[发明专利]面向复杂动力学环境的多航天器任务智能规划与控制方法

权利要求书

1.一种面向复杂动力学环境的多航天器任务智能规划与控制方法，其特征在于，包括步骤如下：

步骤一：构建复杂动力学环境下的三脉冲间接转移模型，搭建三层全连接BP神经网络以描述转移轨迹参数与任务航天器和目标初始状态参数的映射关系；

步骤二：根据任务航天器的自身状态和目标轨道信息，利用BP神经网络预估任务转移轨迹参数，并搭建单星任务综合效能评估模型，基于预估任务转移轨迹参数评估任务效能；

步骤三：构建基于分布式招投标市场机制的多星任务调度模型，利用各航天器的单星任务效能评估结果进行招投标，得到全局最优任务分配调度；

步骤四：基于BP神经网络预估的转移轨迹参数，考虑复杂动力学环境影响，设计精确任务轨迹，并生成轨控发动机控制指令，控制航天器交会目标；

所述步骤一具体包括：基于三脉冲间接模型和遗传算法生成的样本训练BP神经网络，得到性能最优的权值系数和偏置系数；BP神经网络的输入为航天器和目标初始轨道状态oe₀、oe_t，输出为转移轨迹的响应时间t_r、任务总时间T、任务所需总速度增量ΔV；

所述步骤二具体包括：利用训练的BP神经网络预估转移轨迹的响应时间t_r、任务总时间T、任务所需总速度增量ΔV，构建综合效能评估模型，输出任务的综合效能，计算公式为：

其中，t_rmax是任务响应时间约束的上限值，T_max是任务总时间约束的上限值，ΔV_max是航天器所能提供的最大速度增量；、和分别是响应时间系数、速度增量系数和任务时间系数，且满足。

2.根据权利要求1所述的面向复杂动力学环境的多航天器任务智能规划与控制方法，其特征在于，所述步骤三具体包括：基于分布式招投标市场机制的多星任务调度模型，所有具备通信链路的航天器信息交互，根据已有信息和总任务效能最大化原则进行局部规划调度，并将自身规划结果分享，通过反复的信息交互，直到所有航天器达成一致。

3.根据权利要求1所述的面向复杂动力学环境的多航天器任务智能规划与控制方法，其特征在于，所述步骤四具体包括：基于用步骤二中神经网络的预估值设定轨迹优化变量参数范围，并利用遗传算法进行脉冲轨迹规划，得到脉冲机动相关信息；再利用基于Lambert的有限推力修正方法求解发动机开机时间、工作时长以及推力指向信息，控制航天器执行任务。