买专利,只认龙图腾
首页 专利交易 科技果 科技人才 科技服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

【发明公布】一种基于混沌灰狼优化的无人机编队控制方法_北京航空航天大学_202010216392.0 

申请/专利权人:北京航空航天大学

申请日:2020-03-25

公开(公告)日:2020-07-24

公开(公告)号:CN111443728A

主分类号:G05D1/10(20060101)

分类号:G05D1/10(20060101);G05B13/04(20060101);G06N3/00(20060101);G06N7/08(20060101)

优先权:

专利状态码:有效-授权

法律状态:2021.05.28#授权;2020.08.18#实质审查的生效;2020.07.24#公开

摘要:本发明提出了一种基于混沌灰狼优化的无人机编队控制方法,建立了无人机编队控制的分布式MPC框架,其中每个无人机仅与邻居共享信息,降低通讯要求与计算复杂性;将混沌优化算法与灰狼优化算法相结合,提高算法性能。将算法与分布式MPC相结合,求解FHOCP,从而实现无人机编队控制。

主权项:1.一种基于混沌灰狼优化的无人机编队控制方法,其特征在于,包括以下步骤:S1:建立无人机编队模型:设N架无人机做定高飞行,即处在相同的二维平面中,每架无人机能够看成一个质点,每架无人机的运动模型为: 其中,pi=[pix,piy]T是无人机i的位置,pix是无人机i在x轴上的坐标,piy是无人机i在y轴上的坐标,是pix的一阶导数,表示无人机i在x轴方向的速度,是piy的一阶导数,表示无人机i在y轴方向的速度,vi和θi是无人机i的飞行速度和航向角,是θi的一阶导数,是vi的一阶导数,ωi和ai表示无人机i的角速度和加速度;S2:建立通讯限制情况下无人机动力学方程:对非线性的模型预测控制问题,无人机动力学方程表示为: 其中,是系统状态轨迹,n是状态量的数量,是zt的一阶导数,是系统控制轨迹,m是控制量的数量,t0是初始时间,z0是系统的初始状态轨迹;对分布式模型预测控制问题,无人机i∈V={1,2,...,N}的解耦时不变非线性动力学等效为: 则上述系统向量表示为:z=z1,z2,...,zN,u=u1,u2,...,uN,fz,u=f1z1,u1,f2z2,u2,...,fNzN,uN,是zit的一阶导数,V是N架无人机的集合;在通讯受限情况下,设无人机i只能与集合中的邻居无人机交流,在集合中的无人机数量为Ni,对于编队中不是邻居的无人机,无人机i只能间接的通过邻居接收到相应信息,表示不是无人机i邻居的无人机的集合;在分布式模型预测控制中,无人机j是无人机i的邻居无人机,无人机i的邻居无人机的控制轨迹和状态轨迹表示为:u-it={ujt}和z-it={zjt},动力学方程为: 无人机k是无人机i的非邻居无人机,是无人机j的邻居无人机的集合,无人机i的非邻居无人机的控制轨迹和状态轨迹表示为和z~it={zkt},动力学方程为: 其中,是z-it的一阶导数;是z~it的一阶导数;S3:初始化混沌灰狼优化算法的参数:设狼群总数量为Ng,搜索空间为D维,最大迭代次数为tmax;S4:设计混沌灰狼优化算法:S4-1:灰狼优化算法;设第ig只狼的位置向量为代表狼在D维空间中的位置,第ig只狼的狩猎过程表示为:Dig=|Cig·Xptg-Xigtg|6 其中,tg为当前迭代次数,Xigtg为第ig只狼在当前迭代中的位置向量,Xigtg+1为第i只狼在下次迭代中的位置向量,Dig是距离矢量,Xptg表示猎物的位置向量,也代表最优解,系数向量Aig和Cig通过以下表达式获得:Aig=2a·r1-a8Cig=2·r29其中,r1和r2是D维空间中[0,1]间的随机向量,a=2-2tgtmax,tmax为最大迭代次数;认为狼群首领更了解猎物的位置,最优的前三个解是狼α,β和δ,它们作为狼群的首领,距离猎物的位置更近,将首领狼的位置向量作为猎物的位置向量带入式6,7中,其他的狼跟随首领进行狩猎的过程表示为: 其中,Xαtg,Xβtg和Xδtg是狼α,β和δ的位置向量,X1tg+1,X2tg+1和X3tg+1是依据三个首领狼的作为猎物位置时计算出的下次迭代的位置向量,Aα,Aβ,Aδ以及Cα,Cβ,Cδ分别是狼α,β和δ作为猎物位置时的系数向量;S4-2:混沌灰狼优化算法;初始化时,用混沌映射生成按适应度值排序的2×Ng个解,并选择奇数项作为初始解,同时,a也由混沌算子产生;将每个个体的最优解包括在搜索机制中: 其中,表示第ig只狼的个体最优解,为下次迭代的位置向量,为当前迭代的位置向量,Ab和Cb为对应的系数向量,为了在搜索机制强调三个首领狼的作用,位置更新过程为: 其中,ω表示狼群中非首领的狼,f·是个体的适应度函数,Xαtg+1,Xβtg+1和Xδtg+1分别是狼α,β和δ在下次迭代的位置向量;之后,在搜索机制中引入混沌优化策略,将差分进化方法的贪婪策略集成到混沌搜索策略中;S4-2-1:将搜索范围限制在[Xmin,Xmax],将映射到范围0,1,映射公式为: S4-2-2:迭代次数为Cmax,一系列的混沌变量q=1,2,...,Cmax由混沌映射迭代计算,之后可以用逆映射得到混沌序列: S4-2-3:基于适应度从混沌解序列中选取最优解,是第ig只狼在下次迭代的混沌解序列中适应度最优的解: S4-2-4:定义贪心阈值为ξG,得到新的位置更新方程: 其中,r3是[0,1]间的随机数;S5:建立基于混沌灰狼优化的分布式模型预测控制框架:S5-1:设计代价函数;第i架无人机的分布式代价函数为:Fizit,uit=wi1Fi1zit,uit+wi2Fi2zit,uit+wi3Fi3zit,uit18其中,wi1,wi2和wi3是权重常量,Fi1zit,uit表示编队距离约束: 其中,是无人机编队中相邻无人机的集合,对编队中每架无人机i,若有则定义pijt=pit-pjt表示无人机i和无人机j之间的距离,pit和pjt分别是无人机i和无人机j的位置,是期望的无人机i和无人机j之间的距离;Fi2zit,uit表示编队中的角度约束: 其中,是无人机i和无人机j之间的角度约束,是期望的无人机i和无人机j之间的角度约束;Fi3zit,uit表示编队对参考轨迹的跟踪: 其中,是编队中心的位置,是编队中心期望的位置;考虑估计控制轨迹和估计状态轨迹,每架无人机i的分布式代价函数为: 其中,是无人机i的预测位置,是无人机j的估计位置,是无人机k的估计位置;是无人机i和无人机j之间的期望距离,是无人机i和无人机k之间的期望距离,是便对中心和参考轨迹之间的期望距离;是无人机i和无人机j之间的期望角度约束,是无人机i和无人机j之间的预测角度约束;S5-2:设计基于混沌灰狼优化的分布式模型预测控制框架;在模型预测控制中,预测时域为Tp∈0,∞,控制区间为δT∈0,Tp],滚动时域控制时刻为tc=t0+δTc,c∈{0,1,2,...},在每个控制时刻tc,模型预测控制的求解问题就是有限时域优化控制问题;tc时,无人机i不同的状态和控制轨迹如下:和是预测控制轨迹和预测状态轨迹,和是最优控制轨迹和最优状态轨迹轨迹,和是估计控制轨迹和估计状态轨迹;相应的,和是中无人机的估计控制轨迹和估计状态轨迹,和是中无人机的估计控制轨迹和估计状态轨迹;在每个控制时刻tc,首先用前一个预测周期[tc-1,tc-1+Tp]最优控制轨迹初始化编队中无人机的控制输入;然后,每架无人机从其邻居接收信息,生成估计控制轨迹;估计状态轨迹基于两个部分进行计算,一部分是前一个预测周期邻居无人机的控制轨迹,另一部分是前两个预测周期中非邻居的控制轨迹,因为来自非邻居的信息是从邻居进行间接传输的;基于来自邻居的估计状态和估计控制轨迹,编队中每架无人机计算其自身的分布式代价函数,并找到当前预测周期[tc,tc+Tp]的预测控制轨迹;最后,通过混沌灰狼优化获得最优控制序列,并用第一个控制区间[tc,tc+1]的最优控制轨迹来更新每架无人机的状态;S6:输出无人机编队控制方法结果:给出期望的编队队形和参考轨迹,最终实现无人机保持期望队形,且编队中心按照参考轨迹进行编队飞行。

全文数据:

权利要求:

百度查询: 北京航空航天大学 一种基于混沌灰狼优化的无人机编队控制方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。