BR102018010426A2

BR102018010426A2 - Método de agendamento de satélites e sistema de processamento para sistemas de observação da terra, incluindo um ou mais satélites de sensoreamento remoto

Info

Publication number: BR102018010426A2
Application number: BR102018010426-8A
Authority: BR
Inventors: Federico BUNKHEILA; Christian Circi
Original assignee: Telespazio S.P.A.
Priority date: 2017-05-24
Filing date: 2018-05-23
Publication date: 2019-03-26
Also published as: CN108960483A; EP3406531A1; ES2842591T3; EP3406531B1; US20180341894A1; US10726368B2; RU2018118555A; IT201700056428A1; AR111895A1

Abstract

refere-se a um método de agendamento de satélites (1) incluindo: (a) produzir planos de agendamento (105), baseado em solicitações de entrada relacionadas a tarefas a serem executadas dentro de um determinado período por um ou mais satélites de sensoreamento remoto, em que, para cada um dos referidos planos de agendamento iniciais, respectivas tarefas são agendadas, as quais não entram em conflito umas com as outras no tempo e na utilização de recursos de satélite do(s) satélite(s) de sensoreamento remoto, com cada uma das tarefas a serem executadas estando agendada em pelo menos um dos planos de agendamento iniciais; (b) aplicar um processamento baseado em algoritmos genéticos (108) aos planos de agendamento iniciais, produzindo um plano baseado em algoritmos genéticos otimizado, e está em conformidade com determinadas restrições aos recursos do satélite, com as tarefas a serem executadas, e com o período de tempo determinado; e (c) aplicar um processamento baseado em anelamento simulado (109) ao plano de agendamento baseado em algoritmos genéticos, produzindo um plano baseado em anelamento simulado atendendo aos objetivos determinados, que esteja em conformidade com as restrições, e em que um maior número de tarefas são agendadas do que no plano de agendamento baseado em algoritmos genéticos.

Description

MÉTODO INOVADOR PARA AGENDAMENTO DE SATÉLITES BASEADO EM ALGORITMOS GENÉTICOS E ANELAMENTO SIMULADO, E PLANEJADOR DE MISSÃO RELACIONADO

REIVINDICAÇÃO PRIORITÁRIA [001] Este pedido reivindica a prioridade do pedido de patente italiana N° 102017000056428 depositado em 24 de maio de 2017, cujo conteúdo é aqui incorporado como referência.

CAMPO TÉCNICO DA INVENÇÃO [002] A presente invenção refere-se à Observação da Terra (EO - Earth Observatiorí) baseada em sistemas de sensoreamento remoto por satélite. Em particular, a presente invenção provê uma solução otimizada para o chamado Problema de Agendamento de Satélite (SSP - Satellite Schedu/ing Prob/em), que deriva do clássico Problema de Agendamento de Projeto com Restrição de Recursos (RCPSP - Resource Constrained Project Scheduling Prob/em).

ESTADO DA ARTE [003] Como é sabido, o sensoreamento remoto por satélite baseia-se principalmente no uso de dois tipos de sensores:

- sensores passivos, tais como sensores óticos e infravermelhos, que geralmente detectam a radiação eletromagnética emitida e refletida pela superfície da Terra (em particular, radiação eletromagnética solar refletida); e

- sensores ativos, tais como Radares de Abertura Sintética (SARs - Synthetic Aperture Rada rs) e sensores de Alcance e Detecção e Luz (LiDAR - Light Detection And Ranging), que geralmente iluminam a superfície da Terra emitindo uma radiação eletromagnética predefinida, e então detectam a radiação eletromagnética retrodispersada.

[004] A este respeito, vale a pena notar que, abaixo, por uma questão de simplicidade descritiva, as terminologias genéricas adquirir uma imagem, tarefa de aquisição, e até mesmo aquisição (e sinônimos relacionados, tal como varredura), serão usadas para denotar as atividades de satélite necessárias para a obtenção de uma imagem da superfície da Terra (por exemplo, manobras de apontamento e aquisição para varredura de uma determinada área da superfície da Terra), com base no uso de um sensor de

Petição 870180071811, de 16/08/2018, pág. 112/186

2/56 bordo ativo ou passivo (tal como um SAR ou um sensor óptico).

[005] Atualmente, o projeto de segmentos terrestres para satélites de EO é realizado procurando uma automatização dos processos, a fim de torná-los mais eficientes e acessíveis, e com um alto desempenho. Em particular, um agendamento automático de recursos de satélite para satisfazer as tarefas de aquisição solicitadas permitiria cumprir os objetivos da missão fundamental. Neste contexto, os requisitos principais dizem respeito à satisfação dos desempenhos operacionais, juntamente com a continuidade da cronologia das operações. Por essa razão, a maneira pela qual a automatização pode ser satisfatória é uma tarefa estimulante, que atualmente é profundamente investigada no setor aeroespacial.

[006] No passado, as missões de sensoreamento remoto baseadas em satélites tendo uma atitude fixa geralmente eram projetadas para explorarem faixas de terra repetidas, caracterizadas por determinados tempos de revisita (tipicamente, iguais a um número predefinido de dias nodais da Terra). Para diminuir esse limite, os chamados satélites ágeis, caracterizados por alta manobrabilidade e apontamento preciso, são atualmente empregados para proverem melhores resultados em missões que necessitam de uma rápida recuperação de imagens. De fato, a cada passagem de órbita, os satélites ágeis têm potencialmente a capacidade de adquirirem imagens sobre uma área mais ampla da superfície da Terra do que os satélites tradicionais. Por outro lado, as vantagens são contrabalançadas por um aumento na complexidade do gerenciamento das tarefas de aquisição, e pela necessidade de introduzir processos de otimização para satisfazer os objetivos da missão e evitar latências e perdas. Todos esses aspectos devem ser levados em consideração no projeto dos modernos Planejadores de Missão (MPs - Mission P/anners) de Segmentos Terrestres para satélites de nova geração.

[007] Como é sabido, o SSP (que, como explicado anteriormente, deriva do RCPSP clássico) requer uma pesquisa apropriada pelas melhores soluções no planejamento das tarefas necessárias para as atividades de aquisição, resultantes da combinação de difíceis problemas de otimização combinatória.

[008] Com referência à teoria da complexidade computacional, o RCPSP é uma generalização de alguns difíceis problemas polinomiais fortemente não determinísticos

Petição 870180071811, de 16/08/2018, pág. 113/186

3/56 (NP-Hard) bem conhecidos. Isto implica em que:

- não é provável que exista um algoritmo eficiente (isto é, polinomial) para a resolução ideal do RCPSP; e

- os solucionadores de uso geral, que não exploram a estrutura combinatória particular do RCPSP e não levam em conta sua complexidade dentro de suas estratégias de resolução, não podem lidar com instâncias de grande porte.

[009] Para uma descrição detalhada do estado da arte relacionado ao SSP e ao RCPSP, será feita referência a seguir a:

- C.S. Sharma, Review: Practical Handbook of Genetic Algorithms by Lance Chambers (Revisão: Manual Prático de Algoritmos Genéticos de Lance Chambers), The Mathematical Gazette (A Gazeta Matemática), vol. 81, N° 491, págs. 346 a 348, julho de 1997, d.o.i.: 10.2307 / 3619253 (referida abaixo como Refl);

- A. Sadegheih, Scheduling problem using genetic aigorithm, Simu/atedAnneaiing and the effects of parameter vaiues on GA performance (Problemas de agendamento usando algoritmo genético, Anelamento Simulado e os efeitos de valores de parâmetros no desempenho de Algoritmos Genéticos, Appiied Mathematical Modeiiing (Modelagem Matemática Aplicada), Vol. 30, N° 2, págs. 147 a 154, fevereiro de 2006, d.o.i.: 10.1016/j.apm.2005.03.017 (referida abaixo como Ref2);

- M.B. Wall, A Genetic Aigorithm for Resource Constrained Scheduling(Um Algoritmo Genético para Agendamento com Restrição de Recursos), tese de doutorado para graduação em Doutor em Filosofia em Engenharia Mecânica, no Instituto Massachusetts de Tecnologia (MIT - Massachusetts Institute of Technoiogy), 1996 (referida abaixo como Ref3);

- G. Syswerda, A Study of Reproduction in Generational and Steady State Genetic Algorithms(Um Estudo da Reprodução em Algoritmos Genéticos Geracionais e de Estado Estável), Foundations of Genetic Algorithms (Fundamentos de Algoritmos Genéticos), págs. 94 a 101, 1991, d.o.i.: 10.1016 / b978-0-08-050684-5.50009-4 (referida abaixo como Ref4);

- D.E. Goldberg, Making Genetic Algorithms Fy (Fazendo Algoritmos Genéticos Voarem), The Design of Innovation (O Projeto da Inovação), Vol. 7 da série Genetic

Petição 870180071811, de 16/08/2018, pág. 114/186

4/56

A/gorithms and Evolutionary Computation (^'Algoritmos Genéticos e Computação Evolucionária), págs. 11 a 24, 2002 d.o.i.: 10.1007 / 978-1-4757-3643-4_2 (referida abaixo como Ref5);

- RJ. Mitchell, B. Chambers, A.P. Anderson, Arraypattern synthesís in the compíexplane optimized by a genetic a/gorthm ('Síntese de padrão de arranjo no plano complexo otimizado por um algoritmo genético), Eíectronics Letters (Cartas Eletrônicas), vol. 32, n° 20, págs. 1843 a 1845, 1996, d.o.i.: 10.1049 / el:19961255 (referida abaixo como Ref6);

- J.H. Holland, Genetic Aígorithms (Algoritmos Genéticos), Scientific American (Americano Científico), Vol. 267, n° 1, págs. 66 a 72, 1992, d.o.i.:

10.1038/scientificamerican0792-66 (referida abaixo como Ref7);

- D.E. de Jong, A. Bucci, DECA: Dimension Extracting Coevoíutionary Aígorithm (Algoritmo Co-evolucionário de Extração de Dimensão), Procedimentos da 8^aConferência Anual sobre Computação Evolucionária e Genética - GECCO'06, págs. 313 a 320, Seattle, Washington, EUA, 8 a 12 de julho de 2006, d.o.i.: 10.1145/1143997.1144056 (referida abaixo como Ref8);

- T. Murata, H. Ishibuchi, H. Tanaka, Genetic aigorithms for fiowshop scheduiing probiems(Algoritmos genéticos para problemas de agendamento de fluxos), Computers & Industrial Engineering (Computadores & Engenharia Industrial), vol. 30, n° 4, págs. 1061 a 1071, 1996, d.o.i.: 10.1016 / 0360-8352 (96) 00053-8 (referida abaixo como Ref9);

- J.F. Gonçalves, J.J. de Magalhães Mendes, M.G.C. Resende, A hybridgenetic aigorithm for the job shop scheduiing probiem (Um algoritmo genético híbrido para o problema de agendamento de produção descontínua), European Journal of Operationai Research (Jornal Europeu de Pesquisa Operacional), vol. 167, n° 1, págs. 77 a 95, 2005, d.o.i.: 10.1016 / j.ejor.2004.03.012 (referida abaixo como Ref10); -

- A. Globus, J. Crawford, J. Lohn, A. Pryor, A comparison of techniques for scheduiing earth observing sateiiites (Uma comparação de técnicas para agendamento de satélites de observação da Terra), Procedimentos da 16^a conferência sobre Aplicações Inovadoras da Inteligência Artificial - IAAI'04, págs. 836 a 843, San Jose, Califórnia, 25 a 29 de julho

Petição 870180071811, de 16/08/2018, pág. 115/186

5/56 de 2004 (referida abaixo como Ref11);

- H. Yu, H. Fang, P. Yao, Y. Yuan, A combined genetic algorithm/Simulated Annealing algorithm for large scaie system energy integratiod' (Um algoritmo genético combinado/algoritmo de Anelamento Simulado para integração energética de sistemas de grande porte), Computers and Chemical Engineering (Computadores e Engenharia Química), vol. 24, n° 8, págs. 2023 a 2035, 2000, d.o.i.: 10.1016 / s0098-1354 (00) 00601-3 (referida abaixo como Ref12);

- A.M. Zain, H. Haron, S. Sharif, Integration of SimuiatedAnnealing andgeneticalgorithm to estimate optimal soiutions for minimising surface roughness in end milling Ti-6AL-4V (Integração de algoritmo de Anelamento Simulado e genético para estimar soluções ótimas para minimizar a rugosidade de superfície no fresamento final Ti-6AL-4V), International Journal of Computer Integrated Manufacturing (Jornal Internacional de Fabricação Integrada de Computadores), vol. 24, No. 6, págs. 574 a 592, 2011, d.o.i.: 10.1080 / 0951192x.2011.566629 (referida abaixo como Ref13);

- K. Lian, C. Zhang, X. Li, L. Gao, An Effective Hybrid Genetic Simuiated Annealing Algorithm for Process Pianning Probiem(Um Algoritmo Eficaz de Anelamento Simulado Genético Híbrido para o Problema de Planejamento de Processos), Procedimentos da Quinta Conferência Internacional sobre Computação Natural - ICNC'09, vol. 5, págs. 367 a 373, 14 a 16 de agosto de 2009, d.o.i.: 10.1109 / icnc.2009.689 (referida abaixo como Ref14);

- C. Liu, W. Wan, Y. Wu, Image based reconstruction using hybrid optimization of simuiated annealing and genetic algorithm(Reconstrução baseada em imagem usando otimização híbrida de algoritmo genético e de anelamento simulado), Procedimentos da Primeira Reunião de Cúpula da ACM / SIGEVO sobre Computação Evolucionária e Genética

- GEC'09, págs. 875 a 878, Xangai, China, 12 a 14 de junho de 2009, d.o.i.: 10.1145/1543834.1543964 (referida abaixo como Ref15);

- A. Tamilarasi, T.A. Kumar, An enhancedgenetic algorithm with simuiated annealing for job-shop scheduiing (Um algoritmo genético aperfeiçoado com anelamento simulado para agendamento de produção descontínua), International Journal of Engineering, Science and Technoiogy (Jornal Internacional de Engenharia, Ciência e Tecnologia), vol.

Petição 870180071811, de 16/08/2018, pág. 116/186

6/56

2, N° 1, págs. 144 a 151, 2010, d.o.i.: 10.4314 / ijest.v2i1.59105 (referida abaixo como Ref16);

- R.R. Thamilselvan, P. Balasubramanie, Integrating Genetic Algorithm, Tabu Search and Simuiated Annealing For Job Shop Scheduling Probiern' (Integração de Algoritmo Genético, Pesquisa Tabu e Anelamento Simulado para o Problema de Agendamento de Produção Descontínua), International Journal of Computer App/ications (Jornal Internacional de Aplicações de Computador), Vol. 48, n° 5, págs. 42 a 54, junho de 2012, d.o.i.: 10.5120 / 7348-0283 (referida abaixo como Ref17); e

- V. Kolici, X. Herrero, F. Xhafa, L. Barolli, Local Search and Genetic Aigorithms for Sateiiite Scheduling Probiems(Pesquisa Local e Algoritmos Genéticos para Problemas de Agendamento de Satélites), Oitava Conferência Internacional sobre Banda Larga e Computação Sem Fio, Comunicação e Aplicações (BWCCA - Broadband and Wireiess Computing, Communication and App/ications), 28 a 30 de outubro de 2013, d.o.i.: 10.1109 / bwcca.2013.58 (referida abaixo como Ref18).

[010] Como se sabe, muitos problemas de tomada de decisão e do tipo RCPSP podem ser formulados como modelos de programação de dois níveis (de objetivo único ou multiobjetivos), que são intrinsecamente não convexos, sendo portanto difícil encontrar a solução ótima global. Em comparação com os algoritmos heurísticos anteriores, os Algoritmos Evolucionários (EAs - Evoiutionary Aigorithms) são muito mais simples em princípio e mais eficientes nas aplicações. De fato, muitas aplicações envolvem a combinação de um algoritmo heurístico com uma otimização multi-objetivos, a fim de encontrar um conjunto de soluções ótimas (pelo menos uma solução). Isto pode ser tornado ainda mais simples por meio de EAs do que com estratégias de escalada de montanha (Hill Ciimbing) multi-objetivos, porque os EAs operam com uma população de soluções ao invés de uma única solução. Uma abordagem multi-objetivos retorna intrinsecamente, eficientemente e simultaneamente um certo número de soluções que podem ser atribuídas ao paralelismo e à globalidade dos EAs (neste contexto, pode ser feita referência, por exemplo, à Ref1), e tal característica é independente do tipo de abordagem adotada nas funções de custo multi-objetivos (eficiência / ótimo de Pareto, ou não).

Petição 870180071811, de 16/08/2018, pág. 117/186

7/56 [011] Recentemente, os EAs têm sido aplicados na tentativa de resolver problemas de agendamento, provendo resultados discordantes. Por exemplo, na Ref2, o uso de Algoritmos Genéticos (GAs - Genetic Algorithms) para otimizar os cronogramas de produção provê uma solução de propósito geral para o problema de agendamento, onde as peculiaridades de qualquer cenário particular são levadas em consideração em uma função de custo sem perturbar a lógica da rotina de otimização padrão.

[012] No entanto, conforme declarado na Ref3, o GA não apresenta um bom desempenho em problemas nos quais os recursos são fortemente restritos. De fato, os EAs não são suficientemente fortes para satisfazerem os desempenhos de otimização solicitados. Isto é explicado pelo fato de que um tamanho de população menor tende a se concentrar em soluções de maior qualidade, relativamente mais rápido na evolução, e então o GA tende a sofrer de um leve caso de convergência prematura (aqui, pode ser feita referência por exemplo à Ref4). Assim, os GAs têm sido considerados inadequados para proverem uma convergência para uma solução satisfatória no SSP, resultando portanto na necessidade de um aperfeiçoamento para compensar essa falta, e na necessidade de um aprimoramento do agendamento global baseado em diferentes características de algoritmos probabilísticos.

[013] Como os GAs podem convergir lentamente, a combinação de um GA com outras heurísticas pode melhorar os resultados; por exemplo, um GA pode ser combinado com outras meta-heurísticas para uma pesquisa de vizinhança. Para esta finalidade, o trabalho teórico de Holland sobre planos genéticos (neste contexto, pode-se fazer referência à Ref7) foi visto como um lugar óbvio para procurar uma explicação para a capacidade adaptativa dos GAs. Holland e seus alunos simplificaram este trabalho e forneceram a conhecida explicação denominada Hipótese dos Blocos de Construção (BBH - Building B/ock Hypothesís) (a este respeito, pode-se fazer referência por exemplo às Ref5, Ref6 e Ref7).

[014] Além disso, conforme a Ref8, surgiu uma imagem do GA como um procedimento de pesquisa robusto e adaptativo que foi surpreendentemente eficaz para pesquisa heurística global.

[015] A BBH baseia-se em dois pressupostos fundamentais:

Petição 870180071811, de 16/08/2018, pág. 118/186

8/56

1. Quando um GA resolve um problema, existem alguns esquemas de ordem baixa e de comprimento de baixa definição com adequação acima da média (os chamados Blocos de Construção);

2. Uma hipótese de que um GA aperfeiçoado realiza a adaptação por implementação implícita e eficiente de um método heurístico interno.

[016] A hipótese afirma que pequenos pedaços de uma solução que exibem desempenho acima da média podem ser combinados e remontados para criarem pedaços maiores com qualidade média superior. Através dos simples esquemas de GA, as soluções são combinadas passo a passo para formarem cadeias (strings) maiores e melhores, ao mesmo tempo que, usando a abordagem heurística de acordo com a BBH, em vez de testar qualquer configuração binária possível, a complexidade do problema pode ser eficientemente diminuída.

[017] De fato, os GAs podem tender a convergir para ótimos locais ou mesmo para pontos arbitrários em vez do ótimo global do problema, porque as técnicas genéticas nominais não tentam recombinar blocos para escapar do impasse. Além disso, os GAs não lidam bem com a complexidade e, onde o número de elementos expostos à mutação é grande, geralmente há um aumento exponencial no tamanho do espaço de pesquisa. Assim, uma relação entre a mutação de elementos únicos e a recombinação de blocos superaria as desvantagens, e uma abordagem heurística / meta-heurística como um suporte para a otimização global é benéfica.

[018] Na Ref9, o maior desempenho de uma abordagem híbrida baseada em GA, em pesquisa local e em Anelamento Simulado (SA - Simu/atedAnnealirg) é demonstrado por simulações de computador, enquanto que na Ref10, depois que um cronograma é obtido por meio de um GA, uma pesquisa local é aplicada para melhorar a solução. Esse tipo de aperfeiçoamentos se deve ao fato de que, embora os EAs copiem predominantemente o comportamento de evolução natural e tratem os candidatos a solução como indivíduos que competem em um ambiente virtual, as meta-heurísticas usam, em vez disso, os vizinhos de uma solução como uma maneira de explorar o espaço de soluções local. Adicionalmente, embora as meta-heurísticas prefiram vizinhos melhores, elas também aceitam vizinhos piores para evitar ficarem presas em ótimos locais. Como resultado, se o

Petição 870180071811, de 16/08/2018, pág. 119/186

9/56 algoritmo for executado por um período de tempo infinito, o ótimo global será encontrado. [019] A meta-heurística de SA, por exemplo, decide qual a solução candidata a ser avaliada em seguida, de acordo com o fator de probabilidade de Boltzmann das configurações de átomos de metal fundido em solidificação. Em particular, o SA se beneficia de uma prova de otimalidade no desempenho, pelo menos para um cronograma de resfriamento infinitamente lento e melhor do que técnicas de escalada de montanha, e é menos vulnerável a mínimos locais (neste contexto, pode ser feita referência à Ref11), cuja profundidade aumenta juntamente com o aumento da complexidade do plano. O SA foi adaptado com sucesso para fornecer soluções aproximadas para o SSP, sendo basicamente um algoritmo guiado de pesquisa local aleatória que permite movimentos com ganho negativo.

[020] Uma combinação de GAs com SA já foi discutida em diferentes campos. Por exemplo, na Ref12, um GA aperfeiçoado é combinado com um algoritmo de SA para evitar o defeito comum de convergência inicial, para resolver problemas de integração de energia de sistemas de grande porte. Cálculos numéricos demonstraram que o novo algoritmo pode convergir mais rapidamente do que os algoritmos de SA ou GA sozinhos, e apresenta muito mais probabilidade de localizar um ótimo global.

[021] Além disso, a Ref13 ensina uma integração de SA e de GA para a fabricação de uma liga metálica específica, e mostra que tal integração reduz o número de iterações na busca pela solução ótima, em comparação com os GA e SA convencionais, respectivamente.

[022] Da mesma forma, um SA genético híbrido foi desenvolvido para minimizar os custos de fabricação (aqui, pode ser feita referência à Ref14), onde o GA é executado como metodologia principal, enquanto que o SA é usado como estratégia de pesquisa local para ajudar o GA a saltar fora do ótimo local.

[023] Uma aplicação adicional de GA e de SA é apresentada na Ref15 para a reconstrução de uma imagem estatística, onde ambos os algoritmos recuperam soluções através de uma seqüência de estados iterativos. Em particular, a Ref15 afirma que, embora o GA descubra rapidamente o espaço de pesquisa, mas tem dificuldade em encontrar a solução ideal, o SA é capaz de encontrar soluções de boa qualidade em uma vizinhança ao escapar

Petição 870180071811, de 16/08/2018, pág. 120/186

10/56 do ótimo local, pois o SA trabalha em uma única solução de cada vez.

[024] Novamente com referência a problemas de agendamento, na Ref16 o uso de um GA híbrido juntamente com SA introduz uma combinação razoável de pesquisa local e pesquisa global para resolver o problema de agendamento de produção descontínua (job shop).

[025] Além do mais, na Ref17 o SA foi vantajosamente usado para acelerar um GA para obter uma solução, aplicando-o aos membros da população.

[026] Adicionalmente, com relação ao SSP, na Ref18 o uso de métodos combinados de heurística e de meta-heurística para resolver o SSP provê soluções de alta qualidade que atendem aos requisitos esperados.

[027] Além disso, o documento U.S. 5.850.617 A, que se refere a um sistema e a um método para planejamento de rotas sob múltiplas restrições, divulga um mecanismo de planejamento de rota que recebe um conjunto de alvos que indicam um conjunto de alvos disponíveis, um conjunto de limites de parâmetro de alvos para categorizar parâmetros de alvos, um conjunto de objetivos de missão e um conjunto correspondente de limites de missão para categorizar os parâmetros de missão. O mecanismo de planejamento de rotas, de acordo com o documento U.S. 5.850.617 A, também pode receber um conjunto de evasivas que denota obstáculos a serem evitados. Os objetivos da missão definem um certo número de ordenações de prioridade de parâmetros de alvo distintos, cada uma associada a uma respectiva condição (status) de missão. Os melhores próximos alvos sucessivos são selecionados e adicionados a uma lista de sequências de alvos selecionada, até que um critério de conclusão de missão seja satisfeito. Cada melhor próximo alvo é selecionado determinando-se uma condição de missão de acordo com os alvos selecionados previamente, e conforme uma ordem de prioridade de parâmetro de alvo correspondente. Os parâmetros de alvo de cada alvo disponível são mapeados nos respectivos valores de categorização de acordo com seus respectivos limites de alvo, e um valor de função de custo é calculado para cada alvo disponível. Um subconjunto dos alvos disponíveis tendo um melhor valor de função de custo é selecionado. Esse subconjunto é reduzido sucessivamente até que o subconjunto contenha apenas um alvo e, em seguida, esse destino é selecionado como o melhor próximo alvo. O estreitamento do subconjunto

Petição 870180071811, de 16/08/2018, pág. 121/186

11/56 é executado usando os valores de categorização dos parâmetros de alvo, aplicados na ordem de prioridade do parâmetro de alvo, que é baseada na condição atual da missão. A sequência resultante de alvos selecionados é então passada para um sistema de utilização de rotas, tal como um sistema de controle por satélite.

[028] Além do mais, o documento U.S. 6.405.186 B1, que se refere a um método de planejamento de solicitações de satélites por Anelamento Simulado (SA) restrito, revela um método iterativo que permite que um plano de solicitação seja estabelecido para um satélite de observação. Um plano consiste em uma sucessão de solicitações associadas a pluralidades de oportunidades para satisfazer tais solicitações. O plano também deve obedecer a uma pluralidade de restrições. Cada iteração k do método iterativo, de acordo com o documento U.S. 6.405.186 B1, é composta pelas seguintes etapas: uma nova oportunidade é selecionada; um plano provisório é derivado a partir do plano k-1 anterior, calculado na iteração precedente k-1, e a partir da nova oportunidade; o plano provisório é verificado quanto ao cumprimento da dita pluralidade de restrições; a qualidade do referido plano provisório é avaliada, e determina-se se o plano provisório deve ser confirmado como um plano k, em função da qualidade do citado plano provisório e da qualidade do mencionado plano precedente k-1. No método de acordo com o documento US 6.405.186 B1, decide-se sobre confirmar ou não o plano provisório por meio de uma meta-heurística probabilística do tipo de SA, e pela regra para construir o plano provisório em função da oportunidade recém-selecionada.

DEFINIÇÕES [029] A seguinte descrição da presente invenção referir-se-á a diversos elementos de planejamento de missão relacionados a missões de satélite. Assim, por uma questão de clareza de descrição, definições convencionais dos ditos elementos de planejamento de missão são providas abaixo:

- uma Sessão de Agendamento representa o intervalo de tempo disponível explorado por um Planejador de Missão (MP - Mission Pianner) para um agendamento ótimo das tarefas de aquisição e de descarregamento (download), de acordo com as restrições existentes;

- o Horizonte da Missão (MH - Mission Horizorí) representa o período de interesse da atividade de agendamento (nominalmente, 24 ou 48 horas);

Petição 870180071811, de 16/08/2018, pág. 122/186

12/56

- uma Janela Operacional (OW - Operational Window) é uma subporção do MH, e é um intervalo de tempo contínuo alocado para as atividades de aquisição e / ou de carregamento (uplink) e descarregamento; uma OW pode incluir uma Janela de Planejamento (PW - Planning WindoW) para a aquisição de dados de imagem, uma Janela de carregamento / descarregamento (UW - Uplink Window, ou DW - Downiink WindoW), ou uma combinação delas;

- uma Solicitação de Programação (PR - Programining Request representa uma entrada de dados solicitada pelo usuário, incluindo parâmetros de aquisição em termos de Área de Interesse (Aol - Area of Interest e restrições de aquisição (tais como restrições ópticas) a serem satisfeitas dentro de um período de validade especificado;

- uma Solicitação de Aquisição (AR - Acquisiton Request) é uma subporção geométrica de uma AoI de PR, adequadamente construída de modo a permitir sua varredura a partir do ponto de vista orbital do satélite; uma AR é conformada, dimensionada e orientada de acordo com o Perfil de Orientação do satélite e suas características de carga útil;

- a Classificação representa a prioridade de aquisição relativa de uma AR com relação ao conjunto de ARs relevantes para o MH a ser agendado, de acordo com as necessidades e a importância dos usuários; este valor resulta de um processo de classificação realizado antes de uma Sessão de Agendamento;

- uma Oportunidade de Tomada de Dados (DTO - Data Take Oppcrtunity) representa um envelope de tempo contínuo no qual uma AR é adquirível durante uma passagem de órbita do satélite sobre sua área;

- uma Oportunidade de Manobra de Mobilização (RMO - Raiiying Maneuver Oppcrtunity) representa um envelope de tempo teórico dentro do qual é possível planejar uma manobra de mobilização, para realizar a varredura de uma AR em relação a uma atitude de referência (por exemplo, uma atitude de arrasto mínimo) e retornar no final;

- uma Aquisição de Tomada de Dados (DTA - Data Take Acquisitorí) representa a subporção de uma DTO efetivamente usada para uma aquisição de AR;

- uma Atividade de Manobra de Mobilização (RMA - Raiiying Maneuver Activity representa a quantidade de tempo necessária para alcançar a atitude de satélite no início de uma DTA;

Petição 870180071811, de 16/08/2018, pág. 123/186

13/56

- uma Atividade de Descarregamento (DLA - DownLoad Activity) representa a quantidade de tempo necessária para o descarregamento de uma imagem de AR para as estações terrestres de missão disponíveis;

- uma Tarefa é geralmente definida como o conjunto de atividades necessárias para a execução de uma varredura ou um descarregamento de uma AR.

OBJETIVOS E SUMÁRIO DA INVENÇÃO [030] Nos problemas heurísticos, a pesquisa por um conjunto robusto e consistente de soluções frequentemente ocupa uma parte significativa do projeto de algoritmos. O problema de otimização depende do período de tempo disponível para a convergência da solução, e da Complexidade de Tempo, que expressa, para cada comprimento de entrada de dados possível, a maior quantidade de tempo necessária para o algoritmo resolver uma instância de problema de tal tamanho.

[031] Considerando o escopo da otimização do SSP, aqui aplicada apenas ao subconjunto das tarefas de aquisição, a Complexidade de Tempo está associada à Complexidade de Plano, que identifica a quantidade máxima de conflitos nas varreduras a serem resolvidos entre tarefas executáveis em um mesmo plano de missão. A Complexidade de Plano não é fácil de ser estimada a priori, porque depende da exploração completa do conjunto inteiro de recursos do satélite, de acordo com os objetivos da missão. No entanto, suposições sobre a quantidade potencial de conflitos esperados durante o processo de otimização podem ser obtidas com base na teoria combinatória.

[032] Uma avaliação do número de conflitos é certamente crucial para obter os potenciais combinatórios de obtenção de soluções satisfatórias após o espaço de pesquisa problemático ser identificado. Conforme afirmado pela teoria, uma árvore de pesquisa não confinada poderia ser explorada de N! maneiras diferentes, mas um certo número de restrições geralmente limitam a pesquisa a um número mais restrito de soluções, embora fortemente dependentes do número de tarefas (N) relacionadas ao mesmo espaço de pesquisa. Para o SSP específico, sob a hipótese de um satélite bem projetado em termos de adequação de recursos, uma PW pode representar o espaço inteiro de pesquisa no qual uma tarefa de aquisição pode ser potencialmente realizada consumindo uma certa quantidade de recursos de satélite.

Petição 870180071811, de 16/08/2018, pág. 124/186

14/56 [033] Logo, considerando N tarefas de varredura relevantes para a mesma PW, o número máximo de soluções resultantes para um número teoricamente maior de conflitos (C) é igual a:

C max (N -1)² [034] Onde n_SOL = C_max!, enquanto que o número máximo de etapas iterativas é obtido pela soma de todas as etapas hipotéticas necessárias para um nível de árvore, que pode ser limitado ao infinito como:

_n =fi | i | ¹ | ¹ | | ¹ V ΐ'^ΓΤ Cmax ^etapas = ) ^{+1 +} 2! ⁺ 3! ^{+ +} (N - ) ' ^m'^aX _i=₀£i =⁶ ’ ^Cmax^! (1) [035] Este resultado atesta que a Complexidade de Plano é dramaticamente dominada pelo número de tarefas envolvidas nos conflitos. Por meio de cálculo, o número máximo de iterações pode ser relacionado ao número de tarefas conflitantes através da relação:

ⁿetapas = ^{(n -1)} Π ^{(i|)f (i)}(2) i=2 [036] Onde f(i) (com i = 2, ..., N) é o número de eventos relativos a um número de i tarefas conflitantes, respectivamente.

[037] De maneira mais prática, um conjunto de ARs conflitantes pode ser sequencialmente varrido em um certo número de modos diferentes igual ao número de permutações permitidas para o conflito. O conjunto de soluções completas a serem exploradas para um determinado domínio de tempo depende do número de tarefas de AR (nCi) envolvidas em cada um dos (i = 1, ..., C) conflitos resultantes entre DTOs relevantes, como:

C ⁿSOL = Π ⁿCi^! (3) i =1 [038] Um exemplo de múltiplos conflitos entre DTOs é mostrado na figura 1, onde 72

Petição 870180071811, de 16/08/2018, pág. 125/186

15/56 soluções diferentes têm que ser exploradas para um exemplo de 3 conflitos.

[039] Como afirmado anteriormente, a complexidade a ser gerenciada pelo agendamento depende estritamente das possibilidades combinatórias dadas pelo número máximo de conflitos potenciais em um plano que, no pior dos casos, deve ser gerenciado dentro da mesma PW. De acordo com esses pressupostos, a Complexidade de Plano de um SSP depende estatisticamente do número de combinações (cpw) resultantes entre o número de tarefas conflitantes dentro de uma PW:

Cp x Cp_W = Π^(n!)^^{( )} (4) n=1 [040] Onde f(n) é a frequência dos conflitos entre n tarefas, com n ç N.

[041] Conforme as noções básicas combinatórias, as permutações provenientes dos conflitos de n tarefas (n!) podem ser facilmente representadas como um conjunto de permutações de tarefas tomadas 2 a 2 de cada vez; assim, isto resulta em:

n!

2(n - 2)!

(5) [042] Graças a essas suposições, é possível trazer de volta cada conflito múltiplo como conflitos singulares f(2) entre duas tarefas.

[043] Assumindo faixas padrão tipicamente impostas às DTOs e aos intervalos de PW, a distribuição de freqüência dos conflitos únicos para um conjunto de N tarefas distribuídas aleatoriamente é ilustrada na figura 2. Em particular, a figura 2 mostra a distribuição de probabilidade de frequência de conflitos f(2) entre 20 < n < 50 DTOs (cada uma durando, em média, 100 s) em uma PW média de (1.200 s) - 105 iterações cada.

[044] De acordo com os resultados ilustrados na figura 2, uma distribuição Gaussiana dos conflitos demonstra que a função relevante para a frequência dos conflitos únicos se dispersa em um valor médio maior à medida que o número de tarefas aumenta.

[045] Aplicando a equação (4) para a média f(2), a análise identifica um mínimo de cn = 292 combinações para 20 tarefas, até cerca de cn « 10¹⁵ combinações para 50 tarefas. O

Petição 870180071811, de 16/08/2018, pág. 126/186

16/56 número resultante de conflitos cobre teoricamente o espaço de pesquisa inteiro que deve ser investigado através de um algoritmo exato para garantir uma solução ótima exata. [046] É claro que uma análise determinística, que precisa explorar pelo menos uma porção relevante dos ramos de conflitos, é inviável, se aplicada para um alto número de tarefas no período nominal de uma Sessão de Agendamento, também para os algoritmos exatos mais eficientes de O(2ⁿ). Isto significa que, para grandes espaços de pesquisa e para problemas do tipo NP-Hard, como SSPs, é drasticamente difícil obter uma solução exata para o problema.

[047] Além disso, apesar da análise da Complexidade de Plano ser um ponto importante na análise de um SSP, não é fácil identificar todos os aspectos críticos que poderiam influenciar a pesquisa de soluções ótimas.

[048] Assim, um objetivo geral da presente invenção consiste em aliviar, pelo menos em parte, os inconvenientes técnicos das metodologias atualmente utilizadas para resolver Problemas de Agendamento de Satélites (SSPs).

[049] Em particular, um primeiro objetivo específico do presente invento consiste em prover uma metodologia para resolver os SSPs dentro de intervalos de tempo satisfatórios. [050] Adicionalmente, um segundo objetivo específico da presente invenção consiste em prover uma metodologia para evitar uma permanência persistente no ótimo local, ao ampliar freqüentemente a investigação no espaço de pesquisa de solução, identificando um conjunto de soluções iniciais tendo uma grande diversidade interna que permite cobrir uma ampla área do espaço de pesquisa.

[051] Esses e outros objetivos são alcançados pela presente invenção, a qual se refere a um método para agendamento de satélites, conforme definido nas reivindicações anexas.

[052] Em particular, o método para agendamento de satélites de acordo com o presente invento inclui:

a) Produzir planos de agendamento inicial, com base em solicitações de entrada relacionadas com tarefas a serem executadas dentro de um determinado período de tempo por um ou mais satélites de sensoreamento remoto, em que em cada um dos referidos planos de agendamento inicial respectivas tarefas são agendadas, que não entram em conflito umas com as outras ao longo do tempo e nem na utilização de

Petição 870180071811, de 16/08/2018, pág. 127/186

17/56 recursos de satélite do(s) satélite(s) de sensoreamento remoto, com cada uma das tarefas a serem executadas estando agendada em pelo menos um dos planos de agendamento inicial;

b) Aplicar um processamento baseado em algoritmos genéticos nos planos de agendamento inicial, para produzir um plano de agendamento baseado em algoritmos genéticos que:

- está globalmente otimizado em relação aos objetivos da missão; e

- está em conformidade com determinadas restrições relacionadas com os recursos de satélite, com as tarefas a serem executadas, e com o período de tempo determinado; e

c) Aplicar um processamento baseado em anelamento simulado, começando a partir do plano de agendamento baseado em algoritmos genéticos, para produzir um plano de agendamento baseado em anelamento simulado:

- que atenda aos determinados objetivos da missão;

- que esteja em conformidade com as determinadas restrições; e

- em que um maior número de tarefas são agendadas do que no agendamento baseado em algoritmos genéticos.

[053] Em particular, a etapa (b) inclui a realização de um procedimento iterativo baseado em algoritmos genéticos compreendendo:

- em uma primeira iteração baseada em algoritmos genéticos:

- selecionar um subconjunto dos planos de agendamento inicial com base nos objetivos de missão determinados; e

- aplicar técnicas de cruzamento, mutação e elitismo, com base em respectivos fatores de evolução genética predefinidos, ao subconjunto selecionado dos planos de agendamento inicial para produzir planos de agendamento evoluídos que atendam às restrições dadas;

- a cada iteração baseada em algoritmo genético, após a primeira iteração:

- selecionar, com base nos objetivos da missão determinados, um subconjunto dos planos de agendamento evoluídos produzidos na iteração precedente baseada em algoritmos genéticos; e

- aplicar as técnicas de cruzamento, mutação e elitismo ao subconjunto selecionado dos

Petição 870180071811, de 16/08/2018, pág. 128/186

18/56 planos de agendamento evoluídos, produzidos na iteração precedente baseada em algoritmos genéticos, para produzir novos planos de agendamento evoluídos que atendam às restrições dadas.

[054] Além disso, a referida etapa (b) também inclui:

- interromper a execução do procedimento iterativo baseado em algoritmo genético, quando critérios de parada relacionados ao algoritmo genético forem satisfeitos; e

- selecionar automaticamente, dentre os planos de agendamento evoluídos produzidos na última iteração baseada em algoritmos genéticos realizada, aquele que melhor se ajusta aos objetivos da missão determinados.

[055] Adicionalmente, o método de agendamento de satélites inclui:

- computar uma matriz de intersecção representando conflitos no tempo e na utilização dos recursos de satélite das tarefas a serem realizadas, dentro do período de tempo determinado;

- calcular a Complexidade de Plano com base na matriz de intersecção; e

- computar os critérios de parada fornecidos, relacionados ao algoritmo genético, com base na matriz de intersecção, em que os planos de agendamento inicial são produzidos com base na referida matriz de intersecção.

[056] De preferência, a etapa (c) inclui a realização de um procedimento iterativo baseado em anelamento simulado, compreendendo:

- em uma primeira iteração baseada em anelamento simulado:

- selecionar, de acordo com uma ou mais funções de probabilidade predefinidas, uma tarefa não agendada no plano de agendamento baseado em algoritmos genéticos;

- identificar uma vizinhança da tarefa selecionada, em que a vizinhança identificada inclui um conjunto de tarefas conflitantes não agendadas no plano de agendamento baseado em algoritmos genéticos;

- realizar permutações das tarefas conflitantes na vizinhança identificada;

- aplicar uma técnica de anelamento simulado aos resultados das permutações realizadas, para encontrar tarefas que:

- não estão agendadas no plano de agendamento baseado em algoritmos genéticos;

- são agendáveis juntamente com as tarefas já agendadas no referido plano de

Petição 870180071811, de 16/08/2018, pág. 129/186

19/56 agendamento baseado em algoritmos genéticos;

- se ajustam aos objetivos de missão determinados; e

- cumprem com as restrições dadas;

- produzir um plano de agendamento incluindo as tarefas encontradas;

- em cada iteração baseada em anelamento simulado, após a primeira iteração:

- selecionar, de acordo com a(s) função(funções) de probabilidade predefinida(s), uma outra tarefa não agendada no plano de agendamento produzido na iteração anterior baseada em anelamento simulado;

- identificar uma vizinhança da tarefa adicional selecionada, em que a vizinhança identificada inclui um conjunto de tarefas conflitantes não agendadas no plano de agendamento produzido na iteração anterior baseada em anelamento simulado;

- realizar permutações das tarefas conflitantes na vizinhança identificada;

- aplicar a técnica de anelamento simulado aos resultados das permutações realizadas, para encontrar tarefas que:

- não estão agendadas no plano de agendamento produzido na iteração anterior baseada em anelamento simulado;

- são agendáveis juntamente com as tarefas já agendadas no referido plano de agendamento produzido na iteração anterior baseada em anelamento simulado;

- se ajustam aos objetivos da missão determinados; e

- cumprem com as restrições dadas;

- produzir um novo plano de agendamento, incluindo as tarefas encontradas.

[057] Além disso, a referida etapa (c) inclui, de preferência, a interrupção da execução do procedimento iterativo baseado em anelamento simulado, quando os critérios de parada relacionados ao anelamento simulado são satisfeitos, em que o plano de agendamento baseado em anelamento simulado é o plano de agendamento produzido na última iteração baseada em anelamento simulado realizada.

[058] Convenientemente, o método de agendamento de satélites inclui ainda o cálculo dos critérios de parada relacionados ao anelamento simulado, com base na matriz de intersecção.

[059] Adicionalmente, o presente invento refere-se também a um sistema de

Petição 870180071811, de 16/08/2018, pág. 130/186

20/56 processamento para sistemas de Observação da Terra (EO), incluindo um ou mais satélites de sensoreamento remoto, tal sistema de processamento estando programado para realizar o método de agendamento por satélites de acordo com a presente invenção, resultando assim no dito sistema de processamento sendo configurado para operar como um Planejador de Missão (MP) para os referidos sistemas de EO.

BREVE DESCRIÇÃO DOS DESENHOS [060] Para uma melhor compreensão da presente invenção, as formas de incorporação preferidas serão agora descritas puramente por meio de exemplos não limitativos, com referência aos desenhos anexos (todos fora de escala), em que:

- A figura 1 ilustra esquematicamente um exemplo de múltiplos conflitos entre DTOs;

- A figura 2 mostra a distribuição de freqüência de conflitos únicos para um conjunto de N tarefas distribuídas aleatoriamente;

- A figura 3 ilustra esquematicamente um método de agendamento de satélites de acordo com uma forma de incorporação preferida da presente invenção;

- A figura 4 ilustra esquematicamente um Planejador de Missão de acordo com uma forma de incorporação preferida da presente invenção;

- A figura 5 ilustra esquematicamente um exemplo de um esquema para inicializar uma Matriz de Intersecção para um caso com cinco tarefas;

- A figura 6 ilustra esquematicamente um exemplo de conflitos entre DTOs em um caso com cinco tarefas;

- A figura 7 ilustra esquematicamente um exemplo das chamadas soluções livres de conflito, computadas para um caso com cinco tarefas;

- A figura 8 ilustra esquematicamente a chamada Inicialização Extensiva das soluções livres de conflito, como uma função do número de tarefas de entrada (em particular, de 10 a 50 para uma PW de 900 s);

- A figura 9 ilustra esquematicamente um exemplo de uma solução para uma PW coletando cinco DTAs viáveis;

- A figura 10 ilustra esquematicamente uma etapa de processamento baseada em GA do método de agendamento de satélites da figura 3, de acordo com uma forma de incorporação preferida da presente invenção;

Petição 870180071811, de 16/08/2018, pág. 131/186

21/56

- A figura 11 ilustra esquematicamente uma etapa de processamento baseada em SA do método de agendamento de satélites da figura 3, de acordo com uma forma de incorporação preferida do presente invento;

- A figura 12 mostra a tendência da Complexidade de Plano em função do número de tarefas;

- A figura 13 mostra a evolução da adequação de acordo com a probabilidade de aceitação de solução;

- A figura 14 mostra uma comparação entre as aplicações de um algoritmo determinístico de Pesquisa de Profundidade e Largura (BDS - Breadth Depth Search), de um anelamento simulado puro, e da presente invenção, para um cenário de teste real;

- A figura 15 mostra uma comparação adicional entre as aplicações de um anelamento simulado puro e a presente invenção, para o referido cenário de teste real;

- A figura 16 mostra uma comparação entre o desvio padrão e o valor médio do número de tarefas planejadas por meio do presente invento, no referido cenário de teste real; e

- A figura 17 mostra o número médio e a diferença mínima / máxima do número de tarefas planejadas por meio da presente invenção, no cenário de teste real.

DESCRIÇÃO DETALHADA DAS FORMAS DE INCORPORAÇÃO PREFERIDAS DA INVENÇÃO [061] A seguinte discussão é apresentada para permitir que um perito na arte possa fazer e usar a invenção. Várias modificações das formas de incorporação serão prontamente evidentes para os especialistas na técnica, sem fugir do escopo do presente invento conforme reivindicado. Deste modo, a presente invenção não se destina a ficar limitada às formas de incorporação mostradas e descritas, possuindo um escopo mais amplo consistente com os princípios e características aqui descritos e definidos nas reivindicações anexas.

[062] Em geral, a presente invenção refere-se a uma aplicação inovadora de algoritmos heurísticos para resolver satisfatoriamente o Problema de Programação de Satélite (SSP), de acordo com os requisitos específicos da missão.

[063] Em particular, a presente invenção refere-se a uma estratégia híbrida combinando adequadamente Algoritmo Genético e Anelamento Simulado (GASA - Genetic Algorithm and Simuiated Annealing), de modo a otimizar o agendamento de um determinado

Petição 870180071811, de 16/08/2018, pág. 132/186

22/56 conjunto de Solicitações de Programação (PRs) a serem adquiridas, cada uma devidamente dimensionada em Solicitações de Aquisição (ARs) de acordo com as características de aquisição do satélite, dentro de oportunidades de aquisição précomputadas, denominadas DTOs, em um conjunto predefinido de Janelas de Planejamento (PWs) de satélite, que são, conforme definido anteriormente, subporções do Horizonte de Missão (MH) para o qual o SSP é solucionado.

[064] Em particular, o Algoritmo Genético (GA) garante uma convergência qualitativa em grande escala e permite o planejamento de um conjunto primário de varreduras nas vizinhanças, de acordo com as restrições básicas fornecidas por um Modelo de Satélite (SM - Satellite Modef) personalizado, relevante para o satélite específico. O GA explora todo o domínio do MH e analisa globalmente a combinação das oportunidades das tarefas a serem planejadas, convergindo para uma solução excelente em termos de função de custo. Todas as ARs, que podem ser agendadas sem um esforço significativo na aquisição, são definidas de acordo com os resultados das funções de adequação. Para esta finalidade, com uma precisão adequada, as melhores soluções de GA são obtidas após um número restrito de iterações. Por outro lado, devido às características do algoritmo, o Anelamento Simulado (SA) é sucessivamente envolvido nas etapas de otimização local, a fim de resolver adequadamente os conflitos de varredura para as tarefas de ARs restantes. As melhores soluções de esforço são obtidas dentro de um intervalo de tempo previsto, graças às propriedades de convergência de anelamento.

[065] Portanto, de acordo com a presente invenção, para tirar proveito de ambos os recursos de otimização destacados, uma estratégia heurística integrada que explora consecutivamente GA e SA (GASA) foi desenvolvida pelo Requerente, e aplicada ao agendamento global. O processo heurístico baseia-se no uso seqüencial de GA e SA adequadamente adaptados para explorarem as forças respectivas. O GASA permite obter um aperfeiçoamento na qualidade das soluções e uma redução nos tempos de execução, em comparação com os resultados obtidos pela aplicação de um método determinístico adequado a cenários de missão reais tendo diferentes complexidades.

[066] A seguir, uma forma de incorporação preferida da presente invenção especificamente relacionada com satélites ópticos (isto é, satélites equipados com

Petição 870180071811, de 16/08/2018, pág. 133/186

23/56 sensores ópticos) será descrita em detalhes, a título de exemplo não limitativo, devendo ser entendido que a presente invenção também pode ser vantajosamente aplicada, sem nenhuma modificação substancial, a satélites providos com outros tipos de sensores, tais como sensores de LiDAR e com SAR.

[067] A figura 3 ilustra esquematicamente, por meio de um fluxograma, um método de agendamento de satélites (indicado como um todo pelo numeral 1) de acordo com uma forma de incorporação preferida da presente invenção, em que o referido método de agendamento de satélites é convenientemente utilizado (conforme anteriormente explicado, a título de exemplo não limitativo) para agendar aquisições realizadas por um satélite óptico. Por uma questão de generalidade, uma OW genérica é considerada aqui como o intervalo de agendamento sob investigação.

[068] Em particular, a estratégia de agendamento global do método de agendamento de satélites 1 é baseada em conjuntos de dados de órbita disponíveis, uma vez que as posições locais do Sol para o período de interesse são conhecidas e são aplicadas a cada OW do MH de interesse. Um procedimento eficiente é realizado para identificar os horários de início e de parada das melhores DTAs relevantes para o melhor conjunto de ARs, de acordo com os objetivos da missão. Este procedimento permite a minimização do número de consultas ao Modelo de Satélite (SM) (indicado pelo numeral 21 na figura 3) que são necessárias para validar cada varredura e manobra de mobilização planejados, e, finalmente, o plano final.

[069] Em detalhes, para cada MH sob investigação, o método de agendamento de satélites 1 inclui:

- definir a próxima OW na lista (bloco 101 na figura 3), e inicializar o plano (bloco 102 na figura 3) com base na condição (status) dos recursos de satélite resultante do agendamento da OW prévia;

- computar a Complexidade de Plano da OW (bloco 103 na figura 3) para definir os dados de parâmetros (bloco 104) relevantes para as etapas seguintes de processamento, em que os referidos dados de parâmetros incluem preferivelmente o número de iterações e os limites de tempo (timeouts), as sementes heurísticas, os fatores genéticos e os fatores de anelamento; em particular, a etapa de processamento 103 do método de agendamento de

Petição 870180071811, de 16/08/2018, pág. 134/186

24/56 satélites 1 é realizada por computação e análise de uma Matriz de Intersecção adequadamente definida entre as tarefas de aquisição; para mais detalhes relacionados com a etapa de processamento 103 do método de agendamento de satélites 1, pode-se fazer referência doravante ao parágrafo 2:

- construir um conjunto inicial de soluções livres de conflito (bloco 105 na figura 3), para o qual todas as ARs viáveis foram planejados pelo menos em uma solução; em particular, a etapa de processamento 105 do método de agendamento de satélites 1 é realizada com base no SM 21 e nos dados de órbita (bloco 106 na figura 3) relacionados com o satélite óptico (especificamente, sua posição e velocidade), que são obtidos a partir de um respectivo conjunto de dados de órbita de curto prazo (bloco 107 na figura 3), resultante, por sua vez, de efemérides de satélite (bloco 22 na figura 3); para mais detalhes relacionados com a etapa de processamento 105 do método de agendamento de satélites 1, pode ser feita referência doravante ao parágrafo 3;

- executar um processamento baseado em algoritmo genético (GA) (bloco 108 na figura 3) a partir do conjunto inicial de soluções livres de conflitos; em particular, conforme descrito no parágrafo 4 a seguir, na etapa de processamento 108 baseada em GA do método de agendamento de satélites 1, de acordo com fatores de probabilidade relevantes, as soluções evoluem por meio de manipulação de técnicas adequadas de cruzamento, mutação e elitismo de acordo com o SM 21, e são comparadas e selecionadas para atenderem aos Objetivos da Missão (para mais detalhes relacionados aos Objetivos da Missão, pode-se fazer referência doravante ao parágrafo 1);

- realizar um processamento baseado em anelamento simulado (SA) (bloco 109 na figura 3) a partir da melhor solução em termos de Objetivos da Missão; em particular, conforme descrito no parágrafo 5 a seguir, na etapa de processamento 109 baseada em SA do método de agendamento de satélites 1, a solução evolui seguindo métodos específicos de seleção e permutação das tarefas, de acordo com as restrições dadas pelas regras de manobra do SM, e cada solução é finalmente avaliada para ser aceita para a próxima iteração com respeito aos critérios típicos de SA, de acordo com os Objetivos da Missão (novamente, para mais detalhes relacionados aos Objetivos da Missão, pode ser feita referência doravante ao parágrafo 1);

Petição 870180071811, de 16/08/2018, pág. 135/186

25/56

- refinar os tempos de referência de aquisições, para melhorar a qualidade das imagens planejadas a serem descarregadas (down/oaded) sucessivamente dentro das DWs predefinidas, se existentes, e validar a solução final de acordo com as regras de validação do SM (bloco 110 na figura 3); e

- produzir e armazenar (bloco 111 na figura 3) o melhor cronograma em um Banco de Dados de Plano (indicado pelo numeral 23 na figura 3) e, em seguida, retornar à etapa 101 do método para a próxima OW.

[070] Outro aspecto da presente invenção se refere um Planejador de Missão (MP) para Segmentos Terrestres de sistemas de satélites de EO, tal MP sendo projetado para executar o método de agendamento de satélites 1.

[071] Preferivelmente, o MP é baseado em uma arquitetura JAVA com OSGI (Open Service Gateway Initiative - Iniciativa de Portal de Serviço Aberto), sendo assim um sistema modular e uma plataforma de serviço que implementa um modelo de componente completo e dinâmico, operando em um contexto de Cliente / Servidor, em que os diferentes serviços de agendamento são executados, sob demanda, por módulos específicos (também conhecidos como pacotes), cujos ciclos de vida são independentes uns dos outros.

[072] Neste contexto, a figura 4 mostra um diagrama de blocos representando uma arquitetura funcional de um MP (indicado como um todo pelo numeral 4) de acordo com uma forma de incorporação preferida do presente invento. Em particular, o MP 4 inclui:

- um módulo (ou pacote) de inicialização de plano (na figura 4 denominado Inicializador de Plano, indicado pelo numeral 401), operável para executar as etapas de processamento 102, 103 e 105 do método de agendamento de satélites 1, ou seja, operável para executar a inicialização do plano, computar e analisar o planejar a complexidade de plano e a Matriz de Intersecção, e construir (ou seja, computar) o conjunto inicial de soluções livres de conflito;

- um módulo (ou pacote) de processamento de GA (na figura 4 denominado Executor de GA, indicado pelo numeral 402), operável para executar a etapa de processamento baseado em GA 108 do método de programação de satélites 1;

- um módulo (ou pacote) de processamento de SA (na figura 4 denominado Executor de

Petição 870180071811, de 16/08/2018, pág. 136/186

26/56

SA, indicado pelo numeral 403), operável para executar a etapa de processamento baseado em SA 109 do método de agendamento de satélites 1;

- um módulo (ou pacote) de computação (na figura 4 denominado Calculador de Funções Básicas, indicado pelo numeral 404), operável para prover recursos de computação básicos para o Executor de GA 402 e para o Executor de SA 403;

- um módulo (ou pacote) de validação de plano (na figura 4 denominado Validador de Plano, indicado pelo numeral 405), operável para executar a etapa de processamento 110 do método de agendamento de satélites 1, ou seja, operável para executar a validação do plano final;

- um módulo (ou pacote) de manipulação de dados de órbita (na figura 4 denominado Manipulador de dados de Órbita, indicado pelo numeral 406), operável para fornecer efemérides e dados de OWs de satélites, a partir de um banco de dados dinâmicos 407 conectado a um Sistema de Dinâmica de Vôo (FDS - Flight Dynamics System);

- um banco de dados estáticos 408, que armazena parâmetros de satélites e dados da Terra e do Sol;

- um módulo (ou pacote) para coletar as Solicitações de Programação (PRs) (na figura 4 denominado Coletor de Lista de PR, indicado pelo numeral 409) recebidas de um Gerenciador de Solicitações (RM - Request Manager) 52; e

- um pacote mestre (na figura 4 denominado Manipulador de Planejamento de Missão, indicado pelo numeral 410), operável para controlar e coordenar a ativação e a finalização dos outros pacotes.

[073] Em detalhes, uma vez invocado pelo RM 52, o MP 4 coleta (por meio do Coletor de Lista de PR 409) a lista de PRs, os dados de órbita e de OWs (por meio do banco de dados dinâmicos 407) relevantes para o MH sob investigação, e ativa a estratégia de agendamento global (isto é, o método de agendamento de satélites 1) para o subconjunto de PRs a serem agendadas. O Manipulador de Planejamento de Missão 410 é responsável pela sincronização das atividades, invocando o início e o término dos serviços específicos de acordo com limites de tempo internos (Temporizador 411, mostrado na figura 4).

[074] Graças à modularidade e independência do Planejador de Missão 4 com respeito à missão específica, é possível minimizar a personalização para diferentes aplicações. Para

Petição 870180071811, de 16/08/2018, pág. 137/186

27/56 esta finalidade, o Modelo de Satélite (SM) 21 representa um elemento externo que é invocado a partir dos módulos, quando necessário. As interações com o SM 21 são realizadas preferencialmente adotando um Embalador de SM (SMW - SM Wrappetj específico (na figura 4, indicado pelo numeral 53), que manipula as diferentes consultas de acordo com as características específicas do modelo.

[075] Baseado no ambiente de hardware e no desempenho do Modelo de Satélite 21, um ajuste dos parâmetros algorítmicos pode ser convenientemente realizado para otimizar a robustez e a precisão da aplicação. A este respeito, pode ser feita referência doravante ao parágrafo 6.

[076] Os diferentes aspectos do método de agendamento de satélites 1 implementado pelo MP 4 serão descritos abaixo em detalhes.

1. OBJETIVOS DA MISSÃO [077] Na otimização do SSP, o processo heurístico é guiado pelos múltiplos objetivos a serem cumpridos, os quais são modelados por uma função multi-objetivos ponderada, onde uma função objetivo f : X Y é uma função matemática sujeita a otimização. O codomínio Y de uma função objetivo, assim como seu intervalo, é um subconjunto dos números reais (Y ç R), enquanto que o domínio X é chamado de espaço de pesquisa de SSP.

[078] A otimização de agendamento compreende todas as técnicas que podem ser usadas para encontrar os melhores elementos x* em X com relação a tais critérios objetivos f e F. Assim, o objetivo da otimização é encontrar a melhor estratégia x* para a atribuição dos recursos às tarefas, a fim de satisfazer as restrições, otimizando os objetivos em um período de agendamento predefinido.

[079] Para um SSP multi-objetivos complexo, pode não existir uma solução única que otimize simultaneamente cada objetivo. Nesse caso, as funções objetivo são consideradas conflitantes, resultando em um número múltiplo de soluções ótimas de Pareto. Uma solução é chamada de não dominada, ótimo de Pareto, eficiência de Pareto, ou não inferior, se nenhuma das funções objetivo puder ser melhorada em valor sem degradar alguns dos outros valores objetivo. Sem informações adicionais de preferência subjetiva, todas as soluções de ótimo de Pareto são consideradas igualmente boas. Por essa razão, a

Petição 870180071811, de 16/08/2018, pág. 138/186

28/56 definição de melhor solução, devido ao caráter intrínseco da abordagem de Pareto, não é aplicável.

[080] Assim, para o SSP sob investigação, é necessário recuperar métodos que convertam o problema original com múltiplos objetivos em um problema de otimização de objetivo único. Isto é conhecido como problema escalar. Se a escalarização for feita com cuidado, a otimização de Pareto das soluções obtidas pode ser garantida [neste contexto, pode-se fazer referência a Y.R. Lee, A. Stam, P.L. Yu, Dominance Concepts in Random Outcomes(Conceitos de Dominância em Resultados Aleatórios), Capítulo 2 (págs. 23 a 43), ou a P. Serafini, Mathematics of Muiti Objective Optimizatiod' (Matemática de Otimização Multi-objetivos), Vol. 289 da série Intemationai Centre for Mechanical Sciences (Centro Internacional de Ciências Mecânicas), d.o.i.: 10.1007 / 978-3-70912822-0_2].

[081] O método mais simples e eficaz para definir um único objetivo é calcular uma escalarização linear F(x) como a soma de todas as funções fi(x) e F. Cada objetivo fi é multiplicado por um peso Wi que representa seu valor relativo no conjunto de objetivos NObj. O uso de pesos assinalados também permite minimizar um objetivo e maximizar outro. De qualquer forma, o problema multi-objetivos é reduzido a um único objetivo:

^Obj ^{F (}x) = \ w„fn ^(χ„⁾ (6) n=1 [082] Onde o valor ótimo de F, denominado função de adequação, resulta para o melhor valor de x* e X* que permite a minimização de F(x*) < F(x) com Vx e X.

[083] Para o propósito da otimização de agendamento, a função de custo é modelada de acordo com o(s) requisito(s) da missão e levando em consideração todos os recursos gerais do satélite. Em particular, as fi(x) e F, chamadas de Funções de Custo da Missão (MCFs - Mission Cost Functions) são modeladas e ajustadas de acordo com os recursos restritos renováveis e não renováveis, que geralmente estão em conflito uns com os outros, pelo menos em termos de:

- prioridade de tarefa (pt), que é definida através de uma classificação de prioridade

Petição 870180071811, de 16/08/2018, pág. 139/186

29/56 relativa na PW agendável e é imposta a priori (tipicamente por um classificador do subsistema Gerenciador de Solicitações 52) para o conjunto das Nt tarefas planejadas, onde um índice menor indica precedência mais alta; isto significa que, em caso de conflito e sob a mesma condição, o MP 4 dá precedência no agendamento a tarefas prioritárias, de acordo com uma MCF específica;

- consumo de tempo de manobra (tM), proporcional ao tempo de manobra tMij entre tarefas i e j; essa MCF dá maior relevância às RMAs mais rápidas do que às mais lentas para a aquisição de uma AR;

- consumo de energia de manobra (Wm), proporcional à energia de manobra Wmu entre tarefas i e j; essa MCF tende a minimizar o esforço de energia nas RMAs para o cumprimento de uma aquisição;

- armazenamento de registro a bordo (Sobr), proporcional ao armazenamento instantâneo a bordo Sobr; essa MCF tende a limitar o tamanho das imagens armazenadas no Registro a Bordo (OBR - On BoardRecord);

- qualidade de imagem em termos de aquisição média de Distância de Amostragem no Solo (GSD - Ground Sampling Distance); essa MCF tende a dar maior relevância às imagens adquiridas com maior qualidade geométrica.

[084] Os valores de referência dos parâmetros de recursos são impostos para a normalização das MCFs relevantes 0 < fi(x) < 1. Em particular:

• NTTot é o número total de tarefas a serem processadas dentro de uma PW;

• tMMax = L/VMMin é o tempo máximo de manobra adotando-se uma velocidade de manobra mínima VMMin, necessária para a manobra entre dois pontos de tarefa no solo tendo uma distância L, que é dada pelo SM 21;

• SoBRMax = Sobr x fSOrb, onde fSOrb < 1 é a fração máxima do tamanho do OBR projetado para ser alocado para um passe de órbita;

• WMMax = WMOrb, onde WMOrb é a provisão de energia atribuída para 1 passe de órbita, que é fornecida pelo SM 21;

• GSDMin = GSDN/cos(«Max) é a pior GSD disponível para o aquisição de uma AR no máximo ângulo de aquisição aMax, que é fornecida pelo SM 21.

[085] Desta forma, uma função de custo local ponderada, denominada Adequação de

Petição 870180071811, de 16/08/2018, pág. 140/186

30/56

Tarefa Ft(x), pode ser associada a cada tarefa agendada (Ti), de acordo com os Nobj objetivos da missão (equação 7):

^NObj

F_T ^(x) = £ r; (T⁾ = w n=1 ^NTTOT

-Pt , ^tMj + w₂ —— t

MMax s

‘OBR + w.

³ S ^OBRMax ₊ W ₊ GSDj + w₄----—h w.

^WMMax ⁵ GSD_Min [086] Onde, para os fatores ponderados, há resultados £ ^wn = 1.

n=1 [087] Neste momento, o principal critério que conduz ao agendamento é uma função de custo global, denominada Adequação de Solução Fs(x), que vincula as MCFs ao conjunto de tarefas Ti e NTAgend agendadas dentro de uma PW, que é calculada como (equação 8):

^NObj ^FS^(x) = Σ ^wn^fn n=1 ^N'l'Agend £T_mm=1 k 7 ^N'l'Agend^z

Σ j=1

W1 k

₂N_TToT^-PTj tMi +w2--h W3 'MMAX

SoBRj WMj ₅ GSDj

---- — + W4----—+w ---— ^SOBRMAX ^WMMAX ^GSI>kliii ^NTAgend [088] Onde a variável x agora corresponde ao conjunto global de tarefas £ T_m já m=1 planejadas.

[089] No entanto, a modelagem das MCFs não é suficiente para guiar a otimização para uma solução satisfatória. De maneira oposta aos desejos de otimização do SSP, a minimização de Fs levaria a encontrar as melhores soluções tendo planos vazios sem tarefas agendadas.

[090] Portanto, é importante impor as chamadas Funções de Custo de Penalidade (PCFs Pena/ty Cost Functiond), proporcionais ao conjunto de tarefas não agendadas. Isto é importante para a maximização do número de tarefas a serem agendadas. O objetivo é garantir que cada tarefa cumprida nas piores condições de aquisição custaria menos do que se não fosse agendada. Assim, uma PCF tendo um valor igual a Nobj é substituída por uma j-ésima tarefa que não está agendada em cada etapa de otimização.

[091] A combinação de MCFs e PCFs resultantes, para todo o conjunto de ARs envolvidas, define a função de adequação multi-objetivos final, a ser minimizada durante o processo de otimização. Logo, o objetivo da otimização associada a cada PW a ser agendada resulta

Petição 870180071811, de 16/08/2018, pág. 141/186

31/56 na equação 9 abaixo.

	^NObj	' Nt Ί
min[FQ.(x)]= min	Σ ^wn^fn	Σ ^Tm	^{+ (N}TTot - ^NTAgend⁾	(9)
	n=1	^m=¹ )

2. ANÁLISE DE COMPLEXIDADE [092] Como explicado anteriormente, a etapa de processamento 103 do método de agendamento de satélites 1 inclui calcular e analisar a Complexidade de Plano por meio de uma Matriz de Intersecção.

[093] Em particular, uma DTO representa o intervalo inteiro no qual o início da DTA é viável. Um processo de inicialização eficiente prevê a construção de uma Matriz de Intersecção (Matmt) que envolve os intervalos de DTOs para o MH sob investigação. Uma Matriz de Intersecção resulta da análise de (V) χ (V - 1) das interseções binárias entre V DTOs das tarefas de ARs.

[094] Especificamente, os elementos mj (i a j) da Matmt são preenchidos com:

-1, se a DTOi preceder completamente a DTOj;

+1, se a DTOi suceder completamente a DTOj;

0, se a DTOi intersectar a DTOj.

[095] Esse tipo de inicialização permite a obtenção do número de interseções entre as ARs conflitantes e então da complexidade do plano.

[096] Um exemplo de plano de inicialização é mostrado na figura 5, para o agendamento de 5 tarefas em um MH de referência de 1 PW. Nesse cenário, as tarefas de ARs são classificadas por prioridade (p#). A dependência de conflito entre tarefas de DTOs é mostrada na figura 6 por meio de um gráfico composto por arcos entre cada par de tarefas, tendo uma única seta (se não houver conflito) ou uma seta dupla (se um conflito é gerado), de acordo com as informações da Matmt.

[097] A matriz de intersecção definida acima permite a modelagem de uma função (Cp) de Complexidade de Plano, que está associada aos conflitos entre DTOs dentro da determinada PW do MH. Ela está assim relacionada com a soma dos zeros gerados a partir dos coeficientes mj da Matmt:

Petição 870180071811, de 16/08/2018, pág. 142/186

32/56

N N

Cp =ΣΣί.^{+ k)} (io) i =0 j =i+1 [098] Onde k = 1 se (mj a 1), e k = -1 se (mj a 1).

[099] Outras melhorias poderiam ser obtidas a partir da verificação preliminar dos conflitos. Em particular, de acordo com a Matriz de Intersecção, quando não há chances de combinar as DTAs de duas DTOs conflitantes subseqüentes, é possível simplificar a complexidade do gráfico. No entanto, a fim de obter essa vantagem, é requerida uma certa quantidade de cálculos iniciais (N - 1)², em termos de consultas ao SM 21. Uma sobreposição mínima é considerada de acordo com as características de agilidade do satélite. Em particular, se o tempo de intersecção entre um par de DTOs for inferior a um determinado limiar (ou seja, 10 s), o conflito pode ser negligenciado.

[0100] No presente documento, a Vizinhança (TarefaViz) de uma tarefa de varredura é definida como a porção de tempo do intervalo de DTO relevante que não entra em conflito com outras DTOs em um determinado conjunto de tarefas. Em outros termos, ela representa o intervalo no qual a influência de uma varredura pode ser unívoca.

[0101] É um fato que as DTAs planejadas são viáveis somente se as manobras com relação às atitudes predefinidas relevantes para a aquisição das DTAs precedentes e sucessivas forem adequadamente válidas. Assim, uma TarefaViz mais ampla significa estatisticamente maiores probabilidades para que DTAs relevantes sejam planejadas. Como limite, a solução livre de conflito representa o locus onde cada TarefaViz corresponde ao intervalo de DTO completo.

[0102] Dessa forma, soluções de densidade mais baixa com intervalos estendidos de TarefaViz são construídas, e é requerido um menor esforço em seu agendamento devido ao número limitado de conflitos de DTO a serem analisados. Esta característica permite que um rápido projeto inicial de um conjunto proveitoso de soluções seja aprimorado nas sucessivas etapas de otimização.

3. INICIALIZAÇÃO DE SOLUÇÕES [0103] A inicialização do plano é um processo necessário para a instância das diversas condições (status) do conjunto de recursos de satélite disponíveis no início das atividades

Petição 870180071811, de 16/08/2018, pág. 143/186

33/56 de agendamento, de acordo com as restrições específicas da missão.

[0104] Em particular, um requisito é que, para o Horizonte de Missão (MH) de interesse, a condição do satélite seja compatível com todas as Regras de Missão aplicáveis ao plano, a fim de evitar Falhas de Missão a priori.

[0105] A inicialização é realizada de acordo com o Modelo de Satélite (SM) 21 específico, e para realizar essa tarefa é necessário avaliar:

- o conjunto de OWs disponíveis;

- o nível de energia a bordo;

- a memória disponível a bordo;

- o conjunto de imagens armazenadas a serem descarregadas (down/oaded) do agendamento anterior.

[0106] Para estar em conformidade com o desempenho visado, é necessário carregar o conjunto de efemérides de satélite (bloco 22 na figura 3, e bloco 407 na figura 4) recémprevistas pelo Sistema de Dinâmica de Vôo 51 para o período de interesse de curto prazo (bloco 107 na figura 3), a fim de garantir a minimização dos erros no posicionamento do satélite. As efemérides do Sol e a compensação de UTC / TAI (Coordinated Universal Time/Internationai Atomic Time - Horário Universal Coordenado - Horário Atômico Internacional) são convenientemente exploradas para as conversões entre os quadros de referência e o cálculo das restrições de ângulo do Sol.

[0107] Todos os conjuntos de dados são armazenados e ficam acessíveis toda vez que o SM 21 é consultado para a execução de uma determinada tarefa. A fim de satisfazer os requisitos de missão, que demandam garantir que cada AR relevante para uma PW seja analisada, uma solução livre de conflito é construída (bloco 105 na figura 3) através da exploração do SM 21.

[0108] Em particular, a etapa de processamento 105 do método de agendamento de satélites 1 inclui convenientemente, para cada PW:

1. Selecionar uma DTO a partir do conjunto de Tarefaviz que primeiro entra em conflito com relação ao tempo, de acordo com a Matriz de Intersecção (isto é, DTOs provenientes de zeros na Matint);

2. Selecionar aleatoriamente uma DTO no conjunto conflitante, e encontrar uma DTA

Petição 870180071811, de 16/08/2018, pág. 144/186

34/56 relevante que começa a partir do horário de início da DTO, usando uma interface de Manobra de Varredura (bloco 112a na figura 3) do SM 21;

3. Proceder cronologicamente e identificar um próximo conjunto de DTOs conflitantes;

4. Selecionar aleatoriamente uma DTO no conjunto conflitante, e encontrar uma DTA relevante que começa a partir do horário de início da DTO, usando a interface de Manobra de Varredura (bloco 112a na figura 3) do SM 21;

5. Validar a RMA entre as primeira e segunda DTAs, utilizando uma interface de Manobra de Mobilização (bloco 112b na figura 3) do SM 21; se a RMA não for válida, a segunda DTA é adiada até que a RMA seja viável;

6. Colocar as DTAs selecionadas dentro da solução;

7. Repetir as sub-etapas 3, 4 e 5 acima até que a data final da PW seja alcançada;

8. Construir uma solução livre de conflitos, associando-lhe então uma Adequação de Solução, de acordo com a equação (8).

[0109] Esse processo permite a minimização das verificações a serem executadas, em termos de número de consultas ao SM 21 para a validação da solução. A este respeito, a figura 7 mostra esquematicamente soluções calculadas através da implementação da etapa de processamento 105 acima, para o exemplo de 5 tarefas da figura 6, onde uma sobreposição mínima entre tarefas foi considerada.

[0110] Várias soluções são alcançadas até que certos critérios sejam atingidos. Devido à necessidade de maximizar a diversidade do conjunto de soluções para espalhar os germes no espaço de pesquisa de soluções, geralmente é necessário incluir cada tarefa em pelo menos uma solução. Essa condição é chamada de Inicialização Extensiva. Praticamente, isto significa que cada tarefa viável é agendada pelo menos uma vez no conjunto de soluções livres de conflito provido pelo processo de inicialização.

[0111] Uma simulação estatística, ilustrada na figura 8, mostra que o número de soluções requisitadas para atender ao escopo de Inicialização Extensiva, com uma boa aproximação, aumenta linearmente em função do número de tarefas de entrada.

[0112] Convenientemente, o ajuste do número de soluções livres de conflitos também considera:

- os requisitos de GA em termos de população de soluções Spop necessárias para sua

Petição 870180071811, de 16/08/2018, pág. 145/186

35/56 evolução;

- o tempo limite final para a Sessão de Agendamento.

[0113] Desta forma, impõe-se uma relação, que considera as restrições definidas através de critérios combinados.

[0114] No final, com base em suposições computacionais, o tempo limite de inicialização para alcançar um conjunto oportuno de soluções iniciais é considerado levando-se em conta uma necessidade de 95% de probabilidade de obter uma Inicialização Extensiva das varreduras, para um número de N tarefas por PW. Esta condição depende marginalmente do desempenho de aquisição do satélite e da extensão do período de PW; de fato, análises aleatórias demonstraram que tempos computacionais similares são requeridos para a construção de um pequeno conjunto tendo soluções mais longas (ocupadas com varreduras) do que um conjunto maior porém com soluções mais curto, para um número fixo de tarefas de entrada. Em outras palavras, o esforço de computação é considerado em função do número de tarefas de entrada, sob a condição de desempenho equivalente do Modelo de Satélite (SM) 21.

4. ALGORITMOS GENÉTICOS [0115] Como é sabido, no campo da ciência da computação e da inteligência artificial, os Algoritmos Genéticos (GAs) da família dos EAs são buscas heurísticas que imitam o processo de seleção natural, baseado na teoria da sobrevivência de Darwin, para as soluções mais adequadas. Os GAs têm sido investigados por um longo tempo em conexão com problemas de otimização de agendamento, por exemplo, por H. Bremermann [ver como exemplo “A method of unconstrained global optimization (Um método de otimização global irrestrita), Mathematical Biosciences (Biociências Matemáticas), Vol. 9, págs. 1 a 15, 1970, d.o.i.: 10.1016 / 0025-5564 (70) 90087-8], cujas pesquisas também incluíram os elementos dos modernos processos genéticos.

[0116] Além disso, R.M. Friedberg [ver, por exemplo, R.M. Friedberg, B. Dunham, J.H. North., 'A Learning Machine: Parte II(Uma Máquina de Aprendizagem: Parte II), IBM Journal of Research and Development (Jornal de Pesquisa e Desenvolvimento da IBM), Vol. 3, N° 3, págs. 282 a 287, 1959, d.o.i.: 10.1147/r.33.0282] e I. Rechenberg [ver, por exemplo, The Evolution Strategy - A Mathematical Model of Darwinian Evolution(A

Petição 870180071811, de 16/08/2018, pág. 146/186

36/56

Estratégia da Evolução - Um Modelo Matemático da Evolução Darwiniana), em Synergetics — From Microscopic to Macroscopic Order (Sinergética - Da Ordem Microscópica à Macroscópica”), Série Springer em Synergetics (Sinergética”), Vol. 22, págs. 122 a 132, 1984, d.o.i.: 10.1007 / 978-3-642-69540-7_13] foram pioneiros notáveis, que forneceram as idéias básicas de análise e projeto com base nos conceitos de evolução biológica, e também J.H. Holland [ver por exemplo a Ref7, e também Genetic Aigorithms and Adaptation (Algoritmos Genéticos e Adaptação”), Adaptive Control of IH-Defined Systems (Controle Adaptativo de Sistemas Mal Definidos”), págs. 317 a 333, 1984, d.o.i.: 10.1007 / 978-1-4684-8941-5_21] e D.E. Goldberg [ver por exemplo a Ref5, e também Genetic Aigorithms and Innovation(Algoritmos Genéticos e Inovação”), The Design of Innovation (O Projeto da Inovação”), Vol. 7 da série GeneticAigorithms andEvoiutionary Computation (Algoritmos Genéticos e Computação Evolucionária”), págs. 1 a 9, 2002, d.o.i.: 10.10 07 / 978-1-4757-3643-4_1].

[0117] Os GAs simulam a sobrevivência do mais forte entre os indivíduos ao longo de gerações consecutivas, para resolver um problema de otimização onde cada geração consiste de uma população de cadeias de caracteres análogos ao cromossomo do DNA. Para continuar a analogia genética, uma variável de cada cromossomo é equivalente a um gene cujo caráter é chamado de alelo. Tradicionalmente, os alelos dos genes são representados como caracteres binários (0/1), mas outras codificações também são possíveis. O locus representa a posição do gene na cadeia cromossômica, enquanto o fenótipo representa as propriedades do gene determinadas pelo seu genótipo.

[0118] A evolução genética a partir de um estado (s) geralmente começa a partir de uma população de indivíduos gerados aleatoriamente, e procede através de um processo iterativo, onde a população computada em cada iteração é chamada de geração. Em cada geração, a adequação de cada indivíduo na população é avaliada. Os indivíduos mais adequados são selecionados estocasticamente dentre a população atual, então o genoma de cada indivíduo é modificado (recombinado e possivelmente mutado aleatoriamente) para formar uma nova geração. A nova geração de soluções candidatas no estado (s + 1) é então usada na próxima iteração do algoritmo. Assim, um GA típico requer:

- uma representação genética do domínio das soluções e das variáveis;

Petição 870180071811, de 16/08/2018, pág. 147/186

37/56

- uma função de adequação para avaliar o domínio de soluções.

[0119] Uma vez que a representação genética e a Adequação de Solução são aplicadas, o GA procede inicializando uma população de soluções e, em seguida, aprimorando-as através de técnicas evolutivas. Uma população de soluções é mantida dentro do espaço de pesquisa, e então é forçada a evoluir para a próxima iteração com base na adequação de tarefa atribuída, de acordo com a função de adequação para o problema de otimização a ser resolvido. O objetivo do GA é produzir estatisticamente descendentes tendo qualidades superiores às dos pais, combinando alelos dos genes relevantes com um conjunto de cromossomos selecionados dentro do Conjunto de Soluções, através de técnicas de evolução apropriadas.

[0120] As seguintes técnicas tradicionais de GA são adotadas na presente invenção:

- cruzamento (simples / multi-pontos); a recombinação de partes de duas soluções cortadas em pontos definidos; neste modelo, cada ponto de cruzamento corresponde a um instante de tempo aleatório dentro do intervalo de tempo da solução; os pontos de corte para o cruzamento são calculados aleatoriamente dentro de intervalos de tempo específicos em que as Vizinhanças de Tarefas das soluções cruzadas não se intersectam;

- mutação; a substituição de uma varredura por uma varredura conflitante no tempo, quando existente;

- elitismo - a reprodução de um conjunto de iterações de soluções mais valiosas através de iteração.

[0121] Comumente, o algoritmo termina quando um número máximo de gerações é produzido, um nível de adequação satisfatório é atingido, ou quando não há mais progressos significativos.

[0122] Em conclusão, as seguintes afirmações referem-se a todos os algoritmos baseados em GAs:

- os cromossomos em uma população competem por recursos e parceiros;

- os indivíduos mais valorizados em termos de adequação produzem mais descendentes do que os outros, de modo a serem reproduzidas as melhores qualidades de uma população;

- os genes dos cromossomos candidatos à reprodução são combinados e propagados por

Petição 870180071811, de 16/08/2018, pág. 148/186

38/56 toda a população;

- cada geração sucessiva se tornará mais adequada ao seu ambiente.

[0123] As etapas permitem estatisticamente uma melhoria da adequação média entre a população de gerações sucessivas, até que a convergência para um valor de adequação seja alcançada e não seja notada nenhum aperfeiçoamento significativo da descendência.

[0124] Uma representação eficiente de cada solução candidata em um SSP é dada através de uma matriz padrão de bits [0/1], ordenada de acordo com uma variável específica. A propriedade principal que torna essas representações genéticas convenientes é que suas partes são facilmente alinhadas devido ao seu tamanho fixo, o que facilita operações de cruzamento simples. No entanto, representações de tamanho variável também podem ser usadas, mas a implementação de cruzamentos se torna mais complexa, como uma evolução semelhante a uma árvore. Na aplicação à resolução do SSP, os elementos genéticos estão associados às atividades de varredura, e cada um pode ser vinculado a uma característica específica, conforme relatado na Tabela 1 a seguir: TABELA 1: APLICAÇÃO GENÉTICA AO SSP

Termo Genético	Representação Genética	Aplicação ao SSP
Cromossomo	Cadeia	Solução como uma sequência de oportunidades de varredura (DTOs)
Gene	Caráter	Oportunidade de varredura (DTO)
Alelo	Valor	Viabilidade de varredura (Sim ou Não)
Locus	Índice da Matriz	Prioridade de varredura (Classificação)
Fenótipo	Atributo	Manobra de varredura (DTA)
Genótipo	Atributo	Manobra de mobilização (RMA)

[0125] Cada solução de plano (cromossomo) que inclui um conjunto de DTOs de AR (genes) representa um agendamento possível no domínio da solução, para uma PW tendo um determinado conjunto de tarefas a serem planejadas.

[0126] Por definição, o alelo do gene é igual a 1 se a aquisição da AR for viável por meio de uma DTA válida (à qual uma RMA válida está sempre associada) dentro da DTO relevante, caso contrário ele é definido como 0.

Petição 870180071811, de 16/08/2018, pág. 149/186

39/56 [0127] De acordo com a teoria, na aplicação ao SSP, as matrizes de genes são ordenadas cronologicamente com relação ao horário de início das DTOs de cada tarefa. Desta forma, uma solução corresponde a uma sequência de 0 (ou seja, zeros) e 1 (ou seja, uns), de acordo com as DTAs viáveis e inviáveis (fenótipos) para o conjunto de tarefas, como mostrado na figura 9 (que ilustra esquematicamente um exemplo de uma solução para uma PW que coleta 5 DTAs viáveis para um conjunto de 8 tarefas).

[0128] Finalmente, o genótipo é aqui vinculado à RMA necessária para a realização de uma DTA viável.

[0129] No contexto do SSP, a idéia é identificar e reproduzir uma população de soluções válidas aumentando a cada geração seus valores de adequação, onde cada solução inclui uma série de DTAs não conflitantes. As soluções são calculadas de acordo com a Adequação de Solução multi-objetivos associada, e podem ser classificadas, ordenadas e selecionadas de acordo com a adequação relevante.

[0130] Cada técnica de evolução está relacionada a um fator genético específico (gfc para o cruzamento, gfm para a mutação, e gfe para o elitismo), identificando a probabilidade relevante de aplicação durante uma iteração de GA. Os intervalos são identificados de acordo com os padrões adotados no estado da arte.

[0131] Fatores genéticos são apropriadamente ajustados de acordo com o problema específico e tratados como constantes. No entanto, o fator de mutação gfm pode convenientemente variar em função da diversidade populacional. Se não for satisfatório, o fator de cruzamento gfc pode ser aumentado como em GAs Adaptativos, a fim de diferenciar principalmente as soluções de entrada.

[0132] Na Tabela 2 a seguir, são relatados intervalos de probabilidades para os fatores genéticos convenientemente explorados pela presente invenção:

TABELA 2: INTERVALOS DE PROBABILIDADE DE FATORES DE EVOLUÇÃO GENÉTICA

Fator Genético	Descrição	Probabilidade
gfc	Fator de cruzamento	0,5 a 0,95
gfcm	Fator de cruzamento múltiplo	0,25 a 0,5
gfm	Fator de mutação	0,01 ~ 0,1
gfe	Fator de elitismo	0,05 ~ 0,2

Petição 870180071811, de 16/08/2018, pág. 150/186

40/56 [0133] A figura 10 ilustra esquematicamente, por meio de um fluxograma, a etapa de processamento 108 do método de agendamento de satélites 1 de acordo com uma forma de incorporação preferida da presente invenção.

[0134] Em particular, com base na inicialização de soluções (isto é, a etapa de processamento indicada por 105 na figura 3, e descrita em detalhe no parágrafo 3), uma vez que os parâmetros de GA em termos de número máximo de iterações, limite de tempo de processo, sementes heurísticas e fatores genéticos são definidos (bloco 104a na figura 10), o procedimento baseado em GA da etapa 108 permite calcular múltiplas soluções através das seguintes sub-etapas:

- inicializar o GA para uma determinada PW (bloco 201 na figura 10), com uma população de N soluções livres de conflitos recuperadas através do processo de inicialização de plano (ou seja, a referida etapa de processamento 105);

- selecionar as melhores soluções candidatas no(s) estado(s) para a reprodução através de um método de seleção apropriado, denominado seleção de Competição (bloco 202 na figura 10);

- ordenar as soluções de acordo com seus valores de Adequação de Solução (bloco 203 na figura 10), armazenando-as dentro de um Conjunto de Soluções;

- computar e comprovar soluções candidatas a evoluírem para o estado (s + 1) (bloco 204 na figura 10), de acordo com técnicas de cruzamento único e múltiplo (bloco 205 na figura 10), de mutação (bloco 206 na figura 10), e de elitismo (bloco 207 na figura 10), com base no Modelo de Satélite (SM) 21, onde são utilizadas as interfaces de Manobras de Varredura e de Mobilização (blocos 112a e 112b na figura 3, correspondendo ao bloco 112 na figura 10); técnicas genéticas são aplicadas de acordo com as sementes heurísticas e os fatores genéticos (bloco 104a na figura 10);

- o GA termina (bloco 208 na figura 10) de acordo com os critérios de parada (isto é, o número máximo de iterações e limites de tempo de processo no bloco 104a na figura 10 neste contexto, pode ser feita referência doravante ao parágrafo 6);

- se o processo estiver concluído (bloco 209 na figura 10), a Melhor Solução resultante é validada (bloco 210 na figura 10) através da interface de Validação de Plano (blocos 113

Petição 870180071811, de 16/08/2018, pág. 151/186

41/56 nas figuras 3 e 10) do Modelo de Satélite (SM) 21; caso contrário, as N soluções descendentes são estabelecidas para serem a população para a próxima geração, e a etapa de processamento baseada em GA 108 é novamente iterada começando a partir da sub-etapa de seleção de Competição 202.

5. ANELAMENTO SIMULADO [0135] O primeiro Anelamento Simulado (SA) foi desenvolvido por S. Kirkpatrick [ver, por exemplo, S. Kirkpatrick, C.D. Jr. Gelatt, M.P. Vecchi, Optimization by Simu/ated Annealing (Otimização por Anelamento Simulado), Science (Ciência), Vol. 220, N° 4598, págs. 671 a 680, 1983, d.o.i.: 10.1126 / science.220.4598.671], para otimização global no início dos anos 80, e realizado para vários problemas de otimização combinatória. O Anelamento Simulado (SA) é um método de otimização que pode ser aplicado a espaços de pesquisa de problemas arbitrários. Como os algoritmos de escalada de montanha simples, o SA precisa apenas de um único indivíduo inicial como ponto de partida e uma operação de pesquisa unária. Ele se inspira no processo de anelamento em metalurgia e ciência dos materiais, como por exemplo no tratamento térmico de materiais com o objetivo de alterar suas propriedades, tal como a dureza. Ao recozer, ou anelar, um metal, a temperatura inicial não deve ser muito baixa e o resfriamento deve ser feito de forma suficientemente lenta, para evitar que o sistema fique preso em um estado metaestável não cristalino, representando um mínimo local de energia.

[0136] Na física, cada conjunto de posições de todos os átomos de uma configuração de sistema é ponderado pelo seu fator de probabilidade de Boltzmann fs = e^(-kB^E(s)/T), onde E(s) é a energia do estado atual (s), T é a temperatura de resfriamento medida em °K (isto é, graus Kelvin), e kB = 1,380650524 χ 10^-23 J / K é a constante de Boltzmann.

[0137] Em estudos anteriores realizados por Metropolis et al. [ver, por exemplo, N. Metropolis, A.W. Rosenbluth, M.N. Rosenbluth, A.H. Teller, E. Teller, Equation of State Calculations by Fast Computing Machines(Equação de Cálculos de Estado por Máquinas de Computação Velozes), The Journal of Chemical Physics (O Jornal de Físico-Química), Vol. 21, n° 6, págs. 1087 a 1090, 1953, d.o.i.: 10.1063 / 1.1699114], foi desenvolvido o método de Monte Carlo para calcular as propriedades de qualquer substância que possa ser considerada composta por moléculas individuais interativas. Este procedimento é

Petição 870180071811, de 16/08/2018, pág. 152/186

42/56 aplicado com a finalidade de simular uma coleção de átomos em equilíbrio termodinâmico a uma determinada temperatura.

[0138] Uma nova geometria próxima do estado (s + 1) é gerada como um deslocamento aleatório do(s) deslocamento(s) atual(is) de um átomo em cada iteração. A energia da nova geometria resultante é calculada, e a Diferença Energética (ÁE) entre a geometria atual e a nova geometria ΔΕ = E (s + 1) - E (s) é determinada. A probabilidade de que essa nova geometria seja aceita, P(ÁE), é definida como:

Ρ(ΔΕ) =

ΔΕ > 0

ΔΕ < 0 (11) [0139] Como consequência, se a nova geometria próxima possuir um nível de energia menor, a transição é aceita, caso contrário, um número aleatório uniformemente distribuído r e (0, 1) é extraído e a etapa só será aceita na simulação se for menor ou igual ao fator de probabilidade de Boltzmann, r < P(ÁE), levando também a chances de piorar as soluções a serem selecionadas.

[0140] No SA, o cronograma de evolução é tipicamente modelado através de uma redução da temperatura de resfriamento. A taxa de diminuição da temperatura deve ser ajustada com precisão, de acordo com a complexidade do problema e com o tempo de convergência disponível. Em altas temperaturas, fB está muito próximo de 1, levando à aceitação de muitos passos de subida. À medida que a temperatura cai, a proporção de passos aceitos, que aumentaria o nível de energia, diminui. Por outro lado, quando o tempo gasto (ts) expira, isto resulta em T(ts = tmax) = 0, que anula P(ÁE). Agora o sistema não irá mais escapar de regiões locais e vai repousar em um mínimo local.

[0141] Estudos subseqüentes provaram que os algoritmos de SA com estratégias de resfriamento apropriadas convergem assintoticamente para o ótimo global. Por exemplo, P.J. van Laarhoven, E.H L. Aarts, Simulated Annealing: Theory and AppUcations' (Anelamento Simulado: Teoria e Aplicações), Mathematics and Its AppUcations (Matemática e Suas Aplicações), vol. 37, 1987, d.o.i.: 10.1007 / 978-94-015-7744-1, e A. Nolte, R. Schrader, A Note on the Finite Time Behaviour of Simulated Anneaiing(Uma

Petição 870180071811, de 16/08/2018, pág. 153/186

43/56

Nota sobre o Comportamento de Tempo Finito do Anelamento Simulado), Operations Research Proceedings (Procedimentos de Pesquisa de Operações), 1996, págs. 175 a 180, 1997 , d.o.i.: 10.1007 / 978-3-642-60744-8_32, fornecem listas dos trabalhos mais importantes mostrando que o Anelamento Simulado convergirá para o ótimo global se t ™ iterações forem executadas, incluindo os estudos de B. Hajek [ver, por exemplo, A tutoria/ survey of theory and appiications of Simuiated Anneaiing(Uma pesquisa tutorial da teoria e aplicações do Anelamento Simulado), Procedimentos da 24^a Conferência do IEEE sobre Decisão e Controle, Vol. 24, págs. 755 a 760, 11 a 13 de dezembro de 1985, d.o.i.: 10.1109 / cdc.1985.268599]. O cronograma de temperatura define como o SA converge para a solução final, e possui uma grande influência sobre se o algoritmo SA terá sucesso e quanto tempo levará para encontrar o ótimo global.

[0142] O SA tem a vantagem de deixar um mínimo local, mas a desvantagem é que é possível voltar às soluções já visitadas. Portanto, oscilações em torno dos mínimos locais são possíveis, e isto pode levar a uma situação em que muito tempo computacional é gasto em uma pequena parte do conjunto de soluções. Uma maneira simples de evitar esse problema é armazenar todas as soluções visitadas em uma lista ordenada, e apenas aceitar soluções que não estejam contidas na lista. No entanto, armazenar todas as soluções visitadas e testar se uma solução candidata pertence à lista geralmente é muito desgastante, tanto em termos de memória quanto de tempo computacional [aqui, pode-se fazer referência, por exemplo, a P. Brucker, Scheduiing Aigorithms (Algoritmos de Agendamento), 1995, d.o.i.: 10.1007 / 978-3-662-03088-2].

[0143] Na aplicação de SA atual, a melhor solução de plano proveniente do processamento baseado em GA representa o cronograma inicial, a ser atualizado com o conjunto de tarefas ainda não planejadas no espaço de busca da PW. Similarmente ao processamento baseado em GA, uma solução corresponde a uma sequência de 0 (ou seja, zeros) e 1 (ou seja, uns), de acordo com as DTAs viáveis e inviáveis para o conjunto de tarefas.

[0144] No contexto do SSP, a idéia é melhorar uma solução aumentando sua Adequação de Solução, através de uma verificação e resolução ótimas dos conflitos entre as DTAs previamente planejadas e as DTAs rejeitadas em cada iteração.

Petição 870180071811, de 16/08/2018, pág. 154/186

44/56 [0145] Na Tabela 3 a seguir os conceitos de SA aplicados ao SSP são relatados: TABELA 3: APLICAÇÃO DE ANELAMENTO SIMULADO AO SSP

Termo de anelamento	Representação do anelamento	Aplicação ao SSP
Energia	Duplo	Adequação de Solução
Temperatura de resfriamento	Duplo	Tempo de Evolução e Limiar de Aceitação

[0146] A figura 11 ilustra esquematicamente, por meio de um fluxograma, a etapa de processamento baseado em SA 109 do método de agendamento de satélites 1 de acordo com uma forma de incorporação preferida da invenção.

[0147] Em particular, com base na solução de saída de GA provida pela etapa de processamento baseado em GA 108 (mostrada na figura 10 e descrita em detalhes no parágrafo 4) para uma PW, uma vez que os parâmetros de SA são definidos (bloco 104b na figura 11), a etapa de processamento baseado em SA 109 permite calcular uma solução única através das seguintes sub-etapas:

- para um determinada PW, inicializar o SA (bloco 301 na figura 11) com a melhor solução válida fornecida pela etapa de processamento baseada em GA 108;

- selecionar uma nova tarefa a ser planejada de acordo com funções de probabilidade Gaussianas e de Poisson específicas predefinidas (bloco 302 na figura 11);

- identificar a vizinhança de tarefa de varredura de acordo com a influência da DTO relevante dentro da matriz de intersecção (bloco 303 na figura 11);

- computar as permutações das tarefas conflitantes, ordenadas de acordo com a cronologia de suas vizinhanças de tarefas, que prometem maior probabilidade de sucesso para os primeiros testes (bloco 304 na figura 11);

- encontrar e comprovar a melhor combinação das DTAs permutadas (bloco 306 na figura 11), de acordo com os critérios de aceitação de SA (bloco 307 na figura 11) e com base no SM 21, onde são utilizadas as interfaces de Manobras de Varredura e de Mobilização (blocos 112a e 112b nas figuras 3, correspondendo ao bloco 122 na figura 11);

- a solução evolui (bloco 305 na figura 11) com base nas sementes heurísticas, nos fatores de anelamento (bloco 104b na figura 11), e na redução de temperatura de SA (bloco 308 na figura 11);

Petição 870180071811, de 16/08/2018, pág. 155/186

45/56

- terminar o SA (bloco 309 na figura 11) de acordo com os critérios de parada (isto é, o número máximo de iterações e de limites de tempo de processo no bloco 104b na figura 11 - aqui, pode ser feita referência doravante ao parágrafo 6).

[0148] De acordo com isto:

- se o processo não for concluído (bloco 310 na figura 11) e a Melhor Solução resultante for válida (bloco 311 na figura 11) através da interface de Validação de Plano (blocos 113 nas figuras 3 e 11) do Modelo de Satélite (SM) 21, a solução representa a entrada inicial para a próxima iteração da sub-etapa de seleção de tarefas 302;

- se o processo for concluído e a Melhor Solução for válida, um cronograma de PW ótimo é produzido (blocos 111 nas figuras 3 e 11).

6. CONFIGURAÇÕES DE AGENDAMENTO [0149] Enquanto o intervalo de tempo total disponível para processar o agendamento de um Horizonte de Missão (MH) inteiro é considerado como um parâmetro de projeto dependente da cronologia de Segmento Terrestre da missão, as configurações internas são convenientemente ajustadas de acordo com as propriedades relativas das PWs e das características algorítmicas.

[0150] O papel principal é desempenhado pela Complexidade de Plano, que permite fazer uma estimativa sobre o tamanho do espaço de pesquisa a ser analisado de acordo com o número de tarefas envolvidas a serem varridas em uma PW. Conforme afirmado, maior complexidade significa estatisticamente um maior número de combinações a serem resolvidas e, portanto, uma resolução de conflito tendo verificação custosa. Assim, espaços de tempo mais longos são convenientemente alocados para as PWs mais complexas.

[0151] A tendência da Complexidade de Plano em função do número de tarefas segue uma tendência estatística quadrática, a partir de simulações, conforme mostrado na figura 12.

• Ts como o período disponível para uma Sessão de Agendamento de um MH tendo um certo número de (p = 1, P) PWs;

• Np como o conjunto de tarefas associadas à p-ésima PW; e • Cp como a Complexidade de Plano da p-ésima PW, calculada de acordo com a equação

Petição 870180071811, de 16/08/2018, pág. 156/186

46/56 (10).

[0152] Uma avaliação a priori do período de agendamento relativo para cada uma das

PWs é assumida:

N C t t ^{p p} ^Tp-^1sp (12) Σ ^Np^Cp p=1

P [0153] De onde resulta que Σ^Tp = ^Ts

P=1 [0154] Com referência ao procedimento de agendamento global (isto é, o método de agendamento de satélites 1), os limites de tempo dos três processos base são convenientemente adaptados com base nas características da Janela de Planejamento (PW) a ser agendada. Os três processos base mencionados são:

1. As etapas de processamento 102, 103 e 105 (isto é, Inicialização Extensiva, Complexidade de Plano, computação e análise da Matriz de Intersecção, e cálculo inicial de soluções livres de conflito);

2. A etapa de processamento baseada em GA 108; e

3. O processamento baseado em SA, etapa 109.

[0155] Em particular:

1. Um tempo adequado deve ser deixado para a inicialização de agendamento (etapas de processamento 102, 103 e 105), a fim de calcular, conforme discutido no parágrafo 3, um número suficiente de soluções livres de conflito com uma taxa máxima de diversidade; a tendência do esforço computacional com relação à população de soluções iniciais é aproximadamente proporcional; logo, define-se um tempo de inicialização disponível de:

hp = ^kTp + ^2σ (13)

Onde k é o fator e σ é o desvio padrão adaptado das simulações estatísticas, que permite obter o número médio de soluções (de acordo com a figura 8) para satisfazer a Inicialização Extensiva durante pelo menos 95% de vezes; uma vez fixado o desempenho médio da missão do Modelo de Satélite para uma inicialização média, seu intervalo de

Petição 870180071811, de 16/08/2018, pág. 157/186

47/56 tempo não deve nominalmente exceder Tp / 3;

2. Os parâmetros de GA são definidos de acordo com as características de GA, conforme mostrado na Tabela 4 a seguir, onde tGA e IterGA identificam os critérios de parada; uma vez que um dos parâmetros é excedido, o processamento baseado em GA 108 termina (bloco 209 na figura 10); os critérios de parada de GA são definidos de acordo com as características do GA. Por meio de simulações, deve resultar nominalmente que:

Tp / 5 < tGA < Tp / 3 e 50 < IterGA < 100.

TABELA 4: CONFIGURAÇÕES DE ALGORITMO GENÉTICO

Parâmetro de GA	Definição	Valor de Intervalo
tGA	Limite de tempo do algoritmo	Entre 1/5 e 1/3 de Tp
IterGA	Número máximo de iterações	Entre 50 e 100

3. Os parâmetros de SA são definidos de acordo com o tempo de agendamento disponível e o desempenho da HW, como mostrado na Tabela 5 a seguir; em particular, tSA e IterSA identificam os critérios de parada; uma vez que um dos parâmetros é excedido, a etapa de processamento baseado em SA 109 termina (bloco 310 na figura 11); por meio de simulações, resulta nominalmente que tSA > Tp / 3 e IterSA = 100, pelo menos; parâmetros adicionais são:

• T0, que identifica a temperatura de estado inicial;

• NpMax, como o número máximo de tarefas a serem permutadas contemporaneamente; e • sfAcc, como o fator necessário para calcular o limite de aceitação das soluções. TABELA 5: CONFIGURAÇÕES DE ANELAMENTO SIMULADO

Parâmetro de SA	Definição	Valor de Intervalo
tSA	Limite de tempo do algoritmo	Pelo menos 1/3 d Tp
IterSA	Número máximo de iterações	Pelo menos 100
T0	Initial cooling Temperature	Em função de tSA
NpMax	Número máximo de tarefas que podem ser permutadas a cada iteração	Entre 9 e 10, de acordo com o desempenho de cálculo da máquina HW e de tSA

Petição 870180071811, de 16/08/2018, pág. 158/186

48/56

Parâmetro de SA	Definição	Valor de Intervalo
sfAcc	O fator da função de aceitação da solução	> 1

7. FATORES GENÉTICOS [0156] Os fatores genéticos são basicamente ajustados de acordo com os valores máximos em suas faixas de probabilidade reportadas na Tabela 2, devido ao tempo disponível reduzido para o processamento de GA.

[0157] Em particular, uma taxa máxima de cruzamento (gfc = 0,95) é sugerida para aumentar o número de combinações das soluções designadas pela Seleção de Competição, para as quais uma taxa igual de cruzamento de ponto único e de múltiplos pontos (gfcm = 0,5) é esperada.

[0158] No entanto, enquanto o elitismo pode ser deixado como um valor constante (gfe = 0,2), considerando-se uma população de soluções fixas (quase 2 crianças a partir de 2 pais) ao longo das iterações, uma mutação adaptativa permite um aumento na probabilidade de expansão da exploração do espaço de pesquisa, caso não ocorram melhorias para as iterações consecutivas. Desta forma, considerando-se uma mutação inicial (gm0 = 0,1), um excedente (gm+ = 0,1) é adicionado se não houver benefício em termos de resultado de adequação na melhor solução da próxima geração, enquanto que um defeito (gm- = -0,1) é imposto caso o benefício ocorra. A restrição 0 < gm < 1 não deve ser ultrapassada quando, para o caso limite de gm = 1, cada solução é submetida a mutação.

8. DIMINUIÇÃO DE TEMPERATURA [0159] A taxa de resfriamento (β) da temperatura que orienta a evolução de SA é convenientemente definida de acordo com a tolerância que seria imposta às soluções que são piores do que as melhores. Uma alta taxa de resfriamento minimiza a aprovação dessas soluções; por outro lado, um resfriamento lento aumenta as possibilidades de uma pior escolha, expandindo a pesquisa de SA no domínio de soluções.

[0160] Os valores de T0 e β são convenientemente definidos de acordo com o limite de tempo imposto ao SA, e à condição de que a temperatura T tende a zero em sua condição final a partir da equação (14) definida a seguir.

Petição 870180071811, de 16/08/2018, pág. 159/186

49/56 [0161] Através de simulações, um resfriamento médio imposto pelas condições 3 < β < 5 e T0 = 1 representa uma boa relação a ser perseguida. De acordo com estas suposições, resulta facilmente, no tempo (ti):

T (í,) = e

t ~^Í0

ÍsA ~ ^Í0

(14) [0162] Onde t0 e tSA representam os tempos de início e de fim da etapa de processamento baseado em SA 109, entre as sub-etapas 301 e 311, respectivamente. ATRIBUIÇÃO DE ENERGIA [0163] A Energia (E) de SA é convenientemente configurada de acordo com a adequação da solução em uma determinada etapa. Esta condição é balanceada pela necessidade de alcançar uma diferença energética adequada entre as soluções, a fim de garantir uma probabilidade de aceitação razoável para as soluções piores.

[0164] A Energia E é então associada à Adequação de Solução definida na equação (8), resultando em:

^NObj fg = Σ i=1 ^wi^fi ^z NyAgend'’

Σ1 j=1 (15) [0165] Para garantir um limite de aceitação satisfatório, a configuração dos pesos para os objetivos relevantes é convenientemente definida de acordo com os escopos da missão.

10. FUNÇÃO DE ACEITAÇÃO [0166] O ajuste entre T e E influencia a convergência da solução durante a evolução do SA em relação à função de probabilidade de aceitação, dada pela equação:

ΔΕ

ΔΕ > 0

ΔΕ < 0 (16) [0167] Onde sfAcc é o fator de aceitação da solução (ver Tabela 5 para referência), e ÁE = E(s + 1) - E(s) é a diferença energética entre os estados próximos da solução.

[0168] Como mostrado na figura 13 (que mostra a evolução da Adequação de Solução de

Petição 870180071811, de 16/08/2018, pág. 160/186

50/56 acordo com a probabilidade de aceitação do GASA), mesmo se começar a partir de um valor mais baixo de adequação, uma função de aceitação muito alta (linha de aceitação ruim) pode levar a pequenas melhorias ou nenhuma melhoria na convergência, para a melhor solução do GASA. Isto se deve ao fato de que uma alta divergência em relação aos ótimos locais não permite a fixação de vizinhanças sub-ótimas dentro das soluções evoluídas durante as iterações. Por outro lado, uma aceitação apropriada (boa linha de aceitação) pode permitir benefícios limitados, porém substanciais, levando a solução do GASA a um cronograma final através de escapadas satisfatórias dos ótimos locais, por também aceitar potencialmente soluções para as quais resulta ÁE < 0. Esta condição não poderia ser alcançada no caso de não estar previsto nenhum limiar de aceitação.

11. Distribuições de Probabilidade [0169] As larguras de distribuição relevantes para as funções de probabilidade Gaussiana e de Poisson conhecidas, respectivamente, são escolhidas de acordo com a proeminência a ser dada à prioridade das tarefas agendadas, respectivamente como:

^Fp<,_lm. <ΡΊ = e (17)

F_o.„„ (p) = e -^x< ” ^|2 (18) [0170] Onde p denota a Classificação de Prioridade relativa entre N tarefas, definida como um inteiro que vai de 1 até N, onde uma Classificação inferior significa uma prioridade superior.

[0171] Para destacar a seleção de tarefas de prioridade durante a evolução de SA, o fator de variância relevante para ambas as larguras de distribuição depende do valor relativo do peso (w1) das tarefas de prioridade. Resultando em:

x = K, ' ^{1 N}ObJ

Σ W n=1 (19) [0172] Onde 0 < Ki < 1 é um fator de ajuste adicional que pode variar, durante as iterações de anelamento, de acordo com a tendência de evolução. Por padrão, K = 1 pode

Petição 870180071811, de 16/08/2018, pág. 161/186

51/56 ser constantemente assumido como um valor de primeira suposição.

12. APLICAÇÃO DE TESTE DA INVENÇÃO [0173] A presente invenção (GASA) foi aplicada pelo Requerente a um cenário de teste desafiador após o ajuste cuidadoso discutido nos parágrafos anteriores. As comparações do desempenho do GASA com relação a uma estratégia determinística, adequadamente guiada para limitar a exploração de caminhos não ótimos, são detalhadas a seguir.

[0174] Sob condições idênticas e com exploração do Modelo de Satélite (SM), de acordo com o cenário de teste selecionado, um número de 50 iterações foram executadas para a execução da presente estratégia heurística em cada etapa do problema, onde um máximo de Tc = 100 s foi estabelecido como o limiar da convergência algorítmica.

[0175] Um algoritmo de comparação determinístico de Pesquisa de Profundidade e Largura (BDS) foi executado uma vez para cada problema. Ele tentou progressivamente agendar uma AR em cada etapa até o limite de tempo máximo ser alcançado, enquanto um esforço computacional significativo foi necessário para resolver os conflitos com o aumento do número de tarefas envolvidas. Para limitar a análise do domínio de pesquisa, cada varredura de ótimo em termos da função de Adequação de Tarefa foi armazenado e repetido para as próximas iterações; além disso, todos os ramos inviáveis foram a priori descartados através de uma análise das soluções anteriores.

[0176] Apesar das suposições feitas, enquanto que para algumas tarefas o algoritmo do tipo BDS toma um curto período de tempo (cerca de 50 s para 10 tarefas), para a otimização de 50 tarefas foram necessárias cerca de 30 horas (108.000 s).

12.1 DESEMPENHO [0177] O desempenho do GASA na resolução dos conflitos de verificação, entre múltiplas solicitações, foi testado com uma missão de satélite ótico real. O desempenho de otimização relativo a uma estratégia baseada em puro Anelamento Simulado (SA) foi originalmente considerado como um termo de avaliação das melhorias devido à aplicação dos Algoritmos Genéticos, enquanto os resultados do algoritmo do tipo BDS foram tomados como um termo comum de comparação.

[0178] Como mostrado na figura 14 (que mostra uma comparação, em termos de número de tarefas planejadas, entre as aplicações do algoritmo do tipo BDS, um SA puro,

Petição 870180071811, de 16/08/2018, pág. 162/186

52/56 e um GASA), uma média de 1,5 tarefas são adicionalmente planejadas por meio da técnica de GASA em relação ao SA puro. Em particular, a partir da figura 14, percebe-se que o GASA mantém melhor o desempenho quando a complexidade do problema aumenta (maior número de tarefas).

[0179] Além disso, como visto na figura 15 (que mostra uma comparação, em termos de diferença nas tarefas planejadas, entre aplicações do SA puro e de GASA), um percentual de cerca de 58% das soluções provenientes do GASA mantém em média o erro abaixo de 1 tarefa planejada, contra os 35% menores resultantes do SA puro.

12.2 CARACTERÍSTICAS DO GASA [0180] De acordo com a tendência de Complexidade de Plano mostrada na figura 12, a estratégia de GASA foi analisada com relação a um conjunto de características específicas compreendendo robustez, precisão de convergência e esforço computacional.

a) A garantia de robustez de um algoritmo é dada pela capacidade de convergir para uma solução satisfatória também quando um conjunto ruim de entradas é assumido. Esta característica no GASA é alcançada através da aplicação de práticas que permitem uma expansão da pesquisa para porções do domínio de solução que não foram inicialmente levadas em consideração. A mutação adaptativa aplicada durante a evolução genética e a probabilidade de aceitação imposta no processo de anelamento são técnicas que permitem a extensão da pesquisa para novos caminhos de soluções, aumentando as possibilidades de convergência para resultados ótimos. No entanto, uma robustez cada vez maior pode ser alcançada através de um ajuste apropriado das técnicas de acordo com os escopos específicos da missão.

b) A precisão da convergência foi analisada com base no desvio padrão associado ao número de tarefas planejadas para o conjunto de iterações. Na figura 16 (que mostra uma comparação entre o desvio padrão e o valor médio do número de tarefas planejadas por meio da técnica de GASA) é mostrado que o desvio padrão (σ) não aumenta com a Complexidade de Plano e, na maioria casos, é limitado a uma fração de uma tarefa, com um valor médio σ^ι = 0,75. Esse resultado revela uma repetibilidade adequada dos resultados para cenários equivalentes, e uma boa precisão do algoritmo proposto.

c) O esforço computacional foi estimado pela imposição de um tempo de convergência Tc

Petição 870180071811, de 16/08/2018, pág. 163/186

53/56 = 100 s apenas para o processamento algorítmico. Assumindo esse tempo forçado e de acordo com um excedente de intervalo dado pelo desempenho do SM em Validação, um tempo de convergência total médio Twc = 140 s foi estimado.

[0181] O requisito de desempenho relevante para a missão de satélite óptico selecionada para testar a presente invenção requer a execução do SSP de um número mínimo de tarefas Ntmh = 100 dentro de uma determinada Sessão de Agendamento Tss = 600 s.

[0182] De acordo com os resultados obtidos, um número médio de 25 tarefas são planejadas por meio da estratégia de GASA para um número relevante de tarefas de entrada (50 tarefas no início), dentro de uma PW de 900 s. Isto significa que, para uma média de 4 janelas de planejamento (PWs) de 900 s cada (3600 s), um número de 100 tarefas devem ser praticamente planejadas. O desempenho computacional também está de acordo com o requisito; na verdade, um tempo máximo de 4 x 140 s = 560 s < 600 s é requerido para o agendamento global.

[0183] Além disso, como mostrado na figura 17 (que mostra o número médio e a diferença mínima / máxima do número de tarefas planejadas por meio da técnica de GASA), a estratégia de GASA conseguiu recuperar pelo menos uma solução ótima para 40% dos casos, também para alguns casos de complexidade significativa. Isto significa que uma paralelização da estratégia teoricamente permitiria incrementar eficientemente as probabilidades de chegar a soluções ótimas para uma quantidade consistente de casos com o mesmo esforço de tempo computacional.

12.3 BENEFÍCIOS DO GASA [0184] O bom desempenho apresentado juntamente com a rapidez na convergência (100 s como padrão para os cenários de interesse) tornam a técnica de GASA um bom método para alcançar soluções satisfatórias para os SSPs relevantes para a missão sob investigação. De fato, o crescimento da Complexidade de Plano não causou falhas nas soluções computadas, uma vez que, conforme descrito, o GASA conseguiu aproximar-se de, e alcançar, soluções ótimas. Essas circunstâncias ocorreram em um intervalo de tempo médio até 700 vezes menor do que o necessário para a convergência da estratégia de BDS (140 s versus 108.000 s) em um cenário de teste de 50 tarefas.

[0185] Os benefícios hipotetizados a partir da combinação dos diferentes algoritmos

Petição 870180071811, de 16/08/2018, pág. 164/186

54/56 heurísticos, durante a investigação da estratégia global para a otimização multi-objetivos, demonstraram ser reais quando aplicados à missão de satélite óptico selecionada para testar a presente invenção. De fato, a técnica de GASA é capaz de satisfazer os requisitos de agendamento necessários para essa missão específica.

13. VANTAGENS DA INVENÇÃO [0186] A partir da descrição precedente, as vantagens técnicas do presente invento ficam imediatamente claras.

[0187] A este respeito, é importante salientar que a presente invenção permite o cumprimento de todos as etapas da cadeia de missão no Segmento Terrestre de um satélite de EO em um ambiente multi-missão. A presente invenção permite maximizar as possibilidades de aquisição das solicitações de acordo com restrições de missão específicas, minimizando, ou melhor, resolvendo, conflitos mútuos entre tarefas de aquisição dentro de uma Sessão de Agendamento predefinida.

[0188] Em particular, a presente invenção explora uma estratégia híbrida inovadora para a otimização do Problema de Agendamento de Satélite (SSP), tal estratégia híbrida inovadora (denominada GASA) sendo baseada em Algoritmos Genéticos (GAs) para encontrar primeiras soluções ótimas e em Anelamento Simulado (SA) para pesquisa local dentro das vizinhanças das soluções recuperadas pelos GAs (para tentar planejar tarefas inicialmente rejeitadas de acordo com uma abordagem de melhor esforço), permitindo, desta forma, estender a pesquisa para novas soluções e aumentando as possibilidades de convergir para resultados ótimos.

[0189] Além do mais, a estratégia heurística combinada de GASA, como demonstrado anteriormente pelos resultados da aplicação da invenção a um satélite óptico real, oferece:

- alta robustez, ao convergir para uma solução satisfatória também com conjuntos ruins de entradas, graças à mutação adaptativa durante a evolução genética e ao projeto adequado da função de aceitação no processo de anelamento;

- uma boa repetibilidade dos resultados para cenários equivalentes e, portanto, uma boa precisão e qualidade dos resultados; e também

- desempenhos de tempo previsíveis.

Petição 870180071811, de 16/08/2018, pág. 165/186

55/56 [0190] Adicionalmente, também vale a pena notar que o Planejador de Missão (MP) de acordo com a presente invenção é aplicável a um satélite de EO genérico, pois explora elementos de software reutilizáveis e, para adaptar-se e interagir com diferentes missões, requer somente a configuração dos parâmetros e a integração de um Modelo de Satélite (SM) externo, permitindo assim reduzir também o número de atividades de teste e de desenvolvimento.

[0191] Em particular, a arquitetura multi-missão do MP de acordo com a presente invenção oferece várias vantagens, particularmente:

- a redução do esforço no desenvolvimento, teste e integração dos componentes necessários dentro da arquitetura e Segmento Terrestre dos sistemas de EO; e

- a aplicação de módulos de software totalmente reutilizáveis, Interfaces Gráficas de Usuário (GUIs - Graphical User Interfaces) e algoritmos para programas espaciais estendidos.

[0192] Além disso, o Modelo de Satélite (SM) dependente da missão, integrado ao Planejador de Missão (MP), garante a conformidade rigorosa das manobras com as regras da missão do satélite.

[0193] Por fim, é importante enfatizar que a presente invenção, embora descrita acima com referência a um satélite óptico (isto é, um satélite de sensoreamento remoto equipado com um sensor óptico), pode ser aplicada com vantagens no agendamento de:

- um único satélite de sensoreamento remoto equipado com um sensor de um tipo diferente (tal como um SAR ou um sensor infravermelho), ou mesmo equipado com vários sensores de diferentes tipos (tal como um SAR junto com um sensor óptico); e também

- uma constelação de satélites equipados com sensores de um mesmo tipo, ou de diferentes tipos.

[0194] Além disso, a presente invenção pode ser usada com vantagens para a otimização do agendamento, não apenas das Janelas de Planejamento (PWs) para aquisição de imagens, mas também:

- das Janelas de Carregamento (Uplink) e de Descarregamento (Downiink) (UWs, DWs); e

- mais geralmente, até mesmo de recursos genéricos de satélite (tais como recursos de memória, recursos de energia, etc.) de um único satélite de EO (em bandas simples e

Petição 870180071811, de 16/08/2018, pág. 166/186

56/56 multi-espectrais) ou de constelações de satélites de EO.

Petição 870180071811, de 16/08/2018, pág. 167/186

Claims

Reivindicações

1. Método de agendamento de satélites (1), caracterizado por compreender:

a) Produzir planos de agendamento iniciais (105), com base em solicitações de entrada relacionadas a tarefas a serem executadas dentro de um determinado período de tempo por um ou mais satélites de sensoreamento remoto, em que, para cada um dos referidos planos de agendamento iniciais, respectivas tarefas são agendadas, as quais não entram em conflito umas com as outras no tempo e na utilização de recursos de satélite do(s) satélite(s) de sensoreamento remoto, com cada uma das tarefas a serem executadas estando agendada em pelo menos um dos planos de agendamento iniciais;

b) Aplicar um processamento baseado em algoritmos genéticos (108) aos planos de agendamento iniciais, para produzir um plano de agendamento baseado em algoritmos genéticos que:

- é otimizado com relação aos objetivos da missão; e

- está em conformidade com determinadas restrições relacionadas aos recursos do satélite, com as tarefas a serem executadas, e com o período de tempo determinado;

c) Aplicar um processamento baseado em anelamento simulado (109) ao plano de agendamento baseado em algoritmos genéticos, para produzir um plano de agendamento baseado em anelamento simulado:

- que atenda aos objetivos de missão determinados;

- que esteja em conformidade com as restrições dadas; e

- em que um maior número de tarefas são agendadas do que no plano de agendamento baseado em algoritmos genéticos;

onde, na etapa (b), é incluída a realização de um procedimento iterativo baseado em algoritmos genéticos, compreendendo:

- em uma primeira iteração baseada em algoritmos genéticos:

- selecionar um subconjunto dos planos de agendamento iniciais com base nos objetivos da missão (202, 203); e

- aplicar técnicas de cruzamento (205), mutação (206), e elitismo (207), com base nos respectivos fatores de evolução genética predefinidos para o subconjunto selecionado dos planos de agendamento iniciais, para produzir planos de agendamento

Petição 870180071811, de 16/08/2018, pág. 168/186
2/4 evoluídos que atendam às restrições dadas;

- em cada iteração baseada em algoritmos genéticos, após a primeira iteração:

- selecionar, com base nos objetivos da missão determinados, um subconjunto dos planos de agendamento evoluídos produzidos na iteração baseada em algoritmos genéticos precedente (202, 203); e

- aplicar as técnicas de cruzamento (205), mutação (206) e elitismo (207) ao subconjunto selecionado do planos de agendamento evoluídos produzidos na iteração baseada em algoritmos genéticos precedente, para produzir novos planos de agendamento evoluídos que atendam às restrições dadas;

com a mencionada etapa (b) incluindo ainda:

- parar de executar o procedimento iterativo baseado em algoritmos genéticos, quando determinados critérios de parada relacionados a algoritmos genéticos forem atendidos (208, 209); e

- selecionar automaticamente, dentre os planos de agendamento evoluídos produzidos na última iteração baseada em algoritmos genéticos realizada, aquele que melhor se ajusta aos objetivos da missão determinados;

com o método de agendamento de satélites (1) incluindo ainda:

- computar uma matriz de intersecção (103) representando os conflitos no tempo e na utilização dos recursos de satélite das tarefas a serem realizadas dentro do período de tempo determinado;

- computar a Complexidade de Plano (103) com base na matriz de intersecção; e

- computar os determinados critérios de parada relacionados a algoritmos genéticos, com base na matriz de intersecção (104, 104a);

e com os planos de agendamento iniciais sendo produzidos com base na matriz de intersecção (105).

2. Método de agendamento de satélites, de acordo com a reivindicação 1, caracterizado por a etapa (c) incluir a realização de um procedimento iterativo baseado em anelamento simulado compreendendo:

- em uma primeira iteração baseada em anelamento simulado:

- selecionar, de acordo com uma ou mais funções de probabilidade predefinidas,

Petição 870180071811, de 16/08/2018, pág. 169/186
3/4 uma tarefa não agendada no plano de agendamento baseado em algoritmos genéticos (302);

- identificar uma vizinhança da tarefa selecionada (303), com a vizinhança identificada incluindo um conjunto de tarefas conflitantes não agendadas no plano de agendamento baseado em algoritmos genéticos;

- realizar permutações das tarefas conflitantes na vizinhança identificada (304);

- aplicar uma técnica de anelamento simulado (305, 306, 307, 308) aos resultados das permutações realizadas, para encontrar tarefas que:

- não estão agendadas no plano de agendamento baseado em algoritmos genéticos;

- são agendáveis juntamente com as tarefas já agendadas no referido plano de agendamento baseado em algoritmos genéticos;

- adequam-se aos objetivos da missão determinados; e

- cumprem com as restrições dadas;

- produzir um plano de agendamento incluindo as tarefas encontradas;

- em cada iteração baseada em anelamento simulado, após a primeira iteração:

- selecionar, de acordo com a(s) função(funções) de probabilidade predefinida(s), uma outra tarefa não agendada no plano de agendamento produzido na iteração anterior baseada em anelamento simulado (302);

- identificar uma vizinhança da tarefa adicional (303) selecionada, em que a vizinhança identificada inclui um conjunto de tarefas conflitantes não agendadas no plano de agendamento produzido na iteração anterior baseada em anelamento simulado;

- realizar permutações das tarefas conflitantes na vizinhança identificada (304);

- aplicar a técnica de anelamento simulado (305, 306, 307, 308) aos resultados das permutações realizadas, para encontrar tarefas que:

- não estão agendadas no plano de agendamento produzido na iteração anterior baseada em anelamento simulado;

- são agendáveis juntamente com as tarefas já agendadas no referido plano de agendamento produzido na iteração anterior baseada em anelamento simulado;

- se ajustam aos objetivos da missão determinados; e

Petição 870180071811, de 16/08/2018, pág. 170/186
4/4

- cumprem com as restrições dadas;

- produzir um novo plano de agendamento, incluindo as tarefas encontradas;

com a etapa (c) incluindo ainda a interrupção da execução do procedimento iterativo baseado em anelamento simulado, quando determinados critérios de parada relacionados ao anelamento simulado forem atendidos (309,310); e com o plano de agendamento baseado em anelamento simulado sendo o plano de agendamento produzido na última iteração baseada em anelamento simulado realizada.

3. Método de agendamento de satélites, de acordo com a reivindicação 2, caracterizado por incluir ainda a computação dos determinados critérios de parada relacionados ao anelamento simulado, com base na matriz de intersecção (104, 104b).

4. Método de agendamento de satélites, de acordo com qualquer uma das reivindicações precedentes, caracterizado por os objetivos de missão determinados serem matematicamente representados por uma função de custo global calculada com base em diversas funções de custo local baseadas nas restrições dadas.
5. Um sistema de processamento (4) para sistemas de Observação da Terra, incluindo um ou mais satélites de sensoreamento remoto, caracterizado por o referido sistema de processamento (4) ser programado para executar o método de agendamento de satélites (1) conforme reivindicado em qualquer uma das reivindicações anteriores.
6. Produto de programa de software, caracterizado por compreender uma ou mais porções de código de software que são executáveis por um sistema de processamento, de modo a fazer com que, quando executado, o referido sistema de processamento execute o método de agendamento de satélites (1) conforme reivindicado em qualquer uma das reivindicações 1 a 4.