针对地球同步轨道（GSO）多目标飞掠成像服务任务规划问题，提出了基于新轨道构型的两层任务规划方法。首先分析了现有研究中应用的轨道构型和机动策略，提出利用冻结大椭圆轨道（F-HEO）开展任务。基于J 2动力学模型，考虑时间和位置一致性约束，研究了近地点双脉冲机动策略。在此基础上，构建了内层单目标机动规划和外层多目标序列规划的数学模型。内层采用动态邻域搜索（DNS）加快搜索速度，外层利用遗传算法求解全局最优。最后，针对典型的GSO目标构建了仿真算例。仿真结果验证了任务规划方法的可行性、合理性和精度，同时表明，DNS能够有效缩短内层优化运算耗时，F-HEO具有燃料和时间消耗更低的优势。
针对高超声速飞行器飞行控制中攻角约束难以满足和跟踪误差易超出限制等问题，提出了一种基于固定时间滑模扰动观测器与预设性能方法相结合的非对称时变约束反步控制方案。首先，建立高超声速飞行器纵向动力学模型并划分出速度子系统与高度子系统，将子系统转换为严反馈模型进行反步控制器设计；然后，通过结合预设性能方法与非对称障碍函数，设计了一种新的控制方案，确保攻角误差严格维持在预设的时变区间内。此外，本文引入了固定时间滑模扰动观测器，使得扰动估计误差能够在固定时间内收敛，确保系统能够在外部干扰的情况下稳健运行。仿真结果验证了该控制方案的有效性，相较于传统控制方法，本文方案在攻角约束与跟踪精度方面表现出更优的控制性能。
针对小行星附近近距离探测场景，研究提出了一种结合Flipped Radau伪谱离散方法和凸优化技术的小行星附近防碰撞小推力轨迹优化方法。引入一种四质点引力场模型构建方法，提高了引力场计算效率并确保了精度。基于Flipped Radau伪谱法离散动力学方程，并施加椭球约束实现防碰撞，建立轨迹优化问题。通过现有的凸化技术将问题中的非凸项凸化，建立伪谱凸优化问题，随后逐次迭代标称值，直至收敛得到最优轨迹。研究方法实现了小行星附近平衡点之间的小推力防碰撞转移轨迹优化，在复杂的小行星探测场景中展现了较好的收敛性能和计算速率，为小行星探测及其他深空探测任务提供理论与技术支持。
针对运载火箭在大气层外的入轨飞行段可能出现的推力故障问题，提出了一种基于多算子差分进化算法的轨迹重规划方法。在传统差分进化算法的基础上，引入了混沌映射和多种群并行计算，从而改善了传统方法在处理轨迹重规划问题时的计算速度慢和容易陷入局部最优解的缺点。同时设计了一种决策向量处理机制，专门解决时间变量的无序和重复问题。实验结果表明，该算法在收敛精度和运行时间上均优于标准差分进化算法。并通过与伪谱法和迭代制导算法对比，进一步验证了该算法在轨迹重规划问题上的有效性和准确性。
针对空间母平台携带多个子平台与多个目标航天器快速交会场景，提出了基于两脉冲规划的多对多快速交会方法。首先，给出机动能力有限的航天器单脉冲可达域半解析求解方法，减小了计算量，通过母平台可达域覆盖目标轨道，计算得到母平台的脉冲速度大小，以脉冲机动后母平台与目标航天器在未来相对距离最小的原则，获取最优的脉冲速度方向；其次，以燃料最优为性能指标采用遗传算法对母平台脉冲次序进行优化，得到母平台机动后释放子航天器的轨道位置；最后，各子航天器以时间最短为目标，基于兰伯特机动求解了变轨机动点与目标轨道交会点，完成对多个目标航天器的快速交会。仿真结果表明，母平台携带的子航天器能够在母平台燃料消耗最小及子航天器与目标航天器交会时间最短的条件下实现与多目标航天器的快速交会。
针对航空航天载具所搭载的旋转调制惯性导航系统在冷启动时难以短时间内实现精确初始对准的问题，提出一种基于递推最小二乘（RLS）且采用多位置对准的全新对准方法：该方法以惯导系统速度误差分析为依据，推导误差速度与姿态失准角以及惯性测量单元零偏的关联方程，实现惯导系统的误差修正；运用RLS估计和迭代优化，解析出初始目标对准误差参数；通过仿真实验和实物实验进行验证。结果表明，在短时间内冷启动的情况下，该方法相较于传统卡尔曼滤波对准算法，能够达到显著提升惯导系统方位角的初始对准精度的效果，使惯导系统在各方位下对准所得方位角的均方根误差平均减少约42.7%。
提出一种基于联邦对比学习的锂电池健康状态估计方法。首先，采用联邦学习方法联合多个客户端共同训练模型，在保护数据隐私的同时实现多个客户端之间的知识共享；然后，在联邦学习框架下引入对比学习思想，实现多个客户端之间的特征对齐，降低不同客户端之间数据分布差异，进一步考虑不同客户端的数据质量存在差异，提出一种动态加权聚合算法，降低低质量数据对全局模型的影响；最后，在18650锂电池数据集上验证了模型的有效性，在保护数据隐私的同时保证了健康状态较低的评估误差。
装备异常时序数据生成是工业智能运维领域的核心挑战之一。针对传统装备数据生成方法在异常生成中存在的潜在空间耦合性强、物理规律违背及异常模式单一等问题，提出一种因果解耦的变分自编码器方法，通过引入因果图约束潜在变量独立性和嵌入物理方程作为解码器先验知识，并结合动态扰动策略生成多样化异常数据，实现了装备异常时序数据集的智能化生成。实验表明，该方法在单因精确控制、拟合时间维故障传播以及物理约束可控性方面具有良好的适应性。在多个跨领域公共评测数据集上，生成异常数据的物理合理性、可解释性和检测模型训练效果均显著优于现有方法。
随着信息化技术的快速发展和产品复杂性的显著增加，实物实验的成本不断攀升，仿真技术成为系统设计优化的关键工具。然而，传统仿真算法在调度过程中存在计算资源消耗大、全局优化难及适应性差等问题。针对这些问题，本文提出了一套基于深度强化学习的通用仿真算法调度平台方案，包括基于SAC的任务清单分发算法和基于DQN的计算任务调度算法。SAC算法通过智能决策将任务分发至计算节点，优化任务执行效率；DQN算法则通过经验分类方法提升计算节点的自主调度能力，提高资源利用率。实验结果表明，所提出的算法在任务完成时间和资源利用率方面均优于传统算法，验证了其有效性和先进性。
