时变体数据传输函数设计及其在行星际数值模拟结果可视化中的应用

为便于太阳风暴行星际传播数值模型结果可视化分析，提出一种针对时变模拟数据体绘制的传输函数设计算法（Transfer Function for Time-varying Volume data,TFTV）。该算法首先基于KNN(K-Nearest Neighbors,KNN)背景差分法提取运动区域；然后，利用频率调谐（Frequency Tuned,FT）显著性算法检测日冕物质抛射（Coronal Mass Ejection,CME），并设计颜色反映射算法查找CME与背景的分界阈值；最后，基于阈值自适应调整传输函数实现各时间步上运动区域中CME的快速三维可视化。实验结果表明，该算法能够适应静态及动态背景下CME的数值模型结果，相对于线性传输函数有效避免了视线方向的遮挡，直观自动地展示了相对动量的变化，示踪行星际空间中CME的演化过程，局部区域的提取降低了数据冗余，借助算法自动分析数据自适应调整传输函数避免了人工调整的低效性。     

巨型星座覆盖性的高效分析方法

针对巨型星座设计及建设过程中的覆盖性分析问题，提出了一种高效覆盖性分析新方法：并行墨卡托投影图叠加法（PMPS）。该算法通过对墨卡托投影图的图像叠加处理，进行覆盖域计算，突破了传统网格法（GPA）中网格数量与星座卫星数量的关联约束，降低了计算消耗对卫星数量增长的敏感度。给定计算精度下，随着卫星数量的增加，GPA与PMPS计算消耗比值逐渐提高，并最终趋于极限值，该极限值和GPA选取网格量呈正相关。仿真结果表明；全球覆盖分析中GPA网格数为10⁴量级、满足指定计算误差时，未引入并行计算的PMPS效率相对GPA最大可提高1～2个量级，当GPA网格量更大时，如10⁵量级时，未引入并行计算的PMPS效率相对GPA预计最大可提高2～3个量级。     

一种使用BP神经网络加速的蒙特卡洛拉格朗日水滴求解器（英文）

结冰可能威胁飞行安全。拉格朗日方法被广泛应用于求解结冰过程中的水收集系数,但是其发展受到鲁棒性问题和高计算成本限制。为了弥补拉格朗日方法的缺陷,使用蒙特卡洛积分法和反向传播(Backpropagation, BP)神经网络分别用于解决鲁棒性问题和降低计算成本。基于蒙特卡洛方法的拉格朗日求解器可实现对任意模型或计算条件的无条件稳定。构建了BP神经网络用于预测水滴撞击概率,通过筛除非撞击水滴减少计算量。BP神经网络不针对特定模型提前训练,使用异步并行策略使BP神经网络训练和水滴运动同时求解,建立了广泛适用的异步拉格朗日求解器。使用GLC-305后掠三维翼型和某型发动机短舱模型对求解器进行验证,结果显示BP神经网络可以有效提升计算效率,对比没有神经网络辅助最多节省27%运行时间,同时保有同等计算精确度。本文研究为首次尝试神经网络技术与结冰数值模拟融合,为进一步发展拉格朗日方法提供有力支撑。     

基于并行遗传算法的高轨卫星导航选星方法

高轨航天器自主导航能力在北斗三号卫星导航系统建成后得到了增强，但是也带来了部分时刻可见星数量冗余的问题。为降低运算量以保证服务的实时性，提出一种利用多种群并行遗传算法(PGA)进行快速选择当前最优可见星组合的方法。该方法将加权精度因子(WDOP)作为适应度评判标准，利用粗粒度式并行划分成的多个子种群进行搜索加速，并通过变异因子差异化设置与子种群间的信息交流来提高搜索能力。对多个典型高轨环境下7颗及以上选星任务的仿真测试表明，基于PGA的选星方法解相比遍历法所求最优解绝对误差平均值小于0.1，相对误差最大不超过1%。仿真结果表明，在典型高轨环境F1接收机利用四系统组合导航时，所提方法可以有效地快速、准确完成指定卫星数的选星任务。