考虑动态分区与排序模型辅助的航天器姿控参数优化方法

：本发明涉及航天器的姿态控制参数设计领域，尤其涉及一种大规模受控对象的姿态控制参数的智能优化设计。航天器的姿态控制是指其在飞行过程中通过调整自身姿态来确保达到预定轨道或执行特定任务的过程。姿态控制系统的参数决定了航天器飞行时的飞行指标能否满足设计要求，发射后能否稳定运行并准确进入预定轨道。

背景技术

0、
背景技术：

1、针对航天器控制系统中的大规模受控对象模型，其姿态控制参数具有高度的不确定性。首先，影响校正网络基本结构的每个典型环节的数量存在不确定性。其次，在每个环节中，时间常数、固有频率和阻尼比等参数也具有不确定性。这些参数决定了每个添加环节的具体性能。正确设置这些参数，才能确保姿控参数满足系统设计的要求。已有的人工设置姿控参数的方式，难以使姿控系统性能达到最优，且需耗费大量的时间和人力成本。一方面，由于参数数量多，不同参数的不同值进行组合产生的解空间极其庞大，使用人工方法进行参数设置，所能覆盖的解范围相对整个解空间来说十分有限。另一方面，人工设置姿控参数需要大量的实际设计经验为基础，对于设计经验不足的参数设定人员，则需要经过反复的人工调试才可使姿控系统性能达到设计要求。

2、基于航天器姿控参数生成所具有的多约束、高维化、强非线性特点。一些研究工作利用智能算法，在参数解空间内寻找满足控制系统设计要求的最优解。现有的用于参数生成的智能优化算法可以分为三大类：进化类算法、群体智能算法和混合算法。进化类算法是模拟自然界生物进化机制的优化方法，例如遗传算法、差分进化算法和免疫算法等。群智能算法是模拟群居动物的群体行为的优化方法，例如蚁群算法、粒子群算法和鱼群算法等。混合算法是将多种优化方法结合起来，以提高搜索效率和解决能力，例如遗传粒子群算法、模拟退火粒子群算法等。在解决航天器中大规模受控对象模型的姿控参数设计时，除了优化问题本身的多峰特性外，还需考虑优化过程中大规模受控对象模型稳定裕度指标的计算复杂性，即智能优化算法中适应度评估的耗时性，也称昂贵性。耗时的适应度评估不仅影响算法对解空间的充分探索，同时也降低了优化效率，影响算法实用性。近年来，解决这类评价代价昂贵和目标空间复杂多峰的问题有三种主要方案：一是采用并行计算，如多核处理器或多张显卡的同时运算；二是对评价问题进行近似，使用简化函数或模型替代；三是通过改进启发式算法框架、优化算子和混合参数算法。在并行计算方面，核心是利用多处理器加速算法的特定模块。krityakierne等人通过使用8个处理器并行评估昂贵的目标函数来缩短运行时间。ong等人提出了一种并行进化优化算法，通过对信赖区域进行判断，选择精确计算或采用代理模型辅助，以在有限计算资源下快速获取局部最优解。akinsolu等人在电磁设计中引入了并行代理模型辅助进化算法，通过在并行环境中选择变异算子，并结合电磁仿真实验，实现了并行运行。在近似真实评价方面，使用代理模型取代真实的适应度函数来降低适应度评估过程的复杂度，常见的构建代理模型的方式有kriging、svm、rbf、pr和神经网络等。蔡习文等人提出了代理模型辅助的差分进化算法，其中每个种群个体管理一个互不重叠的子区域，在子区域内构建局部代理模型并进行迭代差分进化，最终对个体进行真实评价。liu等提出了一种基于kriging模型辅助的进化优化算法，通过降维技术提高kriging模型的精确度。在优化算法方面，改进策略主要包括使用多种群、改进算子和采用混合算法。对于昂贵的单目标高维优化问题，大多数学者倾向于使用代理模型辅助的经典元启发算法，如差分进化算法、粒子群算法、教与学优化算法等。孙超利等人提出了代理模型辅助协同粒子群算法，利用协同进化思想，通过两种不同类型的粒子群算法交替分享种群中个体的位置信息和最优解信息。随后，王新晶等人提出了一种新型进化采样辅助优化算法，通过交替进行代理模型辅助的局部差分算法和代理模型辅助的全局搜索。

3、目前，针对评估代价昂贵的航天器姿控参数优化问题，仍然存在一些需要解决的挑战。第一是如何避免陷入局部最优解的问题。在航天器姿控参数优化问题中，目标空间具有复杂的多峰特性，优化算法很容易陷入局部最优解。第二个挑战是代理模型的选择及模型输入输出的定义。在现有的代理模型辅助算法中，模型的输入通常是解空间中的决策向量，输出通常为目标空间的值或者解空间中解好坏的标签，即代理模型可被分为回归与分类模型两大类。其中回归模型的目的是对目标解的适应度做回归预测，分类模型的目的是区分出前景较好的粒子。此类模型构建方式都面临训练样本少的困境，在复杂的目标空间下，模型的可信度较低。此外，有研究人员采用构建模型池的方式，将多个代理模型集成，在优化过程中根据模型的精度表现选择最合适的代理模型。但此类方法模型的构建和维护成本太高，降低了算法的执行效率。

技术实现思路

0、
技术实现要素：

1、针对航天器姿控参数生成问题强非线性、多极值与计算耗时的问题以及现有优化技术的不足，本发明提出了一种考虑动态分区与排序模型辅助的姿控参数优化方法。结合考虑了问题的解空间与目标空间，对解空间进行分区，并在分区内采用了更为高效的代理模型辅助优化，在真实航天器的姿控参数生成任务上，本发明的参数生成效率与参数生成质量均优于其他算法。主要贡献如下：

2、(1)提出基于最近更好聚类的动态分区方式，在分区过程中同时考虑了解空间与目标空间，并利用dbscan对每个分区进行收缩，不同分区之间的边界更加清晰。

3、(2)提出了基于ranknet的代理辅助模型，相比于其他的代理辅助模型能够充分利用样本数据，克服真实数据样本少而带来的模型的高不可靠性，同时具有更好的收敛速度。

4、(3)不同分区之间基于pso算法与模糊推理系统进行协同进化，动态分配分区中的搜索粒子，避免计算资源的浪费。

技术特征：

1.一种考虑动态分区与排序模型辅助的航天器姿控参数优化方法，包含动态解空间分区、分区间协同进化与基于ranknet模型辅助的分区搜索，其特征在于动态解空间分区包含以下步骤：

2.根据权利要求1所述的考虑动态分区与排序模型辅助的航天器姿态控制参数优化方法，其特征在于所述动态解空间分区步骤(3)中增加的有向边的详细叙述为：以给xi增加一条有向边为例，记为所有满足适应度优于xi的粒子下标集合，即xi指向di，j定义为粒子xi与xj之间的欧式距离，xj的选择等价于取使di，j达到最小值的粒子，步骤(4)中的边长阈值定义为θi，计算方式如下：

3.根据权利要求1所述的考虑动态分区与排序模型辅助的航天器姿态控制参数优化方法，其特征在于分区间协同进化采用的模糊推理系统是mamdani型模糊推理系统，附图3表明了模糊推理系统的模糊集与推理规则；跟随算子的速度更新向量定义为：

4.根据权利要求1所述的考虑动态分区与排序模型辅助的航天器姿态控制参数优化方法，其特征在于基于ranknet模型辅助的分区搜索的步骤中，通过对粒子的适应度划分等级得到训练数据并对构造训练样本，以概率的形式建模item对(xi，xj)的排序关系，xi排在xj前面的概率定义为：

技术总结
航天器的姿态控制系统参数设计是航天器设计中的重要工作，决定了航天器飞行时的飞行指标是否满足设计要求，发射后能否稳定运行并准确进入预定轨道。许多研究采用智能优化算法来解决参数优化问题，降低了参数设计成本。然而面对航天器中复杂的大规模受控对象，需同时考虑参数优化问题的多极值特性与适应度评估的昂贵性，已有的方法设计质量与效率不高。本发明提出了一种考虑动态分区与排序模型辅助的姿控参数优化方法。结合考虑了问题的解空间与目标空间对待搜索空间进行分区，并采用了更为高效的排序模型辅助优化。

技术研发人员：关东海,金继健,袁伟伟
受保护的技术使用者：南京航空航天大学
技术研发日：
技术公布日：2024/12/5