[发明专利]一种基于非劣解鸽群优化的无人机集群编队控制方法

摘要

本发明是一种基于非劣解鸽群优化的无人机集群编队控制方法，其实现步骤为：步骤一：无人机集群编队模型；步骤二：无人机集群编队状态预测；步骤三：初始化非劣解鸽群优化方法的参数；步骤四：基于非劣解鸽群优化的方法设计；步骤五：基于非劣解鸽群优化的无人机集群编队RHC控制器设计；步骤六：无人机集群编队控制方法结果输出。该方法旨在提供一种实时、在线优化无人机集群编队控制器的方法，从而有效提高复杂战场环境下的无人机集群编队的控制水平。

主权项

1.一种基于非劣解鸽群优化的无人机集群编队控制方法，其特征在于：该方法具体步骤如下：步骤一：无人机集群编队模型采用长机‑僚机方法的基础上对无人机集群进行建模；其中，长机模型为利用马蹄涡模型考虑长机尾流对僚机的气动影响，僚机模型为其中，是无人机实际的位置(x,y,z)的导数，ζ为z的导数，为编队的期望距离，为僚机速度回路的时间常数，表示僚机航向角回路的时间常数，ψ_W,V_W,h_W分别代表僚机的实际航向角、速度和高度，即为对应的僚机控制输入的航向角、速度和高度；类似地，ψ_L,V_L,h_L及为长机的实际航向角、速度和高度以及控制输入的航向角、速度和高度；τ_a,τ_b为无人机在高度通道上小于0的时间常数，S表示机翼面积，m为总质量，是侧力导数的变化在y方向的梯度，为侧力导数的变化在z方向的梯度，表示升力导数的变化在y方向的梯度，为阻力导数的变化在z方向的梯度；步骤二：无人机集群编队状态预测根据步骤一可知，忽略非线性部分，无人机的模型可以简化成其中，A和B是系数矩阵，X＝[x₁,x₂,…,x_k,…,x_N],x_k＝[x,y,V_W,ψ_W,z,ζ]^T为无人机在第k时刻的状态；表示第k时刻的控制输入量；无人机在第k+1时刻的状态可由第k时刻的状态进行估计，两状态之间的关系可表示为x_k+1＝Ax_k+Bu_k   (4)其中，x_k+1为无人机在第k+1时刻的状态；步骤三：初始化非劣解鸽群优化方法的参数假设鸽群的总数量为N，分别初始化N只鸽子的位置X₀及速度V₀，第i只鸽子的位置表示为X_i＝[x_i1,x_i2,x_i3,…,x_iD]，第i只鸽子的速度表示为V_i＝[v_i1,v_i2,v_i3,…,v_iD]，i＝1,2,…N，D为每只鸽子的位置及速度的维度，即待优化参数的个数；设置地图‑指南针算子阶段的总循环次数为T₁，地标算子阶段的循环次数为T₂，两个阶段总的循环次数用T＝T₁+T₂表示；步骤四：基于非劣解鸽群优化的方法设计1)基于地图‑指南针算子的独立学习方法当鸽群距离目的地较远时，鸽群依靠地图‑指南针信息进行导航，鸽群在归巢过程中参照当前鸽群中的最优鸽子，实时调整自身的位置及速度；进一步的在原始鸽群优化算法的基础上增加独立学习机制，即每只鸽子不仅参照当前的鸽群中的最优鸽子，而且还参照目前为止自身较优的位置进行位置及速度的更新；2)基于地标算子的疑似最优解即非劣解寻优方法当鸽群接近目的地时，鸽群依靠地标进行归巢引导，该阶段采用地标算子进行位置的更新；每次迭代过程中，性能较好的一半数量N^t的鸽子被选出，未被选中的另一半鸽子将被淘汰；所选中的鸽群的中心位置将用于其他鸽子位置更新的参考位置，位置更新方式如式(6)所示；其中，是第i只鸽子在第t‑1次迭代时的代价函数，rand表示[0,1]之间的随机数；将疑似最优解即非劣解引入到原始鸽群优化算法中，疑似最优解即非劣解是当某鸽子的适应度值接近当前所得到的全局最优值时，则该位置被认为是疑似最优解；步骤五：基于非劣解鸽群优化的无人机集群编队RHC控制器设计首先进行无人机集群编队代价函数的设计，其次进行基于非劣解鸽群优化的RHC控制器设计；代价函数J_QP的设计包含编队系统的状态及控制输入量，优化的目的是寻找J_QP的最小值，从而使得RHC控制器获得一组最优的控制参数，进而使得对无人机自集群编队的控制效果达到最优；步骤六：无人机集群编队控制方法结果输出。