在现代航空航天领域，飞行器的控制性能直接决定了其执行任务的成败。随着飞行技术的不断进步，飞行器面临着更为复杂的操作环境和更高的性能要求。为了应对系统不确定性、外部干扰和非线性问题，自抗扰控制（Active Disturbance Rejection Control, ADRC）应运而生。自抗扰控制是一种先进的控制理论，能够有效提高控制系统的鲁棒性，尤其适用于处理飞行器超机动控制中的种种挑战。然而，ADRC中非线性函数系数的配置，即自抗扰控制律参数的选取，对于飞行器的动态性能和稳定性具有决定性影响。如何高效准确地寻找最优的控制参数，一直是飞行控制领域研究的热点。
基于粒子群优化（Particle Swarm Optimization, PSO）算法的自抗扰飞行控制律参数优化方法，为解决这一问题提供了一种创新途径。PSO作为一种群体智能优化算法，通过模拟自然界生物群体的集体行为，使得粒子（相当于解空间中的潜在解决方案）在问题空间中搜索最优解。在飞行控制律参数优化中，PSO算法能够针对控制律参数设置一个搜索范围，在该范围内迭代寻找一组最优参数，以达到系统性能指标的最优化。
在实现优化的过程中，首先需要对自抗扰控制律中的扩张状态观测器（Extended State Observer, ESO）参数进行初始化。ESO是自抗扰控制的核心，它通过估计系统中的未知干扰和不确定性，将其抵消，从而提升控制效果。而ESO参数中的非线性函数系数，是影响整个自抗扰控制系统性能的关键。PSO算法能够针对这些系数进行全局搜索，并评估每一次迭代中所生成参数的性能。
优化的具体流程包括：初始化粒子群，设定PSO算法的参数（如粒子数目、学习因子等），并随机设定粒子的初始位置和速度。每个粒子代表了一组可能的ESO参数，而粒子的目标函数值（适应度）则根据飞行器控制性能的动态响应和稳态性能指标来计算。通过迭代过程，粒子不断地更新自己的位置（即ESO参数的可能取值），向更好的控制性能指标靠近。粒子间的相互作用和信息共享，加速了最优解的搜索。一旦满足终止条件（如达到预设的迭代次数或性能指标阈值），算法停止搜索并输出最优参数。
通过数字仿真实验，验证了基于PSO优化得到的自抗扰控制律参数的控制效果。仿真实验表明，优化后的控制律不仅在动态响应方面表现出色，而且在稳态性能上也达到了预期目标，这对于飞行器在实际飞行中的性能具有重要意义。此外，研究中还引入了新的影响因素——俯仰角速度，这使得模型的物理意义更加明确，并进一步增强了优化控制律的精确性和适应性。
总结来说，基于PSO的自抗扰飞行控制律参数优化方法为航空航天领域提供了一种高效的飞行控制策略。这种方法不仅能够提升超机动飞行器的控制精度和稳定性，还能够应对复杂的飞行环境和动态变化。更广泛地，这种优化技术同样适用于无人机控制、航天器姿态控制等领域，具有广阔的应用前景。通过精确的参数优化，飞行器的机动性和战斗效能得到显著提升，为未来航空航天技术的发展带来了新的可能性。
