基于图学习辅助的主动 tether-net 系统空间碎片捕获设计
机器学习
2026-05-29 v1
摘要
主动 tether-net 系统是捕获大型非合作目标（如空间碎片）的有前景方案，通过展开由可操控单元 (MU) 控制的柔性网。然而，针对 tether-net 系统的设计与控制选择进行的系统性探索，以了解其完整潜力，仍有限，这部分受制于其复杂、受约束、非线性优化问题的限制——该问题涉及连续、整数和类别变量的混合，其中后两者分别源于网的连通性和组件选择。经典的二进制编码方法往往无效于解决高度非线性和多模态的混合组合非线性规划 (MCNLP)。整数编码方法可能引入组合之间的虚假关系。鉴于组合空间的图结构特征，本文采用并扩展了一种新型图学习辅助优化方法来求解此 MCNLP。在此方法中，训练一个图神经网络 (GNN) 对以图节点表示的候选组合进行评分（作为输出），并据此推荐候选组合；将候选设计的连续变量向量 portion 作为输入。结果是，MCNLP 优化减少为 NLP，可使用标准求解器求解。虽然这种降序方法对 NLP 求解器的选择不敏感，但本文使用一种具有梯度精调的领先粒子群优化 (PSO) 算法作为求解器。针对同时设计网的形态、MU 中的质量和推进器选择以及控制器所使用的 aiming points 问题，结果表明 GNN 基于的推荐器相较于直接求解 MCNLP 问题，显著加快了对相似最优解的收敛速度。
引用
@article{arxiv.2605.29021,
title = {Designing Active Tether-Net Systems for Space Debris Capture with Graph-Learning-Aided Mixed-Combinatorial Optimization},
author = {Feng Liu and Achira Boonrath and Gishnu Madhu and Eleonora M. Botta and Souma Chowdhury},
journal= {arXiv preprint arXiv:2605.29021},
year = {2026}
}
备注
Accepted for presentation at 2026 AIAA Aviation Forum