CN115510910A - 一种优化飞行模拟器动感模拟算法中的滤波器参数的方法 - Google Patents
一种优化飞行模拟器动感模拟算法中的滤波器参数的方法 Download PDFInfo
- Publication number
- CN115510910A CN115510910A CN202211201172.6A CN202211201172A CN115510910A CN 115510910 A CN115510910 A CN 115510910A CN 202211201172 A CN202211201172 A CN 202211201172A CN 115510910 A CN115510910 A CN 115510910A
- Authority
- CN
- China
- Prior art keywords
- artificial fish
- artificial
- dynamic simulation
- behavior
- food concentration
- 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
- 238000005094 computer simulation Methods 0.000 title claims abstract description 60
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 33
- 241000251468 Actinopterygii Species 0.000 claims abstract description 192
- 235000013305 food Nutrition 0.000 claims abstract description 61
- 230000006870 function Effects 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 230000001720 vestibular Effects 0.000 claims abstract description 8
- 230000008447 perception Effects 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 230000006399 behavior Effects 0.000 claims description 44
- 230000002431 foraging effect Effects 0.000 claims description 32
- 230000000007 visual effect Effects 0.000 claims description 30
- 230000000694 effects Effects 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 11
- 238000013016 damping Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000019637 foraging behavior Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 238000005096 rolling process Methods 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 230000009194 climbing Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000007480 spreading Effects 0.000 claims description 2
- 238000003892 spreading Methods 0.000 claims description 2
- 230000009182 swimming Effects 0.000 claims description 2
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000004459 forage Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- UACVIOSHILFFIH-UHFFFAOYSA-N 4,5,10-trihydroxy-7-methyl-1,1-bis(3-methylbut-2-enyl)anthracen-2-one Chemical compound C1=C(C)C=C2C=C3C(CC=C(C)C)(CC=C(C)C)C(=O)C=C(O)C3=C(O)C2=C1O UACVIOSHILFFIH-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 244000144980 herd Species 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005070 sampling 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种优化飞行模拟器动感模拟算法中的滤波器参数的方法,选定需要优化的滤波器参数集合;设置多组人工鱼群参数组;选取包含多种频率与幅值的多阶段多自由度飞行姿态数据作为飞行模拟器动感模拟算法的输入;将输入和得到的输出分别经过前庭系统模型后获得的人体感知动感之间的偏差为主要评判项,加入不同飞行阶段权重因子,引入运动空间余量补偿项,来设定人工鱼的食物浓度函数;使用各组人工鱼群参数对飞行动感模拟算法参数组进行群体智能优化计算,比较各组人工鱼群参数组下的最优人工鱼及其食物浓度,获得最优的滤波器参数。本发明能够快速精准调试出经典动感模拟算法的最优滤波器参数,以获得更佳的飞行动感模拟逼真度。
Description
技术领域
本发明涉及飞行模拟器技术领域,具体涉及一种优化飞行模拟器动感模拟算法中的滤波器参数的方法,使用人工鱼群智能算法实现对飞行模拟器动感模拟算法中的参数调优。
背景技术
飞行模拟器动感模拟技术是指利用Stewart并联结构提供线加速度和角速度模拟,使飞行员能够在训练过程中感受到与驾驶真机逼近的动感体验,提升训练效果。如何提高飞行模拟器中六自由度运动平台的动感模拟逼真度,一直属于飞行模拟器动感模拟领域的一个热点,而飞行模拟器动感模拟算法又是影响动感模拟逼真度的关键因素之一。经典的飞行模拟器动感模拟算法应用广泛,其核心是对线加速度和角速度进行滤波,其中的倾斜协调模块利用了重力加速度分量模拟了线性加速度,从而达到相对逼真的飞行动感模拟效果。
经典的飞行模拟器动感模拟算法虽应用广泛,但存在相应问题:调试参数多,费时;多个变量耦合,难以调试出最优滤波器参数;过度保守导致运动空间利用率不高;很难对多工况多自由度混合飞行动感输入进行调试。因此如何快速确定经典的飞行模拟器动感模拟算法的最优滤波器参数,目前仍是一个需要解决的工程问题。
发明内容
为了快速精准调试出经典的飞行模拟器动感模拟算法的最优滤波器参数,以获得更佳的飞行动感模拟逼真度,本发明的发明目的在于提供一种优化飞行模拟器动感模拟算法中的滤波器参数的方法,利用人工鱼群算法(AFSA)的智能寻优思路实现飞行模拟器动感模拟算法的滤波器参数调优,通过设定多工况多自由度飞行姿态数据作为飞行模拟器动感模拟算法的输入,引入前庭系统误差和运动空间余量项作为优化的目标函数,利用AFSA来寻找最优的飞行模拟器动感模拟算法的滤波器参数和比例参数,大量减少调试时间,提高调试精度和运动空间利用率,提供多种飞行姿态动感模拟。
本发明的发明目的通过以下技术方案实现:
一种优化飞行模拟器动感模拟算法中的滤波器参数的方法,包含以下步骤:
步骤一:选定飞行模拟器动感模拟算法中需要优化的滤波器参数集合;
步骤二:根据选定的滤波器参数集合,将人工鱼的个体维度、种群规模、视野空间感知范围、移动步长、拥挤度因子、觅食尝试次数、每次觅食的最大迭代次数设定为一组人工鱼参数,需设置多组人工鱼参数;
步骤三:选取包含多种频率与幅值的多阶段多自由度飞行姿态数据作为飞行模拟器动感模拟算法的输入;
步骤四:以步骤三中飞行模拟器动感模拟算法的输入和得到的输出分别经过前庭系统模型后获得的人体感知动感之间的偏差为主要评判项,加入不同飞行阶段权重因子,引入运动空间余量补偿项,来设定人工鱼的食物浓度函数;
步骤五:初始化步骤一中的滤波器参数集合,选择步骤二中的一组人工鱼参数,然后人工鱼群算法开始进行群体智能行为计算,根据步骤四得到的食物浓度函数不断迭代优化,最终获得最佳的飞行模拟器动感模拟算法的参数值。
步骤六:将人工鱼参数组合集中的其他组人工鱼参数都经过步骤五,最后比较这些参数设置下的最优人工鱼及其食物浓度,获得全局最优人工鱼,即为具有多工况适应性的最优经典动感模拟算法参数。
较佳地,步骤一中,滤波器参数集合为:
P=[Pah Pal Pwh K]T
其中:
Pah=[wah x ξah x wah y ξah y wah z ξah z]T
为XYZ三个平移方向的高通加速度滤波通道,采用三阶高通滤波器,滤波器参数集为截止频率和阻尼比:
Pal=[walx ξalx waly ξaly]T
为纵向和横向的倾斜协调通道,采用二阶低通滤波器,滤波器参数集为截止频率和阻尼比:
Pwh=[wwh_roll ξwh_roll wwh_pitch ξwh_pit h wwh_yaw ξwh_yaw]T
为滚转、俯仰、旋转三个旋转方向的高通角速度通道,采用二阶高通滤波器,滤波器参数集为截止频率和阻尼比;
K=[kaccx kaccy kaccz kveloc_roll kveloc_pitch kveloc_yaw]T
为比例缩放模块的参数集。
较佳地,步骤二,设置多组人工鱼参数为:将人工鱼的种群规模N、人工鱼群移动步长step、人工鱼视野范围vis、鱼群拥挤度因子δ、人工鱼觅食尝试次数N_try,总共5个参数阈值3等份后组合得到243组人工鱼群参数集。
较佳地,步骤三,多阶段为起飞、爬升、巡航、失速、改出、返航和降落七个阶段;
多自由度为XYZ三轴的平移加速度和绕三个轴旋转的滚转、俯仰、偏航旋转角速度六自由度。
较佳地,步骤五包含以下步骤:
首先根据步骤一设定的滤波器参数,配置人工鱼群的初始值Pi=[Pah i Pali Pwh iKi],i∈[0 N],通过测试飞行模拟器动感模拟算法的参数调试效果,找出各参数对动感模拟效果能观察的影响效果时的极大值和极小值,得到:将各参数范围区间进行分成N等份给各个人工鱼参数赋值,然后填入步骤二中的其他参数初始设置;
选取当前人工鱼参数:人工鱼的种群规模N、人工鱼移动步长step、人工鱼视野范围vis、鱼群拥挤度因子δ、人工鱼觅食尝试次数N_try,然后人工鱼群中的每条人工鱼都依次进行聚群行为和追尾行为;其中,
聚群行为是指当前的人工鱼和视野范围的其他人工鱼组成鱼群,一起向当前鱼群的最优的位置聚集的过程,对于当前迭代次数为iter的人工鱼Pi,设在视野范围vis内的其他人工鱼总数为nswarm,计算出当前视野范围vis内的其他人工鱼的平均位置Pm,以及此位置的食物浓度F(Pm),当前人工鱼Pi以及食物浓度F(Pi),每计算一次食物浓度函数,就需要获得一次感知后的动感误差mot′error,然后根据动感误差就计算得到食物浓度F(P),若满足以下条件:
则Pi需要向Pm聚集:
追尾行为是人工鱼对其视野范围内具有最优食物浓度的人工鱼位置趋向移动的过程,对于当前迭代次数为iter的人工鱼Pi,在其视野范围vis内的其他人工鱼中,找到人工鱼Pj,其食物浓度F(Pj)是最高的,Pj视野范围内的人工鱼数目为ntrain,若满足以下条件:
则Pi需要向Pj方向移动追踪:
比较聚群行为和追尾行为的食物浓度函数,取一个最优值,最后得到
如果不满足聚群行为和追尾行为的判断条件,则进行觅食行为,觅食行为是指人工鱼对于其视野范围内的进行随机觅食的行为,然后展开觅食,随机选择一个方向,如果该方向食物浓度较高,则向其游动过去,对于当前迭代次数为iter的人工鱼Pi,当前的觅食次数Ntry=0,在其视野范围vis内,随机找到一个方向rand(),然后向其移动得到新的人工鱼Pj:
Pj=Pi+vis*rand()
如果食物浓度F(Pj)>F(Pi),则人工鱼需要朝着Pj移动一步;如果食物浓度F(Pj)<F(Pi),则继续觅食,直到觅食次数到达设置的Ntry为止;
如果一直没有觅食成功,最后就会执行随机行为,随机行为是指在觅食行为到达最大次数之后依然没有找到更高的适应度的情况下,人工鱼随机游动到当前视野的某一方向游动:
通过人工鱼执行以上四种行为中符合条件的一种行为,人工鱼获得一个新的位置,然后不断迭代,直到迭代次数到达最大迭代次数N_iter,则迭代终止,此时人工鱼群中所有人工鱼都收敛到同一人工鱼也是最优人工鱼Pend的位置,此时食物浓度到达最优F(Pend)。
本发明的有益效果在于:
1)对于经典的飞行模拟器动感模拟算法的众多参数调试方法,利用ASFA群智能算法来寻优,其自主迭代求解的过程,相比于人工调试花费数周的时间,能节省大量的人工调试时间,估计能提高30%~50%的调试效率;
2)利用ASFA解析化的寻优方式,可以避免人工调试无法调试到精确值的问题,并且ASFA具有跳出局部最优值的特点,能够获得全局最优值且精度高的参数值。
3)引入了前庭系统误差和运动空间余量作为最优目标函数项,可以避免为了安全导致运动空间利用率不高的问题。
4)通过设定多种飞行阶段的多自由度飞行姿态数据输入进行全工况调优,并在最优目标函数中引入不同飞行阶段的权重因子,能够实现对全工况或者重点关注工况的全局最优参数寻优。
附图说明
图1人工鱼群算法(AFSA)的流程框图
图2飞行模拟器动感模拟算法的流程框图
图3优化飞行模拟器动感模拟算法中的滤波器参数的方法的简要原理框图
图4优化飞行模拟器动感模拟算法中的滤波器参数的方法中单组AFSA参数调优流程图
图5多飞行阶段多自由度飞行姿态数据曲线示例图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。
参见图3所示,本实施例所示的一种优化飞行模拟器动感模拟算法中的滤波器参数的方法,包含以下步骤:
步骤一:选定飞行模拟器动感模拟算法中需要优化的滤波器参数集合。
飞行模拟器动感模拟算法的框架如图2所示,需要优化的滤波器参数主要是指对动感模拟效果影响大的参数,主要由比例缩放模块、高通加速度滤波通道、倾斜协调通道、高通角速度通道等。其中:
XYZ三个平移方向的高通加速度滤波通道采用三阶高通滤波器,滤波器参数集为截止频率和阻尼比:
Pah=[wah x ξah x wah y ξah y wah z ξah z]T
纵向和横向的倾斜协调通道采用二阶低通滤波器,滤波器参数集为截止频率和阻尼比:
Pal=[walx ξalx waly ξaly]T
滚转、俯仰、旋转三个旋转方向的高通角速度通道采用二阶高通滤波器,滤波器参数集为截止频率和阻尼比:
Pwh=[wwh_roll ξwh_roll wwh_pitch ξwh_pitch wwh_yaw ξwh_yaw]T
比例缩放模块的参数集为:
K=[kaccx kaccy kaccz kveloc_roll kveloc_pitch kveloc_yaw]T,
因此,设定需要优化的参数集总共22个参数:
P=[Pah Pal Pwh K]T
步骤二:根据选定的滤波器参数集合,将人工鱼的个体维度、种群规模、视野空间感知范围、移动步长、拥挤度因子、觅食尝试次数、每次觅食的最大迭代次数等参数设定为一组人工鱼参数,需设置多组人工鱼参数;
根据如图1所示的人工鱼智能寻优流程,首先将P列向量设定为单个人工鱼变量,人工鱼的个体维度dim设置为22,则将单个人工鱼变量设置为向量P=[Pah Pal Pwh K],假设有第i和第j人工鱼,则两个人工鱼之间的距离计算为||Pi-Pj||2,为二范数。
设定人工鱼的种群规模为N,处于Nmin~Nmax之间,按等差设置参数集,参数集个数设置为Numcoll。
设定人工鱼的视野空间感知范围为vis,处于vismin~vismax之间,按等差设置参数集,参数集个数设置为Numcoll。
设定人工鱼的移动步长为step,处于stepmin~stepmax之间,按等差设置参数集,参数集个数设置为Numcoll。
设定人工鱼的觅食尝试次数为N_try,处于N_trymin~N_trymax之间,按等差设置参数集,参数集个数设置为Numcoll。
设定拥挤度因子为δ,将本文中所述问题转化为求目标函数最大值的问题,则δmin=1/αnmax,α∈[0,1],其中α代表着接近极值水平,nmax代表设定的在当前邻域聚集的期望最大人工鱼数目,同样按等差设置参数集,参数集个数设置为Numcoll。
设定最大迭代次数为N_iter,每个人工鱼都需要运行到指定迭代次数才会停止搜索。
为了缩短运行时间,将人工鱼的种群规模N、人工鱼群移动步长step、人工鱼视野范围vis、鱼群拥挤度因子δ、人工鱼觅食尝试次数N_try 3等份后组合得到243组人工鱼群参数。
步骤三:选取包含多种频率与幅值的多阶段多自由度飞行姿态数据作为飞行模拟器动感模拟算法的输入。
XYZ三轴的平移加速度和绕三个轴旋转的滚转、俯仰、偏航旋转角速度,设置为:
pos=[fx fy fz velroll velpitch velyaw] (1)
飞行模拟器动感模拟算法的输入选用飞行阶段为起飞—爬升—巡航—失速—改出—返航—降落的六自由度飞行姿态数据,如图5所示是一段多阶段多自由度飞行姿态数据示例图,主要涉及低频、中频、高频及幅值小、中、大的变化,此外还涉及地面的两自由度耦合姿态,空中巡航的多自由度耦合姿态,失速改出时的全六自由度大机动耦合姿态,有利于AFSA找到适合于大多数的飞行阶段的全工况最优滤波器参数。
六自由度飞行姿态数据由飞行动力学仿真模型计算,其时间范围为:0~tend,当前运行时间为tcurr,对于起飞—爬升—巡航—失速—改出—返航—降落七个阶段时间表示为ttakeoff,tclimb,tcruise,tstall,trecover,tturnback,tlanding。
步骤四:以步骤三中飞行模拟器动感模拟算法的输入和得到的输出分别经过前庭系统模型后获得的人体感知动感之间的偏差为主要评判项,加入不同飞行阶段权重因子,引入运动空间余量补偿项,来设定人工鱼的食物浓度函数。主要依从的原则是:动感模拟偏差越小,运动空间余量越大,此参数设置下的是人工鱼周围食物浓度越高。
在步骤二中提到,将本文的目标函数寻优设置为最大值,因此食物浓度函数和目标函数可设置为一致。对于最优的定义,即输入与输出的动感模拟误差最小,因此需要将动感模拟算法的输入和输出分别经过人体前庭系统,则动感模拟算法输入为motin=[finwin],输出为:motout=[fout wout],分别经过前庭系统感知之后分别为mot′in=[f′in w′in],mot′out=[f′out w′out],得到的动感误差为:
mot′error=[(f′in-f′out)(w′in-w′out)] (2)
引入线位移、角位移约束条件:
X Y Z<Xlimit Ylimit Zlimit
roll pitch yaw<rolllimit pitchlimit yawlimit
以尽量不靠近极限为佳,因此实时位移与位移极限的差值越小,将使得目标函数降低,人工鱼所在位置的食物浓度降低:
placeerror=(Xlimit-X)2+(Ylimit-Y)2+(Zlimit-Z)2+(rolllimit-roll)2+(pitchlimit-pitch)2+(yawlimit-yaw)2 (3)
由于目标函数为求最大值,即动感模拟误差越小,则目标函数值越大,食物浓度越大,并引入运动空间余量项,因此设定食物浓度函数为:
飞行动力学模型的采样时间为tsamp,运行总时间为tend,因此采样总步长数Nsamp=tend/tsamp,引入了飞行阶段权重变化矩阵:Tweigh t(tcurr),根据当前的时间tcurr可以判定在何种飞行阶段,ttakeoff,tclimb,tcruise,tstall,trecover,tturnback,tlanding。然后通过设定好的飞行阶段权重表获得当前的Tweigh t的权重值,Tweigh t∈[0 1]。
步骤五:初始化步骤一中的滤波器参数集合,选择步骤二中的一组组人工鱼参数组,,然后人工鱼群算法开始进行群体智能行为计算,根据步骤四得到的食物浓度函数不断迭代优化,最终获得最佳的飞行模拟器动感模拟算法的参数值,具体的流程图如图4所示。
首先根据步骤一中的滤波器参数集合,配置好AFSA的人工鱼群的初始值Pi=[Pah iPali Pwh i Ki],i∈[0 N],通过测试动感模拟算法的参数调试效果,找出各参数对动感模拟效果可观察的影响效果时的极大值和极小值,得到:
将各参数范围区间进行分成N等份给各个人工鱼参数赋值,保证每个人工鱼尽量均匀分布在寻优空间范围中。然后填入步骤二中的其他参数初始设置,选取当前组的人工鱼参数:人工鱼的种群规模N、人工鱼移动步长step、人工鱼视野范围vis、鱼群拥挤度因子δ、人工鱼觅食尝试次数N_try,然后人工鱼群中的每条人工鱼都依次进行聚群行为和追尾行为。
聚群行为是指当前的人工鱼和视野范围的其他人工鱼组成鱼群,一起向当前鱼群的最优的位置聚集的过程。
对于当前迭代次数为iter的人工鱼Pi,在视野vis范围内的其他人工鱼,即||Pi-Pj||2<vis范围内的人工鱼总数为nswarm,计算出当前视野vis范围内的其他人工鱼的平均位置Pm,以及此位置的食物浓度F(Pm),当前人工鱼Pi以及食物浓度F(Pi),每计算一次食物浓度函数,就需要获得一次感知后的动感误差mot′error,然后根据动感误差就计算得到目标函数值F(P),即当前人工鱼P的食物浓度。若满足以下条件:
即Pm人工鱼的单位个体食物浓度高于Pi人工鱼,因此Pi需要向Pm聚集:
追尾行为是人工鱼对其视野范围内具有最优食物浓度的人工鱼位置趋向移动的过程。
对于当前迭代次数为iter的人工鱼Pi,在其视野vis范围内的其他人工鱼中,找到人工鱼Pj,其食物浓度F(Pj)是最高的,Pj视野范围内的人工鱼数目为ntrain,若满足以下条件:
则人工鱼Pj处的食物浓度高并且不拥挤,所以Pi需要向Pj方向移动追踪:
比较聚群行为和追尾行为的食物浓度函数,取一个最优值,因此最后得到
对于以上聚群行为和追尾行为都需要满足判断条件,来体现比原来的人工鱼更优的食物浓度而且满足不拥挤的条件,如果不满足条件,则不会进行聚群或者追尾,而是会进行觅食行为。
觅食行为是指人工鱼对于其视野范围内的进行随机觅食的行为,然后展开觅食,随机选择一个方向,如果该方向食物浓度较高,则向其游动过去。
对于当前迭代次数为iter的人工鱼Pi,当前的觅食次数Ntry=0,在其视野vis范围内,随机找到一个方向rand(),然后向其移动得到新的人工鱼Pj:
Pj=Pi+vis*rand() (10)
如果食物浓度F(Pj)>F(Pi),则人工鱼需要朝着Pj移动一步,同公式(8);如果食物浓度F(Pj)<F(Pi),则继续觅食,直到觅食次数到达设置的Ntry为止。如果一直没有觅食成功,最后就会执行随机行为。
随机行为是指在觅食行为到达最大次数之后依然没有找到更高的适应度的情况下,人工鱼随机游动到当前视野的某一方向游动:
通过判断条件后,人工鱼会执行以上四种行为中符合条件的一种行为,这样就完成了一次迭代,人工鱼获得一个新的位置,即动感模拟算法有了一个新的滤波器参数集。然后不断迭代,直到迭代次数到达最大迭代次数N_iter,则迭代终止,此时人工鱼群中所有人工鱼都收敛到同一人工鱼也是最优人工鱼Pend的位置,此时食物浓度到达最优F(Pend)。
步骤六:将人工鱼参数组合集中的其他人工鱼参数组都经过步骤五,最后比较这些参数设置下的最优人工鱼及其食物浓度,获得全局最优人工鱼,即为具有多工况适应性的最优经典动感模拟算法参数。
可以理解的是,对本领域普通技术人员来说,可以根据本发明的技术方案及其发明构思加以等同替换或改变,而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。
Claims (5)
1.一种优化飞行模拟器动感模拟算法中的滤波器参数的方法,包含以下步骤:
步骤一:选定飞行模拟器动感模拟算法中需要优化的滤波器参数集合;
步骤二:根据选定的滤波器参数集合,将人工鱼的个体维度、种群规模、视野空间感知范围、移动步长、拥挤度因子、觅食尝试次数、每次觅食的最大迭代次数设定为一组人工鱼参数,在阈值范围内等差设置多组人工鱼参数;
步骤三:选取包含多种频率与幅值的多阶段多自由度飞行姿态数据作为飞行模拟器动感模拟算法的输入;
步骤四:以步骤三中飞行模拟器动感模拟算法的输入和得到的输出分别经过前庭系统模型后获得的人体感知动感之间的偏差为主要评判项,加入不同飞行阶段权重因子,引入运动空间余量补偿项,来设定人工鱼的食物浓度函数;
步骤五:初始化步骤一中的滤波器参数集合,选择步骤二中的一组人工鱼参数组,然后人工鱼群算法开始进行群体智能行为计算,根据步骤四得到的食物浓度函数不断迭代优化,最终获得最佳的飞行模拟器动感模拟算法的参数值;
步骤六:将其他组的人工鱼参数都经过步骤五,最后比较这些参数设置下的最优人工鱼及其食物浓度,获得全局最优人工鱼,即为具有多工况适应性的最优经典动感模拟算法参数。
2.根据权利要求1所述的一种优化飞行模拟器动感模拟算法中的滤波器参数的方法,其特征在于步骤一中,滤波器参数集合为:
P=[Pah Pal Pwh K]T
其中:
Pah=[wahx ξahx wahy ξahy wahz ξahz]T
为XYZ三个平移方向的高通加速度滤波通道,采用三阶高通滤波器,滤波器参数集为截止频率和阻尼比:
Pal=[walx ξalx waly ξaly]T
为纵向和横向的倾斜协调通道,采用二阶低通滤波器,滤波器参数集为截止频率和阻尼比:
Pwh=[wwh_roll ξwh_roll wwh_pitch ξwh_pitch wwh_yaw ξwh_yaw]T
为滚转、俯仰、旋转三个旋转方向的高通角速度通道,采用二阶高通滤波器,滤波器参数集为截止频率和阻尼比;
K=[kaccx kaccy kaccz kveloc_roll kveloc_pitch kveloc_yaw]T
为比例缩放模块的参数集。
3.根据权利要求1所述的一种优化飞行模拟器动感模拟算法中的滤波器参数的方法,其特征在于步骤二,多组人工鱼群参数为:将人工鱼的种群规模N、人工鱼群移动步长step、人工鱼视野范围vis、鱼群拥挤度因子δ、人工鱼觅食尝试次数N_try 3等份后得到243组人工鱼群参数。
4.根据权利要求1所述的一种优化飞行模拟器动感模拟算法中的滤波器参数的方法,其特征在于步骤三,多阶段为起飞、爬升、巡航、失速、改出、返航和降落七个阶段;
多自由度为XYZ三轴的平移加速度和绕三个轴旋转的滚转、俯仰、偏航旋转角速度六自由度。
5.根据权利要求1所述的一种优化飞行模拟器动感模拟算法中的滤波器参数的方法,其特征在于步骤五包含以下步骤:
首先根据步骤一中的滤波器参数集合,配置人工鱼群的初始值Pi=[Pahi Pali Pwhi Ki],i∈[0N],通过测试飞行模拟器动感模拟算法的参数调试效果,找出各参数对动感模拟效果能观察的影响效果时的极大值和极小值,得到:将各参数范围区间进行分成N等份给各个人工鱼参数赋值,然后填入步骤二中的其他参数初始设置;
选取当前组的人工鱼参数:人工鱼的种群规模N、人工鱼移动步长step、人工鱼视野范围vis、鱼群拥挤度因子δ、人工鱼觅食尝试次数N_try,然后人工鱼群中的每条人工鱼都依次进行聚群行为和追尾行为;其中,
聚群行为是指当前的人工鱼和视野范围的其他人工鱼组成鱼群,一起向当前鱼群的最优的位置聚集的过程,对于当前迭代次数为iter的人工鱼Pi,设在视野范围vis内的其他人工鱼总数为nswarm,计算出当前视野范围vis内的其他人工鱼的平均位置Pm,以及此位置的食物浓度F(Pm),当前人工鱼Pi以及食物浓度F(Pi),每计算一次食物浓度函数,就需要获得一次感知后的动感误差mot′error,然后根据动感误差就计算得到食物浓度F(P),若满足以下条件:
则Pi需要向Pm聚集:
追尾行为是人工鱼对其视野范围内具有最优食物浓度的人工鱼位置趋向移动的过程,对于当前迭代次数为iter的人工鱼Pi,在其视野范围vis内的其他人工鱼中,找到人工鱼Pj,其食物浓度F(Pj)是最高的,Pj视野范围内的人工鱼数目为ntrain,若满足以下条件:
则Pi需要向Pj方向移动追踪:
比较聚群行为和追尾行为的食物浓度函数,取一个最优值,最后得到
如果不满足聚群行为和追尾行为的判断条件,则进行觅食行为,觅食行为是指人工鱼对于其视野范围内的进行随机觅食的行为,然后展开觅食,随机选择一个方向,如果该方向食物浓度较高,则向其游动过去,对于当前迭代次数为iter的人工鱼Pi,当前的觅食次数Ntry=0,在其视野范围vis内,随机找到一个方向rand(),然后向其移动得到新的人工鱼Pj:
Pj=Pi+vis*rand()
如果食物浓度F(Pj)>F(Pi),则人工鱼需要朝着Pj移动一步;如果食物浓度F(Pj)<F(Pi),则继续觅食,直到觅食次数到达设置的Ntry为止;
如果一直没有觅食成功,最后就会执行随机行为,随机行为是指在觅食行为到达最大次数之后依然没有找到更高的适应度的情况下,人工鱼随机游动到当前视野的某一方向游动:
通过人工鱼执行以上四种行为中符合条件的一种行为,人工鱼获得一个新的位置,然后不断迭代,直到迭代次数到达最大迭代次数N_iter,则迭代终止,此时人工鱼群中所有人工鱼都收敛到同一人工鱼也是最优人工鱼Pend的位置,此时食物浓度到达最优F(Pend)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211201172.6A CN115510910A (zh) | 2022-09-29 | 2022-09-29 | 一种优化飞行模拟器动感模拟算法中的滤波器参数的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211201172.6A CN115510910A (zh) | 2022-09-29 | 2022-09-29 | 一种优化飞行模拟器动感模拟算法中的滤波器参数的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115510910A true CN115510910A (zh) | 2022-12-23 |
Family
ID=84509044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211201172.6A Pending CN115510910A (zh) | 2022-09-29 | 2022-09-29 | 一种优化飞行模拟器动感模拟算法中的滤波器参数的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115510910A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116488250A (zh) * | 2023-03-17 | 2023-07-25 | 长电新能有限责任公司 | 一种混合储能系统容量优化配置方法 |
-
2022
- 2022-09-29 CN CN202211201172.6A patent/CN115510910A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116488250A (zh) * | 2023-03-17 | 2023-07-25 | 长电新能有限责任公司 | 一种混合储能系统容量优化配置方法 |
CN116488250B (zh) * | 2023-03-17 | 2023-12-15 | 长电新能有限责任公司 | 一种混合储能系统容量优化配置方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110703766B (zh) | 一种基于迁移学习策略深度q网络的无人机路径规划方法 | |
CN110531786B (zh) | 基于dqn的无人机机动策略自主生成方法 | |
CN107300925B (zh) | 基于改进鱼群算法的四旋翼无人机姿控参数整定方法 | |
CN106557837B (zh) | 飞机连续下降进近轨迹的获取方法及装置 | |
CN108171315B (zh) | 基于smc粒子群算法的多无人机任务分配方法 | |
CN112684807A (zh) | 无人机集群三维编队方法 | |
CN109669475A (zh) | 基于人工蜂群算法的多无人机三维编队重构方法 | |
CN110806756A (zh) | 基于ddpg的无人机自主引导控制方法 | |
CN112068586B (zh) | 一种空间时间联合优化的四旋翼无人飞行器轨迹规划方法 | |
CN110058607B (zh) | 一种仿欧椋鸟智能的无人机大规模集群超机动转弯方法 | |
CN113138606B (zh) | 一种无人机湖泊测绘任务航迹规划方法 | |
CN115903888B (zh) | 一种基于天牛群算法的旋翼无人机自主路径规划方法 | |
CN115454115B (zh) | 基于混合灰狼-粒子群算法的旋翼无人机路径规划方法 | |
CN113110546B (zh) | 一种基于离线强化学习的无人机自主飞行控制方法 | |
CN110083168A (zh) | 基于增强学习的小型无人直升机定高控制方法 | |
CN115510910A (zh) | 一种优化飞行模拟器动感模拟算法中的滤波器参数的方法 | |
CN111103795A (zh) | 基于智能自适应优化算法的高超声速飞行器再入段轨迹优化控制器 | |
CN115033022A (zh) | 面向移动平台基于专家经验的ddpg无人机降落方法 | |
CN114706412A (zh) | 基于能量状态法的共轴无人机垂直剖面优化方法 | |
CN117806346A (zh) | 一种基于自适应蜣螂优化器的无人机路径规划方法 | |
CN117724524A (zh) | 一种基于改进球面向量粒子群算法的无人机航线规划方法 | |
CN109143854A (zh) | 一种求解直升机尾桨卡滞后安全着陆过程的数值仿真方法 | |
CN117270416A (zh) | 一种飞行器运动的高保真建模与可视化仿真集成方法及系统 | |
CN112306097A (zh) | 一种新型无人机路径规划方法 | |
CN114115314B (zh) | 一种变体飞行器的后掠角确定方法及系统 |
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 |