[发明专利]一种无人飞行器智能控制器设计方法

说明书

本发明公开了一种无人飞行器智能控制器设计方法，采用了改进的粒子群算法，即针对标准粒子群算法，设计一种自适应变换算法中惯性权重和学习因子的改进算法，采用该改进的粒子群算法设计飞行器的显模型跟踪控制器提高了设计效率，保证了系统的性能要求。

技术领域

本发明属于人工智能控制领域，尤其涉及一种无人飞行器智能控制器设计方法。

背景技术

随着控制理论的发展，越来越多的控制理论在无人飞行器的飞行控制上得到了广泛运用，Parry与Muray-Smith等人最早利用EA方法进行飞行控制系统的研究，Samblancat等将特征结构配置方法和H_￥方法结合起来，首先采用特征结构配置方法设计控制器内环，从而使得系统对飞行器的纵向、横向、航向三个通道解耦，然后针对单通道采用H_∞方法设计ACAH系统。Hess和Gorder将定量反馈理论(QFT)应用于AH-64的纵向飞行控制等。

随着智能技术的发展，许多智能算法也在飞行器飞行控制的过程中发挥了重要的作用，例如遗传算法(GA)、粒子群算法(PSO)、蚁群算法(ACO)、神经网络等。H.Boubertakh和S.Labiod等人用PSO算法与模糊PI控制相结合的办法来设计飞行控制器,由于在飞控系统设计过程中，有许多参变量没有一定的设计标准，因此可以使用智能算法将其优化，不但能够降低设计者的工作量，而且所设计的系统稳定性更加可靠。

近几年来，将先进的现代控制理论应用于飞行控制系统，国外研究的比较活跃，取得了许多不错的效果，我国飞行控制研究起步较晚，在此方面与国外的研究还有较大差距。

粒子群算法是计算机领域，除了蚁群算法、鱼群算法之外的一种群体智能优化算法。该算法最早由Kennedy和Eberhart在1995年提出。人类许多的科学进步，都离不开大自然的帮助，从牛顿运动定律到飞机翱翔天空，从中都可以看到大自然的影子。粒子群算法也是如此，研究者们从鸟类的捕食行为中得到启发，对鸟类的捕食策略进行研究，发现鸟类找到食物的最有效的策略就是搜寻当前状态下距离食物最近的鸟的区域，研究者们对此进行研究扩展，形成了粒子群算法的雏形。粒子群优化算法结构简单、也无需梯度信息，易于实现，通过调节惯性权重和学习因子可以对全局和局部搜索能力进行灵活的调整，是目前随机搜索的热点之一。PSO虽然前期的搜索速度快，但后期仍容易处于局部最优，这也是粒子群算法的改进热点之一。

PSO算法中每个粒子都相当于鸟群中的一只鸟，代表着问题的一个潜在解，算法中的适应度函数，也即目标函数，可以计算粒子的适应度，用来评价粒子的优劣。为了在种群中寻找最优解，每个粒子都有一个速度向量，通过不断地学习，粒子的速度向量也不断发生变化，从而实现个体在可行解空间中的寻优。

发明内容

本发明的目的是针对现有飞行器控制器的不足，提供一种改进的粒子群算法对飞行器控制器进行优化设计。

本发明的目的通过以下技术方案来实现：一种无人飞行器智能控制器设计方法，包括如下步骤：

研究基本粒子群算法中的惯性权重和学习因子的选取，对自适应变换惯性权重和学习因子进行改进，并运用Schwefel函数进行验证；

在飞行器显模型跟踪控制系统设计中，以跟踪误差最小为目标，采用粒子群算法对显模型跟踪控制系统中的积分矩阵和前向增益矩阵进行优化；

搭建Simulnk仿真模型，得到所述显模型中优化项的值，并进行模型的鲁棒性验证。

优选地，所述改进粒子群算法的惯性权重与算法的适应度成正比。

优选地，所述算法的适应度为反应可行解的优劣程度。