[发明专利]面向行星际探测轨道设计的强化混合差分演化方法及系统

说明书

本发明公开了一种面向行星际探测轨道设计的强化混合差分演化方法及系统，方法包括：（1）RL_HDE使用Q‑Learning算法来自适应控制六种不同的变异策略，增强算法寻优能力。同时针对六种不同变异策略的自适应控制，全局算子使用LSHADE_EIG方法，该方法对国际演化计算竞赛（CEC2015）算法LSHADE_SPS_EIG做出改进，不再使用SPS框架；（2）使用强化学习Q‑Learning算法自适应控制触发参数ρ_1,max和ρ_2,max，平衡算法探索与开发能力。本发明有益效果是：可以有效提高行星际探测轨道优化设计的求解速度，提升探测器轨道计算精度。

技术领域

本发明涉及星际轨道探测领域，尤其涉及一种面向行星际探测轨道设计的强化混合差分演化方法及系统。

背景技术

行星际探测轨道的设计与优化是深空探测系统工程关键问题之一，由于深空探测需要考虑诸多复杂因素，所以行星际探测（特别是小行星探测任务）需要从成千上万颗备选星体中进行选择时，问题求解规模会急剧扩大，搜索空间往往呈现参数空间大、高度非线性、极值点伴生、全局最优解吸引盆敏感等特点，给行星际轨道设计带来困难。目前已有深空轨道优化设计方法存在以下不足：

（1）方法普适性不够。仅能解决一类或者是几个问题特征比较一致的问题。

（2）由于高度非线性、极值点伴生、全局最优解吸引盆敏感等特点，使得算法难以找到最优可行解，搜索性能不稳定，鲁棒性较差。现有优化方法在如何利用深空轨道数据的隐含知识和问题的解析知识进行方法设计方面研究不足。

（3）时间消耗大。目前普适性较高的MIDACO算法需要依赖于超算设备。即使如此，依然需要很高的时间消耗（几天到几周）才能找到较好的解决方案。

发明内容

为了针对以上技术问题，本发明提出了一种面向行星际探测轨道设计的强化混合差分演化方法及系统（英文名称：RL_HDE），可以有效提高行星际探测轨道优化设计的求解速度，提升探测器轨道计算精度，为我国木星、土星、小行星等远地星体探测的轨道设计提供新的解决方案。

方法包括以下步骤：

S1、确定所需解决的探测器深空轨道设计问题M；

S2、构建问题M的目标函数f(x)以及决策向量x、全局搜索区域上边界x^ub，下边界x^lb；

S3、初始化用于Q-learning的参数：学习率α，折扣因子γ；

初始化CMA-ES局部搜索区域边界的控制参数Bound_init 和Bound_min；

初始化全局算子LSHADE_EIG最高停滞代数ρ_1,max和当前停滞代数ρ₁；

初始化局部算子CMA-ES最高停滞次数ρ_2,max，当前停滞代数ρ₂；

初始化内点法的比例因子参数ls_eval；