CN116384256A - 一种基于参考方案局部搜索多约束弹道优化方法 - Google Patents

一种基于参考方案局部搜索多约束弹道优化方法 Download PDF

Info

Publication number
CN116384256A
CN116384256A CN202310528578.3A CN202310528578A CN116384256A CN 116384256 A CN116384256 A CN 116384256A CN 202310528578 A CN202310528578 A CN 202310528578A CN 116384256 A CN116384256 A CN 116384256A
Authority
CN
China
Prior art keywords
trajectory
particle
optimization
constraint
rocket
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
CN202310528578.3A
Other languages
English (en)
Other versions
CN116384256B (zh
Inventor
刘钧圣
牛智奇
杨云刚
杨树兴
李琪
李�昊
苗劲松
裴培
魏其
司忍辉
高登巍
李平
韩琰
席晓文
郭国强
宋宇航
付璐
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.)
Xian Institute of Modern Control Technology
Original Assignee
Xian Institute of Modern Control 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 Xian Institute of Modern Control Technology filed Critical Xian Institute of Modern Control Technology
Priority to CN202310528578.3A priority Critical patent/CN116384256B/zh
Publication of CN116384256A publication Critical patent/CN116384256A/zh
Application granted granted Critical
Publication of CN116384256B publication Critical patent/CN116384256B/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
    • 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
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • 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
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Geometry (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于参考方案局部搜索多约束弹道优化方法，首先建立制导火箭纵向运动方程，然后确定弹道优化目标函数和约束条件，建立弹道优化数学模型；接下来建立局部搜索改进粒子群优化算法；最后进行弹道迭代优化解算和适应度评价。本发明可充分利用已有设计经验，基于参考方案进行局部搜索，获得满足制导火箭落角、落速、弹道高度、最大过载或法向力、热流密度等多约束条件的最优弹道，大幅降低了弹道优化计算量，提升了弹道优化效率，简单有效，易于工程实现。

Description

一种基于参考方案局部搜索多约束弹道优化方法
技术领域
本发明属于弹道优化技术领域，具体涉及一种基于参考方案局部搜索多约束弹道优化方法。
背景技术
超远程制导火箭兼具射程远、速度高、机动和突防能力强、精度高等多种优势，是克敌制胜的重要武器装备。弹道优化是制导火箭方案论证和改进设计必不可少的关键环节，一方面可提高制导火箭在复杂环境的战场适应性，另一方面可大幅降低系统设计复杂度，为结构热防护、动力、制导控制等分系统减轻设计压力，从而使制导火箭总体性能达到最优。
弹道优化是一个多约束参数耦合的复杂问题，涉及到空气动力学、现代控制理论、非线性规划等多学科领域，通常采用间接法、直接法和智能优化算法来解决。间接法的思路是利用极小值原理和动态规划原理，将最优控制问题转化为边值问题，通过求解Hamilton方程组、终端横截条件和约束条件组成的两点边值问题获得最优状态和最优控制量。间接法求解精度高，但求解过程理论复杂，对初值高度敏感。直接法将原连续最优控制问题离散化，并转化为非线性规划问题，采用一维空间寻优算法求解，获得满足非线性约束条件的最优弹道。直接法鲁棒性好，收敛域较大，但容易陷入局部最优解。随着科学技术的发展，智能优化算法以其独特的作用机制和良好的优化效果，在弹道设计中得到越来越多的广泛应用。
粒子群优化算法(Particle Swarm Optimization，PSO)是一种进化计算技术，概念简单，所用参数较少，易于工程实现，具有很强的发现较好解的能力，并不容易陷入局部最优。传统粒子群优化算法对于单目标弹道优化问题具有较好的效果，但对于多约束弹道优化问题难以获得较好的全局最优解，且收敛速度较慢。因此，如何利用已有的弹道设计先验知识，结合优化算法，实现全局最优、快速收敛、适应多目标约束成为弹道优化急需解决的技术难题。
发明内容
为了克服现有技术的不足，本发明提供了一种基于参考方案局部搜索多约束弹道优化方法，首先建立制导火箭纵向运动方程，然后确定弹道目标函数和约束条件，建立弹道优化数学模型；接下来建立局部搜索改进粒子群优化算法；最后进行弹道迭代优化解算和适应度评价。本发明可充分利用已有设计经验，基于参考方案进行局部搜索，获得满足制导火箭落角、落速、弹道高度、最大过载或法向力、热流密度等多约束条件的最优弹道，大幅降低了弹道优化计算量，提升了弹道优化效率，简单有效，易于工程实现。
本发明解决其技术问题所采用的技术方案包括如下步骤：
步骤1：在发射坐标系，以制导火箭的纵平面运动为研究目标，建立制导火箭纵向运动方程；
步骤2：确定弹道目标函数和约束条件，建立弹道优化数学模型；
以一条基准弹道攻角离散序列作为参考，将对应时刻攻角变化量作为优化变量，以落点偏差量为目标函数，以制导火箭落角、落速、弹道高度、最大过载或法向力、热流密度作为约束条件，建立优化数学模型；同时对目标函数和约束条件进行归一化处理；然后采用惩罚函数法，将带约束优化问题转化为无约束优化问题；
步骤3：建立局部搜索改进粒子群优化算法；
将各离散序列上的攻角变化量作为每个粒子各个维度的数值，构成群体中的单个粒子，建立改进的粒子速度和位置更新模型，并用步骤2中的目标函数进行适应度计算，作为粒子优劣程度评价依据；
步骤4：进行弹道迭代优化解算和适应度评价；
设置初始条件，进行迭代计算，当目标函数的适应度收敛时获得最优攻角变化量序列和最优弹道。
进一步地，所述步骤1中建立的制导火箭纵向运动方程为：
Figure SMS_1
（1）
其中，
Figure SMS_11
为制导火箭质量，/>
Figure SMS_3
为发射坐标系X向速度，/>
Figure SMS_14
为发射坐标系Y向速度，/>
Figure SMS_8
为发动机推力，/>
Figure SMS_16
为轴向力系数，/>
Figure SMS_7
为法向力系数，/>
Figure SMS_19
为动压，/>
Figure SMS_9
为大气密度，/>
Figure SMS_20
为制导火箭合速度，/>
Figure SMS_2
为发射坐标系轴向位置，/>
Figure SMS_12
为发射坐标系纵向位置，/>
Figure SMS_5
为弹道倾角，/>
Figure SMS_17
为俯仰角，/>
Figure SMS_4
为攻角，/>
Figure SMS_13
为地球平均半径，/>
Figure SMS_6
为发射点大地高度，/>
Figure SMS_15
为制导火箭到地心距离，/>
Figure SMS_10
为制导火箭离地高度，/>
Figure SMS_18
为地球引力系数，S为制导火箭参考面积。
进一步地，所述步骤2具体为：
步骤2-1：以一条基准弹道攻角离散序列作为参考，在大于制导火箭最大飞行时间的时间段内进行等间距取n个点，所取点对应时刻的攻角离散序列记为
Figure SMS_21
，
Figure SMS_22
是n个时刻对应的攻角；以对应时刻攻角变化量序列为优化变量，记为
Figure SMS_23
，/>
Figure SMS_24
是要求解的优化变量，即n个时刻对应的攻角变化量；
步骤2-2：约束条件包括制导火箭落角
Figure SMS_25
、落速/>
Figure SMS_26
、弹道高度/>
Figure SMS_27
、法向力/>
Figure SMS_28
、热流密度/>
Figure SMS_29
，具体如下：
Figure SMS_30
（2）
其中，
Figure SMS_33
，/>
Figure SMS_37
为法向力系数，/>
Figure SMS_40
为动压，/>
Figure SMS_34
为大气密度，/>
Figure SMS_38
为制导火箭合速度，S为制导火箭参考面积，/>
Figure SMS_41
，/>
Figure SMS_43
为火箭端头半径；/>
Figure SMS_31
为落点弹道倾角约束上限，/>
Figure SMS_35
和/>
Figure SMS_39
分别为落点处速度约束下限和上限，/>
Figure SMS_42
为最大离地高度，/>
Figure SMS_32
为最大法向力，/>
Figure SMS_36
为最大热流密度；
步骤2-3：优化目标为制导火箭落点偏差量，即目标函数为：
Figure SMS_44
（3）
其中
Figure SMS_45
分别为制导火箭落点在发射坐标系轴向和纵向位置，/>
Figure SMS_46
分别为目标点在发射坐标系轴向和纵向位置。
则弹道优化问题描述为：
Figure SMS_47
（4）
步骤2-4：利用惩罚函数法，将上述约束优化问题（4）转化为无约束优化问题，并对目标函数和约束条件进行归一化处理，即：
Figure SMS_48
（5）
其中
Figure SMS_49
为射程，即发射点至目标点大地线距离，/>
Figure SMS_50
为绝对值函数。
进一步地，所述步骤3具体为：
步骤3-1：目标搜索空间维数为优化变量攻角变化量序列的数量，即为
Figure SMS_54
；设群体由
Figure SMS_58
个粒子构成，/>
Figure SMS_60
为第/>
Figure SMS_52
个粒子的/>
Figure SMS_56
维位置矢量，/>
Figure SMS_59
；根据步骤2计算的惩罚函数值/>
Figure SMS_62
计算/>
Figure SMS_51
当前的适应值用于衡量粒子位置的优劣；设
Figure SMS_55
为粒子/>
Figure SMS_61
的飞行速度，即粒子移动的距离；/>
Figure SMS_63
为粒子/>
Figure SMS_53
迄今为止搜索到的最优位置，/>
Figure SMS_57
为整个粒子群迄今为止搜索到的最优位置；
步骤3-2：对粒子群优化算法进行改进，在每次迭代计算中，粒子速度和位置更新公式如下：
Figure SMS_64
（6）
其中，
Figure SMS_66
为第k+1次迭代过程中第i个粒子的第d维速度变量，/>
Figure SMS_72
为第i个粒子的第d维迄今为止搜索到的最优位置变量，/>
Figure SMS_75
为整个粒子群的第d维整个粒子群迄今为止搜索到的最优位置变量，/>
Figure SMS_67
为第k+1次迭代过程中第/>
Figure SMS_71
个粒子的第d维位置矢量；/>
Figure SMS_73
为第k+1次迭代过程中第i个粒子的射程，/>
Figure SMS_76
，/>
Figure SMS_65
为迭代次数，/>
Figure SMS_69
和/>
Figure SMS_74
为/>
Figure SMS_77
之间的随机数，用来保持群体多样性，/>
Figure SMS_68
和/>
Figure SMS_70
为学习因子，使粒子具有自我总结和向群体中优秀个体学习的能力，从而向自己的历史最优点以及群体内历史最优点靠近。
进一步地，所述步骤4具体为：
步骤4-1：设置迭代计算初值；
步骤4-2：根据初始粒子群，按式（5）计算目标函数的适应度，获得并记录初始最优个体及其适应度；
步骤4-3：按式（6）更新粒子速度和位置；
步骤4-4：按式（5）依次计算粒子群中每个粒子目标函数的适应度，获得本次迭代最小适应度，并与前一次群体迭代获得的最优适应度进行比较，若达到收敛阈值或粒子群最大迭代计算次数，则停止计算，否则按式（6）更新粒子速度和位置，继续下一次迭代；
收敛阈值
Figure SMS_78
判断公式为：
Figure SMS_79
其中，
Figure SMS_80
为第k+1次迭代过程中整个粒子群迄今为止搜索到的最优位置；
步骤4-5：最后一次迭代中的适应度最小的粒子作为最优个体，对应弹道为最优弹道，最优个体攻角变化量
Figure SMS_81
与参考方案/>
Figure SMS_82
之和，即为对应最优弹道的最优控制量攻角序列。
进一步地，所述攻角变化量取值范围为±2°。
进一步地，所述收敛阈值
Figure SMS_83
取值为/>
Figure SMS_84
。
本发明的有益效果如下：
本发明提出的一种基于参考方案局部搜索多约束弹道优化方法，可充分利用已有设计经验，基于参考方案进行局部搜索，获得满足制导火箭落角、落速、弹道高度、最大过载或法向力、热流密度等多约束条件的最优弹道，大幅降低了弹道优化计算量，提升了弹道优化效率，简单有效，易于工程实现。
附图说明
图1为本发明方法流程图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明要解决的技术问题是，提出一种基于参考方案局部搜索多约束弹道优化方法，在多个离散时间节点上，基于已有参考方案弹道，以攻角变化量为优化变量，采用改进粒子群优化算法进行局部搜索，获得满足制导火箭落角、落速、弹道高度、最大过载或法向力、热流密度等多约束条件的最优弹道，该算法大幅提升了弹道优化效率，易于工程实现。
如图1所示，假设制导火箭采用助推滑翔弹道方案，全程大气层内飞行，飞行过程中最大过载、弹道高度、热流密度、落角、落速等均需满足一定约束。根据同类项目经验已完成初步弹道设计，需进一步开展弹道优化工作，为结构、控制、动力等方案设计提供依据。不失一般性，这里仅考虑制导火箭纵向运动，以现有弹道为参考方案，以攻角变化量为控制变量，采用改进的粒子群优化算法进行局部搜索，快速获得满足要求的最优弹道。
1）在发射坐标系，建立制导火箭纵向运动方程。
Figure SMS_85
（1）
其中，其中，
Figure SMS_92
为制导火箭质量，/>
Figure SMS_87
为发射坐标系X向速度，/>
Figure SMS_98
为发射坐标系Y向速度，/>
Figure SMS_94
为发动机推力，/>
Figure SMS_103
为轴向力系数，/>
Figure SMS_93
为法向力系数，/>
Figure SMS_101
为动压，/>
Figure SMS_90
为大气密度，/>
Figure SMS_102
为制导火箭合速度，/>
Figure SMS_86
为发射坐标系轴向位置，/>
Figure SMS_96
为发射坐标系纵向位置，/>
Figure SMS_89
为弹道倾角，/>
Figure SMS_99
为俯仰角，/>
Figure SMS_95
为攻角，/>
Figure SMS_104
为地球平均半径，/>
Figure SMS_88
为发射点大地高度，/>
Figure SMS_97
为制导火箭到地心距离，
Figure SMS_91
为制导火箭离地高度，/>
Figure SMS_100
为地球引力系数，S为制导火箭参考面积。
2）建立弹道优化数学模型。
以已有弹道为参考方案，在大于制导火箭最大飞行时间的时间段内进行等间距取点，对应时刻攻角离散序列记为
Figure SMS_105
，以对应时刻攻角变化量序列为优化变量，记为/>
Figure SMS_106
，选取取值范围为±2°（可根据优化需求设置）。
约束条件包括制导火箭落角
Figure SMS_107
、落速/>
Figure SMS_108
、弹道高度/>
Figure SMS_109
、法向力/>
Figure SMS_110
、热流密度/>
Figure SMS_111
，具体如下：
Figure SMS_112
（2）
其中，
Figure SMS_114
，/>
Figure SMS_117
为法向力系数，/>
Figure SMS_121
为动压，/>
Figure SMS_115
为大气密度，/>
Figure SMS_120
为制导火箭合速度，S为制导火箭参考面积，/>
Figure SMS_123
，/>
Figure SMS_125
为火箭端头半径；/>
Figure SMS_113
为落点弹道倾角约束上限，/>
Figure SMS_119
和/>
Figure SMS_122
分别为落点处速度约束下限和上限，/>
Figure SMS_124
为最大离地高度，/>
Figure SMS_116
为最大法向力，/>
Figure SMS_118
为最大热流密度；上述参数根据制导火箭制导要求、毁伤要求、飞行要求、结构强度要求及热防护要求等确定。
优化目标为制导火箭落点偏差量，即目标函数为：
Figure SMS_126
（3）
弹道优化问题可描述为：
Figure SMS_127
（4）
利用惩罚函数法，将上述约束优化问题转化为无约束优化问题，并对目标函数和约束条件进行归一化处理，即：
Figure SMS_128
（5）
其中
Figure SMS_129
为射程，即发射点至目标点大地线距离，/>
Figure SMS_130
为绝对值函数。
3）建立局部搜索改进粒子群优化算法模型。目标搜索空间维数为优化变量攻角变化量序列的数量，即为
Figure SMS_133
，设群体由/>
Figure SMS_137
个粒子构成，/>
Figure SMS_141
为第/>
Figure SMS_132
个粒子（/>
Figure SMS_136
）的/>
Figure SMS_139
维位置矢量，根据步骤2计算的适应度函数（惩罚函数值/>
Figure SMS_143
）计算/>
Figure SMS_131
当前的适应值，即可衡量粒子位置的优劣（值越小，位置越好）；/>
Figure SMS_135
为粒子/>
Figure SMS_140
的飞行速度，即粒子移动的距离；/>
Figure SMS_142
为粒子/>
Figure SMS_134
迄今为止搜索到的最优位置，/>
Figure SMS_138
为整个粒子群迄今为止搜索到的最优位置。
为保证快速收敛并获得全局最优解，对标准粒子群优化算法进行改进，在每次迭代计算中，粒子速度和位置更新公式如下：
Figure SMS_144
（6）
其中，
Figure SMS_145
为第k+1次迭代过程中第i个粒子的第d维速度变量，/>
Figure SMS_149
为第i个粒子的第d维迄今为止搜索到的最优位置变量，/>
Figure SMS_153
为整个粒子群的第d维整个粒子群迄今为止搜索到的最优位置变量，/>
Figure SMS_148
为第k+1次迭代过程中第/>
Figure SMS_151
个粒子的第d维位置矢量；/>
Figure SMS_155
为第k+1次迭代过程中第i个粒子的射程，/>
Figure SMS_157
，/>
Figure SMS_146
，/>
Figure SMS_152
为迭代次数，/>
Figure SMS_156
和/>
Figure SMS_158
为/>
Figure SMS_147
之间的随机数，用来保持群体多样性，/>
Figure SMS_150
和/>
Figure SMS_154
为学习因子，使粒子具有自我总结和向群体中优秀个体学习的能力，从而向自己的历史最优点以及群体内历史最优点靠近。
4）进行弹道迭代优化解算和适应度评价。
a)首先设置迭代计算初值。假设作为参考方案的基准弹道飞行时间为700s，则可在0到698s时间段内按每2s平均取点，基准弹道上对应时刻攻角为
Figure SMS_161
，同时获得优化变量攻角变化量序列，即/>
Figure SMS_164
，/>
Figure SMS_166
，/>
Figure SMS_160
为[-1,1]之间的随机数，粒子种群数量为500，则可得到由500个初始粒子/>
Figure SMS_163
构成的初始粒子群，粒子群最大迭代计算次数为100，/>
Figure SMS_165
，/>
Figure SMS_167
，/>
Figure SMS_159
。目标函数适应度收敛阈值设为/>
Figure SMS_162
。
b)根据初始粒子群，按式（5）计算目标函数的适应度，获得并记录初始最优个体及其适应度。
c)按式（6）更新粒子速度和位置。
d)按式（5）依次计算粒子群中每个粒子目标函数的适应度，获得本次迭代最小适应度，并与前一次群体迭代获得的最优适应度进行比较，若达到收敛阈值或粒子群最大迭代计算次数，则停止计算，否则按式（6）更新粒子速度和位置，继续下一次迭代。
收敛阈值
Figure SMS_168
判断公式为：
Figure SMS_169
e)最后一次迭代中的适应度最小的粒子作为最优个体，对应弹道为最优弹道，最优个体攻角变化量数值与参考方案
Figure SMS_170
之和，即为对应最优弹道的最优控制量攻角序列。

Claims (7)

1.一种基于参考方案局部搜索多约束弹道优化方法，其特征在于，包括以下步骤：
步骤1：在发射坐标系，以制导火箭的纵平面运动为研究目标，建立制导火箭纵向运动方程；
步骤2：确定弹道目标函数和约束条件，建立弹道优化数学模型；
以一条基准弹道攻角离散序列作为参考，将对应时刻攻角变化量作为优化变量，以落点偏差量为目标函数，以制导火箭落角、落速、弹道高度、最大过载或法向力、热流密度作为约束条件，建立优化数学模型；同时对目标函数和约束条件进行归一化处理；然后采用惩罚函数法，将带约束优化问题转化为无约束优化问题；
步骤3：建立局部搜索改进粒子群优化算法；
将各离散序列上的攻角变化量作为每个粒子各个维度的数值，构成群体中的单个粒子，建立改进的粒子速度和位置更新模型，并用步骤2中的目标函数进行适应度计算，作为粒子优劣程度评价依据；
步骤4：进行弹道迭代优化解算和适应度评价；
设置初始条件，进行迭代计算，当目标函数的适应度收敛时获得最优攻角变化量序列和最优弹道。
2.根据权利要求1所述的一种基于参考方案局部搜索多约束弹道优化方法，其特征在于，所述步骤1中建立的制导火箭纵向运动方程为：
Figure QLYQS_1
（1）
其中，
Figure QLYQS_8
为制导火箭质量，/>
Figure QLYQS_3
为发射坐标系X向速度，/>
Figure QLYQS_14
为发射坐标系Y向速度，/>
Figure QLYQS_7
为发动机推力，/>
Figure QLYQS_15
为轴向力系数，/>
Figure QLYQS_10
为法向力系数，/>
Figure QLYQS_17
为动压，/>
Figure QLYQS_4
为大气密度，/>
Figure QLYQS_13
为制导火箭合速度，/>
Figure QLYQS_2
为发射坐标系轴向位置，/>
Figure QLYQS_12
为发射坐标系纵向位置，/>
Figure QLYQS_5
为弹道倾角，/>
Figure QLYQS_16
为俯仰角，/>
Figure QLYQS_9
为攻角，/>
Figure QLYQS_19
为地球平均半径，/>
Figure QLYQS_11
为发射点大地高度，/>
Figure QLYQS_20
为制导火箭到地心距离，/>
Figure QLYQS_6
为制导火箭离地高度，/>
Figure QLYQS_18
为地球引力系数，S为制导火箭参考面积。
3.根据权利要求2所述的一种基于参考方案局部搜索多约束弹道优化方法，其特征在于，所述步骤2具体为：
步骤2-1：以一条基准弹道攻角离散序列作为参考，在大于制导火箭最大飞行时间的时间段内进行等间距取n个点，所取点对应时刻的攻角离散序列记为
Figure QLYQS_21
，
Figure QLYQS_22
是n个时刻对应的攻角；以对应时刻攻角变化量序列为优化变量，记为
Figure QLYQS_23
，/>
Figure QLYQS_24
是要求解的优化变量，即n个时刻对应的攻角变化量；
步骤2-2：约束条件包括制导火箭落角
Figure QLYQS_25
、落速/>
Figure QLYQS_26
、弹道高度/>
Figure QLYQS_27
、法向力/>
Figure QLYQS_28
、热流密度/>
Figure QLYQS_29
，具体如下：
Figure QLYQS_30
（2）
其中，
Figure QLYQS_33
，/>
Figure QLYQS_36
为法向力系数，/>
Figure QLYQS_39
为动压，/>
Figure QLYQS_32
为大气密度，/>
Figure QLYQS_37
为制导火箭合速度，S为制导火箭参考面积，/>
Figure QLYQS_41
，/>
Figure QLYQS_43
为火箭端头半径；/>
Figure QLYQS_31
为落点弹道倾角约束上限，/>
Figure QLYQS_35
和/>
Figure QLYQS_40
分别为落点处速度约束下限和上限，/>
Figure QLYQS_42
为最大离地高度，/>
Figure QLYQS_34
为最大法向力，/>
Figure QLYQS_38
为最大热流密度；
步骤2-3：优化目标为制导火箭落点偏差量，即目标函数为：
Figure QLYQS_44
（3）
其中
Figure QLYQS_45
分别为制导火箭落点在发射坐标系轴向和纵向位置，/>
Figure QLYQS_46
分别为目标点在发射坐标系轴向和纵向位置；
则弹道优化问题描述为：
Figure QLYQS_47
（4）
步骤2-4：利用惩罚函数法，将上述约束优化问题（4）转化为无约束优化问题，并对目标函数和约束条件进行归一化处理，即：
Figure QLYQS_48
（5）
其中
Figure QLYQS_49
为射程，即发射点至目标点大地线距离，/>
Figure QLYQS_50
为绝对值函数。
4.根据权利要求3所述的一种基于参考方案局部搜索多约束弹道优化方法，其特征在于，所述步骤3具体为：
步骤3-1：目标搜索空间维数为优化变量攻角变化量序列的数量，即为
Figure QLYQS_54
；设群体由/>
Figure QLYQS_58
个粒子构成，/>
Figure QLYQS_61
为第/>
Figure QLYQS_53
个粒子的/>
Figure QLYQS_56
维位置矢量，/>
Figure QLYQS_59
；根据步骤2计算的惩罚函数值/>
Figure QLYQS_62
计算/>
Figure QLYQS_51
当前的适应值用于衡量粒子位置的优劣；设/>
Figure QLYQS_55
为粒子/>
Figure QLYQS_60
的飞行速度，即粒子移动的距离；/>
Figure QLYQS_63
为粒子/>
Figure QLYQS_52
迄今为止搜索到的最优位置，/>
Figure QLYQS_57
为整个粒子群迄今为止搜索到的最优位置；
步骤3-2：对粒子群优化算法进行改进，在每次迭代计算中，粒子速度和位置更新公式如下：
Figure QLYQS_64
（6）
其中，
Figure QLYQS_66
为第k+1次迭代过程中第i个粒子的第d维速度变量，/>
Figure QLYQS_71
为第i个粒子的第d维迄今为止搜索到的最优位置变量，/>
Figure QLYQS_75
为整个粒子群的第d维整个粒子群迄今为止搜索到的最优位置变量，/>
Figure QLYQS_68
为第k+1次迭代过程中第/>
Figure QLYQS_69
个粒子的第d维位置矢量；/>
Figure QLYQS_73
为第k+1次迭代过程中第i个粒子的射程，/>
Figure QLYQS_76
，/>
Figure QLYQS_65
为迭代次数，/>
Figure QLYQS_70
和/>
Figure QLYQS_74
为/>
Figure QLYQS_77
之间的随机数，用来保持群体多样性，/>
Figure QLYQS_67
和/>
Figure QLYQS_72
为学习因子，使粒子具有自我总结和向群体中优秀个体学习的能力，从而向自己的历史最优点以及群体内历史最优点靠近。
5.根据权利要求4所述的一种基于参考方案局部搜索多约束弹道优化方法，其特征在于，所述步骤4具体为：
步骤4-1：设置迭代计算初值；
步骤4-2：根据初始粒子群，按式（5）计算目标函数的适应度，获得并记录初始最优个体及其适应度；
步骤4-3：按式（6）更新粒子速度和位置；
步骤4-4：按式（5）依次计算粒子群中每个粒子目标函数的适应度，获得本次迭代最小适应度，并与前一次群体迭代获得的最优适应度进行比较，若达到收敛阈值或粒子群最大迭代计算次数，则停止计算，否则按式（6）更新粒子速度和位置，继续下一次迭代；
收敛阈值
Figure QLYQS_78
判断公式为：
Figure QLYQS_79
；
其中，
Figure QLYQS_80
为第k+1次迭代过程中整个粒子群迄今为止搜索到的最优位置；
步骤4-5：最后一次迭代中的适应度最小的粒子作为最优个体，对应弹道为最优弹道，最优个体攻角变化量
Figure QLYQS_81
与参考方案/>
Figure QLYQS_82
之和，即为对应最优弹道的最优控制量攻角序列。
6.根据权利要求1所述的一种基于参考方案局部搜索多约束弹道优化方法，其特征在于，所述攻角变化量取值范围为±2°。
7.根据权利要求5所述的一种基于参考方案局部搜索多约束弹道优化方法，其特征在于，所述收敛阈值
Figure QLYQS_83
取值为/>
Figure QLYQS_84
。
CN202310528578.3A 2023-05-11 2023-05-11 一种基于参考方案局部搜索多约束弹道优化方法 Active CN116384256B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310528578.3A CN116384256B (zh) 2023-05-11 2023-05-11 一种基于参考方案局部搜索多约束弹道优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310528578.3A CN116384256B (zh) 2023-05-11 2023-05-11 一种基于参考方案局部搜索多约束弹道优化方法

Publications (2)

Publication Number Publication Date
CN116384256A true CN116384256A (zh) 2023-07-04
CN116384256B CN116384256B (zh) 2023-09-01

Family

ID=86967668

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310528578.3A Active CN116384256B (zh) 2023-05-11 2023-05-11 一种基于参考方案局部搜索多约束弹道优化方法

Country Status (1)

Country Link
CN (1) CN116384256B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117892558A (zh) * 2024-03-14 2024-04-16 西安现代控制技术研究所 一种超远程制导火箭多学科动态优化模型构建方法
CN117892559A (zh) * 2024-03-14 2024-04-16 西安现代控制技术研究所 一种超远程制导火箭总体协调多学科分级优化方法
CN117932793A (zh) * 2024-03-21 2024-04-26 西安现代控制技术研究所 采用耦合迭代优化的制导火箭弹内外弹道联合设计方法
CN117973099A (zh) * 2024-04-02 2024-05-03 北京航空航天大学 一种制导稳定性分析方法、系统及电子设备
CN118133585A (zh) * 2024-05-07 2024-06-04 西安现代控制技术研究所 一种考虑多维力热约束的远程火箭弹道优化方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109063242A (zh) * 2018-06-20 2018-12-21 中国人民解放军国防科技大学 一种基于粒子群算法的制导工具误差辨识方法
CN110750850A (zh) * 2019-07-12 2020-02-04 中国人民解放军国防科技大学 强约束复杂任务条件下的三维剖面优化设计方法、系统及介质
US20200148395A1 (en) * 2018-01-26 2020-05-14 Dalian University Of Technology Method for prediction of key performance parameters of aero-engine in transition condition
US20200201316A1 (en) * 2018-12-21 2020-06-25 Airbus Defence and Space GmbH Method For Operating An Unmanned Aerial Vehicle As Well As An Unmanned Aerial Vehicle
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
CN114117758A (zh) * 2021-11-12 2022-03-01 北京临近空间飞行器系统工程研究所 一种基于粒子群算法的火箭助推段弹道优化方法
CN114440711A (zh) * 2021-12-03 2022-05-06 北京星途探索科技有限公司 一种基于粒子群算法的四级固体运载火箭弹道优化方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20200148395A1 (en) * 2018-01-26 2020-05-14 Dalian University Of Technology Method for prediction of key performance parameters of aero-engine in transition condition
CN109063242A (zh) * 2018-06-20 2018-12-21 中国人民解放军国防科技大学 一种基于粒子群算法的制导工具误差辨识方法
US20200201316A1 (en) * 2018-12-21 2020-06-25 Airbus Defence and Space GmbH Method For Operating An Unmanned Aerial Vehicle As Well As An Unmanned Aerial Vehicle
CN110750850A (zh) * 2019-07-12 2020-02-04 中国人民解放军国防科技大学 强约束复杂任务条件下的三维剖面优化设计方法、系统及介质
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
CN114117758A (zh) * 2021-11-12 2022-03-01 北京临近空间飞行器系统工程研究所 一种基于粒子群算法的火箭助推段弹道优化方法
CN114440711A (zh) * 2021-12-03 2022-05-06 北京星途探索科技有限公司 一种基于粒子群算法的四级固体运载火箭弹道优化方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
HESONG LI, ET AL.: "Trajectory Optimization of Hypersonic Periodic Cruise Using an Improved PSO Algorithm", 《INTERNATIONAL JOURNAL OF AEROSPACE ENGINEERING》 *
周祥 等: "满足大动压模拟要求的试验弹道优化设计", 《国防科技大学学报》 *
张柳;张雪梅;唐琼;申麟;王俊峰;: "基于组合粒子群算法的运载火箭弹道优化设计", 导弹与航天运载技术, no. 06 *
杨靖 等: "基于高斯伪谱法的制导火箭弹总体优化设计研究", 《弹箭与制导学报》 *
高哲 等: "多约束条件下多级运载火箭弹道优化设计", 《飞行力学》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117892558A (zh) * 2024-03-14 2024-04-16 西安现代控制技术研究所 一种超远程制导火箭多学科动态优化模型构建方法
CN117892559A (zh) * 2024-03-14 2024-04-16 西安现代控制技术研究所 一种超远程制导火箭总体协调多学科分级优化方法
CN117932793A (zh) * 2024-03-21 2024-04-26 西安现代控制技术研究所 采用耦合迭代优化的制导火箭弹内外弹道联合设计方法
CN117973099A (zh) * 2024-04-02 2024-05-03 北京航空航天大学 一种制导稳定性分析方法、系统及电子设备
CN118133585A (zh) * 2024-05-07 2024-06-04 西安现代控制技术研究所 一种考虑多维力热约束的远程火箭弹道优化方法

Also Published As

Publication number Publication date
CN116384256B (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
CN116384256B (zh) 一种基于参考方案局部搜索多约束弹道优化方法
CN116341390B (zh) 一种全局搜索快速收敛多约束弹道优化方法
CN107323691B (zh) 一种多约束火星大气进入预测制导方法
CN108416421B (zh) 基于dde改进蝙蝠算法的动态火力分配方法
CN112115544A (zh) 一种基于改进遗传算法的火箭轨迹优化方法
CN111290278B (zh) 一种基于预测滑模的高超声速飞行器鲁棒姿态控制方法
CN114440711B (zh) 一种基于粒子群算法的四级固体运载火箭弹道优化方法
CN117892558B (zh) 一种超远程制导火箭多学科动态优化模型构建方法
CN115562265B (zh) 一种基于改进a*算法的移动机器人路径规划方法
CN110095788A (zh) 一种基于灰狼优化算法的rbpf-slam改进方法
CN112580274A (zh) 一种适用于组合动力高超声速飞机的轨迹优化方法
CN111506114B (zh) 一种飞行器编队控制方法
CN117032275A (zh) 基于罚函数序列凸优化的高超变体飞行器轨迹规划方法
CN115357051B (zh) 变形与机动一体化的规避与突防方法
CN115685764A (zh) 变翼展飞行器任务自适应的抗干扰跟踪控制方法及系统
CN113110576B (zh) 一种可连续切换的自适应固定时间收敛协同制导方法
CN112698666A (zh) 一种基于气象栅格的飞行器航路优化方法
CN112464557B (zh) 基于改进型混合多目标pso的飞翼无人机冗余舵面控制方法
CN114815878A (zh) 基于实时优化和深度学习的高超声速飞行器协同制导方法
CN115049010A (zh) 一种基于进化聚类的多目标分群技术
CN114580138B (zh) 一种基于贝塞尔牛顿的导弹多约束末制导律设计方法
CN117892559B (zh) 一种超远程制导火箭总体协调多学科分级优化方法
Yu et al. Time-optimal trajectory planning of robot based on improved adaptive genetic algorithm
CN112487552A (zh) 基于模糊聚类的飞翼无人机的包线划分以及增益调度方法
CN113742643B (zh) 一种基于系统状态约束的低能耗弹道优化方法

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
GR01 Patent grant
GR01 Patent grant