高轨航天器集群在轨服务智能任务规划方法

V412.4; 针对高轨航天器多对多在轨服务任务规划问题,建立了考虑燃料消耗和任务时长两个优化目标的高轨航天器在轨服务任务规划模型,并提出了一种Q学习改进的多目标遗传算法(Q-learning-based Multi-objective Genetic Algorithm,QMGA).首先,建立了基于四脉冲Lambert转移的多对多目标分配模型,并同时以速度脉冲和任务用时为目标函数,通过将问题解耦为轨道转移优化问题和目标分配优化问题实现了优化变量的降维,简化了计算过程.然后,结合Q学习提出了QMGA算法,采用Q学习在线更新多目标遗传算法的交叉概率与变异概率,提高了算法的寻优能力.最后采用QMG...

Full description

Saved in:
Bibliographic Details
Published in中国空间科学技术（中英文） Vol. 45; no. 1; pp. 34 - 45
Main Authors 郑鑫宇, 曹栋栋, 唐佩佳, 张轶, 彭升人, 周杰, 党朝辉
Format Journal Article
LanguageChinese
Published 中国空间技术研究院 钱学森空间技术实验室,北京 100094%西北工业大学 航天学院,西安 710072 01.02.2025
Subjects
多目标遗传算法
multi-objective genetic algorithm
Q-learning
多目标分配任务规划
多脉冲Lambert转移
Q学习
集群任务规划
multi-objective assignment mission planning
multi-pulse Lambert transfer
cluster task planning
Online AccessGet full text
ISSN1000-758X
DOI10.16708/j.cnki.1000-758X.2025.0004

Cover

More Information
Summary:V412.4; 针对高轨航天器多对多在轨服务任务规划问题,建立了考虑燃料消耗和任务时长两个优化目标的高轨航天器在轨服务任务规划模型,并提出了一种Q学习改进的多目标遗传算法(Q-learning-based Multi-objective Genetic Algorithm,QMGA).首先,建立了基于四脉冲Lambert转移的多对多目标分配模型,并同时以速度脉冲和任务用时为目标函数,通过将问题解耦为轨道转移优化问题和目标分配优化问题实现了优化变量的降维,简化了计算过程.然后,结合Q学习提出了QMGA算法,采用Q学习在线更新多目标遗传算法的交叉概率与变异概率,提高了算法的寻优能力.最后采用QMGA算法求解模型,并将其计算结果与传统多目标遗传算法计算结果进行对比,发现QMGA算法可以得到更优的任务规划结果,计算得到的总速度增量消耗和总任务时间分别平均比 MGA计算得到的结果减少了6.2%和19.7%.这一结果证明强化学习方法可进一步赋能传统智能优化方法,从而提升航天器集群任务能力.
ISSN:1000-758X
DOI:10.16708/j.cnki.1000-758X.2025.0004