Inter-orbital Spacecraft Transfer Optimization: Choosing Initial Approximations Based on Correlation Analysis of Key Parameters

Cover Page

Cite item

Full Text

Abstract

This paper presents a new approach to choosing initial approximations in inter-orbital transfer optimization problems for a spacecraft with a chemical booster and fixed thrust. The approach involves correlations between the values of key problem parameters. It is implemented using numerical methods, mathematical modeling, and programming. Relevant publications on the subject area (methods for finding initial approximations in optimization problems) are systematically studied and several mathematical relationships are identified. As a result, laws are specified to facilitate the choice of initial approximations in order to ensure convergence and achieve the optimum. The results of a computational experiment confirm the applicability and effectiveness of this approach in typical optimization problems (an optimal spacecraft trajectory design between near-Earth orbits as one example).

About the authors

E. V Savvina

Email: petrakowae@mail.ru

References

  1. Bard, Y. Nonlinear Parameter Estimation. – New York & London: Academic Press edition. – 1979. – 349 p.
  2. Kitrell, J.R., Mezaki, R., and Watson, C.C. Estimation of parameters for nonlinear least squares analysis // Industrial & Engineering Chemistry. – 1965. – Vol. 57. – P. 18–27.
  3. Wu, D., Cheng, L., Gong, S., and Baoyin, H. Approximate time-optimal low-thrust rendezvous solutions between circular orbits // Aerospace Science and Technology. – 2022. – Vol. 131, Part A. – Art. No. 108011.
  4. Петухов В.Г. Оптимизация межпланетных траекторий космических аппаратов с идеально-регулируемым двигателем методом продолжения. Космические исследования. – 2008. – Т. 46. – № 3. – С. 224–237. [Petukhov, V.G. Optimization of interplanetary trajectories of spacecraft with a ideally regulated engine by the continuation method. – Space Studies. – 2008. – Vol. 46, no. 3. – P. 224–237. (In Russian)]
  5. Hofmann, C., and Topputo, F. Embedded Homotopy for Convex Low-Thrust Trajectory Optimization with Operational Constraints // Proceedings of 2022 AAS/AIAA Astrodynamics Specialist Conference. – Charlotte, NC, USA, 2022. – P. 1–16.
  6. Jiang, F., Baoyin, F. and Li, J. Practical Techniques for Low-Thrust Trajectory Optimization with Homotopic Approach // Journal of Guidance, Control and Dynamics. – 2012. – Vol. 35, no. 1. – P. 245–258.
  7. Wu, D., Wu, C., Lin, F., et al. Analytical Costate Estimation by a Reference Trajectory-Based Least-Squares Method // Journal of Guidance, Control and Dynamics. 2022. – Vol. 45. – P. 1–9.
  8. Wu, D., Wu, Ch., Lin, F., and Baoyin, H. An Atlas of Optimal Low-Thrust Rephasing Solutions in Circular Orbit // arXiv:2209.07418v1. – 2022. – doi: 10.48550/arXiv.2209.07418.
  9. Саввина Е.В. построение траектории перелета космического аппарата между околоземными эллиптическими орбитами методом перебора значений параметров внутри сетки данных // Проблемы управления. – 2023. – № 2. – С. 65–74. [Savvina, E.V. Inter-orbital Spacecraft Transfer: Trajectory Design by Iterating Parameter Values within a Data Grid // Control Sciences. – 2023. – No. 2. – Р. 56–63]
  10. Mathcad: Math Software for Engineering Calculations. – URL: https://www.mathcad.com (дата обращения 15 мая 2023 г.) [Accessed May 15, 2023]
  11. PythonTM. – URL: https://www.python.org (дата обращения 15 мая 2023 г.) [Accessed May 15, 2023]
  12. Shapiro, S.S., Wilk M.B. An Analysis of Variance Test for Normality (Complete Samples) // Biometrika. – 1965. – Vol. 52, no. 3/4. – P. 591–611.]
  13. Mohd Razali, N. and Yap, B.W. Power Comparisons of Shapiro-Wilk, Kolmogorov-Smirnov, Lilliefors and Anderson-Darling Tests // J. Stat. Model. Analytics. – 2011. – Vol. 2, no. 1. –P. 20–33.
  14. Rahman, M. and Zakkula, G. A modification of the test of Shapiro and Wilk for normality // Journal of Applied Statistics. – 1997. – Vol. 24. – P. 219–236.
  15. Simard, R.J., and L'Ecuyer, P. Computing the Two-Sided Kolmogorov-Smirnov Distribution // Journal of Statistical Software. – 2011. – Vol. 39. – P. 1–18.
  16. Кобзарь А.И. Прикладная математическая статистика. Для инженеров и научных работников. – М.: ФИЗМАТЛИТ, 2006. [Kobzar', A.I. Prikladnaya matematicheskaya statistika. Dlya inzhenerov i nauchnykh rabotnikov. – M.: FIZMATLIT, 2006. (In Russian)]
  17. Афифи А., Эйзен С. Статистический анализ: подход с использованием ЭВМ; перевод с английского И.С. Енюкова, И.Д. Новикова; под редакцией Г.П. Башарина. – М.: Мир, 1982. [Afifi, A.A. and Azen, S.P. Statistical analysis: A computer oriented approach. – London, N.Y.: Academic Press Inc. Publ., 1979.]

Supplementary files

Supplementary Files
Action
1. JATS XML


Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».