CN112417645A - 一种火星探测器制动捕获多目标优化方法及系统 - Google Patents

一种火星探测器制动捕获多目标优化方法及系统 Download PDF

Info

Publication number
CN112417645A
CN112417645A CN202011119120.5A CN202011119120A CN112417645A CN 112417645 A CN112417645 A CN 112417645A CN 202011119120 A CN202011119120 A CN 202011119120A CN 112417645 A CN112417645 A CN 112417645A
Authority
CN
China
Prior art keywords
mars
capture
optimization
objective
brake
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
CN202011119120.5A
Other languages
English (en)
Other versions
CN112417645B (zh
Inventor
赵晶
曲相宇
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.)
Qilu University of Technology
Original Assignee
Qilu University of Technology
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 Qilu University of Technology filed Critical Qilu University of Technology
Priority to CN202011119120.5A priority Critical patent/CN112417645B/zh
Publication of CN112417645A publication Critical patent/CN112417645A/zh
Application granted granted Critical
Publication of CN112417645B publication Critical patent/CN112417645B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Feedback Control In General (AREA)

Abstract

本公开提供了一种火星探测器制动捕获多目标优化方法及系统，所述方案提高了粒子的收敛速度，增强粒子的全局搜索能力和局部开发能力，首先在粒子速度更新过程中引入新的速度引导方向并融入收缩控制因子，然后提出基于精英库的非支配解多样性评估机制，利用非支配解的多样性信息评估精英库外部存档中最优解的分布状态，设计全局最优解选择机制。利用全局最优选择机制选出的粒子引导算法不断优化；将本公开应用在火星探测器制动捕获过程中，同时考虑制动目标轨道精度和燃料消耗，相对于传统方法，在相同条件下更易收敛到最优解。

Description

一种火星探测器制动捕获多目标优化方法及系统
技术领域
本公开涉及多目标优化技术领域，尤其涉及一种火星探测器制动捕获多目标优化方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
传统的火星探测器制动捕获优化策略包括有限推力模型下推力惯性定向、推力速度反向、推力匀速转动三种火星探测捕获策略，以及火星探测器近火点捕获制动以及姿态轨道耦合控制等问题，而针对多目标优化火星探测器制动捕获的方法研究很少。
现有的多目标优化算法主要分为基于Pareto支配的方法和基于分解的方法。基于Pareto支配框架的核心思想就是通过Pareto支配关系来筛选解。由于经常会出现两个解互不支配的情况，基于Pareto支配框架的算法中还需要引入一种多样性维持策略来进一步筛选解。目前基于Pareto支配的方法发展出了精英策略，运用不同的方法选取精英粒子引导算法优化。基于分解的多目标进化算法是将多目标问题转化为多个单目标子问题，然后通过线性的或非线性的聚合函数来实现，然后子问题之间协同进化，最终的多目标优化问题的解由每个子问题的解组成。
在算法收敛性方面，加快收敛速度和避免搜索陷入局部最优解是主要的改进方向。目前改进粒子收敛性方法主要有惯性系数w调整、近邻拓扑结构重构或构建新的多样性评价策略；在用于保存非支配解的外部存档方面，主要方法是在外部存档饱和后如何剔除多余的非劣解，主要方法有拥挤度距离排序、剪枝策略和基于参考点的外部档案维护方法。
发明人发现传统多目标优化算法在多目标优化问题领域一直有两个问题-- 多样性和收敛性；特别是在火星探测器制动捕获方面，其对于制动捕获的求解效率以及精度具有更高的要求；对于Pareto支配方法来说，如何选择全局最优解是首要的解决问题，但对于不同的多目标问题，解决效果往往参差不齐。对于分解方法主要存在两方面问题，一是对聚合函数的依赖性过强，对于同一个优化问题，选择不同聚合函数的优化效果差距很大；二是分解方法采用的线性分布的权重向量与问题真实的Pareto最优前沿分布不一致时，最后得到的Pareto最优前沿的分布性通常比较差。在火星探测器的制动捕获方面，目标轨道精度和燃料消耗两个方面往往是互相约束的两个目标，只提高轨道精度意味着燃料的大量消耗，导致资源浪费成本增加，而燃料不足更会导致探测器无法运行，因此，如何有效提高火星探测器制动捕获的多目标优化的效率和精度是急需解决的问题。
发明内容
本公开为了解决上述问题，提供一种火星探测器制动捕获多目标优化方法及系统；所述方案基于多目标粒子群优化算法引入新的速度引导方向并融入收缩控制因子来增强粒子的全局搜索能力和局部开发能力；并通过精英库中非支配解的多样性信息评估最优解的分布状态，设计全局最优解选择机制自适应选择最优解，提高算法的多样性。
根据本公开实施例的第一个方面，提供了一种火星探测器制动捕获多目标优化方法，包括：
获取火星探测器的状态参数，确定推力沿速度反向的捕获策略中火星探测器制动捕获阶段的动力学方程；
利用终端位置误差和燃料消耗动态加权构造目标函数，并确定火星探测器制动捕获的相关约束；
利用改进的多目标粒子群算法对所述目标函数进行求解，获得最优的制动捕获策略。
进一步的，所述火星探测器的状态参数包括位置、速度和质量，其在在推力沿速度反向的捕获策略中火星探测器制动捕获阶段满足动力学方程：
Figure RE-GDA0002883766010000031
其中，μ为火星的引力常数，F为发动机的推力大小，Isp为发动机比冲，g0为地球海平面的平均重力加速度，单位为国际单位制；当制动捕获发动机工作时， F为常值推力，当制动捕获发动机不工作时F＝0。
进一步的，所述目标函数遵循的约束条件包括探测器制动约束、探测器状态参数约束、探测器终端时刻约束；所述目标函数的优化既要满足工程约束又要在保证可靠性的前提下降低燃料消耗。
进一步的，所述改进的多目标粒子群算法是基于传统的多目标粒子群算法，在速度更新步骤进行了改进，增加了从pbest(个体最优)到gbest(全局最优)的搜索方向，为了避免加入新的搜寻方向对粒子寻优影响过大而削弱学习因子c1和 c2的作用，更好地提升算法收敛速度和精度，融入了由两个学习因子c1和c2决定的速度收缩因子，使得粒子在新速度更新中既增加了方向的精细性，又保持了全局搜索能力和局部勘探能力。
进一步的，为了避免传统的多目标粒子群算法优化过程中容易出现早熟现象，导致算法陷入局部最优，所述改进的多目标例子群算法在保证收敛性的情况下根据多样性信息选择最优的全局最优解。
进一步的，所述多样性信息包括种群多样性信息和非支配解多样性信息。
进一步的，所述多目标优化方法增加了一种基于精英库的多样性信息的外部存档更新机制，用于外部存档更新；所述外部存档主要用于存储粒子在迭代过程中求得的较好的非支配解，当非支配解的数量达到最大容量时，剔除多余的非支配解。
根据本公开实施例的第二个方面，提供了一种火星探测器制动捕获多目标优化系统，包括：
数据采集模块，其用于获取火星探测器的状态参数；
目标函数构建模块，其用于确定推力沿速度反向的捕获策略中火星探测器制动捕获阶段的动力学方程；利用终端位置误差和燃料消耗动态加权构造目标函数，并确定火星探测器制动捕获的相关约束；
优化求解模块，其用于利用改进的多目标粒子群算法对所述目标函数进行求解，获得最优的制动捕获策略。
根据本公开实施例的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现所述的一种火星探测器制动捕获多目标优化方法。
根据本公开实施例的第四个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的一种火星探测器制动捕获多目标优化方法。
与现有技术相比，本公开的有益效果是：
(1)本公开所述方案能够有效满足火星探测器目标轨道精度要求和燃料消耗的同步优化，同时，通过对传统多目标粒子群算法的改进，有效提高了火星探测器制动捕获的优化效率和精度。
(2)本公开所述方案利用粒子速度更新过程中引入新的速度引导方向并融入速度收缩因子来增强粒子的全局搜索能力和局部开发能力；提出基于精英库的非支配解多样性评估机制，利用非支配解的多样性信息评估精英库外部存档中最优解的分布状态，设计全局最优解选择机制以选择当前状态下最优精英对粒子进行引导，有效提高了火星探测器制动捕获多目标优化的效率。
(3)针对此前提出多目标粒子群算法收敛慢、易陷入局部最优和不能很好地覆盖Pareto前沿的问题，本公开设计了一种基于速度约束和全局多样性的多目标优化方法。在该方法中，通过改进速度更新公式和全局多样性信息选取最优解来提升算法的性能，将粒子速度方向控制、全局最优选择策略、精英库外部档案维护策略较好地统一在一起，本方法能够获得较好的Pareto最优前沿分布特性和较快的收敛速率。
本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1(a)至图1(e)分别为本公开实施例一中所述的在测试问题ZDT1、ZDT2、 ZDT3、ZDT4、ZDT6的Pareto曲线示意图；
图2为本公开实施例一中所述的在测试问题DTLZ2的Pareto曲线；
图3为本公开实施例一中所述的多目标优化方法与传统单目标优化结果的对比结果示意图；
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本公开使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一：
本实施例的目的是提供一种火星探测器制动捕获多目标优化方法。
一种火星探测器制动捕获多目标优化方法，包括：
获取火星探测器的状态参数，确定推力沿速度反向的捕获策略中火星探测器制动捕获阶段的动力学方程；
利用终端位置误差和燃料消耗动态加权构造目标函数，并确定火星探测器制动捕获的相关约束；
利用改进的多目标粒子群算法对所述目标函数进行求解，获得最优的制动捕获策略。
具体的，火星探测器的状态参数包括探测器位置r、探测器速度v和探测器质量m，则在推力沿速度反向的捕获策略中火星探测器制动捕获阶段满足动力学方程:
Figure RE-GDA0002883766010000071
其中，μ为火星的引力常数；F为发动机的推力大小；Isp为发动机比冲；g0为地球海平面的平均重力加速度，单位为国际单位制。当制动捕获发动机工作时，F为常值推力，当制动捕获发动机不工作时F＝0。
进一步的，在火星探测器制动捕获过程中需要满足以下约束：
a.火星探测器制动约束
假定整个火星探测器制动捕获过程的初始时刻为t0，终端时刻为tf，制动捕获过程中发动机的开机时刻为t1，开机时长为td，则制动捕获过程的时间约束为:
Figure RE-GDA0002883766010000072
其中，tmax为制动捕获过程所允许的最长时间tdmax为制动捕获发动机的最大开机时长，由制动捕获发动机的比冲和燃料的质量决定。
b.根据几何关系，初始时刻火星探测器状态参数约束为:
Figure RE-GDA0002883766010000081
其中，Rdin为火星影响球半径；m0为火星探测器初始质量；δ、θ、ψ满足以下关系:
Figure RE-GDA0002883766010000082
c.终端时刻的约束为目标轨道的半长轴a和偏心率e，设终端时刻的位置和速度参量分别为r(tf)和v(tf)，由二体问题的能量积分和动量矩积分可得终端时刻约束为:
Figure RE-GDA0002883766010000083
由公式(1)～公式(5)可知，火星探测器制动捕获模型是一个复杂的具有多约束、非线性耦合特性的时变系统，同时，火星探测器的制动捕获不仅要满足工程约束，而且要在保证可靠性的前提下尽量降低燃料消耗。
假定目标轨道的近火点和远火点半径分别为rpc和rac，该轨道参数需综合考虑燃料约束、捕获轨道的椭圆拱线方向约束以及轨道倾角、升交点赤经、近地点幅角、真近点角、半长轴、偏心率等约束在任务设计时确定；从t0时刻开始火星探测器从火星影响球边界出发，在t∈[0，t1]的范围内按公式(1)中(F＝0) 进行积分，得到火星探测器在制动捕获发动机开机之前的状态；在t∈[t1，t1+td] 的范围内按照公式(1)中(F＝const)进行积分，得到制动捕获发动机关机之后的状态，并将其转化为轨道根数.如果轨道偏心率e≥1，则表示制动捕获失败，此时设误差函数为无穷大；如果轨道偏心率e＜1，则计算此时轨道的近火点半径 rpf和远火点半径raf，由此可得位置误差函数为:
Figure RE-GDA0002883766010000091
火星探测器制动捕获优化，不仅要保证能够完成制动捕获任务，且要尽可能地节约燃料消耗，因此，还要考虑制动捕获过程的燃料消耗Δm。考虑到Δr和Δm物理特性的不同，本公开采用终端位置误差Δr和燃料消耗Δm动态加权作为优化的目标，由此，确定火星探测器制动捕获的目标函数为:
Figure RE-GDA0002883766010000092
其中，Δr为终端轨道参数和目标轨道参数的位置误差，Δm为制动捕获过程中燃料消耗量，r0(t)为位置误差的归一化参数，是待优化变量。
因此，在推力沿速度反向的制动捕获方案中，需要优化的变量有:制动捕获发动机开机时刻t1和开机时长td，火星探测器进入火星，影响球边界的双曲线近火点半径rp以及位置误差归一化参数r0(t)，各参数的取值范围为:
Figure RE-GDA0002883766010000093
其中，rpmin、rpmax分别为进入火星影响球边界时双曲线轨道近火点半径的最小值和最大值，r0min、r0max分别为位置误差归一化参数的最小值和最大值。
假定火星探测器进入火星影响球的剩余速度为V∞＝3.55km/s，目标轨道的近火点和远火点半径分别为rpc＝3995.0km和rac＝103395.0km分别采用单目标优化 (目标函数为位置误差)和多目标动态优化(目标函数为位置误差和燃料消耗的动态加权)策略进行100次优化实验，目标轨道捕获精度和燃料消耗如附图3所示。
进一步的，所述利用改进的多目标粒子群算法对所述目标函数进行求解的具体步骤如下：
本公开以多目标粒子群优化算法解决多目标优化问题为基础进行构建，包括粒子速度更新改进、外部存档更新和全局最优选择机制。利用粒子速度更新过程中引入新的速度引导方向并融入收缩控制因子来增强粒子的全局搜索能力和局部开发能力；通过精英库中非支配解的多样性信息评估最优解的分布状态，设计全局最优解选择机制自适应选择最优解，提高算法的多样性。利用改进的多目标粒子群算法解决火星探测器的制动捕获多目标优化问题；本公开中所述的改进的多目标粒子群优化算法是在传统的多目标粒子群算法的基础上进行的改进，对于传统的多目标粒子群算法此处不再赘述，此处仅对于具体的改进点进行阐述：
a.速度更新
在速度更新时，在传统多目标粒子群算法基础上加入pbest到gbest的搜索方向。为了避免加入新的搜寻方向对粒子寻优影响过大而削弱学习因子c1和c2的作用，更好地提升算法收敛速度和精度，融入了由两个学习因子c1和c2决定的速度收缩因子，使得粒子在新速度更新中既增加了方向的精细性，又保持了全局搜索能力和局部勘探能力。在该方法中，定义第i个粒子xi的速度更新公式为：
Figure RE-GDA0002883766010000111
其中c1、c2、c3为学习因子；r1、r2、r3为0到1之间的随机数，改进SMOPSO 中的位置更新依然如传统PSO算子的公式一样。
在本方法的速度控制策略中，进一步对粒子的速度中每一维元素越界做了压缩控制：
Figure RE-GDA0002883766010000112
其中Δj＝0.5×(uj-dj)，j＝1，2，...，m，m为目标数，uj和dj分别为每个粒子速度第j元素的上下界限。
b.基于精英库的外部存档更新
本公开设计了一个基于精英库的多样性信息的外部存档更新机制，用于外部存档更新，外部档案主要用于存储粒子在迭代过程中求得的较好的非支配解，当非支配解的数量达到最大容量时，剔除多余的非支配解；本公开提出基于精英库的多样性信息的外部存档更新机制，将不同时期的外部存档用多种规则灵活地进行更新，保留当前外部存档时期最合适的非支配解，最大程度上维护解集的多样性。基本思路如下：设At为第t次迭代后产生的精英库，At由第t次迭代产生的非支配解集Bt和前t-1次迭代保留下来的非支配解集Ct-1组成。如果在第t次迭代后算法产生的解被t-1代精英库At-1中的解支配时，该解不是非支配解，不能进入精英库At；如果精英库At中的解被第t次迭代产生的解所支配时，精英库中该支配解不再为非支配解，将其放入集合Dt-1中。整个过程可以公式化地表示为如下：
Figure RE-GDA0002883766010000121
其中，Disti是第i个非支配解密集属性，dist1i、dist2i是与第i个非支配解相邻非支配解的欧氏距离。非支配解的密集属性越小，表示该非支配解附近越拥挤。
EA(x)＝|{y|y∈Dt-1∧x>y∧x∈Bt}| (12)
其中,Bt是第t次迭代产生的精英库At中的非支配解集，Dt-1是第t次迭代产生的精英库At中所支配的解的集合。当EA(x)为零时，该解支配属性为零。
Figure RE-GDA0002883766010000122
其中，Dave(x)是解x的收敛属性，yi是被解x支配的第i个解。非支配解集Ct-1中解的收敛属性为零，无支配属性的解其收敛属性也为零。
若精英库At容量未满，则非支配解直接进入。若精英库At容量已满，从精英库At中非支配解的多样性考虑，计算精英库At中每个非支配解的密集属性，删减解集Ct-1中密集属性较小的解和非支配解集Bt中支配属性为零的解。如果删减完密集属性较小和支配属性为零的解后仍然超出精英库容量，考虑删减Dt-1集合中支配属性不为零的解。计算此时精英库中非支配解的收敛属性Dave，删减Dave较小的解，若Dave相等，则计算解集Bt中解的支配属性，比较支配属性大小，优先删减支配属性较小的解。
c.全局最优选择机制
由于PSO算法优化过程中容易出现早熟现象，导致算法陷入局部最优，为了更好地跳出局部最优，收敛至全局最优，本公开在保证收敛性的情况下根据多样性信息选择最优的全局最优解,所述多样性信息具体包括种群多样性信息和非支配解多样性信息：
a)种群多样性信息
模型从整个粒子群考虑，种群多样性能反映种群的粒子分布情况。种群多样性不好，有可能导致算法优化过程中寻优速度慢、精度不够。其表达式为：
Figure RE-GDA0002883766010000131
SPp(t+1)是第t+1次迭代粒子群的种群多样性信息，dpi(t+1)是在第t+1次迭代第i个粒子与其他粒子之间最小的曼哈顿距离，
Figure RE-GDA0002883766010000132
是所有的dpi(t+1)的平均值，n1是粒子的个数。
b)非支配解多样性信息
训练从精英库中非支配解的多样性考虑，非支配解的多样性代表了算法在分布性方面的性能，非支配解多样性越好表示算法分布多样性越好。其表达式为：
Figure RE-GDA0002883766010000133
SPn(t+1)是第t+1次迭代的非支配解多样性信息，dni(t+1)是在第t+1次迭代第 i个非支配解与其他非支配解之间最小的曼哈顿距离，
Figure RE-GDA0002883766010000134
是所有的dni(t+1) 的平均值，n2是非支配解的个数。
全局最优解选择机制为：若SPn(t+1)≤α,说明整个精英库非支配解的多样性比较好，从算法角度考虑应提高算法收敛速度，此时全局最优解应选取收敛属性最大的非支配解。若SPn(t+1)>α,说明整个精英库非支配解的多样性比较差，从算法角度考虑应增加粒子分布的多样性，此时全局最优解应选取密集属性最大的非支配解。
实施例二：
本实施例的目的是提供一种火星探测器制动捕获多目标优化系统。
一种火星探测器制动捕获多目标优化系统，包括：
数据采集模块，其用于获取火星探测器的状态参数；
目标函数构建模块，其用于确定推力沿速度反向的捕获策略中火星探测器制动捕获阶段的动力学方程；利用终端位置误差和燃料消耗动态加权构造目标函数，并确定火星探测器制动捕获的相关约束；
优化求解模块，其用于利用改进的多目标粒子群算法对所述目标函数进行求解，获得最优的制动捕获策略。
实施例三：
本实施例的目的是提供一种电子设备。
一种电子设备，包括、存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤，包括：
获取火星探测器的状态参数，确定推力沿速度反向的捕获策略中火星探测器制动捕获阶段的动力学方程；
利用终端位置误差和燃料消耗动态加权构造目标函数，并确定火星探测器制动捕获的相关约束；
利用改进的多目标粒子群算法对所述目标函数进行求解，获得最优的制动捕获策略。
实施例四：
本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤，包括：
获取火星探测器的状态参数，确定推力沿速度反向的捕获策略中火星探测器制动捕获阶段的动力学方程；
利用终端位置误差和燃料消耗动态加权构造目标函数，并确定火星探测器制动捕获的相关约束；
利用改进的多目标粒子群算法对所述目标函数进行求解，获得最优的制动捕获策略。
上述实施例提供的一种火星探测器制动捕获多目标优化方法及系统完全可以实现，具有广阔的应用前景。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (10)

1.一种火星探测器制动捕获多目标优化方法，其特征在于，包括：
获取火星探测器的状态参数，确定推力沿速度反向的捕获策略中火星探测器制动捕获阶段的动力学方程；
利用终端位置误差和燃料消耗动态加权构造目标函数，并确定火星探测器制动捕获的相关约束；
利用改进的多目标粒子群算法对所述目标函数进行求解，获得最优的制动捕获策略。
2.如权利要求1所述的一种火星探测器制动捕获多目标优化方法，其特征在于，所述火星探测器的状态参数包括位置、速度和质量，其在在推力沿速度反向的捕获策略中火星探测器制动捕获阶段满足动力学方程：
Figure FDA0002731366230000011
其中，μ为火星的引力常数，F为发动机的推力大小，Isp为发动机比冲，g0为地球海平面的平均重力加速度，单位为国际单位制；当制动捕获发动机工作时，F为常值推力，当制动捕获发动机不工作时F＝0。
3.如权利要求1所述的一种火星探测器制动捕获多目标优化方法，其特征在于，所述目标函数遵循的约束条件包括探测器制动约束、探测器状态参数约束、探测器终端时刻约束；所述目标函数的优化既要满足工程约束又要在保证可靠性的前提下降低燃料消耗。
4.如权利要求1所述的一种火星探测器制动捕获多目标优化方法，其特征在于，所述改进的多目标粒子群算法是基于传统的多目标粒子群算法，在速度更新步骤进行了改进，增加了从个体最优到全局最优的搜索方向，为了避免加入新的搜寻方向对粒子寻优影响过大而削弱学习因子c1和c2的作用，更好地提升算法收敛速度和精度，融入了由两个学习因子c1和c2决定的速度收缩因子，使得粒子在新速度更新中既增加了方向的精细性，又保持了全局搜索能力和局部勘探能力。
5.如权利要求1所述的一种火星探测器制动捕获多目标优化方法，其特征在于，为了避免传统的多目标粒子群算法优化过程中容易出现早熟现象，导致算法陷入局部最优，所述改进的多目标例子群算法在保证收敛性的情况下根据多样性信息选择最优的全局最优解。
6.如权利要求1所述的一种火星探测器制动捕获多目标优化方法，其特征在于，所述多样性信息包括种群多样性信息和非支配解多样性信息。
7.如权利要求1所述的一种火星探测器制动捕获多目标优化方法，其特征在于，所述多目标优化方法增加了一种基于精英库的多样性信息的外部存档更新机制，用于外部存档更新；所述外部存档主要用于存储粒子在迭代过程中求得的较好的非支配解，当非支配解的数量达到最大容量时，剔除多余的非支配解。
8.一种火星探测器制动捕获多目标优化系统，其特征在于，包括：
数据采集模块，其用于获取火星探测器的状态参数；
目标函数构建模块，其用于确定推力沿速度反向的捕获策略中火星探测器制动捕获阶段的动力学方程；利用终端位置误差和燃料消耗动态加权构造目标函数，并确定火星探测器制动捕获的相关约束；
优化求解模块，其用于利用改进的多目标粒子群算法对所述目标函数进行求解，获得最优的制动捕获策略。
9.一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的一种火星探测器制动捕获多目标优化方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的一种火星探测器制动捕获多目标优化方法。
CN202011119120.5A 2020-10-19 2020-10-19 一种火星探测器制动捕获多目标优化方法及系统 Active CN112417645B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011119120.5A CN112417645B (zh) 2020-10-19 2020-10-19 一种火星探测器制动捕获多目标优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011119120.5A CN112417645B (zh) 2020-10-19 2020-10-19 一种火星探测器制动捕获多目标优化方法及系统

Publications (2)

Publication Number Publication Date
CN112417645A true CN112417645A (zh) 2021-02-26
CN112417645B CN112417645B (zh) 2023-04-07

Family

ID=74841295

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011119120.5A Active CN112417645B (zh) 2020-10-19 2020-10-19 一种火星探测器制动捕获多目标优化方法及系统

Country Status (1)

Country Link
CN (1) CN112417645B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019001220A1 (zh) * 2017-06-26 2019-01-03 江南大学 一种基于决策树的数控车床车削过程能耗预测系统及方法
CN110648067A (zh) * 2019-09-23 2020-01-03 河南工业大学 一种基于改进群智能优化算法的jsp方法及装置
CN111460597A (zh) * 2020-04-02 2020-07-28 电子科技大学 一种基于改进的多目标粒子群优化算法的雷达布站方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019001220A1 (zh) * 2017-06-26 2019-01-03 江南大学 一种基于决策树的数控车床车削过程能耗预测系统及方法
CN110648067A (zh) * 2019-09-23 2020-01-03 河南工业大学 一种基于改进群智能优化算法的jsp方法及装置
CN111460597A (zh) * 2020-04-02 2020-07-28 电子科技大学 一种基于改进的多目标粒子群优化算法的雷达布站方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘博 等: "火星探测器制动捕获多目标优化策略", 《动力学与控制学报》 *

Also Published As

Publication number Publication date
CN112417645B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN108388250B (zh) 一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法
CN112082552A (zh) 基于改进的混合粒子群优化算法的无人机航迹规划方法
CN112016812A (zh) 多无人机任务调度方法、系统及存储介质
CN108376116A (zh) 基于改进粒子群算法的测试用例生成方法
CN108491668A (zh) 一种基于动态多模型融合的飞行器系统优化方法
CN113722980A (zh) 海洋浪高预测方法、系统、计算机设备、存储介质、终端
CN111553469A (zh) 一种无线传感器网络数据融合方法、装置和存储介质
CN113342034A (zh) 一种无人机通道巡检与精细化巡检的组合策略算法
CN112395673A (zh) 基于精英竞争策略的桥梁维护多目标优化方法及系统
CN111832911A (zh) 一种基于神经网络算法的水下作战效能评估方法
CN114996995A (zh) 一种超材料隔振单元性能预报方法和系统
CN115099133A (zh) 一种基于tlmpa-bp的集群系统可靠性评估方法
CN112417645B (zh) 一种火星探测器制动捕获多目标优化方法及系统
Kookalani et al. Shape optimization of GFRP elastic gridshells by the weighted Lagrange ε-twin support vector machine and multi-objective particle swarm optimization algorithm considering structural weight
Mansour et al. Allocating data to multicomputer nodes by physical optimization algorithms for loosely synchronous computations
Grillotti et al. Don't Bet on Luck Alone: Enhancing Behavioral Reproducibility of Quality-Diversity Solutions in Uncertain Domains
Tenne et al. A versatile surrogate-assisted memetic algorithm for optimization of computationally expensive functions and its engineering applications
CN117369244A (zh) 一种基于焊接机器人焊枪位置控制优化方法
Fan et al. An efficient refracted salp swarm algorithm and its application in structural parameter identification
CN115809547A (zh) 基于非支配排序的改进粒子群算法的多智能体协同任务分配方法
Gao et al. Optimal three-dimensional sensor placement for cable-stayed bridge based on dynamic adjustment of attenuation factor gravitational search algorithm
CN109684760B (zh) 基于随机搜索算法的弹性矢量波场数值模拟方法及系统
US6697788B1 (en) Processing device searching for an optimum value of a cost function by using dynamics
CN110286383B (zh) 一种应用于目标跟踪的雷达和红外传感器部署方法
Lian et al. Three-dimensional deployment optimization of sensor network based on an improved Particle Swarm Optimization algorithm

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