[发明专利]一种全局搜索快速收敛多约束弹道优化方法

说明书

本发明提供了一种全局搜索快速收敛多约束弹道优化方法，以多个离散时刻攻角组成优化变量，建立改进的粒子群优化算法，获得满足制导火箭落角、落速、弹道高度、最大过载或法向力、热流密度等多约束条件的全局最优解，当优化目标函数的适应度值收敛时，获得最优攻角序列和最优弹道。本发明可在制导火箭落角、落速、弹道高度、最大过载或法向力、热流密度等多约束条件下，快速迭代收敛，获得最优弹道，避免了算法早熟和陷入局部最优解，计算量小，简单有效，易于工程实现。

技术领域

本发明涉及弹道优化领域，尤其是一种全局搜索的多约束弹道优化方法。

背景技术

超远程制导火箭兼具射程远、速度高、机动和突防能力强、成本低、精度高等多种优势，在现代战争中的地位愈加重要。弹道设计是超远程制导火箭总体方案论证时重要环节和基础，最优化的弹道设计可大幅降低结构热防护设计和制导控制系统设计压力，间接降低系统成本。

弹道优化是一个较为复杂的非线性优化问题，需要在制导火箭落角、落点攻角、落速、弹道高度、最大过载或法向力、热流密度及总加热量等多种约束条件下，设计一种最优的控制参数（三自由度弹道通常为攻角或弹道倾角），使制导火箭射程、飞行时间、落点偏差等目标函数达到最优状态。常用的弹道优化方法分为间接法、直接法和智能优化算法，其中智能优化算法以其独特的作用机制和良好的优化效果，在弹道设计中得到越来越多的广泛应用。

粒子群优化算法(Particle Swarm Optimization，PSO)是一种进化计算技术，模拟鸟群飞行觅食的行为，通过鸟之间的集体协作使群体达到最优。粒子群算法概念简单，所用参数较少，易于工程实现，具有很强的发现较好解的能力，并不容易陷入局部最优。传统粒子群优化算法对于单目标弹道优化问题具有较好的效果，但对于多约束弹道优化问题难以获得较好的全局最优解，且收敛速度较慢。因此，如何实现全局最优、快速收敛、适应多目标约束成为弹道优化急需解决的技术难题。

发明内容

为了克服现有技术的不足，本发明提供一种全局搜索快速收敛多约束弹道优化方法。本发明多个离散时刻攻角组成优化变量，建立改进的粒子群优化算法，获得满足制导火箭落角、落速、弹道高度、最大过载或法向力、热流密度等多约束条件的全局最优解，该算法具有快速收敛性，易于工程实现。

本发明解决其技术问题所采用的技术方案的步骤如下：

步骤1：利用飞行力学原理，建立制导火箭弹道解算方程，以纵平面运动为研究目标，建立制导火箭纵向运动方程；

步骤2：确定弹道优化目标函数和约束条件，建立弹道优化数学模型；

将整个飞行时间段内攻角离散序列作为优化变量，以落点偏差量为目标函数，以落角、落速、弹道高度、最大过载或法向力、热流密度作为约束条件，建立优化数学模型，由于各项约束变量单位不统一，因此对目标函数和约束条件进行归一化处理；然后采用惩罚函数法，将带约束优化问题转化为无约束优化问题；

步骤3：建立标准粒子群优化算法；

将各离散时间序列上的攻角作为每个粒子各个维度的数值，构成群体中的单个粒子，建立粒子速度和位置更新模型，并用步骤2中的目标函数进行适应度计算，作为粒子优劣程度评价依据；

步骤4：确定改进迭代策略；

由于标准粒子群优化算法同时改变粒子各个维度的数值，只能对粒子整体质量进行评价，而不能判断部分维度是否向最优方向移动，因此改进粒子迭代策略，按制导火箭飞行程序，将整个时间段内攻角序列划分为多个子矢量，在每次粒子速度和位置更新过程中，首先对每个各个子矢量进行优劣程度进行评价和调整，从而在每次迭代中尽可能保留每个粒子中的最优子矢量，即某一段攻角已达到当前最优位置后，则不再做调整，从而大幅加快粒子群收敛速度；

步骤5：进行弹道迭代优化解算和适应度评价；