基于改进鸽群算法的气动捕获轨道优化

发布时间：2021-10-30 04:41

　　针对火星探测器的气动捕获轨道,提出了一种改进的鸽群算法对气动捕获轨道进行优化。首先,考虑成功进行气动捕获所要求的终端约束和过程约束,根据从捕获轨道进行轨道转移进入目标轨道所需的速度增量,提出了进行捕获轨道优化的最优性能指标。然后,针对原始鸽群算法存在的一些不足,提出一种改进算法,并对改进算法的参数取值进行了分析。最后,基于大气内飞行的动力学方程,将气动捕获轨道优化问题转化为多参数优化问题,利用所提出的改进鸽群算法对气动捕获轨道进行优化,并通过仿真实例验证该算法的有效性。 

【文章来源】：航空学报. 2020,41(09)北大核心EICSCD

【文章页数】：9 页

【部分图文】：

气动捕获轨道优化结果

图1为R在不同取值下动态因子的变化情况。可以看出，当R取较大值0.3时，迭代到20次e-Rt就已衰减接近为零，之后的迭代过程主要体现在向最优值靠近，失去了探索能力，算法易早熟；当R取较小值0.002 6时，在迭代完成时e-Rt仍然具有较大的取值，算法不易收敛；为了平衡二者的关系，可以通过指定迭代完成时期望的动态因子的取值自适应地选取R值。令迭代完成时期望的动态因子的值为α，有e-RT=α，则R=-(1/T)lnα，其中T为迭代次数。通过自适应的方式选取R值，虽然能够在一定程度上缓解易早熟和不易收敛的问题，但是却不能从根本上很好地平衡全局搜索与局部搜索之间的关系。在实际应用中，在迭代初期，往往更注重于全局搜索能力，而在迭代后期则希望局部搜索能力更强一些。由图1可以看出，当取α=0.01时，在迭代后期动态因子较小，算法主要在最优值附近进行局部搜索，然而在迭代初期，动态因子下降很快，并不能很好地进行全局搜索；当取α=0.4时，虽然使得动态因子下降速度减缓，全局搜索能力增强，但是却削弱的算法的局部搜索能力。

可以看出，当k=0且b=0时，算法即为原始的鸽群算法，即原算法是改进后的一种特殊情况。当k≠0时，可以通过调节（t1，α1）、（t2，α2）选择合适的动态权值曲线，在搜索前期使动态权值缓慢下降，保持搜索活力，提高全局搜索的能力；在搜索后期，使得动态权值取得较小的值，保证算法的收敛。相比于原算法，改进后的算法不仅兼容了原算法中指数形式下降的动态权值，而且对其进行了扩展，在形式选择上提供了更大的自由度，提升了全局搜索与局部搜索之间的平衡。3 气动捕获轨道优化

【参考文献】：
期刊论文
[1]一种基于自适应种群变异鸽群优化的航天器集群轨道规划方法[J]. 华冰,刘睿鹏,孙胜刚,吴云华,陈志明.  中国科学:技术科学. 2020(04)
[2]基于量子行为鸽群优化的无人机紧密编队控制[J]. 徐博,张大龙.  航空学报. 2020(08)
[3]基于捕食逃逸鸽群优化的无人机紧密编队协同控制[J]. 段海滨,邱华鑫,范彦铭.  中国科学:技术科学. 2015(06)
[4]利用Radau伪谱法求解UCAV对地攻击轨迹研究[J]. 王铀,赵辉,惠百斌,王锋,胡杰.  电光与控制. 2012(10)
[5]飞行器轨迹优化方法综述[J]. 陈功,傅瑜,郭继峰.  飞行力学. 2011(04)
[6]高超声速滑翔飞行器引入段弹道优化[J]. 周浩,周韬,陈万春,殷兴良.  宇航学报. 2006(05)



本文编号：3466070