将下面文字换一种表述形式，语义不变：在线串行优化。最优上升轨迹的离线规划或故障、目标在线重瞄的轨迹在线重构时才进行参数同伦，正常制导过程中算法不再进行参数同伦。新规划周期 的初值从一次轨迹优化的收敛解中获取：上一次规划周期的收敛解ft 作为当前规 划周期的迭代初值0ft ；从上一次优化解进行相应的插值映射得到改进间接法、正 则摄动法与混合法的初值0Y ；对于 NLP 算法，上一次规划周期的参数解作为当前 规划周期的迭代初值。

重点优化在线串行。当进行离线规划时，最优上升轨迹或出现故障和目标在线重瞄时，才进行参数同伦以进行轨迹在线重构。在正常制导过程中，算法不需要进行参数同伦。新规划周期的初值从上一个规划周期的收敛解中获得。上一次规划周期的收敛解ft是当前规划周期的迭代初值0ft，从上一次优化解中得到改进间接法、正则摄动法和混合法的初始值0Y。对于NLP算法，上一次规划周期的参数解作为当前规划周期的迭代初值。

相关问题

将下面文字换一种表述形式，语义不变：在运载火箭不同飞行阶段，其弹道特性、轨迹 规划问题模型均存在较大差别。为了解决运载火箭故障情况下轨迹在线重规划问 题，需要针对不同飞行段进行轨迹规划问题分析，并研究适用的快速优化算法，实 现轨迹规划问题的高效精确求解。

在火箭的不同飞行阶段，弹道特性和轨迹规划问题模型存在显著差异。为应对运载火箭故障时需要在线重新规划轨迹的问题，需要对不同的飞行阶段进行轨迹规划问题分析，并研究适用的快速优化算法，以实现高效精确的轨迹规划问题求解。

将下面文字换一种表述形式，语义不变：迹规划技术在线应用过程中， 往往出现大偏差、任务目标变更等特殊情况，此时将无法获得与最优轨迹相近的参 考轨迹作为轨迹规划求解的初值，这就要求在线轨迹算法具备良好的鲁棒性能，能 够在大偏差条件下，具备较大的收敛半径，实现无准确初值条件下的高可靠快速精 确收敛。

在线轨迹规划技术在实际应用中，经常遭遇各种特殊情况，如大偏差或任务目标的变更。此时，参考轨迹已无法作为初值，而在线轨迹规划算法需要具备强大的鲁棒性能，以在大偏差情况下具有广阔的收敛半径，实现在缺乏准确初值的情况下，快速，精确而可靠地收敛。