第 9 卷 　第 10 期 　2009 年 5 月 科 　学 　技 　术 　与 　工 　程 　Vol19 　No110 　 M ay 2009

1671 21819 (2009) 10 22669 205 　 Science Technology and Engineering Ζ 　2009 　Sci1 Tech1 Engng1

基于改进遗传算法的最快爬升航迹的优化分析
吴丽娜 　王和平
(西北工业大学航空学院 ,西安 710072)

摘 　要 　主要介绍一种基于改进遗传算法的优化技术 ,利用遗传算法优越的全局搜索的能力 ,研究了飞行性能中的最快爬升

性能 。使用改进遗传算法对快升航迹和最佳爬升速度进行了寻优优化 , 对遗传算法优化快升的航迹和接近最快爬升方式的
航迹进行了对比 ,表明 ,以遗传算法优化的快升航迹进行爬升 , 飞机可以最快的爬升到巡航高度 。而且本算法以及程序具有
一定的通用性适用于其它求最佳轨迹爬升的航迹优化 。
关键词 　最快爬升 　　航迹优化 　　遗传算法
中图文分类号 　V212. 133; 　　　　文献标志码 　A

　　飞行计划的主要内容有 : 根据需要选定飞行剖 素的制约 ,可行的爬升航路集合复杂且庞大 , 使得

面中各段的飞行速度和高度 , 以及按照选定的飞行 寻求爬升航迹最优解的问题特别复杂 。遗传算法
剖面中各段的飞行规律 , 计算各飞行阶段所需要的 优越的全局搜索能力和快速收敛的特点 , 使得遗传
燃油量和时间 。航路爬升作为飞机飞行性能中的 算法可以处理传统的优化技术难以解决的问题 , 因
重要组成部分之一 , 上升段的飞行速度和高度以及 而 ,在此介绍一种基于改进遗传算法的优化技术 ,
所需的燃油量和时间 , 都是飞行计划计算的主要 对飞机最快爬升的航迹进行了优化和分析 , 为飞行
内容 。 性能与计划的制定提供更为精准的参考数据 。
最佳轨迹爬升就是按任务需要选取的最佳轨 本文根据性能工程师手册中提供的最大爬升
迹进行爬升 。例如 , 以最短爬升时间的轨迹爬升 ; 推力 ,燃油流量 ,极曲线等原始数据 ,以 MATLAB 编
最省燃料消耗量爬升 ; 获得最大水平距离的爬升 程语言为平台 ,编写了一个计算程序来计算按不同
等 。本文主要分析以最短爬升时间的轨迹爬升 , 即 爬升规律爬升时的性能 , 并应用遗传算法对爬升航
最快爬升方式 。 迹进行优化寻求最快爬升的最优解 , 针对飞机不同
最快爬升方式是以最大爬升率爬升 , 它可以尽 的起飞重量选择最佳的爬升航迹 。以一高空长航
快腾出空间 ,有利于空管 ,提高运作效率 。 时飞机对程序进行了验证 , 这个程序不仅限于该机
为了实现最快爬升 , 飞机必须以各高度上最大 型 ,是通用的 。
爬升率对应的爬升速度进行爬升 , 随着自动飞行控
制系统的发展 , 飞行控制系统越来越多 , 使随速度 1 　爬升的计算模型
变化的空间运动轨迹控制趋于精准 , 针对飞行任务
要求对飞行航迹进行优化 , 为飞行控制系统提供最 按照 ATC 的规定 , 在 3 048 m 以下表速不得超
优的飞行轨迹 ,具有重大的实际意义 。 过 463 km / h; 在 3 048 m 高度以下 ,飞机保持起飞离
航迹的优化是一个非线性优化问题 。飞机的 地的速度等表速爬升 , 因此本文主要讨论的是飞机
飞行域大 ,重量变化大 , 受飞行性能 、
环境等客观因 在 3 048 m 高度上由 463 km / h 加速到一定的速度
进行爬升 。假设爬升运动是飞机在垂直平面内做
2009 年 1 月 15 日收到 [1]
无侧滑的质点运动 ,爬升过程的运动方程如下 :

© 1994-2009 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
2670 科 　学 　技 　术 　与 　工 　程 9卷

W dV 始爬升时 , 采用等校正空速 VC = V I = const 常数爬

= P co sα - D - W sinθ
g dt 升 , 它与最大爬升率对应的速度有一定的差别 , 但
( 1)
P sinα + L - W co sθ = 0 是比较接近 , 当爬升速度达到规定的马赫数时 , 则
把爬升高度按等步长划分 成若 干段 , 步长 为 在此高度 hC 上改用等马赫数 M a1 爬升方式 。
h = 300 m [ 4 ] , i → i + 1 这段路程内 , 飞机以 i 点的 飞机以接近快升方式爬升 , 与之相应的爬升表
V i 　αi 　θi , 进行一段爬升 。飞机的可能飞行状态 速 VC = V I 称为最佳爬升速度 。以等表速爬升的表
为 : 等高加速飞行 ; 等速爬升飞行 ; 加速爬升飞行 ; 速 VC = V I 为变量 , 可以通过迭代求解 α和 θ, 从而
减速爬升飞行 。 算出爬升率
[2 ]
。
对于等高加速飞行 L =W ,由式 ( 1 )可得 , 1 2 2W
( 1 ) 设 L =W ,即 W = CL PM S, 解出 Cl = 2 ;
dV g 2 PM S
= ( P co sα - D ) 。
dt W ( 2 )由 M a, CL , CL = f (M a, α) , CD = f (M a, CL ) ,
飞机由 i点飞行到 i + 1 点 , Δti 、Δxi 、
W f i分别表 求出迭代 初值 α , CD , CL , 由 CD 可 以 计 算 ,
0 0 0 0 ( ) ( ) ( ) ( )

示表示飞机从高度 hi 爬升到 hi + 1所消耗的时间 , 飞 ( 0) 1 2 ( 0)

D = PM CD S;
过的水平距离和燃油消耗量 。 2
W (V i + 1 - V i ) ( 3 ) 由式 ( 1 ) 计算
Δti = ,
g ( P cosα - D ) P cosα
( 0) ( 0)
-D
sinθ
( 0)
= ,
1 V dV
Δxi = ( V i + V i + 1 )Δti , W (1 + )
2 g dh
可得到 θ ;
( 0)
ΔW f i = qh Δ
i
ti 。
(4) 把 α , θ 代入式 ( 1 - 2) 计算 L
( 0) ( 0) ( 1)
=
式中 qh 为小时燃料消耗量 。
W cosθ - P sinα , 再 由 L
( 0) ( 0) ( 1) ( 1)
计算出 C , 重复
对于爬升段 , 可由式 ( 1 ) 计算爬升性能 。 L

( 2 ) — ( 4 ) , 直到
( 1 ) 　爬升率 ( k) ( k - 1)
CL - CL
V y i = V i sinθi ;
- 5
( k) ≤10 ;
CL
( 2 ) 　飞行时间
( 5 ) 然后计算 V y = V sinθ。
2Δh
Δ ti = ;
Vy i + Vy i +1
( 3 ) 　经过的水平距离 3 　遗传算法
1
Δxi = ( V i + V i + 1 ) cosθtΔ ti ;
2 遗传算法是借鉴生物界自然选择和自然遗传
( 4 ) 　燃油消耗量 机制的随机全局搜索和优化方法 , 其本质是一种高
效、
并行 、
全局搜索的方法 , 能在搜索过程中自动获
ΔW f i = 1 ( qh i + qh i + 1 )Δ ti 。
2 取和积累有关搜索空间的知识 , 并自适应地控制搜
距离地面 3 048 m 处开始 , 爬升到高度 H = nΔh 索过程以求得最优解 。
所需时间 、
耗油以及飞过的水平距离为 311 　遗传算法模型
使用遗传算法对航迹进行优化 , 首先要建立起
n n n

t = ∑Δ t , W
i =0
i f = ∑ΔW
i =0
fi ,x = ∑Δx
i =0
i 。
适用于遗传算法的数学模型 , 本文是求最短爬升时
间的航迹 , 则该模型的目标函数为
2 　接近快升 n

f ( X ) = m in ∑Δ t
i =0
i

传统的快升飞行采用接近快升的爬升方式 : 开 约束条件为

© 1994-2009 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
10 期 吴丽娜 ,等 : 基于改进遗传算法的最快爬升航迹的优化分析 26　
71

Δh ≥0 (M a0 为初始巡航马赫
( 1 ) 0 <M a ≤M 0 、 选择策略 , 对群体中的所有个体按其适应度大小进
数 ); 行降序排列 , 根据求解问题 , 设计一个概率分配表 ,
( 2 ) 0 ≤θ≤θmax 、0 ≤α≤αlj (θm ax为最大航迹倾斜 将各个概率值按上述排列次序分配给个体 , 以各个
角 ,αlj为临界迎角 ) ; 个体所分配到的概率值 , 作为其能够被遗传到下一
( 3 ) 最大油门和最小油门状态 。 代的概率 , 基于这些概率值用比例选择的方法来产
312 　改进遗传算法的实现 生下一代群体 。
遗传算法的实现主要涉及参数的编码 、
选择算 31213 　交叉算子
子、
适应度函数 、
变异算子和交叉算子 , 以及算法控 快升航迹的优化采用浮点型编码 , 在浮点型遗
制参数的设定和约束条件 。 传算法中 , 主要有单点交叉 、
启发式交叉 、
算术交叉
31211 　爬升航迹染色体的编码方式 等 , 因此 , 在优化快升航迹的算法中采用了优化效
本文直接对飞行控制变量进行编码 , 使所得结 率较高的“混合交叉算子 ” , 即将以上 3 种交叉算
[3 ]

果可以直接用到控制方法设计中 。 子按一定的比例综合使用 。简单交叉可以使飞机

用遗传算法求最佳快升航迹的编程中 , 以可用 从一条航迹飞到另一条航迹中 ; 启发式交叉和算术
爬升马赫数 M a 和迎角 α作为优化变量 。
推力 P、 交叉从两条航迹之间的区域产生新的航迹 。
则每条染色体可以非常直观地对应一条航线 , 染色 适用于二进制编码的交叉算子有单点交叉 、
两
M a 和 α组成的矩阵构成 , 采
体是由每个节点的 P、 点交叉和均匀交叉 , 在最佳爬升速度的寻优中使用
用二进制编码会使得个体编码串的长度较长 , 使遗 两点交叉 。
传算法的搜索空间急剧扩大 , 因此航迹的染色体编 31214 　变异算子
码采用十进制浮点编码方式 。 简单遗传算法的变异算子采用均匀变异 , 这种
P0 P1 … Pi … Pn 算子在突破局部最优方面有比较好的效果 , 但是如
X k = M a0 M a1 … M ai … M an 。 果算法已经找到了最优解附近的解 , 该方法可能使
α0 α1 … αi … αn 搜索跳到其他地方 , 鉴于这种情况 , 本文采用高斯
其中 , X k 表示第 k 条染色体 。 变异 , 在进行变异操作时 , 用符合均值为 P、
方差为
2
与接近快升方式爬升相应的爬升表速 , VC = V I P 的正态分布的一个随机数来替换原有的基因值 。

称为最佳爬升速度 。此时求接近快升方式的爬升 31215 　控制参数的选择

航迹 , 即为求最佳爬升速度 。用遗传算法优化计算 控制参数包括群体规模 、
编码长度 、
交叉概率 、
最佳爬升速度时 , 变量取爬升表速 VC = V I , 由于速 变异概率等 。控制参数的选取影响到整个算法的
度范围不大 , 因此采用二进制编码 。 收敛性 , 为了防止出现“过早收敛 ”
现象 , 在选择优
31212 　选择算子 化参数时 , 需要根据实际情况选择合适的控制参数 。
快升航迹的优化采用最优保存策略 。由染色 由于种群的初始化是对飞行控制变量进行的 ,
体计算得到目标函数值之后 , 按从好到坏的顺序排 因此种群规模选取 50, 遗传代数取 100。
列 , 将上一代群体中一部分性能指标最优的个体不 “混合交叉算子 ”
按一定的比例综合使用简单
参与交叉运算和变异运算 , 直接带入下一代中 , 替 交叉 、
启发式交叉和算术交叉 , 可以使用相同的交
换掉本代群体中经过交叉变异等操作后所产生的 叉概率 , 也可以根据不同的交叉方式选择不同的交
性能指标最差的个体 , 保证好的遗传因子得以保存 叉概率 。本文选择前者 。
下来 。每次优化过程中 , 选择 5 条最好的染色体直 变异概率取值较大时 , 能产生较多的个体 , 增
接复制到代价最大的染色体 。 加了种群的多样性 , 但也有可能破坏掉很多好的模
最佳爬升速度的优化计算则采用均匀排序的 式 , 使得遗传算法的性能近似于随机搜索算法的性

© 1994-2009 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
 2672 科 　学 　技 　术 　与 　工 　程 9卷

能 ; 若变异概率取值较小 , 则变异操作产生新个体 于区别 ,把这种快升航迹称为接近快升航迹 , 用遗

和抑制早熟现象的能力就会较差 。一般的建议取 传算法优化算得的快升航迹简称为遗传算法航迹 。
值范围为 : 0. 0001 ～0. 1。 图 1、
图 2 为优化快升方式与传统快升方式 ,飞
31216 　约束条件的处理 行经过的水平距离和时间随飞行高度的变化曲线 。
M a 和 α组成 , 因此对 0 < M ai ≤M 0 、
变量由 P、 由图 1 可以看出 ,爬升到相同的高度 ,遗传算法优化
0 <αi ≤αlj , 以及最大 、
最小油门状态 , 对这些比较简 得到的快升航迹比接近快升航迹飞过的水平距离
单的约束条件一般采用搜索空间限定法 , 通过适当 更短 ,可以尽快的腾出空间 。
编码对遗传算法的搜索空间的大小加以限制 , 使搜
索空间与解空间一一对应 , 提高遗传算法的效率 。

4 　算例分析

411 　快升航迹
由于种群的初始化是对飞行控制变量进行的 ,
它们映射的航迹并不能在可行解范围内随机分布 ,
因此种群规模只取 30, 遗传代数取 100, 遗传算法的
主要运行参数选择如表 1 所示 :
表 1 　主要运行参数

种群规模 30

最大进化代数 100

交叉概率 0. 78

变异概率 0. 067

412 　最佳爬升速度
最佳爬升速度的优化计算中 , 种群的初始化是
对飞行速度进行的 , 在可行解范围内随机分布 , 因
此种群规模取 50,遗传代数取 100,遗传算法的主要
运行参数选择如表 2 所示 :
表 2 　主要运行参数 由图 2 可以分析得到 , 以遗传算法优化过的快

种群规模 50
升航迹爬升要比接近快升航迹爬升更快的爬升到
最大进化代数 100 巡航高度 ,在 14 km 以下 ,接近快升与优化快升所需
交叉概率 0. 68 时间相差不大 , 其差值基本上可以忽略不计 , 可以
变异概率 0. 067 使用易于飞行控制的接近快升的爬升方式代替优
化快升航迹 ; 但是随着爬升高度的增加 , 爬升所需
413 　优化结果分析
时间的差值也不断变大 , 此时不能忽略 , 因此对于
每条染色体可以非常直观地对应一条航线 , 而
每条航线也唯一地映射一条染色体 , 遗传算法得到 高空巡航的飞机 ,必须对其航迹进行优化控制 。

的最优航迹对应着最快爬升航迹 , 最优速度对应着
接近快升爬升方式的最佳爬升速度 。在此为了便

© 1994-2009 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net
10 期 吴丽娜 ,等 : 基于改进遗传算法的最快爬升航迹的优化分析 26　
73

函数和对应的适应度 。所以本文的算法也适用于其
5 　结论 它求最佳爬升航迹的优化研究 ,例如以爬升燃油消耗
n

( 1 )本文应用遗传算法研究了最快爬升的航迹
量最小的轨迹爬升 m in (W f ) = m in ( ∑ΔW
i =0
fi ) 、
获
n
优化问题 , 通过算例的计算分析 , 基于改进遗传算 得最大水平距离的爬升 m in ( x ) = m in ( ∑Δx ) 等 。 i
法的优化程序 , 不但达到了优化的效果 , 且具有更 i =0

强的寻优能力 , 和更快的收敛速度 , 可以有效的提 参 　考 　文 　献

高运算效率 ; 以改进遗传算法优化所得的航迹爬
1 　飞机飞行性能计算手册 . 西安 : 飞行力学杂志社 , 1987
升 ,飞机可以最快的爬升到巡航高度 。 2 　傅职忠 . 航路爬升性能计算 . 中国民航学院学报 , 1991; 9 ( 2 ) :
( 2 )本文的算法具有一定的通用性 。遗传算法 25 —35
提供了一种求解复杂优化问题的通用框架 , 不需要 3 　孙瑞祥 ,屈梁生 . 遗传算法优化效率的定量评价 . 自动化学报 ,

辅助信息或辅助知识 , 只需要影响搜索方向的目标 2000; 7, 26 ( 4) : 551 —555

Ana lysis of Fa stest C lim b Tra jectory O ptim a l

Ba sed on an Im proved Genetic A lgor ithm s

WU L i2na, WANG He 2p ing

( School of Aeronautics, Northwestern Polytechnical University, Xiπan, 710072, P1R 1China)

[ Abstract] 　An im p roved genetic algorithm op tim ization technique is introduced for op tim al trajectories via sim u2
lation for op tim al fastest clim b trajectory based on the advantages of global op tim ization performance. The sim ula2
tions betw een p recise and app roxim ate fast2clim bing show that the method and p rogram based on im p roved genetic
algorithm are more exactly than traditional m ethod, and the p lane can clim b up to the cruise height in the m inim al
tim e according to the op tim al trajectory. This m ethod and p rogram are in general use and can be used to op tim ize
m inim al fuel2burned clim b trajectory too.
[ Key words] 　fastest clim b 　　 trajectory op tim al　　genetic algorithm

© 1994-2009 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net