[发明专利]基于实时优化和深度学习的高超声速飞行器协同制导方法

说明书

本发明公开的基于实时优化和深度学习的高超声速飞行器协同制导方法，属于飞行器制导技术领域。本发明实现方法为：根据高超声速飞行器飞行力学特征和协同攻击任务特点建立最优制导问题；选取合适的控制变量构造控制仿射系统，进而线性化该系统得到线性系统动力学；采用松弛技术将非凸控制约束转化为二阶锥约束；设计序列二阶锥优化算法得到原始最优制导问题的解。此外通过求解时间自由的最优制导问题获得样本集，设计和训练用于确定最小命中时间的神经网络，从而计算最优协同攻击时间。本发明公开的协同制导方法能够实现在考虑非线性系统动力学、空气动力和复杂任务约束条件情况下的最优协同制导，有效提升高超声速飞行器的突防能力和毁伤效果。

技术领域

本发明属于飞行器制导技术领域，涉及高超声速飞行器协同制导方法，尤其涉及一种基于实时优化和深度学习的高超声速飞行器协同制导方法。

背景技术

近年来，世界军事科技发展的战略目标是提升远程快速精确打击能力。高超声速飞行器作为有效实施快速全球打击的理想武器装备，受到了全球的广泛关注。高超声速飞行器具有有效射程远、飞行速度快、命中精度高、弹道难以预测的优点。然而随着先进反导系统的快速发展，单一高超声速飞行器的作战效果被严重削弱。为了进一步提升高超声速飞行器的突防能力和毁伤效果，针对性地研究高超声速飞行器协同制导方法具有现实意义。

最优协同制导的目标是协调多个飞行器同时命中预定目标。为了实现这一目的，在过去的数十年间，许多基于解析推导或数值优化的协同制导方法被研究和开发出来。然而不同于常规导弹，高超声速飞行器具有强非线性的系统动力学和复杂的任务约束条件，因此现有方法(基于简化系统动力学和理想假设条件推导的解析协同制导律等方法)难以充分发挥高超声速飞行器的最优攻击性能。

发明内容

本发明公开的基于实时优化和深度学习的高超声速飞行器协同制导方法要解决的技术问题是：实现高超声速飞行器在考虑非线性系统动力学、空气动力和复杂任务约束条件情况下的最优协同制导。本方法能够有效提升高超声速飞行器的突防能力和毁伤效果。

本发明的目的是通过下述技术方案实现的。

本发明公开的基于实时优化和深度学习的高超声速飞行器协同制导方法描述如下：首先根据高超声速飞行器的飞行力学特征和协同攻击的任务特点，建立最优制导问题；然后通过选取合适的控制变量构造控制仿射系统，进而部分线性化该系统得到线性系统动力学；注意到该处理引入了非凸的控制约束，采用松弛技术将该非凸约束转化为二阶锥约束；最后设计迭代算法序列求解推导得到的二阶锥优化问题获得原始最优制导问题的解。此外本发明给出了基于深度学习确定最优协同攻击时间的方法，即通过求解时间自由的最优制导问题获得样本集，设计和训练用于确定最小命中时间的神经网络，从而计算最优协同攻击时间。综合上述内容，本发明给出了实现高超声速飞行器协同攻击的协同制导方法。

本发明公开的基于实时优化和深度学习的高超声速飞行器协同制导方法包括如下步骤：

步骤一：根据高超声速飞行器飞行力学特征和协同攻击任务特点，建立最优制导问题P0。

步骤一的实现方法为：

高超声速飞行器的系统动力学定义在如图1所示的参考坐标系中，具体表示为

式中，下标i表示第i个高超声速飞行器，x_i,y_i和z_i为飞行器位置坐标，v_i为飞行速度，γ_i和ψ_i为航迹角和航向角，g为重力加速度，σ_i为倾侧角，L_i和D_i为升力加速度和阻力加速度，定义如下：