CN108919818B - 基于混沌种群变异pio的航天器姿态轨道协同规划方法 - Google Patents

Abstract

本发明公开了基于混沌种群变异PIO的航天器姿态轨道协同规划方法，属于卫星姿态轨道控制的技术领域。本发明在算法的演化阶段采取了“探索”，“搜寻”，“变异”，“归巢”的鸽群动态寻优策略。在地图指南针阶段针对种群的初始化问题加入混沌算子进行初始化操作，在种群完成初始化后加入了自适应算子实现了种群可依据当前种群演化状态自适应演化，同时加入了变异算子来解决种群陷入局部最优解的问题；在地标算子阶段针对种群收缩问题加入收缩算子，解决了优秀个体流失过快、种群退化问题，使规划结果更加平滑，种群演化更加深入，局部最优解问题以及算法发散问题得到了解决，进一步减少了算法的计算量。

Description

基于混沌种群变异PIO的航天器姿态轨道协同规划方法

技术领域

本发明公开了基于混沌种群变异PIO的航天器姿态轨道协同规划方法，属于卫星姿态轨道控制的技术领域。

背景技术

PIO(Pigeon-Inspired Optimization，鸽群启发优化)算法是受鸽群在归巢过程中的导航过程的启发发展而来的，鸽群在远离目的地的时候主要依靠太阳以及地磁进行导航，而在抵近目的地后则会使用地标进行导航，并且群体中不熟悉地标的个体将会跟随熟悉地标的群体飞行。

现有PIO算法能够实现无人机以及机器人的避障以及路径规划、图像边缘识别，但是尚未解决航天器姿态轨道在复杂约束条件以及强耦合关系下的协调规划问题。现有PIO算法存在以下四类缺陷：(1)研究发现种群状态的初始化会直接影响前期的种群演化结果，并且当前的PIO算法在种群演化时无法根据种群当前的演化状态自适应地对后面的演化进行调整，这使得算法存在易陷入局部最优解、演化停滞、提前收敛、演化不深入等问题；(2)现有PIO算法在地标算法阶段存在种群数量下降过快的问题，这使得种群在最后阶段未充分演化便将优秀个体淘汰，算法有发散甚至退化的可能；(3)在适应度函数方面，当前PIO算法无法针对规划结果的平滑程度进行筛选。(4)研究发现现有PIO算法的结果的方差较大，这使得航天器的控制机构频繁启动，消耗航天器宝贵能源的同时对机械结构也有一定的磨损。

而当前针对航天器的姿态轨道的规划算法普遍是将姿态和轨道分开进行规划的，但是航天器的姿态轨道实际上存在直接的耦合关系，在进行制导时应考虑到航天器的位置，在航天器轨道规划结果的基础上对姿态进行规划。目前，针对航天器姿态规划问题，McInness通过势函数构建了姿态限制性区域的模型并且使用了李雅普诺夫第二法则得到控制量的输入，该方法虽然计算量较低，可有效减少星载计算机的资源占用，但是并没有将航天器姿态机动的时间以及耗能考虑在内，同时，在计算过程中使用的欧拉角在运动学描述中产生奇点；Melton从最优控制的角度使用数值解法，但是其计算量较大并且可能无法适用于无障碍运动；苏抗等人从卫星低RCS特性的角度出发对卫星的姿态进行规划，但是其并未对滚转角进行规划，且俯仰角仅可在[0-180°]内规划；Kjellberg等人采用二十面体离散化技术并使用A*算法实现最优路径的规划，但是算法中并未考虑边界约束和动态约束；Kim Y等人将路径规划问题转换成半定规划问题，但该方法的复杂度会随着约束的增加而急剧增大。

本发明旨在对现有PIO算法的核心迭代算法以及适应度函数进行深度改进以实现航天器集群的姿态轨道协同规划。

发明内容

本发明的发明目的是针对上述背景技术的不足，提供了基于混沌种群变异PIO的航天器姿态轨道协同规划方法，采用改进型PIO算法实现了强耦合关系下的航天器姿态轨道的协同规划，解决了现有航天器姿态轨道规划方案尚未实现姿态与轨道的协同规划以及现有姿态规划方案或轨道规划方案未考虑全部动态约束条件和影响规划结果的全部因素且复杂度大的技术问题。

本发明为实现上述发明目的采用如下技术方案：

基于混沌种群变异PIO的航天器姿态轨道协同规划方法，采用基于混沌种群变异的自适应鸽群算法规划航天器路径，依据路径节点与航天器的姿态性强制约束以及限制性约束的相对关系建立姿态规划模型，将姿态规划模型映射到R参数空间，采用基于混沌种群变异的自适应鸽群算法规划航天器姿态得到耦合的姿态轨道规划结果。

作为基于混沌种群变异PIO的航天器姿态轨道协同规划方法的进一步优化方案，基于混沌种群变异的自适应鸽群算法包含以下两个阶段：

指南针算子迭代演化阶段：在每次迭代过程中分别选出当前迭代过程中的局部最优位置以及所有个体在当前迭代过程中产生的全局最优位置，并引入表示个体对鸽群整体在之前迭代中所产生的精英个体学习的全局更新算子和表示前两次迭代演化趋势的自适应算子以及对种群进行变异操作的变异算子，迭代更新个体的位置和速度，变异算子仅在种群适应度变化率达判定门限值时启动，所述变异算子启动后生成一个以个体当前位置为均值且以当前种群适应度变化率的倒数为方差的随机数，在当前迭代次数达到设定值时进入地标算子迭代演化阶段；

地标算子迭代演化阶段：依据种群适应度对种群进行筛选进而迭代更新局部最优个体和全局最优个体。

作为基于混沌种群变异PIO的航天器姿态轨道协同规划方法的进一步优化方案，指南针算子描述为：

V_i(t+1)分别为第i只个体在第t次迭代、第t+1次迭代中的速度，X_i(t)、X_i(t+1)分别为第i只个体在第t次迭代、第t+1次迭代中的位置，w为惯性因子，

w_max和w_min为惯性因子最大值和最小值，T_max为最大迭代次数，

为第i只个体在第t次迭代中的局部最优位置，C_p为自适应算子，

fitness(t-3)、fitness(t-2)、fitness(t-1)分别为种群在第t-3次、第t-2次、第t-1次迭代中的适应度值，X_g为所有个体在第t次迭代中的全局最优位置，C_g为全局更新算子，

C_r为激活因子，

R_d(t+1)为变异算子在第t+1次迭代中生成的随机数，

fitness(t)为种群在第t次迭代中的适应度值。

作为基于混沌种群变异PIO的航天器姿态轨道协同规划方法的进一步优化方案，所述种群适应度由各个体的适应度确定，第i只个体的适应度fitness(i)的表达式为：

threat_in^j(i)、w₁为第i只个体进入威胁区域j时的威胁度及其权值，threat_out^j(i)、w₂为第i只个体在威胁区域j外时的威胁度及其权值，distance(i)、w₃为第i只个体规划路径的整体距离消耗对整体规划距离的影响程度及其权值，angle(i)、w₄为第i只个体规划路径的机动角度及其权值，w₁+w₂+w₁+w₄＝1。

作为基于混沌种群变异PIO的航天器姿态轨道协同规划方法的更进一步优化方案，第i只个体进入威胁区域j时的威胁度threat_in^j(i)为：

L_i,k为第i只个体所规划路径第k个分段的长度，t_j为威胁区域j的威胁等级，K为第i只个体所规划路径的分段数目，d_0.1,k、d_0.3,k、d_0.5,k、d_0.7,k、d_0.9,k分别为第i只个体所规划路径第k个分段的十分之一处、十分之三处、十分之五处、十分之七处、十分之九处与威胁区域j中心的距离，T_j为威胁区域j的中心位置，R_j为威胁区域j的半径，X_i(t)为在t次迭代中第i只个***置的三维坐标。

作为基于混沌种群变异PIO的航天器姿态轨道协同规划方法的更进一步优化方案，第i只个体在威胁区域j外时的威胁度threat_out^j(i)为：

t_j为威胁区域j的威胁等级，K为第i只个体所规划路径的分段数目，d_0.1,k、d_0.3,k、d_0.5,k、d_0.7,k、d_0.9,k分别为第i只个体所规划路径第k个分段的十分之一处、十分之三处、十分之五处、十分之七处、十分之九处与威胁区域j中心的距离，T_j为威胁区域j的中心位置，R_j为威胁区域j的半径，X_i(t)为在t次迭代中第i只个***置的三维坐标。

再进一步的，基于混沌种群变异PIO的航天器姿态轨道协同规划方法中，威胁区域j的威胁等级t_j为：

表示从威胁区域j的中心位置指向第i-1只个***置的向量，

表示从第i-1只个***置指向第i只个***置的向量。

作为基于混沌种群变异PIO的航天器姿态轨道协同规划方法的更进一步优化方案，第i只个体规划路径的机动角度angle(i)为：

M为个体数目，

表示从第i-2只个***置指向第i-1只个***置的向量，

表示从第i-1只个***置指向第i只个***置的向量。

作为基于混沌种群变异PIO的航天器姿态轨道协同规划方法的进一步优化方案，地标算子迭代演化阶段依据表达式：

更新种群数量，N_P(t)为第t次迭代的种群数量，N为种群数量，T_max为最大迭代次数。

作为基于混沌种群变异PIO的航天器姿态轨道协同规划方法的再进一步优化方案，在指南针算子迭代演化阶段开始前，采用Tent Map映射混沌初始化种群。

本发明采用上述技术方案，具有以下有益效果：

(1)本文针对航天器在复杂约束下的姿态轨道协同规划问题设计了一种基于混沌种群变异的自适应鸽群改进型算法，并且将航天器姿态规划空间映射到Rodrigues参数空间中进行规划，以满足欧拉角规划解耦的问题，使得卫星在空间中的每一个位置对应一个姿态，得到了姿态限制性的规划结果；

(2)引入的自适应算子依据种群当前状态来动态调整种群搜索的范围，在种群进化缓慢时加大搜索范围，在种群速度过快时减小搜搜范围，可提升演化深度并在一定程度上避免局部最优解，引入的变异算子在种群陷入局部最优解时使种群脱离局部最优解而在种群得到全局最优解时保留全局最优解，在地标算子阶段针对种群收缩问题加入收缩算子以更新种群数量，解决了优秀个体流失过快、种群退化问题，使规划结果更加平滑，种群演化更加深入，局部最优解问题以及算法发散问题得到了解决，算法具有更快的收敛速度，大大降低了计算量，实现了航天器姿态轨道的最优规划；

(3)适应度函数引入平滑程度评价因子以对种群演化结果的平滑程度进行筛选，使优化结果尽量平滑，减少抖动，对威胁等级的改进是针对航天器编队与威胁区域距离的进行的，航天器进入威胁区域后威胁等级十分高且上升趋势随距离的靠近而加快，可在筛选时避免选择进入碰撞范围的解，而威胁等级在航天器离开威胁区域后下降平缓，可筛选离开碰撞范围的解，对航天器的位置相要求相对松散。

附图说明

图1为使用Tent Map映射种群初始化的示意图。

图2为种群数量随迭代次数变化趋势的示意图。

图3为姿态轨道协同规划的示意图。

图4为本申请利用基于混沌种群变异的自适应鸽群算法规划航天器姿态轨道的流程图。

图5为经典款PIO算法轨道规划的仿真图。

图6为粒子群算法轨道规划的仿真图。

图7为本申请改进型混沌种群变异自适应鸽群算法轨道规划的仿真图。

图8为本申请提出的CPVAPIO算法和PIO算法及PSO算法计算成本的对比图。

图9为采用本申请CPVAPIO算法得到的姿态限制性规划结果。

图10为采用本申请CPVAPIO算法得到的航天器姿态角规划结果。

具体实施方式

下面结合附图对发明的技术方案进行详细说明。

本文针对鸽群算法的种群初始化，种群迭代演化，以及适应度函数三个方面进行了重点研究，并提针对现有遗传算法的不足，提出了基于“探索”，“搜寻”，“变异”，“归巢”的鸽群动态寻优策略以解决现有算法在收敛速度，局部最优，演化深度方面存在的问题。

(1)探索：

在“探索”阶段，种群进行初始化，作为非线性***中一种典型的现象——混沌现象，具有随机性、遍历性以及规律性等特点。在该阶段利用混沌现象的遍历性可使初始化种群尽量分散地分布在整个需要探索的空间内，同时，种群中的个体有更高的概率接近搜索空间中的全局最优解，在一定程度上改善种群初始化过于集中所导致的迭代逐步陷入局部最优解的缺陷。

于是，在种群的初始化中使用Tent Map映射混沌初始化种群：

S_n+1＝ξ*(1-2*|S_n-0.5|),n＝0,1,2...,N (1)，

其中，0＜S₀＜1，随机数ξ取1时则***处于完全混沌状态，S_n为混沌空间内对应规划空间内第i只个***置的混沌个体，S_n+1为对应规划空间内第i+1只个***置的混沌个体，同时所需要初始化的空间的范围是[X_min,X_max]，规划的维度为D，于是，个体初始化位置为：

如图1所示，Tent Map映射可以很好的覆盖0-1的空间。

(2)搜寻：

在种群完成初始化后开始迭代对整个空间进行搜索寻优，本部分针对经典PIO算法的核心迭代算子进行了研究，种群在演化的过程中主要参考全局最优个体的位置信息来更新，而迭代初期的种群进化并不深入，全局最优个体相对普通个体并不具有十分明显的优势，从而对整个种群的参考价值并不高，与此同时，经典PIO算法在更新速度时，全局最优解的权值为一个随机数。于是，本文针对全局最优个体加入了全局更新算子C_g，使全局最优个体只有在优势明显时才具有更高的权值，而迭代初期的权值较小。

研究发现，在迭代初期，单个个体在已有迭代中的演化经验相比初期的全局最优个体具有更高的参考价值，可以达到帮助收敛的目的，而经典PIO算法并没有对该信息加以利用，于是，本文创新性地引入了自适应算子C_p，使之可以依据种群中个体当前迭代状态与前两次迭代的演化趋势进行自适应调整，在鸽群进化缓慢时增大搜索的范围，以达到动态搜索最优个体的目的。

自适应改进型地图指南针的优化算子更新公式如下：

X_i(t+1)＝X_i(t)+V_i(t+1) (4)，

其中，V_i(t)、V_i(t+1)分别为第i只个体在第t次迭代、第t+1次迭代中的速度，X_i(t)为第i只个体在第t次迭代中的位置，

为第i只个体在t次迭代中的局部最优位置，X_g为所有个体在第t次迭代中的全局最优位置，fitness(t-3)、fitness(t-2)、fitness(t-1)分别为第i只个体在第t-3次、第t-2次、第t-1次迭代中的适应度值，w为惯性因子，w_max为惯性因子最大值，此处取0.9，w_min惯性因子最小值，此处取0.4，T_max为最大迭代次数，t为当前迭代次数。

(3)变异：

局部最优解是经典PIO算法以及同类遗传算法共同存在的问题，如何抑制算法陷入局部最优解以及在算法陷入局部最优解后如何激活种群脱离局部最优解是解决此类问题的关键，于是，本文在上述优化算子的基础上进一步加入了种群变异算子。当种群适应度值的变化率连续30次低于0.01时，则种群有可能陷入了局部最优解，此时，对鸽群中距离当前局部最优解较远的一半(即按适应度值排序的后一半个体)进行变异，变异算子取一个以个体当前位置为均值且以当前适应度变化率的倒数为方差的随机数。可使后一半种群在下次迭代中被激活，进而实现大范围搜索，将种群带出局部最优解。同时，由于仅对后一半种群进行变异，如果算法已找到全局最优解，大范围搜索的结果不会优于当前已找到的全局最优解，故不会使算法发散。

最终地图指南针的优化算子如下：

其中，C_r(R_d(t+1)-X_i(t))为变异算子，C_r为激活因子，R_d(t+1)为以X_i(t)为均值且以

为方差的高斯随机变量。

(4)归巢：

在结束地图指南针算子迭代演化阶段后，算法进入地标算子迭代演化阶段，地标算子在该阶段快速减少种群数量以保留全局最优解、抑制种群发散。但在经典PIO算法中，该阶段种群下降速度为每次减少一半，减少速度过快以至于超过了种群收敛的速度，从而导致种群退化。于是，本申请对种群降低策略进行了改进，使种群数量在前期快速下降筛选优势个体而在后期缓慢下降保留优势个体。

种群数量N_P(t)按下式进行更新：

其中，N为种群数量，此处，取N＝30，T_max＝50，种群数量随迭代次数的变化趋势如图2所示。

在经典PIO算法的适应度函数中，仅对规划路径的长短以及与障碍区域的距离做了定义，而在实际问题中，非威胁区域的路径规划依然对航天器的整体机动最优化程度有着重要的影响。

在经典PIO算法中，用于定义障碍区域威胁程度的t_k为一变量，可针对威胁区域的不同设定不同的威胁等级，而航天器避障与飞机穿过雷达区域不同，任何与威胁区域的接触均会引起碰撞，碰撞是航天器路径规划需要规避的问题。于是，本申请将t_k改进为与航天器同障碍航天器距离相关的函数，距离越近表示威胁程度越高，而在航天器远离障碍时，威胁程度迅速降低，以避免航天器不必要的机动。

同时，对于航天器机动问题，优化的轨迹应尽量平滑以减少大角度大范围的机动进而延长航天器的使用寿命，于是在适应度函数中应加入机动角度因子。

于是，在原适应度函数的基础上进行改进如下式：

其中，fitness(i)为第i只个体的适应度，threat_in^j(i)、w₁为第i只个体进入威胁区域j时的威胁度及其权值，threat_out^j(i)、w₂为第i只个体在威胁区域j外时的威胁度及其权值，distance(i)、w₃为第i只个体规划路径的整体距离消耗对整体规划距离的影响程度及其权值，angle(i)、w₄为第i只个体规划路径的机动角度及其权值，w₁+w₂+w₁+w₄＝1。该适应度函数，在规划空间中针对路径进入威胁区域内与在威胁区域外的情形建立不同的适应度函数，并且加入评价路径平滑程度的angle(i)。

当规划路径进入威胁区域时，其适应度函数为：

其中，L_i,k为第i只个体所规划路径第k个分段的长度，t_j为威胁区域j的威胁等级，K为第i只个体所规划路径的分段数目，d_0.1,k、d_0.3,k、d_0.5,k、d_0.7,k、d_0.9,k分别为第i只个体所规划路径第k个分段的十分之一处、十分之三处、十分之五处、十分之七处、十分之九处与威胁区域j中心的距离，T_j为威胁区域j的中心位置，R_j为威胁区域j的半径，实际中，R_j为第j个障碍航天器的外轮廓半径，X_i(t)为在第t次迭代中第i只个***置的三维坐标。

当规划路径未进入威胁区域时，其适应度函数为：

在以上两式中，t_j表征当前的威胁等级：

其中，

表示从威胁区域j的中心位置指向第i-1只个***置的向量，

表示从第i-1只个***置指向第i只个***置的向量。

路径平滑适应度函数为：

其中，M为个体数目，

表示从第i-2只个***置指向第i-1只个***置的向量。

航天器姿态轨道协同规划方案

航天器的姿态轨道规划问题是航天领域的热点问题，但是目前已有的研究主要将姿态与轨道单独进行研究，而在实际中由于航天器轨道的变化，观测任务目标以及其它天体的相对位置也发生了变化。从而轨道的规划问题与姿态的规划问题是存在耦合关系的，应将二者协同考虑。

于是，本文首先依据航天器机动变轨时需要规避的障碍建立路径规划空间的模型，初始化障碍区域以及航天器的当前位置以及目标位置，利用本文中的算法进行航天器的路径规划。随后在已完成路径规划的基础上，依据路径点与航天器的姿态强制性约束以及限制性约束的相对关系建立姿态规划模型，并将模型映射到R参数空间中，从而再次利用本文提出的基于混沌种群变异的自适应鸽群优化方法(下文简称CPAVPIO算法)进行规划完成姿态轨道的协同规划，输出耦合的姿态轨道规划结果，协同规划的流程如图3所示。

本发明采用混沌种群变异的自适应鸽群算法实现航天器的姿态轨道协同规划如图4所示。

(1)初始化鸽群位置以及算法参数

在鸽群的位置初始化中应用Tent Map混沌理论，使鸽群的初始化位置尽量均匀且无规律的分散在整个规划空间中。并且设置鸽群数量Q、搜索维度D、鸽群的初始化位置为X⁰＝[x⁰ y⁰ z⁰]，鸽群的目标位置为X^D＝[x^D y^D z^D]，地图指南针算子迭代次数T₁、最大迭代次数T_MAX、第j个威胁区域的中心坐标T_j＝[x_T y_T z_T]^T、第j个威胁区域的半径R_j。

(2)启动地图指南针算子进行种群演化

为了使增加种群的演化深度，在种群演化过程中尽量避免陷入局部最优解，相比传统的算法中对全局最优解单一参考，应该使种群依据当前演化的状态来决定下一次迭代演化中对全局最优解的参考。于是，创新性地设计了如式(3)至式(7)所示的自适应改进型地图指南针的优化算子。

(3)局部最优解脱离

当前同类型算法共同存在的一个问题即为种群有可能会陷入局部最优解。而在陷入局部最优解后如何使种群脱离局部最优解，同时，使得种群不至于太活跃而使算法发散，以及在将全局最优解误判为局部最优解后使算法脱离全局最优解的问题是一个难点问题。为解决此问题，在算法中设计了变异算子。当种群适应度值的变化率连续30次低于0.01时则种群有可能陷入了局部最优解，此时，对鸽群中距离当前局部最优解较远的一半(即按适应度值排序的后一半个体)进行变异，变异算子将产生以当前值为均值并以当前适应度变化率的倒数为方差的一个随机数，以这个随机数作为参考进行后续演化，这样使得当前的解得到了保留。如果当前解为局部最优解，距离此解较远的后一半种群在变异后可将种群带离此解；如果当前解已为全局最优解，则后一半种群的演化不会产生优于此解的结果，因而保留了全局最优解。最终得到如式(8)至式(10)所示的地图指南针的优化算子。

(4)启动地标算子进行种群演化

原始算法的地标算子部分，种群减少速率过快甚至超过了种群收敛的速度，于是，本申请对种群的下降速率进行设计，使种群数量在前期快速下降以筛选优势个体而在后期缓慢下降保留优势个体，种群数量按式(11)进行更新。

(5)适应度函数

在演化的过程中依据适应度函数对种群进行筛选排序，产生局部最优解与全局最优解。

仿真实验与结果验证

实验设定当前机动航天器在运动坐标系下开始机动时位于坐标系原点(0,0,0,)KM，目标位置为(65,80,30)KM，设定变轨航天器前方障碍航天器的相对位置为(45,50,5)KM，(8,25,15)KM，(40,68,7)KM，航天器的最小安全距离为5KM。

仿真实验条件为主核四核2.8Hz、16GB内存、64位计算机，在此基础上设定算法内部参数分别为：

●经典款PIO算法与改进型PIO算法：个体数量M＝30，规划维度D＝20，迭代次数为200次(地图指南针算子150次，地标算子50次)。

●粒子群算法：个体数量M＝30，规划维度D＝20，迭代次数为200次。

●混沌种群变异的自适应鸽群算法(CPAVPIO算法)：个体数量M＝30，规划维度D＝20，迭代次数为200次。

1.1航天器轨道规划实验结果及算法性能对比

经典款PIO算法轨道规划结果如图5所示，粒子群(PSO)算法轨道规划结果如图6所示，本申请基于混沌种群变异自适应鸽群(CPVAPIO)改进算法轨道规划的结果如图7所示，CPVAPIO算法和PIO算法及PSO算法计算成本如图8所示，CPVAPIO算法和PIO算法及PSO算法计算量对比如表1所示。

表1CPVAPIO算法和PIO算法及PSO算法计算量对比

采用本申请CPVAPIO算法得到的姿态限制性规划结果如图9所示，采用本申请CPVAPIO算法得到的航天器姿态角规划结果如图10所示。

可见，本文针对航天器在复杂约束下的姿态轨道协同规划问题设计了一种基于混沌种群变异的自适应鸽群改进型算法，并且将航天器姿态规划空间映射到Rodrigues参数空间中进行规划，以满足欧拉角规划解耦的问题。通过对比实验可以看出本文的算法相比于经典PIO算法以及PSO算法，在规划结果上更加平滑，可减少不必要的姿轨调整；仿真结果表明，混沌种群变异的自适应鸽群算法(CPAVPIO算法)相比PIO以及PSO算法，种群进化更加深入，适应度下降值在10左右，而其余两种算法均在5左右，同时，算法具有更快的收敛速度；并且通过计算量的对比可以看出本文的改进型算法大大降低了计算量，实现了航天器姿态轨道的最优规划。

Claims (10)

1.基于混沌种群变异PIO的航天器姿态轨道协同规划方法，其特征在于，采用基于混沌种群变异的自适应鸽群算法规划航天器路径，依据路径节点与航天器的姿态性强制约束以及限制性约束的相对关系建立姿态规划模型，将姿态规划模型映射到R参数空间，采用包含指南针算子迭代演化阶段和地标算子迭代演化阶段的基于混沌种群变异的自适应鸽群算法规划航天器姿态得到耦合的姿态轨道规划结果，其中，

指南针算子迭代演化阶段：在每次迭代过程中分别选出当前迭代过程中的局部最优位置以及所有个体在当前迭代过程中产生的全局最优位置，并引入表示个体对鸽群整体在之前迭代中所产生的精英个体学习的全局更新算子和表示前两次迭代演化趋势的自适应算子以及对种群进行变异操作的变异算子，迭代更新个体的位置和速度，变异算子仅在种群适应度变化率达判定门限值时启动，所述变异算子启动后生成一个以个体当前位置为均值且以当前种群适应度变化率的倒数为方差的随机数，在当前迭代次数达到设定值时进入地标算子迭代演化阶段。

2.根据权利要求1所述基于混沌种群变异PIO的航天器姿态轨道协同规划方法，其特征在于，

地标算子迭代演化阶段：依据种群适应度对种群进行筛选进而迭代更新局部最优个体和全局最优个体。

3.根据权利要求2所述基于混沌种群变异PIO的航天器姿态轨道协同规划方法，其特征在于，所述指南针算子描述为：

V_i(t)、V_i(t+1)分别为第i只个体在第t次迭代、第t+1次迭代中的速度，X_i(t)、X_i(t+1)分别为第i只个体在第t次迭代、第t+1次迭代中的位置，w为惯性因子，

w_max和w_min为惯性因子最大值和最小值，T_max为最大迭代次数，

为第i只个体在第t次迭代中的局部最优位置，C_p为自适应算子，

fitness(t-3)、fitness(t-2)、fitness(t-1)分别为种群在第t-3次、第t-2次、第t-1次迭代中的适应度值，X_g为所有个体在第t次迭代中的全局最优位置，C_g为全局更新算子，

C_r为激活因子，

R_d(t+1)为变异算子在第t+1次迭代中生成的随机数，

fitness(t)为种群在第t次迭代中的适应度值。

4.根据权利要求2所述基于混沌种群变异PIO的航天器姿态轨道协同规划方法，其特征在于，所述种群适应度由各个体的适应度确定，第i只个体的适应度fitness(i)的表达式为：

fitness(i)为第i只个体的适应度，threat_in^j(i)、w₁为第i只个体进入威胁区域j时的威胁度及其权值，threat_out^j(i)、w₂为第i只个体在威胁区域j外时的威胁度及其权值，distance(i)、w₃为第i只个体规划路径的整体距离消耗对整体规划距离的影响程度及其权值，angle(i)、w₄为第i只个体规划路径的机动角度及其权值，w₁+w₂+w₁+w₄＝1。

5.根据权利要求4所述基于混沌种群变异PIO的航天器姿态轨道协同规划方法，其特征在于，第i只个体进入威胁区域j时的威胁度threat_in^j(i)为：

L_i,k为第i只个体所规划路径第k个分段的长度，t_j为威胁区域j的威胁等级，K为第i只个体所规划路径的分段数目，d_0.1,k、d_0.3,k、d_0.5,k、d_0.7,k、d_0.9,k分别为第i只个体所规划路径第k个分段的十分之一处、十分之三处、十分之五处、十分之七处、十分之九处与威胁区域j中心的距离，T_j为威胁区域j的中心位置，R_j为威胁区域j的半径，X_i(t)为在t次迭代中第i只个***置的三维坐标。

6.根据权利要求4所述基于混沌种群变异PIO的航天器姿态轨道协同规划方法，其特征在于，第i只个体在威胁区域j外时的威胁度threat_out^j(i)为：

t_j为威胁区域j的威胁等级，K为第i只个体所规划路径的分段数目，d_0.1,k、d_0.3,k、d_0.5,k、d_0.7,k、d_0.9,k分别为第i只个体所规划路径第k个分段的十分之一处、十分之三处、十分之五处、十分之七处、十分之九处与威胁区域j中心的距离，T_j为威胁区域j的中心位置，R_j为威胁区域j的半径，X_i(t)为在t次迭代中第i只个***置的三维坐标。

7.根据权利要求5或6所述基于混沌种群变异PIO的航天器姿态轨道协同规划方法，其特征在于，威胁区域j的威胁等级t_j为：

表示从威胁区域j的中心位置指向第i-1只个***置的向量，

表示从第i-1只个***置指向第i只个***置的向量。

8.根据权利要求4所述基于混沌种群变异PIO的航天器姿态轨道协同规划方法，其特征在于，第i只个体规划路径的机动角度angle(i)为：

M为个体数目，

表示从第i-2只个***置指向第i-1只个***置的向量，

表示从第i-1只个***置指向第i只个***置的向量。

9.根据权利要求2所述基于混沌种群变异PIO的航天器姿态轨道协同规划方法，其特征在于，地标算子迭代演化阶段依据表达式：

更新种群数量，N_P(t)为第t次迭代的种群数量，N为种群数量，T_max为最大迭代次数。

10.根据权利要求2所述基于混沌种群变异PIO的航天器姿态轨道协同规划方法，其特征在于，在指南针算子迭代演化阶段开始前，采用Tent Map映射混沌初始化种群。

Images