CN115292652A - 一种改进量子遗传算法的空间碎片初轨确定的方法及装置 - Google Patents
一种改进量子遗传算法的空间碎片初轨确定的方法及装置 Download PDFInfo
- Publication number
- CN115292652A CN115292652A CN202211219500.5A CN202211219500A CN115292652A CN 115292652 A CN115292652 A CN 115292652A CN 202211219500 A CN202211219500 A CN 202211219500A CN 115292652 A CN115292652 A CN 115292652A
- Authority
- CN
- China
- Prior art keywords
- quantum
- initial
- improving
- space debris
- chromosome
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64G—COSMONAUTICS; VEHICLES OR EQUIPMENT THEREFOR
- B64G1/00—Cosmonautic vehicles
- B64G1/22—Parts of, or equipment specially adapted for fitting in or to, cosmonautic vehicles
- B64G1/66—Arrangements or adaptations of apparatus or instruments, not otherwise provided for
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
- G06N10/60—Quantum algorithms, e.g. based on quantum optimisation, quantum Fourier or Hadamard transforms
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Aviation & Aerospace Engineering (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Remote Sensing (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Algebra (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种改进量子遗传算法的空间碎片初轨确定的方法及装置,属于航天技术领域,方法包括:获取种群参数;基于种群参数,进行量子编码,构造染色体;根据染色体,获得叠加态;根据叠加态,计算适应度,并记录极值个体及适应度;基于适应度,判断遗传是否进行,若所述遗传不进行,采用量子门作用,调整染色体取值;判断是否发生灾变,若所述灾变发生,则对群体进行灾变操作。本申请能够解决当前对于空间碎片初轨确定过程中运算复杂,精度低及效率低的问题。
Description
技术领域
本申请属于航天技术领域,具体涉及一种改进量子遗传算法的空间碎片初轨确定的方法及装置。
背景技术
空间碎片是空间目标的一种,主要是人类遗留在空间的废弃物,例如火箭箭体、抛弃部件、火箭喷射物、空间目标碰撞产生的碎片以及报废的航天器等。据统计,截止到 2009年5月,在轨空间碎片总数14271个,其中有效载荷的数目达到 3445个,火箭 1857 个,然而空间碎片达到了 8969 个。截止 2014 年 6 月,已经编目的在轨空间碎片数目高达 20000个,集中分布在近地轨道和地球同步轨道附近。据目前已经编目探测的空间碎片,主要集中在轨道高度为450~1200km,轨道倾角为45°~110°的低轨轨道和轨道倾角为 0°~15 °的地球同步轨道内。过多的空间碎片会造成近地轨道的拥挤,可能严重影响在轨运行航天器的安全状态。当空间碎片与航天器猛烈碰撞时,其平均相对速度可能高达 10km/s,不但严重损伤航天器的表面,而且更严重地是引发航天器飞行故障。地球外围的危险垃圾带不断膨胀,高动能的空间碎片碰撞会产生巨大的能量,并且当空间碎片累积到一定临界密度时,会造成碎片间链式碰撞,从而引发更大的太空破坏。
近些年来空间碎片碰撞事件频频发生,迫切使得人类需要掌握空间碎片的活动状态和性质,因此空间碎片监视技术应运而生。空间碎片监视技术需要通过识别空间碎片,获取碎片的属性、用途和威胁性,进行跟踪、监视、识别、定轨和编目等。
空间目标监视系统是监视在轨目标,识别新发目标和变轨目标,以获取其轨道、功能和状态以及威胁等信息的战略信息获取系统。
目前,空间目标的监测手段按照观测平台的不同可分为两类;地基监测和天基监测。
地基空间目标监视系统受地球曲率、大气环境的影响其可观测性、可跟踪区域以及几何特征感知等方面都存在不可克服的局限性。因此,难以满足高精度的应用需求。
天基观测站可以根据任务需要进行变轨跟踪,而且当空间目标进入预警卫星传感器成像作用范围内时,可以进行辐射、几何等特征提取,极大地增加了空间态势感知能力。所以天基空间目标监视系统是空间目标跟踪与监视的重要发展趋势。
通过天基的观测手段得到对碎片的观测值后,为了对其进行有效跟踪、编目和管理,还需确定这些碎片的轨道。轨道确定,作为天基空间目标监视的关键技术,直接决定天基监视的成败以及整个系统的性能。
轨道确定按照处理过程可分为初轨确定和轨道改进,也即精密定轨。其中,初轨确定是在没有任何初始信息的前提下,利用较短弧段的观测数据,采用比较简单的动力学模型(通常是二体模型)快速计算出空间目标的初始轨道。对于新目标而言,初轨确定是精密定轨的前提,且高精度的初轨可节省精密定轨的时间,提高精密定轨的精度。另外,短弧度之间的数据关联也要求较高精度的初轨结果。对于空间中未知的碎片,没有任何先验轨道信息可利用,因此空间碎片的初始轨道确定就显得尤为重要和关键。
天基空间非合作目标的初轨确定,利用短弧测量数据计算,快速高准确率的确定某一时刻空间目标的位置和速度。
传统的测角定轨方法如Laplace方法、Gauss方法,一般利用三次方向观测得到的6个角度观测量进行轨道解算属于确定性定轨问题。但随着观测技术的改善,如今一次弧段观测得到的观测数据一般都会多于个即冗余观测下的初定轨问题,现在的初定轨解算属于超定非线性方程组求解问题。
此外由于天基光学探测系统受到载荷性能、卫星平台周期和系统工作模式等因素影响,对空间碎片的观测时间很短,可能几分钟甚至几秒钟,造成短弧甚至极短弧测量,短弧测量造成碎片运动信息获取过少,特别是不利于分析弧段曲率等高阶信息,以及观测目标距离信息的缺失。传统的测角定轨方法在处理短弧段时,精度很差甚至不收敛。
在现有初轨检测方法中,
对于采用基于最小二乘法的多观测数据初轨确定,其存在的缺点是:在初始估计值误差较大时会引起较大的误差,精度低。
对于采用优化算法,其存在的缺点是:在没有任何先验信息的情况下,一般靠猜测选择初始点在参数维数较高的情况下解空间较大,猜测的初始点极可能远离真实解。
对于约束域内的约束微分修正方法和三角网细分迭代搜索法,其存在的缺点是:只适应于两个短弧段间隔时间较长的情况,并且节点计算量很大的场景。对于单弧段且观测时间很短的时候定轨精度明显下降。
对于传统的遗传算法,其存在的缺点是:效率低,不适用于海量空间碎片。
发明内容
本申请实施例的目的是提供一种改进量子遗传算法的空间碎片初轨确定的方法及装置,能够解决当前对于空间碎片初轨确定过程中运算复杂,精度低及效率低的问题。
为了解决上述技术问题,本申请是这样实现的:
第一方面,本申请实施例提供了改进量子遗传算法的空间碎片初轨确定的方法,包括:
获取种群参数;
基于所述种群参数,进行量子编码,构造染色体;
根据所述染色体,获得叠加态;
根据所述叠加态,计算适应度,并记录极值个体及适应度;
基于所述适应度,判断遗传是否进行,若所述遗传不进行,采用量子门作用,调整所述染色体取值;
判断是否发生灾变,若所述灾变发生,则对群体进行灾变操作。
可选地,获取种群参数为选取初值。
可选地,量子编码,具体包括:采用量子比特编码,其公式为:
i=1,2,…n,j=1,2,…k;
其中,θ为量子比特的相位,n为所述染色体的数目,k为量子位的位数即解空间的维数,rand是[0,1]范围内的随机数。
可选地,所述量子位分为上下两行,所述两行量子位为两个量子基本态的概率幅,且满足归一化条件。
可选地,判断遗传是否进行,包括:在迭代的次数或参数不再变化的情况下,所述迭代结束,进而所述遗传不进行。
可选地,采用量子门作用,调整所述染色体取值,包括:采用量子旋转门,对所述染色体进行遗传变异,改变所述染色体取值的每一位所述量子比特的量子角度,调整所述染色体取值。
可选地,判断是否发生灾变,包括:量子比特编码处于局部极值的情况下,所述量子比特编码的数值会发生过早收敛。
可选地,对群体进行灾变操作,包括:在群体中施加扰动,使所述量子比特编码脱离所述局部极值,并进行新的搜索。
第二方面,本申请实施例提供了一种改进量子遗传算法的空间碎片初轨确定的装置,包括:
获取模块,用于获取种群参数;
编码模块,用于基于所述种群参数,进行量子编码,构造染色体;
叠加模块,用于根据所述染色体,获得叠加态;
计算模块,用于根据所述叠加态,计算适应度,并记录最佳个体及适应度;
第一判断模块,用于基于所述适应度,判断遗传是否进行;若所述遗传不进行,采用量子门作用,调整所述染色体取值;
第二判断模块,用于判断是否发生灾变;若所述灾变发生,则对群体进行灾变操作。
可选地,所述获取种群参数为选取初值。
第三方面,本申请实施例提供了一种设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,处理器被配置为调用存储器存储的指令,以执行第一方面的方法。
在本申请实施例中,改进量子遗传算法的空间碎片初轨确定的方法运算简便直接,对计算初值无特殊要求,适用范围广。相较于传统的最小二乘法、优化算法,定轨精度高。且相较于传统的遗传算法,具有更高的效率,适用于海量空间碎片。
附图说明
图1是本申请实施例提供的改进量子遗传算法的空间碎片初轨确定的方法的流程示意图;
图2是本申请实施例提供的一种改进量子遗传算法的空间碎片初轨确定的装置的结构示意图。
本申请目的的实现、功能特点及优点将结合实施例、参照附图做进一步说明。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”等所区分的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。应当理解,在本公开的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本公开实施例的实施过程构成任何限定。
应当理解,在本公开中,“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本公开中,“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含,“包含A、B或C”是指包含A、B、C三者之一,“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解,在本公开中,“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”,表示B与A相关联,根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。A与B的匹配,是A与B的相似度大于或等于预设的阈值。
取决于语境,如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
实施例一
参照图1,示出了本申请实施例提供的一种改进量子遗传算法的空间碎片初轨确定的方法的流程示意图。
天基空间的空间碎片初轨确定的特点主要有,该数据量多,反应快速,短弧,并且,对于传统方法Laplace方法、Gauss方法,在天基空间的空间碎片初轨确定中,不适用。
本申请实施例提供了一种改进量子遗传算法的空间碎片初轨确定的方法,包括:
S101:获取种群参数。
在一种可能的实施方式中,获取种群参数为选取初值。而对于初值的选取,可以利用经验,缩小搜索范围,减少计算时间。由于对于初值的选取没有特殊要求,因此,能够使用的范围更加广泛。
S102:基于所述种群参数,进行量子编码,构造染色体。
在一种可能的实施方式中,采用量子比特编码,其公式为:
i=1,2,…n,j=1,2,…k;
其中,θ为量子比特的相位,n为所述染色体的数目,k为量子位的位数即解空间的维数,rand是[0,1]范围内的随机数。
使用本量子比特编码公式,能够构造染色体。
在另一种可能的实施方式中,每个量子位为分上下两行,分别对应两个量子基本态的概率幅,满足归一化条件。因此每个个体有多染色体,这样,个体就形成有包含上下两条文化基因链,每条基因链是优化问题的一个候选解。
S103:根据所述染色体,获得叠加态。
在一种可能的实施方式中,获得叠加态就是对染色体的基因位,也就是染色体的量子位进行测量,将量子编码转换为二进制编码。由于染色体的数量为多个,因此,对每个染色体均进行叠加态操作。
S104:根据所述叠加态,计算适应度,并记录极值个体及适应度。
在一种可能的实施方式中,在获得每个染色体的叠加态后,对每个叠加态计算适应度。极值个体可以是最佳值,也可以是最差值。但是在本申请中,只有最佳值可以被使用,最差值将会被舍弃。并且记录极值个体,也就是最佳的染色体个体及其适应度。在具体的操作中,适用度函数为RBF_SVM的3_fold交叉验证平均值。
S105:基于所述适应度,判断遗传是否进行,若所述遗传不进行,采用量子门作用,调整所述染色体取值。
在一种可能的实施方式中,在获取适应度之后,进行条件判断。此条件判断在判断遗传是否在进行中。而判断遗传是否在进行是通过查看迭代的次数或所有参数是否还有变化。如果迭代的次数或所有参数不再变化的情况下,迭代结束,进而遗传不进行。由于数据误差,即使遗传完全停止,数据可能仍有小量变化,因此,此处判断是否还有变化时,是查看迭代的次数或所有参数是否具有显著变化。
此时,如果遗传仍在进行中,则继续计算适应度。
如果遗传不进行,则采用量子门作用,即采用量子旋转门,对每一代染色体进行遗传变异,其本质是通过改变种群中所有染色体取值的每一位量子比特的量子角度,使得染色体取值向更好的染色体靠拢,进而调整了染色体的取值。
S106:判断是否发生灾变,若所述灾变发生,则对群体进行灾变操作。
群体指整个染色体群体。当量子比特编码当前输入的个体为局部极值个体的时候,该算法就很难从中拜托出来,于是就陷入了局部极值中,造成量子比特编码的数值发生过早收敛,因此引入量子灾变。而量子灾变是当量子比特编码的算法在接连数代的最优个体都无任何变化时使用的。这表明该量子比特编码算法陷入了局部极值,需要采取措施使其跳出局部极值的束缚。这时就对群体进行灾变操作。具体操作为,对进化过程中的种群施加一较大扰动,使其脱离局部最优点,并开始新的搜索。此操作只保留最优值,重新生成其余个体,宛如自然界种族濒临灭绝后的再生。采用灾变操作并非使种族退化而是尽快摆脱进化迟钝状态开始新搜索的有效手段。
本申请的改进量子遗传算法的空间碎片初轨确定的方法运算简便直接,对计算初值无特殊要求,适用范围广。相较于传统的最小二乘法、优化算法,定轨精度高。且相较于传统的遗传算法,具有更高的效率,适用于海量空间碎片。
实施例二
参照图2,示出了本申请实施例提供的改进量子遗传算法的空间碎片初轨确定的装置30的结构示意图。
本申请实施例提供的改进量子遗传算法的空间碎片初轨确定的装置30,包括:
获取模块301,用于获取种群参数;
编码模块302,用于基于所述种群参数,进行量子编码,构造染色体;
叠加模块303,用于根据所述染色体,获得叠加态;
计算模块304,用于根据所述叠加态,计算适应度,并记录最佳个体及适应度;
第一判断模块305,用于基于所述适应度,判断遗传是否进行,若所述遗传不进行,采用量子门作用,调整所述染色体取值;
第二判断模块306,用于判断是否发生灾变,若所述灾变发生,则对群体进行灾变操作。
可选地,所述获取种群参数为选取初值。
本申请实施例中的虚拟系统可以是装置,也可以是终端中的部件、集成电路、或芯片。
此外,需要说明的是,以上所描述的装置实施例仅仅是示意性的,并不对本申请的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的,此处不做限制。
本申请的改进量子遗传算法的空间碎片初轨确定的装置,在进行运算的过程中,运算简便直接,对计算初值无特殊要求,适用范围广。相较于传统的最小二乘法、优化算法,定轨精度高。且相较于传统的遗传算法,具有更高的效率,适用于海量空间碎片。
实施例三
本申请实施例提供了一种设备,处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行实施例一所述的方法。
本申请的改进量子遗传算法的空间碎片初轨确定的设备,在进行运算的过程中,运算简便直接,对计算初值无特殊要求,适用范围广。相较于传统的最小二乘法、优化算法,定轨精度高。且相较于传统的遗传算法,具有更高的效率,适用于海量空间碎片。
实施例四
本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现实施例一所述的方法。
本申请的改进量子遗传算法的空间碎片初轨确定的计算机程序指令,在运算过程中,运算简便直接,对计算初值无特殊要求,适用范围广。相较于传统的最小二乘法、优化算法,定轨精度高。且相较于传统的遗传算法,具有更高的效率,适用于海量空间碎片。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本申请操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本申请的各个方面。
这里参照根据本申请实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本申请的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
注意,除非另有直接说明,否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此,除非另有明确说明,否则所公开的每一个特征仅是一组等效或类似特征的一个示例。在使用到的情况下,进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述的简单起头,该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优地设置之间可任意组合的组成又一实施例。
本领域的技术人员应理解,上述描述及附图中所示的本申请的实施例只作为举例而并不限制本申请。本申请的目的已经完整并有效地实现。本申请的功能及结构原理已在实施例中展示和说明,在没有背离所述原理下,本申请的实施方式可以有任何变形或修改。
最后应说明的是:以上各实施例仅用以说明本公开的技术方案,而非对其限制;尽管参照前述各实施例对本公开进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本公开各实施例技术方案的范围。
Claims (10)
1.一种改进量子遗传算法的空间碎片初轨确定的方法,其特征在于,包括:
获取种群参数;
基于所述种群参数,进行量子编码,构造染色体;
根据所述染色体,获得叠加态;
根据所述叠加态,计算适应度,并记录极值个体及适应度;
基于所述适应度,判断遗传是否进行,若所述遗传不进行,采用量子门作用,调整所述染色体取值;
判断是否发生灾变,若所述灾变发生,则对群体进行灾变操作。
2.根据权利要求1所述的改进量子遗传算法的空间碎片初轨确定的方法,其特征在于,包括:所述获取种群参数为选取初值。
4.根据权利要求3所述的改进量子遗传算法的空间碎片初轨确定的方法,其特征在于,包括:
所述量子位分为上下两行,所述两行量子位为两个量子基本态的概率幅,且满足归一化条件。
5.根据权利要求4所述的改进量子遗传算法的空间碎片初轨确定的方法,其特征在于,所述判断遗传是否进行,包括:
在迭代的次数或参数不再变化的情况下,所述迭代结束,进而所述遗传不进行。
6.根据权利要求5所述的改进量子遗传算法的空间碎片初轨确定的方法,所述采用量子门作用,调整所述染色体取值,包括:
采用量子旋转门,对所述染色体进行遗传变异,改变所述染色体取值的每一位所述量子比特的量子角度,调整所述染色体取值。
7.根据权利要求6所述的改进量子遗传算法的空间碎片初轨确定的方法,所述判断是否发生灾变,包括:
所述量子比特编码处于局部极值的情况下,所述量子比特编码的数值会发生过早收敛。
8.根据权利要求7所述的改进量子遗传算法的空间碎片初轨确定的方法,所述对群体进行灾变操作,包括:
在所述群体中施加扰动,使所述量子比特编码脱离所述局部极值,并进行新的搜索。
9.一种改进量子遗传算法的空间碎片初轨确定的装置,其特征在于,包括:
获取模块,用于获取种群参数;
编码模块,用于基于所述种群参数,进行量子编码,构造染色体;
叠加模块,用于根据所述染色体,获得叠加态;
计算模块,用于根据所述叠加态,计算适应度,并记录最佳个体及适应度;
第一判断模块,用于基于所述适应度,判断遗传是否进行,若所述遗传不进行,采用量子门作用,调整所述染色体取值;
第二判断模块,用于判断是否发生灾变,若所述灾变发生,则对群体进行灾变操作。
10.根据权利要求9所述的改进量子遗传算法的空间碎片初轨确定的装置,其特征在于,包括:所述获取种群参数为选取初值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211219500.5A CN115292652B (zh) | 2022-10-08 | 2022-10-08 | 一种改进量子遗传算法的空间碎片初轨确定的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211219500.5A CN115292652B (zh) | 2022-10-08 | 2022-10-08 | 一种改进量子遗传算法的空间碎片初轨确定的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115292652A true CN115292652A (zh) | 2022-11-04 |
CN115292652B CN115292652B (zh) | 2023-02-03 |
Family
ID=83834246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211219500.5A Active CN115292652B (zh) | 2022-10-08 | 2022-10-08 | 一种改进量子遗传算法的空间碎片初轨确定的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115292652B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105305442A (zh) * | 2015-11-30 | 2016-02-03 | 河海大学常州校区 | 基于量子遗传算法的多目标智能配电网自愈恢复方法 |
CN105573115A (zh) * | 2015-12-09 | 2016-05-11 | 中山大学 | 基于量子遗传算法的污水处理过程节能优化控制方法 |
CN105787600A (zh) * | 2016-03-03 | 2016-07-20 | 国家电网公司 | 基于自适应量子遗传算法的电动出租车充电站规划方法 |
AU2020103782A4 (en) * | 2020-11-30 | 2021-02-11 | Ningxia Medical University | Pet/ct high-dimensional feature level selection method based on genetic algorithm and variable precision rough set |
CN112684280A (zh) * | 2020-11-10 | 2021-04-20 | 环宇集团(南京)有限公司 | 一种基于改进量子遗传算法的配电网故障区段定位方法 |
CN113361753A (zh) * | 2021-05-26 | 2021-09-07 | 中国电子技术标准化研究院 | 基于量子遗传算法的确定最优路径的方法、系统和介质 |
-
2022
- 2022-10-08 CN CN202211219500.5A patent/CN115292652B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105305442A (zh) * | 2015-11-30 | 2016-02-03 | 河海大学常州校区 | 基于量子遗传算法的多目标智能配电网自愈恢复方法 |
CN105573115A (zh) * | 2015-12-09 | 2016-05-11 | 中山大学 | 基于量子遗传算法的污水处理过程节能优化控制方法 |
CN105787600A (zh) * | 2016-03-03 | 2016-07-20 | 国家电网公司 | 基于自适应量子遗传算法的电动出租车充电站规划方法 |
CN112684280A (zh) * | 2020-11-10 | 2021-04-20 | 环宇集团(南京)有限公司 | 一种基于改进量子遗传算法的配电网故障区段定位方法 |
AU2020103782A4 (en) * | 2020-11-30 | 2021-02-11 | Ningxia Medical University | Pet/ct high-dimensional feature level selection method based on genetic algorithm and variable precision rough set |
CN113361753A (zh) * | 2021-05-26 | 2021-09-07 | 中国电子技术标准化研究院 | 基于量子遗传算法的确定最优路径的方法、系统和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115292652B (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang | Analysis of Debris from the Collision of the Cosmos 2251 and the Iridium 33 Satellites | |
Gaede et al. | Track reconstruction at the ILC: the ILD tracking software | |
Plagemann et al. | Gaussian Beam Processes: A Nonparametric Bayesian Measurement Model for Range Finders. | |
Siminski et al. | Correlation of observations and orbit recovery considering maneuvers | |
US20220083715A1 (en) | Machine learned high-accuracy satellite drag model (hasdm) with uncertainty qualification (hasdm-ml-uq) | |
CN115292652B (zh) | 一种改进量子遗传算法的空间碎片初轨确定的方法及装置 | |
Patera | Method for calculating collision probability between a satellite and a space tether | |
Sanchez et al. | Ai and space safety: collision risk assessment | |
Carannante et al. | Robust learning via ensemble density propagation in deep neural networks | |
Zucchelli et al. | Tracking maneuvering targets with multi-fidelity interacting multiple model filters | |
Pirovano et al. | Probabilistic data association based on intersection of Orbit Sets | |
CN116495204A (zh) | 一种基于异动概率的轨道异动检测方法及系统 | |
Selva | Experiments in knowledge-intensive system architecting: Interactive architecture optimization | |
Hu et al. | Densely rewarded reinforcement learning for robust low-thrust trajectory optimization | |
Dai | A review on the exact Monte Carlo simulation | |
Castaings et al. | Track initiation in low-earth-orbit objects using statistical modeling of sparse observations | |
Zeng et al. | Improved weak space object tracking assisted by strong target | |
Suwantong | Development of the Moving Horizon Estimator with Pre-Estimation (MHE-PE). Application to Space Debris Tracking during the Re-Entries. | |
Tobiska et al. | The machine learning enabled thermosphere advanced by the high accuracy satellite drag model | |
Vincent | Bridging the gap between academia and operations for orbital debris risk mitigation | |
Bhattacharya et al. | Geometric algorithms for clearance based optimal path computation | |
Abreu et al. | A comprehensive approach to predict a rocket's impact with stochastic estimators and artificial neural networks | |
Davoudi et al. | Estimation of ECH power deposition based on neural networks and fuzzy logic in plasma fusion Tokamaks | |
Choumos et al. | Artificial Intelligence for a Safe Space: Data and Model Development Trends in Orbit Prediction and Collision Avoidance | |
Short et al. | Autonomous system design and controls design for operations in high risk environments |
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 |