本文探讨了模型参数估计的quadrotor无人机利用合作粒子群optimization-cuckoo搜索(PSO-CS)。PSO-CS调节的收敛速度得益于社会思考和局部搜索算法的功能和CS。评估的效率提出了方法,应用这些方法被认为是重要的识别自主quadrotor的复杂非线性动力学。使用牛顿-欧拉形式主义定义quadrotor动态建模之后,quadrotor模型的参数提取通过使用智能算法,CS, PSO-CS,统计最小二乘(LS)方法。最后,仿真结果证明了算法和PSO-CS更高效的最佳调优quadrotor识别的参数值。
在过去的几年中,无人机(uav)的需求急剧增加,因为广泛的民用和军事应用。其中的一些应用包括低成本拍摄,全景描绘,区域映射,监测、空气污染监测、敌对区域干预,输电线路和配电检查、地球科学研究援助等( 在本文中,我们特别感兴趣的行为一种无人机,两双旋转转子附加交叉命名quadrotor或四轴飞行器的结束。这些飞机是最复杂的飞行机器由于许多物理效应影响其动力学包括空气动力学效应,重力,陀螺效应,摩擦和惯性。然而,他们有优势传统的直升机。鉴于两个马达(左,右)和另外两个反时针旋转顺时针方向旋转,陀螺效应和空气动力力矩在削减航班取消。
quadrotor造型被认为是一个微妙的任务使用牛顿-欧拉( 通过使用系统识别,quadrotor估计可以表示为数学模型,仅基于输入和输出数据考虑飞机作为一个黑箱过程。因此,模型的参数值需要估计最优。在文献中,一些经典方法允许识别基于阶跃响应过程如Strejc和Broida需要非周期系统的方法。输出响应对应的集成过程允许识别系统在稳态变化在斜坡上。然而,很难模型发散不稳定行为的高度非线性quadrotor系统使用这些经典的技术。其他方法提高识别的问题统计参数估计。最小二乘(LS)方法最小化之间的平方误差值的预测模型和观测值。这种方法证明它的优越性在参数识别。在[ 进化算法的优化方法(EAs)和群体智慧(SI)技术可以有效地解决复杂的优化问题相比,古典和统计方法描述。EAs使用一组可能的解决方案上的生存原则生产逐步近似最优,如果是基于群体行为的研究在分散的和自发的社会。粒子群优化(PSO)算法( 布谷鸟搜索算法(CS)是一种新型的SI算法出于积极繁殖鸟称为“杜鹃。“CS算法相比,遗传算法的一个优点是,它使用更少的参数调整,这使得它更具有适应能力( 在本文中,我们提出了智能算法和CS方法,合作PSO-CS,统计LS最佳识别quadrotor确定操作条件下的动力学。模型用于估算卷的变化(<我t一个l我c>
ϕ我t一个l我c>)、沥青(<我t一个l我c>
θ我t一个l我c>)、偏航(<我t一个l我c>
ψ我t一个l我c>)的角度和高度<我t一个l我c>
z我t一个l我c>在飞行过程中由四个子系统的结构和相同的二阶系数调整算法,CS, PSO-CS, LS代表尽可能quadrotor发散不稳定的行为。比较研究了突出的效率提出了智能在quadrotor识别方法。
本文组织如下。节
quadrotor是一个复杂的飞行机器,强烈的非线性,完全耦合,驱动(6自由度和只有四个控制输入)。因此,其空气动力学是受到许多生理效应的影响,包括重力、陀螺效应,摩擦和转动惯量。如图 quadrotor简化的微妙的动态造型,各种工作假说认为[ 利用牛顿-欧拉形式主义,方程可以写成:
Ω固定表达的角速度参考:
然后,quadrotor的动态模型可以由下列方程表示,按照( 表
quadrotor动力模型的模拟,所表达的方程(
当系统的模型是固定的,识别任务可以被视为一个优化问题。参数估计的基本思想是比较系统的时间响应,模型只是基于输入和输出数据(
对于困难的优化问题,进行粒子群优化(PSO)是由埃伯哈特和肯尼迪在1995年。算法的基本原理的灵感来源于动物的社会行为朝着一群小鸟成群结队。寻找食物,鸟儿飞的空间解决方案,并确定它的速度根据其个人经历和信息通过互动与其他群成员( 初始化矩阵包含<我t一个l我c>
N我t一个l我c>粒子分散在搜索空间维度<我t一个l我c>
j我t一个l我c>为<我t一个l我c>
j我t一个l我c>= {1,2,…<我t一个l我c>
D我t一个l我c>}。每个粒子<我t一个l我c>
PgydF4y2Ba
布谷鸟搜索算法(CS),杨和Deb提出的2009年,是基于“杜鹃”鸟的生活。计算机的基本原理是特定的繁殖和产蛋的鸟。在其他鸟类的栖息地,成人杜鹃将一些鸡蛋,成长和变得成熟的杜鹃如果没有发现并删除主机鸟类。布谷鸟青睐的繁殖和饲养组的移民、融合,达到最好的地方 CS包含的主要人群<我t一个l我c>
N我t一个l我c>窝,每窝组成<我t一个l我c>
D我t一个l我c>鸡蛋。最好的和高质量的蛋巢(解决方案)进行到第二代,质量评价是基于适应度函数<我t一个l我c>
F我t一个l我c>的栖息地(组1×<我t一个l我c>
D我t一个l我c>)。主机可以发现外星人蛋的概率<我t一个l我c>
PgydF4y2Ba
探索搜索空间当替换解决方案在巢新解决方案,<我t一个l我c>
莱维我t一个l我c>飞行机制使用。的步长<我t一个l我c>
年代我t一个l我c>从那年算法(基于高斯正态分布用规范)可以写成由方程(
初始化矩阵的合作PSO-CS维度<我t一个l我c>
D我t一个l我c>×<我t一个l我c>
N我t一个l我c>,解决方案的质量评估算法和CS。全球最好的粒子(或最好的巢)是粒子(或鸟巢)具有最小的健身价值在所有可能的解决方案( 克服算法的收敛速度快,收敛速度较低的CS, PSO-CS结合社会思考的能力在CS算法和局部搜索。因此,修改位移方程,结合<我t一个l我c>
莱维我t一个l我c>航班随机漫步的杜鹃,粒子的速度向全球最佳解决方案<我t一个l我c>
Pg我t一个l我c>。新的解决方案<我t一个l我c>
X我t一个l我c>
两种算法的能力相结合增加粒子的多样化。PSO-CS引导杜鹃向全球最好的岗位(群)的全球情报。事实上,在迭代搜索能力增加,探索当地和全球的地方是通过征收飞行位移的杜鹃,粒子的速度向全球最佳解决方案(<我t一个l我c>
Pg我t一个l我c>),由方程(
智能算法、CS和PSO-CS应用于最优选择模型参数<我t一个l我c>
N我t一个l我c>= 200的解决方案。所以,选择搜索空间间隔足以包含所有可能的解决方案(0,200),和它的维度<我t一个l我c>
D我t一个l我c>设置为12。局部和全局探索之间的折衷算法实现<我nl我ne-formula>
这些算法评估以类似的方式使用利润定义为了最小化估计模型的输出响应之间的差异和quadrotor系统。适应度函数定义在方程( 一组合适的算法、CS和PSO-CS参数可以屈服模型反应quadrotor的接近。一代又一代的三个项目的最大数量(PSO、CS和PSO-CS)是固定的停止准则,设置为20。
最小二乘法(LS)提供了一个模型的参数,这样的平方误差的总和(预言与观测值之间)是最小的( quadrotor的鉴定,我们认为相同的识别方案在图表示 反复出现的方程,方程( 的<我t一个l我c>
一个我t一个l我c>
连续之间的转换(<我t一个l我c>
k我t一个l我c>
这种方法的应用的识别quadrotor的动作将在下一节中讨论。
quadrotor系统标识使用相同的模型由四个子系统组成的结构,表达的<我t一个l我c>
G我t一个l我c>
PSO和PSO-CS执行搜索精度高,以避免所有的解决方案都远离quadrotor系统所需的响应(横摇角、俯仰、偏航和高度<我t一个l我c>
z我t一个l我c>)。从数据 这些观察扩散到500秒证明的有效性选择模型来识别quadrotor的不同反应,以及算法的效率和PSO-CS寻求最好的解决方案,即使识别不稳定的反应是一个非常艰巨的任务。在仿真期间,PSO和PSO-CS有效地避免会出现的分歧之间的模型( 统计结果表 在[ 提出的混合许多客观布谷鸟搜索(HMaOCS)许多客观优化问题(两个)( 比较OCS-LG和HMaOPs表明,我们建议的PSO-CS算法使用<我t一个l我c>
莱维我t一个l我c>飞行机制与高斯正态分布时替换解决方案巢穴的新的解决方案,这是最好的解决方案证明( 我们建议的程序在电脑上执行一个处理器英特尔®™核心i7 - 3770的3.40 GHz CPU并使用Matlab R2016a 8.0 GB的RAM。实现PSO-CS程序消耗额外的CPU时间(6分钟15秒)比PSO和CS程序花(5分07秒)和50年代(5分钟),分别。这些额外的模拟PSO-CS产生是由于时间的总和两个矩阵生成利维飞行随机漫步的杜鹃<我nl我ne-formula>
摘要最近的启发式优化粒子群优化(PSO)和布谷鸟搜索(CS),提出合作粒子群optimization-cuckoo搜索(PSO-CS)和统计最小二乘(LS)已经被应用于确定旋转运动的变化(<我t一个l我c> ϕ我t一个l我c>,<我t一个l我c> θ我t一个l我c>,<我t一个l我c> ψ我t一个l我c>角)和平移运动<我t一个l我c> z我t一个l我c>设在quadrotor无人机。仿真结果证明了算法的效率的方法,确定最优的合作PSO-CS quadrotor的输出(<我t一个l我c> ϕ我t一个l我c>,<我t一个l我c> θ我t一个l我c>,<我t一个l我c> ψ我t一个l我c>,<我t一个l我c> z我t一个l我c>CS和LS方法相比)。提议的PSO-CS寻求最好的解决方案利用CS的局部搜索能力和受益于算法提供的全球情报。
这些成就都是不错的选择结果的模型结构确定quadrotor系统反应不稳定行为和良好的调整算法,CS, PSO-CS参数(适应度函数的加权系数<我nl我ne-formula>
没有数据被用来支持本研究。
作者宣称没有利益冲突。