基于径向加速度精估计的PSO单星无源定位

针对传统单星无源定位方法定位精度较低的问题,文中提出一种基于径向加速度精估计的单星无源定位方法来实现单星对地球表面静止宽带信号辐射源定位。在通过测量脉冲到达时间(Time of Arrival, TOA)获得径向加速度精估计的算法基础上,采用粒子群优化(Particle Swarm Optimization, PSO)算法进行目标位置搜索,提高了定位精度,同时降低了计算量。分析并仿真了该方法定位误差与卫星状态参数、观测时长以及辐射源信号带宽、重频、持续时长等参数的关系。理论和仿真分析表明,该方法实现简单,计算量小,适用范围广,定位精度高。     

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。     

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。     

基于简化粒子群优化的卷积混叠盲源分离算法

针对现有的卷积混叠盲源分离算法存在的算法复杂和分离精度低等问题,提出一种新的基于简化粒子群优化的卷积混叠盲源分离算法。算法将不同时间点分离信号的互累积量消失作为分离准则,将信号的四阶互累积量作为目标函数,采用简化粒子群优化算法代替基本粒子群算法对目标函数进行全局优化,解决了基本粒子群算法容易陷入局部极值的问题。Matlab仿真结果表明,新算法可以有效实现对卷积混叠信号的盲源分离。对比基本粒子群算法,新算法分离精度更高、收敛速度更快。     

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。     

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PSO优化WNN的液体火箭发动机故障检测

提出一种改进粒子群优化的小波神经网络模型,将其应用于火箭发动机的故障检测研究。针对传统粒子群算法初期容易陷入局部最优的问题,改进粒子群算法的惯性权重和学习因子,采用逐渐递减的选取方式。进行动态调整后的粒子群算法有利于在初始迭代时寻找满足条件的局部最优值,在寻找到局部最优值之后能够快速地收敛逼近于全局最优值,提高运算效率。此外,为了提高小波神经网络的学习速率,对所采用的小波神经网络权值和小波基函数参数增加了动量项。两种算法相结合,最终提出一种改进粒子群算法(IPSO)与小波神经网络(WNN)结合的模型。最后根据MATLAB仿真和数据分析表明,新算法可以很好地用于液体火箭发动机的故障检测研究,并且IPSO-WNN模型比BPSO-WNN和WNN模型后期具有较快的局部收敛能力,预测更加准确。     

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。     

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。     

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。