无人机三维航迹规划的量子粒子群优化算法

针对传统的粒子群优化算法容易陷入局部最优解的问题,采用量子粒子群优化算法开展了无人机三维航迹规划。详细分析了固定翼无人机的飞行性能约束条件。为了减小算法计算复杂度,提高规划效率,对三维航迹规划问题的高度规划采用了直接设定策略,即,设置各个航路点的高度介于最大、最小飞行高度之间,从而将三维航路规划问题简化为二维航路规划问题。设计了收缩-扩张因子的线性增大调节策略、代价函数和航迹规划流程。分别采用量子粒子群优化算法和传统粒子群优化算法开展了无人机三维航迹规划仿真实验。仿真结果对比表明,所设计的量子粒子群优化算法比传统粒子群优化算法具有更高的全局搜索能力和搜索精度。     

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.     

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。     

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。     

基于粒子群算法的固体运载火箭上升段弹道优化设计研究

应用粒子群优化算法研究了固体运载火箭上升段弹道优化设计问题。设计了固体运载 火箭上升段飞行程序,构建了固体运载火箭弹道优化设计问题的粒子群算法,通过控制参数 改进和引入函数拉伸策略,对算法进行了改进。仿真计算结果表明,粒子群优化算法能有效 解决固体运载火箭弹道优化设计问题,优化方案末助推级液体推进剂消耗比原方案减少11.1 ％,算法收敛速度快,需设置参数少,易于工程实现。可为固体运载火箭弹道优化设计 提供理论参考。
     

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。     

改进粒子群算法优化SVM参数的遥感图像分类

文章使用支持向量机(SVM)分类算法,结合当下应用较为广泛的智能优化算法,对SVM的参数进行优化选取,以期能够提高遥感图像的分类精度。针对粒子群算法(PSO)优化SVM分类器参数时,存在着容易早熟收敛、分类精度相对较低、容易陷入局部最优解的问题,提出了一种以自适应权重粒子群算法(SAPSO)为基础,引入遗传算法交叉算子的混合优化算法(SAPSO-GA),利用这种改进的算法优化SVM参数对遥感图像进行分类。文章以一景Quick Bird卫星遥感影像为例,对影像进行图像融合等预处理,然后分别使用PSO-SVM算法和SAPSO-GA-SVM算法进行土地利用分类,比较分析两种算法的分类精度,结果表明,改进的算法提高了粒子群算法的搜索性能,能够寻找更佳SVM分类器参数,获得较高的分类精度。     

一种考虑最优收敛时间的多无人机编队控制方法

针对多无人机编队过程中的收敛时间问题,提出了一种基于最优控制和粒子群优化算法的一致性编队控制方法。将无人机机动约束和一致性编队控制算法结合,实现了无人机在约束条件下的编队控制。基于人工势场思想,设计了一种具有机间避碰能力的一致性编队控制方法,解决了无人机之间的碰撞问题。通过最优一致性控制和粒子群优化算法优化一致性编队控制方法,在考虑机间避碰的情况下,使整个编队的收敛时间降低1.2 s,整体收敛性能提升6.28%。仿真结果表明该方法能够缩短多无人机的编队收敛时间。     

基于混合细菌觅食算法的多无人机任务分配研究

多无人机协同任务分配问题是多无人机协同控制的关键.本文首先深入分析多无人机任务分配问题的特点,建立了扩展的混合整数线性规划(MILP)任务分配模型.其次,通过分析细菌觅食优化算法和粒子群优化算法的优缺点,提出一种具有较强全局搜索能力且收敛速度快的混合细菌觅食优化算法.最后将该算法应用于多无人机协同任务分配中并进行了仿真...     

含引力辅助的小推力多任务探测轨道设计

针对深空探测时间长、成本高的特点,文中以多任务深空探测为背景,建立了包含多模型、多约束、多变量、多阶段的探测轨道设计模型。通过融合推力工作模式、分段设计目标函数等策略,克服了模型的内点约束限制,降低了优化模型的复杂度。为了提高优化速度、提升优化精度,结合梯度搜索和粒子群算法的特点,研究提出了一种梯度混合粒子群(GHPSO)算法。将该算法应用到多任务星探测轨道设计模型上,得到了发动机的工作时序,并横向对比了该文算法与传统粒子群算法(PSO)和遗传算法(GA)的优化性能。仿真结果表明,文中提出的算法搜索速度快,第1设计阶段GHPSO相对GA提高61.96%,相对PSO提高47.85%,第2设计阶段GHPSO相对GA提高61.87%,相对PSO提高43.66%;精度最高,第1设计阶段GHPSO相对GA平均精度提高了2.86%,最高精度提高了1.24%,相对PSO平均精度提高了4.19%,最高精度提高了3.97%,第2设计阶段GHPSO相对GA平均精度提高了3.33%,最高精度提高了1.63%,相对PSO平均精度提高了4.72%,最高精度提高了3.02%,适用于轨道优化设计类的非线性、多约束全局优化问题。     

空间机器人动力学奇异回避的笛卡尔轨迹规划

针对空间机器人动力学奇异的回避问题，提出一种基于组合函数的笛卡尔轨迹规划方法。将梯形规划与正弦函数相结合，对机械臂末端的位姿进行参数化。机械臂沿着某一轨迹运动时，根据阻尼最小方差法(DLS)的特点，提出一种判断是否发生动力学奇异的方法，并据此进行轨迹规划。该方法可以保证空间机械臂运动过程中不会遇到动力学奇异。此外，将基座姿态扰动和机械臂运动时间作为目标函数的一部分，最终，轨迹规划问题转化为多目标优化问题，并利用混合整数规划的混沌粒子群优化算法(CPSO)进行求解。该优化算法能够改善标准粒子群算法(PSO)的“早熟”现象。仿真结果表明，新方法能够有效处理动力学奇异问题，减小基座姿态扰动及运动时间。     

Particle swarm optimization applied to impulsive orbital transfers

The particle swarm optimization (PSO) technique is a population-based stochastic method developed in recent years and successfully applied in several fields of research. It mimics the unpredictable motion of bird flocks while searching for food, with the intent of determining the optimal values of the unknown parameters of the problem under consideration. At the end of the process, the best particle (i.e. the best solution with reference to the objective function) is expected to contain the globally optimal values of the unknown parameters. The central idea underlying the method is contained in the formula for velocity updating. This formula includes three terms with stochastic weights. This research applies the particle swarm optimization algorithm to the problem of optimizing impulsive orbital transfers. More specifically, the following problems are considered and solved with the PSO algorithm: (i) determination of the globally optimal two- and three-impulse transfer trajectories between two coplanar circular orbits; (ii) determination of the optimal transfer between two coplanar, elliptic orbits with arbitrary orientation; (iii) determination of the optimal two-impulse transfer between two circular, non-coplanar orbits; (iv) determination of the globally optimal two-impulse transfer between two non-coplanar elliptic orbits. Despite its intuitiveness and simplicity, the particle swarm optimization method proves to be capable of effectively solving the orbital transfer problems of interest with great numerical accuracy.     

Time-optimal trajectory planning for underactuated spacecraft using a hybrid particle swarm optimization algorithm

A hybrid algorithm combining particle swarm optimization (PSO) algorithm with the Legendre pseudospectral method (LPM) is proposed for solving time-optimal trajectory planning problem of underactuated spacecrafts. At the beginning phase of the searching process, an initialization generator is constructed by the PSO algorithm due to its strong global searching ability and robustness to random initial values, however, PSO algorithm has a disadvantage that its convergence rate around the global optimum is slow. Then, when the change in fitness function is smaller than a predefined value, the searching algorithm is switched to the LPM to accelerate the searching process. Thus, with the obtained solutions by the PSO algorithm as a set of proper initial guesses, the hybrid algorithm can find a global optimum more quickly and accurately. 200 Monte Carlo simulations results demonstrate that the proposed hybrid PSO–LPM algorithm has greater advantages in terms of global searching capability and convergence rate than both single PSO algorithm and LPM algorithm. Moreover, the PSO–LPM algorithm is also robust to random initial values.     

立方星电源系统最大功率点跟踪优化控制方法

针对立方星在能量来源严重受限条件下如何提高太阳能利用率的难题，提出一种适用于立方星的集中供电式空间微电源架构(EPS)，并设计基于改进粒子群优化算法的最大功率点跟踪(MPPT)控制策略来提升能量转换效率。首先，推导太阳电池阵列的数学模型，并根据太阳电池阵列的工作特性，提出电源系统最大功率点跟踪控制的物理系统实现结构。其次，设计基于改进粒子群优化(PSO)的最大功率点跟踪控制算法，并进行了数学仿真校验。最后，对所设计的电源系统架构进行了硬件实现和试验验证。地面试验结果表明，电源系统的太阳能最大转换效率可达95.5%。该电源系统成功应用于世界首颗12U立方星“翱翔之星”的飞行试验，在轨数据表明电源系统工作状态良好，为微纳卫星电源系统的设计提供了有益参考。     

卫星数传调度问题的速度可控粒子群优化算法

针对卫星数传调度这一类复杂的约束组合优化问题,提出了一种速度方向和尺度可控的粒子群优化求解算法。为克服粒子群算法的早熟问题,该算法引入了速度更新的方向控制规则和尺度控制规则用于增加群体的多样性,并根据两种控制规则,提出了种群粒子的速度迭代策略,实现了算法运行过程中粒子间吸引和排斥过程的动态调整,同时保证了算法的收敛速度。设计了卫星数传调度问题的编码和解码方式,并证明了该编码方式下最优可行解的存在性。通过仿真实例验证了算法的有效性,并分析了算法控制参数对优化结果的影响。     

基于广义回归神经网络集成的宽带波束形成算法

首先构造宽带波束成形所需要的协方差矩阵,利用基于粒子群优化算法对核主成分分析方法和广义回归神经网络进行了优化。在对神经网络的输入变量进行降维处理后,生成多个复杂度低的泛回归神经网络模型。利用提出的基于聚类启发式集成算法求出波束成形时的权系数,既考虑了网络的差异性,又考虑了网络的正确性。仿真结果表明,提出的基于聚类启发式神经网络集成的波束形成算法在网络结构十分简单的情况下,仍然具有较好的性能。     

分布式卫星系统在轨操作的多目标分配

针对空间在轨操作目标分配问题,以分布式卫星系统为研究对象,提出了一种基于粒子群算法的在轨操作多目标分配方法。以分布式卫星机动所消耗的总能量最省为目标函数,建立了在轨操作多目标分配的数学模型。基于固定时间拦截理论,以机动时刻和对应的速度增量作表征,设计实现了单颗卫星最优机动方案。通过合理设计粒子位置与目标分配解的对应关系,采用粒子群算法对问题进行了求解,并详细阐述了算法的实现步骤。算例分析结果表明,建立的模型和算法能够快速得到正确的可行解,可有效解决多约束条件下空间在轨操作的多目标分配问题。     

基于粒子群优化算法的整星有限元模型修正方法

文章介绍了一种基于粒子群优化算法的整星有限元模型修正方法,首先对整星进行了有限元建模和模态分析,并将试验和分析结果进行了相关性分析,然后引入粒子群优化算法对整星有限元模型进行修正,提高了模型分析和预示精度,为整星级有限元模型修正提供了一种新的手段。     

基于粒子群算法的多波位高度估计方法

为解决雷达斜视模式下对目标区域的高度估计问题,提出了一种基于粒子群算法的多波位高度估计方法。利用粒子群优化算法建立约束条件和目标函数,通过多次迭代使目标函数趋于一个最优值,同时得到高度的最优解。利用粒子群优化算法求解多波位测高方程组可减小方程组近似处理误差。此外,利用粒子群优化算法可随时更改波位数目,增强了该测高方法使用的灵活性,有效提高了高度估计精度。通过理论仿真和实测数据仿真分析,验证了粒子群优化算法在求解多波位测高方程组时的有效性。结果表明:该方法具有较高的高度估计精度。