本發(fā)明屬于武器站
技術(shù)領(lǐng)域：
，特別涉及一種基于Kriging算法的武器站炮口擾動(dòng)優(yōu)化方法。
背景技術(shù)：
：火炮發(fā)射時(shí)，火藥燃燒產(chǎn)生的瞬時(shí)高溫、高壓推動(dòng)彈丸在膛內(nèi)高速運(yùn)動(dòng)，加之火炮的慣性作用，使火炮產(chǎn)生劇烈振動(dòng)，導(dǎo)致炮口指向發(fā)生變化，嚴(yán)重影響射擊精度。研究火炮發(fā)射的炮口擾動(dòng)及其變化規(guī)律，對(duì)于評(píng)價(jià)和考核火炮性能、鑒定火炮生產(chǎn)質(zhì)量、提高火炮射擊精度具有重要的理論意義。通過(guò)對(duì)頂置武器站結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化使炮口擾動(dòng)最小。技術(shù)實(shí)現(xiàn)要素：本發(fā)明設(shè)計(jì)開發(fā)了一種基于Kriging算法的武器站炮口擾動(dòng)優(yōu)化方法，通過(guò)對(duì)結(jié)構(gòu)參數(shù)的優(yōu)化，解決了炮口擾動(dòng)量大影響射擊精度的問(wèn)題。本發(fā)明提供的技術(shù)方案為：一種基于Kriging算法的武器站炮口擾動(dòng)優(yōu)化方法，包括如下步驟：步驟一、給定頂置武器站緩沖器阻尼C、身管彈性模量E及泊松比P的范圍；步驟二、采用拉丁超立方試驗(yàn)設(shè)計(jì)方法對(duì)阻尼、彈性模量、泊松比3個(gè)設(shè)計(jì)變量進(jìn)行N個(gè)樣本點(diǎn)的采樣；步驟三、使用上述采樣參數(shù)，對(duì)頂置武器站進(jìn)行炮口擾動(dòng)試驗(yàn)，測(cè)量高低角位移θc、高低線速度vc、水平角位移θs及水平線速度vs，計(jì)算炮口擾動(dòng)綜合函數(shù)：minZ＝min(w1θc+w2vc+w3θs+w4vs)其中，w1、w2、w3、w4為權(quán)系數(shù)；步驟四、聯(lián)合N組樣本點(diǎn)和N個(gè)炮口振動(dòng)綜合參數(shù)構(gòu)成初始訓(xùn)練樣本點(diǎn)集，構(gòu)建kriging代理模型；步驟五、使用遺傳算法對(duì)kriging代理模型進(jìn)行尋優(yōu)，找出最優(yōu)點(diǎn)及最大期望提高點(diǎn)，得到優(yōu)化結(jié)構(gòu)參數(shù)值。優(yōu)選的是，步驟三中，w1＝w3＝1，w2＝w4＝10。優(yōu)選的是，步驟二中，使用拉丁超立方試驗(yàn)提取25組樣本點(diǎn)。優(yōu)選的是，步驟五中遺傳算法種群數(shù)量為44，交叉概率為0.7，變異概率為0.05，收斂閥值為0.001。優(yōu)選的是，緩沖器阻尼C的范圍C∈[20,60]。優(yōu)選的是，身管彈性模量E的范圍E∈[2,2.5]。優(yōu)選的是，身管泊松比P的范圍P∈[0.1,0.45]。本發(fā)明的有益效果是：本發(fā)明提供了一種基于Kriging算法的武器站炮口擾動(dòng)優(yōu)化方法，通過(guò)對(duì)支撐架彈性模量、彈箱質(zhì)量、緩沖器剛度的優(yōu)化設(shè)計(jì)，使炮口擾動(dòng)量最小。附圖說(shuō)明圖1為本發(fā)明所述的基于Kriging算法的武器站炮口擾動(dòng)優(yōu)化方法流程圖。具體實(shí)施方式下面結(jié)合附圖對(duì)本發(fā)明做進(jìn)一步的詳細(xì)說(shuō)明，以令本領(lǐng)域技術(shù)人員參照說(shuō)明書文字能夠據(jù)以實(shí)施。如圖1所示，本發(fā)明提供了一種基于Kriging算法的武器站炮口擾動(dòng)優(yōu)化方法，包括以下步驟：步驟一：選擇頂置武器站緩沖器阻尼C、身管彈性模量E及泊松比P這三個(gè)結(jié)構(gòu)參數(shù)作為優(yōu)化問(wèn)題的設(shè)計(jì)變量，這三個(gè)參數(shù)的取值范圍圖表1所示：表1步驟二、采用拉丁超立方試驗(yàn)設(shè)計(jì)方法對(duì)阻尼、彈性模量、泊松比3個(gè)設(shè)計(jì)變量進(jìn)行25個(gè)樣本點(diǎn)的采樣；步驟三、使用上述采樣參數(shù)，對(duì)頂置武器站進(jìn)行炮口擾動(dòng)試驗(yàn)，測(cè)量高低角位移θc、高低線速度vc、水平角位移θs及水平線速度vs，計(jì)算炮口擾動(dòng)綜合函數(shù)：minZ＝min(w1θc+w2vc+w3θs+w4vs)其中，w1、w2、w3、w4為權(quán)系數(shù)；作用是將不同參量的量綱進(jìn)行統(tǒng)一，四個(gè)權(quán)系數(shù)取值為:w1=w2=1w3=w4=10.]]>步驟四、聯(lián)合25組樣本點(diǎn)和25個(gè)炮口振動(dòng)綜合參數(shù)構(gòu)成初始訓(xùn)練樣本點(diǎn)集，構(gòu)建kriging代理模型。部分訓(xùn)練樣本如表2所示表2Kriging模型本質(zhì)上是一種基于統(tǒng)計(jì)理論的近似模型，其有效性及精確性受隨機(jī)誤差的影響小。Kriging模型在對(duì)未知點(diǎn)進(jìn)行預(yù)測(cè)時(shí)，需要借助周圍已知采樣點(diǎn)的信息，通過(guò)對(duì)該信息進(jìn)行加權(quán)組合來(lái)估計(jì)未知點(diǎn)，加權(quán)方法則根據(jù)最小化估計(jì)值誤差的方差來(lái)確定，因此Kriging模型是最優(yōu)的線性無(wú)偏估計(jì)。Kriging作為一種半?yún)?shù)化的近似模型，由線性回歸部分和非參數(shù)部分組成：其中，F(xiàn)(β,x)是回歸部分，由一系列x的多項(xiàng)式及回歸系數(shù)β來(lái)共同決定：F(β,x)=β1f1(x)+β2f2(x)+...+βpfp(x)=β1β2...βnf1(x)f2(x)...fn(x)=f(x)Tβ]]>在插值過(guò)程中F(β,x)提供全局近似，且x的多項(xiàng)式形式可以選擇為0階、1階或2階。z(x)為非參數(shù)部分，在插值過(guò)程中提供局部偏差的近似，具有以下統(tǒng)計(jì)特性：E(zi(x))=0Var(zi(x))=δi2Cov[z(xi),z(xj)]=δ2R[xi,xj,θ]]]>其中，E為期望，Var為方差，Cov為協(xié)方差，R為相關(guān)函數(shù)，θ為相關(guān)向量。Kriging序列迭代優(yōu)化方法首先選擇試驗(yàn)設(shè)計(jì)方法對(duì)設(shè)計(jì)變量進(jìn)行一定數(shù)量的采樣，通過(guò)原模型仿真得到響應(yīng)值后構(gòu)造初始訓(xùn)練樣本空間；基于該樣本空間建立第一代Kriging模型，選擇優(yōu)化算法對(duì)當(dāng)前Kriging模型進(jìn)行優(yōu)化；當(dāng)優(yōu)化結(jié)果滿足收斂準(zhǔn)則時(shí)，表明當(dāng)前尋優(yōu)結(jié)果為最終結(jié)果，當(dāng)不滿足收斂準(zhǔn)則時(shí)，需要通過(guò)加點(diǎn)準(zhǔn)則確定待添加樣本點(diǎn)的位置，并通過(guò)原模型仿真得到響應(yīng)值后納入原訓(xùn)練樣本空間中，重新進(jìn)行Kriging模型的構(gòu)建及尋優(yōu)。上述建模、優(yōu)化步驟反復(fù)進(jìn)行，直至優(yōu)化結(jié)果滿足收斂準(zhǔn)則為止。步驟五、使用遺傳算法對(duì)kriging代理模型進(jìn)行尋優(yōu)，找出最優(yōu)點(diǎn)及最大期望提高點(diǎn)，得到優(yōu)化結(jié)構(gòu)參數(shù)值?；谏鲜龀跏加?xùn)練樣本集，利用Matlab/DACE工具箱構(gòu)造第一代Kriging模型，回歸函數(shù)選擇二元二次多項(xiàng)式，相關(guān)函數(shù)選擇高斯函數(shù)，考慮各向異性作用，每個(gè)設(shè)計(jì)變量單獨(dú)賦予θ值，范圍取[0.1,20]，初始值統(tǒng)一設(shè)置為10。優(yōu)化算法選擇遺傳算法，設(shè)置種群數(shù)量為44，交叉概率為0.7，變異概率為0.05，收斂閥值為0.001。依據(jù)上述初始條件，采用Kriging序列迭代優(yōu)化方法對(duì)武器站炮口擾動(dòng)綜合函數(shù)進(jìn)行優(yōu)化，結(jié)果如表3所示。表3使用優(yōu)化后的結(jié)構(gòu)參數(shù)對(duì)頂置武器站進(jìn)行炮口擾動(dòng)試驗(yàn)，與優(yōu)化前的結(jié)果對(duì)比數(shù)據(jù)如表4所示。表4整個(gè)優(yōu)化過(guò)程經(jīng)歷了34輪Kriging模型的更新，最終收斂的全局最優(yōu)值為18.045，對(duì)應(yīng)的設(shè)計(jì)變量為(51.68,2.396,0.2687)。相比起初始值，優(yōu)化值降低21.06％。在特征點(diǎn)尋優(yōu)的過(guò)程中發(fā)現(xiàn)，最優(yōu)值并不是一味地變小，而是在-300至-10間來(lái)回波動(dòng)，這是由于擬合出的Kriging模型具有若干個(gè)相近的極小值點(diǎn)，當(dāng)前Kriging模型的最優(yōu)點(diǎn)經(jīng)加點(diǎn)提高準(zhǔn)確度后，另一個(gè)相近的極小值點(diǎn)凸顯出來(lái)，成為下一輪Kriging模型的最優(yōu)點(diǎn)，如此反復(fù)尋優(yōu)、加點(diǎn)，一直到該若干個(gè)極小值點(diǎn)被“填平”、全局最優(yōu)點(diǎn)留存下來(lái)為止。由對(duì)比結(jié)果可知，優(yōu)化后的炮口擾動(dòng)參量最大振幅均有不同程度的改善，其中，高低向線速度、水平向線速度、高低向角位移、水平向角位移最大振幅分別降低14.74％、21.91％、20.12％、26.41％，優(yōu)化效果顯著。盡管本發(fā)明的實(shí)施方案已公開如上，但其并不僅僅限于說(shuō)明書和實(shí)施方式中所列運(yùn)用，它完全可以被適用于各種適合本發(fā)明的領(lǐng)域，對(duì)于熟悉本領(lǐng)域的人員而言，可容易地實(shí)現(xiàn)另外的修改，因此在不背離權(quán)利要求及等同范圍所限定的一般概念下，本發(fā)明并不限于特定的細(xì)節(jié)和這里示出與描述的圖例。當(dāng)前第1頁(yè)1 2 3