三維高超聲速飛行器再入軌跡快速優(yōu)化

劉鵬，趙吉松，谷良賢

(西北工業(yè)大學航天學院，陜西西安 710072)

引言

具有路徑約束和終端約束的三維高超聲速再入軌跡優(yōu)化問題是一類復雜的最優(yōu)控制問題。其求解方法主要分為間接法和直接法。間接法主要借助于變分法或龐特里亞金最大值原理(PMP)，把泛函優(yōu)化轉(zhuǎn)化為哈密爾頓邊值問題(HBVP)。間接法具有優(yōu)化精度高，滿足一階最優(yōu)性必要條件等優(yōu)點。但是，求解HBVP需要猜測無物理意義的協(xié)態(tài)變量，比較困難。傳統(tǒng)直接法把泛函優(yōu)化轉(zhuǎn)化為非線性規(guī)劃問題(NLP)，降低了初值的敏感性，但存在計算量大、局部收斂、優(yōu)化精度偏低等弊端。因此，采用傳統(tǒng)的間接法或直接法求解該類問題都存在很大困難。

近幾年，最優(yōu)控制領域興起一類偽譜法。偽譜法屬于直接法，但具有全局收斂性，且在優(yōu)化后的處理中能夠提供準確的協(xié)態(tài)變量，進而可驗證優(yōu)化結果是否滿足一階最優(yōu)性必要條件。偽譜法具有優(yōu)化精度高、收斂快等優(yōu)點。文獻［1］采用Legendre偽譜法求解了三維高超聲速再入軌跡最大橫程問題，并驗證了優(yōu)化結果滿足一階最優(yōu)性必要條件，但耗時7.5 min，而本文研究采用Gauss偽譜法求解該問題，精度相當，耗時僅7 s。

1 高超聲速再入軌跡優(yōu)化問題描述

1.1 再入模型

設狀態(tài)向量為:x=［r，θ，φ，v，ψ，γ］，其中各元素分別為飛行器矢徑、經(jīng)度、緯度、速度、航向角及彈道傾角，則飛行器的三自由度再入運動方程組［1］為:

式中，g=μ/r2，μ=3.986 009×1014m3/s2;Ω為地球自轉(zhuǎn)角速度，Ω =7.272 2 ×10－5rad/s;as，an，aw分別為切向、法向及側(cè)向氣動力加速度，as=－D/m，an=L cosδ/m，aw=L sinδ/m，其中L和D分別為升力和阻力，δ為速度滾轉(zhuǎn)角，m為再入飛行器的質(zhì)量，m=102 205 kg。其它參數(shù)的定義與取值參見文獻［1］。

1.2 再入軌跡優(yōu)化問題

對于初始軌道為近赤道軌道再入彈道優(yōu)化問題，橫向航程最大等價于終端緯度最大(φ＞0)或最小(φ＜0)。因此，本文的優(yōu)化問題是求最優(yōu)控制u(t)=［α(t)，δ(t)］T，使終端緯度

最小，并滿足微分方程約束式(1)，初始條件:h=rr0=79 248 m，v=7 334 m/s，φ =0°，θ=0°，ψ =0°，γ = －1.064°;終端條件:h=24 384 m，v=762 m/s，γ = －5°;氣動加熱邊界 qU=7.944 ×105W/m2。

2 偽譜方法簡介

偽譜方法基本思想是將積分區(qū)間離散化，在整個區(qū)間采用全局插值多項式逼近狀態(tài)變量，對插值多項式求導逼近狀態(tài)變量的導數(shù)，將微分方程約束、路徑約束等轉(zhuǎn)換為離散點處的代數(shù)約束，性能指標中的積分項由高代數(shù)精度的積分方法求取，從而將最優(yōu)控制問題轉(zhuǎn)化為非線性規(guī)劃問題(NLP)。根據(jù)離散點的選取方法不同，偽譜方法可分為Legendre偽譜法(LPM)、Radau偽譜法(RPM)和Gauss偽譜法(GPM)等。目前，文獻［2-3］已證明了采用GPM離散最優(yōu)控制問題得到的非線性規(guī)劃的KKT條件與最優(yōu)控制問題的一階最優(yōu)性必要性條件的離散形式之間的等價性。因此，本文采用了GPM求解最優(yōu)軌跡。

2.1 Gauss偽譜法

根據(jù)性能指標的不同，最優(yōu)控制問題可分為Mayer問題、Lagrange問題和Bolza問題，但三者可以相互轉(zhuǎn)化。以Bolza問題為例，求解最優(yōu)控制u(t)∈Rm，使得如下目標函數(shù)取最小:

式中，x(t)∈Rn;θ∈R;g∈R;f∈Rn;Φ∈Rq;C∈Rc。

2.1.1區(qū)間變換

上述Bolza問題的積分區(qū)間是［t0，tf］，但偽譜法要求積分區(qū)間為［－1，1］。為此，通過下式將積分區(qū)間變換到［－1，1］:

對于終端自由型最優(yōu)控制問題，上式依然成立。變換后的Bolza問題的目標函數(shù)為:

2.1.2 GPM 的離散方法

經(jīng)過上述變換，GPM將最優(yōu)控制問題轉(zhuǎn)化為NLP 問題:求離散點處的狀態(tài)變量 X(τi)，τi∈{τ0，τ1，…，τk，τf}，控制變量 U(τk)，τk∈{τ1，…，τk}，以及初始時刻t0和終端時刻tf(若終端自由)，使得性能指標式(19)最小化，并且滿足LG點處的微分方程約束式(15)、終端狀態(tài)約束式(17)、邊界條件約束式(10)和LG點處的路徑約束:

2.2 NLP求解方法

GPM將最優(yōu)控制問題轉(zhuǎn)化為具有等式約束和不等式約束的NLP。直接由最優(yōu)控制問題轉(zhuǎn)化得到的NLP各個變量、約束以及目標函數(shù)相差較大，難以收斂或者收斂緩慢。本文首先采用文獻［4］提出的歸一化方法處理NLP，然后采用SNOPT軟件包求解NLP［5］。SNOPT采用稀疏序列二次規(guī)劃算法(Sequential Quadratic Programming，SQP)，通過求解線性化約束條件下的二次規(guī)劃子問題獲得每一步的搜索方向。對于大規(guī)模問題，當只有部分變量表現(xiàn)出非線性或變量的自由度較少(多數(shù)約束處于激活狀態(tài))時，SNOPT非常有效。SNOPT對目標函數(shù)和約束條件的計算次數(shù)較少，適用于求解目標函數(shù)和約束條件及其雅克比矩陣的計算量較大的問題。由最優(yōu)控制問題轉(zhuǎn)化得到的NLP為稀疏問題，存在一直處于“激活”狀態(tài)的等式約束等，并且目標函數(shù)和約束條件的計算量較大，適合采用SNOPT求解。

2.3 協(xié)態(tài)變量映射

盡管間接法存在推導復雜、HBVP難以求解等弊端，但其有著堅實的理論基礎(變分法及Pontryagin最小值原理)，優(yōu)化精度高，并且優(yōu)化結果滿足一階最優(yōu)性必要條件。HBVP求解困難的主要原因是協(xié)態(tài)變量的難以求解。因此，通過直接法的優(yōu)化結果確定協(xié)態(tài)變量對判斷解的最優(yōu)性有重要意義。對于GPM，文獻［3］推導出可通過下式求解協(xié)態(tài)變量。

3 優(yōu)化結果及其分析

采用40階的Legendre多項式求解該問題，狀態(tài)量初值按初始狀態(tài)與終端狀態(tài)進行線性插值，控制變量初值取［25°，45°］T，終端時間初值取 2 000 s。在Matlab平臺下，工作站HP XW9300(CPU AMD 2.59 GHz)耗時約7 s，最優(yōu)解φ(tf)= －28.750 05°。圖1為最優(yōu)軌跡狀態(tài)變量變化曲線。圖中，圓圈為GPM的離散解，實線為采用Matlab ode45優(yōu)化得出的最優(yōu)控制的積分結果。

圖1 最優(yōu)再入軌跡狀態(tài)量變化曲線

ode45積分結果與目標終端狀態(tài)的誤差分別為:高度1.628 5 m(0.006 7%)，速度0.103 9 m/s(0.013 6%)，彈道傾角0.002 8°(0.056 3%)。圖2為最優(yōu)控制變化曲線，圖中圓圈為GPM的離散解，實線為Lagrange插值得出的結果。圖3為Hamiltonian沿最優(yōu)軌跡變化歷程(注意縱坐標單位)。算例為終端時間自由型自治系統(tǒng)，由間接法可知，Hamiltonian應為0?？梢姡珿PM的優(yōu)化結果能夠很好地滿足一階最優(yōu)性必要條件。圖4為氣動加熱率沿最優(yōu)軌跡的變化過程。為了對比，圖中給出了不受約束的氣動加熱率變化情況(其它條件相同)。文獻［1］達到類似優(yōu)化精度需要80個節(jié)點，耗時7.5 min(CPU Pentium Ⅳ1.8 GHz，內(nèi)存512 MB)。

圖2 最優(yōu)控制變化曲線

圖3 Hamiltonian沿最優(yōu)軌跡變化曲線

圖4 氣動加熱率變化曲線

4 結束語

本文采用GPM求解了三維高超聲速再入軌跡的最大橫程問題。算例中，GPM耗時約7 s即可生成一條嚴格滿足各種約束的三維最優(yōu)再入軌跡，具有在線優(yōu)化的潛力，并且優(yōu)化精度高，滿足一階最優(yōu)性必要條件。需要說明的是，本文基于解析形式的氣動模型，對于非解析形式的氣動模型，理論上可通過數(shù)值微分求取導數(shù)，但這樣會使機時迅速增加。因此，需要研究如何采用GPM快速求解非解析氣動模型的軌跡優(yōu)化問題。

［1］ Scott Josselyn，Ross IM.Rapid verificationmethod for the trajectory optimation of reentry vehicles［J］.Journal Guidance:Engineering Notes，2002，26(3):505-508.

［2］ Benson D.A Gauss pseudospectral transcription for optimal control［D］.Boston，CA，US:Massachusetts Institute of Technology，2004.

［3］ Huntington G T.Advancement and analysis of a Gauss pseudospectral transcription for optimal control problems［D］.Boston，CA，US:Massachusetts Institute of Technology，2007.

［4］ Betts JT.Practicalmethods for optimal control using nonlinear programm ing［M］.Philadelphia:SIAM Press，2001.

［5］ Gill P E，Murray W，Saunders M A.SNOPT:a SQP algorithm for large-scale constrained optimization［J］.SIAM Journal on Optimization，2002，12(4):979-1006.