Innovative solar system exploration missions require ever larger velocity increments and thus ever more demanding propulsion capabilities. Using for those high-energy missions the state-of-the-art technique of chemical propulsion in combination with (eventually multiple) gravity assist maneuvers results in long, complicated, and inflexible mission profiles. Low-thrust propulsions systems can significantly enhance or even enable those high-energy missions, since they utilize the propellant more efficiently - like electric propulsion systems - or do not consume any propellant at all - like solar sails, that utilize solely the freely available solar radiation pressure for propulsion. Consequently, low-thrust propulsion systems permit significantly larger velocity increments and/or larger payload ratios and/or smaller launch vehicles, while at the same time allowing direct trajectories with reduced flight times, simpler mission profiles, and extended launch windows. One of the most important tasks during the feasibility analysis and the preliminary design of a deep space mission is the design and the optimization of the interplanetary transfer trajectory. Searching trajectories for low-thrust spacecraft, that are optimal with respect to transfer time or propellant consumption, is usually a difficult and time-consuming task that involves a lot of experience and expert knowledge, since the convergence behavior of traditional optimizers, that are based on numerical optimal control methods, depends strongly on an adequate initial guess, which is often hard to find. Even if the optimizer converges to an "optimal" trajectory, this trajectory is typically close to the initial guess that is rarely close to the (unknown) global optimum. Within this work, trajectory optimization problems are attacked from the perspective of artificial intelligence and machine learning, which is quite different from that of optimal control theory. Inspired by natural archetypes, a smart method for spacecraft trajectory optimization - that fuses artificial neural networks and evolutionary algorithms to evolutionary neurocontrollers - is developed. Before the novel method is employed for the trajectory optimization and mission analysis of some exemplary deep space missions, its convergence behavior is evaluated and the quality of the obtained solutions is assessed. It is demonstrated, by re-calculating trajectories for several existing low-thrust problems, that this novel method can be applied successfully for near-globally optimal spacecraft steering. Since evolutionary neurocontrollers explore the trajectory search space more exhaustively than a human expert can do by using traditional optimal control methods, they are able to find spacecraft steering strategies that generate better trajectories, which are closer to the global optimum. Using evolutionary neurocontrollers, low-thrust trajectories can be optimized without an initial guess and without the permanent attendance of an expert in astrodynamics and optimal control theory. Their field of application may be extended to a variety of optimal control problems.     «

Innovative solar system exploration missions require ever larger velocity increments and thus ever more demanding propulsion capabilities. Using for those high-energy missions the state-of-the-art technique of chemical propulsion in combination with (eventually multiple) gravity assist maneuvers results in long, complicated, and inflexible mission profiles. Low-thrust propulsions systems can significantly enhance or even enable those high-energy missions, since they utilize the propellant more e...     »

Innovative Missionen für die Erkundung des Sonnensystems erfordern immer höhere Geschwindigkeitsänderungen und somit immer bessere Antriebssysteme. Für solch hochenergetische Missionen führt die gegenwärtig übliche Methode - Verwendung chemischer Antriebe in Verbindung mit (eventuell mehrfachen) Gravity-Assist-Manövern - zu langen Missionsdauern und zu komplizierten unflexiblen Missionsprofilen. Durch Niedrigschubantriebssysteme kann die Durchführung von hochenergetischen Missionen erleichtert oder teilweise sogar erst ermöglicht werden, da diese Antriebssysteme den Treibstoff effizienter nutzen - wie z.B. elektrische Antriebssysteme - oder sogar überhaupt keinen Treibstoff benötigen - wie Sonnensegler, die den "kostenlosen" solaren Strahlungsdruck als Antriebsquelle nutzen. Infolgedessen erlauben Niedrigschubsysteme höhere Geschwindigkeitsänderungen und/oder größere Nutzlastverhältnisse und/oder leichtere Trägerraketen. Gleichzeitig erlauben sie schnelle Direktbahnen und einfache Missionsprofile mit ausgedehnten Startfenstern. Eine der wichtigsten Aufgaben während der Missionsdurchführbarkeitsanalyse und des Grobentwurfs einer interplanetaren Mission ist der Entwurf und die Optimierung der Transferbahn(en). Das Konvergenzverhalten von traditionellen Niedrigschub-Bahnoptimierungsverfahren, die auf numerischen Methoden der optimalen Regelung basieren, hängt entscheidend von einer guten Startschätzung der Lösung ab, wie sie oft schwer zu finden ist. Selbst wenn der Optimierer gegen eine "optimale" Bahn konvergiert, so befindet sich diese meist nahe an der Startschätzung, welche sich wiederum selten nahe am (unbekannten) globalen Optimum befindet. Dies macht die Suche nach zeit- oder treibstoffoptimalen Niedrigschubbahnen für gewöhnlich zu einer schwierigen und zeitraubenden Arbeit, die viel Erfahrung und Expertenwissen erfordert. Im Rahmen dieser Arbeit werden Bahnoptimierungsprobleme anders angepackt: aus dem Blickwinkel der Künstlichen Intelligenz und des Maschinenlernens. Inspiriert von natürlichen Vorbildern, wird eine \"intelligente\" Methode zur Bahnoptimierung von Raumfahrzeugen entwickelt, welche Neuronale Netze und Evolutionäre Algorithmen zu Evolutionären Neuronalen Reglern verbindet. Bevor diese neuartige Methode zur Bahnoptimierung und Missionsanalyse einiger beispielhafter interplanetarer Missionen verwendet wird, wird sie hinsichtlich ihres Konvergenzverhaltens und der Güte der Lösungen geprüft und bewertet. Anhand der Neuberechnung von Bahnen für Niedrigschubprobleme, für die bereits Bahnen in der Literatur vorhanden sind, wird gezeigt, dass die neue Methode erfolgreich für eine beinahe-global optimale Steuerung von Raumfahrzeugen eingesetzt werden kann. Da Evolutionäre Neuronale Regler den Lösungsraum möglicher Bahnen erschöpfender durchsuchen als dies ein menschlicher Experte unter Verwendung traditioneller Methoden der optimalen Regelung kann, finden sie Steuerstrategien, die bessere - näher am globalen Optimum liegende - Bahnen generieren. Mit Evolutionären Neuronalen Reglern können Niedrigschubbahnen ohne Anfangsschätzung und ohne die ständige Anwesenheit eines Astrodynamik- und Bahnoptimierungsexperten optimiert werden. Ihr Anwendungsbereich ist auf eine Vielzahl von optimalen Regelungsproblemen erweiterbar.     «

Innovative Missionen für die Erkundung des Sonnensystems erfordern immer höhere Geschwindigkeitsänderungen und somit immer bessere Antriebssysteme. Für solch hochenergetische Missionen führt die gegenwärtig übliche Methode - Verwendung chemischer Antriebe in Verbindung mit (eventuell mehrfachen) Gravity-Assist-Manövern - zu langen Missionsdauern und zu komplizierten unflexiblen Missionsprofilen. Durch Niedrigschubantriebssysteme kann die Durchführung von hochenergetischen Missionen erleichtert o...     »