基于自组织映射与改进飞蛾火焰优化算法的高速飞行器强干扰数据驱动控制

《Aerospace》：High-Speed Flight Vehicle Strong Interference Data-Driven Control Based on Self-Organizing Map and Improved Moth-Flame Optimization

　　

由于传统控制方法依赖精确的数学建模，在强扰动大气环境下应用于高速飞行器控制时面临控制复杂度高与精度低等挑战。为此，研究人员将一种数据驱动的神经网络映射方法引入飞行器控制领域。通过挖掘运行数据中的潜在规律并利用神经网络的非线性映射能力，实现控制指令的精确预测与生成，从而消除对精确数学模型的依赖，为复杂控制问题提供新思路。在此基础上，研究人员提出一种自组织映射（Self-Organizing Map, SOM）径向基函数（Radial Basis Function, RBF）神经网络。利用SOM的竞争学习机制对输入样本进行自适应聚类，动态优化聚类数目以确定RBF隐含层节点数，并将SOM聚类中心作为RBF基函数的中心。该设计实现节点数与对应中心向量的一键式数据驱动确定，显著简化网络结构设计。同时，针对该网络输出权值次优、宽度函数未优化及传统飞蛾火焰优化（Moth-Flame Optimization, MFO）算法的固有缺陷，受生物群智能启发开发出自适应增强飞蛾火焰优化（Adaptive Enhanced Moth-Flame Optimization, AEMFO）算法。通过融合自适应螺旋更新与精英反向学习等策略平衡全局探索与局部开发能力，对RBF宽度参数及输出层权值进行针对性优化。该优化显著提升了网络在强扰动环境下姿态—控制指令映射的精度，为高速飞行器稳定姿态控制提供有力支撑。最后仿真结果表明，所提方法在强扰动环境下对飞行器姿态控制具有较高的控制精度。

论文解读：基于SOM与改进MFO优化的高速飞行器强干扰数据驱动控制研究

本文发表于MDPI期刊《Aerospace》。研究背景在于高速飞行器在强扰动（如风切变、温度梯度、湍流）环境下，其转动惯量、气动导数及干扰力矩等参数存在高度不确定性与非线性耦合，导致建立精确数学模型极为困难。传统基于模型的控制方法（如PID控制）因假设模型稳定且采用固定参数，难以应对系统强非线性与时变特性，易出现积分饱和、微分放大噪声及解耦困难等问题，造成控制精度下降甚至失稳。为突破传统方法对精确建模的依赖并提升强扰动下的鲁棒性，研究人员开展了基于数据驱动神经网络映射的控制策略研究，提出一种由自组织映射（Self-Organizing Map, SOM）确定结构的径向基函数（Radial Basis Function, RBF）神经网络，并采用自适应增强飞蛾火焰优化（Adaptive Enhanced Moth-Flame Optimization, AEMFO）算法对其宽度参数与输出权值进行全局优化。仿真验证表明，该方法在恒定强风、随机湍流及多源耦合扰动场景下均具有优于传统PID、线性二次调节器（Linear Quadratic Regulator, LQR）及常规神经网络的映射精度与抗扰鲁棒性。

研究人员采用的主要关键技术方法如下：构建含8000组样本的高速飞行器姿态—控制指令映射数据集（输入为速度高低角、速度方位角、弹体轴高低角、弹体轴方位角；输出为脉冲作动器点火次数、作动时间及脉冲当量偏转角），由六自由度轨迹优化求解器生成基准真值指令；采用SOM网络对输入样本做无监督竞争学习聚类，以动态确定的聚类数作为RBF隐含层节点数并将SOM聚类中心直接赋为RBF高斯基函数中心向量；构建以网络输出控制指令均方根误差（Root Mean Square Error, RMSE）为适应度函数的AEMFO算法，对RBF的宽度参数σ_j与输出层权值w_jm进行联合寻优（引入自适应螺旋更新、精英反向学习Elite Opposition-Based Learning、动态火焰数调整及混合变异策略防止早熟收敛）；以8:2划分训练集与测试集，重复五次不同随机种子实验，采用RMSE与平均绝对误差（Mean Absolute Error, MAE）评估性能，并与PID、LQR、基本RBF、反向传播（Back Propagation, BP）神经网络、支持向量机（Support Vector Machine, SVM）、概率神经网络（Probabilistic Neural Network, PNN）及MFO优化版本对比。

2. Problem Formulation

研究人员给出了鸭舵控制轴对称高速飞行器的姿态动力学方程，详述了强扰动下转动惯量I_x、I_y、I_z，升力/侧向力系数导数C_Lα、C_Yβ，静/动稳定性导数及马格努斯力矩系数等参数的时变不确定性，指出精确建模困难。分析传统PID控制器u(t)=K_pe(t)+K_i∫e(t)dt+K_dde(t)/dt在强扰动下固定参数无法全局最优、积分项滞后致稳态误差、微分项放大高频噪声及无法解耦多变量耦合等局限，阐明引入数据驱动SOM-RBF网络控制策略的必要性。

3. Self-Organizing Mapping-Based Radial Basis Function Neural Network Control Strategy

研究人员阐述以四维姿态角为输入、三维控制指令为输出的RBF网络结构（隐含层激活函数为高斯函数φ_j(x)=exp(-‖x-c_j‖2/(2σ_j2))）。提出用SOM网络对输入样本做竞争学习：初始化权向量，计算输入样本与各神经元权值欧氏距离找获胜节点，按含高斯核邻域函数的规则更新权值，迭代至收敛后将SOM节点权向量c_j作为RBF基中心，以簇内最小欧氏距离为扩展常数σ_j，聚类数即为隐含层节点数，实现免人工预设的网络结构一键确定。

3.2. Novel Swarm Intelligence-Based Adaptive Enhanced Moth-Flame Optimization (AEMFO) Algorithm for Network Model Parameter Optimization

研究人员指出传统MFO易陷入局部最优、后期收敛慢、火焰数敏感及个体多样性丧失等不足。提出AEMFO算法：将RBF待优化宽度参数与输出权值编码为飞蛾位置；每代按适应度排序保留前N只火焰并做基于适应度分布动态缩减函数N=round(N_max×(1-t/T_max)+ε)调整火焰数；飞蛾以自适应对数螺旋绕火焰更新位置（引入动态系数与迭代权重）；对前20%精英飞蛾做精英反向学习生成反向解并择优替换；以30%概率对飞蛾做差分混合变异（V_i=X_r1+F·(X_r2-X_r3)）并做边界修正；以网络输出RMSE为适应度函数，终止条件为最大迭代或适应度变化率小于阈值，输出最优参数集。

4. Performance Evaluation

研究人员说明数据集来自高保真六自由度动力学仿真平台，8000组样本按8:2划分，三种扰动场景（恒定强风15 m/s、0~20 m/s高斯随机湍流、多源耦合扰动），各方法超参数统一设定。经SOM网格尺寸对比确定8×8为最优拓扑（兼顾聚类覆盖与计算量）。收敛曲线显示AEMFO较传统MFO初期下降快、波动小、具停滞重置故最终RMSE更低。在三种扰动下模型精度对比显示性能排序为AEMFO-SOM-RBF < MFO-SOM-RBF < SOM-RBF < 基本RBF（RMSE与MAE均最低，较基本RBF误差降低约83%）。多源耦合扰动下控制指令轨迹预测可视化表明AEMFO-SOM-RBF预测轨迹与基准真值吻合最好、突变处偏差最小，基本RBF波动最大，证实SOM聚类与智能优化联合提升跟踪精度。

5. Conclusions（结论翻译）

在强干扰环境中，传统制导飞行器控制方法因依赖精确动力学模型而面临严重局限，无法有效应对复杂气动干扰与模型不确定性。为克服此问题，本研究提出的SOM-RBF混合神经网络通过数据驱动方式建立了姿态变化与控制指令之间的直接非线性映射，消除了传统方法对精确系统建模的依赖，实现了从弹体姿态变化到控制指令的直接映射控制。仿真结果表明，经飞蛾火焰优化（MFO）优化的SOM-RBF网络在训练集与测试集上的均方根误差均显著低于未优化SOM-RBF网络及其他传统参数化神经网络，具备更优的非线性逼近能力与泛化性能。与传统方法相比，该途径通过无监督聚类机制提高了模型精度与泛化能力，为复杂动态环境下高速飞行器精确控制提供了高效可靠的解决方案。实验验证进一步确认，数据驱动神经网络方法在强扰动环境中具显著优势，为未来高动态航空器系统的智能控制奠定了技术基础。