一种基于粒子蜂群算法的多操纵面控制分配方法及分配系统

技术领域

本发明涉及飞行器操纵面控制分配，具体是涉及一种基于粒子蜂群算法的多操纵面控制分配方法及分配系统。

背景技术

现有飞行器构型大多采用执行机构的冗余结构，通过增加操纵面数量和改进控制策略，有效增强了飞行器的机动性能和操纵精度。同时增强了驾驶员对飞行器的控制和反馈体验。此外，利用冗余结构配置的执行器还可以为机载武器、传感器和通信等装备提供电源和控制支持，增强了飞行器的机动性。执行器冗余结构的使用也可以提高飞行器的隐身性能，减少飞行器被对方探测和攻击的概率，从而为飞行器的作战任务提供更多的保障和可能性。总之，执行器冗余结构的应用是现代飞行器设计和制造的必要趋势，可以为飞行器的性能、安全性和作战能力提供更稳定和可靠的保障。

然而，执行器数量逐渐增加，如何将期望控制指令合理地分配到各个操纵面成为了新的需要解决的问题。多操纵面控制分配技术是解决此问题的有效方法。它能够将控制指令有效地分配到各个操纵面，解决了对驱动冗余配置的掌控。但是，传统的控制分配技术分配效率不高。

发明内容

发明目的：针对以上缺点，本发明提供一种改善飞行器控制性能的基于粒子蜂群算法的多操纵面控制分配方法。

本发明还提供一种基于粒子蜂群算法的多操纵面控制分配系统。

技术方案：为解决上述问题，本发明采用一种基于粒子蜂群算法的多操纵面控制分配方法，包括以下步骤：

(1)基于仿射非线性系统形式的多操作面控制的被控系统，构建多操纵面控制分配模型：

g(x)u＝v

其中，u为操纵面偏转量，v

(2)结合粒子群算法，对人工蜂群算法改进，构造粒子蜂群算法；

(3)基于粒子蜂群算法，以每个蜜源是一个操纵面偏转组合，蜜源对蜜蜂的吸引力是控制分配问题的一个可行解，得到多操纵面控制的最优分配。

进一步的，将被控系统写为如下仿射非线性系统形式：

其中，u为操纵面偏转量，即被控系统的m维控制输入，x是飞行器的n维状态变量，

进一步的，操纵面的位置约束和速率约束有：

其中，u(t)为t时刻的操纵面偏转量，

进一步的，所述步骤(2)中结合粒子群算法，对人工蜂群算法中的引领蜂搜索新的蜜源的公式进行改进，得到：

其中，i为当前搜索的个体，

进一步的，所述步骤(3)中根据飞行器跟踪控制误差最小的原则，建立如下目标函数：

f＝min||g(x)u-v

其中，||||

进一步的，所述步骤(3)中的具体步骤为：

(31)操纵面偏转组合的初始化，并设置最大迭代次数，初始化的公式如下：

其中，rand(0，1)表示生成一个在(0，1)内的随机数；

(32)计算初始操纵面偏转组合的适应度值；

(33)操纵面偏转组合的更新：引领蜂在第i个操纵面偏转组合周围根据改进的搜索公式搜索新的操纵面偏转组合：

同时计算新的操纵面偏转组合的适应度值，若新的操纵面偏转组合比原来的操纵面偏转组合适应度值更好时，则用新的操纵面偏转组合代替原来的操纵面偏转组合，否则不更新；

(34)根据轮盘赌规则计算跟随蜂选择引领蜂的概率；

(35)跟随蜂采用与引领蜂相同的方式进行搜索，并确定是否选择跟随蜂搜索到的新的操纵面偏转组合代替原来引领蜂搜索到的操纵面偏转组合；

(36)判断操纵面偏转组合是否满足被放弃的条件，若满足，则引领蜂变为侦察蜂，去寻找其它的操纵面偏转组合；

(37)判断是否到达最大迭代次数，达到最大迭代次数则输出最优操纵面偏转组合，否则返回步骤(33)。

进一步的，所述步骤(34)中跟随蜂选择引领蜂的概率p

其中，M是操纵面偏转组合目标函数值的平均值，N为操纵面偏转组合的个数，f

进一步的，所述步骤(36)中，若操纵面偏转组合经过trial次迭代搜索到达阈值L后还未更新，那么该操纵面偏转组合将被放弃，引领蜂会转变为侦察蜂，寻找一个新的操纵面偏转组合，新的操纵面偏转组合为：

本发明还采用一种基于粒子蜂群算法的多操纵面控制分配系统，包括多操纵面控制分配模型建立模块，用于基于仿射非线性系统形式的多操作面控制的被控系统，构建多操纵面控制分配模型；

粒子蜂群算法构建模块，用于结合粒子群算法，对人工蜂群算法改进；

分配模块，用于基于粒子蜂群算法，以每个蜜源是一个操纵面偏转组合，蜜源对蜜蜂的吸引力是控制分配问题的一个可行解，得到多操纵面控制的最优分配。

进一步的，所述粒子蜂群算法构建模块中结合粒子群算法，对人工蜂群算法中的引领蜂搜索新的蜜源的公式进行改进。

有益效果：本发明相对于现有技术，其显著优点是通过结合粒子群算法和人工蜂群算法两者的优点，与人工蜂群算法相比，它全局搜索能力更强，克服了容易陷入局部最优的缺陷。与传统的基于广义逆的控制分配方法相比，它考虑到执行器的物理约束，解决了飞行器没有考虑到执行器饱和限制而控制精度降低的问题，提高了飞行器的控制精度，可靠性更高。

附图说明

图1为本发明分配方法的具体流程示意图。

具体实施方式

如图1所示，本实施例中的一种基于粒子蜂群算法的多操纵面控制分配方法，包括以下步骤：

步骤1：基于仿射非线性系统形式的多操作面控制的被控系统，构建多操纵面控制分配模型。

反馈线性化是一种非线性控制系统设计方法，其基本思想是通过非线性反馈或动态补偿的方式将一个非线性系统转化为线性系统，即以非线性“治”非线性。飞行器的非线性动态逆控制以反馈线性化为基础，能够实现控制通道之间的解耦，降低了增益调节的难度，它是一种通用的非线性控制策略。使用动态逆方法的系统可以写为如下仿射非线性形式：

其中，u是m维控制输入，即操纵面偏转量；x是n维状态变量；f(x)，g(x)是与x有关的非线性连续函数向量或矩阵，f(x)是n维函数向量，g(x)是n×m维函数矩阵；y是n维输出量，其等于状态量x。

令u＝g

由奇异摄动理论得出，当系统中两组变量的响应速度相差超过五倍时，可以在时间域对其解耦处理。结合时标分离原理，将飞行器姿态回路的状态变量划分为响应快慢不同的两组：

x

x

较慢回路的仿射非线性形式为：

其中，x

代表除操纵面偏转和角速度产生力之外作用在飞机上的力。表达式如下：

其中，T

代表x

较慢回路的动态逆控制律设计为

根据工程实际，较慢回路的带宽一般选为快回路的五分之一，即ω

飞行器的快回路受到常规操纵面偏转的直接影响，所以将其作为姿态回路的内回路，它的仿射非线性形式如下：

其中，x

其中，

在飞行器姿态回路中，由于油门的响应较慢，所以近似认为油门在姿态回路的响应中值不变。设快回路三个状态变量的响应为一阶惯性环节：

其中，p

对于飞行器姿态回路的控制分配问题而言，通过对状态变量进行时标分离，可以将被控系统写为如下仿射非线性形式：

其中，

令

其中，v

根据操纵面的位置约束和速率约束，则有：

其中，

(2)结合粒子群算法，对人工蜂群算法改进，构造粒子蜂群算法；

人工蜂群算法的核心思想是受到了蜜蜂寻找蜜源和采集蜜的行为的启示。人工蜂群算法主要有三种角色：蜜源、雇佣蜂和非雇佣蜂。蜜源是吸引蜜蜂采蜜的位置，在人工蜂群算法中，蜜源相当于优化问题的可行解。雇佣蜂也叫引领蜂，在人工蜂群算法中，引领蜂的数量等于蜜源的数量。引领蜂具有记忆功能，它会将自己发现的蜜源信息存储并以一定概率的分享给跟随蜂。对于每个蜜源，对应的引领蜂根据式(16)搜索新的蜜源：

其中，i为当前搜索的个体，

非雇佣蜂分为两种，侦察蜂和跟随蜂。侦查蜂的任务是在探索空间中远离所有蜜蜂的位置上进行搜索，以发现更多未知的解。一旦侦查蜂找到了更好的解，它就会返回并更新解向量，使整个群体的解得到优化。跟随蜂的作用是通过广泛而有规律的探索寻找新的解，其根据引领蜂传递的信息在蜜源附近搜索新的蜜源，并进行贪婪选择。如果一个蜜源在经过多次迭代后仍没有更新，则对应的引领蜂会变成侦察蜂，寻找新的蜜源代替原来的蜜源。

粒子群算法是一种全局优化算法，该算法的灵感来自于鸟群或昆虫群。称为粒子的个体集合在整个区域内按步骤移动。每个粒子都在一定程度上被它迄今为止找到的最佳位置所吸引，同时也被种群中任何成员找到的最佳位置所吸引。在每一步，该算法评估每个粒子的目标函数。在这种评估之后，算法决定每个粒子的新速度。粒子移动，然后算法重新评估。它是通过群体中个体之间的协作和信息共享来寻找最优解。

在每次迭代中，粒子群通过式(17)更新：

其中，V

人工蜂群算法和粒子群算法同属于智能优化算法，在全局搜索和局部搜索上各有优劣。人工蜂群算法虽然收敛较慢，且容易陷入局部最优，但是局部搜索能力强。而粒子群算法能根据个体最佳位置和全局最佳位置确定下一步的移动，全局搜索能力强。由此，结合粒子群算法，对人工蜂群算法改进，从而改善它的全局搜索能力，避免陷入局部最优，得到改进后的人工蜂群算法-粒子蜂群算法。对其引领蜂搜索蜜源的方程进行修改：

其中，i为当前搜索的个体，

(3)基于粒子蜂群算法，以每个蜜源是一个操纵面偏转组合，蜜源对蜜蜂的吸引力是控制分配问题的一个可行解，得到多操纵面控制的最优分配。

根据飞行器跟踪控制误差最小的原则，建立如下目标函数：

f＝min||g(x)u-v

其中，g(x)是控制效能函数矩阵，u是控制量，v

本实施例采用的研究对象是具有三个常规舵面和一个推力矢量发动机的飞行器，飞行器的初始状态如下：α＝3.5°，β＝μ＝0°。在此条件下，得到的控制效率矩阵g

算法流程：

(31)种群初始化：

设置操纵面偏转组合个数、引领蜂个数、最大迭代次数和加速度系数，定义侦察蜂阈值L。

在本实施例中，初始化参数如下：操纵面偏转组合个数n＝10，引领蜂个数及蜜源个数等于操纵面偏转组合个数，最大迭代次数为500，加速度系数为0.6，侦察蜂阈值L＝300。蜜源对蜜蜂的吸引力是控制分配问题的一个可行解，目标函数值是f。在操纵面偏转位置上下限之间创建操纵面偏转位置，操纵面偏转组合的位置初始化的公式如下：

其中，

(32)计算每个操纵面偏转组合的适应度值。

(33)引领蜂搜索新的操纵面偏转组合，对新的操纵面偏转组合进行边界处理，如果找到了更好的操纵面偏转组合，则对原来的操纵面偏转组合进行更新。搜索新的操纵面偏转组合的公式为：

其中，

(34)轮盘赌规则产生跟随蜂，跟随蜂在引领蜂附近寻找新的操纵面偏转位置，如果找到了更好的操纵面偏转位置则替代。根据轮盘赌规则计算跟随蜂选择引领蜂的概率：

其中，m是操纵面偏转组合目标函数值的平均值，f

轮盘赌选择法具体来说就是对于一组候选解，首先根据目标函数计算每个候选解的适应度值。由适应度值计算每个候选解的概率，概率越大，被选中的可能性越大。然后对概率进行尺度化处理，使候选解的概率之和为1，然后将所有候选解摆放在0～1的数轴上，它们对应的概率是数轴上的一个小区间。最后生成一个随机数，选取数轴中第一个大于随机数的索引，它对应的引领蜂位置即是我们选择的候选解。

(35)跟随蜂采用与引领蜂相同的方式进行搜索，并确定是否选择跟随蜂搜索到的新的操纵面偏转组合代替原来引领蜂搜索到的操纵面偏转组合；

(36)在搜索迭代过程中，如果操纵面偏转组合经过trial次迭代搜索到达阈值L后还未更新，则放弃这个操纵面偏转位置，引领蜂变为侦察蜂，去寻找其它的操纵面偏转组合。新的操纵面偏转位置为：

(37)判断是否到达最大迭代次数，达到最大迭代次数则输出最优操纵面偏转组合，否则返回步骤(33)。