《Aerospace》：Radiation-Tolerant Design Strategies Using Commercial Bipolar Transistors in Power Systems for Small Satellites
编辑推荐：
针对捷联惯性导航系统（SINS）中随时间累积发散的误差以及传统地形匹配算法在特征稀疏平坦地形环境中精度不足的问题，研究人员提出了一种融合改进鱼鹰优化算法（IOOA）、分布估计（EDA）与Q学习的智能地形辅助导航方法。该算法采用地形信息熵作为鲁棒匹配指标，构建了
针对捷联惯性导航系统（SINS）中随时间累积发散的误差以及传统地形匹配算法在特征稀疏平坦地形环境中精度不足的问题，研究人员提出了一种融合改进鱼鹰优化算法（IOOA）、分布估计（EDA）与Q学习的智能地形辅助导航方法。该算法采用地形信息熵作为鲁棒匹配指标，构建了由基于Lévy飞行的随机搜索（探索阶段）和精英引导高斯分布估计（开发阶段）组成的两阶段演化框架。通过引入Q学习机制对探索参数进行自适应调节，实现了种群多样性与收敛速度之间的智能平衡。在统一计算基准下，研究人员利用模拟中等起伏丘陵地形、利比亚撒哈拉地区以及中国新疆准噶尔盆地真实数字高程模型（DEM）数据集开展了系统性的多场景仿真。实验结果表明，与传统地形轮廓匹配（TERCOM）及主流群体智能算法相比，所提出算法在上述复杂地形中显著降低了定位误差并明显提升了匹配精度。鲁棒性与实时性能测试显示，该算法单次匹配平均处理时间仅为0.08 s，在随机扰动条件下误差波动可维持在±0.83 m。进一步的消融实验验证了多策略融合机制在抑制局部最优陷阱和非收敛振荡方面的必要性。本研究证实了该算法在低计算依赖条件下的工程可行性，为拒止全球定位系统（GPS-denied）环境中的高精度自主导航提供了一种有效技术路径。
该论文发表于《Aerospace》，研究聚焦于地形辅助导航（TAN）在全球定位系统受限环境下的高精度自主定位问题。研究背景在于惯性导航系统（INS）虽具备自主性和连续性，但其误差会随时间持续累积，导致导航解逐渐发散，因此必须借助外部地形信息实施离散校正。传统地形辅助导航中，地形轮廓匹配（TERCOM）和Sandia惯性地形辅助导航（SITAN）具有代表性，但二者在平坦、特征稀疏、地貌重复性强的区域均存在明显短板：一方面，传统匹配依赖高程轮廓或相似性度量，容易受雷达高度计噪声、数字高程模型（DEM）量化误差及地表微地形平滑效应影响；另一方面，在弱特征地形中，目标函数常呈现高频多峰或大范围平坦分布，导致梯度消失、伪匹配增多、局部最优陷阱显著，最终造成误匹配和误差累积。尽管粒子群优化（PSO）、遗传算法（GA）及其他群智能算法已被用于提升全局搜索能力，但仍普遍面临早熟收敛、参数依赖强、实时性不足等工程瓶颈。针对上述问题，研究人员提出一种改进鱼鹰优化算法（IOOA）驱动的TERCOM增强框架，通过Lévy飞行提升全局跳跃搜索能力，通过高斯分布估计（EDA）强化精英引导开发过程，并通过Q学习动态调控探索—开发阈值，从而提升算法在平坦、重复和异质复合地形中的稳健性、适应性与实时性能。
方法上，研究人员首先以二维地形矩阵替代传统一维连续剖面，利用机载多波束雷达高度计获取当前位置下方的二维高程观测，并采用地形信息熵作为匹配特征以提高抗噪能力与计算效率。在优化框架中，引入动态匹配半径与动态种群规模以适应INS误差时变累积特性；采用并行种群初始化策略，其中80%候选点围绕上一帧最优解生成，20%固定于当前INS位置；探索阶段采用非定向Lévy飞行执行自主随机搜索，开发阶段采用基于精英样本的高斯概率模型进行重采样；同时以种群多样性为状态变量构建Q学习控制器，自适应选择探索阈值。实验数据来源包括模拟中等起伏丘陵地形、利比亚撒哈拉地区真实地形数据以及中国新疆准噶尔盆地真实DEM数据，并在统一MATLAB 2014b计算环境下进行多场景仿真、消融分析、压力测试和参数敏感性评估。
研究结果部分围绕多个小节展开，清晰展示了该方法在不同地形与不同工况下的表现。
5.1. Simulation Test 1
研究人员在10 km × 10 km的中等起伏丘陵模拟地形中开展仿真。该地形虽高差起伏适中，但拓扑结构重复性较强，容易产生伪匹配局部最优区域。结果表明，传统TERCOM在双重噪声耦合作用下易发生误差发散与频繁定位跳变；PSO与GA也表现出明显早熟收敛，累计均方根误差（RMSE）超过100 m。相比之下，IOOA+Q-learning框架保持了更稳定的误差曲线，并将总定位误差抑制至54 m，较传统方法提升56.8%。这一结果说明，非定向Lévy飞行能够有效帮助算法跳出重复地形诱发的伪最优陷阱。
5.2. Simulation Test 2
第二组实验基于利比亚撒哈拉东南部真实地形开展。该区域具有极端平坦和特征稀疏的典型沙漠特征，对地形辅助导航构成严峻挑战。研究结果显示，在该环境下，传统TERCOM难以获得清晰可辨的地形轮廓，导致严重失配和较高累计RMSE；PSO、GA和DBO等群智能算法由于缺乏有效地形特征引导，也容易退化为盲目随机游走并陷入平坦局部最优，定位误差普遍超过120 m。IOOA则保持了最稳定的有界误差曲线，并将总定位误差控制在94 m，较传统方法提高37.3%。这一结果验证了双模态搜索机制在极弱特征地形中防止“误导性共识”和早熟收敛的有效性。
5.3. Simulation Test 3
第三组实验选取中国新疆准噶尔盆地中部真实DEM，并进行了50次蒙特卡洛（Monte Carlo）统计。该地形兼具平坦荒漠区与突变崎岖山脊区，属于空间异质性强的复合地形，对算法动态适应性提出更高要求。研究结果表明，传统TERCOM和序列匹配算法在特征稀疏区与特征丰富区过渡时存在明显响应滞后与误差积累，累计RMSE接近200 m；GA在突变复杂区域中出现完全发散，PSO则表现为渐进性误差漂移。相比之下，IOOA将误差稳定约束在100 m以内，总定位误差为85 m，较传统方法提升50.9%。这说明嵌入式Q学习机制可依据实时种群多样性动态切换探索与开发阈值，从而在连续变化的地形复杂度下保持更优适应性。
5.4. Simulation Test 4 Effects of Fine Matching and Real-Time Performance Testing
研究人员进一步开展细匹配影响与实时性测试，在Terrain 1条件下进行20次随机细匹配范围试验。结果显示，改进算法平均定位误差为55.03 m，误差波动仅±0.83 m，整体误差范围为53.61 m至56.18 m，表明其对细匹配参数不高度敏感，具有稳定的内在精度。同时，单次匹配平均处理时间仅0.08 s，满足实时应用要求，说明该方法在精度和计算速度之间取得了良好平衡。
5.5. Ablation Study
为验证各组成模块的必要性，研究人员移除Q学习参数自适应机制与EDA精英引导策略，观察Terrain 2中的误差曲线变化。结果显示，虽然Lévy飞行本身赋予算法一定全局搜索能力，误差偶尔可下降至约20 m，但整体曲线呈现明显锯齿状振荡，且在仿真过程中多次出现超过350 m的误差反弹，始终无法实现稳定收敛。该结果表明，仅依赖单一随机跳跃机制不足以保证持续收敛，多策略融合对于稳定性至关重要。
5.6. Stress Testing
研究人员设计了接近真实战术环境的高动态压力测试场景，模拟飞行器执行连续S形转弯和大坡度机动时的导航状态。在此过程中，INS漂移加剧，雷达高度计波束偏离天底方向，诱发重尾噪声、多径衰落、镜面反射和暂时失锁等复杂误差。结果表明，尽管导航条件显著恶化，IOOA依然维持了优异鲁棒性：相较准噶尔盆地平稳飞行条件下85 m的总平均误差，压力测试条件下平均误差仅小幅上升至89 m，增量仅4 m。这说明该框架能够有效抑制传统方法在高动态强干扰条件下常见的灾难性发散，从而提升高机动平台的导航可靠性。
5.7. Parameter Sensitivity Test
参数敏感性测试主要考察Lévy飞行指数β和Q学习状态离散数N对性能的影响。在β ∈ {0.5, 1.0, 1.5, 2.0}的比较中，研究人员发现β = 2.0时步长分布接近高斯型，短步搜索易陷入局部最优；β = 0.5时则因重尾过强导致全局跳跃过度而难以有效开发优质区域；β = 1.5在全局探索与局部开发之间实现最佳平衡，获得最低且最稳定的累计RMSE。在Q学习状态离散数方面，N = 20会因状态空间过细引发“维数灾难”，使Q表难以在0.2 s实时约束内快速收敛；N = 5则分辨率不足，难以刻画种群多样性的细微变化。最终，N = 10被验证为兼顾粒度与在线收敛性的Pareto最优配置。
5.8. Performance Evaluation
综合评估部分表明，IOOA通过融合Q学习、Lévy飞行和EDA，系统性解决了传统算法易早熟收敛、难以摆脱局部最优、对INS误差累积适应性差等问题。仿真结果显示，在缓丘地形中，该算法将总定位误差降低至55.03 m（±0.83），优于TERCOM（125 m）、PSO（91 m）和GA（130 m）；在利比亚沙漠场景中，也将误差限制在94 m以内；消融实验进一步证明其多组件协同机制对于稳定收敛不可或缺；0.08 s的平均处理时间则表明其满足实时工程应用需求。
在讨论层面，论文强调该方法的核心价值不在于单一启发式改进，而在于多策略耦合所形成的工程化在线自适应能力。地形信息熵降低了对逐点精细概率比较的依赖，从而兼顾抗噪性与计算开销；Lévy飞行通过重尾步长提供跨尺度搜索能力，缓解平坦地形中的无梯度困境；EDA通过精英统计建模强化局部收敛效率；Q学习则在严格实时约束下，仅调节核心探索阈值，避免在线高维调参带来的不可收敛风险。整体而言，这一架构在算法智能性与工程可靠性之间取得了较优平衡，使其具备向机载或弹载嵌入式平台迁移的潜力。
研究结论部分可译为：基于系统性的仿真实验，可以明确得出结论：改进鱼鹰优化算法（IOOA）相较传统方法在地形匹配导航性能上实现了质的跃升。具体而言，在沙丘和中等起伏丘陵等相对平缓地形中，该算法使定位精度提升近40%，这一结果已在两组不同对比实验中得到一致验证。在采用利比亚沙漠真实数字高程数据的测试中，改进算法在80 s导航窗口内将定位误差由传统方法的150 m显著降低至94 m，精度提升37.3%。在准噶尔盆地地形中的实验同样验证了稳定的性能增益，证明该算法在特征贫乏环境和复杂环境中均具有鲁棒性。这种性能提升在极端平坦、特征缺失地形中尤为明显，从而有力证明了该算法对弱导航特征环境具备更强适应能力。
