CN108594638A - 面向多任务多指标优化约束的航天器acs在轨重构方法 - Google Patents

面向多任务多指标优化约束的航天器acs在轨重构方法 Download PDF

Info

Publication number
CN108594638A
CN108594638A CN201810256059.5A CN201810256059A CN108594638A CN 108594638 A CN108594638 A CN 108594638A CN 201810256059 A CN201810256059 A CN 201810256059A CN 108594638 A CN108594638 A CN 108594638A
Authority
CN
China
Prior art keywords
moment
task
multitask
constraint
energy consumption
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810256059.5A
Other languages
English (en)
Other versions
CN108594638B (zh
Inventor
程月华
姜斌
陆宁云
陈嘉文
叶正宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201810256059.5A priority Critical patent/CN108594638B/zh
Publication of CN108594638A publication Critical patent/CN108594638A/zh
Application granted granted Critical
Publication of CN108594638B publication Critical patent/CN108594638B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
    • G05B13/024—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了面向多任务多指标优化约束的航天器ACS在轨重构方法，属于航天器姿态控制的技术领域。本发明针对在轨时间相关多任务约束的航天器，通过定义多任务约束下的状态和动作，设计关于状态‑动作的效用函数并确定性能指标函数，进而获得HJB方程形式的最优重构策略。针对HJB方程难以精确求解的问题，提出了一种基于BOADP的近似求解方法，设计任务网络和能耗网络分别用于估计两个性能指标函数，通过迭代学习算法实现神经网络估计误差的收敛，从而实现HJB方程的近似求解，进而获得最优重构策略，以尽可能少的控制能耗实现任务收益的最大化。本申请提高了航天器的多任务完成能力以及故障应对能力。

Description

面向多任务多指标优化约束的航天器ACS在轨重构方法
技术领域
本发明公开了面向多任务多指标优化约束的航天器姿态控制系统(AttitudeControl System,ACS)在轨重构方法，属于航天器姿态控制的技术领域。
背景技术
在轨航天器一旦发生故障，即使是只有几分钟、十几分钟的故障都可能会导致整个飞行任务的失败。由于航天器距离地面遥远，地面测控人员往往无法及时处理故障，航天器应具有在轨自主重构的能力。目前的重构控制方法主要聚焦于容错控制器的设计，通过主动容错或者被动容错的方式实现故障后的系统稳定。然而，主动容错或者被动容错的方式没有考虑多任务约束条件，重构后的控制系统不能保证满足任务执行要求。
多任务情形下的航天器ACS重构需要任务窗口、任务姿态、任务优先级、控制能耗等多任务约束条件。在多任务约束下，由于不同任务对航天器姿态指向和控制精度的要求有所不同，在航天器姿态控制系统发生故障导致系统控制性能下降的情况下，前面任务的执行可能会导致后续执行的任务无法在任务窗口内达到规定的姿态和精度要求或者控制能耗过大，导致任务失败，从而导致总体任务收益下降。多任务约束下的重构控制需要考虑任务收益和控制能耗的优化问题。
Werbos于1977年提出的自适应动态规划(Adaptive Dynamic Programming,ADP)方法是一种解决高维复杂系统最优控制问题的有效方法。ADP方法基于增强学习(Reinforcement Learning,RL)的思想并采用迭代学习算法训练人工神经网络以近似求解哈密顿-雅可比-贝尔曼(Hamilton-Jacobian-Bellman,HJB)方程，避免了传统动态规划方法“维数灾难”的问题，在解决高维复杂系统最优控制问题中展现出了独特的优势。本发明中旨在针对多任务约束设计满足HJB方程形式且适合在双目标自适应动态规划(Bi-objective Adaptive Dynamic Programming,BOADP)框架中进行求解的最优重构策略。
发明内容
本发明的发明目的是针对上述背景技术的不足，提供了面向多任务多指标优化约束的航天器ACS在轨重构方法，将多任务约束条件纳入效用函数以及性能指标函数的设计，在故障情形下找到最优重构决策，以尽可能少的控制能耗获得最大的任务收益，解决了现有重构方法重构后的控制系统不能保证满足任务执行要求导致任务收益下降的技术问题。
本发明为实现上述发明目的采用如下技术方案：
一种面向多任务约束的航天器ACS在轨重构方法，以系统故障信息、状态信息以及多任务约束条件为决策因素，在BOADP框架下通过近似求解HJB方程的方式确定最优重构策略。
进一步的，一种面向多任务约束的航天器ACS在轨重构方法中，约束信息包含但不限于任务窗口、任务姿态与控制精度、任务优先级、控制能耗。
进一步的，一种面向多任务约束的航天器ACS在轨重构方法中，系统故障信息包含但不限于故障位置、故障类型、故障程度。
进一步的，一种面向多任务约束的航天器ACS在轨重构方法中，状态信息包含但不限于姿态角和角速度、当前系统配置、当前任务、当前时间。
进一步的，一种面向多任务约束的航天器ACS在轨重构方法中，重构策略为一个由状态信息到动作的映射。
进一步的，一种面向多任务约束的航天器ACS在轨重构方法中，最优重构策略以总任务收益和总控制能耗为优化目标，即以尽量少的总控制能耗获得最大的总任务收益。
作为一种面向多任务约束的航天器ACS在轨重构方法的进一步优化方案，在BOADP框架下通过近似求解HJB方程的方式确定最优重构策略的具体方法为：根据故障信息和状态信息，针对总任务收益和总控制能耗的优化问题，分别设计任务效用函数和能耗效用函数，通过在时间维度上折扣效用函数后并累加的方式确定总任务收益性能指标函数和总控制能耗效用函数，由这两个性能指标函数得到HJB方程形式的最优重构策略，针对HJB方程形式的最优重构策略通过解析方法求解的问题，采用迭代算法近似拟合两个性能指标函数从而获得最终可计算的最优重构策略。
作为一种面向多任务约束的航天器ACS在轨重构方法的进一步优化方案，根据系统故障信息和状态信息设计任务效用函数的方法为：根据k时刻的状态量sk、k时刻的动作ak构建体现了在k时刻的状态sk下执行动作ak的任务收益的效用函数为：
其中：rt(Γ)为执行任务Γ所获得的任务收益。该效用函数的意义是：如果有任务被执行，效用函数的值等于任务收益值；否则，效用函数值为0。
作为一种面向多任务约束的航天器ACS在轨重构方法的进一步优化方案，通过在时间维度上折扣任务效用函数后并累加的方式确定的总任务收益性能指标函数为：
其中：γ为折扣因子，满足0<γ≤1；N为任务个数。
作为一种面向多任务约束的航天器ACS在轨重构方法的进一步优化方案，根据系统故障信息和状态信息设计能耗效用函数的方法为：根据k时刻的状态量sk、k时刻的重构动作ak构建体现了在状态sk下执行动作ak的能耗效用函数为：
Ue(sk,ak)＝Ub(sk,ak)+(1-α)Uf(sk,ak) (3)，
其中：Ub(sk,ak)为电能消耗惩罚项，其值等于使用飞轮进行姿态控制时产生的控制能耗；Uf(sk,ak)为燃料消耗惩罚项，其值等于使用推力器进行姿态控制时的控制能耗；α为权值比例项，满足0<α≤1。该效用函数的意义是：对消耗能量的动作进行惩罚，消耗能量越大，惩罚越大。
作为一种面向多任务约束的航天器ACS在轨重构方法的进一步优化方案，通过在时间维度上折扣任务效用函数后并累加的方式确定的总控制能耗性能指标函数为：
其中：γ为折扣因子，满足0<γ≤1；N为任务个数。
再进一步的，一种面向多任务约束的航天器ACS在轨重构方法中，由两个性能指标函数得到的HJB方程形式的迭代控制律为：
其中：Qt(sk,ak)为总任务收益Q函数；Qe(sk,ak)为总控制能耗Q函数；为k+1时刻的最优总任务收益性能指标，满足 为k+1时刻的最优总控制能耗性能指标，满足Θ为状态sk下的可用动作集合，Θ’为使总任务收益最大的动作集合。
更进一步的，一种面向多任务约束的航天器ACS在轨重构方法中，采用基于BOADP的迭代算法近似拟合迭代控制律的目标函数进而确定最优重构策略的方法为：采用两个神经网络分别对Qt(sk,ak)和Qe(sk,ak)进行拟合，任务网络将k时刻的状态sk及其对应的最优重构动作ak映射为k时刻的总任务收益Q函数的估计值能耗网络将k时刻的状态sk及其对应的最优重构动作ak映射为k时刻的总控制能耗Q函数的估计值采集执行k时刻最优重构动作ak后系统在k+1时刻的状态sk+1并确定k+1时刻状态量对应的最优重构动作ak+1，根据k+1时刻的状态sk+1及其对应的最优重构动作ak+1，计算任务网络和能耗网络的训练误差分别为：
采用训练误差σt和σe分别修正任务网络和能耗网络的权值后进行下一次迭代训练，周而复始地，直至训练次数达到最大迭代次数时输出最优重构策略。
最终得到可计算的最优重构策略π*(sk)为：
本发明采用上述技术方案，具有以下有益效果：
(1)重构决策考虑多任务约束条件，将多任务约束条件纳入效用函数以及性能指标函数的设计，根据效用函数以及性能指标函数确定HJB方程形式的最优控制策略，在BOADP框架下训练神经网络以拟合最优重构策略的目标函数进而确定可具体计算的最优重构策略，在故障情形下作出尽量保证既定任务顺利执行的最优重构动作决策，提高了航天器的任务完成能力以及故障应对能力；
(2)在系统发生故障，控制能力下降导致无法完成既定多个任务时，重构策略应选择合适的任务集合为重构目标，实现总任务收益的最大化，同时为保障航天器能源水平满足任务执行要求，应实现总重构控制能耗的最小化，本发明基于这一多任务约束下的实际需求设计最优重构策略，解决了传统重构控制无法实现多任务约束下任务收益和控制能耗优化的问题；
(3)通过训练神经网络以拟合最优重构策略目标函数的过程是对HJB方程的近似求解，本发明提出的重构方法在计算机运算能力范围内获得近似的最优重构策略，避免了传统方法计算量过大的问题，是一种解决“维数灾难”问题的切实可行的方法。
附图说明
图1为在轨重构方法的流程图。
图2为在轨重构系统的结构图。
图3为在轨重构模块设计的流程图。
图4为BOADP方法的结构图。
图5为重构决策模块的决策流程图。
图6为神经网络映射方式的示意图。
图7为神经网络训练的流程图。
具体实施方式
下面结合附图对发明的技术方案进行详细说明。
面向多任务约束的航天器ACS在轨重构方法如图1所示。该方法不仅基于状态信息和故障信息还考虑了多任务约束条件进行在轨重构。多任务约束包括任务窗口、目标姿态、任务优先级、控制能耗等约束条件。多任务约束体现于状态转移和性能指标函数中，其中，总任务收益性能指标函数用于评价重构策略的总任务收益水平，总控制能耗性能指标函数用于评价重构策略的总控制能耗水平。基于Bellman原理获得HJB方程形式的最优重构策略。采用BOADP方法，设计任务网络和能耗网络分别用于估计两个性能指标函数，通过迭代学习算法实现神经网络估计误差的收敛，从而实现HJB方程的近似求解，进而获得最优重构策略，以尽可能少的控制能耗实现任务收益的最大化。
本发明的在轨重构系统如图2所示，故障诊断模块根据控制器输出信号和传感器输出信号进行故障诊断并在姿态控制系统发生故障时发送故障信息到在轨重构模块，在轨重构决策模块根据状态信息、故障信息、多任务约束条件做出最优决策，在轨重构执行模块将最优决策编译为控制器所能理解的重构指令，由控制器完成在轨重构。
本发明的在轨重构模块设计流程如图3所示。详细叙述如下：
1)基于多任务约束、状态信息和故障信息三方面的决策因素设计任务效用函数Ut(sk,ak)和能耗效用函数Ue(sk,ak)，其中，sk为由k时刻故障信息和状态信息组合得到的k时刻状态量，ak为k时刻的重构动作，任务效用函数体现了任务收益，能耗效用函数体现了重构控制能耗；
2)将效用函数以折扣的方式在时间维度进行累加得到性能指标函数，
总任务收益性能指标函数为：
总控制能耗性能指标函数为：
3)由两个性能指标函数得到HJB方程形式的最优重构策略：
4)定义BOADP方法中的目标函数为Q函数，k时刻最优重构策略的目标函数为：
其中：Qt(sk,ak)为总任务收益目标函数；Qe(sk,ak)为总控制能耗目标函数；
5)设计两个神经网络分别对两个Q函数进行估计，任务网络用于估计总任务收益目标函数Qt(sk,ak)，输出为能耗网络用于估计总控制能耗目标函数Qe(sk,ak)，输出为
6)通过迭代训练算法近似拟合Q函数从而获得最优重构策略。
本发明的BOADP方法结构如图4所示，主要包含：任务网络、能耗网络、状态-动作编码、重构决策模块和状态转移这五个部分。任务网络用于对总任务收益目标函数Qt(sk,ak)进行估计，输出为能耗网络用于对总控制能耗目标函数Qe(sk,ak)进行估计，输出为由于状态sk和动作ak中既存在连续变量，又存在离散变量，这是一个混合系统，故将状态-动作编码为二进制的形式作为任务网络和能耗网络的输入。在故障情况下，系统状态为sk，通过采取重构策略执行动作ak，系统转移到状态sk+1。迭代更新神经网络权值，使得训练误差最小。当对于任意时刻k，神经网络输出误差均足够小，重构决策模块输出最优重构动作。
本发明的重构决策模块输出流程如图5所示。由于航天器可用配置一般只有十几个或者几十个，可以采用穷举遍历的方式，利用神经网络计算每一状态-动作对的Q值。重构决策模块的决策流程为：
1)遍历可用的系统配置，对于每一种配置对应的动作，将状态-动作编码为01向量；
2)依次将每个动作对应的01向量分别输入任务网络和能耗网络，得到Q函数的估计值；
3)选择总任务收益目标函数值最大的动作作为最优重构动作，若有多个，选择总控制能耗目标函数值最小的一个。
本发明的神经网络映射方式示意图如图6所示。神经网络映射方式一般有两种：第一种是以状态作为输入，输出不同重构动作对应的Q值；第二种是以状态和动作作为输入，输出在该状态下执行该重构动作对应的Q值。第二种方式使用的是一种单输出网络，其设计更加简单；同时考虑到在训练过程中，神经网络不必输出所有动作的Q值，本发明采用第二种映射方式，该种方式更加简单，同时还可以避免不必要的计算，大大较少计算量。
本发明的任务网络和能耗网络迭代训练流程如图7所示，详细叙述如下：
1)通过重构决策模块获得当前时刻状态下的最优重构动作；
2)计算当前系统状态下，采用当前重构动作所对应的任务效用函数和能耗效用函数值；
3)执行重构动作，通过状态转移获得下一时刻的状态；
4)通过重构决策模块获得下一时刻状态下的最优重构动作；
5)通过任务网络获得下一时刻状态下执行最优重构动作对应的总任务收益估计值；通过能耗网络获得下一时刻状态下执行最优重构动作对应的总控制能耗估计值；
6)通过任务网络获得当前时刻状态下执行最优重构动作对应的总任务收益估计值；通过能耗网络获得当前时刻状态下执行最优重构动作对应的总控制能耗估计值；
7)分别计算任务网络和能耗网络的训练误差；
8)利用训练误差更新任务网络和能耗网络的权值；
判断训练迭代次数是否达到设定的最大迭代次数，若没有达到最大迭代次数，重复步骤6到8；否则，结束k时刻的训练。

Claims (10)

1.面向多任务多指标优化约束的航天器ACS在轨重构方法，其特征在于，以系统故障信息、系统状态信息以及多任务约束信息为决策因素，以总任务收益最大和总控制能耗最小为控制目标，在BOADP框架下通过近似求解HJB方程的方式确定首先满足总任务收益最大控制目标其次满足总控制能耗最小控制目标的最优重构策略。
2.根据权利要求1所述面向多任务约束的航天器ACS在轨重构方法，其特征在于，在BOADP框架下通过近似求解HJB方程的方式确定首先满足任务收益最大控制目标其次满足控制能耗最小控制目标的最优重构策略的具体方法为：根据系统故障信息和系统状态信息确定体现了多任务约束信息的任务收益效用函数和能耗效用函数，通过在时间维度上折扣效用函数后并累加的方式确定总任务收益性能指标函数和总控制能耗性能指标函数，由两个效用函数和两个性能指标函数得到HJB方程形式的迭代控制律，采用迭代算法近似拟合迭代控制律的目标函数进而确定最优重构策略。
3.根据权利要求2所述面向多任务约束的航天器ACS在轨重构方法，其特征在于，根据系统故障信息和系统状态信息确定体现了多任务约束信息的任务收益效用函数的方法为：根据k时刻的状态量sk、k时刻的重构动作ak构建体现了在k时刻的状态sk下执行重构动作ak的任务收益效用函数Ut(sk,ak)为：其中，rt(Γ)为执行任务Γ所获得的任务收益。
4.根据权利要求3所述面向任务约束的航天器ACS在轨重构方法，其特征在于，通过在时间维度上折扣任务效用函数后并累加的方式确定的总任务收益性能指标函数Jt(sk)为：其中，γ为折扣因子，0＜γ≤1，N为任务个数，Ut(sk+j,ak+j)为在k+j时刻的状态sk+j下执行重构动作ak+j的任务收益效用函数值。
5.根据权利要求2所述面向多任务约束的航天器ACS在轨重构方法，其特征在于，根据系统故障信息和系统状态信息确定体现了多任务约束信息的能耗效用函数的方法为：根据k时刻的状态量sk、k时刻的重构动作ak构建体现了在k时刻的状态sk下执行重构动作ak的能耗效用函数Ue(sk,ak)为：Ue(sk,ak)＝Ub(sk,ak)+(1-α)Uf(sk,ak)，其中，Ub(sk,ak)为电能消耗惩罚项，Ub(sk,ak)的值等于使用飞轮进行姿态控制时产生的控制能耗，Uf(sk,ak)为燃料消耗惩罚项，Uf(sk,ak)的值等于使用推力器进行姿态控制时的控制能耗，α为权值比例项，0＜α≤1。
6.根据权利要求5所述面向多任务约束的航天器ACS在轨重构方法，其特征在于，通过在时间维度上折扣任务效用函数后并累加的方式确定的总控制能耗性能指标函数Je(sk)为：其中，γ为折扣因子，0＜γ≤1，N为任务个数。
7.根据权利要求2所述面向多任务约束的航天器ACS在轨重构方法，其特征在于，由两个效用函数和两个性能指标函数得到HJB方程形式的迭代控制律为：其中，π*(sk)为k时刻的最优重构策略，Θ’为使总任务收益最大的动作集合，Qt(sk,ak)为总任务收益目标函数，Qe(sk,ak)为总控制能耗目标函数，Ut(sk,ak)为在k时刻的状态sk下执行重构动作ak的任务收益效用函数，为k+1时刻的最优总任务收益性能指标，Jt(sk+1)为k+1时刻总任务收益性能指标函数的值，Ue(sk,ak)为在k时刻的状态sk下执行重构动作ak的能耗效用函数，为k+1时刻的最优总控制能耗性能指标，Je(sk+1)为k+1时刻总控制能耗性能指标函数的值，Θ为k时刻状态sk下可执行动作的集合，γ为折扣因子，0＜γ≤1。
8.根据权利要求7所述面向多任务约束的航天器ACS在轨重构方法，其特征在于，采用迭代算法近似拟合迭代控制律的目标函数进而确定最优重构策略的方法为：采用神经网络将k时刻的状态量及其对应的最优重构动作映射为k时刻的总任务收益目标函数的估计值，采用神经网络将k时刻的状态量及其对应的最优重构动作映射为k时刻的总控制能耗目标函数的估计值，采集两个神经网络执行k时刻最优重构动作后系统在k+1时刻的状态量并确定k+1时刻状态量对应的最优重构动作，根据k+1时刻的状态量及其对应的最优重构动作计算两个神经网络的训练误差，根据两个神经网络的训练误差分别修正两个神经网络的权值后进行下一次迭代训练，周而复始地，直至训练次数达到最大迭代次数时输出最优重构策略。
9.根据权利要求1至8中任意一项所述面向多任务约束的航天器ACS在轨重构方法，其特征在于，所述多任务约束信息包含但不限于任务窗口、任务姿态与控制精度、任务优先级、控制能耗。
10.根据权利要求1至8中任意一项所述面向多任务约束的航天器ACS在轨重构方法，其特征在于，所述系统状态信息包含但不限于姿态角和角速度、当前系统配置、当前任务、当前时间。
CN201810256059.5A 2018-03-27 2018-03-27 面向多任务多指标优化约束的航天器acs在轨重构方法 Active CN108594638B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810256059.5A CN108594638B (zh) 2018-03-27 2018-03-27 面向多任务多指标优化约束的航天器acs在轨重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810256059.5A CN108594638B (zh) 2018-03-27 2018-03-27 面向多任务多指标优化约束的航天器acs在轨重构方法

Publications (2)

Publication Number Publication Date
CN108594638A true CN108594638A (zh) 2018-09-28
CN108594638B CN108594638B (zh) 2020-07-24

Family

ID=63623736

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810256059.5A Active CN108594638B (zh) 2018-03-27 2018-03-27 面向多任务多指标优化约束的航天器acs在轨重构方法

Country Status (1)

Country Link
CN (1) CN108594638B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110329548A (zh) * 2019-05-24 2019-10-15 中国人民解放军63789部队 航天器在轨转偏置控制下飞轮系统重构方法
CN111240207A (zh) * 2020-01-21 2020-06-05 北京空间飞行器总体设计部 一种适用于航天器平台系统的可重构性设计方法
CN111538349A (zh) * 2020-04-17 2020-08-14 中国海洋大学 面向多任务的长航程auv自主决策方法
CN112256961A (zh) * 2020-10-19 2021-01-22 平安科技（深圳）有限公司 用户画像生成方法、装置、设备及介质
WO2021017227A1 (zh) * 2019-07-30 2021-02-04 北京邮电大学 无人机轨迹优化方法、装置及存储介质
CN113158343A (zh) * 2021-04-21 2021-07-23 北京控制工程研究所 一种航天器能力建模方法和系统
CN113312114A (zh) * 2021-06-29 2021-08-27 北京微纳星空科技有限公司 星载软件的在轨重构方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104794281A (zh) * 2015-04-22 2015-07-22 大连理工大学 一种基于自适应代理模型的平动点航天器编队重构方法
CN106339553A (zh) * 2016-08-29 2017-01-18 华东师范大学 一种空间飞行器的重构飞行控制方法及系统
US20170338556A1 (en) * 2013-03-15 2017-11-23 Orbital Sciences Corporation Systems and methods for reconfigurable faceted reflector antennas
CN107608208A (zh) * 2017-08-24 2018-01-19 南京航空航天大学 一种面向任务约束的航天器姿态控制系统在轨重构方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170338556A1 (en) * 2013-03-15 2017-11-23 Orbital Sciences Corporation Systems and methods for reconfigurable faceted reflector antennas
CN104794281A (zh) * 2015-04-22 2015-07-22 大连理工大学 一种基于自适应代理模型的平动点航天器编队重构方法
CN106339553A (zh) * 2016-08-29 2017-01-18 华东师范大学 一种空间飞行器的重构飞行控制方法及系统
CN107608208A (zh) * 2017-08-24 2018-01-19 南京航空航天大学 一种面向任务约束的航天器姿态控制系统在轨重构方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
胡宇桑 等: "卫星姿控系统可重构性综合评价方法研究", 《宇航学报》 *
陈嘉文 等: "面向任务约束的航天器姿控系统在轨重构算法", 《宇航学报》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110329548A (zh) * 2019-05-24 2019-10-15 中国人民解放军63789部队 航天器在轨转偏置控制下飞轮系统重构方法
WO2021017227A1 (zh) * 2019-07-30 2021-02-04 北京邮电大学 无人机轨迹优化方法、装置及存储介质
CN111240207A (zh) * 2020-01-21 2020-06-05 北京空间飞行器总体设计部 一种适用于航天器平台系统的可重构性设计方法
CN111538349A (zh) * 2020-04-17 2020-08-14 中国海洋大学 面向多任务的长航程auv自主决策方法
CN111538349B (zh) * 2020-04-17 2021-03-23 中国海洋大学 面向多任务的长航程auv自主决策方法
CN112256961A (zh) * 2020-10-19 2021-01-22 平安科技（深圳）有限公司 用户画像生成方法、装置、设备及介质
CN112256961B (zh) * 2020-10-19 2024-04-09 平安科技（深圳）有限公司 用户画像生成方法、装置、设备及介质
CN113158343A (zh) * 2021-04-21 2021-07-23 北京控制工程研究所 一种航天器能力建模方法和系统
CN113158343B (zh) * 2021-04-21 2023-12-12 北京控制工程研究所 一种航天器能力建模方法和系统
CN113312114A (zh) * 2021-06-29 2021-08-27 北京微纳星空科技有限公司 星载软件的在轨重构方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN108594638B (zh) 2020-07-24

Similar Documents

Publication Publication Date Title
CN108594638A (zh) 面向多任务多指标优化约束的航天器acs在轨重构方法
CN111351488B (zh) 飞行器智能轨迹重构再入制导方法
Stano et al. Model predictive path tracking control for automated road vehicles: A review
CN103164742B (zh) 一种基于粒子群优化神经网络的服务器性能预测方法
Wang et al. A proposal of adaptive PID controller based on reinforcement learning
CN107608208A (zh) 一种面向任务约束的航天器姿态控制系统在轨重构方法
Shahgoshtasbi et al. A new intelligent neuro–fuzzy paradigm for energy-efficient homes
CN110515708A (zh) 卫星在轨自主任务规划方法及系统
CN102645894B (zh) 模糊自适应动态规划方法
CN115481779A (zh) 一种基于联邦强化学习的卫星资源调度优化方法
CN113141012B (zh) 电网潮流调控决策推理方法
Ma et al. Conservative and adaptive penalty for model-based safe reinforcement learning
CN114415735A (zh) 面向动态环境的多无人机分布式智能任务分配方法
Liu et al. Multi-agent reinforcement learning-based coordinated dynamic task allocation for heterogenous UAVs
CN114004065A (zh) 基于智能算法和环境约束下的变电站工程多目标优化方法
Peng et al. Model-based actor-critic with chance constraint for stochastic system
Jang et al. Offline-online reinforcement learning for energy pricing in office demand response: lowering energy and data costs
CN117055605A (zh) 多无人机姿态控制方法及系统
CN114740710A (zh) 一种随机非线性多智能体的强化学习优化编队控制方法
Morcego et al. Reinforcement Learning versus Model Predictive Control on greenhouse climate control
Zhao et al. A hybrid grey wolf optimizer using opposition-based learning, sine cosine algorithm and reinforcement learning for reliable scheduling and resource allocation
CN114757101A (zh) 一种面向非时敏移动目标跟踪的单星自主任务调度方法及系统
Song et al. Adaptive dynamic event-triggered control for constrained modular reconfigurable robot
Bessette et al. Optimal space trajectory design: a heuristic-based approach
CN113449867B (zh) 一种基于知识蒸馏的深度强化学习多智能体协作方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant