发明内容
为解决上述技术问题,本申请提供一种火箭子级垂直回收控制方法、计算设备及可读存储介质,具有更强大的优化性能,能够实现全局范围内的搜索,同时在局部范围内进行优化,有效解决了火箭子级垂直回收系统中的复杂优化问题。
一种火箭子级垂直回收控制方法,包括:
建立物理动力学模型,对物理动力学模型中的物理参数和控制参数进行定义;
使用遗传算法生成代表火箭子级的回收轨迹和控制参数的初始解种群;
通过模拟退火算法进行种群局部搜索和优化,优化火箭子级的回收轨迹;
通过蚁群算法进行火箭子级的路径选择和种群局部搜索,优化火箭子级的姿态和速度控制参数;
运用遗传算法,找到火箭子级最优的降落点坐标和控制参数组合,使火箭子级在回收过程中达到预期的降落点位置。
优选的,所述物理参数包括:位置、速度、加速度、质量、空气阻力系数、受力、推力和推进剂消耗速率;所述控制参数包括:俯仰角、滚转角、偏航角和控制力矩。
优选的,所述通过模拟退火算法进行种群局部搜索和优化,优化火箭子级的回收轨迹包括:
根据火箭子级的初始状态和初始参数,生成表示初始的回收轨迹和降落点坐标的初始解;
通过在当前解的邻域内搜索,产生邻域解;
根据Metropolis接受准则判断邻域解是否被接受;
将降落点坐标与目标降落点坐标之间的距离关系函数定义为目标函数;
根据Metropolis接受准则的结果更新当前解和目标函数值;
降低温度,使当前解逐渐收敛于优化的降落点坐标,实现火箭子级回收轨迹的优化。
优选的,所述根据Metropolis接受准则判断邻域解是否被接受时,
若目标函数值小于当前解的目标函数值,则接收新解;
若目标函数值不小于当前解的目标函数值,则以一定概率接受新解;
如果随机数小于概率值,则接受新解,否则保持当前解不变;
其中,所述概率计算公式如下:
;
式中,为概率,/>为当前解的目标函数值,/>为新解的目标函数值,/>为当前温度;
其中,;
式中,为冷却系数,/>前一循环温度。
优选的,所述降低温度,使当前解逐渐收敛于优化的降落点坐标,实现火箭子级回收轨迹的优化之后,还包括:
计算降落点坐标与目标着陆点之间的欧氏距离:
对着陆点周围障碍物的位置坐标进行复核,判断降落点是否与障碍物相交或过于接近,评估火箭子级垂直回收安全性;
其中,降落点坐标与目标着陆点之间的欧氏距离公式为:
;
式中,为降落点坐标与目标着陆点之间的欧氏距离,/>为降落点的x轴坐标,/>为降落点的y轴坐标,/>为目标着陆点的x轴坐标,/>为目标着陆点的y轴坐标。
优选的,所述通过蚁群算法进行火箭子级的路径选择和种群局部搜索,优化火箭子级的姿态和速度控制包括:
初始化一个蚂蚁群体,每只蚂蚁表示一种火箭子级姿态和速度控制方案;
蚂蚁根据当前的姿态和速度控制方案移动,并根据设定的降落点规则和信息素信息更新规则,选择下一个姿态和速度控制方案;
定义一个用于评估每个蚂蚁解决方案优劣的目标函数;
根据蚂蚁群体中蚂蚁经过的路径和目标函数值,更新信息素矩阵;
进行多次迭代,直至收敛,停止蚂蚁的移动,得出最优火箭子级的姿态和速度控制参数。
优选的,蚂蚁选择下一个降落点规则的量化公式为:
;
式中,表示蚂蚁在当前位置 i 选择下一个位置 j 的概率,/>表示从位置 i到位置 j 的信息素浓度,/>表示从位置 i 到位置 j 的启发式信息,α和 β 是控制信息素和启发式信息在选择过程中的重要性的参数;
其中,;
式中,表示从位置 i 到位置 j 的信息素浓度,/>是信息素的挥发率,控制信息素的消散程度,/>表示每个蚂蚁在路径上释放的信息素量,可以根据降落点的效果进行计算。
优选的,所述运用遗传算法,找到火箭子级最优的降落点坐标和控制参数组合,使火箭子级在回收过程中达到预期的降落点位置包括:
初始化一个种群,种群中每个个体表示一种控制参数的组合,所述控制参数包括速度、姿态以及降落点坐标;
对于每个个体,根据其控制参数的组合,计算降落点坐标与目标降落点坐标之间的距离,并将该距离作为个体的适应度;
根据个体的适应度值,采用轮盘赌选择或排名选择作为选择操作来选择优秀的个体作为下一代的父代;
对于选定的父代个体,进行遗传操作,生成新的子代个体,并生成下一代种群;
进行多迭代,直至满足收敛条件,得到优化的降落点坐标并记录与降落点坐标对应的控制参数组合。
根据本申请的另一方面,还提供一种计算设备,包括:处理器、存储有计算机程序的存储器,所述计算机程序被处理器运行时,执行所述的火箭子级垂直回收控制方法。
根据本申请的另一方面,还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机指令,当所述指令在计算机上运行时,使得计算机执行所述的火箭子级垂直回收控制方法。
与现有技术相比,本申请至少具有以下有益效果:
1、本发明引入了基于模拟退火算法、蚁群算法和遗传算法的混合优化算法,相比于传统的单一优化算法,具有更强大的优化性能,能够实现全局范围内的搜索,同时在局部范围内进行优化,有效解决了火箭子级垂直回收系统中的复杂优化问题。
2、本发明的混合优化算法能够通过优化回收轨迹规划和控制算法,提高回收过程的准确性和稳定性,显著提高火箭子级垂直回收系统的回收成功率,降低回收过程中的风险和损失。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
火箭子级垂直回收系统是一种用于回收可重复使用的火箭子级的系统。在这个系统中,火箭子级在完成任务后进行垂直回收,并通过精确的控制来实现安全的着陆。
如图1所示,一种火箭子级回收控制方法,包括以下步骤:
步骤S1、建立物理动力学模型,对物理动力学模型中的物理参数和控制参数进行定义。
其中,所述物理参数包括:位置、速度、加速度、质量、空气阻力系数、受力、推力和推进剂消耗速率。
位置:,/> , />;
其中,为t时刻火箭子级在X轴方向的坐标,/>为t时刻火箭子级在Y轴方向的坐标,/>为t时刻火箭子级在Z轴方向的坐标;
速度:
;
式中,为t时刻火箭子级的速度,/>为t时刻火箭子级在X轴方向上的速度分量,/> 为t时刻火箭子级在Y轴方向上的速度分量,/>为t时刻火箭子级在Z轴方向上的速度分量;
加速度:
;
为t时刻火箭子级的加速度,/>为t时刻火箭子级在X轴方向上的速度,/>为t时刻火箭子级在Y轴方向上的速度,/>为t时刻火箭子级在Z轴方向上的速度;
质量:m;
重力加速度:g;
空气阻力系数:Cd;
受力:
;
式中,为受力;
推力:T(t);
推进剂消耗速率:dm/dt;
所述控制参数包括:俯仰角、滚转角、偏航角和控制力矩。
俯仰角:θ(t);
滚转角:φ(t);
偏航角:ψ(t);
控制力矩:M(t);
此外,还包括优化模型参数,包括控制参数和降落点参数。
控制参数:θ_opt(t), φ_opt(t), ψ_opt(t);
其中,θ_opt(t)为俯仰角控制参数, φ_opt(t)为滚转角控制参数, ψ_opt(t)为偏航角控制参数;
降落点参数:,/>,/>;
其中,为火箭子级在X轴方向的降落点坐标,/>为火箭子级在Y轴方向的降落点坐标,/>为火箭子级在Z轴方向的降落点坐标。
步骤S2、使用遗传算法生成代表火箭子级的回收轨迹和控制参数的初始解种群。
步骤S3、通过模拟退火算法进行种群局部搜索和优化,优化火箭子级的回收轨迹。
模拟退火算法是一种启发式全局优化算法,灵感来自于固体退火过程。在火箭子级垂直回收系统中,模拟退火算法用于探索搜索空间中的解,并逐步接受一定概率的劣解,以避免陷入局部最优解。模拟退火算法通过温度参数的降低来控制搜索过程,使得系统能够在解空间中进行全局搜索和优化。
步骤S4、通过蚁群算法进行火箭子级的路径选择和种群局部搜索,优化火箭子级的姿态和速度控制参数。
蚁群算法是一种启发式优化算法,灵感来自于蚂蚁在寻找食物时的行为。在火箭子级垂直回收系统中,蚁群算法用于路径选择和局部搜索。模拟蚂蚁在路径选择上的信息素沉积和挥发过程,该算法通过蚂蚁之间的信息共享和正反馈机制,以模拟蚂蚁在搜索过程中的行为。蚁群算法能够帮助系统在局部搜索空间中找到更优的解,并为火箭子级垂直回收过程提供优化的路径选择。
步骤S5、运用遗传算法,找到火箭子级最优的降落点坐标和控制参数组合,使火箭子级在回收过程中达到预期的降落点位置。
遗传算法是一种启发式优化算法,灵感来自于自然界中的进化过程。在火箭子级垂直回收系统中,遗传算法通过模拟选择、交叉和变异等遗传操作,生成新的解,并根据适应度评估筛选出优秀的个体。遗传算法利用种群进化和逐代迭代的方式,通过优胜劣汰的机制,不断优化解空间中的个体,以找到最优解。在火箭子级垂直回收系统中,遗传算法可以帮助优化控制策略,提高回收的精度和稳定性,使火箭子级在回收过程中达到预期的降落点位置。
作为本发明的一个实施例,还可以将模拟退火算法、蚁群算法和遗传算法进行其他顺序的组合,利用它们各自的优势进行协同优化。
通过交替进行优化操作,不断改进种群的解。每个算法的具体计算公式在相应的步骤中被应用,以提高全局搜索能力和局部优化能力。最终,我们可以得到更优的降落点组合,以解决火箭子级垂直回收系统中的优化问题。
作为本发明的一个实施例,一种火箭子级垂直回收控制方法,还包括:
步骤S6、对火箭子级垂直回收控制方法进行实验验证和优化调整。
通过模拟实验、仿真测试或实际场景验证,收集数据并分析系统的性能指标。根据实验结果,对优化算法、参数设置和控制策略进行调整和优化,以进一步提高回收系统的性能和稳定性。
作为本发明的一个实施例,通过模拟退火算法进行种群局部搜索和优化,优化火箭子级的回收轨迹包括以下过程:
初始化:
设置初始温度(T_initial)和初始解。假设初始解为火箭子级的降落点坐标(x,y)。
外循环(温度调度循环):
当前温度(T_current)等于初始温度(T_initial)。
内循环(搜索循环):
在当前温度下进行一系列的状态转移和解的更新。
生成新解的方式是随机扰动火箭子级的降落点坐标,本专利中通过添加一个随机的偏移量(dx, dy)来获得新的降落点坐标(x_new, y_new)。计算当前解的目标函数值(f_current)和新解的目标函数值(f_new)。
根据Metropolis准则判断是否接受新解:
如果f_new<f_current,则接受新解。
如果f_new f_current,则以一定概率接受新解,概率计算如下:
;
式中,为概率,/>为当前解的目标函数值,/>为新解的目标函数值,/>为当前温度。
如果随机数小于P,则接受新解,否则保持当前解不变。
根据接受准则的结果更新当前解和目标函数值。
根根据冷却策略调整温度:
;
式中,为冷却系数, 介于0.8和0.99之间,/>前一循环温度。重复内循环直到满足停止条件。返回最优解或近似最优解,即具有最小目标函数值的降落点坐标。在火箭子级垂直回收系统中,可以量化计算目标函数值,以评估每个解的优劣。
重复内循环直到满足停止条件。返回最优解或近似最优解,即具有最小目标函数值的降落点坐标。在火箭子级垂直回收系统中,可以量化计算目标函数值,以评估每个解的优劣。
计算降落点坐标(x, y)与目标着陆点之间的欧氏距离:
;
式中,为降落点坐标与目标着陆点之间的欧氏距离,/>为降落点的x轴坐标,/>为降落点的y轴坐标,/>为目标着陆点的x轴坐标,/>为目标着陆点的y轴坐标。
通过和着陆点周围障碍物的位置坐标进行复核,判断降落点是否与障碍物相交或过于接近,从而评估火箭子级垂直回收安全性。
根据以上量化计算方法,本专利将目标函数定义为综合考虑距离、安全距离和姿态稳定性的指标,然后使用模拟退火算法进行优化。算法将根据初始解和温度调度循环逐步搜索并更新解,通过接受新解或以一定概率接受新解的方式,不断改善解的质量,最终找到最优解或近似最优解,即具有最小目标函数值的降落点坐标。
作为本发明的一个实施例,所述通过蚁群算法进行火箭子级的路径选择和种群局部搜索,优化火箭子级的姿态和速度控制包括以下过程:
初始化:
创建一组蚂蚁,并随机放置在火箭子级可能的降落点上。初始化信息素矩阵,记录火箭子级降落点之间的信息素浓度。
迭代更新:
在每次迭代中,每只蚂蚁按照一定的规则选择下一个降落点,并更新信息素矩阵。蚂蚁选择下一个降落点的规则可以基于以下公式进行量化计算:
;
式中,表示蚂蚁在当前位置 i 选择下一个位置 j 的概率,/>表示从位置 i到位置 j 的信息素浓度,/>表示从位置 i 到位置 j 的启发式信息,α和 β 是控制信息素和启发式信息在选择过程中的重要性的参数。
假设共有 N 只蚂蚁,对于第 m 只蚂蚁,可以计算其选择下一个降落点的概率:
;
信息素更新:
当所有蚂蚁完成一次降落点选择后,根据降落点的效果更新信息素矩阵。信息素的更新基于以下公式进行量化计算:
;
式中,表示从位置 i 到位置 j 的信息素浓度,/>是信息素的挥发率,控制信息素的消散程度,/>表示每个蚂蚁在路径上释放的信息素量,可以根据降落点的效果进行计算。
假设共有 M 个降落点,对于第 m 个降落点,可以计算其信息素的更新量:
。
重复迭代:
重复迭代过程,直到满足收敛条件。返回最优解或近似最优解,即具有最佳降落效果的降落点。收敛条件可以根据实验获得。
作为本发明的一个实施例,所述运用遗传算法,找到火箭子级最优的降落点坐标和控制参数组合,使火箭子级在回收过程中达到预期的降落点位置包括以下过程:
初始化种群:
在这一步骤中,创建一个初始种群,其中每个个体表示一组可能的降落点。假设我们初始化种群大小为 N。
适应度评估:
对于每个个体,我们需要计算其降落点的适应度值。假设降落点的适应度值可以通过一个函数 f(x) 来表示,其中 x 表示降落点的参数。我们可以对每个个体计算适应度值:
fitness(i) = f(x(i));
其中 i 表示个体的索引。
选择操作:
在选择操作中,根据个体的适应度值来选择下一代的父代个体。选择操作采用轮盘赌选择方法,个体 i 被选择的概率可以通过以下公式计算:
P(i) = fitness(i) / Σ(fitness(j));
其中 fitness(j) 表示所有个体的适应度值之和。
交叉操作:
在交叉操作中,从父代个体中选择一对个体进行交叉操作生成子代个体。采用单点交叉方法,选择一个交叉点 k,然后进行交叉操作。
交叉操作可以使用以下公式实现:
offspring1 = parent1[:k] + parent2[k:];
offspring2 = parent2[:k] + parent1[k:];
变异操作:
在变异操作中,我们对子代个体进行变异操作以增加种群的多样性。我们使用基于概率的变异方法,其中变异率为 mutation_rate。
变异操作可以通过以下公式实现:
if random()<mutation_rate:
mutate(gene);
新一代的形成:
将父代个体和子代个体组合形成新一代种群。
重复迭代:
进行重复迭代,直到收敛后停止,返回最优解。
这样可以让遗传算法在解空间中搜索,并逐渐收敛于优化的降落点坐标和控制参数组合。控制参数优化和降落点坐标优化是密切相关的。通过遗传算法的遗传操作,可以搜索到更优的控制参数组合,这些控制参数会影响火箭子级的姿态、速度等,从而影响降落点坐标的实际结果。因此,遗传算法通过优化控制参数,间接地实现了对降落点坐标的优化。降落点坐标本身可以看作是控制参数的一种,因为它也是一种可调节的参数。通过遗传算法的优化过程,可以找到最优的降落点坐标和控制参数组合,使火箭子级在回收过程中达到预期的降落点位置。因此,遗传算法在优化降落点坐标的同时,也优化了控制参数,从而实现了对火箭子级姿态和速度的控制。可以说降落点坐标是遗传算法优化的目标之一,同时也是优化过程中的一种重要控制参数。通过不断迭代优化,遗传算法能够找到最佳的控制参数组合,使火箭子级能够精确地垂直回收并降落在目标点上。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。