航天器分布式智能计算体系的数学建模与调度算法研究

航天器对大容量高效计算的要求越来越高,现有的星载计算体系的能力已经难以满足其需求,需要建立具有自组织能力的智能计算体系,还要实现高效的任务调度.给出了航天器分布式智能计算体系的模型和任务调度问题的多目标优化模型,并根据该模型设计了改进粒子群算法和改进蚁群算法结合的DPSO-EACO算法,先利用粒子群算法生成初始调度方案,再用该方案初始化蚁群算法,利用蚁群算法生成最终调度结果.仿真结果表明,该算法的性能与改进粒子群算法和改进蚁群算法相比具有明显的性能优势.     

基于人工蜂群算法的固定时间多脉冲交会

在两航天器交会问题中,采用多脉冲变轨策略往往能取得更小的燃料消耗.利用人工蜂群算法优化了航天器固定时间多脉冲交会问题,提出一种改进的人工蜂群算法.该方法能够简化时间约束的处理,能获得满足地球半径约束的解.该方法易于编程,鲁棒性强,可以应用到不同的摄动模型.仿真结果表明,该算法不易陷入局部最优,相比于粒子群算法和传统人工蜂群算法具有更高的求解精度.     

基于改进粒子群优化算法的巡航导弹航路规划

粒子群优化(PSO, Particle Swarm Optimization)算法是继遗传算法、蚁群算法之后的又一种新的群体智能算法,经常用于复杂问题的求解.由于其迭代公式是面向连续空间的,因此更适合解决非网格拓扑的航路规划问题.标准的粒子群优化算法在寻优的过程中容易出现早熟现象,针对这种现象,提出了一种改进的粒子群优化算法.改进算法根据相应的代价函数选择精英粒子和较差粒子,对较差粒子采用了带有动能补偿的速度更新策略,从而避免了寻优过程中的早熟现象;在单个粒子的运动方面引入了最差粒子的失败经验,让群体中粒子有效避开最差解.仿真表明:改进算法在航路规划的应用中具有更强的搜索能力,获得的航路代价在进化代数相同的前提下更小.      

资源约束突变的航天器观测快速重调度优化算法

针对航天器对地观测调度中资源约束发生突变的情况,提出了一种基于蚁群算法的启发式重调度算法。首先对重调度过程中的资源约束进行分析,给出了资源约束发生变化的重调度模型。然后,结合原调度优化结果,给出重调度任务集合更新方法,对任务集合进行剪裁。最终,基于最大限度利用原调度方案信息的思想,结合任务集合更新及优先级等启发式信息,给出了一种改进的重调度优化算法。数值计算结果表明,所设计的算法可以快速有效的提高重调度过程的收益。     

应用于卫星自主任务调度的改进遗传算法

针对具有侧摆能力的对地观测卫星的自主任务调度问题,对卫星自主任务调度问题和约束条件进行了描述,针对卫星自主任务调度NP-hard的特点,构建了基于目标收益及多约束卫星任务调度模型。设计了一种改进的遗传算法,从遗传操作的各个部分进行算法优化。首先将小区间法应用于初始种群生成,保证了种群的多样性,并且交叉和变异算子均引入自适应概率;同时采用两代竞争技术来避免“早熟”现象,提高算法的效率和鲁棒性。算法还采用最优保留策略用来保存进化中的最优解,使得算法收敛于全局最优。对局部多冲突观测任务应用该改进遗传算法,并针对区域密集目标的观测问题设计了仿真试验,与传统模拟退火算法及免疫蚁群遗传混合算法进行了比较,验证了该算法的有效性和收敛效果。     

圆轨道航天器在轨加注任务空间燃料站部署问题

在轨服务技术因在航天器故障修复、寿命延长及军事方面有重大辅助作用而越来越受到各航天大国的重视,作为在轨服务技术重要组成部分的在轨燃料补给技术也越来越受到关注。文章针对圆轨道航天器在轨燃料加注任务,将空间燃料站技术与多目标在轨加注技术相结合,对基于燃料站的在轨加注模式进行了研究,提出了一种基于聚类分析的在轨加注任务调度及优化算法。通过对双脉冲轨道转移问题的求解与分析,获得了轨道转移速度增量和轨道参数之间的关系,在此基础上分析了圆轨道航天器在轨加注任务调度问题,并根据调度模型的变量和约束关系,建立了圆轨道航天器在轨加注任务多目标规划模型,并采用免疫遗传算法对加注任务调度空间燃料站选址问题进行了研究。以30颗目标航天器的在轨加注任务为例进行了数值仿真,并由燃料消耗的计算结果验证了算法的有效性。     

高速缓存影响的航天器控制软件调度设计方法

针对高速缓存引起的程序执行时间抖动对航天器控制软件任务调度造成的困难,提出一种基于循环调度的调度设计方法,该方法利用任务程序执行时间的概率分布设计具有不同可靠性的系统模式,通过模式切换,使处理器得到充分利用,同时能够提供一定的可靠性保障,为航天器控制软件的任务调度提供参考.     

改进蚁群算法求解时变网络中最短路径问题

给出一种时变网络中蚁群算法的信息素更新策略,使边上残留信息素能够正确反映时变网络中边上权值的变化情况;改进了传统蚁群算法的相邻节点选择策略,使蚂蚁只需计算与当前节点存在直接路径的节点的转移概率,降低算法的计算量;将蚁群算法和遗传算法结合,将蚁群算法每次遍历后形成的解作为初始群种进行单点交叉计算,避免陷入局部最优解,提高算法收敛速度.仿真结果表明,改进的蚁群算法能够有效求解时变网络中最短路径问题,比传统蚁群算法得到全局最优解的概率更大,算法的收敛速度更高.     

考虑柔性检修计划的圆钢热轧批量调度

针对考虑柔性检修计划的圆钢热轧批量调度问题,构建了以最小化最大完工时间、订单提前及拖期总时长为目标函数的整数规划模型,用以制定有效的机器检修与批量生产协作计划。结合模型特征,提出一种改进多目标粒子群算法(IMPSO)实现求解。算法采用基于混沌加权适应度计算的插入式方法生成初始粒子群体;根据问题约束特征,设计修复规则对群体进化过程中产生的不可行粒子进行修复;采用精英策略保留算法迭代过程中的优势个体,并根据精英集合为每个粒子选择更新所需的极值;针对问题变量的离散特征,引入基于遗传操作的粒子更新方式。实验结果表明,模型和算法是可行和有效的。      

基于组合优化策略的月球软着陆最优轨道设计

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.