三维自主再入制导方法

基于阻力加速度-能量剖面设计,提出一种新的三维自主再入制导方法.该方法的阻力加速度-能量剖面由再入走廊上边界和下边界内插得到,倾侧角采用两次反转模式,轨迹规划同时考虑了飞行器的纵向和横向运动,并具有在线生成三维轨迹的能力.最后对制导方法的适应性进行了仿真分析,仿真结果表明给出的再入制导方法能适应不同情况的再入,使飞行器在具有较好轨迹特性的同时以较高的精度到达末端能量管理界面.     

基于代理模型的升力式再入飞行器组网优化

研究升力式再入飞行器的组网优化问题.优化再入飞行器组网,使其在满足一定覆盖要求的同时,轨道高度、离轨速度冲量、飞行器总数等方面达到最优.针对再入飞行器对地覆盖区域计算量大且和时间变量相关的问题,提出用代理模型技术来近似计算覆盖区域,提高了计算效率;利用SOC星座设计方法对再入飞行器进行了组网设计,并用枚举分析的方法对组网星座进行了优化.最后用点覆盖仿真的方法对得到的最优解进行了验证,说明了上述设计方法的有效性,为飞行器再入组网优化提供了科学依据.     

基于粒子群算法的飞行器再入轨迹优化

提出将粒子群优化算法（PSO）应用于飞行器再入轨迹优化。以最小控制能量高超声速飞行器再入轨迹优化为例,对飞行器运动模型进行简化和控制量参数化,粒子群算法采用自适应权值,并充分利用飞行器再入时的运动特性来设置PSO算法初始参数,分析比较仿真步数对结果的影响。仿真结果表明提出方法的有效性和优越性。     

基于改进粒子群算法的再入飞行器轨迹优化

采用基于距离量度和自适应惩罚相结合的约束处理技术的改进粒子群优化算法(PSO)应用于再入飞行器轨迹优化,避免适应值函数中复杂的罚函数及罚因子的设计,提高优化算法的通用性.以高超声速飞行器最小控制量再入轨迹优化为例,并对飞行器运动模型进行简化及控制量参数化.对两种不同的高超声速飞行器模型进行优化,仿真结果验证算法的有效性...     

基于模糊多目标的高超声速飞行器再入轨迹设计

针对多约束条件下的高超声速飞行器再入轨迹的优化问题,考虑多个具有不同重要性等级的优化指标,提出基于模糊多目标的轨迹设计方法.首先,利用直接配点法,将最优控制问题转化为带优先级的非线性多目标规划问题;然后,基于模糊满意优化的思想,根据更重要目标具有更高满意度的原则,将优先级表示为满意度序,并设计两步式优化模型.通过调节参数,能获得同时满足优化和重要性等级要求的最优轨迹.仿真结果表明了所提出方法的有效性.     

基于高阶滑模观测器的自适应时变滑模再入姿态控制

针对再入飞行器鲁棒姿态控制问题, 提出一种基于高阶滑模观测器的自适应时变滑模控制器设计方法. 首先, 设计了一种时变滑模面, 并在此基础上推导了相应的时变滑模控制律, 其中滑模控制中切换增益通过一种自适应算法获得, 消除了控制器设计过程中对系统不确定性上界已知的要求; 然后, 利用高阶滑模观测器对控制器设计过程中用到的姿态角导数信息进行观测, 同时能够获得系统扰动估计值, 从而构造一种基于观测器的控制器形式; 最后, 通过仿真验证了所提出的控制算法在提高再入飞行器姿态控制精度以及系统鲁棒性方面的有效性.     

基于自适应二阶终端滑模的飞行器再入姿态控制

针对飞行器再入过程中存在着模型不确定性因素以及气动环境复杂等鲁棒控制问题,提出一种基于自适应二阶非奇异终端滑模的控制方案.设计的控制器保证姿态跟踪误差在有限的时间内收敛于零,不需要内外扰的先验知识,通过在线自适应辨识扰动上界以消除其影响.最后以气动参数摄动50%作为扰动条件进行了飞行器再入姿态控制仿真,结果表明了该方案的快速性和鲁棒性.     

基于递归神经网络的再入飞行器最优姿态控制

针对再入飞行器的姿态跟踪问题,基于递归神经网络提出最优跟踪控制.采用反步法和递归神经网络,设计自适应前馈控制,将再入飞行器的最优姿态跟踪问题转化为等价的姿态角误差/角速率误差最优调节问题.采用自适应动态规划技术,解决最优调节问题.引入神经网络估计最优控制中的代价函数,推导最优反馈控制律,同时保证Hamilton–Jacobi–Isaacs(HJI)方程估计误差最小化.采用Lyapunov理论,保证闭环系统中所有信号,包括姿态角跟踪误差是一致最终有界的.在MATLAB/Simulink中仿真验证了所提出控制策略的有效性.     

弹道导弹再入机动弹道设计研究

具有再入机动能力是现今导弹发展的主要方向,而研究机动变轨对提高导弹作战能力的作用效果,首先要在设计研究再入机动弹道的基础上开展.在建立空间再入机动弹道数学模型的基础上,从保证末速最大的要求出发,利用最优控制原理和数值分析进行了最佳再入机动弹道设计,并基于Visual C 编程软件进行仿真计算.结果表明,设计方法可行,验证了模型的正确性和所作近似的合理性.通过图例可以看出机动弹道可大大提高导弹的突防能力和生存能力,具有攻击复杂地形目标的能力.     

再入飞行器传递对准建模与仿真

在新型再入飞行器的研究中,保证飞行器落点精度,是通过传递对准技术对飞行器惯性测量系统( Inertial Measurement System,IMS)进行初始对准.针对再入飞行器用IMS的传递对准问题和惯性传感器误差特性,提出建立线性速度与姿态匹配传递对准模型,设计了模块化的传递对准仿真系统,并利用两种典型的再入轨迹进行仿真.仿真结果表明,模型的卡尔曼滤波器能够快速、精确地估计出飞行器子惯性测量系统的姿态误差(20s内估计误差小于0.02°),同时滤波器对陀螺常值漂移有较好的估计效果.     

具有反向学习和自适应逃逸功能的粒子群优化算法

为克服粒子群优化算法进化后期收敛速度慢、易陷入局部最优等缺点,提出一种具有反向学习和自适应逃逸功能的粒子群优化算法.通过设定的阈值,算法将种群进化状态划分为正常状态和"早熟"状态: 若算法处于正常的进化状态,采用标准粒子群优化算法的进化模式;当粒子陷入"早熟"状态,运用反向学习和自适应逃逸功能,对个体最优位置进行反向学习,产生粒子的反向解,增加粒子的反向学习能力,增强算法逃离局部最优的能力,提高算法寻优率.在固定评估次数的情况下,对8个基准测试函数进行仿真,实验结果表明:所提算法在收敛速度、寻优精度和逃离局部最优的能力上明显优于多种经典粒子群优化算法,如充分联系的粒子群优化算法(FIPS)、基于时变加速度系数的自组织分层粒子群优化算法(HPSO-TVAC)、综合学习的粒子群优化算法(CLPSO)、自适应粒子群优化算法(APSO)、双中心粒子群优化算法(DCPSO)和具有快速收敛和自适应逃逸功能的粒子群优化算法(FAPSO)等.     

基于改进粒子群算法的行李条码阅读器布局优化

针对航空旅客托运行李时,检测行李条码的阅读器数量、位置、姿态存在很多不确定性问题,提出了动态种群-双适应值粒子群优化(DPDF-PSO)算法。首先,建立行李条码检测数学模型;然后,转化为约束优化问题;其次,通过标准粒子群优化(PSO)算法求解此优化问题;最后,依照模型特点对标准粒子群算法进行改进。仿真结果表明,与标准PSO算法相比,DPDF-PSO算法仿真时间降低了23.6%,目标函数值提高了3.7%。DPDF-PSO算法克服了标准粒子群优化算法中仿真时间慢、边界最优解难处理的缺点,阅读器布局方案能以较低的成本准确快速读取行李身份信息。     

一种基于改进粒子群算法的PID参数整定方法

粒子群算法是一种基于仿生学的全局优化算法,具有方法简单,易于实现,寻优效果好等优点,是工业PID控制参数整定的常用方法。本文针对标准粒子群算法的PID整定方法易于陷入局部最优,引入遗传算法中杂交的思想,通过引入杂交算子改善早熟问题,同时针对粒子群算法样本集随机产生,无法保证样本集多样性的缺点,特引入混沌理念,对样本集采用混沌序列法生成,提高样本的多样性,随机性。仿真结果表明,所采用改进算法在PID参数整定中,超调小,收敛快,较好的弥补了标准粒子群算法的弊端。     

基于网格的混合微粒群算法解决任务调度问题

网格任务分配是一个NP难问题,结合微粒群优化（Particle Swarm Optimization,PSO）算法,和网格自身的特性,提出了基于网格的混合微粒群算法。算法对问题的解空间进行变换、重定义,使之更加符合PSO算法的求解环境,实现了网格资源的优化分配。与离散微粒群（DPSO）算法和遗传算法进行了仿真比较,结果表明,新的PSO算法具有较好的性能。     

基于混沌粒子群优化的支持向量机训练方法

为使粒子群优化算法初始粒子均匀分布在解空间,通过对混沌运动的遍历性和粒子群优化算法中惯性权重的分析,提出一种混沌粒子群算法。该算法对Circle模型进行改进,将其引入粒子群算法中,避免了粒子群算法陷入局部最优。给出应用混沌粒子群算法训练SVM的方法,并将其应用于人脸识别。仿真实验结果表明,改进的CPSO SVM方法比CPSO SVM和PSO SVM方法有更好的识别性能。     

改进的粒子群算法在化工过程优化中的应用

在现有自适应粒子群优化算法的研究基础上本文引入1种反弹机制(Rebound Mechanism),提出了1种改进的粒子群算法——反弹自适应粒子群优化算法。RAPSO能在搜索过程中充分利用粒子的飞行速度和方向等信息(下文称为动量信息),维持粒子的多样性以提升算法的搜索性能。通过比较,本文提出的RAPSO在一定程度上改进了现有的自适应粒子群算法的优化性能。运用RAPSO对催化裂化装置进行优化试验,其结果表明无论在单变量优化还是在多变量优化中,该装置的转化率都得到了一定程度的提高。     

Self-adapting control parameters in particle swarm optimization

Particle Swarm Optimization (PSO) is a powerful nature-inspired metaheuristic optimization method. Compared to other methods, PSO can determine the optimal solution in fewer evaluations and generally performs more efficiently and effectively. However, researches show that the PSO method suffers from premature convergence and a dependence on the initial control settings. Due to these shortcomings, the application of PSO may lead to failure in obtaining the global optimal solution. In this work, modifications were performed on the original PSO algorithm to adapt the control parameters to the circumstances of the particles at a specific moment. The proposed method is known as the Unique Adaptive Particle Swarm Optimization (UAPSO). In the developed approach, constraints were handled by forcing the particles to learn from their feasible solutions only. Therefore, the constraint handling technique worked in accord with the adapting scheme to ensure that the particles were adapting to the environment by directing itself to the feasible regions. The performance of UAPSO was verified by a comparative study involving eight benchmark constrained optimization problems and a real-world design problem. The numerical results showed the superiority of UAPSO compared to the selected state-of-the-art metaheuristic methods and PSO variants, its ability in avoiding premature convergence and its consistency and efficiency.     

应用速度变异粒子群的系统辨识方法研究

论文研究了一种利用粒子群优化（PSO）算法对系统模型进行辨识的新方法。该方法的基本思想是将典型的数学模型的相互组合而构成系统模型的新颖辨识方法,即首先将系统结构辨识问题转化为组合优化问题,然后采用粒子群优化算法同时实现了系统的结构辨识与参数辨识。为了进一步增强粒子群优化算法的辨识性能,提出了一种利用速度变异的粒子群优化（VMPSO）算法。最后,给出了仿真示例,其结果表明了所给的系统辨识方法的合理性和求解算法的有效性。     

基于食物链机制的动态多物种粒子群算法

针对粒子群优化(PSO)算法在解决多峰函数时容易陷入局部最优的问题,提出了一种基于食物链机制的动态多物种粒子群(DSPSO)算法。受生物界的启发,引入食物链机制来保证种群的多样性,并结合繁殖机制使得算法具有良好的优化性能。食物链机制中,整个标榜群被分为几个子种群,每个子种群都能够捕食另外一个子种群。通过一定概率发生的捕食现象使得标榜群得以进化,剔除对种群贡献小的粒子,并通过繁殖策略生成新的粒子。种群通过不断地进化保证了种群的多样性,同时通过剔除较差粒子的误导作用使算法的进化更有效率。为了验证算法的有效性,选择了包括偏移函数、旋转函数在内的10个测试函数来测试DSPSO算法的性能。实验结果表明DSPSO算法有着良好的寻优性能。与PSO、局部版本的粒子群(LPSO)算法、动态多群粒子群(DMS-PSO)算法和全面学习粒子群(CLPSO)算法相比,DSPSO算法不仅能够得到较高精度的解,而且还具有较高的可信度。     

变分布的量子行为粒子群优化算法求解工程约束优化问题

针对工程形状设计领域中带有多个约束条件的非线性设计优化问题,提出了一种自适应的基于高斯分布的量子行为粒子群优化(AG-QPSO)算法。通过自适应地调整高斯分布,AG-QPSO算法能够在搜索的初始阶段有很强的全局搜索能力,随着搜索过程的进行,算法的局部搜索能力逐渐增强,从而满足了算法在搜索过程不同阶段的需要。为了验证算法的有效性,在压力容器和张弦设计问题这两个工程约束优化问题上进行50轮独立实验。实验结果表明,在满足所有约束条件的情况下,AG-QPSO算法在压力容器设计问题上取得了5890.9315的平均解和5885.3328的最优解,在张弦设计问题上取得了0.01096的平均解和0.01096的最优解,远优于标准粒子群优化(PSO)算法、具有量子行为的粒子群优化(QPSO)算法和高斯量子行为粒子群(G-QPSO)算法等现有的算法的结果,同时AG-QPSO算法取得的结果的方差较小,说明该算法具有很好的鲁棒性。