基于布谷鸟搜索算法的一类变体飞行器容错控制

针对一类存在执行机构故障的分布式结构变体飞行器的控制分配问题,结合整数规划理论,提出一种基于布谷鸟搜索算法的容错控制方法。首先,设计虚拟控制指令,使得系统状态能够很好地跟踪参考模型;然后,将执行器概率性故障与饱和约束转换为整数规划问题中决策变量的约束,从而将执行器控制分配问题转化为一类整数规划问题;最后,采用改进的布谷鸟搜索算法进行求解,得到实际的执行器控制分配指令。仿真结果表明,在执行器存在概率性故障的情况下,该容错控制方法较无容错策略的情况能够有效提升系统的跟踪性能;与遗传算法相比,该算法得到的执行器控制分配结果更加精确。     

Adaptive double chain quantum genetic algorithm for constrained optimization problems

Optimization problems are often highly constrained and evolutionary algorithms(EAs)are effective methods to tackle this kind of problems. To further improve search efficiency and convergence rate of EAs, this paper presents an adaptive double chain quantum genetic algorithm(ADCQGA) for solving constrained optimization problems. ADCQGA makes use of doubleindividuals to represent solutions that are classified as feasible and infeasible solutions. Fitness(or evaluation) functions are defined for both types of solutions. Based on the fitness function, three types of step evolution(SE) are defined and utilized for judging evolutionary individuals. An adaptive rotation is proposed and used to facilitate updating individuals in different solutions.To further improve the search capability and convergence rate, ADCQGA utilizes an adaptive evolution process(AEP), adaptive mutation and replacement techniques. ADCQGA was first tested on a widely used benchmark function to illustrate the relationship between initial parameter values and the convergence rate/search capability. Then the proposed ADCQGA is successfully applied to solve other twelve benchmark functions and five well-known constrained engineering design problems. Multi-aircraft cooperative target allocation problem is a typical constrained optimization problem and requires efficient methods to tackle. Finally, ADCQGA is successfully applied to solving the target allocation problem.     

基于Kriging的多目标遗传算法

为了提高多目标优化问题的求解效率,提出了一种新的处理约束多目标优化问题的基于Kriging的多目标遗传算法(MOKGA)。MOKGA采用物理规划法将多目标优化转化为单目标优化,然后构建目标函数的考虑约束的EI(Expected Improvement)模型,并采用遗传算法进行求解。六峰值驼背函数和一个导弹多目标多学科设计优化问题用于MOKGA算法性能的测试。结果表明,与理论解相比,MOKGA算法有很好的优化结果;与NSGA II相比,MOKGA有很快的收敛性。     

机场终端区容流调配鲁棒优化模型

为解决机场不确定容量条件下的航班进离场流量分配问题,以容流调配策略在各情景下的规划外延误损失或多余延误损失的均值与标准差之和最小为目标,建立了终端区容流调配鲁棒优化模型;采用捕食搜索算法求解模型,以国内某机场终端区运行数据为例进行仿真验证,并与经典终端区容流调配模型进行比较,结果表明,鲁棒优化模型较好地实现了容流调配的鲁棒性,有效减少了不同情景下进离场航班延误的扰动。     

资源受限条件下的离港航班停机位分配优化模型

停机位作为机场的重要资源,优化停机位分配策略,实现更优的航班运行效率和旅客满意度已成为研究的重中之重。针对研究牵引车、管制员等资源受限条件下的停机位分配问题,首先以航空器延误时间最少、靠桥数最大为目标,并将靠桥数最大转化为不靠桥数最小,建立停机位分配优化模型,采用启发式算法进行求解;其次搭建场面仿真模型以验证算法的可靠性;最后通过北京大兴国际机场进行实例验证。结果表明：相较于机场实际运行情况,本文所建立的停机位分配优化模型使航空器延误降低25.5%、靠桥率提升8.8%,本文所提出的停机位分配策略可以在资源受限条件下实现场面延误和靠桥率的优化。     

Multi-UAV reconnaissance task allocation for heterogeneous targets using an opposition-based genetic algorithm with double-chromosome encoding

This paper presents a novel multiple Unmanned Aerial Vehicles (UAVs) reconnaissance task allocation model for heterogeneous targets and an effective genetic algorithm to optimize UAVs’ task sequence. Heterogeneous targets are classified into point targets, line targets and area targets according to features of target geometry and sensor’s field of view. Each UAV is regarded as a Dubins vehicle to consider the kinematic constraints. And the objective of task allocation is to minimize the task execution time and UAVs’ total consumptions. Then, multi-UAV reconnaissance task allocation is formulated as an extended Multiple Dubins Travelling Salesmen Problem (MDTSP), where visit paths to the heterogeneous targets must meet specific constraints due to the targets’ feature. As a complex combinatorial optimization problem, the dimensions of MDTSP are further increased due to the heterogeneity of targets. To efficiently solve this computationally expensive problem, the Opposition-based Genetic Algorithm using Double-chromosomes Encoding and Multiple Mutation Operators (OGA-DEMMO) is developed to improve the population variety for enhancing the global exploration capability. The simulation results demonstrate that OGA-DEMMO outperforms the ordinary genetic algorithm, ant colony optimization and random search in terms of optimality of the allocation results, especially for large scale reconnaissance task allocation problems.     

不确定环境下多无人机任务分配

针对复杂战场环境下无人机与攻击目标之间距离的不确定性,将该距离抽象为一个区间数。在此基础上,构建了不确定环境下多无人机任务分配的数学模型。根据多无人机任务分配问题的特殊性,重新设计了差分进化算法的编码方式、变异操作、交叉操作等。其中,选择操作中,在区间数排序方法的基础上,依照可能度来计算候选解被选中的概率。鉴于差分进化算法中不同变异策略的内在特点和适用场合不尽相同,提出了 3种多变异策略的差分进化算法,以便最大限度地发挥各种变异策略的技术优势。针对 CEC2013测试函数和多无人机任务分配问题分别开展仿真实验,实验结果表明,多变异策略的差分进化算法其性能改进显著,非常适合于求解多无人机任务分 配问题。     

基于零空间的改进直接分配法

直接分配法是解决操纵面冗余飞行器控制分配的一种有效方法,但直接分配法只能对指定方向上误差最小目标进行优化,这种缺点限制了直接分配法的应用。零空间可以在保持转矩不变的前提下对控制量进行调节,利用这种特性,在三维转矩直接分配的基础上,通过对零空间坐标K进行数学规划可以使其他性能指标达到最优。推导证明,控制量最小问题和阻力最小问题分别可以转化为对坐标K的线性规划与二次规划问题。仿真结果表明,给出的基于零空间的改进直接分配法可以实现控制量最小和阻力最小控制分配。     

复合式旋翼飞行器多目标控制分配策略

针对复合式旋翼飞行器操纵冗余多模式切换控制问题，提出一种基于赋权多目标混合优化的控制分配策略。该策略根据复合式旋翼飞行器过渡模式舵面操纵特性，建立飞行器带约束过渡过程控制分配模型；设计混合多目标优化性能指标评价函数，有效处理操纵量控制受限、交叉强耦合及非线性特性，并减少舵面耗能；采用改进的粒子群优化算法动态更新操纵量及控制通道的权系数矩阵，提高控制面操纵效率，加快优化搜索速度，快速求解过渡过程多目标控制分配变量。该策略实现复合式旋翼飞行器模式切换过渡过程实时有效地操纵量控制分配，保证飞行器快速准确跟踪控制指令的能力。同时，通过多目标控制分配策略，飞行控制系统不需要增加额外的模式切换控制器，降低系统设计难度，提高安全性。     

基于分解策略的SSO发射轨道遗传全局优化设计

提出了基于轨道分解优化和遗传算法（GA）的SSO发射轨道优化设计策略。针对多个轨道段相互耦合问题,基于分解优化策略,将整个发射轨道设计问题分解为两个轨道段设计问题。为了高效可靠地获得全局最优解,对基本遗传算法进行了改进。首先提出了基于多变异操作等改进措施的改进遗传算法;此外,结合遗传算法的全局搜索特性和Powell算法的局部搜索特性,设计了一种串行混合遗传算法。一个二级SSO运载火箭的计算结果表明,轨道分解优化策略确保了问题的成功求解,改进遗传算法和混合遗传算法均可稳定地获得全局最优解,但是混合算法更有效地提高了GA性能。     

ABCLS method for high-reliability aerospace mechanism with truncated random uncertainties

The random variables are always truncated in aerospace engineering and the truncated distribution is more feasible and effective for the random variables due to the limited samples available.For high-reliability aerospace mechanism with truncated random variables, a method based on artificial bee colony(ABC) algorithm and line sampling(LS) is proposed.The artificial bee colony-based line sampling(ABCLS) method presents a multi-constrained optimization model to solve the potential non-convergence problem when calculating design point(is also as most probable point, MPP) of performance function with truncated variables; by implementing ABC algorithm to search for MPP in the standard normal space, the optimization efficiency and global searching ability are increased with this method dramatically.When calculating the reliability of aerospace mechanism with too small failure probability, the Monte Carlo simulation method needs too large sample size.The ABCLS method could overcome this drawback.For reliability problems with implicit functions, this paper combines the ABCLS with Kriging response surface method,therefore could alleviate computational burden of calculating the reliability of complex aerospace mechanism.A numerical example and an engineering example are carried out to verify this method and prove the applicability.     

多目标决策的交互式maximin方法及其在资源分配中的应用

多目标决策的交互式ｍａｘｉｍｉｎ方法一直没有解决如何根据决策者的愿望（特别是变化了的愿望）调整满意解。本文研究了调整原理,调整过程中所要调整的参数具有明确的实际意义。将交互式ｍａｘｉｍｉｎ方法应用到资源分配问题,建立了资源分配的多目标决策模型,并设计了系统分解协调的求解方法。     

蚁群算法的改进设计及在航迹规划中的应用

将蚁群算法与人工势场算法相结合，提出了一种新的寻优算法。在算法的设计过程中，首先引入人工势场法进行蚁群算法初始信息素的分配，避免了在迭代初始阶段，信息素太少与启发信息不成比例而使得蚂蚁集中在启发信息最强的路径上，从而陷入局部最优的问题。其次，通过引入势场引导函数改进蚁群算法的状态转移函数，避免了在三维空间中蚂蚁搜索容易忽视节点周围障碍物因素，从而陷入盲目选择导致搜索时间过长的问题。将优化算法应用于无人机三维航迹规划问题的求解，并通过仿真验证了有效性。     

一类控制受限不确定系统的控制分配重构控制

针对一类控制受限的不确定性系统,提出了一种基于控制分配理论的重构控制策略。该重构策略充分考虑了作动器偏转受约束的情形,基于伪逆控制分配算法,利用自适应控制理论和李雅普诺夫稳定理论,设计了控制分配阵的自适应控制律,使得系统在作动器发生饱和的情形下自适应地调节控制分配阵,从而改变作用于作动器的控制指令,完成系统的重构任务。最后以某多操纵面战机模型为算例对算法予以验证,仿真结果表明了算法的合理性。     

基于搜索空间变换和序优化的预警星座设计

高轨预警星座由若干颗地球静止轨道卫星和大椭圆轨道卫星组成,星座优化的目标是满足重点监视区域的覆盖和提高覆盖区域的定位精度。对于覆盖性优化,根据多个监视区域的威胁等级,星座系统需要提供不同的覆盖重数;对于定位精度优化,系统在立体观测和单星观测情况下存在很大差异。因此高轨预警星座优化是一个复杂多区域多目标优化问题。针对以上难点,提出了多层次多目标优化模型,可以较完整合理地描述预警星座优化问题;在优化模型求解方面,将优化计算分为覆盖性优化和定位精度优化两个环节;在覆盖性优化环节,提出了基于搜索空间变换的覆盖性快速优化方法,提高了Pareto最优解的计算速度和准确性。在定位精度优化环节,采用序优化方法进一步缩短优化时间。仿真试验表明,该方法可设计出满足预警任务需求的星座,且优化耗时在1 min以内,能有效地缩短预警星座优化时间。     

毫米波通信定位一体化自组网资源分配技术

毫米波通信链路具有低延迟、高速率和高定向性的特点,能够实现高速率自组网通信和高精度节点定位。在通信定位一体化背景下,研究了毫米波自组网中的多用户资源分配问题。系统采用基于正交频分多址(OFDMA)的多用户通信定位一体化框架,推导了基于位置估计误差界(PEB)和方位估计误差界(OEB)的多用户定位性能准则和基于数据速率的通信准则,建立了时域和频域的资源分配优化问题模型,在保障链路通信速率的前提下,最优化用户的定位性能指标。为了求解上述混合整数非线性规划问题,引入广义Benders分解算法,将优化问题分解为主问题和子问题进行迭代求解,得到有效的资源分配结果,最后通过仿真验证了资源分配对定位与通信性能的影响以及算法的有效性。     

弹性高超声速滑翔飞行器的状态/参数联合估计

弹性高超声速滑翔飞行器具有强非线性、强不确定性和刚体/弹性耦合的特点，对其状态和参数进行估计十分必要。为解决这一问题，提出了一种传感器布置策略和一种利用正交三角（QR）分解更新到达代价的滚动时域估计算法（MHE-QR）。首先，建立了考虑弹性的传感器观测模型并分析了传感器位置对可观性的影响，并在此基础上提出了一种反映系统可观性的性能指标。传感器布置策略以此性能指标为目标函数，将传感器布置问题转化为约束非线性优化问题并求解，即可得到最优传感器布置方案。然后提出了MHE-QR算法。在滚动时域估计的框架下，该算法利用前向动态规划原理将到达代价的计算转化为最小二乘问题，并给出了基于QR分解的到达代价更新算法。仿真结果表明该传感器布置策略和MHE-QR算法能够有效提高估计精度、收敛速度和计算速度。此外，MHE-QR算法具有实时应用的潜力。     

Sequential ensemble optimization based on general surrogate model prediction variance and its application on engine acceleration schedule design

The Efficient Global Optimization (EGO) algorithm has been widely used in the numerical design optimization of engineering systems. However, the need for an uncertainty estimator limits the selection of a surrogate model. In this paper, a Sequential Ensemble Optimization (SEO) algorithm based on the ensemble model is proposed. In the proposed algorithm, there is no limitation on the selection of an individual surrogate model. Specifically, the SEO is built based on the EGO by extending the EGO algorithm so that it can be used in combination with the ensemble model. Also, a new uncertainty estimator for any surrogate model named the General Uncertainty Estimator (GUE) is proposed. The performance of the proposed SEO algorithm is verified by the simulations using ten well-known mathematical functions with varying dimensions. The results show that the proposed SEO algorithm performs better than the traditional EGO algorithm in terms of both the final optimization results and the convergence rate. Further, the proposed algorithm is applied to the global optimization control for turbo-fan engine acceleration schedule design.     

通信约束下异构多无人机任务分配方法

针对异构多无人机协同执行侦察和打击任务中,存在通信距离、时间延迟等约束条件下的局部任务分配问题,提出了一种基于合同网的分布式多无人机任务分配方法。首先建立了异构集群发现新目标时的局部任务分配问题模型,设计了局部无人机通信网络中的信息一致性算法,实现了任务分配过程中任务发布阶段各无人机的冲突消解。设计了任务分配过程中的联盟构建和无人机资源管理方法,使联盟中各无人机能够以更加平衡的方式消耗资源。仿真结果表明,该方法能够解决通信约束下,异构多无人机执行察打任务时,所触发的针对目标打击任务的任务分配问题,且能够获得最大的系统效能。     

多胞不确定时滞系统的输出反馈鲁棒预测控制

针对一类具有多胞结构的不确定离散时滞系统,提出了一种基于LMI的输出反馈鲁棒预测控制算法。根据Lyapunov稳定性理论,给出了保证系统鲁棒稳定性的充要条件,并将系统的鲁棒预测控制优化问题转化为易于求解的LMI问题。通过离线计算鲁棒预测控制器中的输出反馈增益矩阵,显著减少了算法的在线计算量。对系统输入、输出约束和状态时滞的考虑使所提出的鲁棒预测控制算法更接近于工程实践。而输出反馈的采用突破了以往算法中要求系统状态必须可测的限制,使算法具有更低的保守性。仿真结果验证了算法的有效性。