CN115373263A - 一种表面局部凸起飞行器气动力智能优化控制方法 - Google Patents

一种表面局部凸起飞行器气动力智能优化控制方法 Download PDF

Info

Publication number
CN115373263A
CN115373263A CN202210863622.1A CN202210863622A CN115373263A CN 115373263 A CN115373263 A CN 115373263A CN 202210863622 A CN202210863622 A CN 202210863622A CN 115373263 A CN115373263 A CN 115373263A
Authority
CN
China
Prior art keywords
point
coordinate
optimization
moment
model
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
CN202210863622.1A
Other languages
English (en)
Inventor
张仕元
杨武兵
朱德华
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.)
China Academy of Aerospace Aerodynamics CAAA
Original Assignee
China Academy of Aerospace Aerodynamics CAAA
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 China Academy of Aerospace Aerodynamics CAAA filed Critical China Academy of Aerospace Aerodynamics CAAA
Priority to CN202210863622.1A priority Critical patent/CN115373263A/zh
Publication of CN115373263A publication Critical patent/CN115373263A/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
    • 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]
    • 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)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种表面局部凸起飞行器气动力智能优化控制方法，首先建立预测任意位置凸起所产生的气动力模型，在建立气动力模型的基础上，根据实际任务所需要的气动力指标，选取最优化的凸起位置，完成气动力优化控制；利用智能优化算法寻找给定指标下的最优控制解，给定所需要的偏航力矩和俯仰力矩，找到可以满足条件且使得轴向力最小的最优解。本发明采用智能优化算法蚁群算法和粒子群算法作为优化算法，计算效率高，鲁棒性好，精度高。

Description

一种表面局部凸起飞行器气动力智能优化控制方法
技术领域
本发明涉及一种表面局部凸起飞行器气动力智能优化控制方法，属于飞行器气动力建模技术领域。
背景技术
飞行器一般是通过空气舵来控制姿态，但空气舵会限制飞行器气动性能提升。低速大攻角时，舵面效率会降低，高速时，舵面会增加阻力，并面临严酷的气动加热。随着对隐身性能需求提高，而舵面是雷达反射源，制约着隐身性能。由此，无舵面控制技术成为目前姿态控制的热点，是未来姿态控制的重要发展方向之一。
未来可通过智能材料在飞行器表面产生局部变形任意生成凸起，实时控制飞行器姿态，是一种新型的无舵面控制技术。凸起(如厘米量级半球形凸起)可以通过改变局部压力分布来改变气动力矩，从而实现控制飞行器姿态。实时根据飞行器飞行状态，得到需要凸起产生多大力矩，从而确定凸起位置。基于机器学习建立凸起的气动力模型，在此基础上，建立气动力优化控制方案。传统的优化方案响应慢，对于复杂模型鲁棒性差，并且输入模型为机器学习预测模型，较为复杂，传统优化方案难以解决。
发明内容
本发明的目的在于克服现有技术的上述不足，提供了一种表面局部凸起飞行器气动力智能优化控制方法，针对在线优化任意给定气动力指标下的最优凸起位置耗时长、鲁棒性差的问题，该方法基于智能优化算法，建立任意给定气动力的智能优化控制方案。
本发明的技术解决方案是：
本发明公开了一种表面局部凸起飞行器气动力智能优化控制方法，包括：
S1、加载表面局部凸起飞行器气动力模型；
S2、根据优化指标判断优化类别；若判断优化类别为双通道控制模型，进入步骤S3，若判断优化类别为单通道无约束模型，进入步骤S4,若判断优化类别为单通道有约束模型，进入步骤S5；
S3、设置优化参数；依据所述气动力模型和优化参数，利用粒子群算法求解双点控制的最优点坐标；进入步骤S8；
S4、设置优化参数；依据所述气动力模型和优化参数，利用蚁群算法求解单点控制最优点坐标；进入步骤S6；
S5、设置优化参数；依据所述气动力模型和优化参数，利用物理模型求解单点控制最优点坐标；
S6、根据单点控制最优点坐标得到俯仰力矩或偏航力矩的取值范围；
S7、判断优化指标是否在取值范围内，如果是，采用蚁群算法求解单点控制最优点坐标，如果不是，采用蚁群算法求解双点控制最优点坐标；
S8、结束。
在上述飞行器气动力智能优化控制方法中，根据优化指标判断优化类别，具体步骤为：
(1)如果所述优化指标为一个通道的偏航力矩或俯仰力矩，所述优化类别为单通道无约束模型；
(2)如果所述优化指标为一个通道的偏航力矩或俯仰力矩，且另一个通道的优化指标为0，则所述优化类别为单通道有约束模型；
(3)如果所述优化指标为两个通道的偏航力矩和俯仰力矩，则所述优化类别为双通道控制模型。
在上述飞行器气动力智能优化控制方法中，所述设置优化参数，具体方法为：
(4)确定优化类别为单通道无约束模型，设置单通道无约束优化参数；
当约束参数为偏航力矩的优化指标时，单通道优化参数计算公式为：
minF(x)
s.t.dmyg＝k1
其中，x为气动力模型坐标，F为轴向力，dmyg为偏航力矩，min为取最小值，k1为偏航力矩的优化指标；
当约束参数为俯仰力矩的优化指标时，单通道优化参数计算公式为：
minF(x)
s.t.dmzg＝k2
其中，dmzg为俯仰力矩，k2为俯仰力矩的优化指标；
(5)确定优化类别为单通道有约束模型，设置单通道有约束优化参数；
当约束参数为偏航力矩的优化指标时，单通道优化参数计算公式为：
minF(x)
s.t.dmzg＝k1
dmyg＝0
当约束参数为俯仰力矩的优化指标时，单通道优化参数计算公式为：
minF(x)
s.t.dmzg＝0
dmyg＝k2
(6)确定优化类别为双通道模型，设置双通道优化参数；
所述设置双通道优化参数，方法为：
minF(x)
s.t.dmyg＝k1
dmzg＝k2
其中，F为轴向力，dmyg为偏航力矩，dmzg为俯仰力矩。
在上述飞行器气动力智能优化控制方法中，所述利用粒子群算法求解双点控制的最优点坐标，具体方法为：
(1)初始化所述粒子群的的初始坐标点、初始速度；
(2)根据所述气动力模型，计算初始坐标点的双点目标函数；
(3)根据所述初始坐标点的双点目标函数，选取初始时刻的局部最优点坐标和全局最优点坐标；
(4)以此类推，根据t时刻的坐标点和速度，计算t+1时刻的坐标点和速度；其中，t＝0…N，N为最大迭代次数；
(5)根据所述气动力模型，计算t+1时刻的坐标点的双点目标函数，根据双点目标函数选取t+1时刻的局部最优点坐标和全局最优点坐标；
(6)判断是否已达到最大迭代次数或全局最优点坐标的值不变，若是，则退出迭代，输出全局最优点坐标为双点控制的最优点坐标，否则返回步骤(4)。
在上述飞行器气动力智能优化控制方法中，所述利用蚁群算法求解单点控制最优点坐标，具体步骤为：
(1)初始化转移概率、信息素挥发系数和初始时刻蚁群坐标点；
(2)根据所述气动力模型，得到初始时刻蚁群坐标点的单点目标函数；
(3)根据初始时刻蚁群坐标点的单点目标函数，选取初始时刻的局部最优点坐标和全局最优点坐标；
(4)根据信息素挥发系数计算信息素，根据信息素计算转移概率；
(5)以此类推，根据t时刻蚁群坐标点和转移概率计算t+1时刻的蚁群坐标点；其中，t＝0…N-1，N为最大迭代次数；
(6)根据所述气动力模型，计算t+1时刻的蚁群坐标点的单点目标函数；
(7)根据t+1时刻的单点目标函数，选取t+1时刻的局部最优点坐标和全局最优点坐标；
(8)判断是否达到最大迭代次数或全局最优点坐标不变，若是，则输出全局最优点坐标为单点控制最优点坐标；否则，返回步骤(5)。
在上述飞行器气动力智能优化控制方法中，所述利用物理模型求解单点控制最优点坐标，具体方法为：
利用所述优化控制输入模型和飞行器的物理特性，在dmzg＝0 的压心坐标附近区域进行网格点划分，通过逐点遍历以及压心附近俯仰力矩的变化趋势寻找满足俯仰力矩小于给定误差小量e1的坐标点；
或：利用所述优化控制输入模型和飞行器的物理特性，在 dmyg＝0的飞行器的对称轴处附近区域进行网格点划分，通过逐点遍历以及对称轴附近偏航力矩的变化趋势寻找满足偏航力矩小于误差小量e2的坐标点；
根据坐标点，利用蚁群算法求解单点控制最优点坐标。
在上述飞行器气动力智能优化控制方法中，所述根据单点控制最优点坐标得到俯仰力矩或偏航力矩的取值范围，具体方法为：
根据气动力模型，得到单点控制最优点坐标对应的俯仰力矩或偏航力矩，将该俯仰力矩或偏航力矩确定为所述取值范围的最大值，取值范围的最小值为0。
在上述飞行器气动力智能优化控制方法中，所述采用蚁群算法求解双点控制最优点坐标，具体方法为：
(1)初始化转移概率、信息素挥发系数；
(2)根据所述气动力模型，得到随机指定的两个初始蚁群坐标点的双点目标函数；
(3)根据所述双点目标函数，选取初始时刻的局部最优点坐标和全局最优点坐标；
(4)根据信息素挥发系数计算信息素，根据信息素计算转移概率；
(5)以此类推，根据t时刻蚁群坐标点和转移概率计算t+1时刻的蚁群坐标点；其中，t＝0…N-1，N为最大迭代次数；
(6)根据所述气动力模型，计算t+1时刻的蚁群坐标点的双点目标函数；
(7)根据t+1时刻的双点目标函数，选取t+1时刻的局部最优点坐标和全局最优点坐标；
(8)判断是否达到最大迭代次数或全局最优点坐标不变，若是，则输出全局最优点坐标为单点控制最优点坐标；否则，返回步骤(5)。
在上述飞行器气动力智能优化控制方法中，所述双点目标函数为：
Figure RE-GDA0003878763140000071
式中，T(x)为双点目标函数，F(xi)为xi坐标点的轴向力，σ为惩罚因子，Li为归一化系数，Pi为惩罚函数，xi为气动力模型的坐标点；
归一化系数，公式为：
Figure RE-GDA0003878763140000072
式中，Li为归一化系数，Pi为惩罚函数；
偏航力矩的惩罚函数，公式为：
Figure RE-GDA0003878763140000081
其中，dmyg为偏航力矩，k1为偏航力矩的优化指标，e1为偏航力矩的误差小量；
俯仰力矩的惩罚函数，公式为：
Figure RE-GDA0003878763140000082
其中，dmzg为俯仰力矩，k2为俯仰力矩的优化指标，e2为俯仰力矩的误差小量。
在上述飞行器气动力智能优化控制方法中，所述局部最优点坐标和全局最优点坐标，计算公式为：
局部最优点坐标，公式为：
Pbestk＝argmin(T(xi))
其中，i为粒子序号，i＝1,2,…m，m为粒子群规模， argmin(T(xi))为使目标函数T(xi)取最小值时的变量xi的值；
全局最优点坐标，公式为：
Gbest＝argmin(Gbest,Pbestk)
其中，argmin(Gbest,Pbestk)为取Gbest、Pbestk二者中的较小值。
在上述飞行器气动力智能优化控制方法中，所述计算t+1时刻气动力模型的坐标点和速度，公式为：
Figure RE-GDA0003878763140000091
Figure RE-GDA0003878763140000092
其中，ω为收敛参数，c1,c2为学习因子，r1,r2为两个0～1之间的随机数；Xi为第i个粒子坐标点，
Figure RE-GDA0003878763140000093
为第k个粒子第t次迭代的坐标点，
Figure RE-GDA0003878763140000094
为第k个粒子第t次迭代的迭代速度；Pbestk为当前粒子的局部最优点坐标，Gbest为全局最优点坐标。
在上述飞行器气动力智能优化控制方法中，根据信息素挥发系数计算信息素，根据信息素计算转移概率，具体方法为：
所述信息素，计算公式为：
Figure RE-GDA0003878763140000095
其中，τij为i与j之间的信息素，ρ为信息素挥发系数，
Figure RE-GDA0003878763140000096
为信息素增量，
Figure RE-GDA0003878763140000097
Q为常数，Lk为当前蚂蚁走过的路径长度。
所述转移概率，计算公式为：
Figure RE-GDA0003878763140000098
其中，α,β为重要程度因子，τij(t)为i与j之间的信息素，ηij＝1/dij，dij为i和j之间的距离；
Figure RE-GDA0003878763140000099
其中，x为坐标点。
在上述飞行器气动力智能优化控制方法中，所述单点目标函数，公式为：
Figure RE-GDA0003878763140000101
式中，T(x)为加入惩罚函数的单点目标函数，F(x)为x坐标点的轴向力，σ为惩罚因子，Li为归一化系数，Pi为惩罚函数，x为气动力模型的坐标点。
在上述飞行器气动力智能优化控制方法中，根据t时刻蚁群坐标点和转移概率计算t+1时刻的蚁群坐标点，具体方法为：
Figure RE-GDA0003878763140000102
其中，x(t)为t时刻坐标，x(t+1)为t+1时刻坐标，step为给定步长，
Figure RE-GDA0003878763140000103
i为当前的迭代次数。
本发明与现有技术的有益效果在于：
1)本发明采用智能优化算法蚁群算法(ACO)和粒子群算法(PSO) 作为优化算法，相比于传统优化控制方法，计算效率高，鲁棒性好，精度高，对于基于机器学习得到的复杂模型，智能优化算法更易实现。
2)本发明可以加载导入不同类别的气动力模型，随着模型的更新，可以获得不同的优化方案，提升了优化控制的灵活性。
3)本发明采用智能优化算法对于复杂模型的优化控制更能解决模型的复杂度问题，算法具有更高的精度和可扩展性，为后续的优化奠定基础。
附图说明
图1为本发明气动力智能优化控制方法流程图；
图2为本发明约束俯仰力矩下偏航力矩控制区域示意图；
图3为本发明约束偏航力矩下俯仰力矩控制区域示意图。
具体实施方式
下面结合附图及具体实施方式对本发明专利做进一步详细说明。
如图1所示，本发明公开了一种表面局部凸起飞行器气动力智能优化控制方法，包括：
本发明公开了一种表面局部凸起飞行器气动力智能优化控制方法，包括：
步骤1、加载表面局部凸起飞行器气动力模型；
步骤2、根据优化指标判断优化类别；若判断优化类别为双通道控制模型，进入步骤3，若判断优化类别为单通道无约束模型，进入步骤4,若判断优化类别为单通道有约束模型，进入步骤5；
步骤3、设置优化参数；依据气动力模型和优化参数，利用粒子群算法求解双点控制的最优点坐标；进入步骤8；
步骤4、设置优化参数；依据气动力模型和优化参数，利用蚁群算法求解单点控制最优点坐标；进入步骤6；
步骤5、设置优化参数；依据气动力模型和优化参数，利用物理模型求解单点控制最优点坐标；
步骤6、根据单点控制最优点坐标得到俯仰力矩或偏航力矩的取值范围；
步骤7、判断优化指标是否在取值范围内，如果是，采用蚁群算法求解单点控制最优点坐标，如果不是，采用蚁群算法求解双点控制最优点坐标；
步骤8、结束。
根据优化指标判断优化类别，具体步骤为：
(1)如果优化指标为一个通道的偏航力矩或俯仰力矩，优化类别为单通道无约束模型；
(2)如果优化指标为一个通道的偏航力矩或俯仰力矩，且另一个通道的优化指标为0，则优化类别为单通道有约束模型；
(3)如果优化指标为两个通道的偏航力矩和俯仰力矩，则优化类别为双通道控制模型。
根据优化类别设置优化参数，具体方法为：
(7)确定优化类别为单通道无约束模型，设置单通道无约束优化参数；
当约束参数为偏航力矩的优化指标时，单通道优化参数计算公式为：
min F(x)
s.t.dmyg＝k1
其中，x为气动力模型坐标，F为轴向力，dmyg为偏航力矩， min为取最小值，k1为偏航力矩的优化指标；
当约束参数为俯仰力矩的优化指标时，单通道优化参数计算公式为：
min F(x)
s.t.dmzg＝k2
其中，dmzg为俯仰力矩，k2为俯仰力矩的优化指标；
(8)确定优化类别为单通道有约束模型，设置单通道有约束优化参数；
当约束参数为偏航力矩的优化指标时，单通道优化参数计算公式为：
min F(x)
s.t.dmzg＝k1
dmyg＝0
当约束参数为俯仰力矩的优化指标时，单通道优化参数计算公式为：
min F(x)
s.t.dmzg＝0
dmyg＝k2
(9)确定优化类别为双通道模型，设置双通道优化参数；
设置双通道优化参数，方法为：
min F(x)
s.t.dmyg＝k1
dmzg＝k
其中，F为轴向力，dmyg为偏航力矩，dmzg为俯仰力矩。
利用粒子群算法求解双点控制的最优点坐标，具体方法为：
(1)初始化粒子群的的初始坐标点、初始速度；
(2)根据气动力模型，计算初始坐标点的双点目标函数；
(3)根据初始坐标点的双点目标函数，选取初始时刻的局部最优点坐标和全局最优点坐标；
(4)以此类推，根据t时刻的坐标点和速度，计算t+1时刻的坐标点和速度；其中，t＝0…N，N为最大迭代次数；
(5)根据气动力模型，计算t+1时刻的坐标点的双点目标函数，根据双点目标函数选取t+1时刻的局部最优点坐标和全局最优点坐标；
(6)判断是否已达到最大迭代次数或全局最优点坐标的值不变，若是，则退出迭代，输出全局最优点坐标为双点控制的最优点坐标，否则返回步骤(4)。
利用蚁群算法求解单点控制最优点坐标，具体步骤为：
(1)初始化转移概率、信息素挥发系数和初始时刻蚁群坐标点；
(2)根据气动力模型，得到初始时刻蚁群坐标点的单点目标函数；
(3)根据初始时刻蚁群坐标点的单点目标函数，选取初始时刻的局部最优点坐标和全局最优点坐标；
(4)根据信息素挥发系数计算信息素，根据信息素计算转移概率；
(5)以此类推，根据t时刻蚁群坐标点和转移概率计算t+1时刻的蚁群坐标点；其中，t＝0…N-1，N为最大迭代次数；
(6)根据气动力模型，计算t+1时刻的蚁群坐标点的单点目标函数；
(7)根据t+1时刻的单点目标函数，选取t+1时刻的局部最优点坐标和全局最优点坐标；
(8)判断是否达到最大迭代次数或全局最优点坐标不变，若是，则输出全局最优点坐标为单点控制最优点坐标；否则，返回步骤(5)。
利用物理模型求解单点控制最优点坐标，具体方法为：
利用优化控制输入模型和飞行器的物理特性，在dmzg＝0的压心坐标附近区域进行网格点划分，通过逐点遍历以及压心附近俯仰力矩的变化趋势寻找满足俯仰力矩小于给定误差小量e1的坐标点；
或：利用优化控制输入模型和飞行器的物理特性，在dmyg＝0的飞行器的对称轴处附近区域进行网格点划分，通过逐点遍历以及对称轴附近偏航力矩的变化趋势寻找满足偏航力矩小于误差小量e2的坐标点；
根据坐标点，利用蚁群算法求解单点控制最优点坐标。
根据单点控制最优点坐标得到俯仰力矩或偏航力矩的取值范围，具体方法为：
根据气动力模型，得到单点控制最优点坐标对应的俯仰力矩或偏航力矩，将该俯仰力矩或偏航力矩确定为取值范围的最大值，取值范围的最小值为0。
采用蚁群算法求解双点控制最优点坐标，具体方法为：
(1)初始化转移概率、信息素挥发系数；
(2)根据气动力模型，得到随机指定的两个初始蚁群坐标点的双点目标函数；
(3)根据双点目标函数，选取初始时刻的局部最优点坐标和全局最优点坐标；
(4)根据信息素挥发系数计算信息素，根据信息素计算转移概率；
(5)以此类推，根据t时刻蚁群坐标点和转移概率计算t+1时刻的蚁群坐标点；其中，t＝0…N-1，N为最大迭代次数；
(6)根据气动力模型，计算t+1时刻的蚁群坐标点的双点目标函数；
(7)根据t+1时刻的双点目标函数，选取t+1时刻的局部最优点坐标和全局最优点坐标；
(8)判断是否达到最大迭代次数或全局最优点坐标不变，若是，则输出全局最优点坐标为单点控制最优点坐标；否则，返回步骤(5)。
双点目标函数为：
Figure RE-GDA0003878763140000161
式中，T(x)为双点目标函数，F(xi)为xi坐标点的轴向力，σ为惩罚因子，Li为归一化系数，Pi为惩罚函数，xi为气动力模型的坐标点；
归一化系数，公式为：
Figure RE-GDA0003878763140000162
式中，Li为归一化系数，Pi为惩罚函数；
偏航力矩的惩罚函数，公式为：
Figure RE-GDA0003878763140000163
其中，dmyg为偏航力矩，k1为偏航力矩的优化指标，e1为偏航力矩的误差小量；
俯仰力矩的惩罚函数，公式为：
Figure RE-GDA0003878763140000171
其中，dmzg为俯仰力矩，k2为俯仰力矩的优化指标，e2为俯仰力矩的误差小量。
局部最优点坐标和全局最优点坐标，计算公式为：
局部最优点坐标，公式为：
Pbestk＝argmin(T(xi))
其中，i为粒子序号，i＝1,2,…m，m为粒子群规模， argmin(T(xi))为使目标函数T(xi)取最小值时的变量xi的值；
全局最优点坐标，公式为：
Gbest＝argmin(Gbest,Pbestk)
其中，argmin(Gbest,Pbestk)为取Gbest、Pbestk二者中的较小值。
计算t+1时刻气动力模型的坐标点和速度，公式为：
Figure RE-GDA0003878763140000172
Figure RE-GDA0003878763140000173
其中，ω为收敛参数，c1,c2为学习因子，r1,r2为两个0～1之间的随机数；Xi为第i个粒子坐标点，
Figure RE-GDA0003878763140000174
为第k个粒子第t次迭代的坐标点，
Figure RE-GDA0003878763140000175
为第k个粒子第t次迭代的迭代速度；Pbestk为当前粒子的局部最优点坐标，Gbest为全局最优点坐标。
根据信息素挥发系数计算信息素，根据信息素计算转移概率，具体方法为：
信息素，计算公式为：
Figure RE-GDA0003878763140000181
其中，τij为i与j之间的信息素，ρ为信息素挥发系数，
Figure RE-GDA0003878763140000182
为信息素增量，
Figure RE-GDA0003878763140000183
Q为常数，Lk为当前蚂蚁走过的路径长度。
转移概率，计算公式为：
Figure RE-GDA0003878763140000184
其中，α,β为重要程度因子，τij(t)为i与j之间的信息素，ηij＝1/dij，dij为i和j之间的距离；
Figure RE-GDA0003878763140000185
其中，x为坐标点。
单点目标函数，公式为：
Figure RE-GDA0003878763140000186
式中，T(x)为加入惩罚函数的单点目标函数，F(x)为x坐标点的轴向力，σ为惩罚因子，Li为归一化系数，Pi为惩罚函数，x为气动力模型的坐标点。
根据t时刻蚁群坐标点和转移概率计算t+1时刻的蚁群坐标点，具体方法为：
Figure RE-GDA0003878763140000187
其中，x(t)为t时刻坐标，x(t+1)为t+1时刻坐标，step为给定步长，
Figure RE-GDA0003878763140000191
i为当前的迭代次数。
实施例1
单通道无约束：利用蚁群算法(ACO)为求解偏航力矩dmyg和俯仰力矩dmzg的取值范围，进而选取优化方案。蚁群算法部分参数选择为，蚂蚁规模20，迭代次数20，信息素挥发系数0.9，转移概率为0.2，最终得到偏航力矩dmyg和俯仰力矩dmzg的取值范围和坐标，如下：
para min min_pos max max_pos
dmyg 0.225 [3548.583,261.140] 213.37 [1201.475,405.011]
dmzg 563.9 [1202.145,176.645] 135.932 [2808.880,603.327]
根据求解得到的取值范围，可以给出优化方案的选择，给定一些示例及其结果，并计算其优化响应时间，如下：
Figure RE-GDA0003878763140000192
Figure RE-GDA0003878763140000201
单通道有约束：给定偏航力矩dmyg和俯仰力矩dmzg的阈值，认为当偏航力矩dmyg绝对值小于1和俯仰力矩dmzg绝对值小于5时，对应力矩无控制作用。根据物理模型分析，质心大约在x＝2250处，此时dmzg≈0，因此在质心附近进行寻优，建立偏航力矩有约束单通道控制的区域并求解其取值范围。在z＝0附近，dmyg≈0，认为此时的优化不影响偏航力矩，因此在中心附近建立俯仰力矩单通道有约束控制区域并求解其取值范围。
利用网格构建细分单通道控制区域，调用输入模型计算可一进行单通道控制的飞行器区域，并根据曲线拟合得到其边界，如图2、图 3所示。
在求解出区域的基础上，在对应区域内求解单通道控制的最值，是选择有约束单通道控制优化方案的依据，即判断单通道控制或多点控制。利用蚁群算法进行区域内的最值寻优，得到的结果如下：
para min max
dmyg 10.295 130.6221429
dmzg -340.43 41.465
当选取有约束的单通道优化问题时，需要将指标与最值比较，判断单通道控制是否可以达到指标，如果无法达到，采用双点控制。
双通道控制：利用粒子群算法(PSO)求解可以利用单通道进行双通道控制的偏航力矩dmyg和俯仰力矩dmzg的取值范围，进而判断对于双通道控制的优化方案。
给定一定工况，求解结果和误差如下：
Figure RE-GDA0003878763140000202
Figure RE-GDA0003878763140000211
根据结果和误差可得，除去个别情况，误差可以控制在10％以内，因此，粒子群算法可以寻找到双通道控制的最优坐标，在满足俯仰力矩和偏航力矩两个指标的前提下，使得轴向力之和最小，达到控制需求。
以上对本发明的飞行器表面局部凸起的气动力智能优化控制方法进行了详细介绍。本文中应用了具体案例对本发明的原理及实施方式进行了阐述，以上具体案例说明只是用于帮助理解本发明的方法及其核心思想。应当指出，凡是在不脱离本发明技术实质的前提下对以上实例所做的任何简单修改均属于本发明的技术范围。
发明未详细描述内容为本领域技术人员公知技术。

Claims (14)

1.一种表面局部凸起飞行器气动力智能优化控制方法，其特征在于，包括：
S1、加载表面局部凸起飞行器气动力模型；
S2、根据优化指标判断优化类别；若判断优化类别为双通道控制模型，进入步骤S3，若判断优化类别为单通道无约束模型，进入步骤S4,若判断优化类别为单通道有约束模型，进入步骤S5；
S3、设置优化参数；依据所述气动力模型和优化参数，利用粒子群算法求解双点控制的最优点坐标；进入步骤S8；
S4、设置优化参数；依据所述气动力模型和优化参数，利用蚁群算法求解单点控制最优点坐标；进入步骤S6；
S5、设置优化参数；依据所述气动力模型和优化参数，利用物理模型求解单点控制最优点坐标；
S6、根据单点控制最优点坐标得到俯仰力矩或偏航力矩的取值范围；
S7、判断优化指标是否在取值范围内，如果是，采用蚁群算法求解单点控制最优点坐标，如果不是，采用蚁群算法求解双点控制最优点坐标；
S8、结束。
2.根据权利要求1所述的一种表面局部凸起飞行器气动力智能优化控制方法，其特征在于：根据优化指标判断优化类别，具体步骤为：
(1)如果所述优化指标为一个通道的偏航力矩或俯仰力矩，所述优化类别为单通道无约束模型；
(2)如果所述优化指标为一个通道的偏航力矩或俯仰力矩，且另一个通道的优化指标为0，则所述优化类别为单通道有约束模型；
(3)如果所述优化指标为两个通道的偏航力矩和俯仰力矩，则所述优化类别为双通道控制模型。
3.根据权利要求1所述的一种表面局部凸起飞行器气动力智能优化控制方法，其特征在于：所述设置优化参数，具体方法为：
(1)确定优化类别为单通道无约束模型，设置单通道无约束优化参数；
当约束参数为偏航力矩的优化指标时，单通道优化参数计算公式为：
min F(x)
s.t.dmyg＝k1
其中，x为气动力模型坐标，F为轴向力，dmyg为偏航力矩，min为取最小值，k1为偏航力矩的优化指标；
当约束参数为俯仰力矩的优化指标时，单通道优化参数计算公式为：
min F(x)
s.t.dmzg＝k2
其中，dmzg为俯仰力矩，k2为俯仰力矩的优化指标；
(2)确定优化类别为单通道有约束模型，设置单通道有约束优化参数；
当约束参数为偏航力矩的优化指标时，单通道优化参数计算公式为：
min F(x)
s.t.dmzg＝k1
dmyg＝0
当约束参数为俯仰力矩的优化指标时，单通道优化参数计算公式为：
min F(x)
s.t.dmzg＝0
dmyg＝k2
(3)确定优化类别为双通道模型，设置双通道优化参数；
所述设置双通道优化参数，方法为：
min F(x)
s.t.dmyg＝k1
dmzg＝k2
其中，F为轴向力，dmyg为偏航力矩，dmzg为俯仰力矩。
4.根据权利要求1所述的一种表面局部凸起飞行器气动力智能优化控制方法，其特征在于：所述利用粒子群算法求解双点控制的最优点坐标，具体方法为：
(1)初始化所述粒子群的的初始坐标点、初始速度；
(2)根据所述气动力模型，计算初始坐标点的双点目标函数；
(3)根据所述初始坐标点的双点目标函数，选取初始时刻的局部最优点坐标和全局最优点坐标；
(4)以此类推，根据t时刻的坐标点和速度，计算t+1时刻的坐标点和速度；其中，t＝0…N，N为最大迭代次数；
(5)根据所述气动力模型，计算t+1时刻的坐标点的双点目标函数，根据双点目标函数选取t+1时刻的局部最优点坐标和全局最优点坐标；
(6)判断是否已达到最大迭代次数或全局最优点坐标的值不变，若是，则退出迭代，输出全局最优点坐标为双点控制的最优点坐标，否则返回步骤(4)。
5.根据权利要求1所述的一种表面局部凸起飞行器气动力智能优化控制方法，其特征在于：所述利用蚁群算法求解单点控制最优点坐标，具体步骤为：
(1)初始化转移概率、信息素挥发系数和初始时刻蚁群坐标点；
(2)根据所述气动力模型，得到初始时刻蚁群坐标点的单点目标函数；
(3)根据初始时刻蚁群坐标点的单点目标函数，选取初始时刻的局部最优点坐标和全局最优点坐标；
(4)根据信息素挥发系数计算信息素，根据信息素计算转移概率；
(5)以此类推，根据t时刻蚁群坐标点和转移概率计算t+1时刻的蚁群坐标点；其中，t＝0…N-1，N为最大迭代次数；
(6)根据所述气动力模型，计算t+1时刻的蚁群坐标点的单点目标函数；
(7)根据t+1时刻的单点目标函数，选取t+1时刻的局部最优点坐标和全局最优点坐标；
(8)判断是否达到最大迭代次数或全局最优点坐标不变，若是，则输出全局最优点坐标为单点控制最优点坐标；否则，返回步骤(5)。
6.根据权利要求1所述的一种表面局部凸起飞行器气动力智能优化控制方法，其特征在于：所述利用物理模型求解单点控制最优点坐标，具体方法为：
利用所述优化控制输入模型和飞行器的物理特性，在dmzg＝0的压心坐标附近区域进行网格点划分，通过逐点遍历以及压心附近俯仰力矩的变化趋势寻找满足俯仰力矩小于给定误差小量e1的坐标点；
或：利用所述优化控制输入模型和飞行器的物理特性，在dmyg＝0的飞行器的对称轴处附近区域进行网格点划分，通过逐点遍历以及对称轴附近偏航力矩的变化趋势寻找满足偏航力矩小于误差小量e2的坐标点；
根据坐标点，利用蚁群算法求解单点控制最优点坐标。
7.根据权利要求1所述的一种表面局部凸起飞行器气动力智能优化控制方法，其特征在于：所述根据单点控制最优点坐标得到俯仰力矩或偏航力矩的取值范围，具体方法为：
根据气动力模型，得到单点控制最优点坐标对应的俯仰力矩或偏航力矩，将该俯仰力矩或偏航力矩确定为所述取值范围的最大值，取值范围的最小值为0。
8.根据权利要求1所述的一种表面局部凸起飞行器气动力智能优化控制方法，其特征在于：所述利用蚁群算法求解双点控制最优点坐标，具体方法为：
(1)初始化转移概率、信息素挥发系数；
(2)根据所述气动力模型，得到随机指定的两个初始蚁群坐标点的双点目标函数；
(3)根据所述双点目标函数，选取初始时刻的局部最优点坐标和全局最优点坐标；
(4)根据信息素挥发系数计算信息素，根据信息素计算转移概率；
(5)以此类推，根据t时刻蚁群坐标点和转移概率计算t+1时刻的蚁群坐标点；其中，t＝0…N-1，N为最大迭代次数；
(6)根据所述气动力模型，计算t+1时刻的蚁群坐标点的双点目标函数；
(7)根据t+1时刻的双点目标函数，选取t+1时刻的局部最优点坐标和全局最优点坐标；
(8)判断是否达到最大迭代次数或全局最优点坐标不变，若是，则输出全局最优点坐标为单点控制最优点坐标；否则，返回步骤(5)。
9.根据权利要求4所述的一种表面局部凸起飞行器气动力智能优化控制方法，其特征在于：所述双点目标函数为：
Figure RE-FDA0003878763130000061
式中，T(x)为双点目标函数，F(xi)为xi坐标点的轴向力，σ为惩罚因子，Li为归一化系数，Pi为惩罚函数，xi为气动力模型的坐标点；
归一化系数，公式为：
Figure RE-FDA0003878763130000062
式中，Li为归一化系数，Pi为惩罚函数；
偏航力矩的惩罚函数，公式为：
Figure RE-FDA0003878763130000063
其中，dmyg为偏航力矩，k1为偏航力矩的优化指标，e1为偏航力矩的误差小量；
俯仰力矩的惩罚函数，公式为：
Figure RE-FDA0003878763130000064
其中，dmzg为俯仰力矩，k2为俯仰力矩的优化指标，e2为俯仰力矩的误差小量。
10.根据权利要求4所述的一种表面局部凸起飞行器气动力智能优化控制方法，其特征在于：所述局部最优点坐标和全局最优点坐标，计算公式为：
局部最优点坐标，公式为：
Pbestk＝argmin(T(xi))
其中，i为粒子序号，i＝1,2,…m，m为粒子群规模，argmin(T(xi))为使目标函数T(xi)取最小值时的变量xi的值；
全局最优点坐标，公式为：
Gbest＝argmin(Gbest,Pbestk)
其中，argmin(Gbest,Pbestk)为取Gbest、Pbestk二者中的较小值。
11.根据权利要求4所述的一种表面局部凸起飞行器气动力智能优化控制方法，其特征在于：所述计算t+1时刻气动力模型的坐标点和速度，公式为：
Figure RE-FDA0003878763130000071
Figure RE-FDA0003878763130000072
其中，ω为收敛参数，c1,c2为学习因子，r1,r2为两个0～1之间的随机数；Xi为第i个粒子坐标点，
Figure RE-FDA0003878763130000073
为第k个粒子第t次迭代的坐标点，
Figure RE-FDA0003878763130000074
为第k个粒子第t次迭代的迭代速度；Pbestk为当前粒子的局部最优点坐标，Gbest为全局最优点坐标。
12.根据权利要求6所述的一种表面局部凸起飞行器气动力智能优化控制方法，其特征在于：根据信息素挥发系数计算信息素，根据信息素计算转移概率，具体方法为：
所述信息素，计算公式为：
Figure RE-FDA0003878763130000075
其中，τij为i与j之间的信息素，ρ为信息素挥发系数，
Figure RE-FDA0003878763130000076
为信息素增量，
Figure RE-FDA0003878763130000077
Q为常数，Lk为当前蚂蚁走过的路径长度。
所述转移概率，计算公式为：
Figure RE-FDA0003878763130000078
其中，α,β为重要程度因子，τij(t)为i与j之间的信息素，ηij＝1/dij，dij为i和j之间的距离；
Figure RE-FDA0003878763130000081
其中，x为坐标点。
13.根据权利要求5所述的一种表面局部凸起飞行器气动力智能优化控制方法，其特征在于：所述单点目标函数，公式为：
Figure RE-FDA0003878763130000082
式中，T(x)为加入惩罚函数的单点目标函数，F(x)为x坐标点的轴向力，σ为惩罚因子，Li为归一化系数，Pi为惩罚函数，x为气动力模型的坐标点。
14.根据权利要求5和8所述的一种表面局部凸起飞行器气动力智能优化控制方法，其特征在于：根据t时刻蚁群坐标点和转移概率计算t+1时刻的蚁群坐标点，具体方法为：
Figure RE-FDA0003878763130000083
其中，x(t)为t时刻坐标，x(t+1)为t+1时刻坐标，step为给定步长，
Figure RE-FDA0003878763130000084
i为当前的迭代次数。
CN202210863622.1A 2022-07-20 2022-07-20 一种表面局部凸起飞行器气动力智能优化控制方法 Pending CN115373263A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210863622.1A CN115373263A (zh) 2022-07-20 2022-07-20 一种表面局部凸起飞行器气动力智能优化控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210863622.1A CN115373263A (zh) 2022-07-20 2022-07-20 一种表面局部凸起飞行器气动力智能优化控制方法

Publications (1)

Publication Number Publication Date
CN115373263A true CN115373263A (zh) 2022-11-22

Family

ID=84061495

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210863622.1A Pending CN115373263A (zh) 2022-07-20 2022-07-20 一种表面局部凸起飞行器气动力智能优化控制方法

Country Status (1)

Country Link
CN (1) CN115373263A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050197994A1 (en) * 2004-03-03 2005-09-08 Shigeru Fujii Intelligent robust control system for motorcycle using soft computing optimizer
CN112306097A (zh) * 2020-10-29 2021-02-02 杭州电子科技大学 一种新型无人机路径规划方法
US20210255641A1 (en) * 2019-09-30 2021-08-19 South China University Of Technology Method for designing three-dimensional trajectory of unmanned aerial vehicle based on wireless power transfer network
CN113325706A (zh) * 2021-05-06 2021-08-31 中国人民解放军火箭军工程大学 基于改进控制参数化的高超声速飞行器再入轨迹优化方法
CN113885320A (zh) * 2021-09-26 2022-01-04 北京航空航天大学 一种基于混合量子鸽群优化的飞行器随机鲁棒控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050197994A1 (en) * 2004-03-03 2005-09-08 Shigeru Fujii Intelligent robust control system for motorcycle using soft computing optimizer
US20210255641A1 (en) * 2019-09-30 2021-08-19 South China University Of Technology Method for designing three-dimensional trajectory of unmanned aerial vehicle based on wireless power transfer network
CN112306097A (zh) * 2020-10-29 2021-02-02 杭州电子科技大学 一种新型无人机路径规划方法
CN113325706A (zh) * 2021-05-06 2021-08-31 中国人民解放军火箭军工程大学 基于改进控制参数化的高超声速飞行器再入轨迹优化方法
CN113885320A (zh) * 2021-09-26 2022-01-04 北京航空航天大学 一种基于混合量子鸽群优化的飞行器随机鲁棒控制方法

Similar Documents

Publication Publication Date Title
CN110110419B (zh) 一种基于多目标学习的tbm掘进参数预测方法
CN109947124A (zh) 改进粒子群算法优化模糊pid无人直升机姿态控制方法
CN107685343B (zh) 一种机械臂运动学参数标定构型优化方法
CN113552797A (zh) 一种基于改进粒子群优化的加热炉炉温控制方法和系统
WO2023138240A1 (zh) 一种毕赤酵母发酵过程多模型预测控制方法
CN109670655B (zh) 一种电力系统多目标粒子群优化调度方法
CN113777931B (zh) 结冰翼型气动模型构造方法、装置、设备及介质
CN114298140A (zh) 一种考虑机组分类的风电短期功率预测校正方法
CN112149883A (zh) 基于fwa-bp神经网络的光伏功率预测方法
CN113722980A (zh) 海洋浪高预测方法、系统、计算机设备、存储介质、终端
CN106980262A (zh) 基于核递归最小二乘算法的自适应飞行器鲁棒控制方法
CN115995810A (zh) 一种考虑气象波动自适应匹配的风电功率预测方法及系统
CN114545766A (zh) 一种麻雀搜索算法优化的bp神经网络pid控制方法
Xu et al. Improved particle swarm optimization-based BP neural networks for aero-optical imaging deviation prediction
CN113657029B (zh) 异源数据驱动的飞行器高效近似优化方法
CN114912828A (zh) 一种基于数控机床工艺参数的优化方法
CN117648763A (zh) 一种协同射流翼型的cst-ego多参数优化设计方法
CN113868765A (zh) 基于近似模型的船舶主尺度参数优化方法
CN115373263A (zh) 一种表面局部凸起飞行器气动力智能优化控制方法
CN116414153A (zh) 基于人工智能的无人机起降校正方法
Obayashi Pareto solutions of multipoint design of supersonic wings using evolutionary algorithms
CN114997306A (zh) 一种基于动态贝叶斯网络的目标意图识别方法
Liu et al. A review of learning algorithm for radius basis function neural network
CN115357862A (zh) 一种狭长空间中的定位方法
CN115421508A (zh) 一种适用于多无人机多目标航迹规划的粒子群优化方法

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