CN103345504A - 单星调度的算子构建方法 - Google Patents

单星调度的算子构建方法 Download PDF

Info

Publication number
CN103345504A
CN103345504A CN2013102767757A CN201310276775A CN103345504A CN 103345504 A CN103345504 A CN 103345504A CN 2013102767757 A CN2013102767757 A CN 2013102767757A CN 201310276775 A CN201310276775 A CN 201310276775A CN 103345504 A CN103345504 A CN 103345504A
Authority
CN
China
Prior art keywords
task
time
observation
window
conflict
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2013102767757A
Other languages
English (en)
Other versions
CN103345504B (zh
Inventor
贺仁杰
孙凯
刘晓路
李菊芳
陈成
邢立宁
杨振宇
张忠山
姚锋
刘嵩
任必虎
张炜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN201310276775.7A priority Critical patent/CN103345504B/zh
Publication of CN103345504A publication Critical patent/CN103345504A/zh
Application granted granted Critical
Publication of CN103345504B publication Critical patent/CN103345504B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种单星调度的算子构建方法，具体步骤如下：（1）基于任务集的分布形式构建问题分类器，对单星调度子问题进行分类；（2）构建蚁群算法引擎；（3）由问题分类-算子设计规则-得分三元组构建问题算子知识库，所述问题算子知识库，记录每种算子设计在求解每类问题时的历史绩效，从而为今后新的具体问题的求解提供算子设计决策支持。本发明所公开的单星调度的算子构建方法，具有保证解的质量的条件下求解的效率高的优点。

Description

单星调度的算子构建方法
技术领域
本发明涉及航空航天成像卫星调度技术领域，尤其涉及一种单星调度的算子构建方法。
背景技术
近年来，我国航天技术发展迅猛，航天技术开始从国防军事领域迅速向民用航天领域扩展，我国拥有的卫星数目急剧增多，卫星的研制和生产开始步入批量化阶段。卫星调度问题简要描述如下：给定一组对地观测卫星和地面目标，每个地面目标有各自的观测收益，卫星轨道参数已知，与地面目标间的可见时段可以通过数据预处理得到。卫星对地面目标的观测动作必须在可见时间窗内执行。卫星在执行一个观测任务到下一个观测任务之间必须具备足够的转换时间，在一个规划周期内，卫星对地面目标的可见时间窗可能有多个，但一个飞行圈次内只有一个可见时间窗。卫星不具备同时观测多个地面目标的能力，地面目标最多只能被其中一颗卫星在一个可见时间窗内观测。调度的结果是要为选择观测目标提供决策。敏捷卫星具有三维观测自由度，与传统的非敏捷卫星相比多了俯仰和偏航两个自由度。俯仰加长了卫星与观测目标的可见时间窗，因此与一般的卫星调度问题相比，决策变量不仅为所选的任务集，还要确定具体的观测时间，使得敏捷卫星的求解更为困难。
此外，卫星资源是一种稀缺资源，无论是静态调度还是动态调度，都是在资源给定的情况下进行的，也就是在调度时每种资源的数量已经确定了。这就提出了卫星资源配置方式的问题，要求能够更准确的对卫星进行调度，提高卫星的资源利用率。
因此，提供一种保证解的质量的条件下求解的效率高的单星调度的算子构建方法是本领域技术人员亟需解决的技术问题。
发明内容
本发明的目的是提供一种保证解的质量的条件下求解的效率高的单星调度的算子构建方法。
为了实现上述目的，本发明提供一种单星调度的算子构建方法，该方法的具体步骤如下：
（1）基于任务集的分布形式构建问题分类器，对单星调度子问题进行分类，分为均匀分布和块状分布；
（2）设定问题域和构建规则库，并在此基础上通过搜索技术的合理嵌套提高求解性能，从而完成蚁群算法引擎的构建；
（3）由问题分类-算子设计规则-得分三元组构建问题算子知识库，所述问题算子知识库，记录每种算子设计在求解每类问题是的历史绩效，从而为今后新的具体问题的求解提供算子设计决策支持。
优选地，所述步骤（2）中，蚁群算法引擎的构建具体如下：
1）设定问题域：
（A） 问题参数
Figure 528704DEST_PATH_IMAGE001
      数据采集任务集合；
    任务
Figure 846739DEST_PATH_IMAGE003
的时间窗（
Figure 702699DEST_PATH_IMAGE004
）；
Figure 806922DEST_PATH_IMAGE005
    任务
Figure 556572DEST_PATH_IMAGE003
的开始时间（
Figure 822468DEST_PATH_IMAGE004
）；
Figure 431304DEST_PATH_IMAGE006
   任务
Figure 198272DEST_PATH_IMAGE003
的结束时间（
Figure 208953DEST_PATH_IMAGE004
）；
Figure 645751DEST_PATH_IMAGE007
     任务
Figure 741883DEST_PATH_IMAGE003
的准备就绪时间（
Figure 781383DEST_PATH_IMAGE008
）；
Figure 912150DEST_PATH_IMAGE009
     任务
Figure 519849DEST_PATH_IMAGE003
的持续时间（
Figure 103277DEST_PATH_IMAGE008
）；
Figure 946468DEST_PATH_IMAGE010
     任务
Figure 931741DEST_PATH_IMAGE003
到任务
Figure 710342DEST_PATH_IMAGE011
的转换时间（
Figure 781066DEST_PATH_IMAGE008
）；
Figure 427948DEST_PATH_IMAGE012
执行观测任务
Figure 267728DEST_PATH_IMAGE003
的效益（
Figure 217229DEST_PATH_IMAGE013
）；
（B） 决策变量
:     连续执行任务
Figure 960243DEST_PATH_IMAGE003
，
Figure 123371DEST_PATH_IMAGE011
时取1，否则取0；
Figure 774933DEST_PATH_IMAGE015
:     任务
Figure 413724DEST_PATH_IMAGE003
被执行时取1，否则取0；
Figure 808933DEST_PATH_IMAGE016
:     任务的实际开始执行时间（
Figure 914610DEST_PATH_IMAGE008
）；
（C） 优化目标
本文研究的单星调度问题时只考虑效益最大化的优化目标：
Figure 775118DEST_PATH_IMAGE017
（D） 问题约束
       
Figure 708439DEST_PATH_IMAGE018
其中，（2-1）表示任务最多只能被卫星观测一次，（2-2）表示卫星在完成一个任务后将继续移动执行下一个任务，结合式（2-1）可知，此调度为链式调度，（2-3）表示一旦一个任务被选择，则该任务的开始执行时间要在时间窗开始之后，（2-4）表示一旦一个任务被选择，则该任务的执行结束时间要在时间窗结束之前，（2-3）和（2-4）共同表明被调度的任务必须完整地在一个时间窗内执行，（2-5）表示一个任务的执行必须在其准备就绪后才能开始，（2-6）和（2-7）是变量的01约束；
2）构建规则库
构建规则库主要是针对可行解构造和信息素更新两个算子进行设计，其中可行解构造又分为观察任务序的生成和观察时间的确定，具体如下：
（E）可行解构造：
可行解构造阶段不仅仅是任务选择的过程还要对观测的时间进行具体的确定，可行解的构造分为两个阶段，第一阶段是生成任务的序，第二阶段则是具体确定观测时间：
（a）任务序的生成：
（Ⅰ）启发因子的设计：
将任务的优先级作为启发信息的重要部分，其中，单独的定义优先级为启发信息，得到第一种启发因子定义方式即为
Figure 846160DEST_PATH_IMAGE019
；
在启发因子中加入时间窗的冲突信息，并使用“拥挤度”和“机会损失”来衡量时间窗的冲突，所述拥挤度是指机会窗口的选择会受已安排观测的机会窗口的影响，后添加的窗口不能与已安排的窗口产生观测冲突，同时插入一个新的窗口会对其他未安排的窗口产生影响，该影响即为“机会损失”，由此，可以得到时间窗冲突度的一个定量的衡量方法，把机会窗口的冲突分为与已安排观测的机会窗口的冲突，即拥挤度记为，与未安排观测的机会窗口的冲突情况，即机会损失记为
Figure 187328DEST_PATH_IMAGE021
，则可以定义窗口冲突的启发信息为：
Figure 189919DEST_PATH_IMAGE022
；
接下来要具体介绍几种冲突度的计算方法，在此之前，先对几个定义进行介绍：时间窗交叉：若
Figure 182146DEST_PATH_IMAGE023
在
Figure 346411DEST_PATH_IMAGE024
之前（按时间窗的起点排序），与
Figure 722215DEST_PATH_IMAGE024
交叉的定义为：
Figure 568948DEST_PATH_IMAGE025
；观测冲突：时间窗
Figure 169694DEST_PATH_IMAGE026
与已安排观测的任务i存在观测冲突定义为：
Figure 226511DEST_PATH_IMAGE027
；
从而机会损失
Figure 570905DEST_PATH_IMAGE028
，其中 为未安排观测的时间窗集合，
Figure 43792DEST_PATH_IMAGE030
；
拥挤度
Figure 853485DEST_PATH_IMAGE031
最后，考虑到多时间窗带来的影响，对于一个优先级较高的任务，虽然其在一个时间窗口由于冲突没法得到观测，但可以在其他窗口进行观测，那么在对冲突进行处理时可以考虑先安排优先级相对低些但只有这一个观测机会的任务，从而在启发因子中加上观测机会的影响，定义观测机会的启发信息为
Figure 735990DEST_PATH_IMAGE032
；可以得到四种启发因子的设计方案，即只有优先级信息，优先级信息+窗口冲突信息，优先级信息+观测机会信息，优先级信息+窗口冲突信息+观测机会信息这四种设计；
（Ⅱ）概率选择机制的设计
基于轮盘赌的随机比例概率选择策略和伪随机概率选择机制设计概率选择机制如下：
根据标准蚁群算法的设计思路每只蚂蚁是根据随机比例的概率选择机制来选择下一节点的，如蚂蚁k在节点i根据式（2-8）选择下一节点j，
Figure 557316DEST_PATH_IMAGE033
      
而伪随机比例的概率选择机制则是设定一个概率
Figure 234285DEST_PATH_IMAGE034
，让蚂蚁以
Figure 265694DEST_PATH_IMAGE034
的选择概率将最大可能的候选点选入路径中，同时不失随机性优化方法的特征，以
Figure 420732DEST_PATH_IMAGE035
的概率采用随机比例的概率选择机制，具体实现思路如（2-9）所示：
         
Figure 627723DEST_PATH_IMAGE036
                   
其中S代表随机比例概率选择机制；
（b）确定观测时间
在生成序之后，对于观测时间的确定，具有两种策略：
一种是基于最早观测的启发式规则，即在不与已调度任务产生冲突的前提下确定时间窗内最早可以安排观测的时间为实际的执行时间；另一种基于后移空余时间的动态调整的时间确定方法； 
所谓后移空余时间就是在不导致任务序列中任何任务违反时间窗约束的情况下，任务i的最大可以推迟执行的时间，以数学公式的形式来表达就是：
Figure 334648DEST_PATH_IMAGE037
其中，
Figure 259878DEST_PATH_IMAGE038
表示任务i在任务序列
Figure 953028DEST_PATH_IMAGE039
中的后移空余时间， 表示任务
Figure 157930DEST_PATH_IMAGE041
的时间窗结束时间，
Figure 304878DEST_PATH_IMAGE042
表示任务i的开始执行时间，
Figure 801718DEST_PATH_IMAGE043
表示任务i的执行持续时间，
Figure 588495DEST_PATH_IMAGE044
表示任务l-1到l的转换时间；
由后移空余时间的概念可以得到当任务i的准备完成时间推迟
Figure 43747DEST_PATH_IMAGE045
后，等待时间与后移空余时间的总和会推迟
Figure 412411DEST_PATH_IMAGE045
的时间，即
Figure 978522DEST_PATH_IMAGE046
其中
Figure 608086DEST_PATH_IMAGE047
表示任务j的等待时间；
将u插入i和i+1之间情况下，记u的后移空余时间为
Figure 703081DEST_PATH_IMAGE048
，注意到插入任务u后，会使任务i+1的准备就绪时间后移，所以不难推出
其中，
Figure 787898DEST_PATH_IMAGE050
Figure 944073DEST_PATH_IMAGE051
所述基于后移空余时间的动态确定时间的方式就是在每次考虑将一个任务插入到已调度序列时，考虑是否可以通过对已调度序列进行微调使得任务可以插入，将上述两种方法结合起来，即先用最早观测的启发式规则确定观测时间，再基于后移空余时间对解进行改进，也就是通过对调度序列的调整，考虑插入未被调度的任务；
（F）信息素更新
（c）基本的信息素更新策略
蚂蚁每走完一步或是完成一次循环后就会对边上的信息素进行更新，更新策略如（2-10）所示；   
Figure 818805DEST_PATH_IMAGE053
                                        
其中
Figure 320193DEST_PATH_IMAGE054
根据更新策略采用蚁周系统的更新策略
；
（d）保护精英个体的更新策略
保护精英个体的更新策略是借鉴了遗传算法的精英策略思想，在信息素的更新规则上，给予当前最优解额外的信息素补充，以增强最优解在下次循环中的引导作用，加快收敛速度，其信息素按如下规则更新：
  
Figure 767672DEST_PATH_IMAGE056
其中，
Figure 168884DEST_PATH_IMAGE058
Figure 299651DEST_PATH_IMAGE059
；
（e）仅全局最优进行更新的策略：
为了加速收敛速度，该种策略只对每次迭代的最优解进行信息素更新，更新规则如（2-12）所示；
  
Figure 907349DEST_PATH_IMAGE060
其中，
Figure 818674DEST_PATH_IMAGE061
其中为当前循环中所求得的最优路径解，同时，这种更新策略下还定义了局部更新策略，即针对所有的蚂蚁，在每步转移后都会按如下规则进行局部的信息素更新，
  
Figure 788084DEST_PATH_IMAGE063
                                                                  
其中，
Figure 97842DEST_PATH_IMAGE064
，
Figure 496463DEST_PATH_IMAGE065
为常数；
（f）最优最差蚂蚁的信息素更新策略：
为进一步加速收敛速度，在蚁群系统的基础上对最差的蚂蚁进行了额外的信息素的缩减，如下所示，
Figure 549869DEST_PATH_IMAGE066
其余的信息素更新策略与蚁群算法完全相同；
（g）设置最大最小信息素的策略：
上述几种改进均是针对加速收敛速度设计的，但没有对局部收敛问题进行了很好的处理，最大最小蚂蚁系统通过引入
Figure 858491DEST_PATH_IMAGE067
和
Figure 339151DEST_PATH_IMAGE068
较好的避免了算法过早的收敛于局部最优解，具体实现思路如下：将各条路径上的信息素限制于
Figure 490646DEST_PATH_IMAGE069
，若信息素小于
Figure 82165DEST_PATH_IMAGE068
，则将其强制变为
Figure 510872DEST_PATH_IMAGE068
，若信息素大于
Figure 162433DEST_PATH_IMAGE067
，则将其强制变为
Figure 535646DEST_PATH_IMAGE067
；
3）搜索技术的选择与设计：
为了加速算法的收敛性，选择局部搜索算子为该引擎的的搜索算子，局部搜索的基本思想是从某个初始解开始，以迭代的方式反复尝试当前解的邻域，以寻找更好的解来代替当前解，采用局部搜索技术来优化得到的粗糙解可以加速蚁群算法的收敛。
与现有技术相比，本发明所提供的单星调度的算子构建方法，具有以下优点：
1、在任务问题分析的基础上，将单星调度子问题进行分类，从而可以根据子问题的不同设置不同的约束条件，从而提高求解精度；
2、通过设定问题域和构建规则库，并在此基础上通过搜索技术的合理嵌套提高求解性能；在构建规则库时，设计可行解构造和信息素更新，在可行解构造中，根据卫星特点，将观察任务和观察时间综合进行考虑，并针对不同情况设计多种信息素更新策略，从而在保证解的质量的条件下提高求解的效率；
3、设计由（问题分类-算子设计规则-得分）三元组构成的问题算子知识库，记录每种算子设计在求解每类问题时的历史绩效，从而为今后新的具体问题的求解提供算子设计决策支持。
综上所述，本发明所提供的单星调度的算子构建方法，保证解的质量的条件下求解的效率高。
附图说明
图1是单星调度的算子框架示意图；
图2是卫星调度问题的对象和属性示意图；
图3是卫星调度问题的分类模型示意图；
图4是蚁群算法引擎示意图；
图5是求解敏捷卫星的规则库示意图。
具体实施方式
本发明的目的是提供一种保证解的质量的条件下求解的效率高的单星调度的算子构建方法。
为了使本领域技术人员更好地理解本发明的技术方案，下面结合附图对本发明进行详细描述，本部分的描述仅是示范性和解释性，不应对本发明的保护范围有任何的限制作用。
在一种实施例中，如图1所示，单星调度的算子构建框架由问题分类器，算法引擎和问题算子知识库构成。算法引擎是推荐框架的核心部件，提供算子运行的逻辑环境，并支持问题、算法和决策者信息的交流。本实施中以蚁群算法为例来设计蚁群算法引擎，即用蚁群算法的迭代框架作为算子运行的逻辑环境，并通过问题域和规则库实现问题、算法和决策者知识的交流与融合。问题分类器是算法引擎的输入，是根据对问题特征的抽取进行构建的，如对于任务分配问题，根据卫星能力的不同可以分为容量过载问题，能量过载问题，能量和容量均过载问题，能量和容量均不过载问题。对于一个具体的问题，首先通过问题分类器进行归类，然后利用算法引擎进行求解，求解过程中根据问题算子知识库中记录的同一类型问题的历史求解算子的不同绩效，实现求解该问题的算子的快速选择。所谓问题算子知识库是由（问题分类-算子设计规则-得分）三元组构成，记录每种算子设计在求解每类问题是的历史绩效，从而为今后新的具体问题的求解提供算子设计决策支持。
如图2所示，问题模型的建立要明确问题要求中涉及的所有对象，并分析所涉及对象的属性和对象间的关系。而卫星调度问题涉及的对象包括卫星资源和任务两大类，对象的属性和关系就对应于调度的各种约束，其中任务信息中的需求时间信息是指用户对信息的需求时间范围，图像质量需求包括图像类型、分辨率和最小数据量需求，结合卫星采集速率即可确定卫星对任务的最小成像时间。卫星信息中的姿态机动能力包括最大侧摆能力，敏捷卫星还包括俯仰侧摆的能力。能量供应信息包括单圈最大开机次数，最大成像时间等需求。配对信息中的成像时间需求包括卫星对任务的可见时间窗以及最小成像时间需求，观测角度需求包括根据预处理的结果得到的卫星对任务的侧摆信息以及规划结果中卫星对任务的俯仰信息。
基于对调度问题对象的分析，可以对调度问题进行分类。依据分解优化的思想，问题分类模型的建立也是基于双层来考虑的。第一阶段的任务分配问题的分类是从存储容量和能量方面根据卫星能力和任务需求的供需关系进行分类。第二阶段的单星调度子问题是从姿态机动角度将卫星分为敏捷卫星和非敏捷卫星，对于一个确定的卫星调度问题则是进一步的根据任务的分布情况将其分解为均匀分布和块状分布两类。基于这种分解优化的思想得到问题分类模型如图 3所示。其中卫星能力有很多方面，在本文中只考虑最基本的四种能力指标，载荷类型（常见的有可见光，红外，SAR），分辨率，容量限制和能量的限制。对于成像卫星任务的需求主要体现在对图像类型和成像质量的需求，成像质量的需求体现为对执行该任务的分辨率和观测角度的需求。在第一阶段的任务分配问题中主要是根据图像的成像类型和质量要求进行分配。根据图像对数据量的需求和卫星容量和能量能力的匹配情况可以将任务分配问题分为能量过载、容量过载，能量和容量均不过载，能量和容量均过载四类。对于一个特定的调度器而言，其分类可以依据所分配的任务的分布形式进行分类求解，如分为均匀分布的任务和块状分布的任务。
蚁群算法引擎应该包括迭代框架以及与问题和决策者进行信息交流的接口。为此，本实施例中分别定义了问题域和规则库作为算法与问题和决策者交流的接口，结合蚁群算法本身提供的迭代框架，得到蚁群算法引擎的设计如图 4所示。
蚁群算法的迭代框架是模拟蚂蚁群觅食行为得到的，主要分为可行解的构造和信息素的更新两大模块。对于每一代而言，可以应用一些搜索技术来提高解的质量并加速迭代过程。也就是说，搜索技术是嵌套在迭代框架中，可以将搜索技术抽象为框架中的一个算子。而规则库的构架则是用于充实迭代框架中的各个算子的，是算子的具体实现。蚁群算法迭代框架中的主要算子包括蚂蚁位置初始化、可行解构造、解的评价搜索技术和信息素更新。相应的规则库的构建也根据算子进行分类，分为位置初始化规则集、目标选择规则集、评价规则集、搜索策略集和信息素更新方式集。问题域是算法与问题的接口，通过将问题按照上述所归纳的问题四要素进行抽象整理，从而将各式各样复杂的问题转换为算法可识别的形式。如通过对决策变量的编码可以确定蚂蚁所行走的地图形式，问题的约束定义了算法搜索的可行域，问题的优化目标则定义了算法评价的准则，问题参数会影响算法参数的确定。具体的蚁群算法的引擎如图4所示。此外，通过对问题的特征进行抽取还可以指导规则库的构建。如目标选择规则、局部搜索技术等规则的设计就要严重依赖对问题特征的抽取。
蚁群算法引擎的构建具体如下：
1）设定问题域：
（A） 问题参数
Figure 930855DEST_PATH_IMAGE001
      数据采集任务集合；
Figure 214069DEST_PATH_IMAGE070
    任务
Figure 630007DEST_PATH_IMAGE003
的时间窗（
Figure 897040DEST_PATH_IMAGE004
）；
    任务
Figure 233660DEST_PATH_IMAGE003
的开始时间（
Figure 820500DEST_PATH_IMAGE004
）；
Figure 574829DEST_PATH_IMAGE072
    任务
Figure 46262DEST_PATH_IMAGE003
的结束时间（
Figure 569647DEST_PATH_IMAGE004
）；
     任务的准备就绪时间（）；
Figure 956449DEST_PATH_IMAGE009
     任务的持续时间（）；
Figure 427247DEST_PATH_IMAGE073
     任务到任务的转换时间（）；
Figure 326753DEST_PATH_IMAGE074
执行观测任务
Figure 272712DEST_PATH_IMAGE003
的效益（）；
（B） 决策变量
Figure 122037DEST_PATH_IMAGE014
:     连续执行任务
Figure 808233DEST_PATH_IMAGE003
，时取1，否则取0；
Figure 722148DEST_PATH_IMAGE015
:     任务
Figure 116221DEST_PATH_IMAGE003
被执行时取1，否则取0；
Figure 340528DEST_PATH_IMAGE016
:     任务
Figure 261080DEST_PATH_IMAGE003
的实际开始执行时间（
Figure 279852DEST_PATH_IMAGE008
）；
（C） 优化目标
本文研究的单星调度问题时只考虑效益最大化的优化目标：
（D） 问题约束
       
其中，（2-1）表示任务最多只能被卫星观测一次，（2-2）表示卫星在完成一个任务后将继续移动执行下一个任务，结合式（2-1）可知，此调度为链式调度，（2-3）表示一旦一个任务被选择，则该任务的开始执行时间要在时间窗开始之后，（2-4）表示一旦一个任务被选择，则该任务的执行结束时间要在时间窗结束之前，（2-3）和（2-4）共同表明被调度的任务必须完整地在一个时间窗内执行，（2-5）表示一个任务的执行必须在其准备就绪后才能开始，（2-6）和（2-7）是变量的01约束；
2）构建规则库
如图5所示，构建规则库主要是针对可行解构造和信息素更新两个算子进行设计，其中可行解构造又分为观察任务序的生成和观察时间的确定，具体如下：
（E）可行解构造：
可行解构造阶段不仅仅是任务选择的过程还要对观测的时间进行具体的确定，可行解的构造分为两个阶段，第一阶段是生成任务的序，第二阶段则是具体确定观测时间：
（a）任务序的生成：
（Ⅰ）启发因子的设计：
将任务的优先级作为启发信息的重要部分，其中，单独的定义优先级为启发信息，得到第一种启发因子定义方式即为
Figure 964277DEST_PATH_IMAGE078
；
在启发因子中加入时间窗的冲突信息，并使用“拥挤度”和“机会损失”来衡量时间窗的冲突，所述拥挤度是指机会窗口的选择会受已安排观测的机会窗口的影响，后添加的窗口不能与已安排的窗口产生观测冲突，同时插入一个新的窗口会对其他未安排的窗口产生影响，该影响即为“机会损失”，由此，可以得到时间窗冲突度的一个定量的衡量方法，把机会窗口的冲突分为与已安排观测的机会窗口的冲突，即拥挤度记为
Figure 419529DEST_PATH_IMAGE079
，与未安排观测的机会窗口的冲突情况，即机会损失记为
Figure 522614DEST_PATH_IMAGE080
，则可以定义窗口冲突的启发信息为：
Figure 682200DEST_PATH_IMAGE081
；
接下来要具体介绍几种冲突度的计算方法，在此之前，先对几个定义进行介绍：时间窗交叉：若
Figure 983868DEST_PATH_IMAGE082
在
Figure 78863DEST_PATH_IMAGE083
之前（按时间窗的起点排序），
Figure 200403DEST_PATH_IMAGE082
与
Figure 163680DEST_PATH_IMAGE083
交叉的定义为：
Figure 319855DEST_PATH_IMAGE084
；观测冲突：时间窗
Figure 585751DEST_PATH_IMAGE085
与已安排观测的任务i存在观测冲突定义为：
Figure 194587DEST_PATH_IMAGE086
；
从而机会损失
Figure 695975DEST_PATH_IMAGE087
，其中 为未安排观测的时间窗集合，
Figure 143454DEST_PATH_IMAGE089
；
拥挤度
Figure 239586DEST_PATH_IMAGE090
最后，考虑到多时间窗带来的影响，对于一个优先级较高的任务，虽然其在一个时间窗口由于冲突没法得到观测，但可以在其他窗口进行观测，那么在对冲突进行处理时可以考虑先安排优先级相对低些但只有这一个观测机会的任务，从而在启发因子中加上观测机会的影响，定义观测机会的启发信息为
Figure 544666DEST_PATH_IMAGE091
；可以得到四种启发因子的设计方案，即只有优先级信息，优先级信息+窗口冲突信息，优先级信息+观测机会信息，优先级信息+窗口冲突信息+观测机会信息这四种设计；
（Ⅱ）概率选择机制的设计
基于轮盘赌的随机比例概率选择策略和伪随机概率选择机制设计概率选择机制如下：
根据标准蚁群算法的设计思路每只蚂蚁是根据随机比例的概率选择机制来选择下一节点的，如蚂蚁k在节点i根据式（2-8）选择下一节点j，
Figure 409853DEST_PATH_IMAGE092
      
而伪随机比例的概率选择机制则是设定一个概率
Figure 17552DEST_PATH_IMAGE034
，让蚂蚁以
Figure 600980DEST_PATH_IMAGE034
的选择概率将最大可能的候选点选入路径中，同时不失随机性优化方法的特征，以
Figure 709751DEST_PATH_IMAGE093
的概率采用随机比例的概率选择机制，具体实现思路如（2-9）所示：
                            
其中S代表随机比例概率选择机制；
（b）确定观测时间
在生成序之后，对于观测时间的确定，具有两种策略：
一种是基于最早观测的启发式规则，即在不与已调度任务产生冲突的前提下确定时间窗内最早可以安排观测的时间为实际的执行时间；另一种基于后移空余时间的动态调整的时间确定方法； 
所谓后移空余时间就是在不导致任务序列中任何任务违反时间窗约束的情况下，任务i的最大可以推迟执行的时间，以数学公式的形式来表达就是：
Figure 208045DEST_PATH_IMAGE095
其中，
Figure 872245DEST_PATH_IMAGE038
表示任务i在任务序列
Figure 925651DEST_PATH_IMAGE096
中的后移空余时间， 
Figure 234273DEST_PATH_IMAGE097
表示任务
Figure 714933DEST_PATH_IMAGE041
的时间窗结束时间，
Figure 866428DEST_PATH_IMAGE042
表示任务i的开始执行时间，表示任务i的执行持续时间，
Figure 621075DEST_PATH_IMAGE098
表示任务l-1到l的转换时间；
由后移空余时间的概念可以得到当任务i的准备完成时间推迟
Figure 538215DEST_PATH_IMAGE045
后，等待时间与后移空余时间的总和会推迟
Figure 911428DEST_PATH_IMAGE045
的时间，即
Figure 306637DEST_PATH_IMAGE099
其中
Figure 589851DEST_PATH_IMAGE047
表示任务j的等待时间；
将u插入i和i+1之间情况下，记u的后移空余时间为
Figure 412313DEST_PATH_IMAGE100
，注意到插入任务u后，会使任务i+1的准备就绪时间后移，所以不难推出
其中，
Figure 471722DEST_PATH_IMAGE102
Figure 602806DEST_PATH_IMAGE104
所述基于后移空余时间的动态确定时间的方式就是在每次考虑将一个任务插入到已调度序列时，考虑是否可以通过对已调度序列进行微调使得任务可以插入，将上述两种方法结合起来，即先用最早观测的启发式规则确定观测时间，再基于后移空余时间对解进行改进，也就是通过对调度序列的调整，考虑插入未被调度的任务；
（F）信息素更新
（c）基本的信息素更新策略
蚂蚁每走完一步或是完成一次循环后就会对边上的信息素进行更新，更新策略如（2-10）所示；   
Figure 950611DEST_PATH_IMAGE105
                                        
其中根据更新策略采用蚁周系统的更新策略
Figure 679850DEST_PATH_IMAGE107
；
（d）保护精英个体的更新策略
保护精英个体的更新策略是借鉴了遗传算法的精英策略思想，在信息素的更新规则上，给予当前最优解额外的信息素补充，以增强最优解在下次循环中的引导作用，加快收敛速度，其信息素按如下规则更新：
  
Figure 703169DEST_PATH_IMAGE108
其中，
Figure 944795DEST_PATH_IMAGE109
Figure 688760DEST_PATH_IMAGE110
Figure 332231DEST_PATH_IMAGE111
；
（e）仅全局最优进行更新的策略：
为了加速收敛速度，该种策略只对每次迭代的最优解进行信息素更新，更新规则如（2-12）所示；
  
Figure 260872DEST_PATH_IMAGE112
其中，
Figure 989794DEST_PATH_IMAGE113
其中
Figure 537450DEST_PATH_IMAGE062
为当前循环中所求得的最优路径解，同时，这种更新策略下还定义了局部更新策略，即针对所有的蚂蚁，在每步转移后都会按如下规则进行局部的信息素更新，
                                                                    
其中，，
Figure 351188DEST_PATH_IMAGE065
为常数；
（f）最优最差蚂蚁的信息素更新策略：
为进一步加速收敛速度，在蚁群系统的基础上对最差的蚂蚁进行了额外的信息素的缩减，如下所示，
其余的信息素更新策略与蚁群算法完全相同；
（g）设置最大最小信息素的策略：
上述几种改进均是针对加速收敛速度设计的，但没有对局部收敛问题进行了很好的处理，最大最小蚂蚁系统通过引入
Figure 55019DEST_PATH_IMAGE067
和较好的避免了算法过早的收敛于局部最优解，具体实现思路如下：将各条路径上的信息素限制于
Figure 28977DEST_PATH_IMAGE069
，若信息素小于
Figure 918436DEST_PATH_IMAGE068
，则将其强制变为
Figure 391005DEST_PATH_IMAGE068
，若信息素大于
Figure 109649DEST_PATH_IMAGE067
，则将其强制变为
Figure 503721DEST_PATH_IMAGE067
；
3）搜索技术的选择与设计：
为了加速算法的收敛性，选择局部搜索算子为该引擎的的搜索算子，局部搜索的基本思想是从某个初始解开始，以迭代的方式反复尝试当前解的邻域，以寻找更好的解来代替当前解，采用局部搜索技术来优化得到的粗糙解可以加速蚁群算法的收敛。
与现有技术相比，本实施例所提供的单星调度的算子构建方法，具有以下优点：
1、在任务问题分析的基础上，将单星调度子问题进行分类，从而可以根据子问题的不同设置不同的约束条件，从而提高求解精度；
2、通过设定问题域和构建规则库，并在此基础上通过搜索技术的合理嵌套提高求解性能；在构建规则库时，设计可行解构造和信息素更新，在可行解构造中，根据卫星特点，将观察任务和观察时间综合进行考虑，并针对不同情况设计多种信息素更新策略，从而在保证解的质量的条件下提高求解的效率；
3、设计由（问题分类-算子设计规则-得分）三元组构成的问题算子知识库，记录每种算子设计在求解每类问题时的历史绩效，从而为今后新的具体问题的求解提供算子设计决策支持。
综上所述，本实施例所提供的单星调度的算子构建方法，保证解的质量的条件下求解的效率高。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括哪些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。以上所述仅是本发明的优选实施方式，应当指出，由于文字表达的有限性，而客观上存在无限的具体结构，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进、润饰或变化，也可以将上述技术特征以适当的方式进行组合；这些改进润饰、变化或组合，或未经改进将发明的构思和技术方案直接应用于其它场合的，均应视为本发明的保护范围。

Claims (2)

1.一种单星调度的算子构建方法，其特征在于，该方法的具体步骤如下：
（1）基于任务集的分布形式构建问题分类器，对单星调度子问题进行分类，分为均匀分布和块状分布；
（2）设定问题域和构建规则库，并在此基础上通过搜索技术的合理嵌套提高求解性能，从而完成蚁群算法引擎的构建；
（3）由问题分类-算子设计规则-得分三元组构建问题算子知识库，所述问题算子知识库，记录每种算子设计在求解每类问题时的历史绩效，从而为今后新的具体问题的求解提供算子设计决策支持。
2.根据权利要求1所述的单星调度的算子构建方法，其特征在于，所述步骤（2）中，蚁群算法引擎的构建具体如下：
1）设定问题域：
（A） 问题参数
Figure 197633DEST_PATH_IMAGE001
     数据采集任务集合；
Figure 189859DEST_PATH_IMAGE002
      任务
Figure 619704DEST_PATH_IMAGE003
的时间窗（
Figure 454804DEST_PATH_IMAGE004
）；
Figure 729928DEST_PATH_IMAGE005
      任务
Figure 842241DEST_PATH_IMAGE003
的开始时间（
Figure 177407DEST_PATH_IMAGE004
）；
Figure 906328DEST_PATH_IMAGE006
      任务
Figure 578618DEST_PATH_IMAGE003
的结束时间（
Figure 76596DEST_PATH_IMAGE004
）；
Figure 317084DEST_PATH_IMAGE007
    任务
Figure 267723DEST_PATH_IMAGE003
的准备就绪时间（
Figure 743703DEST_PATH_IMAGE008
）；
Figure 96187DEST_PATH_IMAGE009
    任务
Figure 507577DEST_PATH_IMAGE003
的持续时间（）；
Figure 959604DEST_PATH_IMAGE010
    任务
Figure 432174DEST_PATH_IMAGE003
到任务
Figure 14465DEST_PATH_IMAGE011
的转换时间（
Figure 533171DEST_PATH_IMAGE008
）；
Figure 757479DEST_PATH_IMAGE012
  执行观测任务
Figure 287817DEST_PATH_IMAGE003
的效益（
Figure 572168DEST_PATH_IMAGE013
）；
（B） 决策变量
Figure 578170DEST_PATH_IMAGE014
:       连续执行任务，
Figure 256593DEST_PATH_IMAGE011
时取1，否则取0；
Figure 446266DEST_PATH_IMAGE015
:    任务
Figure 939564DEST_PATH_IMAGE003
被执行时取1，否则取0；
:    任务的实际开始执行时间（
Figure 636759DEST_PATH_IMAGE008
）；
（C） 优化目标
本文研究的单星调度问题时只考虑效益最大化的优化目标：
Figure 617353DEST_PATH_IMAGE017
（D） 问题约束
        
Figure 987155DEST_PATH_IMAGE018
其中，（2-1）表示任务最多只能被卫星观测一次，（2-2）表示卫星在完成一个任务后将继续移动执行下一个任务，结合式（2-1）可知，此调度为链式调度，（2-3）表示一旦一个任务被选择，则该任务的开始执行时间要在时间窗开始之后，（2-4）表示一旦一个任务被选择，则该任务的执行结束时间要在时间窗结束之前，（2-3）和（2-4）共同表明被调度的任务必须完整地在一个时间窗内执行，（2-5）表示一个任务的执行必须在其准备就绪后才能开始，（2-6）和（2-7）是变量的01约束；
2）构建规则库
构建规则库主要是针对可行解构造和信息素更新两个算子进行设计，其中可行解构造又分为观察任务序的生成和观察时间的确定，具体如下：
（E）可行解构造：
可行解构造阶段不仅仅是任务选择的过程还要对观测的时间进行具体的确定，可行解的构造分为两个阶段，第一阶段是生成任务的序，第二阶段则是具体确定观测时间：
（a）任务序的生成：
（Ⅰ）启发因子的设计：
将任务的优先级作为启发信息的重要部分，其中，单独的定义优先级为启发信息，得到第一种启发因子定义方式即为；
在启发因子中加入时间窗的冲突信息，并使用“拥挤度”和“机会损失”来衡量时间窗的冲突，所述拥挤度是指机会窗口的选择会受已安排观测的机会窗口的影响，后添加的窗口不能与已安排的窗口产生观测冲突，同时插入一个新的窗口会对其他未安排的窗口产生影响，该影响即为“机会损失”，由此，可以得到时间窗冲突度的一个定量的衡量方法，把机会窗口的冲突分为与已安排观测的机会窗口的冲突，即拥挤度记为
Figure 143647DEST_PATH_IMAGE020
，与未安排观测的机会窗口的冲突情况，即机会损失记为
Figure 345958DEST_PATH_IMAGE021
，则可以定义窗口冲突的启发信息为：
Figure 519450DEST_PATH_IMAGE022
；
接下来要具体介绍几种冲突度的计算方法，在此之前，先对几个定义进行介绍：时间窗交叉：若
Figure 998973DEST_PATH_IMAGE023
在之前（按时间窗的起点排序），
Figure 656536DEST_PATH_IMAGE023
与交叉的定义为：
Figure 702170DEST_PATH_IMAGE025
；观测冲突：时间窗
Figure 841027DEST_PATH_IMAGE026
与已安排观测的任务i存在观测冲突定义为：
Figure 17931DEST_PATH_IMAGE027
；
从而机会损失
Figure 267646DEST_PATH_IMAGE028
，其中
Figure 721761DEST_PATH_IMAGE029
 为未安排观测的时间窗集合，
Figure 31520DEST_PATH_IMAGE030
；
拥挤度
Figure 695720DEST_PATH_IMAGE031
最后，考虑到多时间窗带来的影响，对于一个优先级较高的任务，虽然其在一个时间窗口由于冲突没法得到观测，但可以在其他窗口进行观测，那么在对冲突进行处理时可以考虑先安排优先级相对低些但只有这一个观测机会的任务，从而在启发因子中加上观测机会的影响，定义观测机会的启发信息为
Figure 749126DEST_PATH_IMAGE032
；可以得到四种启发因子的设计方案，即只有优先级信息，优先级信息+窗口冲突信息，优先级信息+观测机会信息，优先级信息+窗口冲突信息+观测机会信息这四种设计；
（Ⅱ）概率选择机制的设计
基于轮盘赌的随机比例概率选择策略和伪随机概率选择机制设计概率选择机制如下：
根据标准蚁群算法的设计思路每只蚂蚁是根据随机比例的概率选择机制来选择下一节点的，如蚂蚁k在节点i根据式（2-8）选择下一节点j，
Figure 57748DEST_PATH_IMAGE033
而伪随机比例的概率选择机制则是设定一个概率
Figure 538408DEST_PATH_IMAGE034
，让蚂蚁以
Figure 424324DEST_PATH_IMAGE034
的选择概率将最大可能的候选点选入路径中，同时不失随机性优化方法的特征，以的概率采用随机比例的概率选择机制，具体实现思路如（2-9）所示：
       
Figure 444550DEST_PATH_IMAGE036
                   
其中S代表随机比例概率选择机制；
（b）确定观测时间
在生成序之后，对于观测时间的确定，具有两种策略：
一种是基于最早观测的启发式规则，即在不与已调度任务产生冲突的前提下确定时间窗内最早可以安排观测的时间为实际的执行时间；另一种基于后移空余时间的动态调整的时间确定方法； 
所谓后移空余时间就是在不导致任务序列中任何任务违反时间窗约束的情况下，任务i的最大可以推迟执行的时间，以数学公式的形式来表达就是：
其中，
Figure 734903DEST_PATH_IMAGE038
表示任务i在任务序列
Figure 598953DEST_PATH_IMAGE039
中的后移空余时间， 
Figure 147747DEST_PATH_IMAGE040
表示任务
Figure 829264DEST_PATH_IMAGE041
的时间窗结束时间，
Figure 96297DEST_PATH_IMAGE042
表示任务i的开始执行时间，
Figure 764039DEST_PATH_IMAGE043
表示任务i的执行持续时间，
Figure 167338DEST_PATH_IMAGE044
表示任务l-1到l的转换时间；
由后移空余时间的概念可以得到当任务i的准备完成时间推迟
Figure 19756DEST_PATH_IMAGE045
后，等待时间与后移空余时间的总和会推迟的时间，即
Figure 979939DEST_PATH_IMAGE046
其中
Figure 503324DEST_PATH_IMAGE047
表示任务j的等待时间；
将u插入i和i+1之间情况下，记u的后移空余时间为，注意到插入任务u后，会使任务i+1的准备就绪时间后移，所以不难推出
Figure 514409DEST_PATH_IMAGE049
其中，
Figure 523953DEST_PATH_IMAGE050
Figure 96066DEST_PATH_IMAGE052
所述基于后移空余时间的动态确定时间的方式就是在每次考虑将一个任务插入到已调度序列时，考虑是否可以通过对已调度序列进行微调使得任务可以插入，将上述两种方法结合起来，即先用最早观测的启发式规则确定观测时间，再基于后移空余时间对解进行改进，也就是通过对调度序列的调整，考虑插入未被调度的任务；
（F）信息素更新
（c）基本的信息素更新策略
蚂蚁每走完一步或是完成一次循环后就会对边上的信息素进行更新，更新策略如（2-10）所示；    
Figure 824988DEST_PATH_IMAGE053
                                         
其中根据更新策略采用蚁周系统的更新策略
；
（d）保护精英个体的更新策略
保护精英个体的更新策略是借鉴了遗传算法的精英策略思想，在信息素的更新规则上，给予当前最优解额外的信息素补充，以增强最优解在下次循环中的引导作用，加快收敛速度，其信息素按如下规则更新：
    
Figure 970164DEST_PATH_IMAGE056
其中，
Figure 890213DEST_PATH_IMAGE059
；
（e）仅全局最优进行更新的策略：
为了加速收敛速度，该种策略只对每次迭代的最优解进行信息素更新，更新规则如（2-12）所示；
    
其中，
Figure 864171DEST_PATH_IMAGE061
其中
Figure 753629DEST_PATH_IMAGE062
为当前循环中所求得的最优路径解，同时，这种更新策略下还定义了局部更新策略，即针对所有的蚂蚁，在每步转移后都会按如下规则进行局部的信息素更新，
    
Figure 226199DEST_PATH_IMAGE063
                                                                  
其中，
Figure 667545DEST_PATH_IMAGE064
，
Figure 592775DEST_PATH_IMAGE065
为常数；
（f）最优最差蚂蚁的信息素更新策略：
为进一步加速收敛速度，在蚁群系统的基础上对最差的蚂蚁进行了额外的信息素的缩减，如下所示，
其余的信息素更新策略与蚁群算法完全相同；
（g）设置最大最小信息素的策略：
上述几种改进均是针对加速收敛速度设计的，但没有对局部收敛问题进行了很好的处理，最大最小蚂蚁系统通过引入
Figure 206476DEST_PATH_IMAGE067
和
Figure 490827DEST_PATH_IMAGE068
较好的避免了算法过早的收敛于局部最优解，具体实现思路如下：将各条路径上的信息素限制于
Figure 372196DEST_PATH_IMAGE069
，若信息素小于
Figure 134615DEST_PATH_IMAGE068
，则将其强制变为
Figure 909673DEST_PATH_IMAGE068
，若信息素大于
Figure 364925DEST_PATH_IMAGE067
，则将其强制变为
Figure 733590DEST_PATH_IMAGE067
；
3）搜索技术的选择与设计：
为了加速算法的收敛性，选择局部搜索算子为该引擎的的搜索算子，局部搜索的基本思想是从某个初始解开始，以迭代的方式反复尝试当前解的邻域，以寻找更好的解来代替当前解，采用局部搜索技术来优化得到的粗糙解可以加速蚁群算法的收敛。
CN201310276775.7A 2013-07-03 2013-07-03 单星调度的算子构建方法 Expired - Fee Related CN103345504B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310276775.7A CN103345504B (zh) 2013-07-03 2013-07-03 单星调度的算子构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310276775.7A CN103345504B (zh) 2013-07-03 2013-07-03 单星调度的算子构建方法

Publications (2)

Publication Number Publication Date
CN103345504A true CN103345504A (zh) 2013-10-09
CN103345504B CN103345504B (zh) 2017-07-11

Family

ID=49280299

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310276775.7A Expired - Fee Related CN103345504B (zh) 2013-07-03 2013-07-03 单星调度的算子构建方法

Country Status (1)

Country Link
CN (1) CN103345504B (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104050324A (zh) * 2014-06-23 2014-09-17 中国人民解放军国防科学技术大学 针对单星任务规划问题的数学模型的构建方法及求解方法
CN104063749A (zh) * 2014-06-28 2014-09-24 中国人民解放军国防科学技术大学 一种基于滚动时域控制的成像卫星自主任务规划算法
CN104330971A (zh) * 2014-10-28 2015-02-04 蔡远文 微小卫星群编队消耗量优化方法
CN104618495A (zh) * 2015-02-13 2015-05-13 中国科学院遥感与数字地球研究所 卫星接收任务分配方法
CN106406341A (zh) * 2016-09-06 2017-02-15 广西师范大学 四旋翼无人飞行器的飞行控制方法
CN106599366A (zh) * 2016-11-11 2017-04-26 中国人民解放军国防科学技术大学 基于机动性的高层次综合调度方法
CN107025363A (zh) * 2017-05-08 2017-08-08 中国人民解放军国防科学技术大学 一种面向敏捷卫星调度的自适应大邻域搜索方法
CN108292205A (zh) * 2015-09-23 2018-07-17 太平洋资产评估公司 用于根据数学问题自动提炼概念以及根据多个数学概念对数学问题进行动态构建和测试的系统和方法
CN108519907A (zh) * 2017-12-06 2018-09-11 中国人民解放军国防科技大学 一种基于修订式和渐进式方法的单星在线任务调度机制
CN109299247A (zh) * 2018-06-05 2019-02-01 安徽省泰岳祥升软件有限公司 基于业务语料的意图分类方法、装置及智能问答方法
CN109960544A (zh) * 2019-03-26 2019-07-02 中国人民解放军国防科技大学 基于数据驱动型敏捷卫星任务并行调度方法
CN112364290A (zh) * 2020-11-18 2021-02-12 中睿信数字技术有限公司 一种基于流式计算的可视化计算模型构建方法和系统
CN112653500A (zh) * 2020-12-16 2021-04-13 桂林电子科技大学 基于蚁群算法的面向低轨道卫星边缘计算任务调度方法
CN112996019A (zh) * 2021-03-01 2021-06-18 军事科学院系统工程研究院网络信息研究所 基于多目标优化的太赫兹频段分布式星群接入控制方法
CN114217607A (zh) * 2021-11-23 2022-03-22 桂林航天工业学院 一种外卖派送路径规划方法、系统及存储介质
CN115276765A (zh) * 2022-07-18 2022-11-01 南京信息工程大学 一种面向业务优先级的atdm卫星通信调度方法
CN117829277A (zh) * 2024-03-04 2024-04-05 中国人民解放军国防科技大学 面向多类型卫星的应急观测任务调度方法、系统及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101901426A (zh) * 2010-07-15 2010-12-01 华中科技大学 一种基于蚁群算法的动态滚动调度方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101901426A (zh) * 2010-07-15 2010-12-01 华中科技大学 一种基于蚁群算法的动态滚动调度方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
孙凯: "《基于启发式算法的成像卫星星地联合调度问题研究》", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
孙勇等: "基于知识的动态蚁群算法", 《北京工业大学学报》 *
陈祥国: "卫星数传调度的蚁群优化模型及算法研究", 《中国博士学位论文全文数据库信息科技辑》 *

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104050324B (zh) * 2014-06-23 2017-04-19 中国人民解放军国防科学技术大学 针对单星任务规划问题的数学模型的构建方法及求解方法
CN104050324A (zh) * 2014-06-23 2014-09-17 中国人民解放军国防科学技术大学 针对单星任务规划问题的数学模型的构建方法及求解方法
CN104063749A (zh) * 2014-06-28 2014-09-24 中国人民解放军国防科学技术大学 一种基于滚动时域控制的成像卫星自主任务规划算法
CN104063749B (zh) * 2014-06-28 2017-03-29 中国人民解放军国防科学技术大学 一种基于滚动时域控制的成像卫星自主任务规划算法
CN104330971A (zh) * 2014-10-28 2015-02-04 蔡远文 微小卫星群编队消耗量优化方法
CN104330971B (zh) * 2014-10-28 2018-01-23 蔡远文 微小卫星群编队消耗量优化方法
CN104618495B (zh) * 2015-02-13 2019-01-15 中国科学院遥感与数字地球研究所 卫星接收任务分配方法
CN104618495A (zh) * 2015-02-13 2015-05-13 中国科学院遥感与数字地球研究所 卫星接收任务分配方法
CN108292205A (zh) * 2015-09-23 2018-07-17 太平洋资产评估公司 用于根据数学问题自动提炼概念以及根据多个数学概念对数学问题进行动态构建和测试的系统和方法
CN106406341A (zh) * 2016-09-06 2017-02-15 广西师范大学 四旋翼无人飞行器的飞行控制方法
CN106599366A (zh) * 2016-11-11 2017-04-26 中国人民解放军国防科学技术大学 基于机动性的高层次综合调度方法
CN107025363A (zh) * 2017-05-08 2017-08-08 中国人民解放军国防科学技术大学 一种面向敏捷卫星调度的自适应大邻域搜索方法
CN108519907A (zh) * 2017-12-06 2018-09-11 中国人民解放军国防科技大学 一种基于修订式和渐进式方法的单星在线任务调度机制
CN109299247A (zh) * 2018-06-05 2019-02-01 安徽省泰岳祥升软件有限公司 基于业务语料的意图分类方法、装置及智能问答方法
CN109299247B (zh) * 2018-06-05 2019-10-08 安徽省泰岳祥升软件有限公司 基于业务语料的意图分类方法、装置及智能问答方法
CN109960544A (zh) * 2019-03-26 2019-07-02 中国人民解放军国防科技大学 基于数据驱动型敏捷卫星任务并行调度方法
CN109960544B (zh) * 2019-03-26 2020-02-14 中国人民解放军国防科技大学 基于数据驱动型敏捷卫星任务并行调度方法
CN112364290A (zh) * 2020-11-18 2021-02-12 中睿信数字技术有限公司 一种基于流式计算的可视化计算模型构建方法和系统
CN112653500A (zh) * 2020-12-16 2021-04-13 桂林电子科技大学 基于蚁群算法的面向低轨道卫星边缘计算任务调度方法
CN112653500B (zh) * 2020-12-16 2022-07-26 桂林电子科技大学 基于蚁群算法的面向低轨道卫星边缘计算任务调度方法
CN112996019A (zh) * 2021-03-01 2021-06-18 军事科学院系统工程研究院网络信息研究所 基于多目标优化的太赫兹频段分布式星群接入控制方法
CN112996019B (zh) * 2021-03-01 2021-08-27 军事科学院系统工程研究院网络信息研究所 基于多目标优化的太赫兹频段分布式星群接入控制方法
CN114217607A (zh) * 2021-11-23 2022-03-22 桂林航天工业学院 一种外卖派送路径规划方法、系统及存储介质
CN115276765A (zh) * 2022-07-18 2022-11-01 南京信息工程大学 一种面向业务优先级的atdm卫星通信调度方法
CN115276765B (zh) * 2022-07-18 2023-06-06 南京信息工程大学 一种面向业务优先级的atdm卫星通信调度方法
CN117829277A (zh) * 2024-03-04 2024-04-05 中国人民解放军国防科技大学 面向多类型卫星的应急观测任务调度方法、系统及装置
CN117829277B (zh) * 2024-03-04 2024-05-31 中国人民解放军国防科技大学 面向多类型卫星的应急观测任务调度方法、系统及装置

Also Published As

Publication number Publication date
CN103345504B (zh) 2017-07-11

Similar Documents

Publication Publication Date Title
CN103345504B (zh) 单星调度的算子构建方法
CN108388958B (zh) 一种二维姿态机动卫星任务规划技术研究的方法及装置
CN112016812B (zh) 多无人机任务调度方法、系统及存储介质
CN110134146B (zh) 一种不确定环境下的分布式多无人机任务分配方法
EP3540652A1 (en) Method, device, chip and system for training neural network model
CN113010691A (zh) 一种基于图神经网络的知识图谱推理关系预测方法
CN104063748B (zh) 一种用于解决面向成像卫星的时间依赖型调度问题的算法
CN109409773B (zh) 一种基于合同网机制的对地观测资源动态规划方法
CN105929690B (zh) 一种基于分解多目标进化算法的柔性车间鲁棒调度方法
CN109933842A (zh) 一种基于约束满足遗传算法的移动目标单星任务规划方法
US20180082209A1 (en) Systems and Methods for Multi-Objective Optimizations with Objective Space Mapping
CN103235974A (zh) 一种提高海量空间数据处理效率的方法
CN109919484B (zh) 一种星上自主任务规划方法
CN111586146B (zh) 基于概率转移深度强化学习的无线物联网资源分配方法
Pan et al. Ridesharing: simulator, benchmark, and evaluation
Plastino et al. A hybrid data mining metaheuristic for the p‐median problem
CN112633654A (zh) 基于改进聚类扩展一致性束算法的多无人机任务分配方法
Zille Large-scale multi-objective optimisation: new approaches and a classification of the state-of-the-art
CN108416500B (zh) 一种基于pddl多星协同任务规划方法、设备及存储设备
CN105512675B (zh) 一种基于记忆性多点交叉引力搜索的特征选择方法
CN113190038A (zh) 一种无人机集群空中区域侦察任务的分配方法
CN117785490B (zh) 一种图神经网络模型的训练架构、方法、系统及服务器
CN109961129A (zh) 一种基于改进粒子群的海上静止目标搜寻方案生成方法
CN111191941A (zh) 一种基于人工蜂群算法解决sevm模型问题的方法
Gao et al. MO-AVC: Deep Reinforcement Learning Based Trajectory Control and Task Offloading in Multi-UAV Enabled MEC Systems

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20171205

Address after: 410003 Hunan province Changsha Kaifu District, d'ya No. 109 North Road, 1 District 19 Building 435 room

Patentee after: National University of Defense Technology of People's Liberation Army of China

Address before: 410003 Hunan province Changsha Kaifu District, d'ya No. 109 North Road, 1 District 19 Building 435 room

Co-patentee before: Sun Kai

Patentee before: Xing Lining

Co-patentee before: University of national defense science and technology of the Chinese people's Liberation Army

CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20170711

Termination date: 20200703