深度网络作为多目标任务中最优转移方案的逼近器
最优化与控制
2020-01-08 v1
摘要
在多目标星际任务的设计中，总是存在许多可选方案，这使得在初步搜索阶段对每条转移轨迹逐一细致优化往往不切实际。因此，针对最优转移的快速且准确的估计方法具有重大价值。本文采用深度前馈神经网络来估计三类优化问题的解：时间最优低推力转移的转移时间、燃料最优低推力转移的燃料消耗，以及最小速度增量 J2 摄动多脉冲转移的总 dv。为生成训练数据，低推力轨迹采用间接法优化，J2 摄动多脉冲轨迹采用 J2 同伦与粒子群优化进行优化。我们深度网络的超参数通过网格搜索、随机搜索以及树结构 Parzen 估计器方法进行寻优。结果表明，深度网络能够以极高精度估计最优转移的最终质量或时间；对于低推力转移，平均相对误差小于 0.5%，对于多脉冲转移，平均相对误差小于 4%。我们还将所得结果与其他现成的机器学习算法进行比较，并考察了它们在预测远超训练数据范围情形下的能力。
引用
@article{arxiv.1902.00250,
title = {Deep Networks as Approximators of Optimal Transfers Solutions in Multitarget Missions},
author = {Haiyang Li and Shiyu Chen and Dario Izzo and Hexi Baoyin},
journal= {arXiv preprint arXiv:1902.00250},
year = {2020}
}