本發(fā)明涉及一種基于改進(jìn)灰狼算法的姿態(tài)機(jī)動(dòng)路徑規(guī)劃方法,屬于衛(wèi)星姿態(tài)機(jī)動(dòng)路徑規(guī)劃。
背景技術(shù):
1、航天器姿態(tài)機(jī)動(dòng)時(shí),應(yīng)防止明亮天體(如太陽)的光線進(jìn)入某些光學(xué)傳感器(如紅外傳感器或低光敏元件)的視場,否則會(huì)導(dǎo)致光學(xué)傳感器暫時(shí)失明或損壞。在機(jī)動(dòng)過程中,太陽能電池陣的過程方向矢量必須保持在一定的要求范圍內(nèi),才能持續(xù)提供電能。這些方向約束極大地限制了航天器姿態(tài)機(jī)動(dòng)的可行域。此外,角速度和控制力矩的限制也會(huì)影響姿態(tài)機(jī)動(dòng)路徑。由于這些復(fù)雜的約束條件,航天器引導(dǎo)、導(dǎo)航和控制系統(tǒng)的時(shí)間最優(yōu)機(jī)動(dòng)路徑規(guī)劃具有很大的挑戰(zhàn)性。
2、我們將衛(wèi)星的軌跡規(guī)劃問題轉(zhuǎn)化為求時(shí)間最優(yōu)和路徑最短的優(yōu)化問題。近年來,元啟發(fā)式算法因其簡單和優(yōu)點(diǎn)而得到越來越多的應(yīng)用。計(jì)算技術(shù)的快速發(fā)展彌補(bǔ)了計(jì)算成本。許多元啟發(fā)式算法已經(jīng)被提出;它們可以細(xì)分為兩大類:仿生算法和物理算法。第一種與動(dòng)物生物學(xué)和行為有關(guān),而第二種則基于物理定律。最常用的算法有:遺傳算法受到達(dá)爾文進(jìn)化論的啟發(fā);蟻群算法,靈感來自螞蟻的行為;粒子群優(yōu)化算法,基于人類的社會(huì)行為和群鳥;差分進(jìn)化算法,基于適用于群體的突變、重組和選擇的概念。其次,學(xué)者提出了一種改進(jìn)的約束差分進(jìn)化(de)算法來生成最優(yōu)可行路徑。另外,人工的結(jié)合進(jìn)化規(guī)劃的蜂群算法,模糊四叉樹框架,改進(jìn)的旅行商問題算法,以及改進(jìn)的脈沖耦合神經(jīng)網(wǎng)絡(luò)模型同樣適用于智能體的路徑規(guī)劃問題。還有其他算法用于解決類似的優(yōu)化問題。而且,學(xué)者已經(jīng)在不同的環(huán)境中實(shí)現(xiàn)了許多方法來尋找最優(yōu)路徑。不過,元啟發(fā)式算法的一個(gè)問題是如何正確地設(shè)置一些內(nèi)部參數(shù),如最大迭代次數(shù)、種群大小和內(nèi)部系數(shù)。這些參數(shù)可能會(huì)根據(jù)需要優(yōu)化的不同問題而變化,因?yàn)樗鼈儠?huì)顯著影響優(yōu)化過程的結(jié)果。因此,這對(duì)此類算法的使用造成了限制,僅限該領(lǐng)域的專家用戶使用。
技術(shù)實(shí)現(xiàn)思路
1、本發(fā)明解決的技術(shù)問題是:針對(duì)目前現(xiàn)有技術(shù)中,尋找最優(yōu)路徑的傳統(tǒng)算法對(duì)優(yōu)化過程影響過大、存在使用限制的問題,提出了一種基于改進(jìn)灰狼算法的姿態(tài)機(jī)動(dòng)路徑規(guī)劃方法。
2、本發(fā)明解決上述技術(shù)問題是通過如下技術(shù)方案予以實(shí)現(xiàn)的:
3、一種基于改進(jìn)灰狼算法的姿態(tài)機(jī)動(dòng)路徑規(guī)劃方法,包括:
4、接收衛(wèi)星姿態(tài)輸入數(shù)據(jù),根據(jù)改進(jìn)灰狼算法進(jìn)行迭代變異,直至滿足迭代次數(shù)或滿足給定精度后,輸出最優(yōu)參數(shù);
5、利用最優(yōu)參數(shù)獲取模擬衛(wèi)星路徑;
6、根據(jù)模擬衛(wèi)星路徑,確定衛(wèi)星控制姿態(tài)數(shù)據(jù)的仿真變化情況,完成衛(wèi)星路徑規(guī)劃。
7、根據(jù)改進(jìn)灰狼算法進(jìn)行迭代變異并輸出最優(yōu)參數(shù)的方法為:
8、對(duì)衛(wèi)星姿態(tài)輸入數(shù)據(jù)進(jìn)行灰狼種群初始化處理;
9、根據(jù)初始值進(jìn)行灰狼個(gè)體的交叉處理;
10、完成交叉處理后的灰狼個(gè)體進(jìn)行變異操作,計(jì)算變異后姿態(tài)差適應(yīng)值;
11、根據(jù)姿態(tài)差適應(yīng)值進(jìn)行判斷,若不滿足給定精度要求且未到達(dá)預(yù)設(shè)迭代次數(shù),則重復(fù)執(zhí)行灰狼種群交叉變異操作,直至滿足預(yù)設(shè)迭代次數(shù)或交叉變異操作所得變異后適應(yīng)度最小值滿足給定精度。
12、灰狼種群初始化處理方法為:
13、確定初始值預(yù)設(shè)迭代次數(shù)、種群規(guī)模、概率因子,根據(jù)初始值確定衛(wèi)星姿態(tài)控制參數(shù)x0={u0,w0,q0}及目標(biāo)姿態(tài)參數(shù);
14、確定第t代獵物的位置向量第t代第i個(gè)灰狼個(gè)體的位置向量以及第t代各灰狼個(gè)體與獵物之間的距離具體為:
15、
16、根據(jù)距離值更新領(lǐng)頭狼位置,完成種群初始化處理;
17、其中,u為控制力矩,w為角速度,q為姿態(tài)四元數(shù)。
18、灰狼個(gè)體的交叉處理方法為:
19、于灰狼種群中選取目標(biāo)矢量個(gè)體及變異矢量根據(jù)衛(wèi)星姿態(tài)控制參數(shù)x0={u0,w0,q0},進(jìn)化目標(biāo)矢量個(gè)體
20、根據(jù)概率因子獲取進(jìn)化后目標(biāo)矢量個(gè)體對(duì)應(yīng)的控制力矩
21、
22、式中,cr為概率因子,j為隨機(jī)因子;根據(jù)進(jìn)化后目標(biāo)矢量個(gè)體對(duì)應(yīng)的控制力矩,確定進(jìn)化后目標(biāo)矢量個(gè)體對(duì)應(yīng)的衛(wèi)星姿態(tài)控制參數(shù)。
23、交叉處理后的灰狼個(gè)體進(jìn)行變異操作的方法為:
24、根據(jù)不同的兩個(gè)矢量個(gè)體確定差分矢量,將差分矢量添加至隨機(jī)選擇的第t代目標(biāo)矢量個(gè)體上,確定變異后目標(biāo)矢量個(gè)體對(duì)應(yīng)的下一代變異矢量并于迭代過程開始后,代入至控制力矩的確定過程中,對(duì)參與灰狼個(gè)體的交叉處理的變異矢量進(jìn)行更新。
25、所述差分矢量dr1,2為:
26、式中,為第t代灰狼種群中不同矢量個(gè)體;
27、灰狼個(gè)體進(jìn)行變異操作為:
28、姿態(tài)差適應(yīng)值判斷方法為:
29、確定當(dāng)前目標(biāo)矢量個(gè)體均完成變異操作后,確定目標(biāo)矢量個(gè)體對(duì)應(yīng)的衛(wèi)星姿態(tài)控制參數(shù),對(duì)衛(wèi)星姿態(tài)控制參數(shù)中的姿態(tài)四元數(shù)進(jìn)行提?。?/p>
30、對(duì)姿態(tài)四元數(shù)及目標(biāo)姿態(tài)參數(shù)進(jìn)行比較,確定姿態(tài)差適應(yīng)值計(jì)算函數(shù);
31、判斷計(jì)算所得姿態(tài)差適應(yīng)值,若達(dá)到給定精度范圍內(nèi)則停止,否則重復(fù)執(zhí)行灰狼種群交叉變異操作,直至滿足預(yù)設(shè)迭代次數(shù)。
32、所述姿態(tài)四元數(shù)及目標(biāo)姿態(tài)參數(shù)差qe為:qe=[qe0?qe1?qe2?qe3]t;
33、式中,qe0、qe1、qe2、qe3為角速度四元數(shù)定義q=[q0,q1,q2,q3];
34、姿態(tài)差適應(yīng)值jq計(jì)算函數(shù)為:
35、
36、所述灰狼種群交叉變異操作迭代過程中,對(duì)每一代灰狼種群中姿態(tài)差適應(yīng)值jq的最小值對(duì)應(yīng)的衛(wèi)星姿態(tài)參數(shù)作為所得最優(yōu)參數(shù)進(jìn)行輸出。
37、模擬衛(wèi)星路徑根據(jù)最優(yōu)衛(wèi)星姿態(tài)參數(shù)確定后,對(duì)指定時(shí)間段內(nèi)的衛(wèi)星姿態(tài)控制參數(shù)的變化情況進(jìn)行標(biāo)記,確定衛(wèi)星控制姿態(tài)數(shù)據(jù)的仿真變化情況;
38、其中,衛(wèi)星姿態(tài)控制參數(shù)中,角速度及姿態(tài)四元數(shù)均根據(jù)當(dāng)前時(shí)刻控制力矩確定,控制力矩根據(jù)改進(jìn)灰狼算法迭代確定。
39、本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點(diǎn)在于:
40、(1)本發(fā)明提供的一種基于改進(jìn)灰狼算法的姿態(tài)機(jī)動(dòng)路徑規(guī)劃方法,利用改進(jìn)后灰狼算法計(jì)算各灰狼的適應(yīng)度值計(jì)算手段,判斷姿態(tài)差值實(shí)現(xiàn)最優(yōu)適應(yīng)值及對(duì)應(yīng)衛(wèi)星姿態(tài)參數(shù)的選取,相比使用傳統(tǒng)迭代算法收斂的方案減少了信息數(shù)據(jù)的交互,考慮了各衛(wèi)星自身資源條件的限制,有利于降低通信負(fù)載和優(yōu)化功率消耗;
41、(2)本發(fā)明提出的路徑規(guī)劃方法,在衛(wèi)星計(jì)算資源有限的情況下進(jìn)行姿態(tài)機(jī)動(dòng),提高了規(guī)劃系統(tǒng)的魯棒性和整個(gè)系統(tǒng)的運(yùn)行效率,同時(shí)基于改進(jìn)灰狼算法進(jìn)行姿態(tài)規(guī)劃,規(guī)劃出的角速率和控制力矩變化平穩(wěn)簡單,減少能量消耗。
1.一種基于改進(jìn)灰狼算法的姿態(tài)機(jī)動(dòng)路徑規(guī)劃方法,其特征在于包括:
2.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)灰狼算法的姿態(tài)機(jī)動(dòng)路徑規(guī)劃方法,其特征在于:
3.根據(jù)權(quán)利要求2所述的一種基于改進(jìn)灰狼算法的姿態(tài)機(jī)動(dòng)路徑規(guī)劃方法,其特征在于:
4.根據(jù)權(quán)利要求3所述的一種基于改進(jìn)灰狼算法的姿態(tài)機(jī)動(dòng)路徑規(guī)劃方法,其特征在于:
5.根據(jù)權(quán)利要求4所述的一種基于改進(jìn)灰狼算法的姿態(tài)機(jī)動(dòng)路徑規(guī)劃方法,其特征在于:
6.根據(jù)權(quán)利要求5所述的一種基于改進(jìn)灰狼算法的姿態(tài)機(jī)動(dòng)路徑規(guī)劃方法,其特征在于:
7.根據(jù)權(quán)利要求6所述的一種基于改進(jìn)灰狼算法的姿態(tài)機(jī)動(dòng)路徑規(guī)劃方法,其特征在于:
8.根據(jù)權(quán)利要求7所述的一種基于改進(jìn)灰狼算法的姿態(tài)機(jī)動(dòng)路徑規(guī)劃方法,其特征在于:
9.根據(jù)權(quán)利要求8述的一種基于改進(jìn)灰狼算法的姿態(tài)機(jī)動(dòng)路徑規(guī)劃方法,其特征在于:
10.根據(jù)權(quán)利要求9述的一種基于改進(jìn)灰狼算法的姿態(tài)機(jī)動(dòng)路徑規(guī)劃方法,其特征在于: