CN104331627A - 硬x射线调制望远镜卫星任务规划处理方法 - Google Patents

Abstract

本发明涉及一种HXMT卫星任务规划处理方法，所述方法包括：步骤1，对HXMT卫星观测任务进行预处理；步骤2，对所述HXMT卫星典型观测任务类型的约束条件抽象建模；步骤3，对所述HXMT卫星基于实现质量和完成质量的多目标多约束任务规划建模；步骤4，混合贪婪随机与遗传算法的多目标任务规划处理。本发明HXMT卫星任务规划处理方法，从HXMT卫星实际工作模式和观测需求出发，抽象建立了HXMT卫星四种典型观测任务类型的约束模型，提出了一种以实现质量最大化和完成质量最大化为规划目标的多约束任务规划模型，通过构建贪婪随机与遗传算法相混合的求解算法，实现了规划模型的快速稳定处理。

Description

硬X射线调制望远镜卫星任务规划处理方法

技术领域

本发明属于卫星任务规划处理方法，尤其涉及一种HXMT卫星任务规划处理方法。

背景技术

硬X射线调制望远镜(Hard X-ray Modulat ion Telescope,HXMT)卫星作为我国首个空间天文卫星，将于2015年发射升空。该卫星通过搭载高能X射线望远镜(HE)、中能X射线望远镜(ME)、低能X射线望远镜(LE)和空间环境检测仪(SEM)四个主有效载荷，开展宽波段X射线(1-250keV)巡天任务，寻找和测量被尘埃遮挡的超大质量黑洞和未知类型天体；开展对黑洞双星等天体高精度定点观测，实现黑洞系统剧烈活动的观测研究，为发现极端条件下的基本物理规律，理解恒星和星系的演化提供第一手观测数据。

HXMT卫星作为一颗空间科学探索卫星，在茫茫宇宙中寻求科学发现，将会吸引众多科学家和感兴趣研究者提交观测提案请求；同时，卫星运行于空间环境非常复杂的外太空，观测环境约束要求高，这些都对卫星有限星上资源和观测时长提出了挑战，需要统筹考虑卫星观测约束条件、观测目标切换、进出南大西洋异常区等诸多因素，开展智能任务规划处理，制定优化的、合理的观测计划，最大化满足多样化观测请求，寻求最大的科学回报。

为了更好开展任务资源规划与分配，空间科学卫星观测方案通常采用分层规划策略，规划周期一般分为1年期长期任务规划，3-6个月中期任务规划以及1周之内的短期任务规划。其中，长期任务规划是开展中期及短期任务规划的基础，针对已经批准的观测提案，根据1年期预报星历文件，综合考虑卫星观测模式、观测时间约束、观测次数约束、观测环境约束等，开展小天区扫描、定点观测等多任务的综合规划处理，生成优化后观测时间序列，为下一步基于高精密星历文件实现精确到秒的中、短期任务规划处理提供输入数据。

目前，国外航天机构结合具体的空间天文卫星项目开展了相应的规划方法研究，与之相比，我国的空间天文卫星任务规划方法研究才刚刚起步。现有方法难以满足HXMT卫星长期任务规划的特殊需求和复杂性：

1)HXMT卫星在巡天扫描任务完成后，需要综合安排定点和小天区扫描观测两种模式下的观测任务；

2)HXMT卫星针对不同观测任务在观测时间需求上有特殊要求，包括了：一般性观测任务、固定时间观测任务、相位依赖观测任务以及监测观测任务等，各个任务对观测起止时间、观测时长、观测频率、观测时间偏移有相应要求；

3)HXMT卫星视场范围较大，存在着多个目标同时进入卫星观测视场且可见时间窗口长的特点，而卫星载荷只能在同一时间内探测获取一种天体目标且有特殊的观测时间要求，因此对HXMT卫星任务规划存在着冲突明显，建模复杂等难点；

4)HXMT卫星在规划目标上需要统筹观测任务安排的最大化以及不同观测任务实现质量的最大化，是一类多目标规划问题；

5)HXMT卫星在长期规划周期中，需要考虑观测目标切换最小时间、地影影响、南大西洋异常区影响等多种约束条件。

发明内容

本发明的目的是针对HXMT卫星的长期观测计划生成制定，从卫星实际工作模式和观测任务需求出发，综合多种约束条件，提出一种适用HXMT卫星的长期任务智能规划处理方法，以解决观测提案数量大，手动难以处理，现有规划方法不能适用HXMT卫星观测需求和工作模式等问题。

为了实现上述目的，本发明提供了一种HXMT卫星任务规划处理方法，所述方法包括：

步骤1，对HXMT卫星观测任务进行预处理；

步骤2，对所述HXMT卫星典型观测任务类型的约束条件抽象建模；

步骤3，对所述HXMT卫星基于实现质量和完成质量的多目标多约束任务规划建模；

步骤4，混合贪婪随机与遗传算法的多目标任务规划处理。

进一步的，所述步骤2具体包括：在HXMT卫星观测任务预处理基础上，从HXMT卫星观测任务需求出发，对四类典型的观测任务按照任务类型约束要求进行抽象建模，所述四类典型观测任务包括一般性观测任务、固定时间观测任务、相位依赖观测任务以及监测观测任务；

进一步的，对四类典型的观测任务按照任务类型约束要求进行抽象建模具体包括：

给出基本变量定义，设观测任务集为O，对每一个o∈O，TY(o)表示观测任务的类型，为其中GE为一般观测任务，FT为固定观测时间任务，PE为相位依赖观测任务；MO为监测观测任务；DesD(o)表示观测任务要求的观测时间，Neo(o)表示观测任务要求观测的次数；MinD(o)表示要求有效观测持续的最短时长，MaxD(o)表示要求有效观测持续的最长时长；AW为观测活动窗口集，表示安排的可能执行观测窗口集合；对于每个活动窗口aw∈AW(o)，O(aw)表示相关联的观测任务；W(aw)表示观测活动窗口所在的机会窗口，其中W(aw)∈W(O(aw))；D(aw)表示观测活动窗口的持续时间，S(aw)和E(aw)表示观测活动窗口的开始和结束时间，其中S(aw)<E(aw)。Faw(o)表示观测任务o的第一个观测活动窗口；Law(o)表示观测任务o的最后一个观测活动窗口；next(aw)表示在aw的下一个观测活动窗口，如果aw＝Law(o)，则

设τ(x)为0、1判断函数，记：

$\mathrm{\&tau;}\left(x\right)=\left\{\begin{array}{cc}0& x=0\\ 1& x>0\end{array}\right.$     (式1)

设Γ(x)为一维阶跃函数，记：

$\mathrm{\&Gamma;}\left(x\right)=\left\{\begin{array}{cc}0& x\&le;0\\ 1& x>0\end{array}\right.$     (式2)

对于一般性观测任务，则需要满足最基本固定观测次数Neo(o)与最短有效观测时间MinD(o)，则有：

(式3)

对于固定观测时间任务，则需要按照预先制定的固定的起止时间点和时长开展任务规划，设JW为固定观测时间窗口集，jw为每个固定观测时间窗口且jw∈JW(o)，B(jw)和E(jw)分别表示固定观测时间窗口的开始和结束时间，则有：

(式4)

对于相位依赖观测任务，设P为观测周期，N为整数倍数，Pa_max和Pa_min分别为最大最小相位。此类观测任务以P的N的整数倍为观测间隔，可以容忍的最大最小偏离分别为Pa_max和Pa_min；则有如下模型描述：

    (式5)

对于监测观测任务，需要同一观测任务相邻两次连续的观测时间间隔必须满足最大间隔I_max与最小间隔I_min，则有如下模型描述：

    (式6)

通过对以上四种观测任务类型的抽象建模，进一步结合不同观测任务观测切换时间约束，可见性约束等观测任务约束要求，为下一步的多目标规划模型建立提供约束模型支持。

进一步的，所述步骤3具体包括：建立了多目标HXMT卫星任务规划模型：

$\begin{array}{cc}\max & Q\left(O\right)=(\frac{\underset{o\&Element;O}{\mathrm{\&Sigma;}}p\left(o\right)\&CenterDot;\mathrm{qc}\left(o\right)}{\underset{o\&Element;O}{\mathrm{\&Sigma;}}p\left(o\right)},\frac{\underset{o\&Element;O}{\mathrm{\&Sigma;}}p\left(o\right)\&CenterDot;\mathrm{qr}\left(o\right)}{\underset{o\&Element;O}{\mathrm{\&Sigma;}}p\left(o\right)})\end{array}$

(式7)

式7中，O是观测任务集，o∈O表示任务观测集O中的一个观测任务，Q(O)表示规划的目标函数集，p(o)表示观测任务o的优先级权重，qc(o)表示观测任务o的完成质量，qr(o)表示观测任务o实现质量；

完成质量qc(o)代表了观测任务在任务规划中完成的百分比，可以通过实际有效观测时长除以要求的有效观测总时长计算而得；

实现质量qr(o)的计算方式与观测任务类型有关：对于一般观测任务目标，实现度由最晚的观测活动窗口与最早的观测活动窗口时间差决定；对于固定观测时间任务，实现度由安排执行窗口起止时间与对应要求观测起止时间的差决定；对于相位依赖观测任务，实现度由观测活动窗口偏离实际周期的相位差决定；对于监测观测任务目标，实现度由连续观测时间间隔平均值与要求的最大间隔与最小间隔时间平均值所决定；

式7中，任务优先级权重作为一个重要参数引入模型描述，用以反映不同观测任务的优先级对于规划目标的影响，从而将完成质量、实现质量与任务优先级等优化目标统一纳入到规划模型中。

进一步的，所述步骤4具体包括：基于观测窗口序列构造染色体编码处理，基于贪婪随机法构建初始种群处理，基于遗传算子的规划解算处理。

进一步的，所述基于观测窗口序列构造染色体编码处理具体包括：根据规划模型的约束条件，在观测任务的观测机会窗口基础上，生成其观测活动窗口，以观测任务的观测窗口序列W作为染色体的基因来编码，根据科学观测提案来确定观测任务的个数，即染色体中基因的个数。

进一步的，所述基于贪婪随机法构建初始种群处理具体包括：通常采用全随机策略，在观测任务观测机会窗口内全随机确定初始窗口序号及其观测起止时间，包括了基因序列观测窗口序号确定和观测起止时间确定。

进一步的，所述基于遗传算子的规划解算处理具体包括：对构建好的初始种群，利用包括交叉、变异、选择以及约束调整算子的进化算法，将模型优化目标带入算法中计算适应值，并在迭代过程中采用约束调整算子去除操作冲突。

本发明HXMT卫星任务规划处理方法，从HXMT卫星实际工作模式和观测需求出发，抽象建立了HXMT卫星四种典型观测任务类型的约束模型，提出了一种以实现质量最大化和完成质量最大化为规划目标的多约束任务规划模型，通过构建贪婪随机与遗传算法相混合的求解算法，实现了规划模型的快速稳定处理。

附图说明

图1为本发明HXMT卫星任务规划处理方法的流程图；

图2是本发明HXMT卫星任务规划处理方法的混合贪婪随机与遗传算法的染色体编码示意图。

具体实施方式

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

因此，本发明结合HXMT卫星工作模式和观测任务需求，综合多种约束条件，提出了一种适用HXMT卫星的多目标长期任务规划处理方法。

本发明从HXMT卫星实际工作模式和观测需求出发，提出了一种以实现质量最大化和完成质量最大化为规划目标的多约束任务规划模型并开展了模型解算。

图1为本发明HXMT卫星任务规划处理方法的流程图，如图所示，本发明具体包括以下步骤：

步骤101，对HXMT卫星观测任务进行预处理；

具体包括，读入待规划的卫星观测任务集，该任务集以XML配置文件形式组织，一个观测任务的主要配置信息包括：任务号、优先级、观测模式(定点，小天区)、观测次数、批准的有效观测时间、观测源名称、所在天球位置、观测任务类型定义及描述(一般观测任务类型、监测观测任务类型、相位依赖观测任务类型、固定时间观测类型)等。针对输入的观测任务集，按照长期任务规划要求，基于1年期预报星历，计算各观测任务载荷视场可见时间窗口以及不可见时间窗口，不可见时间窗口主要包括：影响卫星观测的南大西洋异常区观测时间窗口、影响卫星对天体目标可见的月球遮挡、地球遮挡以及地影时间窗口、影响载荷定点或小天区扫描观测的太阳角规避时间窗口等。通过对这些可见观测时间窗口以及不可见观测时间窗口的计算，为任务规划问题建模与求解提供可见及不可见输入观测窗口集。

步骤102，对HXMT卫星典型观测任务类型的约束条件抽象建模；

具体包括，在HXMT卫星观测任务预处理基础上，进一步从HXMT卫星观测任务需求出发，对四类典型的观测任务按照任务类型约束要求进行抽象建模，具体建模过程如下：

首先，给出基本变量定义，设观测任务集为O，对每一个o∈O，TY(o)表示观测任务的类型(GE：一般观测任务；FT：固定观测时间任务；PE为相位依赖观测任务；MO为监测观测任务)；DesD(o)表示观测任务要求的观测时间，Neo(o)表示观测任务要求观测的次数；MinD(o)表示要求有效观测持续的最短时长，MaxD(o)表示要求有效观测持续的最长时长；AW为观测活动窗口集，表示安排的可能执行观测窗口集合；对于每个活动窗口aw∈AW(o)，O(aw)表示相关联的观测任务；W(aw)表示观测活动窗口所在的机会窗口，其中W(aw)∈W(O(aw))；D(aw)表示观测活动窗口的持续时间，S(aw)和E(aw)表示观测活动窗口的开始和结束时间，其中S(aw)<E(aw)。Faw(o)表示观测任务o的第一个观测活动窗口；Law(o)表示观测任务o的最后一个观测活动窗口；next(aw)表示在aw的下一个观测活动窗口，如果aw＝Law(o)，则

设τ(x)为0、1判断函数，记：

$\mathrm{\&tau;}\left(x\right)=\left\{\begin{array}{cc}0& x=0\\ 1& x>0\end{array}\right.$     (式1)

设Γ(x)为一维阶跃函数，记：

$\mathrm{\&Gamma;}\left(x\right)=\left\{\begin{array}{cc}0& x\&le;0\\ 1& x>0\end{array}\right.$     (式2)

对于一般性观测任务(General Observation,GO)，则需要满足最基本固定观测次数Neo(o)与最短有效观测时间MinD(o)，则有：

(式3)

对于固定观测时间任务(Fixed Time Observations，FO)，则需要按照预先制定的固定的起止时间点和时长开展任务规划，设JW为固定观测时间窗口集，jw为每个固定观测时间窗口且jw∈JW(o)，B(jw)和E(jw)分别表示固定观测时间窗口的开始和结束时间，则有：

(式4)

对于相位依赖观测任务(Phase-Dependent Observations,PO)，设P为观测周期，N为整数倍数，Pa_max和Pa_min分别为最大最小相位。此类观测任务以P的N的整数倍为观测间隔，可以容忍的最大最小偏离分别为Pa_max和Pa_min；则有如下模型描述：

    (式5)

对于监测观测任务(Monitoring Observations,MO)，需要同一观测任务相邻两次连续的观测时间间隔必须满足最大间隔I_max与最小间隔I_min，则有如下模型描述：

    (式6)

通过对以上四种观测任务类型的抽象建模，进一步结合不同观测任务观测切换时间约束，可见性约束等观测任务约束要求，为下一步的多目标规划模型建立提供约束模型支持。

步骤103，对HXMT卫星基于实现质量和完成质量的多目标多约束任务规划建模；

具体包括，选择合理的优化目标准则，满足HXMT卫星多种观测模式和任务类型的需要，保证科学目标最大实现。为此，从观测任务完成的“多”与“好”两个方面考虑，提出了完成质量最大化和实现质量最大化两个优化目标。所谓完成质量最大化，即在进行规划安排时要尽量满足完成观测任务的时间要求，尽量提高观测任务的完成度；所谓实现质量最大化，要尽可能保证各观测任务按照任务类型的约束要求尽可能优的执行。具体而言，一般性观测任务要尽可能早开始、早结束；固定时间观测任务要尽可能在固定时间区间内执行，与需求执行时间起止时间吻合；相位依赖观测任务要尽可能在观测周期内且最小偏差范围内执行；监测观测任务要保证两次连续观测时间间隔尽可能接近最大时间间隔和最小时间间隔的平均时间间隔。

为了保证观测任务安排又“多”，执行又“好”，特将完成质量和实现质量最大化统一起来，建立了一种多目标HXMT卫星任务规划模型：

$\begin{array}{cc}\max & Q\left(O\right)=(\frac{\underset{o\&Element;O}{\mathrm{\&Sigma;}}p\left(o\right)\&CenterDot;\mathrm{qc}\left(o\right)}{\underset{o\&Element;O}{\mathrm{\&Sigma;}}p\left(o\right)},\frac{\underset{o\&Element;O}{\mathrm{\&Sigma;}}p\left(o\right)\&CenterDot;\mathrm{qr}\left(o\right)}{\underset{o\&Element;O}{\mathrm{\&Sigma;}}p\left(o\right)})\end{array}$     (式7)

式7中，O是观测任务集，o∈O表示任务观测集O中的一个观测任务，Q(O)表示规划的目标函数集，p(o)表示观测任务o的优先级权重，qc(o)表示观测任务o的完成质量，qr(o)表示观测任务o实现质量。

完成质量qc(o)代表了观测任务在任务规划中完成的百分比，可以通过实际有效观测时长除以要求的有效观测总时长计算而得。

实现质量qr(o)的计算方式与观测任务类型有关：对于一般观测任务目标，实现度由最晚的观测活动窗口与最早的观测活动窗口时间差决定；对于固定观测时间任务，实现度由安排执行窗口起止时间与对应要求观测起止时间的差决定；对于相位依赖观测任务，实现度由观测活动窗口偏离实际周期的相位差决定；对于监测观测任务目标，实现度由连续观测时间间隔平均值与要求的最大间隔与最小间隔时间平均值所决定。

式7中，任务优先级权重作为一个重要参数引入模型描述，用以反映不同观测任务的优先级对于规划目标的影响，从而将完成质量、实现质量与任务优先级等优化目标统一纳入到规划模型中。

式7作为一类多目标优化模型，相应也应该满足步骤102)所要求的约束条件。

步骤104，混合贪婪随机与遗传算法的多目标任务规划处理。

针对步骤103)建立的卫星任务规划模型，开展规划问题的解算，解算过程具体包括了：基于观测窗口序列构造染色体编码、基于贪婪随机法构建初始种群、基于遗传算子的规划解算。

其中，基于观测窗口序列构造染色体编码是指根据规划模型的约束条件，在观测任务的观测机会窗口基础上，生成其观测活动窗口。与现有的二值编码或多值编码不同，本发明以观测任务的观测窗口序列W作为染色体的基因来编码，根据科学观测提案来确定观测任务的个数，即染色体中基因的个数，基于观测窗口序列的染色体编码示意如附图2所示。图2中有n个观测任务，则一条染色体包含有n个基因。

构建种群初始解通常采用的是全随机策略，即在观测任务观测机会窗口内全随机确定初始窗口序号及其观测起止时间，但是由于HXMT卫星对天体目标可见时间通常非常长，这样会导致算法在后续迭代效率很低。因此，本发明采用贪婪随机自适应策略构建种群初始解，包括了基因序列观测窗口序号确定和观测起止时间确定。

对于基因序列观测窗口序号确定，本发明将每个观测任务的观测机会窗口按开始时间升序排序，将观测机会窗口的开始时间作为一个贪婪函数，根据这个准则选择评价值高的部分窗口构成受限候选表(Restricted CandidateList,RCL)。生成一个随机的数值在RCL里进行窗口的选择，在RCL里的是较好的候选窗口，而不一定是最好的候选窗口。RCL的大小是根据一个随机次数η和阈值参数α决定，其中η为已随机次数，α∈[0,1/M]，M表示在产生初始解时随机M次后，才可以达到全随机策略。对于观测任务o，每次在窗口顺序属于[0,|W(o)|×α×η]之间的候选窗口进行选择生成初始解，其中|W(o)|表示候选窗口个数。可以注意到，如果α×η＝0，则每次只能在第一个观测机会窗口进行选择即全贪婪策略；如果α×η＝1，则每次可以在所有的观测机会窗口进行选择即全随机策略。这种启发式的算法有其自适应性，具体体现在每一次迭代时RCL的大小都会更新，因为随着随机次数η的增大，RCL里可选的候选窗口数目也在增大。

对于观测起止时间的确定，本发明采用贪婪随机自适应策略，针对选择后窗口w，按照如下算法确定观测起止时间：根据阈值参数β，β∈[0,1]为经验值，开始时间在[0,β×D(w)]中进行随机选择，结束时间在[β×D(w),D(w)]中随机选择。随机次数η增加到N次后，可将β随机调整大一些。该策略在针对一般性观测任务、相位依赖观测任务以及监测观测任务等不同任务类型时，应做适应性调整，使之满足观测任务时间约束要求。

基于遗传进化算子的规划模型解算是对构建好的初始种群，设计了包括交叉、变异、选择以及约束调整算子的进化算法。将模型优化目标带入算法中计算适应值，并在迭代过程中采用约束调整算子去除操作冲突，最终得到满足规划目标的HXMT卫星任务规划方案。

其中，为了便于验证种群中个体适应值的收敛性，将优化目标在具体的计算中转换为求最小化，如式8和式9所示：

qc′(o)＝M(qc(o))    (式8)

qr′(o)＝M(qr(o))    (式9)

M是将目标函数的适应值转换为求最小化的映射算子，所以优化目标即适应值计算公式转换为：

$\begin{array}{cc}\min & Q^{\&prime;}\left(O\right)=(\underset{o\&Element;O}{\mathrm{\&Sigma;}}{\mathrm{qc}}^{\&prime;}\left(o\right),\underset{o\&Element;O}{\mathrm{\&Sigma;}}{\mathrm{qr}}^{\&prime;}\left(o\right))\end{array}$     (式10)

算法输入包括模型参数最大迭代次数，种群规模，交叉概率，变异概率，观测任务集，输出参数为非支配解集。对于输出的最优解，根据决策者的偏好选择出近似最优解，作为任务规划的输出方案。

本发明HXMT卫星任务规划处理方法，从HXMT卫星实际工作模式和观测需求出发，抽象建立了HXMT卫星四种典型观测任务类型的约束模型，提出了一种以实现质量最大化和完成质量最大化为规划目标的多约束任务规划模型，通过构建贪婪随机与遗传算法相混合的求解算法，实现了规划模型的快速稳定解算。

专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种硬X射线调制望远镜HXMT卫星任务规划处理方法，其特征在于，所述方法包括： 

步骤1，对HXMT卫星观测任务进行预处理； 

步骤2，对所述HXMT卫星典型观测任务类型的约束条件抽象建模； 

步骤3，对所述HXMT卫星基于实现质量和完成质量的多目标多约束任务规划建模； 

步骤4，混合贪婪随机与遗传算法的多目标任务规划处理。 

2.根据权利要求1所述的方法，其特征在于，所述步骤2具体包括：在HXMT卫星观测任务预处理基础上，从HXMT卫星观测任务需求出发，对四类典型的观测任务按照任务类型约束要求进行抽象建模，所述四类典型观测任务包括一般性观测任务、固定时间观测任务、相位依赖观测任务以及监测观测任务。 

3.根据权利要求2所述的方法，其特征在于，对四类典型的观测任务按照任务类型约束要求进行抽象建模具体包括： 

给出基本变量定义，设观测任务集为O，对每一个o∈O，TY(o)表示观测任务的类型，为其中GE为一般观测任务，FT为固定观测时间任务，PE为相位依赖观测任务；MO为监测观测任务；DesD(o)表示观测任务要求的观测时间，Neo(o)表示观测任务要求观测的次数；MinD(o)表示要求有效观测持续的最短时长，MaxD(o)表示要求有效观测持续的最长时长；AW为观测活动窗口集，表示安排的可能执行观测窗口集合；对于每个活动窗口aw∈AW(o)，O(aw)表示相关联的观测任务；W(aw)表示观测活动窗口所在的机会窗口，其中W(aw)∈W(O(aw))；D(aw)表示观测活动窗口的持续时间，S(aw)和E(aw)表示观测活动窗口的开始和结束时间，其中S(aw)<E(aw)。Faw(o)表示观测任务o的第一个观测活动窗口；Law(o)表示观测任务o的最后一个观测活动窗口；next(aw)表示在aw的下一个观测活动窗口，如果 aw＝Law(o)，则

设τ(x)为0、1判断函数，记： 

        (式1) 

设Γ(x)为一维阶跃函数，记： 

         (式2) 

对于一般性观测任务，则需要满足最基本固定观测次数Neo(o)与最短有效观测时间MinD(o)，则有： 

                                     (式3) 

对于固定观测时间任务，则需要按照预先制定的固定的起止时间点和时长开展任务规划，设JW为固定观测时间窗口集，jw为每个固定观测时间窗口且jw∈JW(o)，B(jw)和E(jw)分别表示固定观测时间窗口的开始和结束时间，则有： 

                                     (式4) 

对于相位依赖观测任务，设P为观测周期，N为整数倍数，Pa_max和Pa_min分别为最大最小相位。此类观测任务以P的N的整数倍为观测间隔，可以容忍的最大最小偏离分别为Pa_max和Pa_min；则有如下模型描述： 

           (式5) 

对于监测观测任务，需要同一观测任务相邻两次连续的观测时间间隔必须满足最大间隔I_max与最小间隔I_min，则有如下模型描述： 

               (式6) 

通过对以上四种观测任务类型的抽象建模，进一步结合不同观测任务观测切换时间约束，可见性约束等观测任务约束要求，为下一步的多目标规划模型建立提供约束模型支持。 

4.根据权利要求3所述的方法，其特征在于，所述步骤3具体包括：建立了多目标HXMT卫星任务规划模型： 

                    (式7) 

式7中，O是观测任务集，o∈O表示任务观测集O中的一个观测任务，Q(O)表示规划的目标函数集，p(o)表示观测任务o的优先级权重，qc(o)表示观测任务o的完成质量，qr(o)表示观测任务o实现质量； 

完成质量qc(o)代表了观测任务在任务规划中完成的百分比，可以通过实际有效观测时长除以要求的有效观测总时长计算而得； 

实现质量qr(o)的计算方式与观测任务类型有关：对于一般观测任务目标，实现度由最晚的观测活动窗口与最早的观测活动窗口时间差决定；对于固定观测时间任务，实现度由安排执行窗口起止时间与对应要求观测起止时间的差决定；对于相位依赖观测任务，实现度由观测活动窗口偏离实际周期的相位差决定；对于监测观测任务目标，实现度由连续观测时间间隔平均值与要求的最大间隔与最小间隔时间平均值所决定； 

式7中，任务优先级权重作为一个重要参数引入模型描述，用以反映不同观测任务的优先级对于规划目标的影响，从而将完成质量、实现质量与任务优先级等优化目标统一纳入到规划模型中。 

5.根据权利要求4所述的方法，其特征在于，所述步骤4具体包括：基 于观测窗口序列构造染色体编码处理，基于贪婪随机法构建初始种群处理，基于遗传算子的规划解算处理。 

6.根据权利要求5所述的方法，其特征在于，所述基于观测窗口序列构造染色体编码处理具体包括：根据规划模型的约束条件，在观测任务的观测机会窗口基础上，生成其观测活动窗口，以观测任务的观测窗口序列W作为染色体的基因来编码，根据科学观测提案来确定观测任务的个数，即染色体中基因的个数。 

7.根据权利要求5所述的方法，其特征在于，所述基于贪婪随机法构建初始种群处理具体包括：通常采用全随机策略，在观测任务观测机会窗口内全随机确定初始窗口序号及其观测起止时间，包括了基因序列观测窗口序号确定和观测起止时间确定。 

8.根据权利要求5所述的方法，其特征在于，所述基于遗传算子的规划解算处理具体包括：对构建好的初始种群，利用包括交叉、变异、选择以及约束调整算子的进化算法，将模型优化目标带入算法中计算适应值，并在迭代过程中采用约束调整算子去除操作冲突。