混合空间目标下的多航天器抵近观测任务规划

研究了服务航天器对多个空间目标的抵近观测任务规划问题,并考虑了高价值航天器、普通航天器以及失效航天器或空间碎片3类待观测目标。通过构建合理的评价体系,对目标观测的任务方案进行评分。建立了综合观测目标数量、观测目标类型、燃料消耗、单次点火速度增量以及任务时长的多约束优化模型,涉及的优化变量包括目标分配向量、观测次序向量以及观测时刻向量。服务航天器通过一种四脉冲机动策略抵近每个目标。采用进化算法求解规划问题,并提出一种基于动态规划（DP）的局部搜索策略以优化观测时刻,提升优化效率。最后分别给出了针对单一类型和混合类型空间目标的抵近观测任务规划算例,通过与传统进化算法的求解结果对比,说明了所提出的DP搜索策略的优势。     

基于改进差分进化算法的密封舱结构优化设计

针对差分进化算法"早熟"问题,提出一种自适应变异率的双策略差分进化(AD-DE)算法。在迭代前期取较小变异率,并采用全局变异策略,快速锁定较优开采区间;在迭代后期取较大变异率,同时采用改进的局部变异策略,提高算法局部开采能力及加快收敛速度。将该算法应用于8个测试函数的优化中,结果表明:AD-DE算法与其它4种差分算法相比具有更好的全局寻优能力,并在某型密封舱结构优化中应用了该算法,有效地减轻了密封舱的结构质量,得到了较好的结构参数。     

基于差分进化算法的异构型分布式阵列优化

分布式阵列在突破了传统布阵环境限制的同时,还具有较高的增益,使其在实际工程中获得了广泛的应用。针对分布式阵列方向图存在较高的旁瓣问题,结合阵列性能约束和阵列位置约束,建立二维异构型分布式阵列优化模型,通过差分进化算法对子阵分布位置进行优化。并从变异策略、选择策略和控制参数三个方面对传统的差分进化算法进行改进。仿真分析结果表明,该方法能够有效抑制分布式阵列的峰值旁瓣电平,相比传统的差分进化算法,该算法全局收敛能力更强、收敛速度更快。     

一种改进的微分进化算法及其在多目标访问任务中的应用

研究在给定时空约束下利用单平台机动实现地面多目标重访任务问题的建模与求解。首先在问题描述和建模过程中考虑多约束与性能指标要求,大大缩减优化算法的参数搜索空间,提高求解效率;然后针对传统微分进化算法的不足,提出一种改进的微分进化算法,并将其应用于求解多约束多目标重访优化问题。改进的微分进化算法通过引入双重自适应因子和独立变异体,提高了算法的优化效率并使其在陷入局部最优后仍具有一定的跳出局部最优的能力。仿真中改进的算法在打靶仿真均值,最优结果和均方差方面都远优于传统算法,验证了本文设计的建模方法和改进优化算法的正确性和有效性。     

考虑成像质量的敏捷卫星任务调度模型与算法

针对敏捷卫星任务调度中成像质量受观测时间影响的特点,构建考虑观测时间因素的约束满足模型,提出一种将离散差分进化与变邻域搜索相结合的求解算法(DDE-VNS)。首先,描述敏捷卫星任务调度时间约束;其次,考虑观测时间对成像质量的影响、任务间姿态转换时间约束、星上存储与能量约束等因素构建了敏捷卫星任务调度的约束满足模型;再次,设计离散差分进化的变异、交叉和选择算子,采用变邻域搜索对每次迭代的最优解进行局部搜索以寻找更好的邻域解,并给出了算法的实现流程。仿真结果表明,利用该模型可获得收益值较高的调度方案,且该算法在收敛速度更有优势。     

采用利希滕贝格图的高超声速飞行器轨迹优化

针对复杂约束条件下高超声速飞行器再入轨迹优化问题,提出一种混合算法进行求解,以解决现有轨迹优化方法对初值的强依赖性以及易陷入局部最优等问题。将高超声速飞行器再入轨迹优化建模成一个非线性规划问题,并设计双层优化结构进行求解。上层中,提出一种基于利希滕贝格图的自适应分段利希滕贝格算法（Adaptive piecewise Lichtenberg algorithm,APLA）,为高斯伪谱法提供良好的初值。APLA通过引入拉丁超立方体抽样提升算法初始触发点的效能,引入全局至局部搜索分段策略及自适应因子提高算法收敛速度和收敛精度,改善算法易陷入局部最优等情况。下层中,高斯伪谱法在最优解附近具有较好的收敛速度和较高收敛精度,因此使用高斯伪谱法以加快搜索过程,提升解的全局最优性。综上,提出再入轨迹优化混合算法（APLA＿GPM）,实现对高超声速飞行器再入轨迹优化问题快速、准确求解。仿真结果表明,APLA＿GPM在高超声速飞行器再入轨迹优化方面具有更快的收敛速度、更高的精度以及更强的鲁棒性。     

太阳系多目标探测轨道优化设计

将太阳系多目标探测的轨道优化设计问题转换成非线性规划问题,建立了轨道优化模型.针对非线性规划问题解的多峰性,设计了一种融合改进的网格搜索算法和差分进化算法的组合优化算法.利用改进的网格搜索算法以适当的步长寻找理想的发射窗口和各阶段转移时间,产生差分进化的初始群体,进而使用差分进化算法搜索初始群体附近的子空间,通过全局范围内的比较得到较理想的结果.最后以2018 ～2020年太阳系多目标探测为例,面向土星环绕探测任务完成了飞行中途探测太阳系多颗大行星的轨道优化设计.数值仿真结果表明上述算法对太阳系多目标探测轨道优化设计具有较好的通用性和应用参考价值.     

空间相机地面装调重力卸载仿真优化方法

空间相机在地面装调过程中需要对光机结构进行重力卸载。空间相机常具有尺寸大、刚度低的特点,使得对其进行重力卸载仿真优化异常复杂。文章提出基于贪心算法结合天牛须搜索的重力卸载仿真优化方法。该方法提取系统的可行卸载点集,每次从可行卸载点集中提取1个或1组最优卸载点;以此类推,逐渐增加卸载点数,直至满足测试要求。其中,每组卸载点系的最优卸载力利用天牛须搜索法进行计算,继而可获得系统的最佳卸载策略。利用该仿真优化方法,可以智能化地进行系统全局迭代仿真分析计算,不易收敛于局部最优解,能够高效、快速地获得系统最佳卸载点系和最优卸载力。     

载人登月绕月自由返回轨道混合-分层优化设计

针对载人登月绕月自由返回飞行任务,提出一种混合-分层轨道优化设计方法。将高精度模型下强约束自由返回轨道设计问题转化为有约束非线性规划求解问题,在此基础上提出一种混合-分层优化求解策略。在双二体模型下利用差分进化算法(DE)与序列二次规划(SQP)相结合的混合优化算法快速求解了满足弱约束条件下的轨道初值问题。采用序列二次规划(SQP)构造两层迭代格式,在高精度模型和强目标约束下对初步设计轨道进行逐层修正。最后,通过仿真测试,文章所述方法的可行性与有效性得到了验证。仿真飞行结果还进一步表明该设计方法具有求解精度高、收敛速度快等优点,为探月工程任务提供了一种有效的轨道设计工具。     

大型星座混合模拟退火遗传算法测控任务规划

提出了一种基于拥挤度的混合模拟退火多层编码遗传算法,用于解决大型星座的测控任务规划问题。首先,建立了大型星座测控问题的约束满足模型,对任务规划过程中的各种约束条件和优化目标进行了形式化描述。第二,采用多层编码的方法建立测控方案与解空间的对应关系,并采用遗传算法的启发式方法进行全局搜索。第三,为了增加种群的多样性并加快收敛速度,在每代进化结束后对种群中最优的部分个体进行基于拥挤度的模拟退火。超180颗卫星,32个地面测控天线的真实大型星座测控任务规划试验表明,基于拥挤度的混合模拟退火遗传算法的任务完成率高达99%,归一化综合收益大于0.9,算法运行时间小于15 min,验证了该方法具备工程实用价值。     

最佳矢量与遗传算法在结构系统可靠性优化中的应用

利用目标函数和约束函数的梯度信息,给出了基于结构可靠性的最佳矢量优化方法,其具有较强的局部搜索能力、收敛快等特点,并结合遗传算法较强的全局搜索能力构造了基于最佳矢量优化方法和遗传算法的混合算法。该方法结合了二者的各自的特点,使两种算法的搜索能力得到了相互补充,祢补了各自的弱点。结合算例表明,应用该方法所得的优化结果好于单独使用最佳矢量优化方法或单独使用遗传算法所得的优化结果,该方法是一种优化能力、效率较高的优化方法。     

航天器零推进剂姿态机动启发式规划方法

针对零推进剂姿态机动约束耦合,导致规划效率低的问题,提出一种基于约束评价启发式的差分进化算法.基于零推进剂姿态机动约束分析,在规划空间中建立约束评价函数,对航天器约束和控制力矩陀螺约束进行解耦分类处理.设计基于约束评价函数的启发式策略,用于改进差分进化算法的种群变异,主动控制规划进程,引导零推进剂姿态机动规划序列满足多...     

多目标蚁群算法及其在固液混合火箭发动机系统优化设计中的应用

为了提高求解多目标优化问题的Pareto解集的效率,建立了适用于多维、多目标优化问 题的多目标蚁群算法（Multi\|objective Ant Colony Algorithm,简称MACA）。该算法首 先修正了蚁群算法的信息素更新机制和转移概率,然后改进了蚂蚁的行进策略,即提出了依 概率选择搜索策略。最后,应用该算法对某型号固液混合火箭发动机系统进行了优化设计。 计算结果表明,多目标蚁群算法获得的Pareto解集分布均匀、散布范围广,可以有效解决多 目标优化问题,能为决策者进行目标权衡提供充分依据。
     

基于子集模拟优化的空天飞机再入轨迹混合优化方法

提出采用一种新的随机优化算法(子集模拟优化算法)来改进现有的空天飞机再入轨迹混合优化方法。这种混合优化方法的思路是:首先在整个设计空间使用子集模拟优化算法进行全局搜索,迭代适当步数。之后,将其计算结果作为初值,用序列二次规划法优化算法进行再次优化,收敛后得到最终优化结果。算例证明,对于不同的精度要求,这种混合优化方法能均有效地求解空天飞机再入轨迹优化问题,且计算量较少。     

结合行星借力飞行技术的小推力转移轨道初始设计

针对结合行星借力和小推力技术的行星际转移轨道设计问题,提出一种基于形状逼近策略的初始设计方法。采用改进的逆六次多项式策略计算小推力弧段,通过引入B平面参数和推进器开关点时间系数实现行星借力和推滑混合轨道的拼接,将初始设计问题转化为求解混合整数非线性规划问题。为降低规划模型求解难度,通过参数变换对模型进行简化处理,并采用具有全局大范围搜索能力的改进微分进化算法求解最优设计参数。数值结果表明：相比正弦指数曲线设计方法,本文方法可以有效对交会型转移轨道进行设计,并且可以提供更少燃料消耗的探测机会。
     

用于快速仿真优化的改进差分进化算法及其应用

提出一种改进的差分进化算法,采用一种“位变”方法计算收缩因子,该方法首先根 据适应值对种群排序,然后根据各个体的排列位置确定收缩因子;采用正态分布函数对算法 参数进行随机扰动来维持种群的多样性;该算法还提出一种新的变异算子,并将其与基本的 差分变异算子结合使用以提高算法的寻优精度。经过对多个Benchmark函数的测试、分析和 比较,结果表明该算法具有较高的收敛精度和较快的收敛速度。最后将该算法用于火箭发动 机涡轮气动优化,以较小的计算成本将涡轮气动效率提高了2.5％。应用结果表明该算法 适用于快速仿真优化问题,能有效地节约计算成本。
     

强约束条件下星座一体化优化设计方法研究

针对星座构形一体化设计时，由于约束条件复杂而导致求解困难的问题，提出了自适应序列约束边界法和约束邻域排斥策略，以进化算法为基础构成了星座构形一体化优化设计方法。应用此方法进行了全球导航星座构形一体化优化设计，设计结果表明该方法能够高效解决综合考虑多种设计因素、具有离散／连续混合变量、无导数信息的星座构形一体化优化设计问题。     

改进变异策略的自适应差分进化算法及其应用

针对标准差分进化(Differential Evolution,DE)算法存在控制参数难以选取以及变异策略缺乏稳健性的不足,提出一种基于改进变异策略的自适应DE算法.该方法用随机选取子种群的最优个体替代全种群最优个体进行变异操作;然后采用柯西分布和正态分布分别对收缩因子和交叉概率进行扰动,并在进化过程中利用胜出个体自适应地递推调整参数分布.对五个典型Benchmark函数的测试结果表明:该方法在全局搜索能力、收敛速度和精度以及可靠性上比标准DE算法都有了大幅度提高.将该方法用于分布式孔径雷达的方向图综合问题,通过较少的仿真次数即可稳定的获得更低的旁瓣电平.     

一种新的卫星测控资源调度模型及其求解算法

针对低轨卫星测控资源优化调度问题,以卫星可见弧段为调度元素建立了一种新的复合独立集模型.新模型可分解为多个具有约束关系的子优化问题.在应用蚁群优化算法求解该问题时,蚁群分别对各子问题的可行域进行搜索,并引入局部搜索策略提高蚁群算法的求解质量.实验结果表明,该算法具有较快的收敛速度,能够生成较好的调度计划,测控网的利用率获得提高.     

深度交叉遗传神经网络在液体火箭发动机故障检测中的应用

将遗传算法与BP神经网络深度交叉融合,即采用遗传算法对BP神经网络的权值和阈值进行多点优化,而在进化的每一代中随机取少量染色体进行单一BP网络训练,训练结果再返回染色体,经过若干代的进化后得到稳定的权值和阈值,再将它们赋给BP神经网络,作为初始值,按误差前向反馈算法沿负梯度搜索重新训练,最终得到最优解。这种算法既避免BP算法易陷入局部最优解的不足,又克服遗传算法以类似穷举的形式寻找最优解而引起的搜索时间长、速度慢的缺点。并且经过仿真分析,深度交叉遗传BP神经网络的收敛性和故障诊断能力优于传统BP神经网络和单一使用遗传算法,可有效应用于液体火箭发动机故障检测中。