一种飞行器姿态智能控制方法及系统

1.本发明涉及飞行器姿态控制领域，特别是涉及一种飞行器姿态智能控制方法及系统。


背景技术：

2.姿控系统是对飞行器进行姿态控制的系统，其基本任务是保证飞行器在飞行过程中具有良好的稳定性和操作性。近些年来，各国的航空航天技术发展日新月异，其中飞行器的快速研制工作也是研究者中的热门话题。姿控系统的参数决定了飞行器飞行时的飞行指标是否满足设计要求，这些参数将影响飞行器发射后能否稳定运行并准确进入预定轨道或目的地。飞行器姿控系统的参数设计在飞行器研制过程中需要耗费大量的时间，是进行飞行器快速研制必须攻克的难题。
3.现有的主流方法是人工进行参数设置，该方法需耗费大量的时间成本和人力成本。由于姿控系统参数数量多，不同参数的不同值进行组合产生的解空间极其庞大，人工方法所能覆盖的可能解的搜索范围十分有限，无法保证所设置的参数组合达到最优的飞行器控制性能。
4.现有基于pam的姿控参数自动生成算法，其在一些简单的姿控参数生成类型中表现不错，但面对“刚体稳定、弹性幅值稳定和弹性相位稳定”、“刚体稳定、弹性幅值稳定和晃动相位稳定”等复杂优化类型时，一直无法成功地生成满足设计要求的姿控参数，其可靠性、全局寻优能力以及收敛速度还存在很大的改进空间。
5.标准pam算法在运用于飞行器姿控系统中的复杂优化场景时难以寻得最优解，易陷入局部最优。其陷入局部最优的原因主要有两点，第一点是由于pam算法在迭代后期会发生聚集造成种群多样性下降，第二点是在算法迭代更新公式中只考虑了个体经验和最优粒子的引导作用，同样会导致算法出现多样性下降和早熟的问题。因此需要一种可以解决pam算法在姿控系统参数自动生成问题中存在的可靠性低、容易陷入局部最优以和收敛速度慢三大缺陷的方法。


技术实现要素：

6.本发明的目的是提供一种飞行器姿态智能控制方法及系统，以实现提高姿态控制系统的可靠性。
7.为实现上述目的，本发明提供了如下方案：
8.一种飞行器姿态智能控制方法，包括：
9.获取飞行器姿控系统的性能参数和性能设计目标；所述性能设计目标包括目标幅值、目标相位和目标频率；所述性能参数包括飞行器姿控系统传递函数、伺服机构数据和零阶保持器采样周期数据；
10.根据所述性能参数确定系统初始状态的幅值和系统初始状态的相位；
11.根据所述系统初始状态的幅值和所述系统初始状态的相位利用校正网络进行优
化，确定当前参数解种群、当前个体历史最优解和当前迭代下的参数解种群最优解个体；
12.判断所述当前参数解种群是否满足所述性能设计目标，得到第一判断结果；若所述第一判断结果表示是，则根据所述当前迭代下的参数解种群最优解个体对所述飞行器姿控系统进行控制；若所述第一判断结果表示否，则根据所述当前参数解种群和所述当前个体历史最优解利用粒子速度和位置更新产生下一代临时参数解种群、下一代个体历史最优解和下一代临时参数解种群的最优解个体；
13.对所述下一代临时参数解种群依次进行变异、交叉和选择，得到下一代参数解种群；
14.利用所述下一代参数解种群更新所述当前参数解种群，利用所述下一代临时参数解种群的最优解个体更新所述当前迭代下的参数解种群最优解个体，利用所述下一代个体历史最优解更新所述当前个体历史最优解并返回步骤“判断所述当前参数解种群是否满足所述性能设计目标，得到第一判断结果”。
15.可选地，所述判断所述当前参数解种群是否满足所述性能设计目标，得到第一判断结果，具体包括：
16.根据所述当前参数解种群确定系统幅值、系统相位和系统频率；
17.判断所述系统幅值、所述系统相位和所述系统频率是否均满足所述性能设计目标，得到第一判断结果。
18.可选地，所述根据所述当前参数解种群和所述当前个体历史最优解利用粒子速度和位置更新产生下一代临时参数解种群、下一代个体历史最优解和下一代临时参数解种群的最优解个体，具体包括：
19.根据所述当前参数解种群、所述当前个体历史最优解和所述当前迭代下的参数解种群最优解个体利用粒子速度和位置更新产生下一代临时参数解种群；
20.根据所述下一代临时参数解种群和所述当前迭代下的参数解种群最优解个体产生所述下一代个体历史最优解和所述下一代临时参数解种群的最优解个体。
21.可选地，所述下一代临时参数解种群中的个体表达式为：
[0022][0023]
其中，为下一代临时参数解种群中的第i个个体，为第t次迭代的第i个粒子的第j维的位置，为下一代临时参数解种群中第i个粒子的第j维的速度，t为迭代次数，i为粒子序号，j为维度；
[0024]
其中，第t次迭代的第i个粒子的第j维的位置的表达式为：
[0025][0026]
其中，w是惯性权重因子，为第i个粒子个体历史最优参数解，指参数解种群的最优解，c1为第一学习因子，c2为第二学习因子，r1为第一随机数，r2为第一随机数，为第t次迭代的第i个粒子的第j维的速度。
[0027]
可选地，所述下一代个体历史最优解的表达式为：
[0028]
[0029]
其中，pbesti为下一代个体历史最优解，为第t次迭代的第i个粒子的位置，为第t次迭代的第i个粒子的适应度，为下一代临时参数解种群中的第i个个体的适应度，为下一代临时参数解种群中的第i个个体；
[0030]
所述下一代临时参数解种群的最优解个体的表达式为：
[0031][0032]
其中，gbest为下一代临时参数解种群的最优解个体，f(gebst)为下一代临时参数解种群的最优解个体的适应度。
[0033]
可选地，所述对所述下一代临时参数解种群依次进行变异、交叉和选择，得到下一代参数解种群，具体包括：
[0034]
根据缩放因子对所述下一代临时参数解种群进行变异操作，得到变异后的下一代临时参数解种群；
[0035]
根据所述下一代临时参数解种群和所述变异后的下一代临时参数解种群利用交叉算子进行交叉，得到交叉后的下一代临时参数解种群；
[0036]
根据所述下一代临时参数解种群和所述交叉后的下一代临时参数解种群利用适应度函数进行选择，得到下一代参数解种群。
[0037]
一种飞行器姿态智能控制系统，包括：
[0038]
获取模块，用于获取飞行器姿控系统的性能参数和性能设计目标；所述性能设计目标包括目标幅值、目标相位和目标频率；所述性能参数包括飞行器姿控系统传递函数、伺服机构数据和零阶保持器采样周期数据；
[0039]
初始状态确定模块，用于根据所述性能参数确定系统初始状态的幅值和系统初始状态的相位；
[0040]
优化模块，用于根据所述系统初始状态的幅值和所述系统初始状态的相位利用校正网络进行优化，确定当前参数解种群、当前个体历史最优解和当前迭代下的参数解种群最优解个体；
[0041]
判断模块，用于判断所述当前参数解种群是否满足所述性能设计目标，得到第一判断结果；
[0042]
控制模块，用于若所述第一判断结果表示是，则根据所述当前迭代下的参数解种群最优解个体对所述飞行器姿控系统进行控制；
[0043]
更新模块，用于若所述第一判断结果表示否，则根据所述当前参数解种群和所述当前个体历史最优解利用粒子速度和位置更新产生下一代临时参数解种群、下一代个体历史最优解和下一代临时参数解种群的最优解个体；
[0044]
变异、交叉和选择模块，用于对所述下一代临时参数解种群依次进行变异、交叉和选择，得到下一代参数解种群；
[0045]
返回模块，用于利用所述下一代参数解种群更新所述当前参数解种群，利用所述下一代临时参数解种群的最优解个体更新所述当前迭代下的参数解种群最优解个体，利用所述下一代个体历史最优解更新所述当前个体历史最优解并返回步骤“判断所述当前参数解种群是否满足所述性能设计目标，得到第一判断结果”。
[0046]
可选地，所述判断模块，具体包括：
[0047]
系统幅值、系统相位和系统频率确定单元，用于根据所述当前参数解种群确定系统幅值、系统相位和系统频率；
[0048]
判断单元，用于判断所述系统幅值、所述系统相位和所述系统频率是否均满足所述性能设计目标，得到第一判断结果。
[0049]
可选地，所述更新模块，具体包括：
[0050]
更新单元，用于根据所述当前参数解种群、所述当前个体历史最优解和所述当前迭代下的参数解种群最优解个体利用粒子速度和位置更新产生下一代临时参数解种群；
[0051]
产生模块，用于根据所述下一代临时参数解种群和所述当前迭代下的参数解种群最优解个体产生所述下一代个体历史最优解和所述下一代临时参数解种群的最优解个体。
[0052]
可选地，所述下一代临时参数解种群中的个体表达式为：
[0053][0054]
其中，为下一代临时参数解种群中的第i个个体，为第t次迭代的第i个粒子的第j维的位置，为下一代临时参数解种群中第i个粒子的第j维的速度，t为迭代次数，i为粒子序号，j为维度；
[0055]
其中，第t次迭代的第i个粒子的第j维的位置的表达式为：
[0056][0057]
其中，w是惯性权重因子，为第i个粒子个体历史最优参数解，指参数解种群的最优解，c1为第一学习因子，c2为第二学习因子，r1为第一随机数，r2为第一随机数，为第t次迭代的第i个粒子的第j维的速度。
[0058]
根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0059]
本发明获取飞行器姿控系统的性能参数和性能设计目标；根据性能参数确定系统初始状态的幅值和系统初始状态的相位；根据系统初始状态的幅值和系统初始状态的相位利用校正网络进行优化，确定当前参数解种群、当前个体历史最优解和当前迭代下的参数解种群最优解个体；判断当前参数解种群是否满足性能设计目标，若是，则根据当前迭代下的参数解种群最优解个体对飞行器姿控系统进行控制；若否，则根据当前参数解种群和当前个体历史最优解利用粒子速度和位置更新产生下一代临时参数解种群、下一代个体历史最优解和下一代临时参数解种群的最优解个体；对下一代临时参数解种群依次进行变异、交叉和选择，得到下一代参数解种群；利用下一代参数解种群更新当前参数解种群，利用下一代临时参数解种群的最优解个体更新当前迭代下的参数解种群最优解个体，利用下一代个体历史最优解更新当前个体历史最优解并返回步骤“判断当前参数解种群是否满足性能设计目标，得到第一判断结果”，从而提高姿态控制系统的可靠性。
附图说明
[0060]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图
获得其他的附图。
[0061]
图1为本发明提供的飞行器姿态智能控制方法流程图；
[0062]
图2为本发明提供的飞行器姿态智能控制方法流程示意图；
[0063]
图3为pam和ram的成功/失败详情图；
[0064]
图4为pam和ram的最佳优化倍率详情图；
[0065]
图5为pam和ram的收敛速度详情图。
具体实施方式
[0066]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0067]
本发明的目的是提供一种飞行器姿态智能控制方法及系统，以实现提高姿态控制系统的可靠性。
[0068]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0069]
如图1所示，本发明提供的一种飞行器姿态智能控制方法，包括：
[0070]
步骤101：获取飞行器姿控系统的性能参数和性能设计目标；所述性能设计目标包括目标幅值、目标相位和目标频率；所述性能参数包括飞行器姿控系统传递函数、伺服机构数据和零阶保持器采样周期数据。
[0071]
步骤102：根据所述性能参数确定系统初始状态的幅值和系统初始状态的相位。
[0072]
步骤103：根据所述系统初始状态的幅值和所述系统初始状态的相位利用校正网络进行优化，确定当前参数解种群、当前个体历史最优解和当前迭代下的参数解种群最优解个体。
[0073]
步骤104：判断所述当前参数解种群是否满足所述性能设计目标，得到第一判断结果；若所述第一判断结果表示是，则执行步骤105，若所述第一判断结果表示否，则执行步骤106。
[0074]
步骤105：根据所述当前迭代下的参数解种群最优解个体对所述飞行器姿控系统进行控制。
[0075]
步骤106：根据所述当前参数解种群和所述当前个体历史最优解利用粒子速度和位置更新产生下一代临时参数解种群、下一代个体历史最优解和下一代临时参数解种群的最优解个体。
[0076]
步骤107：对所述下一代临时参数解种群依次进行变异、交叉和选择，得到下一代参数解种群。
[0077]
步骤108：利用所述下一代参数解种群更新所述当前参数解种群，利用所述下一代临时参数解种群的最优解个体更新所述当前迭代下的参数解种群最优解个体，利用所述下一代个体历史最优解更新所述当前个体历史最优解并返回步骤104。
[0078]
作为一种可选的实施方式，步骤104，具体包括：
[0079]
根据所述当前参数解种群确定系统幅值、系统相位和系统频率；判断所述系统幅
值、所述系统相位和所述系统频率是否均满足所述性能设计目标，得到第一判断结果。
[0080]
作为一种可选的实施方式，所述步骤106，具体包括：
[0081]
根据所述当前参数解种群、所述当前个体历史最优解和所述当前迭代下的参数解种群最优解个体利用粒子速度和位置更新产生下一代临时参数解种群。
[0082]
根据所述下一代临时参数解种群和所述当前迭代下的参数解种群最优解个体产生所述下一代个体历史最优解和所述下一代临时参数解种群的最优解个体。
[0083]
作为一种可选的实施方式，所述下一代临时参数解种群中的个体表达式为：
[0084][0085]
其中，为下一代临时参数解种群中的第i个个体，为第t次迭代的第i个粒子的第j维的位置，为下一代临时参数解种群中第i个粒子的第j维的速度，t为迭代次数，i为粒子序号，j为维度.
[0086]
其中，第t次迭代的第i个粒子的第j维的位置的表达式为：
[0087][0088]
其中，w是惯性权重因子，为第i个粒子个体历史最优参数解，指参数解种群的最优解，c1为第一学习因子，c2为第二学习因子，r1为第一随机数，r2为第一随机数，为第t次迭代的第i个粒子的第j维的速度。
[0089]
作为一种可选的实施方式，所述下一代个体历史最优解的表达式为：
[0090][0091]
其中，pbesti为下一代个体历史最优解，为第t次迭代的第i个粒子的位置，为第t次迭代的第i个粒子的适应度，为下一代临时参数解种群中的第i个个体的适应度，为下一代临时参数解种群中的第i个个体。
[0092]
所述下一代临时参数解种群的最优解个体的表达式为：
[0093][0094]
其中，gbest为下一代临时参数解种群的最优解个体，f(gebst)为下一代临时参数解种群的最优解个体的适应度。
[0095]
作为一种可选的实施方式，所述步骤107，具体包括：
[0096]
根据缩放因子对所述下一代临时参数解种群进行变异操作，得到变异后的下一代临时参数解种群。
[0097]
根据所述下一代临时参数解种群和所述变异后的下一代临时参数解种群利用交叉算子进行交叉，得到交叉后的下一代临时参数解种群。
[0098]
根据所述下一代临时参数解种群和所述交叉后的下一代临时参数解种群利用适应度函数进行选择，得到下一代参数解种群。
[0099]
本发明还提供一种飞行器姿态智能控制系统，包括：
[0100]
获取模块，用于获取飞行器姿控系统的性能参数和性能设计目标；所述性能设计目标包括目标幅值、目标相位和目标频率；所述性能参数包括飞行器姿控系统传递函数、伺服机构数据和零阶保持器采样周期数据。
[0101]
初始状态确定模块，用于根据所述性能参数确定系统初始状态的幅值和系统初始状态的相位。
[0102]
优化模块，用于根据所述系统初始状态的幅值和所述系统初始状态的相位利用校正网络进行优化，确定当前参数解种群、当前个体历史最优解和当前迭代下的参数解种群最优解个体。
[0103]
判断模块，用于判断所述当前参数解种群是否满足所述性能设计目标，得到第一判断结果。
[0104]
控制模块，用于若所述第一判断结果表示是，则根据所述当前迭代下的参数解种群最优解个体对所述飞行器姿控系统进行控制。
[0105]
更新模块，用于若所述第一判断结果表示否，则根据所述当前参数解种群和所述当前个体历史最优解利用粒子速度和位置更新产生下一代临时参数解种群、下一代个体历史最优解和下一代临时参数解种群的最优解个体。
[0106]
变异、交叉和选择模块，用于对所述下一代临时参数解种群依次进行变异、交叉和选择，得到下一代参数解种群。
[0107]
返回模块，用于利用所述下一代参数解种群更新所述当前参数解种群，利用所述下一代临时参数解种群的最优解个体更新所述当前迭代下的参数解种群最优解个体，利用所述下一代个体历史最优解更新所述当前个体历史最优解并返回步骤“判断所述当前参数解种群是否满足所述性能设计目标，得到第一判断结果”。
[0108]
作为一种可选的实施方式，所述判断模块，具体包括：
[0109]
系统幅值、系统相位和系统频率确定单元，用于根据所述当前参数解种群确定系统幅值、系统相位和系统频率；判断单元，用于判断所述系统幅值、所述系统相位和所述系统频率是否均满足所述性能设计目标，得到第一判断结果。
[0110]
作为一种可选的实施方式，所述更新模块，具体包括：
[0111]
更新单元，用于根据所述当前参数解种群、所述当前个体历史最优解和所述当前迭代下的参数解种群最优解个体利用粒子速度和位置更新产生下一代临时参数解种群；产生模块，用于根据所述下一代临时参数解种群和所述当前迭代下的参数解种群最优解个体产生所述下一代个体历史最优解和所述下一代临时参数解种群的最优解个体。
[0112]
作为一种可选的实施方式，所述下一代临时参数解种群中的个体表达式为：
[0113][0114]
其中，为下一代临时参数解种群中的第i个个体，为第t次迭代的第i个粒子的第j维的位置，为下一代临时参数解种群中第i个粒子的第j维的速度，t为迭代次数，i为粒子序号，j为维度；
[0115]
其中，第t次迭代的第i个粒子的第j维的位置的表达式为：
[0116]
[0117]
其中，w是惯性权重因子，为第i个粒子个体历史最优参数解，指参数解种群的最优解，c1为第一学习因子，c2为第二学习因子，r1为第一随机数，r2为第一随机数，为第t次迭代的第i个粒子的第j维的速度。
[0118]
为解决pam算法在姿控系统参数自动生成问题中存在的可靠性低、容易陷入局部最优和收敛速度慢三大缺陷，本发明提出了一种基于群体智能算法的高可靠性飞行器姿态控制系统参数智能生成方法——ram，再根据生成的系统参数设计飞行器控制系统以实现飞行器姿态控制。
[0119]
ram的主要思想是将进化算法中的变异、交叉和选择操作融合到算法的迭代过程中，其中变异算子和交叉算子可以增加种群的多样性，本发明使用的自适应变异算子可在算法长时间陷入局部最优时产生新的个体，增强算法跳出局部最优的能力，同时该变异算子可根据迭代进程自动调整缩放因子，更好地应对复杂的优化场景，提高了算法在姿控参数自动生成问题中的可靠性；选择算子模拟自然界“优胜劣汰”的过程，由于变异和交叉产生的新个体变现不一定好于原种群个体，因此需要淘汰一部分表现较差的个体，保证每一轮迭代都保留表现较好的个体进入下一轮迭代，这种“贪心”的选择操作能大幅度加快算法的收敛速度。整个ram设计方案如图2所示。
[0120]
(1)输入模块的输入是飞行器姿控系统数据的文件名，例如tf1.trn，tf2.trn，sf.cuv等，输出是飞行器姿控系统的各项数据。其中系统性能参数包括飞行器姿控系统的传递函数g
传函
(s)，伺服机构数据sf，零阶保持器采样周期数据t，系统设计要求包括幅值设计要求c
幅值
，相位设计要求c
相位
，频率设计要求c
频率
。其中，频率为直接获取的。
[0121]
(2)系统初始状态幅值和相位计算模块的输入是飞行器姿控系统的各项数据，包括g
传函
(s)，sf和t，输出为飞行器姿控系统的幅值l(ω)和相位系统初值状态的幅值和相位分别为式(1)和(2)所示。
[0122]
l(ω)＝l
传函
(ω)+l
零阶
(ω)+l
伺服
(ω)，
ꢀꢀꢀꢀ
(1)
[0123]
其中l
传函
(ω)为传递函数的幅值，l
零阶
(ω)为零阶保持器的幅值，l
伺服
(ω)为伺服机构的幅值l(ω)为系统处置状态。
[0124][0125]
其中为传递函数的相位，为零阶保持器的相位，为伺服机构的相位。
[0126]
(3)校正网络初始解生成模块无需输入，是一个单独的模块，输出是参数解种群个体历史最优解pbest和参数解种群的最优解个体gbest。假设种群规模为n，每个参数解的维度为d，则参数解种群x0是一个n*d的矩阵，参数解种群中第i个个体为一个行向量，每一个个体就代表一个校正网络参数组合。由于这是初代种群，因此个体历史最优解pbest就是x0，参数解种群的最优解个体gbest就是整个种群中适应度最佳的个体。校正网络中的参数即飞行器姿控系统所需要设计的参数，初始解的生成策略有两种：a)如不指定初始值，则整个参数解种群在解空间内随机生成，各个维度满足均匀分布；b)如指定初始值，则整个参数解种群在初始值附近生成。
[0127]
(4)是否满足设计要求。输入是系统设计要求c
幅值
，c
相位
，c
频率
和第t代参数解种群x
t
，
输出是参数解是否满足设计要求。
[0128]
(5)产生新参数解模块输入是第t代参数解种群x
t
，输出是第t+1代临时参数解种群
[0129]
产生新参数解模块主要负责算法每轮迭代产生新的参数解，使得算法向全局最优解的位置移动，其主要思想是利用个体历史最佳位置和全体最佳的参数解来决定新参数解的位置。产生下一代临时参数解种群x
temp
中第i个个体的每一维的方式如式(3)和(4)所示。其中xi中的一个个体就对应一个校正网络，x
temp
就是由xi生成的一个临时种群，不一定就是下一代种群x
i+1
。
[0130][0131][0132]
其中：w是惯性权重因子，指第t次迭代的第i个粒子的第j维的速度，指第t次迭代的第i个粒子的第j维的位置，指第t次迭代的第i个粒子个体历史最优参数解的第j维，指第t次迭代参数解种群的最优解的第j维；c1、c2分别为学习因子，r1、r2为在[0，1]上的随机数。
[0133]
pbest和gbest按照式(5)和(6)更新，其中f为适应度函数。
[0134][0135][0136]
(6)参数解的增强模块的输入是下一代临时参数解种群x
temp
，输出是下一代参数解种群x
t+1
。参数解的增强模块主要负责对产生的新参数解进行增强，其包括变异、交叉、选择三个子模块。
[0137]
一、变异模块。该模块的输入是下一代临时参数解种群x
temp
，输出是下一代临时参数解种群
[0138]
在第t次迭代中，对于个体按式(7)生成一个临时变异个体从临时参数解种群x
temp
种群中随机选择三个个体且p1≠p2≠p3≠i。生成的变异向量为：
[0139][0140]
其中是差分向量；f是缩放因子，用于控制差分向量的影响力。
[0141]
本发明采用自适应变异算子，缩放因子f如式(8)所示
[0142][0143]
其中tm为最大迭代次数，t为当前迭代次数，f0为设定参数。
[0144]
(二)交叉模块。该模块的输入是下一代临时参数解种群x
temp
和xh，输出是下一代临时参数解种群
[0145]
引入交叉算子可以增强种群的多样性。在第t次迭代中，对于每个个体和它所生成的中间向量进行交叉，具体的说就是对每一个等位基因(个体的每一维)按照一定的概率选择临时变异个体(否则就是原临时个体)来生成临时交叉个体)来生成临时交叉个体的每一维按照式(9)计算：
[0146][0147]
其中，p
cr
为交叉率。
[0148]
(三)选择模块。该模块的输入是下一代临时参数解种群x
temp
和xm，输出是下一代临时参数解种群
[0149]
该过程根据适应度函数的值从临时交叉个体和临时个体中选择出适应度更高的作为下一代。不是在所有的和的总共2n个个体中选出适应度最高的那n个个体，而是对于这一代的每个个体的和都进行一次判断，留下适应度最好的那个作为下一代同样位置上的个体，如式(10)所示，其中f为适应度函数。
[0150][0151]
(1)输出模块。该模块的输入是最佳的参数解gbest，输出是文件形式的参数解，文件名为net.trn。gbest就代表整个种群中最好的的校正网络参数组合。(飞行器姿控控制系统参数＝校正网络参数＝种群中的一个个体＝矩阵中的每一行，gbest就是种群中表现最好的个体)
[0152]
本发明选取飞行器姿控参数自动优化设计中“刚体稳定和弹性幅值稳定”、“刚体稳定、弹性幅值稳定和弹性相位稳定”、“刚体稳定、弹性幅值稳定和晃动相位稳定”3种典型优化设计类型的传函数据进行实验验证，对比标准pam和ram的性能表现。为简化描述，令opt1代表“刚体稳定和弹性幅值稳定，opt2代表“刚体稳定、弹性幅值稳定和弹性相位稳定”，opt2代表“刚体稳定、弹性幅值稳定和晃动相位稳定”。
[0153]
在对比pam和ram在姿控参数自动生成问题中的性能时，本发明对opt1，opt2，opt3三种姿控参数优化类型分别使用pam和ram进行自动生成100次实验，每次实验算法迭代1000轮，最后从算法可靠性(生成满足设计要求的姿控参数的次数占总实验次数的比例)、最佳优化倍率(优化结果对优化目标的倍数)以及收敛速度三个方面进行评估。
[0154]
可靠性方面，其统计信息如表1所示，在较简单的opt1中，pam和ram都能以大于95％的概率成功生成满足设计要求的姿控参数，在opt2中，pam的成功率只有3％，而ram的成功率依然高达97％，在opt3中，pam没有一次成功地生成了满足设计要求的姿控参数，此时ram的成功率依然高达96％。具体每次是否成功如图3所示，其中，图3(a)为弹性幅值优化类型下pam和ram的可靠性对比图，图3(b)为弹性相位优化类型下pam和ram的可靠性对比图，图3(c)为晃动相位优化类型下pam和ram的可靠性对比图。
[0155]
表1 pam和ram可靠性比较
[0156][0157]
最佳优化倍率方面，其统计信息如表2所示，除标准差保留一位小数外，其余最大值、最小值、平均数、中位数均保留整数部分，每次实验的最佳优化倍率如图4所示，图4(a)为弹性幅值优化类型下pam和ram的最佳优化倍率对比图，图4(b)为弹性相位优化类型下pam和ram的最佳优化倍率对比图，图4(c)为晃动相位优化类型下pam和ram的最佳优化倍率对比图。在较简单的opt1中，ram相比pam，最佳优化倍率平均值提升了46.5％。虽然pam和ram都能以较高的倍率生成远大于优化目标的姿控参数，但ram在最大值、最小值、平均数、中位数都优于pam，且在反应最佳优化倍率稳定性的标准差方面，ram也小于pam，这说明ram在pam的基础上，面对一些简单的优化类型是，能有更好的优化效果。在较复杂的opt2中，情况与opt1一样，ram在各方面都优于pam。在opt3中，由于pam的成功率为0，因此所有统计信息都为0，但此时的ram依然保持了很高的优化倍率。
[0158]
表2 pam和ram最佳优化倍率比较
[0159][0160][0161]
由于“早熟”现象的存在，因此单纯考虑收敛速度是没有意义的，在收敛速度方面，本发明将会结合每次实验算法是否陷入局部最优(优化失败即陷入局部最优)一起分析，收
敛速度的统计信息如表3所示，除标准差和中位数保留一位小数外，其余统计信息均保留整数部分，每次实验的收敛速度如图5所示，图5(a)为弹性幅值优化类型下pam和ram的收敛速度对比图，图5(b)为弹性相位优化类型下pam和ram的收敛速度对比图，图5(c)为晃动相位优化类型下pam和ram的收敛速度对比图。在较简单的opt1中，由于pam和ram的成功率都大于95％，此时只考虑收敛速度即可。ram 225次的收敛速度，相比于pam的440次，加快了48.9％，且从图5(a)中可以明显看出，ram的收敛速度波动幅度更小，这说明了在两者成功率都很高时，ram能大幅度缩短姿控参数设计的时间。虽然在opt2和opt3中，ram的平均收敛速度都优于pam，但结合算法是否陷入局部最优来看，很明显pam在绝大多数实验的早期就都陷入了局部最优，出现了“早熟”现象，且ram的平均收敛速度在1000轮迭代的中属于中前期，是可接受的范围，即使在opt2中pam没有陷入局部最优的三次实验中，ram收敛速度也明显比ram慢，这也说明了ram牺牲了一定的时间换取了更高的可靠性(成功率)。
[0162]
表3 pam和ram收敛速度比较
[0163][0164][0165]
相比pam，ram能更好地满足飞行器姿控参数自动生成问题中的多优化类型特点；相比pam，ram在飞行器姿控参数各种优化类型中的可靠性更高，自动生成满足设计要求参数的成功率均大于95％；相比pam，ram在飞行器姿控参数自动生成问题中跳出局部最优、进行全局寻优的能力更强，且在不“早熟”的情况下，收敛速度更快。
[0166]
如图3所示，本发明实施方案流程如下：
[0167]
1.输入模型所需的传函数据、伺服插值数据和零阶保持器数据。
[0168]
2.设置系统的设计要求，包括幅值设计要求、相位设计要求和频率设计要求三个大类，每个类型下面有若干个设计要求。
[0169]
3.根据构建的姿控系统模型计算系统初始状态(没有加校正网络)的幅值和相位。
[0170]
4.生成初始参数解(校正网络)种群，有在解空间内随机生成和在给定初始值周围
生成两种生成方式。
[0171]
5.判断参数解是否满足设计要求，不满足则继续步骤6，满足则跳到步骤12。
[0172]
6.进入“产生新解”模块，根据公式1和2生成新的参数解。
[0173]
7.更新个体历史最佳位置和全局最优参数解。
[0174]
8.进入“参数解的增强”模块，根据公式3和4对产生的新参数解进行变异操作。
[0175]
9.根据公式5对参数解进行交叉操作。
[0176]
10.根据公式6对参数解进行选择操作。
[0177]
11.回步骤5。
[0178]
12.保存最佳的参数解(校正网络)。
[0179]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0180]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。