CN104361234B - 一种复杂约束条件下多星多任务观测调度优化方法 - Google Patents

Abstract

本发明涉及一种复杂约束条件下多星多任务观测调度优化方法，属于深空探测技术领域。本发明通过设计改进的蚁群算法实现，将环绕地球一个轨道圈次的一颗卫星资源用一只卫星代表，所有轨道圈次中的卫星资源形成一个蚁群系统；结合观测约束，引入能量需求预估和容量需求预估来控制转移概率。在状态转移规则中考虑了时间、能量和存储量等约束，并且观测调度任务具有优先级,该方法有助于提高真实卫星任务调度中的数据收集能力和应用水平。其中的改进蚁群算法，在可行的迭代范围内即能收敛得到更优质的解。

Description

一种复杂约束条件下多星多任务观测调度优化方法

技术领域

本发明涉及一种复杂约束条件下多星多任务观测调度优化方法，属于深空探测技术领域。

背景技术

航天调度系统担负着合理调配测控资源、支持航天器正常工作的重要任务。其核心是一个复杂的实时离散事件动态系统(DEDS)，其本质是含有复杂约束的多资源、大规模优化问题。近年来由于在轨运行和规划研制的航天器数量、种类越来越多，而测控资源囿于各种限制无法大量增加，因此“星多站少”的矛盾日趋严重，尤其对低轨卫星来说，由于卫星数量多、过境时间短等因素，这一问题尤其突出。世界各国对该问题均十分重视，各国学者结合本国实际进行了多角度的研究。

Burrowbridge的工作在该问题的早期研究中具有较强的代表性，以最大化测控任务数量为目标函数，证明并找到了一类测控资源调度问题的多项式时间算法。其后Barbulescu等人详细证明了一般测控资源调度问题为NPC问题，并以最大化测控任务数量为目标函数，比较了多种常用优化算法在该问题中的求解性能。Tapan以最大化观测时间为目标函数，研究了遗传算法在低轨航天器测控问题中的应用，获得良好效果。张娜等针对该问题建立了一种新的复合独立集模型，在建模方面进行了有益的探索。

综上所述,目前对该问题的研究多以最大化测控任务数量为目标函数，但在实际测控任务中必须考虑任务优先级对调度结果的影响。虽然已有学者开始对这一问题进行研究，但所研究问题各有侧重，尚不全面。例如贺仁杰、李元新等人的研究了单资源系统测控调度问题的求解；对于多资源测控调度，凌晓冬等设计了禁忌遗传算法求解其中一类测控调度问题，将不同航天器赋以不同优先级，目标函数为最大化优先级之和。李玉庆等研究了一类测控弧段具有优先级约束的多资源多航天器调度问题。邱涤珊等研究了电量和存储器容量有限情况下的多星密集观测调度问题。

发明内容

本发明的目的是针对低轨航天器对地观测调度中任务优先级对调度结果的影响问题,提出一种复杂约束条件下多星多任务观测调度优化方法，是一种在时序和资源等约束条件下、具有优先级的大规模多任务调度方法。

本发明通过设计改进的蚁群算法(ACO)实现：将环绕地球一个轨道圈次的一颗卫星资源用一只卫星代表，所有轨道圈次中的卫星资源形成一个蚁群系统；结合观测约束，引入能量需求预估和容量需求预估来控制转移概率。具体步骤如下：

步骤1，对多任务多资源调度问题模型参数(时序参数、优先级参数、存储器容量参数、电量参数)进行初始化，产生待选观测任务集合(地面观测目标所产生的观测任务和地面站所产生的数据下传任务的集合)，并在环绕地球的所有轨道圈次中随机放置多个卫星初始运行位置。

步骤2，进行约束分析，综合考虑各类约束，建立问题模型和约束模型。

所述的各类约束包括：

(a)优先级：在实际任务中，不同的观测目标针对不同的事件，其具备的科学价值与工程价值各不相同，因此，各个观测目标具有各不相同的优先级。

(b)时间约束：在调度过程的每一步都要进行检查。调度过程中的时间约束主要体现为任务之间的时序约束，主要表现为任务的时间参数之间的变量约束。

(c)资源约束：在调度过程的每一步都要进行检查，由于调度过程中卫星的资源具有总量限制，在任意时刻的调度方案中资源使用数量不能超过对应类型资源容量。

(d)观测目标任务的唯一性约束：调度过程中，观测目标任务具有唯一性，而地面站则对数据下传任务来说仅具有即时独占约束。

将多任务多资源问题描述为六元组的形式，建立问题模型如下：

MTRS＝{S,T,P,G,R,W} (1)

其中，S表示卫星集合，设能执行观测任务的卫星数量为N_S，有其中分别表示第1颗卫星，第2颗卫星，…，第N_s颗卫星；T表示所有任务集合，设候选观测任务数量为N_T，则候选观测任务集数据下传任务数量为N_D，则数据下传任务集P表示观测任务优先级的集合，为任务t_i在各卫星上的优先级，即p₁为任务t_i在第1颗卫星上的优先级，p₂为任务t_i在第2颗卫星上的优先级，为任务t_i在第N_S颗卫星上的优先级；G表示地面站集合，地面站数量为N_G，分别表示第1，2,…,N_G个地面站；R表示调度过程中资源约束的集合，R＝{E,C}，其中E表示能量，例如电量、燃料，C表示数据存储容量；W表示可见窗口集合。为卫星s_i的可用观测轨道圈次集，其中N_O为s_i可用观测轨道数量。

建立多任务多资源问题的约束模型为：

①调度的目标函数：

②约束条件：

观测任务执行唯一性约束：

同轨道圈次任务执行时间约束：

卫星单一轨道圈次内电量约束：

当前卫星(卫星资源)的存储器容量约束：

其中，式(6)为总量约束，式(7)为下传活动可行性的存储器容量约束。

对上述约束模型中的参数说明为：

时序参数：d_i为候选任务t_i的观测持续时长；tac_i,j为任务t_i到任务t_j的姿态调整时间长度。

优先级参数：w_i为任务t_i的优先级，对包括观测任务及数据下传任务在内的所有任务的优先级进行随机赋值。

存储器容量参数：为卫星s_p总的可用存储容量；c_i为任务t_i所需占用的存储容量；c_max＝max(c_i)为所有观测任务中占用存储器容量的最大值。

电量参数：为卫星s_p单个轨道圈次内可用的电量总量；e_i为任务t_i观测所需消耗电量；为数据下传任务td_i所需消耗电量；e_M为姿态机动单位角度所需能量；e_S为姿态稳定所需消耗电量，常数值。

调度过程中的决策变量为：

步骤3，对一个轨道圈次内的任意一颗卫星，根据公式(4)计算满足时间约束的任务集合，并判断集合是否为空。即筛选出该卫星在该圈次内能够执行的且满足时序约束的任务集合。

步骤4，在步骤3得到的满足时间约束的任务集合中，根据公式(5)—(7)选取能够同时满足能量和存储容量约束的任务。在满足所有约束的任务集合中，对当前卫星进行状态转移，并逐步得到满足约束的可行任务序列。具体方法为：

采用的状态转移规则为

式中，为卫星k允许执行任务的集合，其中：为所有卫星已经探索过的任务目标，此集合为全局变量。在飞行过程中，卫星的位置是以时间为变量的函数值，所以需要考虑目标之间的时序约束。t_violate_k为当前卫星k的位置时间参数不能满足时间约束的目标任务集合。

q₀为控制转移规则的参数，在[0,1]区间内取值；q为[0,1]区间上均匀分布的随机变量。

τ_ij为任务t_i与任务t_j间的信息素强度；ξ_ij＝tac_i,j+e_j为任务t_i与任务t_j间能量需求影响；ω_j为任务t_j优先级的影响。

θ_j为存储器容量需求的影响。

步骤5，经过步骤4的状态转移后，输出当前卫星在该圈次内需要探索的可行任务序列，更新信息素。信息素更新策略采用所有卫星同步迭代的转移方式，具体方法如下：

步骤5.1，为所有卫星随机分配初始目标，然后所有卫星根据状态转移规则依次选择下一任务，当所有的卫星完成可行任务序列构造，得到所有卫星的可行任务序列集合为：

若无法找到任务，则返回该卫星的可行任务序列t_f_i，执行步骤5.2。

步骤5.2，将TF收益与当前最优任务执行序列集TF_Best作比较。

若TF的总收益P_TF，即全部卫星探索任务的目标函数值(任务的优先级与获得数据量的乘积之和)，不大于TF_Best的总收益P_Best(全部卫星最优探索任务的目标函数值)，则TF所有边上的信息素挥发。

步骤5.3，经过挥发更新之后，任务t_i与任务t_j间的信息素浓度为：其中ρ为信息素挥发度，为任务t_i与任务t_j间的原信息素强度。若当前迭代步骤产生任务序列的总收益P_TF大于P_Best，则更新全局最优任务执行序列集TF_Best＝TF。

为加速收敛，每次循环仅在当前迭代步数达到N_max时，对当前全局最优任务执行序列集中的信息素浓度进行更新：

式中其中Q为预设参数，L_Best为任务执行时资源参数的影响：

步骤6，设置蚁群算法最大遗传代数为N_max，若迭代步数未达到N_max，则重新执行步骤3-步骤5，每个迭代步骤中，所有卫星都完成自己的寻找过程；当迭代步数等于N_max时，对当前全局最优任务执行序列集中的信息素浓度进行更新，完成一次循环，并输出结果TF_best。

有益效果

本发明在状态转移规则中考虑了时间、能量和存储量等约束，并且观测调度任务具有优先级,该方法有助于提高真实卫星任务调度中的数据收集能力和应用水平。其中的改进蚁群算法，在可行的迭代范围内即能收敛得到更优质的解。

附图说明

图1是本发明方法的流程框图；

图2是具体实施方式中基本蚁群算法和改进蚁群算法运行过程中单步收益和最大收益的计算情况；其中，虚线表示基本ACO算法获得的收益变化曲线，实线表示加入启发式之后改进ACO获得的收益变化曲线。

具体实施方式

本发明的目的是为解决低轨航天器对地观测调度过程中任务优先级影响调度结果的问题,研究在时序和资源约束等约束条件下、具有优先级的大规模多任务调度方法，提出一种复杂约束条件下的多星多任务观测调度优化方法。

本发明方法通过设计改进的蚁群算法(ACO)实现：用一只蚂蚁表示环绕地球一圈内(一个轨道圈次)的一颗卫星资源，所有轨道圈次中的卫星资源形成一个蚁群系统；结合观测约束，引入能量需求预估和容量需求预估来控制转移概率。具体步骤如下：

1.对多任务多资源调度问题模型参数(时序参数、优先级参数、存储器容量参数、电量参数等)进行初始化，产生待选观测任务集合(地面观测目标所产生的观测任务和地面站所产生的数据下传任务两部分的集合)，并随机放置卫星初始运行位置。

首先，综合考虑各类约束，建立约束模型。

约束分析:

(a)优先级：各目标具有各不相同的优先级。在实际任务中，不同的观测目标针对不同的事件，其具备的科学价值与工程价值各不相同。

(b)资源约束和时间约束在调度过程的每一步都要进行检查，并且任意时刻都不应超出资源容量。调度过程中的时间约束主要体现为任务之间的时序约束，主要表现为任务的时间参数之间的变量约束。

(c)资源约束则是由于调度过程中卫星的资源具有总量限制，其主要体现在调度方案的资源使用数量不能超过对应类型资源的总量。

(d)调度过程中，观测目标任务具有唯一性约束；而地面站则对数据下传任务来说仅具有即时独占约束。

多任务多资源问题模型:

多任务多资源问题可以描述为六元组的形式：

MTRS＝{S,T,P,G,R,W} (1)

其中，S表示卫星集合，设能执行观测任务的卫星数量为N_S，有其中分别表示第1颗卫星，第2颗卫星，…，第N_s颗卫星等；T表示所有任务集合，设候选观测任务数量为N_T，数据下传任务数量为N_D，P表示观测任务优先级的集合，为任务t_i在各卫星上的优先级，即p₁为任务t_i在第1颗卫星上的优先级，p₂为任务t_i在第2颗卫星上的优先级，为任务t_i在第N_S颗卫星上的优先级；G表示地面站集合，设地面站数量为N_G， 分别表示第1，2,…,N_G个地面站；R表示调度过程中资源约束的集合，R＝{E,C}，其中E表示能量，例如电量、燃料，C表示数据存储容量量；W表示可见窗口集合。为卫星s_i的可用观测轨道圈次集，其中N_O为s_i可用观测轨道数量。

时序参数：d_i为候选任务t_i的观测持续时长；tac_i,j为任务t_i到任务t_j的姿态调整时间长度。

优先级参数：w_i为任务t_i的优先级，本发明对包括观测任务及数据下传任务在内的所有任务进行随机的优先级赋值。

存储器容量参数：为卫星s_p总的可用存储容量；c_i为任务t_i所需占用的存储容量；c_max＝max(c_i)为所有观测任务中占用存储器容量的最大值。

电量参数：为卫星s_p单个轨道圈次内可用的电量总量；e_i为任务t_i观测所需消耗电量；为数据下传任务td_i所需消耗电量；e_M为姿态机动单位角度所需能量；e_S为姿态稳定所需消耗电量，常数值。

调度过程中的决策变量为：

约束模型:

调度的目标函数为：

约束条件：

观测任务执行唯一性约束：

同轨道圈次任务执行时间约束：

卫星单一轨道圈次内电量约束：

当前卫星的存储器容量约束：

其中，“卫星单一轨道圈次内电量约束”为总量约束，“当前卫星的存储器容量约束”为下传活动可行性的存储器容量约束。

2.对一个圈次内的一颗卫星，计算满足时序约束的任务集合，并判断集合是否为空。即筛选出该卫星在该圈次内能够执行的且满足时序约束的任务集合。其中时间约束满足“同轨道圈次任务执行时间约束”。

3.在满足时序约束的任务集合中，选取能够同时满足能量和存储容量约束的任务。在满足所有约束的任务集合中，对当前蚂蚁进行状态转移，并逐步得到满足约束的任务序列。

状态转移规则为

式中，为卫星k允许执行任务的集合，其中：为所有卫星已经探索过的任务目标，此集合为全局变量。在飞行过程中，卫星的位置是以时间为变量的函数值，所以需要考虑目标之间的时序约束。t_violate_k为当前卫星k位置时间参数不能满足时序约束的目标任务集合。

q₀为控制转移规则的参数，在[0,1]区间内取值；q为[0,1]区间上均匀分布的随机变量。

τ_ij为任务t_i与任务t_j间的信息素强度；ξ_ij＝tac_i,j+e_j为任务t_i与任务t_j间能量需求影响；ω_j为任务t_j优先级的影响。

θ_j为存储器容量需求的影响。

其中，优化参数设置为：α＝1，β＝3，γ＝2，q₀＝0.5，ρ＝0.1。

4.经过状态转移后，输出当前卫星在该圈次内需要探索的任务序列，更新信息素。信息素更新策略如下：

蚁群算法采用所有卫星同步迭代的转移方式。首先为所有卫星随机分配初始目标，所有卫星依次选择下一任务，若无法找到任务，则返回该卫星的可行任务序列t_f_i。当所有的卫星完成任务序列构造，可得到可行任务序列集合为：

将TF收益与当前最优任务执行序列集TF_Best作比较。

若TF的总收益，即全部卫星探索任务的目标函数值(任务的优先级与获得数据量的乘积之和)P_TF不大于TF_Best的总收益P_Best，则TF所有边上的信息素挥发。经过挥发更新之后，信息素浓度为：其中ρ为信息素挥发度，为任务t_i与任务t_j间的原信息素强度。若新生成任务序列的总收益P_TF大于P_Best，则更新全局最优解TF_Best＝TF。为加速收敛，仅在当前迭代步数达到N_max时，对当前全局最优解中任务序列上的信息素浓度进行更新：

式中其中Q为预设参数，L_Best为任务执行时资源参数的影响：

5.搜索终止：设置蚁群算法最大遗传代数N_max，若迭代步数未达到N_max，则返回步骤2，由此形成循环。每个迭代步骤中，所有卫星都完成自己的寻找过程，当算法的迭代次数达到N_max时停止操作，并输出结果。

Claims (3)

1.一种复杂约束条件下多星多任务观测调度优化方法，其特征在于：包括如下步骤：

步骤1，对多任务多资源调度问题模型的时序参数、优先级参数、存储器容量参数、电量参数进行初始化，产生待选观测任务集合，并在环绕地球的所有轨道圈次中随机放置多个卫星初始运行位置；

步骤2，进行约束分析，综合考虑各类约束，建立问题模型和约束模型；

将多任务多资源问题描述为六元组的形式，建立问题模型如下：

MTRS＝{S,T,P,G,R,W} (1)

其中，S表示卫星集合，设能执行观测任务的卫星数量为N_S，有其中分别表示第1颗卫星，第2颗卫星，…，第N_s颗卫星；T表示所有任务集合，设候选观测任务数量为N_T，则候选观测任务集数据下传任务数量为N_D，则数据下传任务集P表示观测任务优先级的集合，为任务t_i在各卫星上的优先级，p₁为任务t_i在第1颗卫星上的优先级，p₂为任务t_i在第2颗卫星上的优先级，为任务t_i在第N_S颗卫星上的优先级；G表示地面站集合，地面站数量为N_G，分别表示第1，2,…,N_G个地面站；R表示调度过程中资源约束的集合，R＝{E,C}，其中E表示能量，C表示数据存储容量；W表示可见窗口集合；为卫星s_i的可用观测轨道圈次集，其中N_O为s_i可用观测轨道数量；

建立多任务多资源问题的约束模型为：

①调度的目标函数：

$P=\underset{i=1}{\overset{N_T}{\mathrm{\Σ}}}\underset{m=1}{\overset{N_O}{\mathrm{\Σ}}}\underset{p=1}{\overset{N_S}{\mathrm{\Σ}}}{w}_i{c}_{m_i}^P{c}_i---\left(2\right)$

②约束条件：

观测任务执行唯一性约束：

$\underset{i=1}{\overset{N_T}{\mathrm{\Σ}}}\underset{m=1}{\overset{N_O}{\mathrm{\Σ}}}\underset{p=1}{\overset{N_S}{\mathrm{\Σ}}}{\mathrm{ct}}_{\mathrm{ij}}^{\mathrm{pm}}=\underset{r=1}{\overset{N_T}{\mathrm{\Σ}}}\underset{m=1}{\overset{N_O}{\mathrm{\Σ}}}\underset{p=1}{\overset{N_S}{\mathrm{\Σ}}}{\mathrm{ct}}_{\mathrm{jr}}^{\mathrm{pm}}=\underset{m=1}{\overset{N_O}{\mathrm{\Σ}}}\underset{p=1}{\overset{N_S}{\mathrm{\Σ}}}{c}_{\mathrm{mj}}^p---\left(3\right)$

同轨道圈次任务执行时间约束：

$c_{\mathrm{ij}}^{\mathrm{Pm}}=1,{\mathrm{obt}}_{\mathrm{mj}}^p\≥{\mathrm{obt}}_{\mathrm{mi}}^p+d_i+{\mathrm{tac}}_{\mathrm{ij}}---\left(4\right)$

卫星单一轨道圈次内电量约束：

$\underset{{\mathrm{tp}}_i\∈T}{\mathrm{\Σ}}{e}_i{c}_{\mathrm{mi}}^p+\underset{{\mathrm{td}}_j\∈D}{\mathrm{\Σ}}{e}_j^d{r}_{\mathrm{mj}}^P+\underset{t_i\∈(T\∪D)}{\mathrm{\Σ}}(e_m{\mathrm{tac}}_{\mathrm{ij}}+e_s){\mathrm{ct}}_{\mathrm{ij}}^{\mathrm{pm}}\≤E_s^p---\left(5\right)$

当前卫星(卫星资源)的存储器容量约束：

总量约束： $\underset{m=1}{\overset{N_O}{\mathrm{\Σ}}}\underset{i=1}{\overset{N_T}{\mathrm{\Σ}}}{c}_i{c}_{\mathrm{mi}}^p+\underset{m=1}{\overset{N_O}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_D}{\mathrm{\Σ}}}{c}_j{r}_{\mathrm{mj}}^{\mathrm{Pm}}\≤C_s^p---\left(6\right)$

下传活动可行性的存储器容量约束：

上述约束模型中：

时序参数：d_i为候选任务ti的观测持续时长；tac_i,j为任务t_i到任务t_j的姿态调整时间长度；

优先级参数：w_i为任务t_i的优先级，对包括观测任务及数据下传任务在内的所有任务的优先级进行随机赋值；

存储器容量参数：为卫星s_p总的可用存储容量；c_i为任务t_i所需占用的存储容量；c_max＝max(c_i)为所有观测任务中占用存储器容量的最大值；

电量参数：为卫星s_p单个轨道圈次内可用的电量总量；e_i为任务t_i观测所需消耗电量；为数据下传任务td_i所需消耗电量；e_M为姿态机动单位角度所需能量；e_S为姿态稳定所需消耗电量，常数值；

调度过程中的决策变量为：

步骤3，对一个轨道圈次内的任意一颗卫星，根据公式(4)计算满足时间约束的任务集合，并判断集合是否为空；筛选出该卫星在该圈次内能够执行的且满足时序约束的任务集合；

步骤4，在步骤3得到的满足时间约束的任务集合中，根据公式(5)—(7)选取能够同时满足能量和存储容量约束的任务；在满足所有约束的任务集合中，对当前卫星进行状态转移，并逐步得到满足约束的可行任务序列；具体方法为：

采用的状态转移规则为

式中， ${\mathrm{allowed}}_k\left(t_i\right)=T-\underset{i=1}{\overset{N_O{N}_S}{\mathrm{\Σ}}}{\mathrm{tabu}}_i-t\_{\mathrm{violate}}_k$ 为卫星k允许执行任务的集合，其中：为所有卫星已经探索过的任务目标，此集合为全局变量；t_violate_k为当前卫星k的位置时间参数不能满足时间约束的目标任务集合；

q₀为控制转移规则的参数，在[0,1]区间内取值；q为[0,1]区间上均匀分布的随机变量；

τ_ij为任务t_i与任务t_j间的信息素强度；ξ_ij＝tac_i,j+e_j为任务t_i与任务t_j间能量需求影响；ω_j为任务t_j优先级的影响；

${\mathrm{\θ}}_j=\left\{\begin{array}{cc}\inf & \underset{m=1}{\overset{N_O}{\mathrm{\Σ}}}\underset{i=1}{\overset{N_T}{\mathrm{\Σ}}}{c}_i{c}_{\mathrm{mi}}^p-\underset{m=1}{\overset{N_O}{\mathrm{\Σ}}}\underset{j=1}{\overset{N_D}{\mathrm{\Σ}}}{c}_j{r}_{\mathrm{mj}}^p\≤c_{\max }\\ 1& \mathrm{else}\end{array}\right.---\left(13\right)$

θ_j为存储器容量需求的影响；

步骤5，经过步骤4的状态转移后，输出当前卫星在该圈次内需要探索的可行任务序列，更新信息素；信息素更新策略采用所有卫星同步迭代的转移方式，具体方法如下：

步骤5.1，为所有卫星随机分配初始目标，然后所有卫星根据状态转移规则依次选择下一任务，当所有的卫星完成可行任务序列构造，得到所有卫星的可行任务序列集合为：

$\mathrm{TF}=\underset{i=1}{\overset{N_O{N}_S}{\∪}}t\_f_i---\left(14\right)$

若无法找到任务，则返回该卫星的可行任务序列t_fi，执行步骤5.2；

步骤5.2，将TF收益与当前最优任务执行序列集TF_Best作比较；

若TF的总收益P_TF不大于TF_Best的总收益P_Best，则TF所有边上的信息素挥发；

步骤5.3，经过挥发更新之后，任务t_i与任务t_j间的信息素浓度为：其中ρ为信息素挥发度，为任务t_i与任务t_j间的原信息素强度；若当前迭代步骤产生任务序列的总收益P_TF大于P_Best，则更新全局最优任务执行序列集TF_Best＝TF；

每次循环仅在当前迭代步数达到N_max时，对当前全局最优任务执行序列集中的信息素浓度进行更新：

${\mathrm{\τ}}_{\mathrm{ij}}^{\mathrm{new}}=(1-\mathrm{\ρ}){\mathrm{\τ}}_{\mathrm{ij}}^{\mathrm{old}}+{\mathrm{\Δ\τ}}_{\mathrm{ij}}---\left(15\right)$

式中其中Q为预设参数，L_Best为任务执行时资源参数的影响：

$L_{\mathrm{Best}}=\underset{t_i,t_j\∈{\mathrm{TF}}_{\mathrm{Best}}}{\mathrm{\Σ}}{\mathrm{\ξ}}_{\mathrm{ij}}---\left(16\right)$

步骤6，设置蚁群算法最大遗传代数为N_max，若迭代步数未达到N_max，则重新执行步骤3-步骤5，每个迭代步骤中，所有卫星都完成自己的寻找过程；当迭代步数等于N_max时，对当前全局最优任务执行序列集中的信息素浓度进行更新，完成一次循环，并输出结果TF_best。

2.根据权利要求1所述的一种复杂约束条件下多星多任务观测调度优化方法，其特征在于：步骤2所述的各类约束包括：

(a)优先级：在实际任务中，不同的观测目标针对不同的事件，其具备的科学价值与工程价值各不相同，因此，各个观测目标具有各不相同的优先级；

(b)时间约束：在调度过程的每一步都要进行检查；调度过程中的时间约束主要体现为任务之间的时序约束，主要表现为任务的时间参数之间的变量约束；

(c)资源约束：在调度过程的每一步都要进行检查，由于调度过程中卫星的资源具有总量限制，在任意时刻的调度方案中资源使用数量不能超过对应类型资源容量；

(d)观测目标任务的唯一性约束：调度过程中，观测目标任务具有唯一性，而地面站则对数据下传任务来说仅具有即时独占约束。

3.根据权利要求1所述的一种复杂约束条件下多星多任务观测调度优化方法，其特征在于：总收益P_TF为全部卫星探索任务的目标函数值，计算方法为任务的优先级与获得数据量的乘积之和；总收益P_Best为全部卫星最优探索任务的目标函数值。