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
技术领域
[0001] 本
发明涉及高超声速飞行器再入段轨迹优化领域，主要是一种
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。在高超声速飞行器到达再入段后能够给出高超声速飞行器轨迹优化控制策略并转换为飞行器
攻角控制指令，使高超声速飞行器获得更长的
水平飞行距离。
背景技术
[0002] 高超声速飞行器是实现远程快速精确打击和全球快速到达的新型飞行器，在未来的军事、政治和经济中具有十分重要的战略地位，已经成为世界航空航天领域一个极其重要的发展方向，研究和发展高超声速飞行器在开发太空和国家安全方面具有非常重要的意义。
[0003] 在高超声速飞行器的研究中，轨迹优化不仅有利于提高飞行器飞行品质以满足既定任务要求，同时也是完成飞行任务的重要保证和实现机动飞行的必要条件，近些年来一直受到国内外各军事强国的重视，是当前国内外研究的热点和难点。
[0004] 由于从大气从外缘进入大气层，高度和速度的变化范围很大，高超声速飞行器面临各种严峻的再入环境，再入段轨迹优化技术则是保证高超声速飞行器完成飞行任务的关键，对提高其打击范围和落点
精度具有更重要的实用价值。因此，研究高效的高超声速飞行器再入段轨迹优化方法显得尤为重要。
发明内容
[0005] 为了使高超声速飞行器获得更长的水平飞行距离，提高高超声速飞行器的打击范围，本发明提供了一种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。
[0006] 高超声速飞行器再入段轨迹优化问题可以描述为
[0007]
[0008] 其中t表示时间，x(t)表示高超声速飞行器的状态变量，x1(t)表示飞行器海拔高度、x2(t)表示飞行器速度、x3(t)表示飞行器飞行航道倾角、x4(t)表示飞行器水平飞行距离，u(t)表示高超声速飞行器的攻角控制量，为本问题的控制变量； 表示状态变量x(t)的一阶导数，F(x(t),u(t),t)是根据高超声速飞行器再入段三维空间运动方程建立的微分方程组数学模型；t0表示再入段轨迹优化开始的时间点，h0表示优化开始时刻飞行器的初始海拔高度，v0表示优化开始时刻飞行器的初始速度，γ0表示优化开始时刻飞行器的初始飞行航道角，r0表示优化开始时刻飞行器的初始水平飞行距离，tf表示再入段轨迹优化结束时间点，hf表示优化结束时刻飞行器的海拔高度，vf表示优化结束时刻飞行器的速度，γf表示优化结束时刻飞行器的飞行航道角；J[u(t)]表示高超声速飞行器轨迹优化的目标函数即优化结束时刻飞行器的水平飞行距离，G[u(t),x(t),t]是高超声速飞行器再入段过程的约束条件，umin和umax表示攻角控制范围的下限值和上限值。
[0009] 本发明解决其技术问题所采用的技术方案是：一种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，它主要由飞行器海拔高度
传感器、飞行器速度传感器、飞行器飞行航道倾角传感器、飞行器水平飞行距离传感器、高超声速飞行器MCU、飞行器攻角控制器构成。所述飞行器海拔高度传感器、飞行器速度传感器、飞行器飞行航道倾角传感器、飞行器水平航程传感器和飞行器攻角控制器均通过
数据总线与高超声速飞行器MCU相连。所述的高超声速飞行器MCU包括信息采集模
块、初始化模块、系统状态求解模块、收敛性判断模块、智能自适应优化算法模块、控制指令输出模块。
[0010] 所述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的运行过程如下：
[0011] 步骤1)：在高超声速飞行器MCU中输入对应于该飞行器的
气动系数模型、飞行器性能约束条件、
指定优化目标；
[0012] 步骤2)：高超声速飞行器到达再入段后，开启飞行器海拔高度传感器、飞行器速度传感器、飞行器飞行航道倾角传感器和飞行器水平飞行距离传感器，得到高超声速飞行器当前的海拔高度、速度、飞行航道倾角和飞行水平距离状态信息；
[0013] 步骤3)：飞行器MCU根据设定的海拔高度、速度、飞行航道倾角要求执行内部智能自适应优化算法，得到使高超声速飞行器水平飞行距离最长的轨迹优化控制策略；
[0014] 步骤4)：高超声速飞行器MCU将获得的轨迹优化控制策略发送给控制策略输出模块，并转换为控制指令发送给飞行器攻角控制器执行。
[0015] 所述步骤3包括以下子步骤：
[0016] 步骤3.1)：信息采集模块获取步骤2得到的高超声速飞行器当前的海拔高度、速度、飞行航道倾角和飞行水平距离状态信息；
[0017] 步骤3.2)：采用控制变量参数化方法对系统模型的控制变量进行离散。初始化各项参数，设置轨迹优化过程时间的分段数NE，在全局范围内随机生成数量为N的初始细胞种群，设置细胞伸缩间隔的常量r1和r2，细胞可见度的常量v1和v2，最大
迭代次数max_iters，初始迭代次数k＝0。
[0018] 步骤3.3)：通过系统状态求解模块获得第k次迭代种群个体i的目标函数值 记录种群的平均目标值 及最优目标值 更新第k次迭代的种群最优解
[0019] 步骤3.4)：执行收敛性判断模块，若当前迭代次数k达到最大迭代次数max_iters，则停止迭代，以当前种群最优解作为最优控制策略的离散解，经控制指令输出模块输出；否则，迭代次数k加1，执行步骤3.5。
[0020] 步骤3.5)：执行智能自适应优化算法模块，将种群按照模糊C均值算法分为C1、C2、C3和C4四类，各类中的个体通过生成反射reflection及可见性visibility来更新细胞状态并独立地进行搜索，其中C1、C4类在全局范围内搜索最优解，C2、C3类在最优解的邻域内寻优，同时各类根据个体的适应度自适应调整权重分布，执行完此步后跳转至步骤3.3)。
[0021] 所述步骤3.3中，所述的系统状态求解模块，采用如下求解公式：
[0022]
[0023] 其中，tm表示选择的积分时刻，tm+1表示位于时刻tm后的积分时刻，并且tm+1＝tm+h，h为积分步长，F(·)是描述状态微分方程的函数，K1、K2、K3、K4分别表示积分过程中的4个
节点的函数值。
[0024] 所述步骤3.5具体包括以下子步骤：
[0025] 步骤3.5.1)：利用模糊C均值算法将种群分为C1、C2、C3、C4四类，其中C1类及C4类在全局范围内进行搜索，C2类及C3类在最优解的邻域内搜索，各类通过生成反射及可见性得到更新的细胞Snew，由公式(2)确定
[0026] Snew＝reflection+visibility (2)
[0027] 各类更新细胞状态的过程如下：
[0028] 步骤3.5.2)：C1类中的细胞由式(3)和式(4)生成反射及可见性：
[0029]
[0030]
[0031] 其中 表示C1中第i个细胞在第j维上的
位置，Soptj表示最优解在第j维上的位置，j＝{1,2,3}，分别表示x、y、z坐标，R和V表示细胞的反光程度与可见程度，可由式(5)和(6)得到：
[0032] R＝random()×(r1-r2)+r2 (5)
[0033] V＝random()×(v1-v2)+v2 (6)
[0034] 式中r1和r2是表示细胞伸缩间隔的两个常数，v1和v2是表示细胞可见度的两个常数，初始化参数时已给出。
[0035] 步骤3.5.3)：C2类中细胞的反射与可见性由式(7)和式(8)确定：
[0036] reflectionj＝R×Soptj (7)
[0037]
[0038] 其中 表示C2中第i个细胞在第j维上的位置，R和V仍由式(5)(6)得到。
[0039] 步骤3.5.4)：C3类中细胞反射过程由式(7)确定，用(9)式表示其可见性：
[0040]
[0041] 其中 表示Soptj平均值。
[0042] 步骤3.5.5)：C4类由式(10)随机更新个体
[0043] Snewj＝random()×(Lj-lj)+lj (10)
[0044] 其中Lj和lj表示在第j维上搜索的上、下界。
[0045] 对通过上述细胞更新过程得到的Snew，若与当前最优解Sopt对应的目标函数值满足关系 则用Snew替换当前最优解。
[0046] 步骤3.5.6)：为提高各类细胞的搜索效率，增强C1、C4类个体的全局搜索能
力，改善C2、C3类的局部寻优能力，根据个体适应度自适应调整权重分布：具体如下：
[0047] 3.5.6.1)对于C1中适应度较差的个体，即目标值小于平均值Javg的个体，应适当的增大其权重，对于大于平均值的个体，采用余弦函数设置权重，以保持其较强的全局搜索能力，并且在后期能进行更细致的搜索。
[0048]
[0049] 其中wa、wb、和wc为限制权重取值范围的常数，且满足wa＞wb＞wc，k为当前迭代次数，max_iters为最大迭代次数。
[0050] 3.5.6.2)C2类对目标值越小的个体权重设置越大，同时为改善种群迭代过程中的多样性，对适应度较好的即接近全局最优解的个体，设置较大的权重。
[0051]
[0052] 其中Jopt为当前最优解对应的目标值。
[0053] 3.5.6.3)C3类通过余弦函数更新权重，为提高该类个体的局部搜索能力，随着迭代次数的增大不断缩小搜索范围。
[0054]
[0055] 其中wd为小于1的常数。
[0056] 在新一轮的迭代过程中各类细胞生成反射及可见性时需要加入上述权重因子，更新细胞状态的公式
变形为
[0057]
[0058] 其中wi∈{w1,w2,w3}。
[0059] 本发明的有益效果主要表现在：所述的智能自适应优化算法通过对种群分类进行独立地搜索，并根据个体适应度自适应调整权重，保证种群在具有较强的全局搜索能力的同时，也能增强局部细致搜索能力，从而获得高寻优精度的轨迹优化攻角控制指令，提高高超声速飞行器打击范围。
附图说明
[0060] 图1是一种基于智能自适应优化算法的高超声速飞行器再入轨迹优化控制器的结构示意图；
[0061] 图2是一种基于智能自适应优化算法的高超声速飞行器再入轨迹优化控制器的高超声速飞行器MCU内部模块结构图。
具体实施方式
[0063] 基于智能自适应优化算法的高超声速飞行器再入轨迹优化控制器的结构如图1所示，假设高超声速飞行器到达再入段
空域，高超声速飞行器海拔高度传感器3、飞行器速度传感器4、飞行航道倾角传感器5、水平飞行距离传感器6和MCU2均已开启。信息采集模块9立即采集飞行器进入再入段时的初始海拔高度、速度、飞行航道倾角和水平飞行距离，设当前初始时刻t0＝0s，海拔高度传感器传入MCU的海拔高度为h0＝80 000m，速度传感器传入MCU的速度为v0＝6400m/s，飞行航道倾角传感器传入MCU的飞行航道倾角为γ0＝-0.052rad，水平飞行距离传感器感器传入MCU的水平飞行距离为r0＝0m；终值时刻tf高超声速飞行器需要满足的条件为海拔高度设定为hf＝24000m，速度设定为vf＝760m/s，飞行航道倾角设定为γf＝-0.08rad；结合飞行器的三维空间运动方程、气动系数模型、飞行器性能约束条件和指定优化目标，得到该问题的数学模型如下：
[0064]
[0065] 其中L表示升力，D表示阻力，CL表示升力系数，CD表示阻力系数。
[0066] 为了便于表述，采用F(x(t),u(t),t)表示高超声速飞行器再入段三维空间运动方程建立的微分方程组数学模型，即：
[0067]
[0068] 采用G[u(t),x(t),t]表示高超声速飞行器再入段过程的约束条件，为：
[0069]
[0070] 此外，J[u(t)]表示高超声速飞行器轨迹优化的目标函数即优化结束时刻飞行器的水平飞行距离。
[0071] 高超声速飞行器MCU自动产生攻角控制指令的智能自适应优化算法如图2所示，其运行步骤如下：
[0072] 步骤1)：在高超声速飞行器MCU2中输入对应于该飞行器的气动系数模型、飞行器性能约束条件、指定优化目标1；
[0073] 步骤2)：高超声速飞行器到达再入段后，开启飞行器海拔高度传感器3、飞行器速度传感器4、飞行器飞行航道倾角传感器5和飞行器水平飞行距离传感器6，得到高超声速飞行器当前的海拔高度、速度、飞行航道倾角和飞行水平距离状态信息；
[0074] 步骤3)：飞行器MCU 2根据设定的海拔高度、速度、飞行航道倾角要求自动执行内部智能自适应优化算法模块13，得到使高超声速飞行器水平飞行距离最长的轨迹优化控制策略；
[0075] 步骤4)：高超声速飞行器MCU 2将获得的轨迹优化控制策略发送给控制策略输出模块，并转换为控制指令发送给飞行器攻角控制器8执行。
[0076] 所述的高超声速飞行器MCU部分如图2所示，包括信息采集模块9、初始化模块10、系统状态求解模块11、收敛性判断模块12、智能自适应优化算法模块13、控制指令输出模块14。其中，信息采集模块9包括飞行器海拔高度和速度采集、飞行器飞行航道倾角和飞行水平距离采集、飞行器海拔高度和速度设定采集、飞行器飞行航道倾角设定采集、飞行器的气动系数模型和性能约束条件以及指定优化目标参数采集五个子模块。
[0077] 所述的高超声速飞行器MCU自动产生攻角控制指令的智能自适应优化算法运行步骤如下：
[0078] 步骤1)：高超声速飞行器到达再入段后，飞行器海拔高度传感器、飞行器速度传感器、飞行器飞行航道倾角传感器和飞行器水平飞行距离传感器开启，信息采集模块9获取初始时刻t0＝0s时高超声速飞行器海拔高度h0＝80 000m，速度为v0＝6400m/s，飞行航道倾角为γ0＝-0.052rad，水平飞行距离传感器感器水平飞行距离设置为r0＝0m；终值时刻tf高超声速飞行器海拔高度要求设定为hf＝24000m，速度要求设定为vf＝760m/s，飞行航道倾角要求设定为γf＝-0.08rad；；
[0079] 步骤2)：初始化模块10开始运行，采用控制变量参数化方法对系统模型的控制变量进行离散。设置轨迹优化过程时间的分段数NE，在全局范围内随机生成数量为N的初始细胞种群，设置细胞伸缩间隔的常量r1和r2，细胞可见度的常量v1和v2，最大迭代次数max_iters，初始迭代次数k＝0。
[0080] 步骤3)：通过系统状态求解模块11，获得第k次迭代种群个体i的目标函数值 记录种群的平均目标值 及最优目标值 更新第k次迭代的种群最优解
[0081] 步骤4)：执行收敛性判断模块12，若当前迭代次数k达到最大迭代次数max_iters，则停止迭代，以当前种群最优解作为最优控制策略的离散解，经控制指令输出模块输出；否则，迭代次数k加1。
[0082] 步骤5)：执行智能自适应优化算法模块13，将种群按照模糊C均值算法分为C1、C2、C3和C4四类，各类中的个体通过生成反射reflection及可见性visibility来更新细胞状态并独立地进行搜索，其中C1、C4类在全局范围内搜索最优解，C2、C3类在最优解的邻域内寻优，同时各类根据个体的适应度自适应调整权重分布，执行完此步后跳转至步骤3)。
[0083] 所述的智能自适应优化算法模块13的运行过程如下：
[0084] 步骤1)：利用模糊C均值算法将种群分为C1、C2、C3、C4四类，其中C1类及C4类在全局范围内进行搜索，C2类及C3类在最优解的邻域内搜索，各类通过生成反射及可见性得到更新的细胞Snew，由公式(33)确定
[0085] Snew＝reflection+visibility (33)
[0086] 各类更新细胞状态的过程如下：
[0087] 步骤2)：C1类中的细胞由式(34)和式(35)生成反射及可见性：
[0088]
[0089]
[0090] 其中 表示C1中第i个细胞在第j维上的位置，Soptj表示最优解在第j维上的位置，j＝{1,2,3}，分别表示x、y、z坐标，R和V表示细胞的反光程度与可见程度，可由式(36)和(37)得到：
[0091] R＝random()×(r1-r2)+r2 (36)
[0092] V＝random()×(v1-v2)+v2 (37)
[0093] 式中r1和r2是表示细胞伸缩间隔的两个常数，v1和v2是表示细胞可见度的两个常数，初始化参数时已给出。
[0094] 步骤3)：C2类中细胞的反射与可见性由式(38)和式(39)确定：
[0095] reflectionj＝R×Soptj (38)
[0096]
[0097] 其中 表示C2中第i个细胞在第j维上的位置，R和V仍由式(36)、37)得到。
[0098] 步骤4)：C3类中细胞反射过程由式(38)确定，用(40)式表示其可见性：
[0099]
[0100] 其中 表示Soptj平均值。
[0101] 步骤5)：C4类由式(41)随机更新个体
[0102] Snewj＝random()×(Lj-lj)+lj (41)
[0103] 其中Lj和lj表示在第j维上搜索的上、下界。
[0104] 对通过上述细胞更新过程得到的Snew，若与当前最优解Sopt对应的目标函数值满足关系 则用Snew替换当前最优解。
[0105] 步骤6)：为提高各类细胞的搜索效率，增强C1、C4类个体的全局搜索能力，改善C2、C3类的局部寻优能力，根据个体适应度自适应调整权重分布：
[0106] 6.1)对于C1中适应度较差的个体，即目标值小于平均值Javg的个体，应适当的增大其权重，对于大于平均值的个体，采用余弦函数设置权重，以保持其较强的全局搜索能力，并且在后期能进行更细致的搜索。
[0107]
[0108] 其中wa、wb、和wc为限制权重取值范围的常数，且满足wa＞wb＞wc，k为当前迭代次数，max_iters为最大迭代次数。
[0109] 6.2)C2类对目标值越小的个体权重设置越大，同时为改善种群迭代过程中的多样性，对适应度较好的即接近全局最优解的个体，设置较大的权重。
[0110]
[0111] 其中Jopt为当前最优解对应的目标值。
[0112] 6.3)C3类通过余弦函数更新权重，为提高该类细胞的局部搜索能力，随着迭代次数的增大不断缩小搜索范围。
[0113]
[0114] 其中wd为小于1的常数。
[0115] 在新一轮的迭代过程中各类细胞生成反射及可见性时需要加入上述权重因子，更新细胞状态的公式变形为
[0116]
[0117] 其中wi∈{w1,w2,w3}。
[0118] 最后，飞行器MCU将获得的优化轨迹作为指令输出到控制策略输出模块，转换为控制指令发送给攻角控制器8，完成轨迹优化的执行。
[0119] 以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
