基于混合量子粒子群优化算法的三维航迹规划

针对粒子群优化算法(PSO)存在的早熟收敛问题,通过将种群的繁殖机制引入量子粒子群优化算法(QPSO),提出了一种混合量子粒子群优化算法(HQPSO),将该算法应用于无人飞行器的三维航迹规划。同时,运用统计学方法,通过仿真实验比较了HQPSO算法与QPSO算法以及带动态变化惯性权系数的PSO算法的性能。仿真实验结果表明,HQPSO不但比QPSO和PSO具有更强的全局搜索能力,而且比QPSO和PSO具有更快的收敛速度。     

具有最低旁瓣电平和使用粒子群优化算法控制零陷的线性阵几何综合

描述了具有最低旁瓣电平和使用粒子群优化算法（PSO）控制零陷的线性阵几何综合方法。PSO是一种最新开发的高性能优化算法，它能解决一般的N维线性和非线性优化问题。与遗传算法和模拟退火等其他进化算法相比，PSO算法更易于理解和实现，并且要求最少的数学预处理。针对以旁瓣抑制（SLL）和／或在特定方向放置零陷为目标的优化问题，首先提出了阵列几何综合的公式，然后运用PSO算法来解决单元的位置优化问题。最后给出了3个PSO算法应用的设计实例，且每个实例中的优化目标都易于实现。通过与使用二次规划方法（QPM）获得的结果相比较，验证了PSO算法结果的有效性。     

一种超参数自适应航天器交会变轨策略优化方法

利用强化学习技术,本文提出了一种超参数自适应的燃料最优地球同步轨道（GEO）航天器交会变轨策略优化方法。首先,建立了GEO航天器交会Lambert变轨模型。以变轨时刻为决策变量、燃料消耗为适应度函数,使用改进式综合学习粒子群算法（ICLPSO）作为变轨策略优化的基础方法。其次,考虑到求解的最优性和快速性,重新设计了以粒子群算法（PSO）优化结果为参考基线的奖励函数。使用一族典型GEO航天器交会工况训练深度确定性策略梯度神经网络（DDPG）。将DDPG与ICLPSO组合为强化学习粒子群算法（RLPSO）,从而实现算法超参数根据实时迭代收敛情况的自适应动态调整。最后,仿真结果表明与PSO、综合学习粒子群算法（CLPSO）相比,RLPSO在较少迭代后即可给出适应度较高的规划结果,减轻了迭代过程中的计算资源消耗。     

GA-PSO组合算法模型修正

文章在遗传算法（GA）和粒子群算法（PSO）的基础上,介绍了GA-PSO组合算法的流程和模态修正适应度函数的确定,并利用该算法对一个5层钢架结构模型进行修正,证实了该算法能有效修正模型。该算法能在前期利用GA算法进行高效全局搜索,后期利用PSO算法进行细致局部搜索,与单独使用PSO算法和GA算法相比,该组合算法修正效率和精度更高。     

基于改进PSO算法的岸基导弹火力分配研究

针对基本粒子群算法(Particle Swarm Optimization,PSO)易局部收敛的缺陷,设计一种根据种群多样性测度动态调整惯性权重的改进粒子群算法,通过仿真测试函数与基本粒子群算法、自适应粒子群算法(Adaptive Particle Swarm Optimization,APSO)、带收缩因子的粒子群算法(Contractive Particle Swarm Optimization,CPSO)进行比较,结果表明本文改进的PSO算法在提高算法的综合搜索能力方面具有优越性.将改进的PSO算法运用到岸基导弹对海上舰艇攻击火力分配中,构建了火力分配模型,并进行了仿真实验,仿真结果验证了模型及算法的有效性.     

基于改进PSO-WNN的高频地波雷达 电离层杂波抑制方法

高频地波雷达的海上目标探测能力与电离层杂波的抑制效果息息相关,而电离层杂波的复杂性与变化多样性又为抑制带来了难题。为实现电离层杂波的抑制,分析了电离层杂波的混沌特性,在此基础上提出一种基于改进粒子群算法优化小波神经网络的抑制方法,解决了粒子群算法易早熟和易陷入局部最优的缺点;提出一种自适应概率变异的策略,丰富了种群多样性,使得整个迭代过程中粒子群能够跳出当前最优,寻得全局最优。实测实验表明,基于改进粒子群算法优化的小波神经网络（PSO-WNN）能够基本预测电离层杂波的数值,进行电离层杂波的抑制,有效改善了信噪比,对电离层杂波的抑制研究具有重要意义。     

空间机器人惯性参数辨识的粒子群优化新算法

提出了针对一类多自由度空间机器人卫星惯性参数在轨辨识的一种粒子群（PSO）优化新算法。通过粒子邻域限定的多样性保持、低效粒子随机重置和粒子误差的序列性评价,得到了比常规方法更好的结果,且具有无附加燃料消耗、线动量测量和特定的机器人路径规划等便利性优点。仿真算例表明,该改进方法具有较高的准确性与效率。     

一种基于粒子群优化的卫星仅测频被动定轨新算法

提出一种新的卫星对卫星仅测频被动定轨算法,采用粒子群优化算法(PSO)解决多维全局优化问题。首先,建立了卫星对卫星仅测频被动定轨的数学模型;其次,基于粒子群优化算法提出了对目标卫星轨道根数的估计方法;再次,推导了参数估计误差的克拉-美劳(CRLB)下限。最后通过计算机仿真对算法的性能进行了验证。多次仿真结果表明:该算法的参数估计误差接近克拉-美劳下限,且算法的运算量明显优于网格搜索法。     

基于改进粒子群优化LS-SVM的卫星钟差预报研究

针对导航卫星短期钟差预报精度和稳定度不高的问题,提出了一种基于改进粒子群优化（PSO）最小二乘支持向量机（LS-SVM）的卫星钟差预报方法。通过引进自适应改变的惯性权重和学习因子来提高粒子群算法的寻优能力,并将其应用到LS-SVM的参数优化中,避免人为选择参数的盲目性,提高了LS-SVM的泛化能力和预报精度。选取国际GPS服务组织（IGS）产品中四颗典型卫星的钟差数据,分别采用LS-SVM模型、神经网络模型和灰色系统模型进行短期钟差预报,计算结果表明：LS-SVM模型的预报精度优于其它两种模型,为导航卫星短期高精度钟差预报提供了新的思路。     

一种基于EPSO的航天器交会轨迹优化方法

研究了航天器在固定时间内燃料最省的多脉冲交会问题,提出了一种基于种群熵粒子群优化 (Population Entropy based Particle Swarm Optimization,EPSO)算法的交会轨迹优化设计方法。采用线性化C\|W方程描述航天器的相对运动,以能耗最优为控制目标,得到了基于连续推力的最优转移轨迹,用于确定脉冲点的位置。考虑工程实用性,采用多脉冲控制方法,利用脉冲点的位置参数建立了以脉冲点时间间隔为决策变量的优化目标函数,并用EPSO算法进行求解。在EPSO中,种群熵描述粒子在搜索空间中位置分布的混乱程度,并通过上一代的种群熵确定下一代的搜索空间,从而减少搜索空间的浪费,提高了算法的搜索速度和收敛精度。仿真结果表明,算法本身具有良好的优化性能,适用于航天器轨迹优化。