息主要是从熟悉的建筑物、公路等地标中获取，同时不熟悉地标的鸽子将跟随飞行经验丰富的鸽子直到巢穴。根据不同飞行阶段的导航工具的不同，仿鸽群智能分为两个阶段，分别是：地图和指南针算子阶段如图10所示，和地标算子阶段如图11所示。其中，地图和指南针算子阶段模仿太阳和地磁场的导航作用，地标算子阶段模仿地标的导航作用，利用鸽群智能算法在无人机的位置跟踪回路中实时进行最优参考位置的更新，使得无人机能够快速收敛至理想航路，具体如下：

假设种群规模为N_G，地图和指南针算子阶段最大迭代次数为T_max1，个体i的速度和位置分别记作V_i(t)＝{v_i,1(t),v_i,2(t),...,v_i,N(t)}，X_i(t)＝{x_i,1(t),x_i,2(t),...,x_i,N(t)}，该阶段速度和位置的更新表示为：

V_i(t+1)＝V_i(t)·e^-R·t+rand·(X_g(t)-X_i(t)) (23)

X_i(t+1)＝X_i(t)+V_i(t+1) (24)

其中，t表示迭代次数，R表示地图和指南针因子，N表示解空间的维度，在这里其含义与航路点的个数相同，rand∈(0,1)，X_g(·)表示全局最优解。

当迭代次数t>T_max1时，循环迭代进入地标算子阶段，否者，继续执行地图和指南针算子阶段循环。

假设地标算子阶段的最大迭代次数为T_max2，个体按照适应度值大小进行排序，仅较优个体保留，因此，每次迭代之后种群数减半。同时，个体朝着保留个体的中心位置靠近，该阶段的位置更新表示为：

N_G(t+1)＝N_G(t)/2 (25)

X_i(t+1)＝X_i(t)+rand·(X_c(t)-X_i(t)) (26)

其中，X_c(·)表示剩下较优个体的中心位置，S(·)表示较优个体构成的集合，f(·)表示代价函数。

当迭代次数t>(T_max1+T_max2)时，结束循环，输出优化结果。否者继续执行地标算子阶段循环。

考虑到在地图和指南针算子阶段，速度更新除了与速度惯性项V_i(t)·e^-R·t有关，还与群体最优个体X_g(·)有关。通过对最优个体行为的模仿，使得个体逐渐向全局最优靠拢。利用计算得到的较优个体权重，计算这些较优个体的位置平均值速度更新公式调整为：

地标算子阶段由于仿鸽群智能的地标算子阶段没有速度更新项，位置更新仅与前一时刻的位置以及较优个体的中心位置有关，并且每次迭代过程中种群规模都在减半。虽然加快了算法的收敛速度，但由于种群数量的快速减少，在很大程度上造成种群多样性快速下降。因此，对该地标算子阶段的位置更新进行改进。

首先，将所有个体首尾随机相连构成一个闭环的拓扑结构，并将该闭环拓扑随机划分成N_c个子部分。其次，确定每个个体对应的邻居集合S_i(X_i)，进而可以得到每个个体的邻居的中心位置，此时每个个体的学习对象变为其邻居个体的中心位置，位置更新也调整为：

其中，表示个体i的邻居中心位置，/>表示该集合的元素个数。

通过对具体优化问题的分析，可以保证算法快速性的同时，提高种群多样性，增强算法的快速收敛能力。

步骤五：输出无人机轨迹跟踪结果

输出无人机对预定轨迹的三维状态下以及各姿态、运动参数的跟踪制导仿真结果。

(1)无人机自主飞行中各运动、姿态参数的相关仿真结果

输出无人机在仿真全过程中各控制环回路产生的信号对前一回路的输出参考信号的跟踪结果仿真曲线。对于位置控制回路跟踪参考量想要的参考量χ^des,γ^des由位置控制回路产生；飞行轨迹控制回路控制变量x₁够跟踪给定的/>并且产生姿态控制回路的输入信号μ^des,α^des，另外，飞行轨迹控制回路产生引擎需要的功率信号PLA^des；姿态控制回路需要跟踪飞行轨迹控制回路产生的/>并且为了控制无人机姿态，它产生/>输入到角速率控制回路；角速率控制回路跟踪由姿态控制回路给出的信号/>为了达到控制目的，它产生想要的指令u^des并输入到无人机执行器。各信号的预期曲线与实际曲线的重合度越高，则跟踪效果越好。

(2)无人机自主飞行中轨迹跟踪的相关仿真结果

对无人机的三维空间里的x,y,z三个方向的预期航路点和实际航路点分别进行输出，观察是否满足跟踪精度。

本发明的基于鸽群智能优化动态逆控制的无人机轨迹跟踪制导方法，其优点功效在于：一、提供了一种结合无人机飞行控制和轨迹跟踪制导的无人机自主航路飞行框架，在降低任务复杂度的同时，提升了任务的鲁棒性与可靠性；二、提出了一种利用动态逆控制的无人机轨迹跟踪制导控制方法，支持跟踪输入的预期三维航路序列，即预期航路，具有灵活性；三、提出了一种鸽群智能优化控制的方法，实时跟踪收敛效果更佳，符合实际需求。

附图说明

图1动态逆控制方法图

图2增量非线性动态逆控制方法图

图3四回路控制图

图4基于鸽群智能优化并利用动态逆控制的无人机轨迹跟踪制导方法流程图

图5无人机三维空间轨迹跟踪仿真曲线图

图6a、b无人机位置控制回路参数跟踪曲线图

图7a、b、c无人机飞行轨迹控制回路参数跟踪曲线图

图8a、b、c无人机姿态控制回路参数跟踪曲线图

图9a、b、c无人机角速度控制回路参数跟踪曲线图

图10鸽群智能地图和指南针算子阶段图

图11鸽群智能地标算子阶段图

具体实施方式

按照图4无人机轨迹跟踪制导方法流程图进行实例仿真，用以验证本专利提出的基于鸽群智能优化并利用动态逆控制的无人机轨迹跟踪制导方法的合理性及有效性。实例中给定无人机在60km*12km*10km的区域进行航路预设，并在该区域内进行预定轨迹的跟踪。本实例的仿真环境配置为AMD 4500U处理器，2.38Ghz主频，8G内存，软件为MATLAB2019b版本。该系统及方法具体步骤如下：

步骤一：无人机的轨迹跟踪制导控制建模

无人机升降舵有一对；升降副翼有一对，根据飞行系统的需要而偏转一定的角度；副翼对称分布，控制飞行器的滚转运动。无人机的十二个状态量进行分组，建立飞机的局部机体坐标系，计算得到各状态量在机体坐标系到全局位置坐标系中的转换关系。对位置状态量进行初始化，设置y＝5sin20tkm，z＝10sin(20t-2000)km,时长设置为300s。

步骤二：无人机动态逆控制建模

如图1、图2及式(12)所示，对无人机的控制结构进行建模。

步骤三：无人机四回路轨迹跟踪制导控制建模

位置控制回路跟踪参考量想要的参考量χ^des,γ^des由该回路产生；飞行轨迹控制回路控制变量x₁够跟踪给定的/>并且产生下一回路姿态控制环的输入信号μ^des,α^des，另外，为了能够跟踪无人机的速度参考量V^ref，该回路产生引擎需要的功率信号PLA^des；姿态控制回路需要跟踪飞行轨迹控制回路产生的/>并且为了控制无人机姿态，它产生/>输入到角速度控制环；角速率控制回路跟踪由姿态控制回路给出的信号/>为了达到控制目的，它产生想要的指令u^des并输入到无人机执行器。其中有上标ref的表示要求控制器跟踪的参考变量，有上标des的表示由控制器产生的想要的变量，变量表达为：

(1)无人机位置控制建模

由式(13)可以得出该回路为飞行轨迹控制回路产生的输出χ^des,γ^des，变量v_y、v_z通过可以获得，/>代表位置控制的增益。在模型中设置飞机速度为V＝177m/s。

(2)无人机轨迹控制建模

在飞行轨迹控制回路中，控制变量V，χ，γ均跟踪他们的参考量V^ref,χ^des,γ^des，输出的控制量为PLA^des，μ^des,α^des。如式(16)、式(19)所示对所要输出的变量进行模型的搭建。基于/>进行设计，/>是在V、γ的参考输入信号和实际信号的误差之间进行设计，/>的值通过将/>的值通过滤波器/>得到。

(3)无人机姿态控制建模

在这个控制回路中，得到的结果是跟踪μ^des,α^des,β^ref三个控制变量，其中μ^des,α^des在无人机轨迹控制回路中已经得到，而β^ref将其设置为0。而后通过式(20)所示进行该回路模型的搭建。

(4)无人机角速度控制建模

此回路跟踪由姿态控制回路产生的控制变量p^des,q^des,r^ref，输出控制变量是飞行器舵面的偏转量由式(21)、式(22)所示对该回路进行模型的搭建。

步骤四：鸽群智能优化无人机对航路的轨迹跟踪制导

利用仿鸽群智能对局部坐标系下的无人机y、z轴方向的速度进行优化，从而解决无人机的航迹跟踪制导问题。

在改进后的地图和指南针算子阶段，令种群规模为N_G＝200，最大迭代次数为T_max1＝50，较优个体数N_j＝3，地图和指南针因子R＝0.004，权重均值为方差为/>利用式(23)，(24)，(26)，(27)对该阶段个体的位置和速度进行更新。当迭代次数t>T_max1时，循环迭代结束，并进入地标算子阶段，否者，继续执行该阶段循环。在改进后的地标算子阶段，令最大迭代次数为T_max2＝50，将整个群体构成的闭环随机划分成N_c＝4个子部分，利用公式(41)，(42)对该阶段的个体的位置更新。当迭代次数t>(T_max1+T_max2)时，结束循环，输出局部坐标系下的沿y、z轴方向的每个航路点的最优速度矢量，否者，继续执行地标算子阶段循环。

步骤五：输出无人机轨迹跟踪结果

图5至图9a、b、c给出了无人机轨迹跟踪制导相关仿真结果，其中图5给出了无人机三维空间轨迹跟踪仿真曲线图，可以看出无人机从初始出发点快速收敛至期望轨迹曲线上，并在之后的仿真过程中能够一直与期望轨迹相重合，跟踪效果较好。图6a、b给出了在y、z方向上无人机轨迹的跟踪效果，均能够较好的与期望轨迹曲线重合。图7a、b、c给出了无人机对设定速度V＝177m/s和运动方位角、飞行轨迹角跟踪效果，均能够较好的与期望轨迹曲线重合而且收敛速度较快。图8a、b、c给出了无人机在飞机姿态角上的跟踪效果，均能够较好的与期望轨迹曲线重合，跟踪效果较好。图9a、b、c给出了无人机滚转角速度、俯仰角速度和偏航角速度的跟踪效果，均能够较好的与期望轨迹曲线重合，无人机的角速度跟踪制导效果较好。

Claims (6)

1.一种基于鸽群智能优化动态逆控制的无人机轨迹跟踪制导方法，其特征在于：该方法步骤如下：

步骤一：无人机的轨迹跟踪制导控制建模：

不加推导的给出各状态向量的动态方程的数学模型；

步骤二：无人机动态逆控制建模：

不加推导的给出无人机的系统方程和动态逆控制方程；

步骤三：无人机四回路轨迹跟踪制导控制建模：

所述的四回路包括：位置控制回路、飞行轨迹控制回路、姿态控制回路及角速率控制回路；

步骤四：鸽群智能优化无人机对航路的轨迹跟踪制导：

通过模仿自然界中鸽子归巢行为提出了鸽群优化，利用鸽群算法优化无人机在位置控制回路跟踪参考位置信息的过程，使无人机实际轨迹更快地朝最优位置收敛；根据不同飞行阶段的导航工具的不同，仿鸽群智能分为两个阶段，分别是：地图和指南针算子阶段、以及地标算子阶段；其中，地图和指南针算子阶段模仿太阳和地磁场的导航作用，地标算子阶段模仿地标的导航作用，利用鸽群智能算法在无人机的位置跟踪回路中实时进行最优参考位置的更新，使得无人机能够快速收敛至理想航路，具体如下：

假设种群规模为N_G，地图和指南针算子阶段最大迭代次数为T_max1，个体i的速度和位置分别记作V_i(t)＝{v_i,1(t),v_i,2(t),...,v_i,N(t)}，

X_i(t)＝{x_i,1(t),x_i,2(t),...,x_i,N(t)}，该阶段速度和位置的更新表示为：

V_i(t+1)＝V_i(t)·e^-R·t+rand·(X_g(t)-X_i(t)) (23)

X_i(t+1)＝X_i(t)+V_i(t+1) (24)

其中，t表示迭代次数，R表示地图和指南针因子，N表示解空间的维度，在这里其含义与航路点的个数相同，rand∈(0,1)，X_g(·)表示全局最优解；

当迭代次数t＞T_max1时，循环迭代进入地标算子阶段，否者，继续执行地图和指南针算子阶段循环；

假设地标算子阶段的最大迭代次数为T_max2，个体按照适应度值大小进行排序，仅较优个体保留，因此，每次迭代之后种群数减半；同时，个体朝着保留个体的中心位置靠近，该阶段的位置更新表示为：

N_G(t+1)＝N_G(t)/2 (25)

X_i(t+1)＝X_i(t)+rand·(X_c(t)-X_i(t)) (26)

其中，X_c(·)表示剩下较优个体的中心位置，S(·)表示较优个体构成的集合，f(·)表示代价函数；

当迭代次数t＞(T_max1+T_max2)时，结束循环，输出优化结果；否者继续执行地标算子阶段循环；

步骤五：输出无人机轨迹跟踪结果：

输出无人机对预定轨迹的三维状态下以及各姿态、运动参数的跟踪制导仿真结果。

2.根据权利要求1所述的基于鸽群智能优化动态逆控制的无人机轨迹跟踪制导方法，其特征在于：位置控制回路的建模过程如下：

不加推导的给出参考位置变量表达式：

无人机位置控制回路为飞行轨迹控制回路产生的输出χ^des，γ^des表示为：

3.根据权利要求1所述的基于鸽群智能优化动态逆控制的无人机轨迹跟踪制导方法，其特征在于：飞行轨迹控制回路的建模过程如下：

飞行轨迹控制回路中，应该控制变量V，χ，γ均跟踪他们的参考量V^ref,χ^des,γ^desV^ref，χ^des，γ^des，输出的控制量为PLA^des，μ^des,α^desPLA^des，μ^des，α^des，它们在方程中表达为：

其中，μ^des的表达式：

对于PLA^des和α^des，式(15)的第一和第三个方程表示为：

其中，

最终想要得到的控制变量表达为：

4.根据权利要求1所述的基于鸽群智能优化动态逆控制的无人机轨迹跟踪制导方法，其特征在于：姿态控制回路的建模过程如下：

在无人机姿态控制回路中，需要得到的结果是跟踪μ^des，α^des，β^ref三个控制变量，其中μ^des，α^des在飞行轨迹控制回路中已经得到，而β^ref需要将其设置为0，该无人机姿态控制回路的控制模型表达式为：

其中，υ_μ，υ_α，υ_β表示μ_des，α_des，β_ref和μ，α，β的误差通过线性控制器后得到的结果。

5.根据权利要求1所述的基于鸽群智能优化动态逆控制的无人机轨迹跟踪制导方法，其特征在于：角速率控制回路的建模过程如下：

在无人机角速率控制回路中，控制目的是要跟踪由姿态控制回路产生的控制变量p^des，q^des，r^des、q^des、r^des，而无人机角速率控制回路输出的控制变量是无人机舵面的偏转量

此无人机角速率控制回路的动态逆控制方程表达为：

其中，υ_μ，υ_α，υ_β表示μ^des，α^des，β^ref和μ，α，β、q、r的误差通过线性控制器后得到的结果；

此无人机角速率控制回路产生的控制量表达式为：

6.根据权利要求1所述的基于鸽群智能优化动态逆控制的无人机轨迹跟踪制导方法，其特征在于：所述的步骤四之后，考虑到在地图和指南针算子阶段，速度更新除了与速度惯性项V_i(t)·e^-R·t有关，还与群体最优个体X_g(·)有关；通过对最优个体行为的模仿，使得个体逐渐向全局最优靠拢；利用计算得到的较优个体权重，计算这些较优个体的位置平均值速度更新公式调整为：

地标算子阶段由于仿鸽群智能的地标算子阶段没有速度更新项，位置更新仅与前一时刻的位置以及较优个体的中心位置有关，并且每次迭代过程中种群规模都在减半；虽然加快了算法的收敛速度，但由于种群数量的快速减少，在很大程度上造成种群多样性快速下降；因此，对该地标算子阶段的位置更新进行改进；

首先，将所有个体首尾随机相连构成一个闭环的拓扑结构，并将该闭环拓扑随机划分成N_c个子部分；其次，确定每个个体对应的邻居集合S_i(X_i)，进而得到每个个体的邻居的中心位置，此时每个个体的学习对象变为其邻居个体的中心位置，位置更新也调整为：

其中，表示个体i的邻居中心位置，/>表示该集合的元素个数；

通过对具体优化问题的分析，保证算法快速性的同时，提高种群多样性，增强算法的快速收敛能力。