基于粒子群優(yōu)化算法的火箭彈彈道研究

王 捷，田曉麗，賈曉玲，侯 飛

（中北大學機電工程學院，太原030051）

現代戰(zhàn)爭對于武器裝備的要求越來越高。對于導彈和火箭彈這類有火箭發(fā)動機的裝備而言，射程是一個很重要的指標。目前，比較成熟的增程技術主要有底排增程、火箭增程。底排增程通過減小底阻來提升射程，其射程能提升20%左右。而火箭增程則受限于彈的質量、形狀等因素不能無限制裝藥，使得增程距離也有限。這2種增程技術都難以滿足現在對于增程的要求?；柙龀淌峭ㄟ^控制舵翼的偏轉，來增大火箭的升阻比來提高射程，是一種比較理想的增程方式。這種方法是基于對火箭彈彈道特性的研究所提出的。彈道特性的研究是彈道修正技術的關鍵，對分析彈體飛行特點、優(yōu)化彈道設計、制導控制的設計等有重要的指導意義。以理論計算為基礎的數值仿真技術，能夠簡單、直觀地展示彈道飛行特點，為彈道特性的研究提供良好的方法途徑[1-2]。通過火箭彈的彈道特性知道，舵翼偏轉的角度大小影響著火箭彈的攻角?；诖?，本文通過攻角的變化來研究其對于火箭彈射程的影響。

火箭彈飛行過程中，在滿足約束條件下達到某些技戰(zhàn)術指標的極值，這就是彈道優(yōu)化設計[3-4]。彈道優(yōu)化問題是一個動態(tài)優(yōu)化問題，由于其本身的復雜性采用動態(tài)優(yōu)化方法不易求解[5]。因此，需要將彈道優(yōu)化問題轉化為靜態(tài)的參數優(yōu)化問題。常用的轉換方法有間接法與直接法[6]。直接法是將連續(xù)的優(yōu)化問題直接離散并進行參數化，不需要求解出最優(yōu)值的條件[7-8]。直接法有直接打靶法、配點法等。間接法是基于極大值原理將最優(yōu)控制問題轉換為哈密頓邊值問題。本文采用現代優(yōu)化算法中的粒子群優(yōu)化算法對彈道參數優(yōu)化問題進行研究[9]，充分地證明了現代優(yōu)化算法應用于彈道優(yōu)化問題的可行性。

1 模型建立

1.1 火箭彈彈道模型

火箭彈六自由度模型能較精確地解算出彈道諸元，但是在實際運用過程中，六自由度彈道解算復雜，求解時間長，很難滿足彈道實時解算的要求[10]。雖然四自由度彈道求解精度不如六自由度，但是它已經能滿足落點精度要求，并且其求解時間短，能夠滿足彈箭彈道實時解算的要求。因此，采用四自由度彈道模型是可行的[11]。

火箭彈四自由度彈道模型如下：

式（1）中，Fx2、Fy2、Fz2為彈箭運動所受力在彈道坐標系上的三分量；m為質量；v為速度；t為時間；θa為速度高低角；φ2為速度方向角；ωξ為彈的滾動角速度；Mξ為彈的滾動運動相關的力矩。

α為攻角，α對于阻力以及升力的大小影響如下：

式（2）中：Cx為阻力系數；Cx0為零升阻力系數；Cy為升力系數；C′y為升力系數導數；Cy2為三次升力系數。

對于正常飛行的彈箭，彈軸與速度之間的夾角很小，彈道偏離射擊面也很小，本文以攻角為研究對象，所以可設平衡側滑角β為0。

彈道微分方程的解析解很難求解，通常采用數值解法，即采用龍格庫塔法進行求解。

方程組的初始條件為：vx=v0cosα，vy=v0sinα，vz=0，x=0，y=0，z=0。

1.2 粒子群算法優(yōu)化模型

1.2.1 粒子群算法

粒子群優(yōu)化算法來源于對簡化的社會模型的模擬，是在鳥群、魚群和人類社會的行為規(guī)律的啟發(fā)下提出的[12-14]。該算法是基于種群進行全局搜索，通過不斷迭代逼近最優(yōu)解[15-17]，收斂速度快，魯棒性強，近年來多用于軌跡優(yōu)化[18-19]。粒子群優(yōu)化算法將每個個體看成搜索空間中的沒有體積的粒子，在搜索空間中以一定的速度飛行。粒子的速度及位置分別為：

速度更新公式包含3部分：①粒子先前的速度；②粒子位置向自身歷史最佳位置逼近；③粒子位置向群體歷史最佳位置逼近。

1.2.2 粒子群算法邊界條件處理

當粒子的某一維的速度或者位置超過了預先設定的邊界值，采用如下的措施來限制粒子的速度以及位置值。

當v＞vmax或v＜vmin時，

同理，當x＞xmax或x＜xmin時，

式（5）、（6）中：vmin、vmax、xmin、xmax表示預先設定的邊界值。

1.2.3 常數的取值

經研究表明：ω的取值在0.8至1.2時，粒子群算法有更好的收斂速度；當ω大于1.2時，粒子群算法易陷入局部收斂。

加速度常數c1和c2分別決定粒子個體經驗和群體經驗對粒子運動的影響。如果c1和c2均為0，表明粒子的速度只取決于慣性常數ω。此時，粒子的搜索能力有限，很難找到最優(yōu)解。如果只有c1=0，c2≠0，則該模型只有群體的經驗，沒有個體的經驗，這樣該模型收斂速度比較快，但是它比較容易陷入局部極值。如果只有c2=0，c1≠0，則該模型只有個體的經驗，而缺乏個體之間的交流，也就是缺乏群體的經驗。因此，一般設置c1=c2≠0，這樣能保證個體的經驗和群體的經驗都有相同的權值，如認為個體或整體中某一個更重要，即可設置其加速度常數更大即可。

1.3 粒子群算法優(yōu)化彈道

1.3.1 目標函數

彈道優(yōu)化的目標是在火箭彈總體參數已經確定的情況下，使得其射程最遠，即：

1.3.2 約束條件

對于某型戰(zhàn)斗部的火箭彈，為保證火箭彈的毀傷效果，須對其著速以及著角進行約束。同時，為了保證火箭彈的穩(wěn)定性，其攻角在一定范圍內變化，即：

式（8）中：v是火箭彈的著速；vmax為火箭彈最大著速；θ為火箭彈的著角為負；θmax為火箭彈的最大著角；α為火箭彈的攻角；αmin為火箭彈攻角的最小值；αmax為火箭彈攻角的最大值。

1.3.3 優(yōu)化變量

火箭彈彈道優(yōu)化是指火箭彈在飛行中的某個時刻開始，通過控制指令，使舵機產生舵偏從而控制火箭彈的攻角。本文主要研究攻角的變化規(guī)律對于火箭彈射程的影響。因此，優(yōu)化設計變量為攻角，即：

1.3.4 粒子群算法優(yōu)化彈道流程

1）初始化粒子群，每個粒子的位置以及速度即初始化攻角值，初始化流程如下：

a）從t0到時間內每隔5 s取一個采樣點，則采樣點個數也是粒子維數D，D=(t-t0)/5+1；

b）初始化群體粒子個數為N；

c）初始化學習因子為c1、c2，慣性權重為ω，最大迭代次數為T；

d）初始化粒子的位置最大值為xmax，最小值為xmin，粒子速度最大值為vmax，粒子速度最小值為vmin；

e）初始化完成后生成了N個粒子，即{N1,N2,…,Nn}。每個粒子的維數為D，某個粒子Ni的初始位置為Ni={αi1,αi2,…,αin} ，并隨機初始化粒子Ni的隨機速度為vi，即vi={vi1,vi2,…,vin} 。

2）將第1）步得到的N個粒子，代入到彈道模型中，利用龍格庫塔法求解出火箭彈的射程R，這也是求解每個粒子的適應度函數值。

3）計算粒子的個體最優(yōu)值以及整體的最優(yōu)值即得到當前的最優(yōu)射程。將上述得到的粒子個體最優(yōu)值記為Pbest，最優(yōu)位置記為P，全局最優(yōu)值記為gbest，局部最優(yōu)位置記為g。

4）利用式（3）、（4）進行速度、位置更新。

5）進行邊界條件判斷即判斷粒子速度位置知否超出其本身允許的范圍，判斷方法如下：

判斷更新后粒子的速度是否在(vmin,vmax)之間，位置是否在 (vmin,vmax)之間，利用式（5）、（6）進行邊界處理。

6）判斷是否滿足結束條件，即相鄰2次射程的差小于某個極小的常數ε，或者迭代次數S大于最大迭代次數T。

若成立則進行第7）步，不成立則返回第2）步。

7）結束運行，輸出彈道優(yōu)化后的各種參數文件。

2 仿真計算結果

結合某型火箭彈的彈道仿真結果，設置粒子群優(yōu)化算法的各個參數的初始值分別為：t0=0，t=300，D=61，N=100，T=100，ω=0.8，c1=c2=1.5。

對于該型火箭彈，采用初始射擊條件分別為：x0=0，y0=0，v0=0，初始射角θ分別為 52°，55°，62°，約束條件vmax=250，θmax=-70°，對其進行優(yōu)化仿真，所得結果如圖1～6所示。

圖1為火箭彈飛行過程中攻角為零時的彈道曲線。圖2為對火箭彈飛行攻角進行優(yōu)化后所得到的彈道曲線。圖3為未優(yōu)化的零攻角彈道與優(yōu)化后的含有攻角的彈道的對比圖。圖4為采用優(yōu)化算法優(yōu)化后的火箭彈的實時攻角。圖5為不同初始射角下，經過優(yōu)化后的彈道曲線圖。圖6為不同初始射角下，經過優(yōu)化后的攻角曲線圖。

圖1 攻角為0時彈道Fig.1 Zero angle of attack trajectory

圖2 優(yōu)化攻角后彈道Fig.2 Optimizing the rear ballistic angle of attack

圖3 零攻角彈道與優(yōu)化彈道Fig.3 Zero angle of attack trajectory and optimal trajectory

圖4 優(yōu)化后的火箭彈的攻角Fig.4 Optimized angle of attack of rocket

圖5 不同射角下的火箭彈彈道Fig.5 Rocket trajectory at different angles of fire

圖6 不同射角下攻角曲線Fig.6 Angle of attack curves at different angles of attack

圖1～3表明，在52°射角下，攻角為0的火箭彈的射程僅為30.6km，而優(yōu)化后的火箭彈射程達到66.5km。說明通過控制攻角能有效地增加火箭彈的射程。

圖4表明，在火箭彈飛行時間內攻角的變化比較平緩，考慮到攻角的變化是由舵機的舵偏來進行控制的，這樣攻角的緩慢變化有利于舵機控制的實現。

圖5、6表明，對于不同的初始射角，經過優(yōu)化仿真后其最大射程基本都在67km附近。并且其對應的攻角曲線圖也基本相似，說明對于參數確定的火箭彈，在不同的初始射角下，通過控制攻角可以使其達到最大的射程。

經過優(yōu)化后的火箭彈彈道參數如表1所示。

表1 火箭彈落點信息Tab.1 Information of rocket impact point

通過表1可以得到，火箭彈在不同射角下其能達到的最大射程基本一致，并且都滿足著速以及著角的約束條件。說明以攻角為變量的優(yōu)化方案是可行的。

3 結束語

粒子群算法本質上是一種隨機搜索算法，它是一種新興的智能優(yōu)化技術。該算法能以較大的概率收斂于全局最優(yōu)解。實踐證明，它適合在動態(tài)、多目標優(yōu)化環(huán)境中尋優(yōu)。與傳統(tǒng)算法相比，具有較快的計算速度和更好的全局搜索能力。將粒子群優(yōu)化算法與火箭彈滑翔增程問題進行結合，所得到的結果表明，對應于某型制導火箭彈不同的初始射角，通過控制攻角變化規(guī)律都能夠達到火箭彈的最大射程。這表明針對火箭彈滑翔增程問題，攻角控制是一個理想的方法。這對于火箭彈射程優(yōu)化設計有一定的參考價值。