運(yùn)載火箭動(dòng)力學(xué)天地差異性分析技術(shù)

程 興，高 晨，賈大玲，李 君，王紫揚(yáng)

（北京宇航系統(tǒng)工程研究所，北京，100076）

0 引 言

近年來，空間發(fā)射任務(wù)逐漸多樣化、復(fù)雜化，因此對(duì)運(yùn)載火箭提出了更高的要求[1～4]。彈道、姿控和制導(dǎo)等專業(yè)的設(shè)計(jì)和集成對(duì)于運(yùn)載火箭非常重要，吸引了眾多學(xué)者的關(guān)注并且取得了許多成果[5～7]。

運(yùn)載火箭的工程化設(shè)計(jì)一般采用“獨(dú)立設(shè)計(jì)+聯(lián)合分析仿真”的模式，即彈道、姿控、制導(dǎo)、載荷、結(jié)構(gòu)、動(dòng)力等專業(yè)根據(jù)標(biāo)準(zhǔn)彈道各自獨(dú)立設(shè)計(jì)，各個(gè)專業(yè)根據(jù)自身需求進(jìn)行偏差條件下的包絡(luò)設(shè)計(jì)。這樣的方法可以有效保證設(shè)計(jì)效率，但是由于各個(gè)專業(yè)進(jìn)行設(shè)計(jì)時(shí)使用的動(dòng)力學(xué)模型不同，參數(shù)偏差的取值和考慮因素各有側(cè)重，難以準(zhǔn)確分析多項(xiàng)偏差組合對(duì)運(yùn)載火箭姿態(tài)、軌跡、載荷等參數(shù)的影響。因此，如何準(zhǔn)確、高效進(jìn)行總體回路的集成建模，量化分析各種因素對(duì)運(yùn)載火箭質(zhì)量特性以及飛行動(dòng)力學(xué)的影響，是現(xiàn)階段運(yùn)載火箭設(shè)計(jì)中急需解決的問題。

另一方面，運(yùn)載火箭是復(fù)雜的系統(tǒng)工程，影響因素多且相互間耦合，尤其是一級(jí)飛行段（含助推飛行段）經(jīng)歷惡劣氣動(dòng)環(huán)境，缺乏對(duì)其飛行力學(xué)特征進(jìn)行量化分析的手段，難以開展動(dòng)力學(xué)關(guān)鍵參數(shù)的天地一致性確認(rèn)及非故障狀態(tài)的偏差辨識(shí)。從飛行結(jié)果來看，盡管飛行過程中姿態(tài)穩(wěn)定并高精度地將有效載荷送入預(yù)定軌道，但各子級(jí)的姿態(tài)及軌道參數(shù)乃至飛行時(shí)間均較標(biāo)稱值存在偏差，尤其是一級(jí)飛行段的參數(shù)偏差更為突出。若能有效辨識(shí)飛行偏差背后的物理因素，據(jù)此開展設(shè)計(jì)改進(jìn)與優(yōu)化，提升飛行與設(shè)計(jì)的一致性，將能夠提高設(shè)計(jì)精細(xì)化水平，從而有利于提高飛行可靠性及潛力挖掘，需采用有效的辨識(shí)算法進(jìn)行參數(shù)辨識(shí)和一致性分析[8～10]。

目前，常用的辨識(shí)算法包括卡爾曼濾波、極大似然估計(jì)、分割算法等。但是卡爾曼濾波算法對(duì)模型精確程度要求較高；基于極大似然估計(jì)的辨識(shí)方法一般要求解雅克比矩陣，算法計(jì)算量較大，工程實(shí)現(xiàn)較為困難，而且算法在系統(tǒng)非線性較強(qiáng)時(shí)可能失效，需要克服矩陣奇異的問題。運(yùn)載火箭飛行環(huán)境干擾因素復(fù)雜繁多，因此所設(shè)計(jì)算法的魯棒性尤為重要。粒子群算法、遺傳算法等算法不依賴于初始值，具有較好的尋優(yōu)能力，而且計(jì)算量較小，具有較好的工程應(yīng)用價(jià)值[11～14]。

針對(duì)速度偏差、姿態(tài)偏差及關(guān)機(jī)時(shí)間偏差幅值較大的狀況，以實(shí)現(xiàn)火箭動(dòng)力學(xué)天地一致性分析，本文首先提出源變量動(dòng)力學(xué)建模技術(shù)，并據(jù)此實(shí)現(xiàn)總體回路集成仿真；在此基礎(chǔ)上，利用粒子群算法具有較快的收斂速度，遺傳算法具有較強(qiáng)全局搜索能力的特點(diǎn)，采用分層結(jié)構(gòu)設(shè)計(jì)混合優(yōu)化算法進(jìn)行參數(shù)辨識(shí)，保證系統(tǒng)具有較快的搜索速度和較強(qiáng)的全局搜索能力，從而實(shí)現(xiàn)運(yùn)載火箭動(dòng)力學(xué)參數(shù)的天地一致性分析。最后通過仿真驗(yàn)證了所提方法的有效性。

1 基于源變量的總體回路集成仿真技術(shù)

液體運(yùn)載火箭普遍采用彈道、姿控、制導(dǎo)、原始數(shù)據(jù)計(jì)算、分離等多專業(yè)獨(dú)立設(shè)計(jì)的模式[15,16]。該設(shè)計(jì)模式下各專業(yè)以標(biāo)準(zhǔn)彈道為起點(diǎn)各自獨(dú)立設(shè)計(jì)并按專業(yè)準(zhǔn)則進(jìn)行偏差包絡(luò)設(shè)計(jì)，既保證了設(shè)計(jì)效率，也保證了系統(tǒng)適應(yīng)有限偏差的能力。該模式下，各專業(yè)使用的動(dòng)力學(xué)數(shù)學(xué)模型各有差異、參數(shù)偏差取值的考慮因素各有側(cè)重，這使得針對(duì)特定偏差的分析具有周期長、匹配性低的特點(diǎn)，難以量化分析單項(xiàng)或多項(xiàng)偏差對(duì)飛行姿態(tài)、飛行軌跡、飛行載荷的綜合影響，譬如推進(jìn)劑流量下降后將影響推進(jìn)劑質(zhì)量及晃動(dòng)特性，影響全箭質(zhì)量分布及質(zhì)心、轉(zhuǎn)動(dòng)慣量，過載及速度等。另外，彈道設(shè)計(jì)采用瞬時(shí)平衡準(zhǔn)則，忽略姿態(tài)控制的動(dòng)態(tài)響應(yīng)過程，姿態(tài)動(dòng)力學(xué)建模以標(biāo)準(zhǔn)彈道為基礎(chǔ)，通常采用質(zhì)量瞬時(shí)凝固法等，即專業(yè)間的模型缺乏一致性，以提高各專業(yè)間參數(shù)的匹配性、量化分析參數(shù)偏差對(duì)系統(tǒng)影響為目標(biāo)，提出了基于源變量的動(dòng)力學(xué)集成建模技術(shù)。

為了精確量化分析包括發(fā)動(dòng)機(jī)推力異常、推進(jìn)劑流量異常等偏差或故障對(duì)全箭質(zhì)量特性及飛行動(dòng)力學(xué)的影響，提出源變量建模思路：以發(fā)動(dòng)機(jī)安裝角、方位角、擺角、推進(jìn)劑秒耗量、加注量、全箭分布質(zhì)量等參數(shù)為基本變量（即源變量），通過在線計(jì)算推進(jìn)劑流量及剩余量、全箭質(zhì)量特性（質(zhì)量、質(zhì)心、轉(zhuǎn)動(dòng)慣量）、發(fā)動(dòng)機(jī)推力及推進(jìn)劑晃動(dòng)特性、結(jié)構(gòu)彈性振動(dòng)及載荷分布，時(shí)時(shí)迭代計(jì)算全箭飛行軌跡和姿態(tài)動(dòng)力學(xué)特性，實(shí)現(xiàn)總體-彈道-姿控-制導(dǎo)-動(dòng)力-推進(jìn)劑晃動(dòng)-載荷計(jì)算的集成建模，并以此推動(dòng)一體化仿真。

相對(duì)文獻(xiàn)[15]和文獻(xiàn)[16]中提出的運(yùn)載火箭六自由度仿真方法不同，本仿真模型具有3個(gè)特點(diǎn)：

a）發(fā)動(dòng)機(jī)推力P為安裝角、安裝象限、擺角的矢量化模型。

式中ckε為第k臺(tái)發(fā)動(dòng)機(jī)的安裝角；ckμ為第k臺(tái)發(fā)動(dòng)機(jī)的象限角；ckδ為第k臺(tái)發(fā)動(dòng)機(jī)的擺動(dòng)指令角。

該建模方式下，通過模型變換便能簡潔、高效地消除剛-晃-彈動(dòng)力學(xué)模型中的代數(shù)環(huán)問題而顯著提高仿真效率及精度。這里不作動(dòng)力學(xué)模型的逐項(xiàng)詳細(xì)分析，而僅列出耦合模型形式。動(dòng)力學(xué)的完整表達(dá)形式及其物理含義詳見文獻(xiàn)[1]。

即有：

進(jìn)一步變換有：

通過式（5）消除了動(dòng)力學(xué)模型中的代數(shù)環(huán)問題。

相對(duì)于將質(zhì)心動(dòng)力學(xué)方程建立在發(fā)射慣性系或發(fā)射系的傳統(tǒng)建模方法，基于箭體坐標(biāo)系的質(zhì)心方程（2）能大大簡化變換矩陣T，并顯著提升計(jì)算效率及精度。

c）總體回路專業(yè)深度耦合。

相對(duì)基于事先計(jì)算推進(jìn)劑晃動(dòng)特性、彈性振動(dòng)特性、全量質(zhì)量特性的傳統(tǒng)運(yùn)載火箭六自由度仿真，本仿真通過離線-在線組合、參數(shù)間耦合機(jī)理的再梳理等方法研究，實(shí)現(xiàn)基于分布質(zhì)量的全箭質(zhì)量特性參數(shù)（質(zhì)心、轉(zhuǎn)動(dòng)慣量、液位高度、增壓壓力）在線計(jì)算，推進(jìn)劑晃動(dòng)特性參數(shù)的在線計(jì)算（晃動(dòng)質(zhì)量、晃動(dòng)頻率、晃動(dòng)質(zhì)心高度），以及飛行軌跡、飛行姿態(tài)、晃動(dòng)響應(yīng)、彈性響應(yīng)等響應(yīng)參數(shù)的在線計(jì)算。

源變量建模及仿真方法優(yōu)化的詳細(xì)過程可參見文獻(xiàn)[17]。

源變量仿真（六自由度全量模型）與標(biāo)準(zhǔn)彈道（三自由度質(zhì)心模型）的速度、位置偏差對(duì)比見圖1。

圖1 源變量仿真與彈道計(jì)算參數(shù)的對(duì)比Fig.1 Flight Parameter between Svarsim and Trajectory Design

圖1 的對(duì)比結(jié)果表明考慮控制過程的動(dòng)態(tài)響應(yīng)與僅考慮瞬時(shí)平衡的飛行速度略有差異，該偏差在系統(tǒng)設(shè)計(jì)允許的誤差范圍內(nèi)，再次驗(yàn)證彈道計(jì)算采用瞬時(shí)平衡處理的工程有效性，也驗(yàn)證了基于源變量的多專業(yè)耦合仿真模型的正確性。

源變量集成仿真實(shí)現(xiàn)了多專業(yè)間的參數(shù)緊耦合，能量化分析一個(gè)或多個(gè)參數(shù)偏差對(duì)包括飛行軌跡、飛行姿態(tài)在內(nèi)的飛行品質(zhì)參數(shù)的影響。因此以該模型為數(shù)學(xué)基礎(chǔ)，開展運(yùn)載火箭動(dòng)力學(xué)的天地差異性辨識(shí)。

2 基于源變量仿真的動(dòng)力學(xué)天地差異性辨識(shí)

下面以全程復(fù)現(xiàn)實(shí)際飛行中的軌跡、姿態(tài)、推進(jìn)劑液位高度等關(guān)鍵飛行參數(shù)為目標(biāo)，研究運(yùn)載火箭參數(shù)的天地差異性。

影響飛行姿態(tài)、飛行軌跡及關(guān)機(jī)時(shí)間的因素多，其中包括各發(fā)動(dòng)機(jī)流量偏差、比沖偏差，推力線橫移，各推進(jìn)劑貯箱的加注量偏差、結(jié)構(gòu)質(zhì)量偏差，氣動(dòng)法向力系數(shù)偏差、阻力系數(shù)偏差、壓心偏差，全箭質(zhì)心橫移，發(fā)動(dòng)機(jī)零位及伺服機(jī)構(gòu)零位漂移等。除加注量偏差、結(jié)構(gòu)質(zhì)量偏差外，其余參數(shù)偏差均隨時(shí)間變化，總計(jì)216個(gè)待辨識(shí)量。

為適應(yīng)待辨識(shí)偏差參數(shù)多的狀況，采用粒子群算法-遺傳算法組合的新型搜索算法。

目標(biāo)函數(shù)為仿真與飛行之間的速度偏差、姿態(tài)角偏差、角速度偏差、控制擺角偏差及助推器質(zhì)量（液位高度）偏差均方和最小，具體為

式中 ki=0,…, 4 分別為速度偏差、姿態(tài)偏差、角速度偏差、控制擺角及液位對(duì)應(yīng)質(zhì)量偏差的權(quán)重系數(shù)；為仿真中的發(fā)動(dòng)機(jī)關(guān)機(jī)時(shí)間；為對(duì)應(yīng)飛行值；，分別為各助推器氧化劑、燃燒劑質(zhì)量仿真質(zhì)量與飛行質(zhì)量之間的偏差。

姿態(tài)角偏差、角速度及擺角偏差遠(yuǎn)小于速度偏差及質(zhì)量偏差，因此通過 ki來調(diào)節(jié)實(shí)現(xiàn)參數(shù)對(duì)結(jié)果的均衡化，本次分析中具體取值為 k1=10，k2=200，k3=400，

2.1 遺傳算法通過模擬生物進(jìn)化論實(shí)現(xiàn)參數(shù)的辨識(shí)和尋優(yōu)

遺傳算法包括 4個(gè)基本元素，即編碼、選擇、交叉和變異，具有較強(qiáng)的全局搜索能力。粒子群算法源于對(duì)鳥類捕食行為的研究，具有較快的收斂速度。本文基于遺傳算法和粒子群算法，采用分層設(shè)計(jì)的思路，設(shè)計(jì)參數(shù)辨識(shí)混合算法。算法的底層采用遺傳算法，對(duì)系統(tǒng)參數(shù)進(jìn)行全局搜索和辨識(shí)；頂層設(shè)計(jì)采用粒子群算法，對(duì)遺傳算法得到的最優(yōu)解作為初始種群，從而進(jìn)行快速的局部搜索，得到參數(shù)辨識(shí)的結(jié)果。同時(shí)，為了提高粒子群算法的快速性，本文通過設(shè)計(jì)動(dòng)態(tài)慣性權(quán)值對(duì)算法進(jìn)行設(shè)計(jì)。定義待辨識(shí)系統(tǒng)參數(shù)為 xi，中間代個(gè)體定義為 yi，最大迭代次數(shù)定義為 G1，變異概率記為Pm。

參數(shù)辨識(shí)底層遺傳算法的流程為：

a）步驟1：通過確定待辨識(shí)參數(shù)的可能取值范圍，采用二進(jìn)制的方法對(duì)各個(gè)待辨識(shí)參數(shù)進(jìn)行編碼，即：

結(jié)合所有待辨識(shí)參數(shù)的可能取值范圍，通過二進(jìn)制的方法對(duì)參數(shù)進(jìn)行編碼。例如，可以將ix的范圍通過相應(yīng)位數(shù)的二進(jìn)制串進(jìn)行描述：

b）步驟2：如果迭代至最大次數(shù)，則算法終止；反之，執(zhí)行步驟3。

c）步驟3：通過式（9）、式（10）選出一定數(shù)目的中間個(gè)體，并且進(jìn)行交叉運(yùn)算。

d）步驟4：對(duì)待優(yōu)化的所有個(gè)體以給定概率進(jìn)行變異操作。

e）步驟5：計(jì)算辨識(shí)目標(biāo)函數(shù)。

f）步驟 6：將當(dāng)代最優(yōu)個(gè)體與歷史最優(yōu)個(gè)體進(jìn)行比較并更新。

g）步驟7：判斷算法得到的最優(yōu)解是否滿足停止條件，若滿足，則系統(tǒng)輸出最優(yōu)解，反之則繼續(xù)進(jìn)行尋優(yōu)。

當(dāng)采用遺傳算法迭代至代數(shù)G1后，將系統(tǒng)的最優(yōu)解取出，作為粒子群算法的初始值。采用粒子群優(yōu)化算法對(duì)遺傳算法得到的結(jié)果進(jìn)行優(yōu)化。采用粒子群算法迭代至代數(shù)G2之后，若滿足停止條件，則將粒子群優(yōu)化后的結(jié)果作為系統(tǒng)辨識(shí)的最優(yōu)結(jié)果輸出；若不滿足停止條件，則用粒子群種群中的 q個(gè)粒子隨機(jī)替換掉遺傳算法子群中的 q個(gè)粒子，對(duì)遺傳算法子群再一次進(jìn)行優(yōu)化求解，不斷循環(huán)，系統(tǒng)滿足停止條件，從而輸出最優(yōu)解。

2.2 采用粒子群算法對(duì)系統(tǒng)參數(shù)進(jìn)行辨識(shí)

采用粒子群算法對(duì)系統(tǒng)參數(shù)進(jìn)行辨識(shí)時(shí)，慣性權(quán)值和參數(shù)收斂速度密切相關(guān)，較大的慣性權(quán)值有利于全局搜索；較小的慣性權(quán)值有利于算法的局部開發(fā)，加速算法的收斂。本文通過設(shè)計(jì)動(dòng)態(tài)慣性權(quán)值來提高粒子收斂速度，通過式（11）、式（12）來更新粒子的位置和速度：

式中 r1，r2為服從均勻分布且相互獨(dú)立的隨機(jī)數(shù)；g1，g2為給定常數(shù)；vi(j)為待辨識(shí)參數(shù)粒子i在第j代的速度；為粒子i在第j代的位置； Pi( j)為粒子i在第j代的最優(yōu)位置為第j代全局最優(yōu)位置。設(shè)動(dòng)態(tài)慣性權(quán)值?為

可以看出，隨著采用粒子群算法迭代次數(shù)的增多，系統(tǒng)慣性權(quán)值減小，而較小的慣性權(quán)值可以加快算法的收斂速度。

粒子群算法的流程為：

a）步驟1：對(duì)粒子群算法的種群進(jìn)行初始化，即采用遺傳算法的最優(yōu)解作為粒子群算法種群的初始位置，并隨機(jī)產(chǎn)生每個(gè)粒子的速度。

b）步驟2：判斷系統(tǒng)是否到達(dá)最大迭代數(shù)，若到達(dá)，則算法終止，反之則執(zhí)行步驟3。

c）步驟3：計(jì)算粒子群算法種群每個(gè)粒子的適應(yīng)度函數(shù)值。

d）步驟4：更新粒子群算法種群的個(gè)體極值和全局極值。

e）步驟5：更新粒子群算法中每個(gè)粒子的速度和位置。

f）步驟 6：判斷優(yōu)化得到的最優(yōu)解是否滿足停止準(zhǔn)則，若滿足，則輸出最優(yōu)解；反之，跳轉(zhuǎn)到步驟 2繼續(xù)進(jìn)行參數(shù)優(yōu)化。

2.3 提高辨識(shí)效率和有效性處理方式

a）包括增壓壓力在內(nèi)的部分參數(shù)直接采用飛行參數(shù)而非設(shè)計(jì)參數(shù)；用于氣動(dòng)插值的飛行速度、高度參數(shù)也直接用飛行參數(shù)而非在線計(jì)算參數(shù)；

b）氣動(dòng)數(shù)據(jù)偏差包括法向力系數(shù)偏差、壓心系數(shù)偏差，采用乘法形式的修正系數(shù)，為時(shí)變參數(shù)，時(shí)間及修正值均通過仿真確定，為提高效率，約束時(shí)間最小間隔；

c）辨識(shí)基于Matlab/Simlink環(huán)境，充分利用高版本支持整數(shù)辨識(shí)的功能，而對(duì)部分參數(shù)進(jìn)行整數(shù)規(guī)格化處理，譬如設(shè)定壓心補(bǔ)償系數(shù)=0.9～1.1，遺傳尋優(yōu)中設(shè)定其上限為1100，下限為900，分層值為1，這樣便大幅提升尋優(yōu)效率。

尋優(yōu)辨識(shí)之后的飛行速度偏差變化歷程見圖2，姿態(tài)偏差變化歷程見圖3。另外，關(guān)機(jī)偏差從飛行相對(duì)于標(biāo)準(zhǔn)彈道提前4.73 s降低到當(dāng)前的0.07 s，即可認(rèn)為關(guān)機(jī)時(shí)間復(fù)現(xiàn)飛行狀態(tài)（圖中數(shù)據(jù)已歸一化處理）。

圖2 源變量仿真與飛行之間的速度偏差（辨識(shí)結(jié)果）Fig.2 Velocity Bias between Svarsim and Flight (by Identification)

圖3 源變量仿真與飛行之間的姿態(tài)偏差Fig.3 Attitude Bias between Svarsim and Flight (by Identification)

2.4 部分參數(shù)辨識(shí)結(jié)果

a）部分助推器流量偏差較大，其中表1為3#助推器的氧化劑、燃燒劑流量偏差結(jié)果（經(jīng)過歸一化處理）。

表1 3#助推器氧化劑、燃燒劑流量偏差Tab.1 3# Booster Flow Deviation of Oxidizer and Fuel

該數(shù)據(jù)表明實(shí)際飛行中的流量偏大，對(duì)應(yīng)的推力亦偏大，因此提前耗盡；同時(shí)關(guān)機(jī)前的飛行速度也一直大于彈道設(shè)計(jì)值，與實(shí)際飛行情況吻合。

b）針對(duì)圖3中60 s前后X向速度偏差較大的狀況，開展氣動(dòng)阻力系數(shù)偏差辨識(shí)，結(jié)果表明氣動(dòng)阻力修正難以消除該項(xiàng)偏差。

c）100 s后的X向速度偏差持續(xù)增大，則可能為推進(jìn)劑溫升所致，分析中的火箭采用推進(jìn)劑加溫后自身增壓方案，存在增壓氣體與推進(jìn)劑換熱的狀況，缺乏推進(jìn)劑溫度測(cè)量數(shù)據(jù)，難以進(jìn)一步精細(xì)化分析。

d）對(duì)彈道計(jì)算中存在的“底部阻力”項(xiàng)進(jìn)行了對(duì)比性分析，結(jié)果表明，不考慮“底部阻力”項(xiàng)，辨識(shí)后的彈道與飛行彈道更接近，否則100 s后的X向、Y向速度偏差將增加，其中X向速度偏差將增加到辨識(shí)結(jié)果的兩倍以上。

e）氣動(dòng)壓心及法向力系數(shù)亦存在偏差，部分時(shí)刻的壓心偏差已經(jīng)接近甚至超過設(shè)計(jì)要求考慮的±5%偏差范圍，即存在工程設(shè)計(jì)不包絡(luò)（已經(jīng)出現(xiàn)的飛行偏差）風(fēng)險(xiǎn)。

3 結(jié)束語

基于源變量的動(dòng)力學(xué)集成仿真技術(shù)有機(jī)耦合多專業(yè)間的參數(shù)，為運(yùn)載火箭姿態(tài)動(dòng)力學(xué)天地一致性分析提供了數(shù)學(xué)基礎(chǔ)，本次包括遺傳算法在內(nèi)的新型搜索算法很好地解決了辨識(shí)參數(shù)多的障礙（本次辨識(shí)中超過210個(gè)參數(shù)），辨識(shí)出的“不考慮底部阻力更接近飛行”、“部分時(shí)刻氣動(dòng)壓心偏差已經(jīng)接近甚至超過±5%的設(shè)計(jì)考慮偏差邊界”等結(jié)果，將對(duì)后續(xù)優(yōu)化設(shè)計(jì)提供支撐；同時(shí)為火箭飛行測(cè)量參數(shù)優(yōu)化設(shè)置提供參考。

在本次任務(wù)分析的基礎(chǔ)上，快速開展了多次不同型號(hào)的飛行數(shù)據(jù)分析，顯示出本方法的任務(wù)適應(yīng)能力。

分析中還發(fā)現(xiàn)，待辨識(shí)的偏差參數(shù)過多使得分析效率偏低（本次任務(wù)中的210個(gè)參數(shù)，大約需要自動(dòng)執(zhí)行3天時(shí)間）；也存在阻力修正系數(shù)、壓心系數(shù)等部分參數(shù)容易陷入局部最優(yōu)點(diǎn)的狀況，后續(xù)將探索針對(duì)性更強(qiáng)的辨識(shí)尋優(yōu)算法。