航天器分布式智能计算体系的数学建模与调度算法研究#br#

航天器对大容量高效计算的要求越来越高，现有的星载计算体系的能力已经难以满足其需求，需要建立具有自组织能力的智能计算体系，还要实现高效的任务调度.给出了航天器分布式智能计算体系的模型和任务调度问题的多目标优化模型，并根据该模型设计了改进粒子群算法和改进蚁群算法结合的DPSO EACO算法，先利用粒子群算法生成初始调度方案，再用该方案初始化蚁群算法，利用蚁群算法生成最终调度结果.仿真结果表明，该算法的性能与改进粒子群算法和改进蚁群算法相比具有明显的性能优势.     

资源约束突变的航天器观测快速重调度优化算法

针对航天器对地观测调度中资源约束发生突变的情况,提出了一种基于蚁群算法的启发式重调度算法。首先对重调度过程中的资源约束进行分析,给出了资源约束发生变化的重调度模型。然后,结合原调度优化结果,给出重调度任务集合更新方法,对任务集合进行剪裁。最终,基于最大限度利用原调度方案信息的思想,结合任务集合更新及优先级等启发式信息,给出了一种改进的重调度优化算法。数值计算结果表明,所设计的算法可以快速有效的提高重调度过程的收益。     

基于改进粒子群优化算法的巡航导弹航路规划

粒子群优化(PSO, Particle Swarm Optimization)算法是继遗传算法、蚁群算法之后的又一种新的群体智能算法,经常用于复杂问题的求解.由于其迭代公式是面向连续空间的,因此更适合解决非网格拓扑的航路规划问题.标准的粒子群优化算法在寻优的过程中容易出现早熟现象,针对这种现象,提出了一种改进的粒子群优化算法.改进算法根据相应的代价函数选择精英粒子和较差粒子,对较差粒子采用了带有动能补偿的速度更新策略,从而避免了寻优过程中的早熟现象;在单个粒子的运动方面引入了最差粒子的失败经验,让群体中粒子有效避开最差解.仿真表明:改进算法在航路规划的应用中具有更强的搜索能力,获得的航路代价在进化代数相同的前提下更小.      

应用于卫星自主任务调度的改进遗传算法

针对具有侧摆能力的对地观测卫星的自主任务调度问题,对卫星自主任务调度问题和约束条件进行了描述,针对卫星自主任务调度NP-hard的特点,构建了基于目标收益及多约束卫星任务调度模型。设计了一种改进的遗传算法,从遗传操作的各个部分进行算法优化。首先将小区间法应用于初始种群生成,保证了种群的多样性,并且交叉和变异算子均引入自适应概率;同时采用两代竞争技术来避免“早熟”现象,提高算法的效率和鲁棒性。算法还采用最优保留策略用来保存进化中的最优解,使得算法收敛于全局最优。对局部多冲突观测任务应用该改进遗传算法,并针对区域密集目标的观测问题设计了仿真试验,与传统模拟退火算法及免疫蚁群遗传混合算法进行了比较,验证了该算法的有效性和收敛效果。     

高速缓存影响的航天器控制软件调度设计方法

针对高速缓存引起的程序执行时间抖动对航天器控制软件任务调度造成的困难,提出一种基于循环调度的调度设计方法,该方法利用任务程序执行时间的概率分布设计具有不同可靠性的系统模式,通过模式切换,使处理器得到充分利用,同时能够提供一定的可靠性保障,为航天器控制软件的任务调度提供参考.     

圆轨道航天器在轨加注任务空间燃料站部署问题

在轨服务技术因在航天器故障修复、寿命延长及军事方面有重大辅助作用而越来越受到各航天大国的重视,作为在轨服务技术重要组成部分的在轨燃料补给技术也越来越受到关注。文章针对圆轨道航天器在轨燃料加注任务,将空间燃料站技术与多目标在轨加注技术相结合,对基于燃料站的在轨加注模式进行了研究,提出了一种基于聚类分析的在轨加注任务调度及优化算法。通过对双脉冲轨道转移问题的求解与分析,获得了轨道转移速度增量和轨道参数之间的关系,在此基础上分析了圆轨道航天器在轨加注任务调度问题,并根据调度模型的变量和约束关系,建立了圆轨道航天器在轨加注任务多目标规划模型,并采用免疫遗传算法对加注任务调度空间燃料站选址问题进行了研究。以30颗目标航天器的在轨加注任务为例进行了数值仿真,并由燃料消耗的计算结果验证了算法的有效性。     

改进蚁群算法求解时变网络中最短路径问题

给出一种时变网络中蚁群算法的信息素更新策略,使边上残留信息素能够正确反映时变网络中边上权值的变化情况;改进了传统蚁群算法的相邻节点选择策略,使蚂蚁只需计算与当前节点存在直接路径的节点的转移概率,降低算法的计算量;将蚁群算法和遗传算法结合,将蚁群算法每次遍历后形成的解作为初始群种进行单点交叉计算,避免陷入局部最优解,提高算法收敛速度.仿真结果表明,改进的蚁群算法能够有效求解时变网络中最短路径问题,比传统蚁群算法得到全局最优解的概率更大,算法的收敛速度更高.     

考虑柔性检修计划的圆钢热轧批量调度

针对考虑柔性检修计划的圆钢热轧批量调度问题,构建了以最小化最大完工时间、订单提前及拖期总时长为目标函数的整数规划模型,用以制定有效的机器检修与批量生产协作计划。结合模型特征,提出一种改进多目标粒子群算法(IMPSO)实现求解。算法采用基于混沌加权适应度计算的插入式方法生成初始粒子群体;根据问题约束特征,设计修复规则对群体进化过程中产生的不可行粒子进行修复;采用精英策略保留算法迭代过程中的优势个体,并根据精英集合为每个粒子选择更新所需的极值;针对问题变量的离散特征,引入基于遗传操作的粒子更新方式。实验结果表明,模型和算法是可行和有效的。      

基于组合优化策略的月球软着陆最优轨道设计

基于Pontryagin极大值原理,把求解月球软着陆燃料最优化问题归结为终端自由型两点边值问题.采用粒子群算法和单纯形算法接力优化的组合优化策略,在初始猜测值的邻域内进行搜索,充分利用粒子群算法的全局搜索能力迅速缩小搜索范围,然后利用单纯形算法的局部搜索优势快速获得优化结果.该优化策略最大的优势是使粒子群算法的全局搜索能力和单纯形算法的局部搜索能力同时得到最大化的发挥.仿真证明该优化方法在考虑一些实际工程约束的情况下,能较快速而准确的获得月球软着陆优化轨迹,具有一定的优越性.     

改进粒子群优化的卫星导航选星算法

为提高选星算法的性能，提出一种基于人工鱼群算法的粒子群优化（PSO）选星算法。该算法利用人工鱼群算法良好的全局收敛特性，克服了粒子群优化算法易陷入局部最优的缺点。将每种卫星组合看作空间中的一个粒子，选取几何精度因子（GDOP）作为适应度函数。利用所提算法更新粒子自身位置，优化卫星组合与几何精度因子。利用实际数据对所提算法进行验证和对比，结果表明:改进的选星算法在保障选星效率的同时，选星结果的准确性优于标准的粒子群优化选星算法。      

基于混沌的改进粒子群优化粒子滤波算法

针对基本粒子滤波(PF)算法存在的粒子退化和重采样引起的粒子多样性丧失,导致粒子样本无法精确表示状态概率密度函数真实分布,提出了一种基于混沌的改进粒子群优化(PSO)粒子滤波算法。通过引入混沌序列产生一组混沌变量,将产生的变量映射到优化变量的区间提高粒子质量,并利用混沌扰动克服粒子群优化局部最优问题。利用单变量非静态增长模型(UNGM)在高斯噪声和非高斯噪声环境下将该算法与基本粒子滤波和粒子群优化粒子滤波(PSO-PF)的性能进行仿真比较。结果表明:该算法的性能在有效粒子数和均方根误差(RMSE)等参数都优于基本粒子滤波和粒子群优化粒子滤波,改善了算法的精度和跟踪性能。      

组合体航天器智能协同姿态控制研究

组合体航天器在姿态机动过程中的各单体卫星承受的控制力是不均匀的，局部控制力过大将会导致组合链接断裂而失效。应用多体动力学理论建立了组合体航天器间的相互作用模型，对内力、内力矩与整星姿态、控制力矩之间的关系进行了分析；仿真了极端情况下的内力矩分布，其大小可能超过常用对接机构的力矩承受范围；采用粒子群算(PSO)法对控制合力矩进行优化分配，通过预设初值和继承初值来加快PSO算法的收敛速度，实时调整各星控制力矩分配比例，减小星间相互作用力，实现组合体航天器的智能协同控制，保证组合体航天器的连接铰不因受力过大而损坏。算法仿真和Adams软件验证分析表明，本文建立的相互作用模型可准确计算出星间相互作用力，提出的智能协同姿控算法可显著降低姿控过程中的星间内力，确保组合体航天器的安全。     

时间与燃料约束的参数自主寻优变轨滑模控制

航天器相对运动轨控采用滑模控制具有较好的抗扰能力,但参数设置复杂。为贴近工程实际,引入燃料最优约束和寻优算法,提出一种综合考虑时间、燃耗以及误差的参数自主寻优滑模控制。首先,基于线性相对运动方程与指数趋近的滑模控制,建立相对运动滑模控制器模型,并由能量最优的轨迹规划器给出收敛约束时间,实现高效机动;然后,分析滑模控制器中可调参数与时间、误差的约束条件,制定了参数量级寻优规则;最后,通过惯性权值改进的粒子群算法,将误差允许范围内的最少燃料消耗作为寻优评价标准,输出最优量级与系数组合的控制参数,实现滑模的最优控制。仿真表明,使用粒子寻优器得到的参数组合,可使滑模偏差控制器在规定时间内通过最小燃料消耗令位置与速度误差稳定收敛,增加航天器在轨寿命。     

基于航天器解体事件的空间碎片寿命算法

研究了针对航天器解体事件所生成的空间碎片的寿命计算方法.给出了基于NASA标准航天器解体模型的航天器解体算法.该算法生成的一系列碎片参数,将作为寿命计算的初始条件.总结了现有求解碎片寿命的算法,并提出了一种半分析算法.该算法运用平均根数法的思路,计算了在J2摄动项的影响下,碎片的半长轴和偏心率的变化率;并采用微分积分法预报半长轴和偏心率随时间的变化.为了适应时变大气模型,该算法限制了计算步长.通过与数值法的比较分析了算法的计算速度和精度.选用了3种大气模型:SA76、GOST和MSIS-00,分析了不同大气模型在计算碎片寿命之间的差异.通过与P-78卫星解体事件的实测数据对比验证了整个算法的正确性.      

基于改进蚁群算法的低空突防航迹规划

为保证低空突防的成功率,在航迹规划时必须设计出以最小的被发现概率及可接受的航程为目标的航迹.蚁群算法ACA(Ant Colony Algorithm)作为一种新型的模拟进化算法,适合用于航迹规划中最优航迹的搜索,但是算法存在搜索时间长、收敛速度慢、易陷于局部最优解的缺点,为了克服算法自身不足,提高算法性能,引入了遗传算法中变异操作和挥发系数的自适应调节,从而形成改进蚁群算法,最后结合建立的航迹规划性能指标,利用等概率寻优、原有蚁群算法和改进蚁群算法3种方法分别进行航迹规划,并通过比较和分析结果的时间花费和航路代价,验证了改进蚁群算法的有效性.      

粒子滤波及其在航天器交会对接相对导航中的应用

在全面分析粒子滤波原理的基础上,提出一种改进高斯粒子滤波方法.该方法利用确定性采样滤波算法进行时间更新,替代高斯粒子滤波算法中的随机采样过程;另外,针对厚尾噪声情况,利用鲁棒统计方法对确定性采样滤波方法进行鲁棒性改进,并将其应用于所提出的改进高斯粒子滤波.将粒子滤波算法应用于交会对接相对导航问题,仿真结果表明,在多种测量噪声情况下,改进高斯粒子滤波较其他粒子滤波,能够在不过多损失估计精度的同时有效降低计算量.文中的研究成果为将粒子滤波应用于航天器导航问题提供了理论参考.     

圆轨道航天器在轨加注任务空间燃料站部署问题

在轨服务技术因在航天器故障修复、寿命延长及军事方面有重大辅助作用而越来越受到各航天大国的重视,作为在轨服务技术重要组成部分的在轨燃料补给技术也越来越受到关注。文章针对圆轨道航天器在轨燃料加注任务,将空间燃料站技术与多目标在轨加注技术相结合,对基于燃料站的在轨加注模式进行了研究,提出了一种基于聚类分析的在轨加注任务调度及优化算法。通过对双脉冲轨道转移问题的求解与分析,获得了轨道转移速度增量和轨道参数之间的关系,在此基础上分析了圆轨道航天器在轨加注任务调度问题,并根据调度模型的变量和约束关系,建立了圆轨道航天器在轨加注任务多目标规划模型,并采用免疫遗传算法对加注任务调度空间燃料站选址问题进行了研究。以30颗目标航天器的在轨加注任务为例进行了数值仿真,并由燃料消耗的计算结果验证了算法的有效性。     

航天器测控资源调度模型及算法

航天器测控资源调度问题研究的目的是通过一定的调度方法科学地分配有限的地面测控资源和最大化地完成航天器测控任务。在参考面向任务执行计划的航天器测控资源调度模型研究的基础上,文章提出了面向可见窗口的航天器测控调度模型,并给出了问题的确定性分支定界求解算法及其计算复杂度分析。最后,通过仿真计算验证了算法的有效性和实用性。     

一种改进的多目标粒子群优化算法

为了增强多目标粒子群优化算法的收敛性与多样性,提出一种改进的多目标粒子群算法.采用Kent映射对种群进行初始化,并将目标空间均匀划分为若干扇形区域;基于一种新的多样性和收敛性判定标准,选取合适的收敛性最优解和多样性最优解,并提出一种改进的粒子群更新公式进行全局搜索;采用聚类算法对外部种群与坐标轴夹角进行分析,维护外部种群.通过标准测试函数的仿真实验,与多目标优化算法基本MOPSO(Multi-objective Particle Swarm Optimization Algorithm)和NSGA-II(Nondominated Sorting Genetic Algorithm II)进行对比,结果表明了该改进算法的有效性.