CN114818474A - 一种对空间目标“一对多”抵近的燃料最省变轨任务仿真方法 - Google Patents

一种对空间目标“一对多”抵近的燃料最省变轨任务仿真方法 Download PDF

Info

Publication number
CN114818474A
CN114818474A CN202210333449.4A CN202210333449A CN114818474A CN 114818474 A CN114818474 A CN 114818474A CN 202210333449 A CN202210333449 A CN 202210333449A CN 114818474 A CN114818474 A CN 114818474A
Authority
CN
China
Prior art keywords
optimization
layer
approaching
target
target satellite
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.)
Pending
Application number
CN202210333449.4A
Other languages
English (en)
Inventor
蒙波
李志�
黄剑斌
黄良伟
吴耀军
庞羽佳
黄龙飞
韩旭
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.)
China Academy of Space Technology CAST
Original Assignee
China Academy of Space Technology CAST
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 China Academy of Space Technology CAST filed Critical China Academy of Space Technology CAST
Priority to CN202210333449.4A priority Critical patent/CN114818474A/zh
Publication of CN114818474A publication Critical patent/CN114818474A/zh
Pending legal-status Critical Current

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明涉及一种对空间目标“一对多”抵近的燃料最省变轨任务仿真方法，以变轨过程中所需速度增量矢量模最小为目标设计目标函数；设置优化层级，第一层：设置抵近序列优化变量，通过变量大小决定服务飞行器抵达目标卫星的抵近序列；第二、三层：确定每颗目标卫星既满足测控窗口又满足光照窗口的抵近变轨结束时间优化变量的取值范围；确定对各目标卫星的抵近变轨开始时间优化变量的取值范围；第四层：在给定抵近序列下，针对给定的抵近变轨结束时间、抵近变轨开始时间按照上述目标函数进行优化，得到优化结果；按照设定的优化层级顺序，按层级开始优化，从优化结果中选取最优结果得到燃料最省变轨策略。

Description

一种对空间目标“一对多”抵近的燃料最省变轨任务仿真方法
技术领域
本发明属于空间飞行器在轨服务与维护技术领域。
背景技术
在轨服务与维护是航天技术的前沿热点之一，由服务飞行器对空间目标卫星抵近后实施近距离观测、模块更换、燃料加注、辅助变轨等服务操作，可实现目标卫星在轨故障恢复、延长寿命，从而继续发挥在轨应用价值，可产生极大的经济效益。为了对空间目标卫星实施服务与维护操作，前提条件是对目标卫星抵近并零距离停靠。
服务飞行器本身具有造价，对目标卫星抵近、停靠、维修等操作亦需要耗费一定成本，一个服务飞行器对多颗目标卫星抵近维修是实现在轨服务经济效益的必要途径，因此，针对服务飞行器对多颗目标卫星“一对多”抵近的燃料最省变轨任务仿真方法的研究具有非常重要的现实意义。
目前国内外没有与空间“一对多”抵近的燃料最省变轨任务仿真方法相同或相似的公开文献报道与专利。
发明内容
本发明解决的技术问题是：提供一种对空间目标“一对多”抵近的变轨任务仿真方法，适用于在轨服务任务中，高轨服务飞行器在给定时间内对同处于高轨的多个空间目标抵近执行维修任务的变轨控制策略的优化设计，实现抵近过程燃料最省的目的。
本发明解决技术的方案是：一种对空间目标“一对多”抵近的燃料最省变轨任务仿真方法，包括：
服务飞行器采用双脉冲变轨策略对各个目标卫星次序抵近，以变轨过程中所需速度增量矢量模最小为目标设计目标函数；
设置优化层级，其中，
第一层：设置抵近序列优化变量，通过变量大小决定服务飞行器抵达目标卫星的抵近序列；
第二层、第三层：在服务飞行器对全部目标卫星完成抵近的总的时间限制范围内，确定每颗目标卫星既满足测控窗口又满足光照窗口的抵近变轨结束时间优化变量的取值范围；确定对各目标卫星的抵近变轨开始时间优化变量的取值范围；
第四层：在给定抵近序列下，针对给定的抵近变轨结束时间、抵近变轨开始时间按照上述目标函数进行优化，得到优化结果；
按照设定的优化层级顺序，按层级开始优化，从优化结果中选取最优结果得到燃料最省变轨策略。
优选的，通过下述方式完成抵近序列的设置：
对n颗目标卫星按照1、2、…、n进行编号，设置抵近序列S1、S2、…、Sn的取值范围为[0,1]，服务飞行器按照S1、S2、…、Sn中取值由小到大的顺序对其对应编号的目标卫星由先到后抵近。
优选的，通过下述方式确定每颗目标卫星既满足测控窗口又满足光照窗口的抵近变轨结束时间优化变量的取值范围：
在服务飞行器对全部目标卫星完成抵近的总的时间限制范围内，根据地面测控站的位置、可测控方位角与俯仰角、目标卫星的轨道参数计算得出目标卫星的测控窗口区间；
根据目标卫星的轨道参数计算得出目标卫星的光照窗口区间；
测控窗口区间与光照窗口区间取交集，得到服务飞行器对目标卫星可抵近窗口区间；
按照目标卫星被服务飞行器抵近的先后排序，将抵近变轨结束时间优化变量设置为取值大于1的浮点数，依照整数部分代表抵近变轨结束时间属于该目标卫星的哪个抵近窗口，小数部分表示抵近变轨结束时间在窗口中的比例的原则，确定抵近变轨结束时间优化变量的取值范围。
优选的，第i颗目标卫星抵近变轨结束时间优化变量的取值范围为：
Figure BDA0003573764420000031
其中，第i颗目标卫星的可抵近窗口数目为nwi，n代表目标卫星的总数量；b1取值范围[0.5,1)，b2取值范围(1,1.5]。
优选的，对各目标卫星的抵近变轨开始时间优化变量的取值范围为[τi,λi]；
τi＝λi-1+hi-1
式中，λi-1为服务飞行器对第i-1颗目标卫星抵近变轨结束时间；λi为服务飞行器对第i颗目标卫星抵近变轨结束时间；hi-1为服务飞行器对第i-1颗目标维修服务所用的操作时间。
优选的，第四层的优化迭代中采用优化算法对服务飞行器抵近变轨的双脉冲速度增量进行迭代仿真，仿真后计算服务飞行器抵近时，太阳光到服务飞行器矢量、目标卫星到服务飞行器矢量之间的夹角，若夹角小于顺光约束角，则判定顺光观测条件不成立，将双脉冲速度增量模的和置为1个很大的数，该很大的数要大于优化算法优化后结果的量级。
优选的，所述优化算法采用Lambert算法。
优选的，按照下述方式按层级开始优化：
第一层优化变量在取值范围内获得定值，第二层根据第一层的定值迭代寻优，第二层寻优过程中，第三层需要根据第二层的优化变量定值迭代，第三层寻优过程中，第四层需要根据第三层的优化变量定值迭代。
优选的，优化顺序如下：
当第四层完成迭代后，第三层改变优化变量取值，第四层根据第三层取值再次迭代，直至第三层完成迭代；当第三层完成迭代后，第二层改变优化变量取值，第三层根据第二层取值再次迭代，直至第二层完成迭代；当第二层完成迭代后，第一层改变优化变量取值，第二层根据第一层取值再次迭代，直至第一层完成全部取值的迭代，此时优化仿真完成。
优选的，每层完成迭代的条件为预设的最大迭代次数。
本发明与现有技术相比的有益效果是：
(1)本发明提供的高轨服务飞行器对同处于高轨的多个空间目标抵达交会的变轨策略，给出了服务飞行器针对n个目标次序抵近的燃料最省的变轨序列仿真计算方法，可实现在给定时间约束下燃料最省的“一对多”抵达的变轨交会；
(2)本发明综合考虑服务飞行器对多个目标变轨过程中的测控、光照、时间等约束，对服务飞行器向多个目标先后变轨抵近的全过程轨道机动策略采用遗传、蚁群、粒子群等优化算法进行了优化设计。优化设计变量众多，包括服务飞行器对多个目标的抵近次序、开始抵近时间、结束抵近时间、变轨速度增量的矢量值，设定目标卫星数目为n，则优化变量数目达到9n，变量数目增多导致优化设计规模庞大、难以收敛。针对此问题，本发明提出4层次优化策略，第1层优化抵近次序，第2层优化结束抵近时间，第3层优化开始抵近时间，第4层优化变轨速度增量的矢量值。优化目标为服务飞行器完成对全部目标抵近任务所消耗的变轨速度增量最小，亦即燃料最省。寻优搜索过程中，在4层次优化策略下仿真计算目标函数，有效提高了收敛速度。本发明四层优化避免了优化变量过多难以收敛的问题。
附图说明
图1服务飞行器开始轨道机动
图2服务飞行器抵近目标卫星3
图3服务飞行器抵近目标卫星4
图4服务飞行器抵近目标卫星2
图5服务飞行器抵近目标卫星1
具体实施方式
下面结合实施例对本发明作进一步阐述。
本发明涉及一种对空间目标“一对多”抵近的变轨任务仿真方法，适用于在轨服务任务中，高轨服务飞行器在给定时间内对同处于高轨的多个空间目标抵近执行维修任务的变轨控制策略的优化设计，实现抵近过程燃料最省的目的。
一种对空间目标“一对多”抵近的燃料最省变轨任务仿真方法，其实施步骤如下：
(1)设计目标函数
本发明的目的是面向空间“一对多”抵近任务，寻找的燃料最省变轨任务仿真方法。首先需要设计目标函数。
设置“一对多”抵近任务的目标卫星数目为n，服务飞行器采用双脉冲变轨策略对各个目标卫星次序抵近，对第i颗目标卫星进行抵近的开始变轨所需速度增量矢量模为Δvi1，结束变轨所需速度增量矢量模为Δvi2，则“一对多”抵近任务的目标函数为：
Figure BDA0003573764420000051
(2)设计优化变量
优化变量包括：
1)服务飞行器对n颗目标卫星的抵近序列S1、S2、…、Sn，变量数目为n；
2)服务飞行器对第i颗目标卫星进行抵近的开始变轨时间ti1，开始变轨速度增量Δvix1、Δviy1、Δviz1，结束变轨时间ti2，结束变轨速度增量Δvix2、Δviy2、Δviz2，对应每颗目标卫星变量数目为8，n颗目标卫星的变量数目为8n。
优化变量总数为9n。可见随着目标卫星数目的增多，优化变量数目随之急剧增加，导致“一对多”抵近变轨策略的优化收敛存在很大困难。
(3)四层优化设计
为了解决优化变量数目多导致优化收敛难的问题，采用四层优化设计方法：
1)第一层：生成抵近序列
对n颗目标卫星按照1、2、…、n进行编号，设置抵近序列S1、S2、…、Sn的取值范围为[0,1]，优化迭代中，服务飞行器按照S1、S2、…、Sn中取值由小到大的顺序对其对应编号的目标卫星由先到后抵近。
2)第二层：生成对各目标卫星的抵近变轨结束时间
在第一层抵近序列给定的情况下，按照该序列生成对各目标卫星的抵近变轨结束时间。
服务飞行器对目标卫星实施抵近停靠是非常复杂的操作，通常需要在地面测控支持条件下进行，同时抵近过程中需要服务飞行器对目标卫星进行精细测量，需要顺光观测条件的支持，因此对目标卫星的抵近变轨结束时间要满足同时处于测控区和顺光观测区的要求。
在服务飞行器对全部目标卫星完成抵近的总的时间限制范围内，根据地面测控站的位置、可测控方位角与俯仰角、目标卫星的轨道参数等可计算得出目标卫星的测控窗口区间。根据目标卫星的轨道参数可计算得出目标卫星的光照窗口区间。测控窗口区间与光照窗口区间取交集，得到服务飞行器对目标卫星可抵近窗口区间。设第i颗目标卫星的可抵近窗口数目为nwi，则其可抵近窗口区间可表示为：
Figure BDA0003573764420000061
式中tis1表示第1个窗口的开始时间，tis2表示第2个窗口的结束时间，以此类推。
按照目标卫星被服务飞行器抵近的先后排序，第i颗目标卫星抵近变轨结束时间优化变量的取值范围为：
Figure BDA0003573764420000062
式中b1可取为接近1的小数，比如0.75；b2可取为超过1的小数，比如1.25。
由上式可见，在优化迭代中，抵近变轨结束时间优化变量将取值为大于1的浮点数，设其整数部分为k，代表抵近变轨结束时间属于该目标卫星的第k个抵近窗口，小数部分为p，表示抵近变轨结束时间在窗口中的比例。比如优化变量取值2.6表示抵近变轨结束时间为tis2+0.6×(tie2-tis2)。
3)第三层：生成对各目标卫星的抵近变轨开始时间
设服务飞行器对第i颗目标卫星完成服务操作的时间为τi，其计算方法为：
τi＝λi-1+hi-1
式中λi-1为服务飞行器对第i-1颗目标卫星抵近变轨结束时间。hi-1为服务飞行器对第i-1颗目标维修服务所用的操作时间，作为变轨任务仿真的输入值。
生成对各目标卫星的抵近变轨开始时间优化变量的取值范围为：
[τi,λi]
4)第四层：仿真生成对各目标卫星的抵近变轨的双脉冲速度增量
根据前面三层优化给定的条件，可以获知服务飞行器抵近变轨的开始时间、结束时间，则可根据服务飞行器上一状态的轨道参数外推得出服务飞行器变轨开始时轨道参数，根据目标卫星初始时刻轨道参数外推得出服务飞行器变轨结束时轨道参数，那么将开始变轨的时间与轨道参数，结束变轨的时间与轨道参数作为变轨的初始点与终点，可采用Lambert算法对服务飞行器抵近变轨的双脉冲速度增量进行迭代仿真。优化目标为两次脉冲速度增量模的和最小。
飞行器对目标卫星抵近，需要对目标进行光学探测，要求飞行器在抵近目标卫星时，应对目标卫星处于顺光观测状态。计算服务飞行器抵近时，太阳光到服务飞行器矢量、目标卫星到服务飞行器矢量之间的夹角，若夹角小于顺光约束角(比如90°)，则判定顺光观测条件不成立，将两次脉冲速度增量模的和置为1个很大的数(比如1×1016)。
5)四层次优化方法
第一层优化变量在取值范围内获得定值后，第二层根据第一层的定值迭代寻优，第二层寻优过程中，第三层需要根据第二层的优化变量定值迭代，第三层寻优过程中，第四层需要根据第三层的优化变量定值迭代。
当第四层完成迭代后，第三层改变优化变量取值，第四层根据第三层取值再次迭代，直至第三层完成全部取值的迭代；当第三层完成迭代后，第二层改变优化变量取值，第三层根据第二层取值再次迭代，直至第二层完成全部取值的迭代；当第二层完成迭代后，第一层改变优化变量取值，第二层根据第一层取值再次迭代，直至第一层完成全部取值的迭代，此时优化仿真完成，可得到服务飞行器针对多颗目标卫星抵近的燃料最省最优变轨策略。
实施例
按照此方法，给出变轨控制策略的优化仿真实例，如图1-5所示。
对服务飞行器对4颗目标卫星在5天时间范围内的“一对四”抵近变轨进行仿真优化。
在初始时刻(记为0时刻)，服务飞行器和目标卫星的轨道要素见下表：
表1服务飞行器和目标卫星的轨道要素
Figure BDA0003573764420000081
优化计算后可得服务飞行器对4颗目标卫星的抵近序列为：目标卫星3、目标卫星4、目标卫星2、目标卫星1。
服务飞行器对4颗目标卫星抵近的变轨时间和变轨速度增量为：
表2服务飞行器的变轨时间和变轨速度增量
Figure BDA0003573764420000082
Figure BDA0003573764420000091
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。

Claims (10)

1.一种对空间目标“一对多”抵近的燃料最省变轨任务仿真方法，其特征在于包括：
服务飞行器采用双脉冲变轨策略对各个目标卫星次序抵近，以变轨过程中所需速度增量矢量模最小为目标设计目标函数；
设置优化层级，其中，
第一层：设置抵近序列优化变量，通过变量大小决定服务飞行器抵达目标卫星的抵近序列；
第二层、第三层：在服务飞行器对全部目标卫星完成抵近的总的时间限制范围内，确定每颗目标卫星既满足测控窗口又满足光照窗口的抵近变轨结束时间优化变量的取值范围；确定对各目标卫星的抵近变轨开始时间优化变量的取值范围；
第四层：在给定抵近序列下，针对给定的抵近变轨结束时间、抵近变轨开始时间按照上述目标函数进行优化，得到优化结果；
按照设定的优化层级顺序，按层级开始优化，从优化结果中选取最优结果得到燃料最省变轨策略。
2.根据权利要求1所述的仿真方法，其特征在于：按照下述方式按层级开始优化：
第一层优化变量在取值范围内获得定值，第二层根据第一层的定值迭代寻优，第二层寻优过程中，第三层需要根据第二层的优化变量定值迭代，第三层寻优过程中，第四层需要根据第三层的优化变量定值迭代。
3.根据权利要求2所述的仿真方法，其特征在于：优化顺序如下：
当第四层完成迭代后，第三层改变优化变量取值，第四层根据第三层取值再次迭代，直至第三层完成迭代；当第三层完成迭代后，第二层改变优化变量取值，第三层根据第二层取值再次迭代，直至第二层完成迭代；当第二层完成迭代后，第一层改变优化变量取值，第二层根据第一层取值再次迭代，直至第一层完成全部取值的迭代，此时优化仿真完成。
4.根据权利要求3所述的仿真方法，其特征在于：每层完成迭代的条件为预设的最大迭代次数。
5.根据权利要求1所述的仿真方法，其特征在于：通过下述方式完成抵近序列的设置：
对n颗目标卫星按照1、2、…、n进行编号，设置抵近序列S1、S2、…、Sn的取值范围为[0,1]，服务飞行器按照S1、S2、…、Sn中取值由小到大的顺序对其对应编号的目标卫星由先到后抵近。
6.根据权利要求1所述的仿真方法，其特征在于：通过下述方式确定每颗目标卫星既满足测控窗口又满足光照窗口的抵近变轨结束时间优化变量的取值范围：
在服务飞行器对全部目标卫星完成抵近的总的时间限制范围内，根据地面测控站的位置、可测控方位角与俯仰角、目标卫星的轨道参数计算得出目标卫星的测控窗口区间；
根据目标卫星的轨道参数计算得出目标卫星的光照窗口区间；
测控窗口区间与光照窗口区间取交集，得到服务飞行器对目标卫星可抵近窗口区间；
按照目标卫星被服务飞行器抵近的先后排序，将抵近变轨结束时间优化变量设置为取值大于1的浮点数，依照整数部分代表抵近变轨结束时间属于该目标卫星的哪个抵近窗口，小数部分表示抵近变轨结束时间在窗口中的比例的原则，确定抵近变轨结束时间优化变量的取值范围。
7.根据权利要求6所述的仿真方法，其特征在于：第i颗目标卫星抵近变轨结束时间优化变量的取值范围为：
Figure FDA0003573764410000021
其中，第i颗目标卫星的可抵近窗口数目为nwi，n代表目标卫星的总数量；b1取值范围[0.5,1)，b2取值范围(1,1.5]。
8.根据权利要求1所述的仿真方法，其特征在于：对各目标卫星的抵近变轨开始时间优化变量的取值范围为[τi,λi]；
τi＝λi-1+hi-1
式中，λi-1为服务飞行器对第i-1颗目标卫星抵近变轨结束时间；λi为服务飞行器对第i颗目标卫星抵近变轨结束时间；hi-1为服务飞行器对第i-1颗目标维修服务所用的操作时间。
9.根据权利要求1所述的仿真方法，其特征在于：第四层的优化迭代中采用优化算法对服务飞行器抵近变轨的双脉冲速度增量进行迭代仿真，仿真后计算服务飞行器抵近时，太阳光到服务飞行器矢量、目标卫星到服务飞行器矢量之间的夹角，若夹角小于顺光约束角，则判定顺光观测条件不成立，将双脉冲速度增量模的和置为1个很大的数，该很大的数要大于优化算法优化后结果的量级。
10.根据权利要求9所述的仿真方法，其特征在于：所述优化算法采用Lambert算法。
CN202210333449.4A 2022-03-30 2022-03-30 一种对空间目标“一对多”抵近的燃料最省变轨任务仿真方法 Pending CN114818474A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210333449.4A CN114818474A (zh) 2022-03-30 2022-03-30 一种对空间目标“一对多”抵近的燃料最省变轨任务仿真方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210333449.4A CN114818474A (zh) 2022-03-30 2022-03-30 一种对空间目标“一对多”抵近的燃料最省变轨任务仿真方法

Publications (1)

Publication Number Publication Date
CN114818474A true CN114818474A (zh) 2022-07-29

Family

ID=82533346

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210333449.4A Pending CN114818474A (zh) 2022-03-30 2022-03-30 一种对空间目标“一对多”抵近的燃料最省变轨任务仿真方法

Country Status (1)

Country Link
CN (1) CN114818474A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115719035A (zh) * 2022-11-03 2023-02-28 哈尔滨工业大学 一种考虑太阳光约束的单对多星连续掠飞观测轨迹优化方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115719035A (zh) * 2022-11-03 2023-02-28 哈尔滨工业大学 一种考虑太阳光约束的单对多星连续掠飞观测轨迹优化方法及系统
CN115719035B (zh) * 2022-11-03 2023-06-30 哈尔滨工业大学 一种考虑太阳光约束的单对多星连续掠飞观测轨迹优化方法及系统

Similar Documents

Publication Publication Date Title
Lee et al. Optimal path planning of solar-powered UAV using gravitational potential energy
CN110276159B (zh) 一种基于多模型融合的卫星系统多学科优化方法
CN111090941A (zh) 一种基于多目标优化算法的航天器最优Lambert轨道交会方法
WO2017005052A1 (zh) 航天器脉冲交会轨迹的梯度分割区间优化设计方法
Shi et al. Multi-disciplinary design optimization with variable complexity modeling for a stratosphere airship
CN105353621A (zh) 一种地球静止轨道卫星电推力器故障模式推力分配方法
CN110986974A (zh) 面向复杂动力学环境的多航天器任务智能规划与控制方法
CN108216679B (zh) 一种太阳能无人机总体参数确定方法及系统
Zhang et al. Mission-based multidisciplinary optimization of solar-powered hybrid airship
CN104252132A (zh) 基于自适应遗传算法的行星际轨道控制优化方法
CN110989644A (zh) 一种考虑目标点多终端约束的飞行器轨迹规划方法
CN112016187B (zh) 一种基于混合动力的近地小行星交会任务轨道优化方法
CN114818474A (zh) 一种对空间目标“一对多”抵近的燃料最省变轨任务仿真方法
CN114415730B (zh) 航天器逃逸轨迹智能规划方法
CN114757095A (zh) 一种对空间目标“一对多”抵近的时间最省变轨任务仿真方法
Balesdent et al. Multidisciplinary design and optimization of winged architectures for reusable launch vehicles
Manikandan et al. A comparative study of conventional and tri-lobed stratospheric airships
CN116700013A (zh) 一种飞行器最快爬升轨迹混合优化方法
CN106845700A (zh) 一种多碎片主动清除离线最优导引算法
CN114564032A (zh) 一种地球同步轨道卫星升轨操作策略优化方法
CN113741551B (zh) 一种基于代理模型的全过程轨迹优化方法及装置
CN115238518A (zh) 一种利用迭代优化的航天器抵近轨道规划方法
Wang et al. Solar sail spacecraft trajectory optimization based on improved imperialist competitive algorithm
Ogawa et al. Multi-phase trajectory optimisation for access-to-space with RBCC-powered TSTO via surrogated-assisted hybrid evolutionary algorithms incorporating pseudo-spectral methods
CN115494727A (zh) 一种基于轨道预报的运载火箭入轨轨迹规划方法

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