基于差分进化的行星际转移轨迹设计优化工具
人工智能
2021-04-14 v3
摘要
行星际转移轨迹设计的极度敏感和高度非线性的搜索空间给全局优化带来了巨大挑战。作为代表，欧洲空间局（ESA）设计的全局轨迹优化问题（GTOP）当前已知最优解极难找到。为应对这一困难，本文提出了一种强大的基于差分进化的优化工具，称为协作差分进化（COoperative Differential Evolution，CODE）。CODE采用两阶段进化过程，前期专注于学习全局结构，后期倾向于自适应地学习不同局部空间的结构。此外，考虑到不同问题上全局最优的空间分布以及不同变量上的梯度信息，采用了多重边界检查技术。同时，协方差矩阵适应进化策略（CMA-ES）被用作局部优化器。先前研究表明，特定的群智能优化算法通常只能解决一到两个GTOP问题。然而，实验测试结果表明，CODE可直接找到Cassini1和Sagas的当前已知最优解，且与CMA-ES协作可解决Cassini2、GTOC1、Messenger（简化版）和Rosetta。对于最复杂的Messenger（完整版）问题，尽管CODE无法找到当前已知最优解，但其找到的目标函数等于3.38 km/s的最优解仍是其他群智能算法难以达到的水平。
引用
@article{arxiv.2011.06780,
title = {A differential evolution-based optimization tool for interplanetary transfer trajectory design},
author = {Mingcheng Zuo and Guangming Dai and Lei Peng and Zhe Tang},
journal= {arXiv preprint arXiv:2011.06780},
year = {2021}
}
备注
The algorithm has been developed, and the results need a change