CN101975946A - 采用病毒进化遗传算法进行多星任务规划的搜索处理方法 - Google Patents

Abstract

本发明公开了一种采用病毒进化遗传算法进行多星任务规划的搜索处理方法，该处理方法以成像序列和数传序列作为染色体编码，在遗传进化的基础上，引入了病毒操作机制，通过病毒感染和删减的操作横向传递进化解的局部搜索，实现了全局搜索与局部搜索的结合，压缩的搜索空间，避免了最优可行解的丢失，提高了多星任务规划的效率。

Description

采用病毒进化遗传算法进行多星任务规划的搜索处理方法

技术领域

本发明涉及一种卫星任务的调度，更特别地说，是指一种对多星任务规划的调度，该调度的方式采用了病毒进化遗传算法进行多星任务规划的搜索。

背景技术

随着卫星种类、数量的不断增多以及成像任务需求日益复杂，多星任务规划生成的可行规划方案(也称为可行解，或称调度方式)规模越来越庞大。可行解的好坏直接关系到能否充分发挥遥感卫星的能力，因此一直是各个航天大国研究的热点。

目前，可见光遥感卫星和合成孔径雷达卫星是比较常见的两种遥感卫星，通过对这两种卫星的成像方式、遥感器的性能特点、以及使用约束条件的分析，归纳得到了卫星资源的约束条件，该约束条件如下表所示：

在卫星任务规划中，星载遥感器约束、卫星使用约束、数据存储与下传约束及中继约束等各类约束最终限制的就是卫星资源与地面目标的“可视时间窗口”。只有在满足上述约束条件的可视时间窗口内，卫星才能对目标实施成像，成像数据才能被卫星下传至地面接收站。

地面系统控制遥感卫星对地(包括陆地和海洋)成像时，必须确保实施成像的卫星与被成像的地球目标在可见的时间窗口内，而且必须满足卫星和地面系统的各种运行约束条件。因此，遥感卫星任务规划问题可以看作具有时间窗口限制的约束满足优化问题。

遥感卫星任务规划问题的复杂性主要表现在两个方面：一是由于卫星的成像能力日益增强，不但同类型卫星数量增多、功能增强，而且新类型的卫星也不断出现，这带来了诸如多型卫星约束条件归一化、多星多站冲突消解、多准则目标函数设计等一系列规划模型构建新问题；二是相对于卫星能力，目标数量比较庞大。这样，多星多任务的遥感卫星成像方案就会呈现海量的任务规划组合，这就需要更加高效的求解算法搜索出满足约束条件的可行解，因此本发明公开了一种采用病毒进化遗传算法进行多星任务规划的处理方法。

发明内容

本发明的目的是提出一种采用病毒进化遗传算法进行多星任务规划的处理方法，该处理方法以成像序列和数传序列作为染色体编码，在遗传进化的基础上，引入了病毒操作机制，通过病毒感染和删减的操作横向传递进化解的局部搜索，实现了全局搜索与局部搜索的结合，压缩的搜索空间，避免了最优可行解的丢失，提高了多星任务规划的效率。

本发明的一种采用病毒进化遗传算法进行多星任务规划的处理方法，该处理方法包括下列处理步骤：

步骤一：将满足约束条件的多星任务规划生成的任意一个可行解I看成是一个染色体，该染色体中只有成像基因C和数传基因S；

步骤二：依据遗传传递关系 $\mathrm{fithost}=\left\{\begin{array}{cc}\left(\mathrm{\Σ}{C}_j\right)\left(I\right)+C_{\max }\left(I\right)& I\∈\mathrm{\Ψ}\\ B+T+\mathrm{\π}{C}_j\left(M\right)& \mathrm{else}\end{array}\right.$ 获取所述染色体的适应度，简称为第一适应度；

步骤三：病毒进化操作

(A)采用一个病毒感染率P_in对步骤一的染色体中的成像基因C和数传基因S分别进行病毒感染，生成一个病毒染色体；

(B)对病毒染色体采用遗传传递关系 $\mathrm{fithost}=\left\{\begin{array}{cc}\left(\mathrm{\Σ}{C}_j\right)\left(I\right)+C_{\max }\left(I\right)& I\∈\mathrm{\Ψ}\\ B+T+\mathrm{\π}{C}_j\left(M\right)& \mathrm{else}\end{array}\right.$ 获取该病毒染色体的适应度，简称为第二适应度；

(C)判断第二适应度与第一适应度的大小，如果第二适应度小于第一适应度，则用病毒染色体替换步骤一的染色体去感染下一个染色体；如果第二适应度大于等于第一适应度，则用病毒染色体去感染下一个染色体；

(D)重复执行(A)～(C)步直至当前获得的病毒染色体的适应度小于0时，病毒进化操作结束。

步骤四：病毒删减

将病毒染色体中的被感染的基因用一个通配符η代替，生成第三染色体；该第三染色体将作为多星任务规划时的搜索对象。

本发明的基于病毒进化遗传算法的多星任务规划处理方法的优点在于：

①对多星任务规划满足约束条件的可行解看着是一个染色体，然后应用病毒传递理论进行病毒感染。

②将感染了病毒的染色体中的基因采用通配符代替，减少了可行解中已被处理的序列，因此提高了搜索速度。

具体实施方式

下面将结合附图和实施例对本发明做进一步的详细说明。

在本发明的多星任务规划的处理过程中，借鉴了病毒进化理论，在病毒进化理论中病毒是一种特有的生物，具有一种特有的感染功能，它能获得一个个体的染色体基因，并感染给另一个个体，使得该另一个个体的部分或者全部染色体基因发生相应的变化，从而改变该另一个个体的遗传信息。这种遗传信息又通过遗传传递给下一代，从而大大加速了生物的进化换代。

在本发明中，将卫星任务规划生成的可行解看着是一个染色体，该染色体中的元素看着是病毒基因。

在多星任务规划中，一个有效的可行解I(参见刘洋等撰写的“基于约束满足的多卫星调度模型研究”，系统工程与电子技术，2004，26(8)：107621079)包括有成像动作序列C、数传动作序列S、成像动作序列C对应的卫星成像开关机时间T_C和数传动作序列S对应的卫星数传开关机时间T_S，采用数学表达形式记为I＝{C，S，T_C，T_S}。本发明的采用病毒进化遗传算法只针对成像动作序列C和数传动作序列S进行病毒进化操作。因此，从病毒进化操作中出可以将成像动作序列C称作成像基因，数传动作序列S称作数传基因。当确定了可行解I＝{C，S，T_C，T_S}中的成像动作序列C和数传动作序列S后，卫星成像开关机时间T_C和卫星数传开关机时间T_S得以确定，则有一个可行解I＝{C，S，T_C，T_S}对应有唯一的一个染色体。在这个染色体中C和S就是它的基因。

本发明是一种采用病毒进化遗传算法进行多星任务规划的处理方法，该处理方法包括下列处理步骤：

步骤一：将满足约束条件的多星任务规划生成的任意一个可行解I看成是一个染色体，该染色体中只有成像基因C和数传基因S；

步骤二：依据遗传传递关系 $\mathrm{fithost}=\left\{\begin{array}{cc}\left(\mathrm{\Σ}{C}_j\right)\left(I\right)+C_{\max }\left(I\right)& I\∈\mathrm{\Ψ}\\ B+T+\mathrm{\π}{C}_j\left(M\right)& \mathrm{else}\end{array}\right.$ 获取所述染色体的适应度，简称为第一适应度；

步骤三：病毒进化操作

(A)采用一个病毒感染率P_in对步骤一的染色体中的成像基因C和数传基因S分别进行病毒感染，生成一个病毒染色体；

(B)对病毒染色体采用遗传传递关系 $\mathrm{fithost}=\left\{\begin{array}{cc}\left(\mathrm{\Σ}{C}_j\right)\left(I\right)+C_{\max }\left(I\right)& I\∈\mathrm{\Ψ}\\ B+T+\mathrm{\π}{C}_j\left(M\right)& \mathrm{else}\end{array}\right.$ 获取该病毒染色体的适应度，简称为第二适应度；

(C)判断第二适应度与第一适应度的大小，如果第二适应度小于第一适应度，则用病毒染色体替换步骤一的染色体去感染下一个染色体；如果第二适应度大于等于第一适应度，则用病毒染色体去感染下一个染色体；

(D)重复执行(A)～(C)步直至当前获得的病毒染色体的适应度小于0时，病毒进化操作结束。

因此，病毒感染操作的作用在于，用部分活动的资源向量替换多卫星任务规划得到的可行解的活动的资源向量，利用局部搜索方式有效地提高了多星任务规划中可行解的获取效率，同时也提高了在全局搜索条件下的搜索可行解的速度。

所述的病毒感染率P_in是一个百分数，这个百分数可以设定为0.1％、0.5％、5％或者30％等。具体地说，一个染色体中的成像基因C和数传基因S分别按病毒感染率P_in去感染另一个染色体。

步骤四：病毒删减

将每一个病毒染色体中的被感染的基因用一个通配符代替，生成第三染色体。这个第三染色体将作为多星任务规划时的搜索对象。

所述的通配符是任意设定的，可以采用如a、b、c或者η等符号形式。在数据统计领域中，这是一个常用手段，其目的是为了减少在运算中对不活动的或者不需用的数进行省略的方式。

在本发明中，病毒删减操作的作用在于，减少染色体中一个已有的资源向量M的数量，从而降低在搜索过程中的进化计算能力。

在本发明的步骤二中，所述的遗传传递关系 $\mathrm{fithost}=\left\{\begin{array}{cc}\left(\mathrm{\Σ}{C}_j\right)\left(I\right)+C_{\max }\left(I\right)& I\∈\mathrm{\Ψ}\\ B+T+\mathrm{\π}{C}_j\left(M\right)& \mathrm{else}\end{array}\right.$ 式中各字母的物理意义为：

(∑C_j)(I)表示可行解I对应的完成成像任务需要消耗的星地资源C_j，称为任务成本；

C_max(I)表示多星任务规划在完成可行解I时所需的任务周期；

Ψ表示多星任务规划的约束条件；

I∈Ψ表示可行解I满足这个约束条件；

else表示可行解I不属于这个约束条件；

B表示多星任务规划的最大成本；

T表示多星任务规划的最长周期；

π表示一个常数，设置为10～70之间的一个整数；

C_j(M)表示可行解I的染色体向量M对星地资源C_j的超出额度。

在本发明中，依据 $\mathrm{fithost}=\left\{\begin{array}{cc}\left(\mathrm{\Σ}{C}_j\right)\left(I\right)+C_{\max }\left(I\right)& I\∈\mathrm{\Ψ}\\ B+T+\mathrm{\π}{C}_j\left(M\right)& \mathrm{else}\end{array}\right.$ 可知，可行解I在满足星地资源C_j约束条件下，其适应度fithost可以保证在目标成本大小相差不大的情况下选择时间最短的可行规划方案。适应度fithost体现了卫星任务调度方案的一个解的优劣程度，而(∑C_j)(I)直接体现了染色体向量M的优劣程度。

在本发明中，步骤三的病毒感染是利用病毒基因替换当前染色体中相应的数传基因或者成像基因，从而产生一个新的染色体；然后再用这个新的染色体去感染下一个染色体中相应的数传基因或者成像基因，从而产生再一个新的染色体；直至染色体的适应度小于0时，病毒进化操作结束。

本发明提出的采用病毒进化遗传算法进行多星任务规划的处理方法，能够在最短的时间内，在满足各种约束条件的海量的可行解中获得最优解，具有很强的搜索性能。

Claims (3)

1.一种采用病毒进化遗传算法进行多星任务规划的搜索处理方法，其特征在于该处理方法包括下列处理步骤：

步骤一：将满足约束条件的多星任务规划生成的任意一个可行解I看成是一个染色体，该染色体中只有成像基因C和数传基因S；

步骤二：依据遗传传递关系 $\mathrm{fithost}=\left\{\begin{array}{cc}\left(\mathrm{\Σ}{C}_j\right)\left(I\right)+C_{\max }\left(I\right)& I\∈\mathrm{\Ψ}\\ B+T+\mathrm{\π}{C}_j\left(M\right)& \mathrm{else}\end{array}\right.$ 获取所述染色体的适应度，简称为第一适应度；

步骤三：病毒进化操作

(A)采用一个病毒感染率P_in对步骤一的染色体中的成像基因C和数传基因S分别进行病毒感染，生成一个病毒染色体；

(B)对病毒染色体采用遗传传递关系 $\mathrm{fithost}=\left\{\begin{array}{cc}\left(\mathrm{\Σ}{C}_j\right)\left(I\right)+C_{\max }\left(I\right)& I\∈\mathrm{\Ψ}\\ B+T+\mathrm{\π}{C}_j\left(M\right)& \mathrm{else}\end{array}\right.$ 获取该病毒染色体的适应度，简称为第二适应度；

(C)判断第二适应度与第一适应度的大小，如果第二适应度小于第一适应度，则用病毒染色体替换步骤一的染色体去感染下一个染色体；如果第二适应度大于等于第一适应度，则用病毒染色体去感染下一个染色体；

(D)重复执行(A)～(C)步直至当前获得的病毒染色体的适应度小于0时，病毒进化操作结束。

步骤四：病毒删减

将病毒染色体中的被感染的基因用一个通配符η代替，生成第三染色体；该第三染色体将作为多星任务规划时的搜索对象。

2.根据权利要求1所述的采用病毒进化遗传算法进行多星任务规划的搜索处理方法，其特征在于：步骤一、步骤二和步骤三的处理为多星任务规划中在满足约束条件下的全局搜索。

3.根据权利要求1所述的采用病毒进化遗传算法进行多星任务规划的搜索处理方法，其特征在于：步骤四的处理为多星任务规划中在满足约束条件下的局部搜索。