بهینه سازی هدایت فاز میانی یک پرتابه با استفاده از الگوریتم حرکت توده ذرات

در این مقاله، به مسئله هدایت در فاز میانی پرواز یک پرتابه با هدف تامین الزامات و محدودیتهای ورود به فاز آشسیانه‌یابی آن پرداخته شده است. این الزامات و محدودیتها معمولا  برای سیستمهای ارزان قیمت که ملزم به افزایش برد خود شده اند بوجود می آید و شامل میدان دید، زاویه تقدم (زاویه دید) و زاویه پروازی (زاویه برخورد) پرتابه در کنار میزان تلاش کنترلی حاصله در فاز میانی است. بدیهی است که درصورت تحقق الزامات مزبور، میزان موفقیت ماموریت پرتابه افزایش می یابد. لذا با توجه به اهمیت مسئله و علیرغم کارهای متنوع و پراکنده ای که تاکنون انجام شده، در این تحقیق، ابتدا مسئله بهینه سازی هدایت فاز میانی پرتابه براساس تابع عملکرد متشکل از معیار تلاش کنترلی و همچنین مقادیر نهایی زاویه تقدم و زاویه پروازی در فاز میانی بعنوان توابع جریمه تعریف شده است. سپس با استفاده از الگوریتم بهینه سازی توده ذرات، فرامین شتاب بهینه تولید شده است. نتایج حاصل از شبیه سازی که با روش دیگر مقایسه گردیده، نشان از عملکرد مناسب الگوریتم مربوطه و قابلیت آن برای حل مدلهای پیچیده تر دارد.

MIDCOURSE GUIDANCE A PROJECTILE OPTIMIZATION USING PARTICLE SWARM ALGORITHM

In this paper, the problem of guidance in the midcourse of a projectile’s flight has been addressed to meet the requirements and limitations of the homing phase. These requirements and constraints are usually for low cost systems that are required to increase their range, including the angle of priority (angle of view) and the flight path angle (the angle of impact) of the projectile along with the amount of control effort obtained in the midcourse. Obviously, if these requirements are met, the success of the projectile mission will increase. Therefore, considering the importance of the problem and despite the various and scattered works that have been done so far, in this research, first the midcourse guidance optimization problem of the projectile based on a performance function consisting of the control effort criterion, and also the final values ​​of view angle and flight angle in the midcourse is defined as the penalty functions, respectively. Then, using the particle swarm optimization algorithm, optimal acceleration commands are generated. The simulation results compared with other methods show the proper functioning of the algorithm and its ability to solve more complex models.