摘要：飞行器再入轨迹优化是一类最优控制问题。传统的优化方法存在初始值敏感问题,利用改进的基于小生境技术和精英方法的适应值共享拥挤遗传算法进行RLV的再入轨迹优化设计。以终端时间固定的空间最小控制能量再入轨迹和终端时间自由的平面最小热载再入轨迹为例,详细讨论了遗传算法用于再入轨迹优化设计所需要解决的一些关键问题。仿真结果表明提出的方法能够较快地搜索到全局最优解,对初始猜测值不敏感,能够方便用于RLV的再入轨迹方案选择和优化设计。

摘要：飞行器再入轨迹优化是一类最优控制问题。传统的优化方法存在初始值敏感问题。利用小生境技术和精英方法改进适应值共享拥挤遗传算法,并将其用于RLV再入轨迹优化设计。以终端时间固定的空间最小控制能量再入轨迹和终端时间自由的平面最小热载再入轨迹为例,详细讨论了遗传算法用于再入轨迹优化设计所需要解决的一些关键问题。仿真结果表明提出的方法能够较快地搜索到全局最优解,对初始猜测值不敏感,能够方便用于RLV的再入轨迹方案选择和优化设计。

摘要：分析了载人航天器深空飞行返回再入的飞行特点,指出其轨迹优化研究的必要性;给出了基于遗传算法的轨迹优化方法;利用自主编制的仿真软件程序,采用与Apollo和Soyuz飞船类似的返回舱的参数进行了仿真。仿真结果表明,优化后加速度过载峰值被严格控制在满足载人飞行要求的范围内,同时其他过程载荷峰值也在满足约束的前提下明显降低,总吸热量和再入航程也大幅缩减,优化后再入轨迹满足工程实施的初步要求。

摘要：针对高超声速飞行器多目标再入轨迹优化问题,建立了滑翔式飞行器的三维再入动力学模型和气动力模型,构建了物理规划方法求解多目标优化问题的数学模型,并针对伪谱法运算特点对物理规划方法提出了改进方案。在考虑飞行器的过载、动压、驻点热流和角度变化率等多种约束条件下,运用hp自适应伪谱法分别求解了以时间最短、横程最大、总气动加热最小和热流密度峰值最小为目标的再入最优轨迹问题。利用各单目标指标建立物理规划框架,确定具体的偏好结构。在物理规划的框架下,运用hp自适应伪谱法对体现设计者偏好的多目标轨迹优化问题进行了数字仿真。结果表明,改进的物理规划方法能够较好地与hp自适应伪谱法结合,有效地对多目标问题进行折中求解。

摘要：为提高高超声速滑翔飞行器再入轨迹优化问题求解速度和精度,提出了一种将改进的麻雀智能优化同参数化设计相结合的再入轨迹方法。首先,通过Tent混沌映射和精英反向种群方法初始化种群,利用黄金正弦策略进行种群的位置更新,并通过余弦策略减少侦察者数量,采用贪婪策略对种群的最优解进行选择和更新,在增强算法全局搜索能力的同时,不影响收敛速度。然后,将高超声速再入轨迹优化问题转化为攻角剖面和倾侧角剖面的参数化设计问题,将路径约束转化为阻力加速度再入飞行走廊,保证再入过程中始终满足路径约束,利用罚函数法处理终端约束,从而使得飞行器精确命中目标。最后,采用改进的麻雀智能优化算法对设计参数进行寻优,使得目标函数最优。仿真实验表明:本研究所提出的改进麻雀算法相较于原始麻雀算法、鲸鱼算法和粒子群算法收敛速度快,得到的高超声速滑翔飞行器再入轨迹精度有了进一步的提高;蒙特卡洛仿真实验说明,本研究所提出的高超声速滑翔飞行器再入轨迹优化算法具有一定的鲁棒性。

摘要：基于十进制蚁群算法对航天器再入轨迹进行了优化设计。给出了过载约束下的航天器再入轨迹优化的数学模型,对模型进行归一化及离散化处理,采用罚函数法对约束进行处理,将连续、高度非线性的优化问题转化为无约束的离散最优问题。针对传统蚁群算法易陷入局部最小值的问题,将增加了局部搜索策略的十进制蚁群算法应用于轨迹优化中,在满足过载约束的条件下实现总吸热量最小的目标。仿真结果表明十进制蚁群算法与传统蚁群算法相比能跳出局部最优值并快速地搜索得到航天器最优再入轨迹。

摘要：针对复杂约束条件下高超声速飞行器再入轨迹优化问题,提出一种混合算法进行求解,以解决现有轨迹优化方法对初值的强依赖性以及易陷入局部最优等问题。将高超声速飞行器再入轨迹优化建模成一个非线性规划问题,并设计双层优化结构进行求解。上层中,提出一种基于利希滕贝格图的自适应分段利希滕贝格算法(Adaptive piecewise Lichtenberg algorithm,APLA),为高斯伪谱法提供良好的初值。APLA通过引入拉丁超立方体抽样提升算法初始触发点的效能,引入全局至局部搜索分段策略及自适应因子提高算法收敛速度和收敛精度,改善算法易陷入局部最优等情况。下层中,高斯伪谱法在最优解附近具有较好的收敛速度和较高收敛精度,因此使用高斯伪谱法以加快搜索过程,提升解的全局最优性。综上,提出再入轨迹优化混合算法(APLA_GPM),实现对高超声速飞行器再入轨迹优化问题快速、准确求解。仿真结果表明,APLA_GPM在高超声速飞行器再入轨迹优化方面具有更快的收敛速度、更高的精度以及更强的鲁棒性。

摘要：针对多约束条件下的高超声速飞行器再入轨迹的优化问题,考虑多个具有不同重要性等级的优化指标,提出基于模糊多目标的轨迹设计方法.首先,利用直接配点法,将最优控制问题转化为带优先级的非线性多目标规划问题;然后,基于模糊满意优化的思想,根据更重要目标具有更高满意度的原则,将优先级表示为满意度序,并设计两步式优化模型.通过调节参数,能获得同时满足优化和重要性等级要求的最优轨迹.仿真结果表明了所提出方法的有效性.

摘要：针对可重复使用运载器(RLV)的再入轨迹重构问题,提出一种基于变信赖域序列凸规划的RLV再入轨迹快速求解方法.首先,通过离散化及对非凸约束的线性化处理,将RLV的非凸轨迹优化问题转换为凸优化问题,然后通过序列凸规划方法对凸优化问题进行求解.在序列凸规划求解过程的初始迭代中,采用预测校正算法对初值猜测轨迹进行设计,确定轨迹求解的终端时间;在后续迭代过程中,设计基于优化性能指标的信赖域更新策略,提升算法的收敛性能.在轨迹快速求解方法的基础上,考虑RLV再入过程中可能发生的突发事件,如实际轨迹大幅度偏离参考轨迹或目标点变更,基于变化的初值约束及终端约束在线重构轨迹,并结合重构轨迹和LQR(Linear quadratic regulator)方法设计再入制导律实现对重构轨迹的有效跟踪.最后,将此设计方法与Gauss伪谱法及传统序列凸规划算法进行仿真对比验证.仿真结果表明:变信赖域序列凸规划方法相较于伪谱法和传统的序列凸规划方法在轨迹求解实时性及收敛性方面有较大的提升,具备应用于轨迹在线重构的能力,此外,所提出的轨迹在线重构方法具备良好的鲁棒性以及抗扰性.

摘要：飞行器再入轨迹优化是一类最优控制问题。传统的优化方法存在初始值敏感问题。遗传算法具有较强的鲁棒性,对初值不敏感。但遗传算法是静态优化算法,不能直接用于动态系统的最优控制问题。为了设计染色体,需要将最优控制问题通过参数化方法转化为静态优化问题。为了设计合适的适应度函数,约束处理是飞行器轨迹进行遗传搜索时必需解决的问题。以可重复使用运载器再入轨迹优化为例,研究了各种参数化方法和罚函数方法的应用,探讨了飞行器轨迹优化中的染色体和适应度函数设计。仿真结果表明直接离散方法和动态罚函数法有较好的性能。