基于RBF神经网络和SQP算法的再入跳跃轨迹优化

摘要

针对强非线性、多阶段的含动力再入跳跃轨迹优化模型不易建立、传统寻优过程复杂与效率低的问题,通过具备强大的非线性拟合能力的径向基核函数(Radical Basis Function,RBF)神经网络,建立了发动机开关机点与适应度函数的非线性映射关系,然后基于该辨识系统采用序列二次规划算法(SQP)进行轨迹优化,通过对美国通用飞行器CAV-H的仿真分析,并与基于混沌粒子群算法的含动力再入轨迹寻优结果对比,验证了该方法的高效性和准确性。