基于任务效能评价张量进化的航天器任务规划

航天器在空间探索时需要面对各种多任务场景,复杂的任务耦合关系和航天器轨迹约束给任务规划带来困难。本文提出了基于任务效能评价张量进化的航天器任务规划方法,利用张量形式来描述任务规划中任务点间转移轨迹与前序任务集的耦合关系,精确地评价不同任务规划方案下的转移轨迹代价和任务收益,从而有效地提高了任务规划效能,并极大缩减了任务规划的计算量。

航天器资源约束的时间拓扑排序处理方法

针对航天器自主任务规划中的资源受限、约束复杂、活动并行等问题,提出了基于时间拓扑排序的航天器资源计算方法。考虑规划结果中资源产生及消耗,采用资源约束网络模型表示规划中动作的资源需求。通过分析资源变化与动作执行时间的关系,在资源处理过程中对资源约束网络的资源突变时刻进行拓扑排序,优化了流量推进路径的选择过程,时间复杂度为O(n2)。数值仿真结果表明,算法提高了规划过程中资源处理的效率。

基于指针网络的空间目标遍历交会序列规划

单航天器对多目标的遍历交会任务规划是一类复杂度极高的混合整数优化问题,涉及顶层交会序列组合优化和底层飞行轨迹连续优化。现有方法将离散变量和连续变量一体优化,计算效率低且难以求得最优序列。提出了一种基于指针网络的多目标遍历交会序列规划方法,可快速获得最优序列。首先,构建了多目标遍历交会序列规划的神经网络模型,作为序列规划的决策智能体。其次,提出了一种基于异步优势函数行动者-评论家算法的无监督学习方法,避免了求解训练标签数据的计算开销。最后,为提高奖励函数的计算效率,在训练中嵌入了一种快速估计实际转移成本的近似方法。应用算例分析表明:所提出的训练方法可显著提高训练效率,经训练的决策智能体能够以超过88.7%的正确率快速求得最优序列。