论文部分内容阅读
本文从策略选择、组合机制和参数自适应机制三个方面设计多策略差分进化算法,在标准测试问题和应用问题上对所提出的算法进行测试,再用设计的算法求解多星协同调度问题。在算法设计中,使用多种群机制结合有效的参数自适应机制将多个性能互补的变异策略组合在一起。多星任务规划问题是一类多约束的优化问题,文中使用两种不同约束处理方法平衡约束条件和目标函数。在设定聚类条件和方法后,建立基于任务聚类的卫星协同规划模型来提高观测效率,使用概率评估算子处理问题隐含的组合优化特性。论文的主要工作及创新点如下:使用多种群机制组合多个性能互补的差分算法变体或策略,兼顾多样性和收敛性。组合多个差分算法变体时,在算法的前期使用三个算法进行协同进化,维持算法的多样性,在后期使用种群大小减小的方法提高收敛速度,同时使用精英策略维持子种群间的平衡。组合多个变异策略时,分别使用三个改进的变异策略增强算法的多样性。测试结果显示,提出的算法相比其他先进的差分进化算法取得了更好的结果。将多策略差分进化算法应用于求解太空电站姿态优化问题,使用更简单有效的组合机制,引入了两种约束处理技术:可行性规则和ε约束法,分别用于同类个体间的比较以及父代与子代间的比较,平衡约束条件和目标函数。实验结果显示,约束的多策略差分进化算法在约束优化问题上具有良好的应用能力。按照一定的聚类规则将多个邻近的任务合并为一个聚类任务,当卫星过境时一次性将该聚类任务完成观测,减少姿态调整时间和能量消耗,提高观测效率。建立基于任务聚类的多星协同观测调度模型,针对其中的约束条件,使用改进的多策略差分进化算法进行求解,去掉算法中性能重叠的策略,使用概率评估算子进行离散转换。在本课题组的CSTK平台上的仿真结果显示所提出算法的有效性。综上所述,本文对多策略差分进化算法从算法和应用两个层面进行了深入的研究。在算法研究上,提出了性能优良的多策略差分进化算法。在应用上,在前面算法的基础上,针对不同优化问题的特性,提出了对应的约束的多策略差分进化算法。模拟实验结果证明了本文所提出算法的有效性。