小型無人機氣動參數辨識的新型HGAPSO算法

邵干， 張曙光,2,3,*， 唐鵬

1.北京航空航天大學 交通科學與工程學院， 北京 100083

2.飛機/發動機綜合系統安全性北京市重點實驗室， 北京 100083

3.先進航空發動機協同創新中心， 北京 100083

4.北京航空航天大學 能源與動力工程學院， 北京 100083

小型無人機氣動參數辨識的新型HGAPSO算法

邵干1， 張曙光1,2,3,*， 唐鵬2,3,4

1.北京航空航天大學 交通科學與工程學院， 北京 100083

2.飛機/發動機綜合系統安全性北京市重點實驗室， 北京 100083

3.先進航空發動機協同創新中心， 北京 100083

4.北京航空航天大學 能源與動力工程學院， 北京 100083

針對小型無人機(UAVs)研制中操穩特性和飛行控制律設計評估對氣動參數辨識的需求，提出了一種混合遺傳粒子群優化算法(HGAPSO)。該算法以粒子群優化算法(PSO)為主體，在粒子優化路徑中，引入遺傳算法(GA)的交叉變異操作，增強粒子群跳出局部最優的能力；同時采用Kent映射改進粒子種群的初始化，使初始種群在可行解空間內分布更加均勻，增強全局優化能力。基于仿真結果，依據辨識準度及辨識成功率，對比了HGAPSO、常規PSO和GA優化算法氣動參數辨識的結果，然后用蒙特卡洛仿真測試隨機觀測噪聲的影響，結果表明該算法兼備PSO算法高的搜索效率和GA算法的全局優化能力，對隨機觀測噪聲不敏感。最后，通過設計小型UAV試飛示例進行綜合應用評價，結果表明：HGAPSO算法基于真實試飛數據進行氣動參數辨識取得了滿意結果，具有良好的實用性。

小型無人機； 氣動參數； 參數辨識； 混合遺傳粒子群優化算法(HGAPSO)； 搜索效率； 全局優化

近年來小型無人機(UAV)技術正快速發展。與有人駕駛飛機相比，UAV具有不受載人限制、尺寸小、成本低等一系列優點，在航拍、地圖測量、植保、軍事偵察等軍用和民用領域市場需求越來越大。飛行控制系統是UAV實現上述任務的核心部件，而設計的基礎是獲得可預測UAV運動特性的描述模型及其氣動參數。

一般獲得氣動參數的方法主要有風洞試驗、計算流體力學(CFD)計算和飛行辨識試驗等。多年來，風洞試驗數據一直是新研飛行器氣動參數的最主要來源，然而風洞試驗本身有其固有的局限性，例如縮比相似性、支架和洞壁干擾等問題，無法完全模擬真實飛行環境，且風洞試驗需經過多次修正，周期長，費用昂貴[1]。CFD計算具有相對高效、低成本等優勢，但其計算結果的精準度往往需要試驗校驗[2]。直接基于飛行試驗辨識氣動參數和動力學特性，更加接近真實物理系統[3-4]，也是對風洞試驗和CFD結果進行校驗的重要手段。對于小型UAV，其具有制作和試驗成本低的優勢，直接利用飛行辨識得到氣動參數從精度、適用性和成本等各個方面都能很好地滿足小型UAV的需求[5-7]。

氣動參數辨識目前已發展了多種辨識方法，包含廣義卡爾曼濾波、極大似然法、分割算法等，其中應用最為廣泛的就是基于極大似然法發展的一系列辨識算法[8]，如方程誤差法(EEM)、輸出誤差法(OEM)以及濾波誤差法(FEM)等[9-10]?；跇O大似然法的這些辨識方法取得了很多成功經驗，但一般都需要求解雅克比矩陣或海森矩陣，要求搜索空間內連續可微。由于需要計算導數，算法對于系統噪聲和野值比較敏感，在強噪聲和野值存在的情況下可能會導致算法失效。另外，多極值時的局部性、矩陣奇異時的求解、對初值依賴等問題，也需要克服。對于小型UAV可能面臨更大的測量噪聲環境，原因在于其較小的重量和尺寸導致更快的響應動態(運動頻率更高)，對突風等各類飛行干擾相對于大型飛機更加敏感，而且傳感器成本控制等實際因素也易引入附加測量噪聲。因此，需要發展一類不依賴于導數求取、對初值不敏感的辨識方法。

遺傳算法(GA)、粒子群優化算法(PSO)等群體進化算法則提供了克服以上缺點的一條途徑。進化算法一般通過適用度同時比對全局多個點，對初值依賴較小，具有高效的全局優化能力。另外，由于尋優是在整個數據段上，而不是利用梯度信息修正的方法，不要求計算導數，所以對噪聲和野值的敏感小，在強噪聲下仍然能夠獲得很好的收斂特性。Burchett[11]對比了基于梯度的算法和以GA為代表的進化算法進行氣動參數辨識的效果，表明進化算法的辨識效果更好。錢煒祺[12]、張天姣[13]等先后利用GA、PSO完成了飛機和導彈的氣動參數辨識，表明GA、PSO可以有效解決梯度類優化算法依賴初值、局部最優解以及對噪聲敏感的問題。

GA和PSO作為進化算法，存在許多相似之處，但是其算法思想和具體實現方式的不同，使得它們各具特點[14]。GA通過交叉和變異跳出局部，具有良好的全局搜索能力，但其局部搜索能力較差，導致單純GA比較費時，在進化后期搜索效率低。PSO具有全局信息共享機制，所有粒子都向整個種群的最優值移動，能夠迅速找到全局最優，但也導致粒子群算法進行到后期容易陷入局部極小。因此，將二者相結合并充分發揮二者優點，提升全局搜索能力和快速收斂能力是當前研究熱點，主要方法是在種群更新時，先用GA和PSO中的一種對粒子進行優化，接著用另一種方法優化粒子路徑。Ibrahim和Selamat[15]先對一部分粒子用PSO更新，更新后的粒子與未變化的粒子一起進行交叉變異；Huang[16]提出對種群全體位置進行交叉變異之后，直接應用PSO對全體粒子更新；Shama和Singhal[17]對一半的種群進行交叉變異操縱，然后采用PSO算法更新種群全體。這些算法基本上是天然的將GA與PSO進行融合，且GA占據較大的參與度，雖然保留GA較強粒子跳出局部最優的能力，但同時也降低了優化效率，且面對不同的問題，GA和PSO各自的權重保持不變，不利于算法更廣的實用性。

本文基于上述考慮，尋求具備較高的搜索效率和全局優化能力方法，提出了一種新的GA和PSO融合方式，同時對進化算法所共有的種群初始化問題進行改進，并將其應用到小型無人機的氣動參數辨識中。

1 改進的混合遺傳粒子群優化算法

1.1 遺傳算法(GA)和粒子群算法(PSO)基礎

GA是一種模擬生物進化論的優化算法[18]?；镜腉A包括4個基本的元素：編碼、選擇、交叉和變異，其數學模型可以表述為

GA=(C,F,P,N,S,E,M,T)

(1)

式中：C為個體基因編碼方法；F為個體適應度函數值；P為初始化的種群；N為種群的大??；S為選擇算子；E為交叉算子；M為變異算子；T為GA終止的條件。

基本GA的一般流程如下：

步驟1初始化種群P，生成N個問題的初始解集，對種群個體進行二進制編碼，形成種群基因。

步驟2計算個體適應度F，如果滿足優化準則T，則跳到步驟6。

步驟3將個體適應度轉換為被選中的概率，按照輪盤賭或者其它選擇策略S選擇個體，使得適應度越高的個體被選中概率越高，適應度較差的個體將被淘汰，種群往更優位置進化。

步驟4對步驟3被選中個體，按照一定概率進行基因編碼交叉E，模擬生物雜交，生成新的個體，完成種群個體之間的信息共享，使GA種群往最優位置進化。

步驟5對步驟4交叉后得到的個體按照一定概率進行基因變異M，模擬生物進化過程的變異，產生新的個體，獲得新的種群并回到步驟2，該步驟保證GA在后期仍然具備較強的跳出局部最優的能力。

步驟6終止運算。

從上述步驟可以看出，GA通過交叉和變異的方式可以使個體跳出局部最優，其全局搜索能力較強。但信息是在小范圍共享的，在橫向上通過一對一基因編碼交叉共享信息，在縱向上通過優勝劣汰對比保留最優個體比，其搜索效率低，而且后期變異操縱使種群仍然活躍，導致算法收斂速度較慢。

PSO源于對鳥群捕食行為的研究[19]。優化問題的每個可能解都是PSO搜索空間中一個粒子，每個粒子都有兩個屬性：D維矢量位置xi(k)和D維矢量速度vi(k)。通過適用度函數F可以對每個粒子優劣進行衡量，得到單個粒子尋優路徑中最優位置Li(k)和種群尋優路徑中最優的位置G(k)，分別作為粒子本身和種群的飛行經驗，并據此調整飛行速度方向和大小，獲取新的位置，從而不斷靠近全局最優解。

粒子速度和位置更新關系為

(2)

式中：w為慣性權重；C1和C2為學習因子；r1和r2為0到1之間均勻分布的隨機數；i為粒子序號，k為迭代步數。式(2)是PSO的核心，表明了PSO尋優的路徑。

PSO數學模型可以表述為

PSO=(F,N,C1,C2,w,D)

(3)

式中：N為粒子總數。

基本PSO的一般流程如下：

步驟1初始化粒子群位置和速度，生成問題的初始解集。

步驟2計算個體適應度F，如果滿足優化準則，則跳到步驟5。

步驟3根據個體適應度確定當前個體優化進程和群體優化進程中的最優位置Li(k)和G(k)，該步驟使PSO在尋優過程中每個個體的信息全局共享。

步驟4按照式(3)更新粒子位置和速度，生成新的粒子群，并返回步驟2，該步驟是PSO的核心，式(3)中(Li(k)-xi(k))和(G(k)-xi(k))使每個粒子在縱向上根據自身飛行經驗調整自身飛行方向，同時在橫向上根據群體飛行經驗來向著群體最優值移動。

步驟5終止運算。

與GA不同，PSO在尋優過程中每個個體的信息是全局共享的，使得粒子群優化算法得以快速收斂。然而在算法后期(Li(k)-xi(k))和(G(k)-xi(k))以及速度vi(k))都比較小，粒子較難跳出局部極小，導致PSO易早熟收斂到局部最優。

1.2 混合遺傳粒子群優化算法

針對PSO和GA各自的特點，本文提出了混合遺傳和粒子群優化算法(Hybrid Genetic Algorithm and Particle Swarm Optimization，HGAPSO)，主要改進以下兩點：

1) 以PSO為主體，保留算法快速收斂能力；在對粒子位置更新過程中引入GA，按照所設定的比例對部分粒子進行交叉變異操作，使粒子跳出局部最優，避免早熟。

2) 針對初始種群位置可能影響搜索效果問題，采用Kent映射[20]的方法對種群位置初始化方法進行了改進，使初始種群位置在搜索空間中盡量均勻分布，以進一步提高搜索效率和全局優化能力。如圖1所示，圖1(b)所示初始種群位置在整個搜索空間內分布更加均勻，而圖1(a)中初始種群集中在空間某個位置，相比于圖1(b)其可能無法搜索到全局最優位置。

圖1 初始種群分布影響示意圖
Fig.1 Influence of initial population distribution diagram

HGAPSO流程具體如下：

步驟1確定粒子種群大小N和問題維度D及可行解的上下邊界，粒子速度采用常用的隨機方法初始化。粒子位置根據Kent映射初始化如下：

(4)

xi,j(0)=xmin(j)+ri,j(xmax(j)-xmin(j))

(5)

式中：xi和ri維數與問題維數D相同；xmin為最小邊界；xmax為最大邊界；ri,j由Kent映射式(4)計算可得，其值在0～1之間均勻分布；i=1,2,…,N為粒子編號；j=1,2,…,D為維數。

步驟2根據適應度函數，評價每個粒子的適應度，確定個體最優Li(k)和群體最優G(k)(定義與粒子群算法相同)，判斷是否滿足優化準則，滿足則跳到步驟5，不滿足繼續步驟3。

步驟3根據PSO的式(2)更新位置和速度，使粒子群不斷向著最優化位置進化。該步驟保留了PSO全局共享信息的機制，使HGAPSO具備較高的搜索效率。

步驟4引入GA的雜交和變異概念，使HGAPSO在運算后期仍具備跳出局部最優的能力，而不會早熟。具體地，以一定的概率pc選取指定比例pr的粒子放入雜交池中，作為父代粒子，兩兩雜交產生子代粒子，再以一定的概率pm對子代粒子位置進行變異，未交叉變異的粒子保留原位置，從而產生新一代粒子群，返回步驟2。

交叉公式為

xchild(k)=prandxparent1(k)+(1-prand)xparent2(k)

(6)

變異公式為

xnewchild(k)=xchild(k)+prand[Δ(xmin-xchild(k))+

(1-Δ)(xmax-xchild(k))]

(7)

式中：xchild為交叉子代位置；xparent為父代位置；xnewchild為變異子代的位置；prand為0～1的隨機數；Δ以一定的概率p取1，以1-p的概率取0。

步驟5終止運算。

根據HGAPSO流程，其數學模型可以表達為

HGAPSO=

(F,N,C1,C2,w,M,D,pc,pm,pr,xmin,xmax)

(8)

2 氣動參數模型

對于小型無人機，忽略其彈性運動，取剛體6自由度動力學微分方程組作為主控方程，并忽略動力系統的慣性力矩。針對低速小型UAV的正常飛行范圍內氣動辨識，主控方程中升力系數CL、阻力系數CD、側力系數CQ、滾轉力矩系數Cl、俯仰力矩系數Cm、偏航力矩系數Cn的氣動數學模型分別表示為

(9)

氣動辨識中所用的觀測方程為

(10)

根據觀測量Ζ和動力學數值積分結果Y，設計適應度函數為

(11)

式中：Q為權重矩陣。利用優化算法，對氣動模型中待辨識的參數進行優化，使適應度函數值最小，則完成氣動參數的辨識。

3 基于仿真數據的HGAPSO氣動參數辨識

下面基于HGAPSO進行氣動參數辨識，并從辨識準度及辨識的成功率的角度，將HGAPSO與PSO和GA進行對比，然后用蒙特卡羅仿真測試隨機噪聲的影響。為此，取氣動參數已知的某小型UAV，通過數值仿真給出其動力學特性參數，對其縱向氣動參數進行辨識。

3.1 仿真試驗設計

所用仿真UAV為某平直翼雙尾撐布局的低速UAV，仿真初始條件為定直平飛狀態，配平參數：V0=35 m/s，α0=5.88°，h0=200 m，δe0=-1.7°，T0=220.87 N。

對于縱向氣動參數辨識，需要激發UAV縱向短周期和長周期運動模態，為此設計了幅值為11.46°，階躍時間間隔為0.3 s的 “3211”周期信號[10]和時長為3 s的長脈沖信號組合作為6自由度模型的仿真輸入信號，如圖2所示，并預留出大約半個長周期振蕩時間以得到更全面的UAV長周期模態特性。圖3為6自由度模型輸出的速度、迎角、俯仰角速率和俯仰角的響應曲線，從圖中可以看出采用“3211”信號和長脈沖信號組合成功激勵了明顯的短周期和長周期運動模態。

圖2 升降舵輸入激勵信號
Fig.2 Excitation input signal of elevator defection

圖3 縱向響應曲線
Fig.3 Longitudinal response curves

3.2 3種算法的氣動辨識結果

分別采用GA、PSO和HGAPSO 3種優化算法進行氣動參數辨識。仿真試驗按照最大迭代步數500、1 000、1 500和2 000分成4組，每組試驗各進行50次辨識測試，作為初步分析，試驗暫不加入觀察噪聲，而噪聲影響在3.3節討論。為了盡量客觀對比評價3種算法，其參數設置均保持一致，采用相同的適應度函數、種群大小和上下界，GA和HGASPO算法的交叉和變異概率相同，PSO和HGAPSO粒子權重系數也相同。具體HGAPSO參數設置如下：

HGAPSO=(F,40,2,2,0.7,M,10,0.8,

0.04,0.3,xmin,xmax)

(12)

式中：

xmax=[0.2 1.5 1.4 7.8 16 1.2 1.2

0.9 -38 0.2]；

xmin=[0 -0.1 -0.1 3 7 -0.3

-0.4 -4 -53 -2]。

圖4顯示了3種優化算法在500、1 000、1 500、2 000迭代步數下辨識成功率(辨識數值經驗表明，可取適應度函數值小于300作為成功的判斷標準)。結果表明在相同的迭代步數下，GA成功率較低，隨著迭代步數的增加成功率緩慢增加，搜索效率較低；PSO成功率較高，搜索效率明顯提高，隨著迭代步數增加到一定值后成功率趨于穩定；結合了GA和PSO特點的HGAPSO，其成功率相較于GA和PSO基本算法提高很多。

表1對3種優化算法成功辨識部分的參數和代價函數的平均值進行了對比。從辨識參數真值和辨識結果來看，3種算法均有出色的尋優能力，但從適應度函數來看GA和HGAPSO顯示了更好的全局優化能力，PSO則全局優化能力較弱。再分析原因，主要是因為GA采用輪盤賭和交叉變異的操作，使得群體有一定的概率往偏離最優位置方向發展，變異操作使得后期種群仍然活躍，收斂能力弱，在一定迭代步驟下其成功率下降明顯，同時也正因為交叉變異使得種群可以跳出局部最優，而具有較強的全局優化能力；PSO原理簡單，其全局共享信息的機制使得算法效率大大提高，但是在算法后期由于種群位置較為集中，而沒有跳出局部最優的機制，使得其很難跳出局部最優。HGAPSO綜合了GA和PSO的優點，具有優秀的全局優化能力和辨識效率，少量未成功辨識，是因為該算法以PSO為主體，仍有一定概率進入局部最優中，但該部分的代價函數值也都很接近300。

圖4 給定迭代步數的成功率
Fig.4 Success ratios for given iterative steps

表1 辨識結果對比Table 1 Comparison of identified results

3.3 噪聲影響分析

表1中之所以顯示較完美的辨識效果，是因為辨識基礎數據基于仿真結果，并且沒有引入觀測噪聲，飛行參數是完全動力學協調的。為了適應在實際飛行試驗中廣泛存在的測量信號噪聲，需進一步分析噪聲對于算法辨識效果的影響。

對速度、迎角、俯仰角速率、俯仰角、法向加速度和縱向加速度觀測值同時加入最大15 dB信噪比水平(相對噪聲水平為17%左右)的白噪聲，進行1 000次的蒙特卡羅仿真分析，并給出了氣動參數辨識結果與真值相對誤差的統計箱體圖，如圖5所示。從統計結果可以看出HGAPSO能夠濾除觀測信號的隨機噪聲影響，辨識效果好。噪聲對CL0、CLα、CLq、Cm0、Cmq和Cmδe等小型UAV動態特性關鍵氣動參數的辨識影響較小，而對CD0、CDα特別是Clδe影響較大。分析其原因，主要是因為大噪聲會淹沒長周期運動參數，造成相關導數可辨識性降低，從而影響阻力氣動參數辨識CD0和CDα,而Clδe對于升力的貢獻相對于其他升力氣動導數較小，其可辨識性較差，存在噪聲淹沒的情況。換言之，在所加的較大噪聲水平下，對操穩特性影響大的氣動參數依然保持較好的辨識準度。

圖5 辨識結果與真值相對誤差
Fig.5 Relative errors between identified results and true values

4 基于飛行數據的HGAPSO氣動參數辨識

0.000 67δtV-0.003 88V2

(13)

圖6 試驗無人機照片
Fig.6 Photo of test UAV

式中：δt為油門大小，取值范圍為0～100，代表油門從關閉到全開狀態；V為空速；推力T單位為N。

表2 試驗UAV物理和幾何參數Table 2 Physical and geometric parameters of test UAV

飛行參數記錄系統采用開源PHIXHAWK無人機飛行控制系統[21]，具有空速計、氣壓計、GPS模塊、MEMS慣導等傳感器，可采集并記錄除氣動角之外辨識所需的飛行數據。對于迎角和側滑角，在風擾較小的情況下，可以通過速度投影來獲取。試驗當天陰天微風，近似平靜大氣環境，氣象條件較為有利。辨識激勵試驗由操縱手以第3人稱視角手動操縱完成。試驗UAV初始平飛高度在60 m左右，速度在20 m/s左右?？紤]縱向短周期運動模態基本包含了全部縱向氣動參數，且噪聲對長周期運動參數記錄值影響較大，縱向辨識激勵試驗，僅對升降舵進行“3211”周期信號操縱，并留出一定時間使試驗UAV縱向運動模態充分激發，油門保持不變，如圖7所示。圖7中：δe為升降舵偏角；δT為油門大小。橫航向辨識試驗，由于滾轉模態收斂較快，因此先對副翼進行倍脈沖操縱激勵滾轉模態，然后對方向舵進行倍脈沖操縱激勵荷蘭滾模態，如圖8所示。圖8中:δa為副翼偏角；δr為方向舵偏角。

圖7 縱向輸入激勵信號
Fig.7 Longitudinal excitation input signal

圖8 橫側向輸入激勵信號
Fig.8 Lateral excitation input signal

辨識采用40個粒子，迭代1 000步，具體參數設置為

HGAPSO=(F,40,2,2,0.7,1 000,33,0.8,

0.04,0.3,xmin,xmax)

(14)

式中：可行解的上下界一般依據風洞試驗結果、CFD或工程計算結果給出，這里參考同類小型無人機氣動參數辨識的結果[4，22]，利用參數預估計方法[8]得到，具體為

xmax=[0.2,0.5,2,0.15,0.15,6,20,1,0.6,0.5,

-0.05,-0.1,0.5,-0.1,0.1,-0.1,

-0.01,0.2,0,0.6,0.01,0,0,0.2,0,0.2,

0.01,0.1,0,0.5,0.1,0]

xmin=[0,0.05,0.2,-0.1,-0.1,0,0,-0.1,

0,-0.5,-0.8,-10,-0.5,-1,0,-1,

-0.2,0,-0.2,0,-0.01,-0.2,-0.5,0,

-0.2,0,-0.01,0,-0.2,0,-0.1,-0.5]

試驗UAV氣動參數辨識結果如表3、表4所示。通過辨識得到模型輸出和飛行試驗數據的對比如圖9、圖10所示?？v向試驗為310～315 s，橫側向試驗為兩段數據，451～453 s為副翼激勵試驗段，513～517 s為方向舵激勵試驗段。

表3 縱向氣動參數辨識結果Table 3 Identified values of longitudinal parameters

表4 橫側向氣動參數辨識結果Table 4 Identified values of lateral parameters

圖9 縱向飛行數據時序圖
Fig.9 Time histories of longitudinal flight data

圖10 橫側向飛行數據時序圖
Fig.10 Time histories of lateral flight data

可以看出，辨識模型預測輸出的數據和原始飛行數據吻合很好，表明了HGAPSO有效性，同時也表明該算法具有較強的高維空間優化能力，適于處理實際工程問題。

5 結 論

本文融合了遺傳算法(GA)和粒子群算法(PSO)的優點，提出了新型的混合遺傳粒子群優化算法(HGAPSO)用于氣動參數辨識，辨識精度好，辨識成功率高，對隨機觀測噪聲不敏感。

1) HGAPSO以PSO為主體，在進行粒子位置更新時引入GA的交叉變異操作，同時采用Kent映射改進了種群初始化的方法，能夠兼備PSO高的搜索效率和GA的全局優化能力。

2) HGAPSO可以解決高維度空間的氣動參數辨識問題，精準辨識出氣動參數，在存在隨機觀測噪聲的情況下仍然具備較高的辨識精度。

3) 基于飛行試驗的辨識結果表明，本文建立的氣動參數模型結構能夠反映小型UAV正常包線飛行中的氣動特性，可以確保獲得良好的氣動辨識結果。

本文的氣動參數辨識方法，可以推廣到其他類型飛行器，并結合其氣動模型結構特征進行參數辨識。

[1] MELANSON M, CHANG M, BAKER W II. Wind tunnel testing’s future: A vision of the next generation of wind tunnel test requirements and facilities[C]//48th AIAA Aerospace Sciences Meeting. Reston: AIAA, 2010.

[2] SIMSEK O, TEKINALP O. System identification and handling quality analysis of a UAV from flight test data[C]//AIAA Atmospheric Flight Mechanics Conference. Reston: AIAA, 2015.

[3] 丁娣, 錢煒祺, 汪清. 飛機操穩特性大導數辨識及隨機噪聲影響分析[J]. 航空學報, 2015, 36(7): 2177-2185.

DING D, QIAN W Q, WANG Q. Identification of aircraft stability and control characteristics derivatives and analysis of random noises[J]. Acta Aeronautica et Astronautica Sinica, 2015, 36(7): 2177-2185 (in Chinese).

[4] JIANG T Y, LI J, HUANG K. Longitudinal parameter identification of a small unmanned aerial vehicle based on modified particle swarm optimization[J]. Chinese Journal of Aeronautics, 2015, 28(3): 865-873.

[5] CHASE A, ROBERT A. Flight testing small UAVs for aerodynamic parameter estimation[C]//AIAA Atmospheric Flight Mechanics Conference. Reston: AIAA, 2014.

[6] 吳偉, 陳仁良. 直升機懸停狀態全耦合飛行動力學模型辨識方法[J]. 航空學報, 2011, 32(2): 202-211.

WU W, CHEN R L. Identification method for helicopter fully coupled flight dynamics model in hover condition[J]. Acta Aeronautica et Astronautica Sinica, 2011, 32(2): 202-211 (in Chinese).

[7] 雷宇. 基于STA34的無人機模型辨識與自主飛行控制律設計[D]. 北京： 北京航空航天大學， 2013: 26-56.

LEI Y. Model identification and autonomous flight control law design based on STA34 autopilot[D]. Beijing: Beihang University, 2013: 26-56 (in Chinese).

[8] 蔡金獅, 汪清, 王文正. 飛行器系統辨識學[M]. 北京: 國防工業出版社， 2003: 125-216.

CAI J S, WANG Q, WANG W Z. Flight vehicle system identification [M]. Beijing: National Defence Industry Press, 2003: 125-216 (in Chinese).

[9] KLEIN V, EUGENE A. Aircraft system identification-theory and practice[M]. Reston: AIAA, 2006: 27-221.

[10] RAVINDRA V. Flight vehicle system identification: A time domain methodology[M]. Reston: AIAA, 2006: 59-261.

[11] BURCHETT A. Aerodynamic parameter identification for symmetric projectiles: Comparing gradient based and evolutionary algorithms[C]//AIAA Atmospheric Flight Mechanics Conference. Reston: AIAA, 2011.

[12] 錢煒祺, 汪清, 王文正. 遺傳算法在氣動力參數辨識中的應用[J]. 空氣動力學報, 2003, 21(2): 196-201.

QIAN W Q, WANG Q, WANG W Z. Aerodynamic parameter identification using GA[J]. Journal of Aerodynamic, 2003, 21(2): 196-201 (in Chinese).

[13] 張天姣, 汪清, 何開鋒. 粒子群算法在氣動力參數辨識中的應用[J]. 空氣動力學報, 2010, 28(6): 633-635.

ZHANG T J, WANG Q, HE K F. Aerodynamic parameter identification using PSO[J]. Journal of Aerodynamic, 2010, 28(6): 633-635 (in Chinese).

[14] 劉國平, 徐欽龍. 粒子群算法及其與遺傳算法的比較[J]. 中南工業大學學報, 2003, 34(2): 328-330.

LIU G P, XU Q L. Comparing PSO and GA[J]. Journal of Central South University of Technology, 2003, 34(2): 328-330 (in Chinese).

[15] IBRAHIM A S N, SELAMAT. A query optimization in relevance feedback using hybrid GA-PSO for effective web information retrieval[C]//2009 Third Asia International Conference on Modelling & Simulation. Piscataway, NJ: IEEE Press, 2009.

[16] HUANG H. Global path planning for autonomous robot navigation using hybrid metaheuristic GA-PSO algorithm[C]//2011 Proceedings of SICE Annual Conference (SICE). Piscataway, NJ: IEEE Press, 2011: 1338-1343.

[17] SHAMA J, SINGHAL R S. Comparative research on genetic algorithm, particle swarm optimization and hybrid GA-PSO[C]//Computing for Sustainable Global Development. 2015: 110-114.

[18] HOLLAND J H. Genetic algorithms[J]. Scientific American, 1992, 267(1): 66-72.

[19] KENNEDY J, EBERHART R. Particle swarm optimization[C]//Proceedings of IEEE International Conference on Neural Networks. Piscataway, NJ: IEEE Press, 1995: 1942-1948.

[20] 楊迪雄. 非線性函數的混沌優化方法比較研究[J]. 計算力學學報, 2004, 21(3): 257-262.

YANG D X. Comparative study on chaos optimization algorithm for nonlinear function[J]. Chinese Journal of Computational, 2004, 21(3): 257-262 (in Chinese).

[21] PIXHAWK. Pixhawk autopilot introduction[EB/OL]. [2016-04-15]. http://www.pixhawk.com/modules/pixhawk.

[22] G?TTLICHER C. System identification of an unmanned aerial vehicle using maximum likelihood methods[D]. München: Technische Universit?t München， 2013: 92-108.

HGAPSO:Anewaerodynamicparametersidentificationalgorithmforsmallunmannedaerialvehicles

SHAOGan1,ZHANGShuguang1,2,3,*,TANGPeng2,3,4

1.SchoolofTransportationsScienceandEngineering,BeihangUniversity,Beijing100083,China2.BeijingKeyLaboratoryforAircraft/EngineIntegratedSystemSafety,Beijing100083,China3.CollaborativeInnovationCenterforAdvancedAero-Engine,Beijing100083,China4.SchoolofEnergyandPowerEngineering,BeihangUniversity,Beijing100083,China

Inthedevelopmentofsmallunmannedaerialvehicles(UAVs),aerodynamicparameteridentificationisneededforstabilityandcontrolanalysisandflightcontrollawassessment.Animprovedhybridgeneticandparticleswarmoptimizationalgorithm(HGAPSO)isproposedforaerodynamicparameteridentification.Inthisalgorithm,theparticleswarmoptimizationalgorithm(PSO)isusedasthemainbody,andthecross-overandmutationoperationofgeneticalgorithm(GA)isincludedintotheoptimizationofparticlepathtoenhancetheabilitytojumpoutofthelocaloptimalpath.Kentmappingisalsousedtoimprovetheinitialdistributionoftheparticlepopulation,andtomakethedistributionmoreuniformandthentheoptimizationmoreglobal.Basedonthesimulationresults,theHGAPSO,PSOandGAalgorithmsarecomparedintermsofaccuracyofidentifiedaerodynamicparametersandsuccessrateofidentification.MonteCarlosimulationsarefurtherconductedtoevaluatetheeffectofrandomnoisesinthemeasuredsignals.TheresultsshowthatHGAPSOcanprovidebothhighefficiencyandglobalizationinoptimization,andhasgoodresistanceagainstmeasurednoises.FlighttestingdataacquiredfromasmallUAVareusedtocomprehensivelyevaluatetheHGAPSOalgorithm，andtheHGAPSOshowssatisfactoryabilitytoidentifyaerodynamicparametersbasedontheflightdata.

smallunmannedaerialvehicle;aerodynamicparameter;parameteridentification;hybridgeneticandparticleswarmoptimizationalgorithm(HGAPSO);searchingefficiency;globaloptimization

2016-04-25；Revised2016-06-02；Accepted2016-06-15；Publishedonline2016-06-271534

URL：www.cnki.net/kcms/detail/11.1929.V.20160627.1534.010.html

NationalHigh-techResearchandDevelopmentProgramofChina(2014AA2157)

2016-04-25；退修日期2016-06-02；錄用日期2016-06-15； < class="emphasis_bold">網絡出版時間

時間：2016-06-271534

www.cnki.net/kcms/detail/11.1929.V.20160627.1534.010.html

國家“863”計劃 (2014AA2157)

＊

.E-mailgnahz@buaa.edu.cn

邵干， 張曙光， 唐鵬． 小型無人機氣動參數辨識的新型HGAPSO算法J． 航空學報,2017,38(4):120365.SHAOG,ZHANGSG,TANGP.HGAPSOAnewaerodynamicparametersidentificationalgorithmforsmallunmannedaerialvehiclesJ.ActaAeronauticaetAstronauticaSinica,2017,38(4):120365.

http://hkxb.buaa.edu.cnhkxb@buaa.edu.cn

10.7527/S1000-6893.2016.0196

V212.11

A

1000-6893(2017)04-120365-11

(責任編輯： 鮑亞平， 蔡斐)

＊Correspondingauthor.E-mailgnahz@buaa.edu.cn