一种基于带精英策略的重装空投离机姿态多目标优化方法

本发明涉及重装空投，具体而言，涉及一种基于带精英策略的重装空投离机姿态多目标优化方法。

背景技术：

1、重装空投过程参数设计受到多个因素的影响，具有一定的复杂性。本文对几种可能影响重装空投货物离机姿态及最大翻转角的因素进行了一定的研究分析，但是由于空投过程较为复杂，空投代价较大，缺少足够的实验样本，对各种影响因素组合下的重装空投过程均进行实验采集及姿态分析是很难实现的。目前，求解多目标的方式最常见的是将多目标按权重加和化为单一目标，如中国专利202211335838.7一种基于遗传算法网络的重装空投跌落冲击预测方法及其系统，基于bp遗传算法网络对重装空投跌落进行预测，操作简便，但其权重难以确定，预测的可靠性和精度较低。

技术实现思路

1、本发明通过重装空投理论模型结合多目标优化方法，减少实际空投次数，寻找可以使重装空投货物最大翻转角度达到最优的参数组合，并对优化结果进行仿真验证，提高多目标优化的可靠性和精度。

2、为解决上述问题，一方面，本发明提供一种基于带精英策略的重装空投离机姿态多目标优化方法，其中，包括如下步骤：

3、s1：建立重装空投系统模型，利用真实实验来获取多组样本数据，包括x轴重心位置、y轴重心位置、飞机的机速货物在机舱内的摆放位置、飞机仰角；

4、s2：确定带精英策略的非支配排序的遗传算法网络的结构参数，以所述x轴重心位置、y轴重心位置、飞机的机速、货物在机舱内的摆放位置、飞机仰角作为输入参数，以货物最大翻转角度和空投最大翻转角度出现所用时间为输出参数，并将其进行预处理；

5、s3：构建带精英策略的非支配排序的遗传算法网络模型，把预处理后的多组数据分为训练组和验证组；用所述训练组中的数据以及累积的试验数据对所述遗传算法网络模型进行训练，并调整所述遗传算法网络模型的网络参数，训练成功后，用所述验证组中的数据对训练后的遗传算法网络模型进行测试，以验证所述遗传算法网络模型的准确性；

6、s4：使用训练完成的遗传算法网络模型对实际应用过程中的所述货物最大翻转角度和空投最大翻转角度出现所用时间进行预测，判断应用过程中出现的最大翻转角度以及出现时间是否在空投系统稳定的最大阈值内。

7、优选地，所述步骤s1中，所述重装空投系统模型包括：

8、空投系统，空投记录仪器、空投配重；

9、空投记录仪器所需姿态传感器、动载传感器、气压传感器，多通道数据采集系统。

10、优选地，所述步骤s2中，所述预处理为归一化处理。

11、优选地，所述步骤s3中，所述遗传算法网络模型包括3层结构：

12、(1)初始化种群，算法首先根据约束条件随机生成固定数量的种群，所述种群中的个体由不同的货物、重心位置、飞机机速和货物摆放位置组成，对父代种群的个体进行非支配排序，并且对非支配排序后的结果进行交叉、选择、变异得到第一代种群；

13、(2)生成新种群，对于第二代以后的种群，对由所述父代种群和子代种群合并得到新种群进行快速非支配排序，同时计算每个所述种群的拥挤程度，保留每代中的精英个体，将所述精英个体与父代种群重新结合生成新的父代种群；

14、(3)适应度判断，步骤(1)(2)执行后计算是否达到迭代终止条件，如果达到终止条件则生成最优解，否则重复执行步骤(1)(2)，如图3和图6所示；

15、对于多目标问题，可以描述成如下数学表达式：

16、min[f1(x),f2(x),…,fm(x)]

17、

18、其中，x为多目标优化问题的变量，包括货物重心位置、空投飞机机速和货物摆放位置；fi(x)为目标函数，其输出值为货物重心位置，空投飞机机速和货物摆放位置，输出值为所述货物最大翻转角度和最大翻转角度出现时间；lb和ub为变量x的下限和上限约束，由约束条件来确定；aeq*x＝beq为变量x的线性等式约束；a*x≤b为变量x的线性不等式约束。

19、优选地，所述步骤s3中，所述预处理后的多组数据，每组数据包括8个输入数据和1个输出数据，共计9个数据，采用留出法划分所述训练组和验证组，两者的比例为8：1。

20、优选地，所述步骤s3中，用所述训练组中的数据对所述遗传算法网络模型进行训练，并调整所述遗传算法网络模型的网络参数包括：

21、使用matlab中的遗传算法网络工具箱进行网络的训练：

22、初始种群50个，最大迭代次数100次，交叉比例0.8，变异概率0.05，设定完参数后，代入所述训练组数据开始训练所述遗传算法网络。

23、另一方面，本发明还提供一种系统，采用如所述基于带精英策略的重装空投离机姿态多目标优化方法，包括：

24、数据获取模块，用于利用实验模型来获取多组所述样本数据，利用空投试验获取所述x轴重心位置、y轴重心位置、飞机的机速、货物在机舱内的摆放位置、飞机仰角；

25、预处理模块，用于确定所述遗传算法网络的结构参数，以所述x轴重心位置、y轴重心位置、飞机的机速、货物在机舱内的摆放位置、飞机仰角作为输入参数，以所述货物最大翻转角度和空投最大翻转角度出现所用时间为输出参数；

26、遗传算法网络模型构建模块，用于构建nsga-ⅱ网络模型，即遗传算法网络模型，把预处理后的多组数据分为训练组和验证组；用所述训练组中的数据以及累积的试验数据对所述nsga-ⅱ网络模型进行训练，并调整所述nsga-ⅱ网络模型的网络参数，训练成功后，用所述验证组中的数据对训练后的所述nsga-ⅱ网络模型进行测试，以验证所述遗传算法网络模型的准确性；

27、预测模块，用于使用训练完成的所述nsga-ⅱ网络模型对实际应用过程中的情况进行预测，预测所述货物最大翻转角度和空投最大翻转角度出现所用时间。

28、相对于现有技术，本发明所述的基于带精英策略的重装空投离机姿态多目标优化方法具有以下有益效果：

29、本发明通过建立基于nsga-ⅱ网络模型的重装空投最大翻转角度以及最大角度出现时间的预测方法，前期利用重装空投试验模型来获取样本数据，后期利用累积的大量试验数据来训练遗传算法网络，预测空投最大翻转角度以及最大角度出现时间是否达到最优，提高了重装空投预测的可靠性和精度；通过累积试验获得大量的样本数据，对这些数据进行归一化处理得到nsga-ⅱ网络的训练样本，然后建立nsga-ⅱ网络模型，通过matlab工具箱不断的进行学习训练，预测可靠性和精度会越来越高；

30、本发明通过通过建立试验模型，对正常工况和极限工况下的重装空投系统进行试验数据采集，得出x轴重心位置，y轴重心位置，飞机的机速，货物在机舱内的摆放位置，飞机仰角作为输入参数与货物最大翻转角度和空投最大翻转角度出现所用时间之间的关系。

31、本发明通过对父代种群的个体进行非支配排序，以及对由父代种群和子代种群合并得到的新种群进行快速非支配排序，一方面降低了计算的复杂度，另一方面它将父代种群跟子代种群进行合并，使得下一代的种群从双倍的空间中进行选取，从而保留了最为优秀的所有个体；构建带精英策略的非支配排序的遗传算法网络模型，保证某些优良的种群个体在进化过程中不会被丢弃，从而提高了优化结果的精度；计算每个种群的拥挤程度，不但克服了nsga中需要人为指定共享参数的缺陷，而且将其作为种群中个体间的比较标准，使得准pareto域中的个体能均匀地扩展到整个pareto域，保证了种群的多样性。