小行星探测发展综述

小天体上保存着太阳系形成初期的原始成分,同时可能蕴含着地球生命与水起源的重要线索,是研究太阳系起源和演化历史的活化石。近年来,小行星探测已成为主要航天国家深空探索领域的重点发展目标之一。简要总结了国际上小天体探测历程,对小行星探测的研究和发展趋势进行了综述,重点探讨了未来小行星探测任务面临的主要关键技术,并对中国后续开展小行星探测活动提出了相关建议。     

小行星探测科学目标进展与展望

由于较好地保留了太阳系早期形成和演化历史的遗迹,小行星,尤其是近地小行星,已成为国际深空探测领域的研究热点。介绍了小行星的定义、分类和主要探测方式,指出目前小行星探测已进入空间探测的新时代;总结了国际小行星探测的现状,包括已实施和正在实施的小行星探测任务的科学目标、科学载荷配置,以及获取的主要科学数据等;探讨了未来小行星探测的发展趋势和主要科学问题,并对我国未来自主小行星探测任务科学目标的制定进行了展望。     

Y－TZP陶瓷超塑性拉伸变形试验

通过实验找出Ｙ－ＴＺＰ陶瓷超塑性变形的最佳温度、初始应变速率及最大的变形量，并求出应变速率敏感性指数ｍ值。利用得到的最佳工艺参数制造出陶瓷环形件样件。     

基于FMECA信息的测试性验证试验样本分配方法

针对目前国内外测试性验证试验中普遍采用的基于故障率的分层抽样方法考虑因素单一,可能导致样本分配不尽合理,而现有考虑多因素的样本分配方法代表性不足,难以实现工程上的应用的问题,对影响样本分配的因素与故障模式影响及危害性分析(FMECA)信息的关系进行了详细分析,提出了基于FMECA信息的样本分配方法。首先定义了单元影响系数和影响因子向量,提出了向量各元素赋值规则,解决了影响因素选取的问题;其次通过基于逼近理想解排序法(TOPSIS)优化的层次分析法确定了权值矩阵,实现了样本分配。最后通过实例验证表明该方法考虑因素全面,运用灵活,更具代表性和工程应用价值。     

环月轨道交会的载人登月任务轨道与窗口规划

针对环月轨道(Low Lunar Orbit,LLO)共面交会支持的"人货分离"载人登月任务,提出了一种任务窗口与轨道一体化规划方法。分析了基于LLO共面交会的"人货分离"载人登月任务的基本流程和工程约束;针对任务各阶段窗口与轨道求解问题,提出了以动力下降时刻为迭代初值的窗口规划策略,并建立了高精度模型下的环月轨道、双二体模型下的人员和货物运输轨道规划模型。以载人月球探测中国科学家命名的环形山为假想背景,给出仿真实例,仿真结果验证了文章所提方法的正确性,为探月工程任务提供了一种有效的窗口与轨道设计工具。     

月地转移轨道中应急调整异面着陆场的轨道控制及优化方法

摘要： 针对月地返回轨道周期较长、不确定性较大的特点,结合我国主、副着陆场的分布情况,提出一种通过在月地返回轨道中实施双脉冲机动,以实现在应急条件下将再入平面调整至原再入平面以外的异面再入落区方法.应用一种迭代算法实现了在月地系统复杂引力场中求解Lambert问题的精确解;而后,结合最优的必要性判定条件以及模拟退火算法,应用一种交互式脉冲优化方法,可求得双脉冲机动的最优解为0.025 2 km/s,满足工程实际约束.     

面向空域/时域/功能混合模式的目标分组方法

提出了面向空域/时域/功能混合模式的目标分组方法,其结果为任务规划提供了包含空域、时域、功能的目标群体特征.该方法采用标准化方法对属性数据分类和扩展,按照不同类型属性数据分别建立属性差异度,提高了目标分组特征属性的可扩展性,解决了传统属性差异度难以适用于时域及功能属性的问题;在此基础上,综合考虑协同任务对目标分组各项属性的定性/定量要求、阈值约束及重要程度要求,构造了目标综合差异度,解决了某些属性不能直接加权的问题.仿真结果表明该方法能够快速有效地实现满足任务复杂要求的目标分组.     

元强化学习综述

元强化学习是指自动从一组相关任务中学习强化学习所需归纳偏置的相关理论和方法,对于提高强化学习算法在困难场景下的样本效率和泛化能力具有重要用途。本文提出一种新的元强化学习框架,指出设计和分析一个元强化学习算法需要同时考虑学习经验（相关任务）、归纳偏置及学习目标3个独立因素及这3个因素之间的依赖关系。在此基础上对该领域的研究现状进行了分析和总结,特别对近年来元强化学习若干文献进行了分析和归类,并详细阐述了几种代表性算法的原理及各自特点。本文还对元强化学习常用的实验环境和性能评价方法进行了介绍,对该领域的不足和未来的发展方向进行了讨论和分析。     

全样本场合几何分布产品步进应力加速寿命试验TFR模型下的统计分析

本文首次将步加试验中的损伤失效率模型应用于离散型寿命分布场合,给出了TFR模型几何分布产品全样本场合多步步加试验下参数的极大似然估计。并通过一例子来说明方法的可行性。     

AC-PSO算法在无人机任务规划中的应用

无人机飞行中合理的路线规划可以减小飞行时间、降低油耗,减小被敌方发现、攻击的可能,从而提高了完成任务的概率.鉴于大部分无人机是以一个相对固定的高度进行侦察和任务飞行,故可将无人机的飞行任务规划视为二维平面的TSP问题.本文进一步将地面防空威胁与飞行距离统一量化,通过求解TSP求取最优无人机任务规划.文中通过分析蚁群算法与粒子群算法,提出了一种新的混合方法AC-PSO算法解决TSP求解问题.算法借鉴了蚁群算法的路线构造方法和粒子群算法的进化策略思想,同时给出了提升算法效率的一些措施.实验验证,该算法和威胁建模方法相结合,能有效地满足无人机飞行任务规划的要求.