CN102222266A - 一种基于正态云模型的小卫星成本优化设计方法 - Google Patents
一种基于正态云模型的小卫星成本优化设计方法 Download PDFInfo
- Publication number
- CN102222266A CN102222266A CN2011101767375A CN201110176737A CN102222266A CN 102222266 A CN102222266 A CN 102222266A CN 2011101767375 A CN2011101767375 A CN 2011101767375A CN 201110176737 A CN201110176737 A CN 201110176737A CN 102222266 A CN102222266 A CN 102222266A
- Authority
- CN
- China
- Prior art keywords
- cost
- formula
- particle
- moonlet
- optimal location
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
一种基于正态云模型的小卫星成本优化设计方法,它涉及一种小卫星成本优化方法,以解决现有卫星成本优化方法采用基于梯度信息的优化算法,该算法对函数的连续性要求高,收敛慢、稳定性得不到保证,计算效率低的问题,方法:一、建立小卫星成本C优化模型;二、设定小卫星成本C的优化设计变量;三、对步骤一中的七个优化设计变量进行初始化赋值;四、假设优化算法已经完成了k(k≥1)步,计算每一个粒子的k+1步的速度;五:利用粒子k+1步的速度和k步时的位置计算每个粒子k+1步的位置六、计算k+1步每个粒子pi的自身最优位置和粒子群整体的最优位置Gk+1;七、比较k+1步粒子群整体的最优位置Gk+1的小卫星成本C(Gk+1)与k步粒子群整体的最优位置Gk的小卫星成本C(Gk)差的绝对值。本发明用于小卫星成本的计算。
Description
技术领域
本发明涉及一种小卫星成本优化方法,具体涉及一种基于正态云模型来构造的粒子群优化算法来优化卫星的成本。
背景技术
小卫星普遍应用在通信、遥感、导航和空间科学领域,卫星设计是一个多学科耦合的、复杂的设计过程,在设计过程中,对设计参数的变化比较敏感,在卫星的设计优化问题中,主要面临如下的困难:1、设计优化问题既包含连续优化变量,又包含离散优化变量,是一个包含连续变量和离散变量的混合变量优化问题,传统的基于梯度信息的优化方法求解效率低,不易于得到全局最优解;2、卫星设计优化问题涉及多个学科,学科间有较强的耦合性,传统的优化算法难于处理卫星设计优化问题的耦合性,算法的收敛性难于保证;3、由于卫星设计优化问题的复杂性,导致设计误差随着优化的进行不断累积,影响了优化结果的精度和稳定性。因此,不当的设计增加了卫星设计的成本,降低了设计效率,甚至有任务失败的风险。为了在详细设计阶段更好的满足设计的需求,提高设计的针对性、计划性和效率,有必要设计一个高效的优化算法对卫星的成本进行优化计算。传统的卫星成本优化算法采用的是基于梯度信息的优化算法,该算法的优点是算法收敛的方向可以控制,其缺点是对函数的连续性要求高,收敛慢、稳定性得不到保证,易陷入局部的最优点,且计算效率低。
发明内容
本发明的目的是为了解决现有卫星成本优化方法采用基于梯度信息的优化算法,该算法对函数的连续性要求高,收敛慢、稳定性得不到保证,易陷入局部的最优点,计算效率低的问题,提供一种基于正态云模型的小卫星成本优化设计方法。
本发明的一种基于正态云模型的小卫星成本优化设计方法是通过以下步骤实现的:
步骤一、建立小卫星成本C优化模型:小卫星成本C包括卫星***的成本Cs、地面***成本Cg和发射成本Cf,用C=Cs+Cg+Cf来计算;
步骤二、设定小卫星成本C的优化设计变量:小卫星成本C的优化设计变量共包含七个优化设计变量,分别是电荷耦合器件相机焦距、轨道高度、圆柱体形状卫星的底面半径、卫星高度、太阳电池的类型、蓄电池的类型和任务周期;
步骤三、对步骤一中的七个优化设计变量进行初始化赋值:每个粒子用pi表示,粒子群规模选为30个,随机生成每个粒子pi的初始位置 和初始速度 其中 式中 和 分别表示电荷耦合器件相机焦距、轨道高度、圆柱体形状卫星的底面半径、卫星高度、太阳电池的类型、蓄电池的类型和任务周期的初始值,其中 式中 和 分别表示 和 对应的速度初始值,
利用公式一和公式二对粒子群进行初始化赋值:
公式一: (j=1,2,…,7)
公式二: (j=1,2,…,7)
在公式一和公式二中,S1和S2是0,1之间的随机数,xmin是设计变量取值的下限,xmax是设计变量取值的上限;
每个粒子pi自身最优位置用Li来表示,Li的初始值 整个粒子群粒子的最优位置用G来表示,G的初始值G0按照下面步骤赋值:
步骤四、假设优化算法已经完成了k(k≥1)步,下面计算每一个粒子的k+1步的速度:
公式三:
公式四:
公式五:
公式三中的参数ω为惯性系数,c1和c2为置信系数,惯性系数ω取值范围是[0.8,1.2],置信系数c1和c2的取值范围是[0,2]; 是在第k步,由云模型生成的粒子pi当前位置 相对于它自身当前最优位置 的相对距离; 是在第k步,由云模型生成的粒子pi当前位置 相对于整个粒子群的最优位置Gk的相对距离,En是云模型的熵系数,He是云模型的超熵系数,在优化过程中En和He均取大于零的常数,其En和He取值需要满足公式六:
公式六:
正态云模型cloud(Ex,En,He)的计算方法如下:
公式七:E′n=randn(En,He)
公式八:cloud(Ex,En,He)=randn(Ex,E′n)
其中,E′n为计算过程中的中间变量,randn(En,He)表示生成En为期望,He为方差的以正态随机数;randn(Ex,E′n)表示生成以E′n为期望,He为方差的以正态随机数;
公式九: (i=1,2,…,30;j=1,2,…,7)
步骤六、计算k+1步每个粒子pi的自身最优位置 和粒子群整体的最优位置Gk+1:
公式十:
粒子群整体的最优位置Gk+1的计算过程如下:
公式十一
步骤七、比较k+1步粒子群整体的最优位置Gk+1的小卫星成本C(Gk+1)与k步粒子群整体的最优位置Gk的小卫星成本C(Gk)差的绝对值:如果|C(Gk+1)-C(Gk)|<0.01,则算法已经收敛,优化结束,Gk+1就是求得的最优解,如果|C(Gk+1)-C(Gk)|≥0.01,则算法没有收敛,k+1步求的Gk+1不是最优解,重新回到步骤四,按照步骤四~步骤六,根据k+1步得到的 和Gk+1计算k+2步的 和Gk+2,直到满足相邻两步的粒子群最优位置对应的小卫星成本的差的绝对值小于0.01为止。
本发明具有以下有益效果:
本发明针对卫星成本优化模型的这种结构,提出了基于正态云模型的粒子群优化算法,解决了卫星成本优化设计中既包括连续变量又包括离散变量的混合变量优化的时候收敛慢,精度不高的问题。本发明方法是在正态云模型的基础上构建,继承了云模型的确定性和随机性相融合的特性,提高了优化算法的收敛速度和全局最优性,比传统的基于梯度信息的算法收敛快、精度高。
具体实施方式
具体实施方式一:本实施方式是通过以下步骤实现的:
步骤一、建立小卫星成本C优化模型:小卫星成本C包括卫星***的成本Cs、地面***成本Cg和发射成本Cf,用C=Cs+Cg+Cf来计算;
步骤二、设定小卫星成本C的优化设计变量:小卫星成本C的优化设计变量共包含七个优化设计变量,分别是电荷耦合器件相机焦距、轨道高度、圆柱体形状卫星的底面半 径、卫星高度、太阳电池的类型、蓄电池的类型和任务周期;
步骤三、对步骤一中的七个优化设计变量进行初始化赋值:每个粒子用pi表示,粒子群规模选为30个,随机生成每个粒子pi的初始位置 和初始速度 其中 式中 和 分别表示电荷耦合器件相机焦距、轨道高度、圆柱体形状卫星的底面半径、卫星高度、太阳电池的类型、蓄电池的类型和任务周期的初始值,其中 式中 和 分别表示 和 对应的速度初始值,
利用公式一和公式二对粒子群进行初始化赋值:
公式一: (j=1,2,…,7)
公式二: (j=1,2,…,7)
在公式一和公式二中,S1和S2是0,1之间的随机数,xmin是设计变量取值的下限,xmax是设计变量取值的上限;
每个粒子pi自身最优位置用Li来表示,Li的初始值 整个粒子群粒子的最优位置用G来表示,G的初始值G0按照下面步骤赋值:
步骤四、假设优化算法已经完成了k(k≥1)步,下面计算每一个粒子的k+1步的速度:
公式三:
公式四:
公式五:
公式三中的参数ω为惯性系数,c1和c2为置信系数,惯性系数ω取值范围是[0.8,1.2],置信系数c1和c2的取值范围是[0,2]; 是在第k步,由云模型生成的粒子pi当前位置 相对于它自身当前最优位置 的相对距离; 是在第k步,由云模型生成的粒子pi当前位置 相对于整个粒子群的最优位置Gk的相对距离,En是云模型的熵系数,He是云模型的超熵系数,在优化过程中En和He均取大于零的常数,其En和He取值需要满足公式六:
公式六:
正态云模型cloud(Ex,En,He)的计算方法如下:
公式七:E′n=randn(En,He)
公式八:cloud(Ex,En,He)=randn(Ex,E′n)
其中,E′n为计算过程中的中间变量,randn(En,He)表示生成En为期望,He为方差的以正态随机数;randn(Ex,E′n)表示生成以E′n为期望,He为方差的以正态随机数;
公式九: (i=1,2,…,30;j=1,2,…,7)
公式十:
粒子群整体的最优位置Gk+1的计算过程如下:
公式十一
Claims (1)
1.一种基于正态云模型的小卫星成本优化设计方法,其特征在于:所述方法是通过以下步骤实现的:
步骤一、建立小卫星成本C优化模型:小卫星成本C包括卫星***的成本Cs、地面***成本Cg和发射成本Cf,用C=Cs+Cg+Cf来计算;
步骤二、设定小卫星成本C的优化设计变量:小卫星成本C的优化设计变量共包含七个优化设计变量,分别是电荷耦合器件相机焦距、轨道高度、圆柱体形状卫星的底面半径、卫星高度、太阳电池的类型、蓄电池的类型和任务周期;
步骤三、对步骤一中的七个优化设计变量进行初始化赋值:每个粒子用pi表示,粒子群规模选为30个,随机生成每个粒子pi的初始位置和初始速度其中式中分别表示电荷耦合器件相机焦距、轨道高度、圆柱体形状卫星的底面半径、卫星高度、太阳电池的类型、蓄电池的类型和任务周期的初始值,其中式中 分别表示对应的速度初始值,
利用公式一和公式二对粒子群进行初始化赋值:
公式一:
公式二:
在公式一和公式二中,s1和s2是0,1之间的随机数,xmin是设计变量取值的下限,xmax是设计变量取值的上限;
步骤四、假设优化算法已经完成了k(k≥1)步,下面计算每一个粒子的k+1步的速度:
公式三:
公式四:
公式五:
公式三中的参数ω为惯性系数,c1和c2为置信系数,惯性系数ω取值范围是[0.8,1.2],置信系数c1和c2的取值范围是[0,2];是在第k步,由云模型生成的粒子pi当前位置相对于它自身当前最优位置的相对距离;是在第k步,由云模型生成的粒子pi当前位置相对于整个粒子群的最优位置Gk的相对距离,En是云模型的熵系数,He是云模型的超熵系数,在优化过程中En和He均取大于零的常数,其En和He取值需要满足公式六:
公式六:
正态云模型cloud(Ex,En,He)的计算方法如下:
公式七:E′n=randn(En,He)
公式八:cloud(Ex,En,He)=randn(Ex,E′n)
其中,E′n为计算过程中的中间变量,randn(En,He)表示生成En为期望,He为方差的以正态随机数;randn(Ex,E′n)表示生成以E′n为期望,He为方差的以正态随机数;
公式九:
步骤六、计算k+1步每个粒子pi的自身最优位置和粒子群整体的最优位置Gk+1:
公式十:
粒子群整体的最优位置Gk+1的计算过程如下:
公式十一
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011101767375A CN102222266B (zh) | 2011-06-28 | 2011-06-28 | 一种基于正态云模型的小卫星成本优化设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011101767375A CN102222266B (zh) | 2011-06-28 | 2011-06-28 | 一种基于正态云模型的小卫星成本优化设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102222266A true CN102222266A (zh) | 2011-10-19 |
CN102222266B CN102222266B (zh) | 2013-11-13 |
Family
ID=44778811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011101767375A Expired - Fee Related CN102222266B (zh) | 2011-06-28 | 2011-06-28 | 一种基于正态云模型的小卫星成本优化设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102222266B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109100690A (zh) * | 2018-07-10 | 2018-12-28 | 哈尔滨工业大学 | 一种基于Hilbert-Huang变换的超宽带时域RCS测量信号处理方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2073399A2 (en) * | 2007-12-18 | 2009-06-24 | Gilat Satellite Networks, Ltd. | Multi-dimensional adaptive transmission technique |
CN101858969A (zh) * | 2010-03-26 | 2010-10-13 | 航天东方红卫星有限公司 | 一种基于优化虚拟转动的卫星目标姿态预先确定方法 |
-
2011
- 2011-06-28 CN CN2011101767375A patent/CN102222266B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2073399A2 (en) * | 2007-12-18 | 2009-06-24 | Gilat Satellite Networks, Ltd. | Multi-dimensional adaptive transmission technique |
CN101858969A (zh) * | 2010-03-26 | 2010-10-13 | 航天东方红卫星有限公司 | 一种基于优化虚拟转动的卫星目标姿态预先确定方法 |
Non-Patent Citations (2)
Title |
---|
J.L.SMITH: "小卫星的低成本姿态确定与控制", 《控制工程》 * |
王兆耀等: "卫星成本预测的一种动态建模结构", 《宇航学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109100690A (zh) * | 2018-07-10 | 2018-12-28 | 哈尔滨工业大学 | 一种基于Hilbert-Huang变换的超宽带时域RCS测量信号处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102222266B (zh) | 2013-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102419597B (zh) | 一种限定相对姿态的大规模编队航天器姿态一致控制方法 | |
CN109283934B (zh) | 基于旋转路径质量的航天器多约束姿态机动优化方法 | |
CN104237887B (zh) | 一种sar遥感影像匹配方法 | |
JP6356448B2 (ja) | 日照情報生成装置、日照情報提供システムおよび日照情報提供方法 | |
CN102506876B (zh) | 一种地球紫外敏感器测量的自主导航方法 | |
CN102322862B (zh) | 一种编队飞行卫星绝对和相对轨道确定方法 | |
CN102116626B (zh) | 星点轨迹图像的节点预测修正方法 | |
CN102736518A (zh) | 一种含测量和输入时滞的挠性航天器复合抗干扰控制器 | |
CN105635963A (zh) | 多智能体分布式协同定位方法 | |
US9419437B2 (en) | Finite time power control for smart-grid distributed system | |
CN104036331A (zh) | 一种基于改进粒子群算法的电力***动态经济调度方法 | |
CN103985154A (zh) | 一种基于全局线性方法的三维模型重建方法 | |
CN105048479A (zh) | 一种光伏电站无功分组调节方法 | |
CN102567439A (zh) | Srg剖分编码与地理坐标的转换算法 | |
CN103400416A (zh) | 一种基于概率多层地形的城市环境机器人导航方法 | |
CN102496033B (zh) | 基于mr计算框架的图像sift特征匹配方法 | |
CN102222266B (zh) | 一种基于正态云模型的小卫星成本优化设计方法 | |
CN114877883A (zh) | 车路协同环境下考虑通信延迟的车辆定位方法及*** | |
CN103278140B (zh) | 用于tdiccd线阵推扫传感器的坐标反算方法 | |
Shi et al. | Multi-UAV-assisted computation offloading in DT-based networks: A distributed deep reinforcement learning approach | |
Benhammou et al. | Improvement of autonomy, efficiency, and stress of fuel cell hybrid electric vehicle system using robust controller | |
Dong et al. | Herglotz-type principle and first integrals for nonholonomic systems in phase space | |
CN106202700A (zh) | 一种光伏发电出力预测的数据分析方法 | |
CN109889564A (zh) | 一种网联汽车的集中式群体协同控制方法 | |
CN108562292A (zh) | 基于hp自适应伪谱法的太阳帆星际转移轨迹优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20131113 Termination date: 20160628 |