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。     

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。     

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。     

基于借力飞行技术的星际多目标交会转移轨道设计

针对深空探测中的转移轨道问题,提出一种星际多目标交会转移轨道设计方法。该方法基于Tisserand原理,采用能量曲线确定交会目标的序列,由Pork-Chop图确定设计参数的可行域和时序,避免了传统方法在交会目标序列和初始轨道段设计中的缺陷。将多目标交会转移轨道设计问题归结为一种非线性多约束多变量搜索寻优问题,通过梯度下降法,选取目标函数的负梯度方向作为每步迭代的搜索方向,逐步逼近目标函数的极小值点,从而使转移轨道优化问题得到简化。最后,将本文的设计方法用于解决欧空局的ROSETTA任务深空转移轨道的设计,设计结果与欧空局公布的结果一致,从而验证了该设计方法的可行性和正确性。     

地球-火星的燃料最省小推力转移轨道的设计与优化

小推力转移轨道的设计与优化一直是深空探测轨道设计方面的难点。针对这些问题，提出了一种基于等高线图的初始发射机会搜索方法，该方法通过绘制探测器一火星距离的等高线图寻找满足任务约束的小推力转移轨道发射机会；同时，本文还给出了一种小推力轨道的直接优化算法，该算法通过将连续的控制变量参数化，把轨道优化问题转化为参数优化问题，然后基于所提搜索方法，采用逐次二次规划方法进行求解。数值计算验证了该发射机会初值猜测方法和优化算法的有效性。     

基于粒子群的非规则区域连续覆盖星座设计

针对非规则区域连续覆盖问题,采用回归轨道的共星下点轨迹星座方案,提出基于粒子群算法(PSO)求解单颗卫星轨道参数、解析法求解星座轨道参数的方法。首先,建立了回归轨道区域覆盖模型;其次,以非规则区域覆盖范围最大为性能指标,基于粒子群算法求解单颗卫星轨道参数;最后,根据共星下点轨迹星座约束关系,解析求解星座轨道参数。仿真表明,该方法可实现非规则区域100%的连续覆盖,星座轨道参数求解在5s以内,具有较好的工程应用价值。     

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。     

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。     

一种立方星编队重构多脉冲机动规划方法

针对立方星轨道机动能力约束,提出一种基于相对轨道根数动力学模型的多脉冲机动规划算法。对于相对轨道面内各分量之间的控制耦合问题,基于“先控制相对形状、后修正迹向距离”的策略,提出了满足速度增量约束的多脉冲机动规划算法;分析了近地轨道 J 2 摄动和大气阻力摄动对相对轨道的影响,并基于线性化的状态转移模型提出了迭代优化策略,以降低立方星在摄动影响下的轨道机动误差。仿真结果表明,所提出的多脉冲机动规划算法在不同任务条件下均可获得有效的机动规划,迭代优化策略可有效地提高终点位置的精度,在基于高精度轨道递推搭建的任务仿真中也验证了算法的有效性,可用于立方星编队构建和重构任务。     

深空机动对运载火箭发射火星探测轨道研究

为解决长征(LM)运载火箭发射火星探测器转移轨道时，因低温入轨级最长允许滑行时间及测控限制，有效发射日期窗口亟需拓展的问题，采用主矢量理论结合序列二次规划算法(SQP)，研究了探测器深空机动(DSM)对优化运载火箭发射火星转移轨道的作用。在发射直接转移火星探测轨道算法基础上，重点研究了包含引力影响球(SOI)内近地及近火飞行段后，采用主矢量获取深空机动最优猜测初值的分析算法，通过直接使用探测器近火点目标轨道参数优化运载火箭发射轨道，研究对比不同优化目标及设计约束下深空机动的分析结果，证实深空机动对降低转移轨道总发射能量需求、拓展发射日期窗口的高效性；该算法已应用于工程设计。     

基于序优化理论的同步轨道入轨优化

基于序优化理论的多目标遗传(GA)算法,对小推力同步轨道卫星入轨控制方案设计与优化进行了研究.针对直接法中优化参数搜索范围大的缺点,提出了一种基于序优化理论的参数选定算法.给出了远地点变轨轨道控制优化方案,并利用序优化理论确定优化参数初始区间与约束关系.仿真结果表明:采用序优化算法可明显加快收敛速度,提高计算效率.对相同的GA参数设置,用序优化算法有可能得到比原来性能更好的子代,获得更理想的目标函数值.     

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。     

考虑火箭约束的深空探测弹轨道拼接模型

针对深空探测任务轨迹规划中对于运载火箭弹道约束考虑不足、弹轨道拼接设计效率低的现状,建立了考虑运载火箭射向和末级滑行时间约束的弹轨道拼接计算模型,在无引力摄动假设下得到了任意深空出发速度条件下的运载火箭射向和末级滑行时间计算公式。利用该模型分析了弹轨道可成功拼接的集合范围随深空出发速度、发射场地理位置、火箭射向和滑行时间约束范围的变化规律。提出深空出发"赤纬-发射能量"(δ-C3)图方法,可在图上表示指定型号运载火箭深空发射能力可行域,结合深空轨道转移Pork-Chop图方法,可以快速判断该型运载火箭是否适用于特定深空发射任务。依据这一方法,提出了对我国未来深空探测运载火箭射向和末级滑行时间的能力需求。     

基于PSO算法的神经网络优化设计

近年来,一种新的基于种群优化的算法——粒子种群优化（PSO）算法,正受到人们的普遍关注。文章简单介绍了基于粒子群优化算法（PSO）的神经网络优化算法,并给出了完整的源程序。     

太阳系多目标探测轨道优化设计

将太阳系多目标探测的轨道优化设计问题转换成非线性规划问题,建立了轨道优化模型.针对非线性规划问题解的多峰性,设计了一种融合改进的网格搜索算法和差分进化算法的组合优化算法.利用改进的网格搜索算法以适当的步长寻找理想的发射窗口和各阶段转移时间,产生差分进化的初始群体,进而使用差分进化算法搜索初始群体附近的子空间,通过全局范围内的比较得到较理想的结果.最后以2018 ～2020年太阳系多目标探测为例,面向土星环绕探测任务完成了飞行中途探测太阳系多颗大行星的轨道优化设计.数值仿真结果表明上述算法对太阳系多目标探测轨道优化设计具有较好的通用性和应用参考价值.     

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。     

太阳敏感器/陀螺定姿算法研究

针对近地航天器故障模式或深空探测模式,研究了仅利用太阳敏感器和陀螺进行航天器定姿的方法.给出了姿态确定滤波模型,分析了影响定姿精度的主要因素,讨论了轨道日照角对定姿精度的影响.研究结果表明:该组合可实现航天器故障模式或深空探测模式中的低精度姿态确定；轨道日照角对定姿精度影响较大,有效的轨道日照角是确保太阳敏感器/陀螺姿态确定方法可行的关键.     

组合动力运载器上升段轨迹智能优化方法

针对组合动力水平起飞可重复使用运载器，开展了上升段轨迹优化模型设计与轨迹优化方法研究。首先，针对跨大空/速域飞行须采用多种动力形式协调工作这一问题，考虑动力/气动/轨迹/指标间的复杂耦合关系，建立了运载器动力和气动模型。其次，为降低轨迹优化问题的求解难度，设计了一种全新的飞行剖面，实现了关键优化参数的提取和攻角约束的自动满足，减少了优化算法需要处理的约束数量。然后，提出了一种改进的粒子群优化(PSO)算法完成求解；在收敛性分析的基础上，引入强化学习机制对PSO寻优过程进行自主智能控制，从本质上提升了PSO算法的求解效率。最后通过数学仿真验证了方法的正确性和有效性。     

一种粒子群模糊支持向量机的航天器参量预测方法

针对航天器精确预测与健康管理的需求,将粒子群算法、模糊数学与支持向量机的优势相结合,提出了一种粒子群模糊支持向量机预测方法。针对某卫星南帆板输出电流参量的预测实例,设计了总平均绝对误差、总平均绝对百分比误差、总均方根误差三个预测结果评价指标,对不同步长情况下的预测结果进行了比较,证明了粒子群优化模糊支持向量机预测方法的有效性。通过对比粒子群优化模糊支持向量机模型、灰色粒子群神经网络优化模型、粒子群神经网络模型、灰色模型预测的总平均绝对百分比误差,结果证明粒子群优化模糊支持向量机的预测精度和效率较高,在航天器参量预测领域具有较好的应用前景。