4）微分包含法。 微分包含法仅离散化状态变量，而控制变量由限制状态变量的变化率消去，从而减少了

NLP 问题中变量的数目。但是对于复杂的优化问题，控制变量难以消去，这限制了微分包含 法在轨迹优化问题上的应用。

5）群智能算法。 经典的算法经常无法解决复杂的实际工程问题，这促使国内外学者开始探索新的计算途

径，包括对社会性动物的自组织行为建立数学模型与仿真分析，由此产生“群智能”。群智能 算法的两大研究领域为蚁群算法和粒子群算法。

蚁群算法主要参照社会性动物蚁群的觅食行为与策略，是一类仿生学算法。问题的初值 为蚁群的爬行路线，不用通过数学表达式具体表示，能够得到全局最优解。该算法的优点为 拥有正反馈回路，稳定性好，能够同时计算多条路径，且易于和其他算法结合，但是该算法 也存在很多缺陷，比如计算时间过长，获得局部最优解而不是所需要的全局最优解。文献[24-26]为了克服传统的蚁群算法的缺点，采用自适应调整搜索空间的改进蚁群算法，该算法 先将搜索空间逐渐缩小到一定区域，再通过信息素扩展机制加强对该区域的搜索，这些措施 不仅缩短了收敛时间，还提高了计算精度。

粒子群算法（PSO）是一种基于群智能方法的进化算法，容易实现，能够快速收敛于最优 解，广泛用在轨迹优化问题中[27]。文献[28-30]将粒子群算法与最优控制结合，研究了变后掠 翼导弹的增程能力与投放条件之间的关系。但是粒子群算法也和蚁群算法一样，有易陷入局 部最优的缺点。