基于深度强化学习算法的空间站任务重规划方法

针对空间站短期任务重规划问题规划周期短、实时性约束多、约束传播复杂的特点,结合深度强化学习在智能学习和决策上的优势,提出了适用于深度强化学习的空间站任务状态空间编码方式,实现了基于深度确定性策略梯度算法的空间站任务重规划方法。该方法可以通过学习,自主化解约束冲突,摆脱人为预先设定约束冲突化解策略的限制。仿真分析表明:该方法可以通过算法本身不断地学习进化,找到空间站任务重规划问题的近似最优解,相比于传统解决方法,具有很强的智能性和适应性,为解决空间站任务规划问题提供了新思路。

空间站短期任务时间约束处理方法研究

针对空间站短期任务规划在处理任务相对时间约束时迭代判断次数多、计算效率低的问题,提出一套可快速准确对任务相对时间信息进行处理的方法。梳理空间站短期任务规划中任务相对时间约束的特点,建立通用的时间约束描述模型;基于模型将具有时序关系的关联任务梳理成任务时序链,并建立根据任务时间约束类型而划分任务层级的时间约束层次网络,提出考虑任务关联重要度的冲突化解策略;设计出基于标称时间的时间冗余启发规则规划流程,使规划可以由时间确定任务向时间不确定任务层层递推,减少规划中反复搜索,提升计算效率;最后通过一个包含177个任务的规划场景验证方法的有效性。结果表明:所提算法在处理相对时间约束的规划问题时效率比已有的规划方法提高约20%。

基于修正模型的天线指向误差统计特性分析

作为评估天线性能的重要指标之一,天线指向精度直接影响着天线的跟踪观测性能。为了适应任务需求,提高天线及星地链路分析精度,本文基于指向误差修正模型对模型各分量的影响因素含义进行了系统分析,并定量研究了各个分量对指向误差的影响。基于各模型参数的分布特性,提出了一种指向误差概率分布模型,进一步完善了天线指向误差分析计算方法,最后利用天线的典型参数分析计算了天线指向误差角近似满足修正瑞利分布下的特征,可为后续星地链路统计分析提供参考依据。