基于遗传算法的空间碎片主动清除任务规划方法技术

基于遗传算法的空间碎片主动清除任务规划方法，涉及一种空间碎片主动清除任务规划方法。本发明专利技术为了解决现有的遗传算法的编码方式和交叉、变异操作容易导致空间碎片主动清除任务规划陷入局部最优的问题。本发明专利技术将任务规划的方法用到碎片抓捕路径优化问题上，首先针对平台的任务特点，设定碎片清除任务；然后将平台任务规划问题数学建模为旅行商城市路径最短问题。针对于空间碎片的特点分别设计了适用于机械臂抓捕方案的适应度函数以及适用于飞网和机械臂抓捕方案的适应度函数；并设定特定的遗传参数，采用遗传算法进行优化求解，能够很快的实现收敛，规划出空间碎片的抓捕路径。本发明专利技术适用于空间碎片主动清除任务规划。

Active debris removal mission planning method based on genetic algorithm

A method of active planning for active removal of space debris based on genetic algorithm is presented, which involves a method of active planning for active removal of space debris. The invention solves the problems of the existing genetic algorithm encoding and crossover and mutation operation easily lead to mission planning into local optimization of active space debris removal. The mission planning method used to route optimization problem of debris capture, aiming at the task characteristics of the platform, set the debris removal task; then the platform task planning problem of mathematical modeling problem of the shortest path travel city mall. According to the characteristics of space debris are designed for the mechanical arm arrest program of the fitness function and the application of Yu Fei network and arm arrest program of the fitness function; and set specific genetic parameters, using genetic algorithm optimization solution, to achieve fast convergence, a path planning to capture space debris. The invention is suitable for active planning of space debris active removal.

【技术实现步骤摘要】
基于遗传算法的空间碎片主动清除任务规划方法
本专利技术涉及一种空间碎片主动清除任务规划方法。
技术介绍
近年来，随着航天技术的不断发展，人类航天活动越来越频繁。与此同时，空间碎片以指数速度增加，成为未来空间资源有效利用所面临的一个严峻挑战。尽管为了应对太空碎片的威胁，一些规避、防护等被动的措施已经广泛采用，但是为从根本上治理空间环境，还需要采取主动清除措施，所以开展对空间碎片的在轨主动清除研究具有重要意义。空间碎片的清除工具主要包括机械臂、飞网、充气式结构、标枪绳以及静电吸附毯。机械臂在高转矩或刚性结构点捕获时性能最好，其技术成熟且有多个自由度，便于推力调整；飞网具有质量轻并且成本低的优点，适合抓取形状不规则的空间碎片，但是不能控制碎片的角自由度；充气式结构同样具有质量轻和成本低的优点，但是充气式结构容易发生泄漏；标枪绳适合牵引推力器，但同样缺乏对碎片角自由度的控制；套索可以将碎片套住，降低碎片的角速度；静电吸附毯非常轻，常用于初始接触和捕获。现有的任务规划方法分类如下：(1)集中式任务规划系统在集中式任务规划系统中，任务分配、路径规划等均由地面控制站或者任务执行机构中的Leader完成，其他的任务执行机构处于从属地位，本身没有自主决策能力，在整个系统中充当的是规划决定的执行者。这种任务分配的缺点是计算量以及信息传输量都比较大，给通信网络带来了很大的负担。并且对任务重新规划的能力比较弱，对环境变化的反应较慢。(2)分布式任务规划系统在分布式任务规划系统中，每一个任务执行机构都具有自主决策能力。它们相互连接、影响和通信，并且都有一定的感知、测量、存储和计算的能力。任务规划由系统中的每个执行机构完成。与集中式任务规划相比，分布式任务规划具有更好的实时性、容错性、开放性。另外，分布式任务规划在计算量、运行成本、系统限制、鲁棒性、扩展性等方面有着巨大的优势。而实现分布式任务规划采用最多的方法就是多Agent方法。Agent理论和技术，特别是多Agent技术的理论和技术，为分布式任务规划的分析、设计和实现提供了一条崭新的途径。多执行机构的任务规划问题可以很自然的表达成一个多Agent网络，这个网络系统在物理上就是一个分布式系统。针对于任务规划任务，也会有研究人员想到利用遗传算法进行任务规划，但是目前的利用遗传算法进行任务规划系统或者方法，中采用不同的编码方式，常常对于算法的性能产生重要影响。遗传算法中最重要的编码就是由Holland提出的二进制编码。它采用最小字符编码原则，优点是便于进行编/解码操作，交叉、变异操作易于实现。缺点是在用于多维、高精度数值问题优化时，不能不能很好地克服连续函数离散化时的映射误差；二进制编码同样不能反映问题的固有结构，同时也存在精度不高、个体长度达、内存占用高等问题。如果采用其他编码方式则会给遗产过程的交叉和变异操作造成问题，使优化过程容易陷入局部最优。针对平台利用载荷清除跨尺度、多数据量、长期性空间碎片的任务，需要研究平台的实时任务规划问题。以往大多数任务规划研究都集中于地面任务，针对空间任务规划问题的研究比较少，且大部分集中于理论，以实际空间任务为背景的任务规划则更少。
技术实现思路
本专利技术为了解决现有的遗传算法的编码方式和交叉、变异操作容易导致空间碎片主动清除任务规划陷入局部最优的问题。基于遗传算法的空间碎片主动清除任务规划方法，包括以下步骤：步骤1、编码：碎片清除任务考虑采用机械臂进行碎片抓取，机械臂从平台触发进行碎片清除；设碎片的数量为n-1；考虑将平台视为第1个城市，碎片作为第2～n个城市；以城市的遍历次序作为编码，即(z1,z2,...,zn)是{1,2,...,n}的一个全排列，其中z1,z2,...,zn表示每次遍历所有城市的次序，将每次遍历所有城市的次序z1,z2,...,zn作为编码；共有(n-1)！种可能，！表示阶乘；将每种可能产生的次序编码作为个体，所有可能的次序编码组合起来作为初始种群；步骤2、初始化群体：根据碎片清除任务所给出的碎片相对位置得到各个城市间的距离矩阵；距离矩阵表示在空间中随机分布的空间碎片之间的位置关系；定义哈密顿圈的长度为机械臂从平台出发清除所有碎片后回到平台所经历的路径长度其中Ci表示次序编码中zi所对应的城市，Ci+1表示zi+1对应的城市；d(Ci,Ci+1)表示两个城市之间的距离；以哈密顿圈的长度的倒数作为适应度函数；初始化群体、种群大小M、最大迭代次数T1、交叉概率pc＝0.5、变异概率pm＝0.01；步骤3、个体适应度计算：计算每个个体的适应度：步骤4、选择中间群体：计算种群中所有个体的适应度总和；计算每个个体的相对适应度大小，即各个个体在选择操作中被选中的概率；使用模拟赌盘操作，来确定各个个体被选中的次数，得到中间群体；具体过程包括以下步骤：步骤4.1、首先计算出计算种群中所有个体的适应度总和其中f(j)为个体j的适应度；步骤4.2、计算每个个体被遗传到下一代群体中的概率：步骤4.3、并算出每个个体的累积概率：步骤4.4、接下来要在[0,1]区间产生一个均匀分布的伪随机数r；步骤4.5、若r＜q1，则选择个体1；否则，选择个体i，使得：qi≤r≤qi+1成立；步骤4.6、重复步骤4.4、步骤4.5共计M次完成选择操作，得到中间群体；步骤5、交叉操作：对选择操作得到的中间群体进行以下操作：以交叉概率pc从中间群体中随机地选出需要进行交叉的个体，对这些个体随机地两两配对；在2～n之间产生两个随机数k和l；k,l表示交叉点的位置；对已经配对的两个个体分别记为个体A和个体B，取出个体A和个体B编码中第k位与l之间的基因片段，分别记为a和b；将基因片段a与个体B进行比对，将个体B每位上的编码与基因片段a每位上的编码相同的编码删除,形成编码片段β，并将基因片段a连接在编码片段β的后面形成个体B′，个体B′为个体B交叉后的个体；利用基因片段b对个体A进行相同的交叉操作，得到个体B交叉后的个体A′；步骤6、变异操作：针对交叉操作之后的群体，以变异概率pm随机地从群体中选出的个体上，首先在2～n之间产生两个随机数g，h；这两个数表示变异点的位置；将个体编码中第g位与h位上对应的基因互换，得到变异后的个体；步骤7、确定清除的任务规划：针对变异后的群体，返回步骤3，直至最大迭代次数T1，结束操作，得到机械臂从平台触发进行碎片清除的任务规划。基于遗传算法的空间碎片主动清除任务规划方法，包括以下步骤：步骤1、编码：设碎片的数量为n-1；考虑将平台视为第1个城市，碎片作为第2～n个城市；以城市的遍历次序作为编码，即(z1,z2,...,zn)是{1,2,...,n}的一个全排列，其中z1,z2,...,zn表示每次遍历所有城市的次序，将每次遍历所有城市的次序z1,z2,...,zn作为编码；共有(n-1)！种可能，！表示阶乘；将每种可能产生的次序编码作为个体，所有可能的次序编码组合起来作为初始种群；采用机械臂和飞网结合进行抓取规划，当n-1为偶数时，飞网需要抓取个碎片，机械臂抓取个碎片；当n-1为奇数时，飞网需要抓取个碎片，机械臂抓取个碎片；为处理问题的方便，当n-1为偶数时，设定遗传算法的编码序列z1,z2,...,zn的前一半的序列为飞网的抓本文档来自技高网...

【技术保护点】
基于遗传算法的空间碎片主动清除任务规划方法，其特征在于，包括以下步骤：步骤1、编码：碎片清除任务考虑采用机械臂进行碎片抓取，机械臂从平台触发进行碎片清除；设碎片的数量为n‑1；考虑将平台视为第1个城市，碎片作为第2～n个城市；以城市的遍历次序作为编码，即(z1,z2,...,zn)是{1,2,...,n}的一个全排列，其中z1,z2,...,zn表示每次遍历所有城市的次序，将每次遍历所有城市的次序z1,z2,...,zn作为编码；共有(n‑1)！种可能，！表示阶乘；将每种可能产生的次序编码作为个体，所有可能的次序编码组合起来作为初始种群；步骤2、初始化群体：根据碎片清除任务所给出的碎片相对位置得到各个城市间的距离矩阵；距离矩阵表示在空间中随机分布的空间碎片之间的位置关系；定义哈密顿圈的长度为机械臂从平台出发清除所有碎片后回到平台所经历的路径长度

【技术特征摘要】
1.基于遗传算法的空间碎片主动清除任务规划方法，其特征在于，包括以下步骤：步骤1、编码：碎片清除任务考虑采用机械臂进行碎片抓取，机械臂从平台触发进行碎片清除；设碎片的数量为n-1；考虑将平台视为第1个城市，碎片作为第2～n个城市；以城市的遍历次序作为编码，即(z1,z2,...,zn)是{1,2,...,n}的一个全排列，其中z1,z2,...,zn表示每次遍历所有城市的次序，将每次遍历所有城市的次序z1,z2,...,zn作为编码；共有(n-1)！种可能，！表示阶乘；将每种可能产生的次序编码作为个体，所有可能的次序编码组合起来作为初始种群；步骤2、初始化群体：根据碎片清除任务所给出的碎片相对位置得到各个城市间的距离矩阵；距离矩阵表示在空间中随机分布的空间碎片之间的位置关系；定义哈密顿圈的长度为机械臂从平台出发清除所有碎片后回到平台所经历的路径长度其中Ci表示次序编码中zi所对应的城市，Ci+1表示zi+1对应的城市；d(Ci,Ci+1)表示两个城市之间的距离；以哈密顿圈的长度的倒数作为适应度函数；初始化群体、种群大小M、最大迭代次数T1、交叉概率pc＝0.5、变异概率pm＝0.01；步骤3、个体适应度计算：计算每个个体的适应度：步骤4、选择中间群体：计算种群中所有个体的适应度总和；计算每个个体的相对适应度大小，即各个个体在选择操作中被选中的概率；使用模拟赌盘操作，来确定各个个体被选中的次数，得到中间群体；步骤5、交叉操作：对选择操作得到的中间群体进行以下操作：以交叉概率pc从中间群体中随机地选出需要进行交叉的个体，对这些个体随机地两两配对；在2～n之间产生两个随机数k和l；k,l表示交叉点的位置；对已经配对的两个个体分别记为个体A和个体B，取出个体A和个体B编码中第k位与l之间的基因片段，分别记为a和b；将基因片段a与个体B进行比对，将个体B每位上的编码与基因片段a每位上的编码相同的编码删除,形成编码片段β，并将基因片段a连接在编码片段β的后面形成个体B′，个体B′为个体B交叉后的个体；利用基因片段b对个体A进行相同的交叉操作，得到个体B交叉后的个体A′；步骤6、变异操作：针对交叉操作之后的群体，以变异概率pm随机地从群体中选出的个体上，首先在2～n之间产生两个随机数g，h；这两个数表示变异点的位置；将个体编码中第g位与h位上对应的基因互换，得到变异后的个体；步骤7、确定清除的任务规划：针对变异后的群体，返回步骤3，直至最大迭代次数T1，结束操作，得到机械臂从平台触发进行碎片清除的任务规划。2.根据权利要求1所述的基于遗传算法的空间碎片主动清除任务规划方法，其特征在于，步骤4的具体过程包括以下步骤：步骤4.1、首先计算出计算种群中所有个体的适应度总和其中f(j)为个体j的适应度；步骤4.2、计算每个个体被遗传到下一代群体中的概率：步骤4.3、并算出每个个体的累积概率：步骤4.4、接下来要在[0,1]区间产生一个均匀分布的伪随机数r；步骤4.5、若r＜q1，则选择个体1；否则，选择个体i，使得：qi≤r≤qi+1成立；步骤4.6、重复步骤4.4、步骤4.5共计M次完成选择操作，得到中间群体。3.根据权利要求1或2所述的基于遗传算法的空间碎片主动清除任务规划方法，其特征在于，所述的T1＝1000。4.根据权利要求3所述的基于遗传算法的空间碎片主动清除任务规划方法，其特征在于，所述的设碎片的数量为8个，也就是n-1＝8。5.基于遗传算法的空间碎片主动清除任务规划方法，其特征在于，包括以下步骤：步骤1、编码：设碎片的数量为n-1；考虑将平台视为第1个城市，碎片作为第2～n个城市；以城市的遍历次序作为编码，即(z1,z2,...,zn)是{1,2,...,n}的一个全排列，其中z1,z2,...,zn表示每次遍历所有城市的次序，将每次遍历所有城市的次序z1,z2,...,zn作为编码；共有(n-1)！种可能，！表示阶乘；将每种可能产生的次序编码作为个体，所有可能的次序编码组合起来作为初始种群；采用机械臂和飞网结合进行抓取规划，当n-1为偶数时，飞网需要抓取个碎片，机械臂抓取个碎片；当n-1为奇数时，飞网需要抓取个碎...

【专利技术属性】
技术研发人员：吕跃勇，杜晔，郭延宁，张米令，邱爽，陈亮名，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江,23