【技术实现步骤摘要】
一种基于遗传算法的卫星编队系统融合定位优化方法
[0001]本专利技术属于卫星编队导航与定位
,具体涉及一种基于遗传算法的卫星编队系统融合定位优化方法
。
技术介绍
[0002]卫星编队系统是以参考卫星为中心
、
多颗用户卫星保持特定相对构形的分布式多体编队系统,该系统是通过星间协作以实现多颗卫星的功能重组,不仅能够完成大部分传统单星任务,而且可以实现一些先进航天任务,如空间长基线干涉测量
、
大范围立体成像
、
间断式定位导航等,性能上优于传统的单卫星系统
。
[0003]在卫星编队飞行任务当中,编队捕获
、
构形保持
、
编队重构等技术都需要以卫星在空间中的位置与速度信息为基础,因此高精度的卫星导航定位是卫星编队系统设计的重要保障之一
。
卫星导航定位是通过观测在若干时刻或在若干时间区间内与卫星运动有关的若干参量,再根据轨道动力学原理和特定的算法计算得出卫星的位置
、
速度或轨道要
【技术保护点】
【技术特征摘要】
1.
一种基于遗传算法的卫星编队系统融合定位优化方法,其特征在于,所述方法具体包括以下步骤:步骤
1、
利用伪距观测数据和整周模糊度构建
Kalman
滤波的状态变量,利用伪距观测数据和基线观测数据构建
Kalman
滤波的观测变量,随后通过
Kalman
滤波来确定整周模糊度,将整周模糊度代入基线观测方程得到处理后的基线观测值;步骤
2、
利用用户星位置及其变化率
、
用户星与导航星钟差及其变化率构建扩展
Kalman
滤波的状态变量,利用伪距观测数据构建扩展
Kalman
滤波的观测变量,随后通过扩展
Kalman
滤波确定用户星初始位置及钟差;再基于伪距观测方程和钟差得到处理后的伪距观测值;步骤
3、
根据导航星位置
、
步骤一中得到的基线测量值
、
步骤二中得到的伪距观测值和用户星初始位置,通过遗传算法进行多观测信息融合获得用户星位置信息;所述步骤3的具体过程为:步骤
301、
给定优化率
λ
、
最大迭代次数
n、
最大基线优化次数
n
L
、
种群规模
m、
交叉率
α
以及变异率
β
的值,并初始化基线优化列表中的元素为全部基线;将导航星位置
、
步骤1中得到的基线观测数据
、
步骤2中得到的用户星初始位置和伪距观测数据输入到遗传算法中,并初始化用户星初始位置为最优位置;步骤
302、
对于基线优化列表中的任一基线,计算该基线所连接的两颗用户星之间的欧式距离,将该基线的观测值与计算出的欧式距离作差,将得到的差值作为基线误差;同理,分别对基线优化列表中的每一个基线进行处理后,选择出最大的基线误差所对应的基线;将选择出的基线记为目标基线
flagL
,并将选择出的基线从基线优化列表中剔除,初始化优化该条基线的次数
flagn
为0,将最大的基线误差作为最大误差,记为
L
flagL
;将选择出的基线所连接的两颗用户星作为目标卫星,将得到的目标卫星的编号记为
flag1
和
flag2
;步骤
303、
根据编码规则进行种群初始化;使用代价函数分别计算种群中每个个体的代价,将代价最小的个体作为最优个体,将最优个体的代价作为最优代价,将未经优化时的初始最优代价记为
error_ori
;步骤
304、
令迭代次数为1;步骤
305、
判断迭代次数是否大于最大迭代次数
n
;若迭代次数不大于
n
,则执行步骤
306
;若迭代次数大于
n
,则结束迭代过程,并输出当前的最优位置;步骤
306、
将当前基线优化的次数
flagn
自增1;步骤
307、
对种群中个体进行遍历,令个体编号
a
=1;步骤
308、
判断个体编号是否大于
m
;若个体编号不大于
m
,则执行步骤
309
;若个体编号大于
m
,则执行步骤
311
;步骤
309、
计算第
a
个个体的代价,并对第
a
个个体遗传编码进行解码,得到调整量;利用调整量来调整目标卫星
flag1
和
flag2
的位置,得到调整后的目标卫星
flag1
和
flag2
的位置,计算位置调整后的目标卫星
flag1
与每个导航星之间的欧氏距离,分别得到目标卫星
flag1
对应的各个伪距计算值,计算位置调整后的目标卫星
flag2
与每个导航星之
间的欧氏距离,分别得到目标卫星
flag2
对应的各个伪距计算值;对于目标卫星
flag1
的任一伪距计算值,计算该伪距计算值与对应的伪距观测值的差,将得到的差值作为目标卫星
flag1
的一个伪距误差值,同理,得到目标卫星
flag1
的各个伪距误差值以及目标卫星
flag2
的各个伪距误差值;步骤
310、
根据第
a
个个体的代价及步骤
309
计算出的伪距误差值判断第
a
个个体是否满足个体最优条件;若第
a
个个体满足个体最优条件,则将第
a
个个体更新为最优个体,并将第
a
个个体的代价更新为最优代价,并令个体编号
a
自增1后,再返回步骤
308
;若第
a
个个体不满足个体最优条件,则直接令个体编号
a
自增1后,再返回步骤
308
;步骤
311、
判断最优个体的代价是否小于
error_ori*
λ
;若最优个体的代价小于
error_ori*
λ
,则结束迭代并输出最终的位置;否则继续执行步骤
312
;步骤
312、
判断最优个体是否满足单次优化条件;若满足,则对最优个体的遗传编码进行解码,利用解码得到的调整量来调整目标卫星
flag1
和
flag2
的位置,得到调整后的最优位置;重新计算基线优化列表中各基线的误差,根据重新计算出的基线误差更新目标基线
flagL
,并将重新计算出的基线误差中的最大基线误差所对应的基线从基线优化列表中剔除,更新最大误差
L
flagL
、
目标卫星
flag1
和
flag2
,并将当前基线优化次数
flagn
置0;再执行步骤
313
;若不满足,则直接执行步骤
313
;步骤
313、
判断当前基线优化次数
flagn
是否大于
n
L
,若当前基线优化次数大于
n
L
,则不再继续优化当前目标基线连接的目标卫星,从基线优化列表中选择第一个元素,将选择出的第一个元素作为目标基线
flagL
,并从基线优化列表中剔除,再更新目标卫星
flag1
和
flag2
,并将当前基线优化次数
flagn
置0;判断基线优化列表是否为空,若为空,则将基线优化列表的元素重新初始化为全部基线,若不为空,则不需要处理;再执行步骤
314
;若不大于
n
L
,则执行步骤
314
;步骤
314、
对种群进行交叉得到交叉后的种群,再对交叉后的种群进行变异操作,得到变异后的种群;步骤
315、
对变异后的种群中每个个体初始化一个伪随机数,若某个个体的伪随机数小于交叉概率的一半,则对该个体进行重新初始化,否则不进行操作;重新初始化后,得到新种群;步骤
316、
对新种群中每个个体初始化一个伪随机数,若某个个体的伪随机数小于
0.05
,则将该个体初始化为最优个体附近的局部较优个体,若某个个体的伪随机数大于等于
0.05
,则不对该个体进行操作;操作后得到再次更新的种群,令迭代次数自增1,再返回执行步骤
305。2.
根据权利要求1所述的一种基于遗传算法的卫星编队系统融合定位优化方法,其特征在于,所述确定整周模糊度的具体过程为:构建
Kalman
滤波的状态变量
X
:
X
=
[
ρ
1 ρ2…
ρ
L N
1 N2…
N
L
]
T
式中,
ρ1代表第1个伪距观测值,
ρ2代表第2个伪距观测值,
ρ
L
代表第
L
个伪距观测值,
N1代表第1个整周模糊度,
N2代表第2个整周模糊度,
N
L
代表第
L
个整周模糊度,
L
=
M(M
‑
1)/2
,
M
是用户星的个数;构建
Kalman
滤波的观测变量
Y
:式中,代表第1个基线观测值,代表第2个基线观测值,代表第
L
个基线观测值;通过
Kalman
滤波公式解算状态变量
X
得到整周模糊度
N1,
N2,
…
,
N
L
:
P(k+1|k)
=
FP(k)F
T
+
Γ
Q
Γ
T
K(k+1)
=
P(k+1|k)H
T
[HP(k+1|k)H
T
+R]
‑1P(k+1)
=
[I
‑
K(k+1)H]P(k+1|k)
式中,为
k
时刻基线观测模型的状态变量估计,
F
为基线观测模型的状态转移矩阵,上角标
T
代表矩阵的转置,为
k
时刻基线观测模型的状态变量的一步预测,
Γ
为基线观测模型的输入噪声驱动矩阵,
P(k)
为
k
时刻基线观测模型的状态量协方差估计,
Q
为系统模型噪声矩阵,
H
为基线观测模型的观测矩阵,
P(k+1|k)
为
k
时刻基线观测模型的状态量协方差的一步预测,
R
为基线观测模型噪声矩阵,上角标
‑1代表矩阵的逆,为
k+1
时刻基线观测模型的状态变量估计,
K(k+1)
为
k+1
时刻基线观测模型的增益,
Y(k+1)
为
k+1
时刻基线观测模型的观测变量,
P(k+1)
为
k+1
时刻基线观测模型的状态量协方差估计,
I
是单位矩阵
。3.
根据权利要求2所述的一种基于遗传算法的卫星编队系统融合定位优化方法,其特征在于,所述将整周模糊度代入基线观测方程得到处理后的基线观测值,其具体为:式中,
d
ij
表示第
i
颗用户星和第
j
颗用户星之间处理后的基线观测值,其中
i
=
1,2,
…
,M
,
j
=
1,2,
…
,M
,
x
j
,y
j
,z
j
是用户星
j
在三维空间直角坐标系下的坐标值,
x
i
,y
i
,z
i
是用户星
i
在三维空间直角坐标系下的坐标值,
c
是光速常量,
t
i
是用户星
i
与导航星...
【专利技术属性】
技术研发人员:吴立刚,李晓磊,鞠殷昊,向治桦,唐飞龙,郇百正,
申请(专利权)人:哈尔滨工业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。