共查询到16条相似文献,搜索用时 78 毫秒
1.
基于混沌粒子群优化的北斗/GPS组合导航选星算法 总被引:4,自引:3,他引:1
全球卫星导航系统(GNSS)接收机在接收信号的过程中会受到诸如建筑物遮挡、信号干扰等因素的影响,无法得到全部可见星。为减轻多星座组合接收机的处理负担,研究利用部分可见卫星进行定位的快速选星算法,提出了一种基于混沌粒子群优化(CPSO)的北斗/GPS组合导航选星算法。首先,对当前历元时刻可见卫星进行连续编码,按照选星数目分组,每个分组视为一个粒子。然后,通过混沌映射初始化粒子种群,选取几何精度因子(GDOP)作为评价粒子优劣的适应度函数;粒子通过粒子群优化算法的速度-位移模型更新自身位置,逐渐趋近空间卫星几何分布较好的卫星组合全局最优解。最后,采集北斗/GPS实际数据对选星算法进行仿真验证和性能比较,结果表明,所提算法在选星颗数多于5颗时,单次选星耗时为遍历法选星的37.5%,选星结果的几何精度因子计算误差在0~0.6之间。该算法可适用于北斗/GPS组合导航定位不同选星颗数的情况。 相似文献
2.
为提高选星算法的性能,提出一种基于人工鱼群算法的粒子群优化(PSO)选星算法。该算法利用人工鱼群算法良好的全局收敛特性,克服了粒子群优化算法易陷入局部最优的缺点。将每种卫星组合看作空间中的一个粒子,选取几何精度因子(GDOP)作为适应度函数。利用所提算法更新粒子自身位置,优化卫星组合与几何精度因子。利用实际数据对所提算法进行验证和对比,结果表明:改进的选星算法在保障选星效率的同时,选星结果的准确性优于标准的粒子群优化选星算法。 相似文献
3.
针对基本粒子滤波(PF)算法存在的粒子退化和重采样引起的粒子多样性丧失,导致粒子样本无法精确表示状态概率密度函数真实分布,提出了一种基于混沌的改进粒子群优化(PSO)粒子滤波算法。通过引入混沌序列产生一组混沌变量,将产生的变量映射到优化变量的区间提高粒子质量,并利用混沌扰动克服粒子群优化局部最优问题。利用单变量非静态增长模型(UNGM)在高斯噪声和非高斯噪声环境下将该算法与基本粒子滤波和粒子群优化粒子滤波(PSO-PF)的性能进行仿真比较。结果表明:该算法的性能在有效粒子数和均方根误差(RMSE)等参数都优于基本粒子滤波和粒子群优化粒子滤波,改善了算法的精度和跟踪性能。 相似文献
4.
基于组合优化策略的月球软着陆最优轨道设计 总被引:1,自引:0,他引:1
基于Pontryagin极大值原理,把求解月球软着陆燃料最优化问题归结为终端自由型两点边值问题.采用粒子群算法和单纯形算法接力优化的组合优化策略,在初始猜测值的邻域内进行搜索,充分利用粒子群算法的全局搜索能力迅速缩小搜索范围,然后利用单纯形算法的局部搜索优势快速获得优化结果.该优化策略最大的优势是使粒子群算法的全局搜索能力和单纯形算法的局部搜索能力同时得到最大化的发挥.仿真证明该优化方法在考虑一些实际工程约束的情况下,能较快速而准确的获得月球软着陆优化轨迹,具有一定的优越性. 相似文献
5.
组合卫星接收机中的选星算法 总被引:4,自引:2,他引:2
分析了五阶矩阵的行列式值与5颗星GDOP(Geometry Dilution of Precision)值的关系,并由此提出了一种用于双卫星星座组合接收机(如GPS(Global Position System)和BD2(BeiDou2)组合接收机)中的选星算法——组合优选法.该方法首先选出行列式绝对值最大的几种组合,然后根据需要对每种组合从其余可见星中选出几颗最优星,最后根据GDOP最小原则从这几种组合中选取最终结果.计算机仿真结果显示该方法与直接利用GDOP选星相比,95%以上的GDOP相对比值小于5%,而计算量减小40%以上. 相似文献
6.
全球卫星导航系统(GNSS)的应用前景已经得到世界各国的普遍承认,其应用领域也趋于多样化,在此背景下,卫星接收机也要求其具有更快的解算速度和可靠的精度。针对目前多数接收机的选星算法都是固定选星数目从而限制算法机动性的问题,提出基于帝国竞争优化算法(ICA)的双目标综合决策选星算法。为了更好获取几何构型较好的卫星星座,引入可见卫星的卫星仰角和方向角先验信息,进行先验性约束,通过构建几何精度因子(GDOP)以及选星数目2个目标,进行综合决策的快速选星,提高了选星的灵活度,并且在满足用户精度的要求下减轻了多星座卫星接收机的计算负担。通过仿真实验和实测数据对双目标综合决策选星算法验证的结果表明:所提算法在高度截止角5°下引入先验性约束条件后平均选星数目在仿真数据和实测数据中缩减率分别为51.8%和45.4%,平均GDOP值较无约束下分别减少0.209 2和0.248 4。同时,所提算法单次选星平均耗时分别为0.168 4 s和0.303 1 s,与遍历法的选星耗时4 s相比,提高了95.79%和92.42%。 相似文献
7.
基于自适应模拟退火遗传算法的最优Lambert转移 总被引:2,自引:0,他引:2
主要研究了航天器采用Lambert二脉冲变轨的优化问题。对于初始位置、目标位置和转移时间都不固定的Lambert二脉冲转移,由于多变量以及方程本身的复杂性,采用传统的优化方法效率低甚至无法求解.采用了自适应遗传算法(AGA),寻求多变量的最优解.同时结合模拟退火算法,得到了自适应模拟退火遗传算法(ASAGA),该算法既具有全局搜索能力,又改善了一般遗传算法的局部寻优能力.通过仿真,比较了遗传算法和自适应模拟退火遗传算法的寻优结果,表明两者寻求最优转移的有效性,以及自适应模拟退火算法具有更强的寻优能力. 相似文献
8.
组合体航天器在姿态机动过程中的各单体卫星承受的控制力是不均匀的,局部控制力过大将会导致组合链接断裂而失效。应用多体动力学理论建立了组合体航天器间的相互作用模型,对内力、内力矩与整星姿态、控制力矩之间的关系进行了分析;仿真了极端情况下的内力矩分布,其大小可能超过常用对接机构的力矩承受范围;采用粒子群算(PSO)法对控制合力矩进行优化分配,通过预设初值和继承初值来加快PSO算法的收敛速度,实时调整各星控制力矩分配比例,减小星间相互作用力,实现组合体航天器的智能协同控制,保证组合体航天器的连接铰不因受力过大而损坏。算法仿真和Adams软件验证分析表明,本文建立的相互作用模型可准确计算出星间相互作用力,提出的智能协同姿控算法可显著降低姿控过程中的星间内力,确保组合体航天器的安全。 相似文献
9.
为了提高股票时间序列预测精度,增强预测模型结构参数可解释性,提出一种基于自适应粒子群优化(PSO)的长短期记忆(LSTM)股票价格预测模型(PSO-LSTM),该模型在LSTM模型的基础上进行改进和优化,因此擅长处理具有长期依赖关系的、复杂的非线性问题。通过自适应学习策略的PSO算法对LSTM模型的关键参数进行寻优,使股票数据特征与网络拓扑结构相匹配,提高股票价格预测精度。实验分别以沪市、深市、港股股票数据构建了PSO-LSTM模型,并对该模型的预测结果与其他预测模型进行比较分析。结果表明,基于自适应PSO的LSTM股票价格预测模型不但提高了预测准确度,而且具有普遍适用性。 相似文献
针对光伏发电系统中最大功率点跟踪(MPPT)算法在遮蔽情况下失效问题,提出了一种基于δ势阱的量子粒子群全局MPPT(GMPPT)算法。结合光照强度变化时的光伏多峰值出力特征,从光伏最大功率点变迁角度出发,分析常规MPPT算法存在搜索盲区的原因,说明GMPPT寻优必要性。提出一种提高粒子多样性、搜索速度及收敛精度的量子行为粒子群优化(QPSO)算法。在MATLAB/SIMSCAPE平台下,结合算例分析,对比标准粒子群优化(PSO)算法,验证所提优化算法在有效GMPPT的情况下,具有参数少、搜索快的特点,同时全局搜索能力强,防早熟效果明显,适用于GMPPT的实现。 相似文献
11.
Ershen Wang Chaoying Jia Gang Tong Pingping Qu Xiaoyu Lan Tao Pang 《Advances in Space Research (includes Cospar's Information Bulletin, Space Research Today)》2018,61(5):1260-1272
The receiver autonomous integrity monitoring (RAIM) is one of the most important parts in an avionic navigation system. Two problems need to be addressed to improve this system, namely, the degeneracy phenomenon and lack of samples for the standard particle filter (PF). However, the number of samples cannot adequately express the real distribution of the probability density function (i.e., sample impoverishment). This study presents a GPS receiver autonomous integrity monitoring (RAIM) method based on a chaos particle swarm optimization particle filter (CPSO-PF) algorithm with a log likelihood ratio. The chaos sequence generates a set of chaotic variables, which are mapped to the interval of optimization variables to improve particle quality. This chaos perturbation overcomes the potential for the search to become trapped in a local optimum in the particle swarm optimization (PSO) algorithm. Test statistics are configured based on a likelihood ratio, and satellite fault detection is then conducted by checking the consistency between the state estimate of the main PF and those of the auxiliary PFs. Based on GPS data, the experimental results demonstrate that the proposed algorithm can effectively detect and isolate satellite faults under conditions of non-Gaussian measurement noise. Moreover, the performance of the proposed novel method is better than that of RAIM based on the PF or PSO-PF algorithm. 相似文献