基于改进Q学习的IMA系统重构蓝图生成方法

重构蓝图定义了故障状态下系统软硬件资源的重新配置方案，是实现综合模块化航空电子系统重构容错的关键。提出了一种基于改进Q学习的重构蓝图生成方法，综合考虑负载均衡、重构影响、重构时间、重构降级等多优化目标，并应用模拟退火框架改进探索策略，提高了传统Q学习算法的收敛性能。实验结果表明，与模拟退火算法、差分进化算法、传统Q学习算法相比，本文提出的改进Q学习算法效率更高，所生成重构蓝图质量更高。     

燃油离心泵多目标优化设计及仿真分析

针对燃油离心泵高效、高抗汽蚀优化设计问题,进行了基于损失模型和SQP算法下的多目标优化设计并进行了仿真应用。首先,考虑叶轮、蜗壳等通流部件内的水利损失、容积损失以及机械损失,建立表征离心泵效率的综合损失模型；结合基于必须汽蚀余量计算下的汽蚀表征函数以确定离心泵多目标函数。进而,利用SQP算法构造合理的适应度函数,结合约束条件确定离心泵多目标优化设计的数学模型。其次,对某型燃油离心泵进行基于SQP算法的优化设计并与其他常用优化算法进行对比。可以看到：各优化算法的最优结果几乎相似,但SQP算法对多维非线性方程组优化求解所用的迭代步数相对较少。最后,利用CFD技术进行仿真及外特性预测,以验证基于SQP算法下燃油离心泵多目标优化设计的有效性。结果表明：相比传统方法设计的原型离心泵,基于SQP算法优化的离心泵内流场压力分布相对均匀,流动损失更低,且进口流动有利于抗汽蚀性能；从外特性结果来看,基于SQP算法优化的离心泵高效工作区域相对宽广,必须汽蚀余量相对较低,抗汽蚀性能有所改善。     

考虑燃料消耗均衡性的低轨通信星座在轨星座构型重构方法研究

针对低轨（low earth orbit,LEO）通信星座在轨重构问题，分析了低轨通信星座的特点，提出了4个重构指标，即全球平均覆盖率、燃料消耗均衡性、重构总时间和重构总速度增量，并分析了提高轨道高度的重构方式。采用基于分解的多目标进化算法（multiobjective evolutionary algorithm based on decomposition，MOEA/D）对重构进行建模分析。结果表明，模型优化结果可以得出多组最优解，构成帕累托前沿，并得出燃料消耗均衡性最优的解，针对两种失效模式得出的重构总时间均为3.6×105s，速度增量方差分别为261.4m2/s2和293.4m2/s2，这些解均可恢复星座原有的覆盖性能，并使燃料消耗最为均衡。     

基于LSTM的空间机器人系统惯性张量在轨辨识

在空间机器人抓捕目标的过程中，整个系统的惯性张量会随时间变化且在目标被捕获瞬间发生突变，这会严重影响整体姿态控制的精度。针对以上问题，提出了一种基于长短期记忆（LSTM）的系统惯性张量在轨实时辨识方法。首先，对于目标捕获前后的2个阶段，利用拉格朗日方程建立了空间机器人的动力学模型；然后，基于所建空间机器人模型采用域随机化方法生成足量训练数据，并用其对由LSTM网络与多层全连接网络构建的参数辨识网络进行训练；最后，使用训练好的参数辨识网络对系统惯性张量进行辨识。数值仿真结果表明：所提方法能够精确辨识空间机器人抓捕过程中的系统惯性张量，所研究系统的主惯量平均相对辨识误差小于0.001，惯性积的平均相对辨识误差小于0.01。     

基于TOPSIS算法的空间快速响应发射方案评估

针对空间快速响应发射方案评估优选问题,通过分析空间快速响应发射任务规划过程得到发射方案组成要素,在此基础上构建了三级评估指标体系;综合考虑专家主观喜好和客观事实,同时为了有效避免个别专家个性意愿对于权重分配的影响,采用信息熵权法和群决策层次分析法相组合的方式完成了指标赋权;针对方案指标数据的多样性,通过逼近理想解排序法对方案进行了综合评估及优选排序.典型算例证明了该方法的科学性和实用性,可为空间快速响应发射方案评估优选提供理论支撑.     

基于机器学习的空间翻滚目标实时运动预测

借助监督式机器学习（ML）方法，对空间翻滚目标的运动状态预测问题进行研究，为空间机器人抓捕空间翻滚目标提供可靠的数据依据。基于物理模型的运动预测方法依赖理想的建模假设，需要连续的视觉反馈信息，解决目标预测问题的能力有限。因此，本文采用机器学习中纯数据驱动方式的稀疏伪输入高斯过程（SPGP）回归方法进行空间翻滚目标的运动预测。给定空间翻滚目标运动状态的历史观测数据，通过连续优化真实观测数据，得到稀疏的伪训练数据集，进而在线快速预测目标的运动状态，预测的计算效率达到毫秒级。此外，利用马尔科夫链蒙特卡洛（MCMC）法处理连续优化过程，克服由于随机初始值造成的优化过程陷入局部极小值问题。利用Snelson数据验证了所提稀疏伪输入高斯过程回归方法的正确性，并通过4组仿真算例验证了所提方法对于空间翻滚目标运动预测的有效性和鲁棒性。     

考虑禁飞区规避的空天飞行器分段预测校正再入制导方法

针对空天飞行器再入制导问题，提出一种考虑禁飞区规避的分段预测校正制导方法。在再入段前期采用剩余航程作为目标函数，后期引入预测落点偏差作为目标函数进行制导指令求解，同时确定倾侧角幅值和符号，兼顾了计算效率与终端制导精度。在此基础上，对于再入过程中的禁飞区规避问题，把禁飞区分为两类，增加了通过倾侧角幅值修正策略实现侧向规避制导的逻辑，可适用于无法单独通过倾侧角反转规避禁飞区的情况。最后，通过开展考虑再入初始状态和气动品质不确定性的蒙特卡罗仿真，验证了提出的分段预测校正制导方法可以有效引导空天飞行器规避禁飞区，与单段目标函数预测校正方法相比，具有更高的制导精度。     

基于双滤波器的高精度目标跟踪估计方法

针对连续推力的合作航天器，采用双重无迹卡尔曼滤波(DUKF)算法估计其状态和加速度。通过状态滤波器和参数滤波器的配合，提升滤波精度，完成运动状态和参数的估计，从而实现合作目标的运动轨迹跟踪。与合作航天器相比，非合作航天器存在大小未知、发生时刻未知的机动，无法获得加速度，且信息获取和运动状态的估计难度大。针对非合作航天器，基于简化的相对运动方程，结合天基平台获得目标的观测信息，采用两个扩展卡尔曼滤波(EKF)及基于半正焦弦的机动检测策略实现多未知脉冲机动的运动状态的估计。仿真结果表明：相比于无迹卡尔曼滤波（UKF），DUKF在对合作航天器的状态和加速度估计方面具有更快的收敛速度和更高的滤波精度；对于存在未知机动的非合作航天器，通过对比验证机动检测策略与滤波器切换策略相结合的方法的有效性，该方法能够检测到多次机动并且减少误判。     

升力体式浮升混合飞艇多学科设计优化

升力体式混合飞艇是全球远距离大载重运输的重要选择，随着全球贸易的发展，逐渐成为国内外的研究热点。作为航空宇航技术、新能源技术和高性能材料技术相结合的新概念飞行器，混合飞艇设计过程需对多个学科进行综合考虑和优化。为了将多学科设计优化（MDO）方法引入到混合飞艇的总体设计中，将其分解为能源子系统、气动和推进子系统以及结构和重量子系统。在子系统模型构建的基础上，提出具有自适应能力的基于响应面的并行子空间优化（CSSO-RS）算法，将重量平衡和能量平衡作为实现远距离载重运输的约束条件，并提出爬升、日间巡航、滑翔和夜间巡航的多阶段任务剖面，以充分利用太阳能电池、燃料电池和锂电池的优势，实现混合飞艇的最优化设计。优化结果表明:具有自适应能力的优化算法在精确度和计算效率上均有明显的优势，同时重量分配的结果也为混合飞艇结构轻量化设计和能源系统设计提出了更高的要求。      

基于强化学习的在轨目标逼近

从强化学习的角度,对在轨目标逼近问题进行研究,设计了一种整合制导与控制的端到端的算法.首先对在轨目标逼近问题进行数学建模;然后对强化学习算法原理进行简介,根据问题特点分析不同强化学习框架的优劣,确定以DDPG作为算法框架,并设计了基于强化学习的在轨目标逼近算法;最后通过仿真验证,分析了基于强化学习逼近算法的优劣性.