基于偏好矩阵的混合多目标PSO算法的飞行器冗余控制方法与流程

技术特征：

1.基于偏好矩阵的混合多目标pso算法的飞行器冗余控制方法，其特征在于，构建包含混合多目标优化函数、操纵舵面边界约束及虚拟控制指令与操纵舵面数值约束的混合多目标优化问题，对混合多目标优化函数进行线性加权求和将混合多目标优化问题转换为单目标优化问题，根据每个目标函数相对于其它目标函数的重要性建立判断矩阵，再依据判断矩阵建立偏好矩阵以构建目标函数权重系数的约束，将目标函数权重系数的约束纳入单目标优化问题，通过对权重系数和操纵舵面在线寻优获得最优解。

2.根据权利要求1所述基于偏好矩阵的混合多目标pso算法的飞行器冗余控制方法，其特征在于，根据每个目标函数相对于其它目标函数的重要性建立判断矩阵的方法为：建立重要性指数表，根据每个目标函数相对于其它目标函数的重要性查找重要性指数表确定判断矩阵中各元素的取值后对判断矩阵进行一致性判断，在判断矩阵不满足一致性要求时重新构建判断矩阵。

3.根据权利要求1所述基于偏好矩阵的混合多目标pso算法的飞行器冗余控制方法，依据判断矩阵建立偏好矩阵构建的目标函数权重系数约束为：

wi/a'ij-wj≥0，aij'＝aij(j＞i)，

w为权重系数矩阵，po为偏好矩阵，w1、w2、w3、w4、wn-1、wn为第1、第2、第3、第4、第n-1、第n个目标函数的权重系数，wi、wj第i、第j个目标函数的权重系数，aij为第i个目标函数相对于第j个目标函数的重要性指数。

4.根据权利要求1所述基于偏好矩阵的混合多目标pso算法的飞行器冗余控制方法，采用粒子群算法对权重系数和操纵舵面在线寻优，以权重系数和操纵舵面为决策变量，根据线性加权求和的混合多目标优化函数构建自适应函数，初始化种群后开始迭代，将每一次迭代更新后的粒子群带入自适应度函数计算适应值并更新个体最优值和全局最优值，根据更新个体最优值和全局最优值的过程中计及对种群更新后的自适应学习评价函数值修正粒子群收敛速度，在全局最优值满足全局误差梯度或达到最大迭代次数时结束寻优。

5.根据权利要求2所述基于偏好矩阵的混合多目标pso算法的飞行器冗余控制方法，其特征在于，对判断矩阵进行一致性判断的方法为：构建判断矩阵a的导出矩阵h，用方差s²对导出矩阵各元素偏离1的程度tol进行判断，判断矩阵在s²＜tol时满足一致性，a11为第1个目标函数相对于第1个目标函数的重要性指数，a1n为第1个目标函数相对于第n个目标函数的重要性指数，an1为第n个目标函数相对于第1个目标函数的重要性指数，ann为第n个目标函数相对于第n个目标函数的重要性指数，aij为第i个目标函数相对于第j个目标函数的重要性指数。

6.根据权利要求4所述基于偏好矩阵的混合多目标pso算法的飞行器冗余控制方法，其特征在于，采用粒子群算法对权重系数和操纵舵面在线寻优的优化问题为：x为决策变量，f(x)为自适应函数，gl(x)为决策变量的p+2d个不等式约束条件，hk(x)为决策变量的q+1个等式约束条件，wi为第i个目标函数的权重系数，w为权重系数矩阵，po为偏好矩阵。

7.根据权利要求4所述基于偏好矩阵的混合多目标pso算法的飞行器冗余控制方法，其特征在于，所述自适应学习评价函数rv(x)为：

x(t)为第t次迭代中的决策变量，

8.根据权利要7所述基于偏好矩阵的混合多目标pso算法的飞行器冗余控制方法，其特征在于，更新个体最优值和全局最优值的表达式为：vm(t)、vm(t+1)分别为第m个个体在第t次迭代、第t+1次迭代中的速度，c1为个体学习因子、c2为全局学习因子，c1＝c2∈[0,4]，r1、r2分别为个体学习评价比例因子和全局学习评价比例因子，pmb(t)为第m个个体在第t次迭代中的局部最优位置，pb(t)为所有个体在第t次迭代中的全局最优位置，xm(t)、xm(t+1)分别为第m个个体在第t次迭代、第t+1次迭代中的位置。