MARC

 008240220s2023        ulk                      00        kor
■001000016935127
■00520240214101856
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380490566
■035    ▼a(MiAaPQ)AAI30642171
■035    ▼a(MiAaPQ)Purdue23528169
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a519.93
■1001  ▼aNolan,  Sean  Matthew.
■24510▼aPractical  Numerical  Trajectory  Optimization  Via  Indirect  Methods▼h[electronic  resource]
■260    ▼a[S.l.]▼bPurdue  University.  ▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a1  online  resource(206  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-04,  Section:  B.
■500    ▼aAdvisor:  DeLaurentis,  Daniel  A.;Grant,  Michael  J.
■5021  ▼aThesis  (Ph.D.)--Purdue  University,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aNumerical  trajectory  optimization  is  helpful  not  only  for  mission  planning  but  also  design  space  exploration  and  quantifying  vehicle  performance.  Direct  methods  for  solving  the  optimal  control  problems,  which  first  discretize  the  problem  before  applying  necessary  conditions  of  optimality,  dominate  the  field  of  trajectory  optimization  because  they  are  easier  for  the  user  to  set  up  and  are  less  reliant  on  a  forming  a  good  initial  guess.  On  the  other  hand,  many  consider  indirect  methods,  which  apply  the  necessary  conditions  of  optimality  prior  to  discretization,  too  difficult  to  use  for  practical  applications.  Indirect  methods  though  provide  very  high  quality  solutions,  easily  accessible  sensitivity  information,  and  faster  convergence  given  a  sufficiently  good  guess.  Those  strengths  make  indirect  methods  especially  well-suited  for  generating  large  data  sets  for  system  analysis  and  worth  revisiting.Recent  advancements  in  the  application  of  indirect  methods  have  already  mitigated  many  of  the  often  cited  issues.  Automatic  derivation  of  the  necessary  conditions  with  computer  algebra  systems  have  eliminated  the  manual  step  which  was  time-intensive  and  error-prone.  Furthermore,  regularization  techniques  have  reduced  problems  which  traditionally  needed  many  phases  and  complex  staging,  like  those  with  inequality  path  constraints,  to  a  significantly  easier  to  handle  single  arc.  Finally,  continuation  methods  can  circumvent  the  small  radius  of  convergence  of  indirect  methods  by  gradually  changing  the  problem  and  use  previously  found  solutions  for  guesses.The  new  optimal  control  problem  solver  Giuseppeincorporates  and  builds  upon  these  advancements  to  make  indirect  methods  more  accessible  and  easily  used.  It  seeks  to  enable  greater  research  and  creative  approaches  to  problem  solving  by  being  more  flexible  and  extensible  than  previous  solvers.  The  solver  accomplishes  this  by  implementing  a  modular  design  with  well-defined  internal  interfaces.  Moreover,  it  allows  the  user  easy  access  to  and  manipulation  of  component  objects  and  functions  to  be  use  in  the  way  best  suited  to  solve  a  problem.A  new  technique  simplifies  and  automates  what  was  the  predominate  roadblock  to  using  continuation,  the  generation  of  an  initial  guess  for  the  seed  solution.  Reliable  generation  of  a  guess  sufficient  for  convergence  still  usually  required  advanced  knowledge  optimal  control  theory  or  sometimes  incorporation  of  an  entirely  separate  optimization  method.  With  the  new  method,  a  user  only  needs  to  supply  initial  states,  a  control  profile,  and  a  time-span  over  which  to  integrate.  The  guess  generator  then  produces  a  guess  for  the  "primal"  problem  through  propagation  of  the  initial  value  problem.  It  then  estimates  the  "dual"  (adjoint)  variables  by  the  Gauss-Newton  method  for  solving  the  nonlinear  least-squares  problem.  The  decoupled  approach  prevents  poorly  guessed  dual  variables  from  altering  the  relatively  easily  guess  primal  variables.  As  a  result,  this  method  is  simpler  to  use,  faster  to  iterate,  and  much  more  reliable  than  previous  guess  generation  techniques.Leveraging  the  continuation  process  also  allows  for  greater  insight  into  the  solution  space  as  there  is  only  a  small  marginal  cost  to  producing  an  additional  nearby  solutions.  As  a  result,  a  user  can  quickly  generate  large  families  of  solutions  by  sweeping  parameters  and  modifying  constraints.  These  families  provide  much  greater  insight  in  the  general  problem  and  underlying  system  than  is  obtainable  with  singular  point  solutions.  One  can  extend  these  analyses  to  high-dimensional  spaces  through  construction  of  compound  continuation  strategies  expressible  by  directed  trees.Lastly,  a  study  into  common  convergence  explicates  their  causes  and  recommends  mitigation  strategies.  In  this  area,  the  continuation  process  also  serves  an  important  role.  Adaptive  step-size  routines  usually  suffice  to  handle  common  sensitivity  issues  and  scaling  constraints  is  simpler  and  out-performs  scaling  parameters  directly.  Issues  arise  when  a  cost  functional  becomes  insensitive  to  the  control,  which  a  small  control  cost  mitigates.  The  best  performance  of  the  solver  requires  proper  sizing  of  the  smoothing  parameters  used  in  regularization  methods.  An  asymptotic  increase  in  the  magnitude  of  adjoint  variables  indicate  approaching  a  feasibility  boundary  of  the  solution  space.These  techniques  for  indirect  methods  greatly  facilitate  their  use  and  enable  the  generation  of  large  libraries  of  high-quality  optimal  trajectories  for  complex  problems.  In  the  future,  these  libraries  can  give  a  detailed  account  of  vehicle  performance  throughout  its  flight  envelope,  feed  higher-level  system  analyses,  or  inform  real-time  control  applications.
■590    ▼aSchool  code:  0183.
■650  4▼aControl  theory.
■650  4▼aSpace  exploration.
■650  4▼aBoundary  conditions.
■650  4▼aAerospace  engineering.
■650  4▼aMathematics.
■650  4▼aSystems  science.
■690    ▼a0538
■690    ▼a0405
■690    ▼a0790
■71020▼aPurdue  University.
■7730  ▼tDissertations  Abstracts  International▼g85-04B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0183
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16935127▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서