[发明专利]基于粒子群算法的无人直升机控制优化方法

说明书

本发明涉及基于粒子群算法的无人直升机控制优化方法，属于无人直升机显模型跟踪控制领域，该方法包括：确定无人直升机显模型控制系统得到其中的积分常数阵G4和增益对角矩阵R；将G4和R作为粒子群中的参数通过粒子群算法优化，并输出控制器。本发明通过在显模型控制方法中引入粒子群优化算法，优化无人直升机控制器中的参数，提高了无人直升机的操纵品质，改善被控对象的鲁棒性。得出的控制器可使被控对象的性能在约束范围内达到最优，设计更简单、使用更灵活。本发明还解决了传统显模型跟踪控制方法中积分常数阵G4和增益对角矩阵R的选择通过试凑的方法凭借专家经验的劣势，使得更便捷的构造出G4和R并得到最优的控制器。

技术领域

本发明属于无人直升机控制技术领域，具体地，涉及基于粒子群算法的无人直升机控制优化方法。

背景技术

无人直升机(unmanned helicopter简称UMH)不仅具有部署方便、机动灵活、使用时不会产生人员伤亡和生存力强等无人机的优点，同时具有定点悬停、垂直起降和任意方向飞行等飞行能力。无人直升机飞行动力学特性表现为高阶、强耦合。耦合是无人直升机飞行时影响操纵品质的主要因素。显模型跟踪控制系统(model-follow control system，MFCS)能有效的减小耦合改善飞行品质。MFCS所以建立的四个通道的显模型是线性独立模型，通过跟踪控制率设计，可以使各通道直接跟踪各自的显模型使得通道间具有优良的解耦性能。其跟踪控制率能使控制对象在一个采样周期内跟踪显模型并具有优良的跟踪特性与稳态性能。

粒子群算法，也称粒子群优化算法或鸟群觅食算法(Particle SwarmOptimization)。PSO算法属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它通过追随当前搜索到的最优值来寻找全局最优。这种算法有实现容易、精度高、收敛快等优点，并且在解决实际问题中展示了其优越性。

在MFCS设计中，积分常数矩阵G4与前向增益对角矩阵R的设计没有固定的标准可以参考，所以不同的设计人员所设计的矩阵也不尽相同。对于G4、R矩阵的设计普遍采用试凑法，这样设计出来的控制器不但需要的工作量大，并且也不一定能够保证控制器达到很好的控制效果。

发明内容

为了解决现有技术中的不足，本发明的目的在于提供基于粒子群算法的无人直升机控制优化方法，所述方法通过粒子群优化算法对矩阵G4和R进行优化，解决现有技术中显模型跟踪控制中前向增益对角阵R、积分常数阵G4的选择凭借专家经验的劣势。

为了实现上述目的，本发明采用的具体方案为：

基于粒子群算法的无人直升机控制优化方法，包括以下步骤：

步骤一、根据无人直升机模型设计四个通道的显模型，四个通道的显模型传递函数如下：

纵向通道：

横向通道：

航向通道：

总距通道：

式中，C_ii(i＝1,2,3,4)为各通道的灵敏度系数，τ_m为时间常数，ξ为阻尼系数，ω_n为模型带宽；

步骤二、确定显模型跟踪控制系统外回路反馈阵G1、内回路反馈阵G2、比例阵G5、控制阵G3、前向增益对角阵R、积分常数阵G4；

步骤三、将前向增益对角阵R、积分常数阵G4作为粒子群中各粒子的参数，通过粒子群算法优化；

步骤四、将求得矩阵G4、R代入显模型控制系统。

作为对上述方案的进一步优化，所述步骤三具体包括：

A1、设置粒子群算法参数，并初始化粒子群；