[发明专利]基于人工蜂群优化二次型控制的涵道式无人机消摆方法

摘要

基于人工蜂群优化二次型控制的涵道式无人机消摆方法，它有八大步骤：一、钟摆震荡数学模型的建立；二、控制结构与控制律的设计；三、初始化人工蜂群算法参数以及雇佣蜂种群；四、根据各参数值计算线性二次型性能指标函数；五、待工蜂根据雇佣蜂各适应度值，选出具有较优适应度值的蜜蜂个体作为引领蜂，各待工蜂在其引领蜂解空间附近继续搜寻蜜源，并计算其适应度值；六、若搜索次数Bas值大于所设定的阈值时，雇佣蜂重新寻找新蜜源，即重新初始化参数值；七、采用贪婪选择法，选择较大适应度值更新雇佣蜂的位置，继续在解空间周围搜索；八、跳转至步骤四，重复运行，直至T＞Tmax，并输出最优分量权值参数、最优反馈增益矩阵及最优适应度值。

主权项

1.基于人工蜂群优化二次型控制的涵道式无人机消摆方法，其特征在于：该方法的具体步骤如下：步骤一：钟摆震荡数学模型的建立：(1)钟摆震荡非线性数学模型的建立利用涵道式无人机的气动数据和物理方程，建立悬停状态下钟摆震荡现象的非线性数学模型(1)；φ··x=(3x··sinφxsinφy+3y··cosφx+3z··sinφxcosφy+2lφ·xφ·ycosφxsinφy-3lφ·y2sinφxcosφx-3gsinφxcosφx)/(cos2φy+3)lφ··y=(-3x··cosφxcosφy+3z··cosφxsinφy+6lφ·xφ·ysinφxcosφx--lφ·x2sinφycosφy-3gcosφxsinφy)/(cos2φx+3)l---(1)]]>其中，φ_x表示无人机绕X轴的摆角，φ_y表示绕Y轴的摆角，x，y，z分别表示无人机质心坐标，l为等效摆长；(2)非线性模型的线性化利用基于小扰动原理的线性化方法，在悬停状态下利用泰勒级数将非线性方程展开并仅保留其一次项，得到此平衡点下的小扰动线性方程(2)，利用线性方程进行钟摆震荡特性分析与控制律设计；X·xX·y=Ax00AyXxXy+Bx00Byuxuy---(2)]]>其中，Ax=0010000100000-3g4l00,]]>Ay=0010000100000-3g4l00,]]>Bx=001-34l,]]>By=001-34l,]]>l为等效摆长，g重力加速度；步骤二：控制结构与控制律的设计(1)控制结构设计将系统输出作为反馈量进行全状态反馈，利用经过人工蜂群优化的线性二次型调节器得到的矩阵K作为反馈增益，利用线性二次型调节器搭建控制结构框图；其中，x_g表示系统输入，x，φ_x，分别表示无人机在X轴方向上的位移、无人机在X轴方向上的速度、无人机的摆角与无人机摆动角速度，反馈增益k₁，k₂，k₃，k₄表示经过人工蜂群算法优化了的最优反馈增益；(2)控制律设计通过线性反馈选择合适的控制输入u(t)，使得式(1)中的线性二次型性能指标J构成的目标函数达到最大值；fitness的极大值与最小的动态响应误差和控制能量对应，即达到了最优控制的目；fitness:=1/50*∫0∞(XTQX+uTRu)dt---(1)]]>u(t)＝-KX(t)＝R^-1B^TPX(t)                        (2)其中，K为反馈增益，其中的矩阵P由下面的代数黎卡提方程给出：A^TP+PA-PBR^-1B^TP+Q＝0                             (3)最终，控制律设计如下：u＝-KX＝R^-1B^TPX(t)＝-(k₁x₁+k₂x₂+k₃x₃+k₄x₄)      (4)上述表达式中，X表示系统的状态变量，Q表示状态的权值矩阵，u是控制输入，R是的输入权值矩阵，B代表状态方程中的输入矩阵；步骤三：初始化人工蜂群算法参数以及雇佣蜂种群，蜂群的总数为Popsize，其中采蜜蜂的总数为Num_employed，待工蜂的总数为Num_unemployed，满足条件Popsize＝Num_employed+Num_unemployed，最大搜索次数Limit，本次迭代次数为T，最大迭代次数为Tmax，根据权值矩阵范围初始化权值分量参数的种群，包括：位移权值q₁₁，摆角权值q₂₂，初始化各蜜蜂搜索次数Bas＝0；步骤四：根据雇佣蜂种群中的各权值分量参数数值，利用代数黎卡提方程(3)和反馈控制律(4)并结合系统的动态响应特性计算线性二次型性能指标函数(1)；步骤五：待工蜂根据雇佣蜂各适应度值，按照轮盘赌选择方法法，依照概率从雇佣蜂种群中选出具有较优适应度值的蜜蜂个体作为引领蜂，雇佣蜂i被选为引领蜂的概率表达式为Pi=fitness(i)sm(fitness)---(5)]]>其中，fitness(i)表示雇佣蜂i的适应度值，由式(1)求出，sum(fitness)表示所有雇佣蜂的适应度值之和；各待工蜂在其引领蜂解空间附近继续搜寻蜜源，并计算其适应度值；若搜索到得蜜源适应度值大于原适应度值，则待工蜂转变成雇佣蜂，继续进行采蜜，否则，继续在附近进行搜索，并且其Bas值加1；步骤六：若搜索次数Bas值大于所设定的阈值Limit时，雇佣蜂放弃该蜜源，重新寻找新蜜源，即重新初始化参数值；步骤七：采用贪婪选择法，选择适应度值较大的值更新雇佣蜂的位置，继续在解空间周围搜索；步骤八：跳转至步骤四，重复运行，直至迭代次数大于最大迭代次数，则结束运行，并输出最优分量权值参数、最优反馈增益矩阵以及最优适应度值。