逆轨道拦截卫星轨道设计与优化

研究了一种逆轨道卫星拦截的方法。根据对逆轨道拦截卫星的要求,建立了停泊轨道的数学模型,并以轨道转移能量和快速拦截为优化目标,运用遗传算法对逆轨道拦截卫星的停泊轨道参数进行了优化设计。计算结果表明了遗传算法解决这一多约束多目标优化问题的有效性。     

混合遗传算法在航天器最优交会中的应用

推导了航天器双冲量交会时的优化模型,以此为基础构造了最优交会的燃料-时间混合优化指标,并针对基本遗传算法局部搜索能力不强的问题,提出一种将最速下降法与遗传算法相结合的混合遗传算法,其中下降搜索的优化方向利用每一代中最劣个体所包含的优化信息获得。数值计算表明,该混合算法可加速算法的收敛,具有良好的优化性能和函数适应能力。最后,对共面圆轨道双冲量交会情况进行了仿真计算,仿真结果表明混合遗传算法的设计是成功的。     

航天测控资源统一分配的多维遗传算法

对于航天器测控资源分配这一类时间窗受限的约束满足问题,国内外已有许多应用遗传算法的研究并取得了较好的成果。目前的研究主要针对的是低轨道航天器这类可见弧段较短、全弧段跟踪的问题,对于地球同步以及高轨道航天器这一类长弧段可见、非全弧段跟踪的资源分配问题,相关的应用研究较少。针对高低轨航天器测控资源统一分配问题的特点,经过对标准遗传算法的扩展,设计了一种能够描述高、低轨道航天器资源分配问题的多维编码方法,定义了相应的交叉算子、变异算子等算法要素,从而建立了一种能够解决航天测控资源统一分配问题的多维遗传算法。仿真计算表明,该算法能够有效解决目前我国航天测控网面临的"一网多星"管理模式下,高低轨航天器统一管理、统一分配测控资源的问题。     

一种以燃耗为优化目标的航天器在轨加注作业调度

针对基于空间燃料站的多目标航天器在轨加注任务,以GEO航天器为加注对象,对"多对多"模式的航天器在轨加注作业调度问题进行研究。首先以轨道转移燃耗为优化目标,考虑时间、燃料等约束条件,建立了在轨加注作业调度问题的数学模型。模型中,通过设计优化变量,结合多圈Lambert问题中速度增量与转移时间的关系,将航天器在轨加注作业调度问题转换成整数规划问题,在此基础上,采用遗传算法对其求解。然后以14颗GEO轨道航天器作为目标航天器进行数值仿真计算,并对仿真结果进行分析,验证解的正确性以及算法的可行性,结果表明算法能够有效地解决基于空间燃料站的在轨加注调度问题。     

基于分解策略的SSO发射轨道遗传全局优化设计

提出了基于轨道分解优化和遗传算法（GA）的SSO发射轨道优化设计策略。针对多个轨道段相互耦合问题,基于分解优化策略,将整个发射轨道设计问题分解为两个轨道段设计问题。为了高效可靠地获得全局最优解,对基本遗传算法进行了改进。首先提出了基于多变异操作等改进措施的改进遗传算法;此外,结合遗传算法的全局搜索特性和Powell算法的局部搜索特性,设计了一种串行混合遗传算法。一个二级SSO运载火箭的计算结果表明,轨道分解优化策略确保了问题的成功求解,改进遗传算法和混合遗传算法均可稳定地获得全局最优解,但是混合算法更有效地提高了GA性能。     

基于Kriging代理模型的约束差分进化算法

广泛应用的高精度分析模型使得飞行器设计优化的计算成本不断增加,为了缩短优化耗时,基于代理模型的进化算法（SAEAs）近年来得到了广泛关注。针对现有SAEAs处理约束优化问题优化效率低下的缺陷,提出了一种基于Kriging代理模型的约束差分进化算法（KRG-CDE）,结合约束改善概率与最优适应度定制了一种改进的可行准则,从而提高新增样本点的潜在可行性与最优性,并根据种群改善情况,平衡算法全局探索与局部搜索性能。标准测试算例对比研究结果表明,相比于基于全局与局部代理模型的差分进化算法、（μ+λ）-约束差分进化算法,KRG-CDE算法在优化效率、全局收敛性及鲁棒性等方面具有显著优势。最后,运用KRG-CDE算法求解全电推卫星多学科设计优化问题,验证了该算法的工程实用性。     

航天器上升段轨道快速重构算法

针对航天器上升飞行过程中由于干扰的影响导致实际轨道偏离初始设计轨道的问题,提出了基于状态量提前修正的航天器上升段轨道快速重构算法。使用该算法对大气干扰下上升段轨道进行了快速重构仿真分析,结果表明,该算法能够综合考虑上升段飞行过程的状态量约束、终端约束、入轨精度、重构时间等因素,实现快速重构。     

联立法求解月面上升段最优轨迹的快速收敛控制技术

为了更好地解决复杂约束下的航天器月面上升段在线轨迹规划问题,提出了一种求解最优轨迹的联立框架。首先利用有限元正交配置法将状态变量和控制变量完全离散化,得到一个非线性规划命题。考虑到命题中含有较多的不等式约束并且会随着有限元的增加而增加,故采用内点算法对非线性规划命题进行求解。离散化后的非线性规划命题的规模大幅度增加,导致了优化计算难度的加大和求解时间的增加,为了便于联立法的在线应用,采用收敛深度控制策略从平衡解的精度和计算效率的角度来改进优化算法的实时性。以某航天器载人返回任务月面上升段场景为算例进行仿真,结果表明基于联立法求得的最优控制量序列得到的飞行轨迹满足轨道根数的精度要求,同时利用收敛深度控制策略可以实现快速收敛控制。     

空间目标逆轨网捕拦截停泊轨道的优化设计

为了提高对空间目标的拦截成功率,可采用拦截器从停泊轨道转移进入拦截轨道逆轨网捕拦截的方式。利用椭圆弹道理论,讨论和分析了该拦截方式停泊轨道优化问题的描述、模型的建立及优化的方法。计算结果表明,对该拦截方式所建立的模型和采用的优化方法满足逆轨拦截对轨道设计的要求,可为空间快速拦截应用提供理论借鉴和参考。     

概率模型进化算法与仿真研究

针对传统遗传算法,指出了遗传算法的新的发展方向及概率模型进化算法。介绍了几种基于概率的模型进化算法(UMDA、BMDA、CGA以及BOA),用仿真的方式验证了概率模型进化算法能提高遗传算法的性能,最后指出图型模型在进化计算中的重要作用。     

基于DMOM算法的航空发动机性能寻优控制

提出一种分散迁移优化算法(DMOM),可实现多峰值优化问题的全局最优解搜索.该算法通过随机选择参考粒子,不断迁移搜索自身所处区域峰值点,再通过分散操作排除局部最优点,重新生成新个体,可快速搜索到全局最优区域.将DMOM应用于航空发动机性能寻优控制仿真,结果表明:在最小油耗和最低涡轮温度模式下, DMOM的寻优速度相比遗传算法(GA)和粒子群算法(PSO)提高了2倍以上;同时DMOM的优化精度相比自组织迁移算法(SOMA)提高了60%以上,相比可行性序列二次规划(FSQP)算法提高了20%以上.验证了DMOM相比其他优化算法有更强的跳出局部最优的能力,在航空发动机最小油耗和最低涡轮温度这类多峰值寻优问题中具有明显的优势.      

应用自适应遗传算法进行参考航迹规划

 确定参考航迹是利用分层规划思想进行航迹规划时首先要解决的问题。针对参考航迹规划算法中全局最优和信息处理量之间的矛盾, 采用自适应遗传算法进行参考航迹规划。算法对飞行方向进行编码构造个体, 并在此基础上设计交叉和变异算子; 在进化过程中采用自适应交叉概率和变异概率。仿真结果表明, 该方法大大降低了信息的记忆和处理量, 并提高了遗传算法的全局寻优能力, 为突防飞行器提供满足战术要求的参考航迹。     

信赖域滤子算法在航空发动机在线优化中的应用

主要研究了航空发动机在线优化问题.以非线性发动机部件级模型为优化对象,将信赖域滤子算法应用于航空发动机在线优化,相比基本信赖域算法,该算法由于采用非单调的滤子算法和松弛重置,兼顾了算法在目标函数值下降与可行性保持两方面的品质,通过松弛重置避免子问题的不可行性,滤子算法则保证了算法收敛到全局最小解.最后,基于信赖域滤子算法,以涡扇发动机最小油耗寻优控制为仿真算例,验证了该算法的优越性.      

Multidisciplinary Design and Optimization of Multistage Ground-launched Boost Phase Interceptor Using Hybrid Search Algorithm

This article proposes a multidisciplinary design and optimization (MDO) strategy for the conceptual design of a multistage ground-based interceptor (GBI) using hybrid optimization algorithm, which associates genetic algorithm (GA) as a global optimizer with sequential quadratic programming (SQP) as a local optimizer. The interceptor is comprised of a three-stage solid propulsion system for an exoatmospheric boost phase intercept (BPI). The interceptor's duty is to deliver a kinetic kill vehicle (KKV) to the optimal position in space to accomplish the mission of intercept. The modules for propulsion, aerodynamics, mass properties and flight dynamics are integrated to produce a high fidelity model of the entire vehicle. The propulsion module comprises of solid rocket motor (SRM) grain design, nozzle geometry design and performance prediction analysis. Internal ballistics and performance prediction parameters are calculated by using lumped parameter method. The design objective is to minimize the gross lift off mass (GLOM) of the interceptor under the mission constraints and performance objectives. The proposed design and optimization methodology provide designers with an efficient and powerful approach in computation during designing interceptor systems.     

基于分布式粒子群算法的翼型优化设计

采用求解N-S方程作为优化算法中的CFD分析方法,基于标准粒子群优化算法(PSO),将其与遗传算法中的选择机制相结合,形成了一种改进的基于自然选择的粒子群算法(SELPSO),以提高算法的求解精度和改善算法的全局收敛性。为改善串行粒子群算法效率低,耗机时等缺点,文中将分布式计算引入到优化设计过程中,实现了基于分布式粒子群算法的翼型设计优化系统,设计实践表明,文中发展的优化算法对优化设计系统质量和效率都有着大幅度的提高,在工程中具有很好的实用价值。     

混合遗传算法及其在翼型气动多目标优化设计中的应用

把基于实数编码的自适应遗传算法（SAGA）与可变容差法相结合，建立了数值优化设计中的混合遗传算法（HGA），并将其与翼型的气动分析相结合进行跨声速翼型的单目标和多目标气动优化设计。与自适应遗传算法相比，混合遗传算法的优化质量略有改善，优化效率有明显的提高。优化结果表明混合遗传算法在翼型单目标和多目标气动优化设计中是十分有效的。     

基于混合规划策略的自由漂浮冗余机械臂减振运动规划(英文)

对自由漂浮柔性冗余机械臂系统的减振运动规划问题进行研究。首先,采用拉格朗日方法建立系统的动力学模型,并给出了减振运动规划的模型。其次,提出一种基于高斯伪谱法与直接打靶法的混合规划策略,用于求解运动规划问题。先利用高斯伪谱法将运动规划问题转化为一个非线性参数优化问题,并用遗传算法确定近似解,随后利用直接打靶法建立优化模型,将得到的近似解作为优化变量的初值,并采用序列二次规划算法求得精确解。最后,对算例进行分析,验证了基于混合规划策略得到的关节运动轨迹能够明显减小柔性臂杆的全局振动以及残余振动。数值计算的结果表明该方法对减振运动规划问题的求解是有效且稳定的。     

基于微分进化算法的二自由度PID控制器参数优化

针对二自由度PID控制器参数多、调节困难等问题,提出了一种基于微分进化算法参数调节优化方法。证明了微分进化算法能够收敛到平稳点,并具有概率全局收敛性。研究了二自由度PID控制器参数与抑制特性、跟踪特性的关系,并将微分算法与遗传算法、粒子群算法的参数优化结果进行了比较。仿真验证表明,微分算法能够更好地实现二自由度PID控制器参数的调节,具有优异的跟踪特性和抑制特性。     

一种高效高精度的气动弹性结构优化方法

气动弹性结构优化技术主要包括约束求解和优化算法两个方面的内容。针对常用的基于低阶面元法的静气动弹性分析方法计算效率高但精度低的特点,建立了一种高效高精度的基于高阶面元法的静气动弹性分析方法。针对当前气动弹性结构优化技术使用单一优化算法导致搜索精度低、收敛速度慢等特点,将遗传算法和分形算法进行结合,发展了一种遗传/分形混合算法。针对气动弹性结构优化计算时间长、设备要求高等特点,引入了Kriging代理模型方法来加快优化速度,减少时间和设备的耗费。最后以某大展弦比客机机翼为算例,采用基于高阶面元法的静气动弹性分析方法求解约束响应样本,用Kriging代理模型方法对约束响应进行模型构建和预测,并将Kriging代理模型和遗传/分形混合优化算法进行结合,构建了一种高效高精度的静气动弹性结构优化方法。优化分析结果表明,Kriging代理模型在静气动弹性响应预测上具有很高的精度,平均误差均在5%以下,副翼效率预测的平均误差甚至低于1%;遗传/分形混合算法相比于单一的遗传算法具有更快的收敛速度和更强的全局寻优能力。     

Strategic flight assignment approach based on multi-objective parallel evolution algorithm with dynamic migration interval

The continuous growth of air traffic has led to acute airspace congestion and severe delays, which threatens operation safety and cause enormous economic loss. Flight assignment is an economical and effective strategic plan to reduce the flight delay and airspace congestion by reasonably regulating the air traffic flow of China. However, it is a large-scale combinatorial optimization problem which is difficult to solve. In order to improve the quality of solutions, an effective multi-objective parallel evolution algorithm(MPEA) framework with dynamic migration interval strategy is presented in this work. Firstly, multiple evolution populations are constructed to solve the problem simultaneously to enhance the optimization capability. Then a new strategy is proposed to dynamically change the migration interval among different evolution populations to improve the efficiency of the cooperation of populations. Finally, the cooperative co-evolution(CC) algorithm combined with non-dominated sorting genetic algorithm II(NSGA-II) is introduced for each population. Empirical studies using the real air traffic data of the Chinese air route network and daily flight plans show that our method outperforms the existing approaches, multiobjective genetic algorithm(MOGA), multi-objective evolutionary algorithm based on decomposition(MOEA/D), CC-based multi-objective algorithm(CCMA) as well as other two MPEAs with different migration interval strategies.