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