CN106022586A - 一种基于案例匹配的卫星观测任务规划方法 - Google Patents
一种基于案例匹配的卫星观测任务规划方法 Download PDFInfo
- Publication number
- CN106022586A CN106022586A CN201610318702.3A CN201610318702A CN106022586A CN 106022586 A CN106022586 A CN 106022586A CN 201610318702 A CN201610318702 A CN 201610318702A CN 106022586 A CN106022586 A CN 106022586A
- Authority
- CN
- China
- Prior art keywords
- case
- task
- satellite
- matching
- population
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radio Relay Systems (AREA)
Abstract
本发明属于卫星对地观测领域,涉及一种基于案例匹配的卫星观测任务规划方法,包括步骤:(S1)根据历史任务规划结果,按照案例生成方法生成案例并建立案例库;(S2)计算卫星回归周期,设置规划参数和综合评价值函数;(S3)读取案例库,对待规划任务集的目标集和案例集的目标集进行相似目标匹配;(S4)对待规划任务集进行案例匹配;(S5)对候选案例集进行案例修正;(S6)按照案例法初始化策略和随机法初始化策略,分别形成案例法初始种群和随机法初始种群;(S7)进行第一阶段进化;(S8)将进化种群合并为一个种群进行第二阶段进化,得到最终种群,选取最优解作为最终结果;(S9)对最终结果进行匹配,若不匹配则存入案例库。
Description
技术领域
本发明属于卫星对地观测领域,尤其涉及一种基于案例匹配的卫星观测任务规划方法。
背景技术
从1957年前苏联发射第一颗人造地球卫星至今,航天器技术取得了长足进步,作为航天器家族中最为重要的类别之一,对地观测卫星主要利用星载传感器对地球表面和低层大气进行探测以获取有关信息,具有覆盖区域广、持续时间长、不受空域国界限制、不涉及人员安全等独特优势。目前,对地观测卫星在军事、灾害预测与防治、环境保护、城市规划以及农业、气象等等诸多领域发挥着不可替代的作用。
目前,传统的卫星观测任务规划业务流程大致如下:首先地面运控中心受理用户规划请求,根据本中心与规划卫星信息、数传资源信息和相应的约束条件进行规划,确定卫星观测与数据传输动作;然后依据任务规划的结果生成载荷控制指令,并经由地面测控设备将载荷指令发送至对地观测卫星;对地观测卫星执行相应指令进行观测与数据传输,将获得的观测数据发送给地面接收设备,再由其它地面应用系统进行处理,最后将处理后的数据发送给用户。
当前,卫星观测任务规划问题已经受到了世界各国研究人员的广泛关注,在该领域进行了大量卓有成效的研究,并取得了丰硕的研究成果。但是,现阶段该领域研究的主导思想和设计流程是从卫星任务规划的问题、需求与结果之间的机理入手,有针对性地设计出具体的卫星任务规划框架模型(如约束满足模型、基于图论的模型),或者专门针对具体型号的卫星进行系统设计,然后设计出具体的算法,其中的各项指标参数都是由人工来完成设计的,之后在实验仿真以及实践应用中,根据结果和用户的要求,往往需要对参数、算法甚至是框架模型进行优化和修改,力求提高性能,得到更加合理的规划结果,满足用户需求。
以上方法的出发点是针对实际问题建立相应的模型,对以往的规划结果利用较少,导致每次规划都需要重新进行运算,运算速度没有本质提高,并且对用户需求满意度考虑相对较少,阻碍了用户参与决策的机会。
发明内容
本发明提出了一种基于案例匹配的卫星观测任务规划方法,通过本发明,能够快速地计算出符合人们预期的卫星观测任务规划方案,从而能够满足卫星观测任务规划的快速性要求,并且更加符合人们的预期。具体技术方案如下:
一种基于案例匹配的卫星观测任务规划方法,包括以下步骤:
(S1)根据历史任务规划结果,按照案例生成方法生成案例,并建立案例库;
(S2)根据卫星相关参数计算卫星的回归周期,设置目标相似范围阈值、错开轨数、单轨匹配阈值、整体匹配阈值、最大遗传代数、连续进化代数上限、种群规模、案例初始种群比例、进化阶段分界值、交叉概率、变异概率等参数,设置综合评价值函数;
(S3)读取步骤(S1)中的案例库,按照目标相似准则,对待规划任务集的目标集和案例集的目标集进行相似目标匹配;
(S4)根据案例集以及步骤(S3)中的相似目标匹配结果,按照案例匹配方法,对待规划任务集进行案例匹配,形成候选案例集;
(S5)按照案例修正方法,对候选案例集进行案例修正,得到修正结果;
(S6)按照案例法初始化策略和随机法初始化策略,分别形成案例法初始种群和随机法初始种群,两个种群的规模由案例初始种群比例参数决定;
(S7)对步骤(S6)中的案例法初始种群和随机法初始种群,在各自种群中反复执行选择、交叉、变异操作,此系列操作视为第一阶段进化过程,当进化代数达到进化阶段分界值时结束该步骤;
(S8)将步骤(S7)中第一阶段进化过程所得的案例法种群和随机法种群合并为一个种群,对合并后的种群反复进行选择、交叉、变异操作,此系列操作视为第二阶段进化过程,当进化代数达到连续进化代数上限,或者达到最大进化代数,则结束该步骤,得到最终种群,选取最终种群中综合评价值最高的个体作为最优解,即卫星观测任务规划的最终结果;
(S9)对最终结果与案例库中的案例集按照案例匹配方法进行匹配,如果匹配不成功,则将此次的最终结果作为新案例存入案例库。
进一步地,所述步骤(S1)中的案例生成方法:将历史任务规划结果中的各任务属性和各任务观测情况进行信息提取,每次规划结果提取的信息做为一个案例。
进一步地,所述步骤(S3)中的目标相似准则为:两个优先级相同的目标,根据它们的经纬度可以计算出它们的球面距离(若为区域目标,则选取其区域重心为参考点进行球面距离计算),如果该球面距离不大于此优先级下的目标相似范围阈值,则认为这两个目标相似。
进一步地,所述步骤(S4)中的案例匹配方法为:将当前待规划任务的规划时段向前或向后推移卫星回归周期的整数倍,得到一系列周期性的时段信息,在案例库中找出此系列时段上的案例集,将相同轨道圈次的任务看作一个片段,之后,将当前待规划任务与案例集中的每个案例进行逐个片段的匹配,每次片段间的匹配会得到一个单轨匹配值,而每个案例在进行逐个片段间的匹配后会得到一个单轨匹配值序列,根据此序列计算出该案例的整体匹配值,最后,根据单轨匹配阈值和整体匹配阈值两个参数判定整个案例集中的各个案例是否匹配成功,匹配成功的案例形成候选案例集。
进一步地,所述步骤(S5)中的案例修正方法为:将相同轨道圈次的任务看作一个片段,则候选案例集的每个候选案例都与待规划任务集存在片段间的匹配关系,对待规划任务集的每个片段,遍历与之对应匹配的各个候选案例中相应的片段,根据各个候选案例的任务观测信息,计算各个候选案例中相应片段的综合评价值,选取综合评价值最高的片段作为待规划任务集中当前片段的修正结果。
进一步地,所述步骤(S6)中的案例法初始化策略为:将相同轨道圈次的任务看作一个片段,遍历待规划任务集的每个片段,在修正结果中找到与其相匹配的片段,参考相似目标匹配结果,将修正结果中当前片段内的任务观测信息赋值给待规划任务集的对应片段,并进行片段内的约束冲突处理,当待规划任务集的所有片段都遍历后,将各片段内未进行初始化处理的任务按照随机法策略进行处理。
进一步地,所述步骤(S6)中的随机法初始化策略为:随机选取待规划任务集中的任意一个未经处理的任务,将其标记为观测确认与处理确认,同时进行二元约束检测与冲突消解,约束检测中被遍历到的任务也标记为处理确认,依此法反复进行,直到所有任务均标记为处理确认为止。
进一步地,所述进化过程中的选择、交叉、变异操作具体过程为:在种群中,按轮盘赌的选取方式两两配对,完成选择操作;采用多点交叉方式,在每颗卫星的任务序列中选择一个交叉点基因,完成交叉操作;采用单点随机变异方式,完成变异操作。
进一步地所述步骤(S2)中的卫星相关参数包括地球半径、卫星离地高度、万有引力常数和地球质量。
为便于理解本发明,上述相关概念进一步解释为:卫星观测任务规划是说所有卫星对所有目标的访问时段(即观测时段)已知,任意一颗卫星在某时段对某目标的访问作为一个观测任务,根据约束条件,对所有观测任务进行规划,即为每个任务作出是否开机进行观测的判断。待规划任务集是指所有待规划任务组成的集合,待规划任务集的目标集即所有待规划任务需要观测的目标组成的集合。案例集的目标集同理。
某观测任务具有两个决策变量——是否观测与是否处理,是否观测是对当前任务是否进行开机确认以进行观测的描述,是否处理是对当前任务是否作出观测判断的描述。
采用本发明获得的有益效果:本发明解决了卫星观测任务规划中问题,通过将历史的卫星观测任务规划结果形成案例库,以遗传算法为基础,采用基于案例匹配的方法对遗传算法进行改造,可以快速地计算出符合人们预期的卫星观测任务规划方案。
附图说明
图1是本发明的实施流程图;
图2是案例获取示意图;
图3是多片段匹配示意图;
图4是整体匹配示意图;
图5是初始种群编码示意图;
图6是交叉操作示意图。
具体实施方式
为了更好地对本发明做进一步的说明,下面结合附图对本发明进行详细描述。
如图1所示,本发明的具体实现流程如下:
步骤(S1),根据历史任务规划结果,按照案例生成方法生成案例,并建立案例库;
卫星观测任务规划就是从任务集中选取一个子集,并确定各个任务的工作模式,使得该子集可满足卫星所有约束条件且综合效益最大。
(1.1),设参加规划的s颗卫星组成的集合为SAT={Sat1,Sat2,…,Sats},s为整数,可表示为: 各物理量含义如下表:
(1.2),设规划任务中t个目标组成的集合为TARGET={Tar1,Tar2,…,Tart},可表示为: 各物理量含义如下表:
(1.3),设规划任务中卫星Sat需要执行的p个观测任务所组成的任务集合为可表示为:
表示卫星Sat在时间窗口中对目标Tarjob存在可访问性,
其中,各物理量含义如下表:
(1.4),设给定规划时段wSchedule=[tS,tE],其中,tS是规划起始时间,tE是规划结束时间。
(1.5),设卫星Sat传感器工作时段集合为则可表示为其中,为工作起始时间,为工作结束时间。若能确定工作时段setup为卫星Sat的第a次工作时段,则又可以将setup表示为其中,是卫星Sat第a次开机时间,是卫星Sat第a次关机时间。
(1.6),设卫星Sat轨道圈次集合为QSat,卫星Sat轨道天次集合为DSat,卫星Sat在第q圈的传感器工作时段集合为CIRCLESat[q],在第d天的传感器工作时段集合为DAYSat[d],则有
其中CIRCLESat[q]表示卫星Sat所有圈次传感器工作时段的集合,即SETUPSat,也等于DAYSat[d]。
(1.7),设历史上某次s颗卫星的规划结果集合为:
其中,表示卫星Sat的规划结果,有 且JOB_DOSat中各任务的工作模式已确定。JOB_DOSat必须满足卫星所有约束,约束条件设置如下:
(1.7.1)模式切换约束:星载传感器进行模式切换需要的时间应不小于最短模式切换时间。
有
(1.7.2)单次开机时间约束:星载传感器单次开机时间应不小于单次最短开机时间,不大于单次最长开机时间。
有
其中,表示单次最短开机时间,表示单次最长开机时间。
(1.7.3)两次开机时间间隔约束:星载传感器一次关机后,必须等待一段时间,才能再次开机。
有
其中,表示时间间隔约束值。
(1.7.4)单圈最长开机时间约束:星载传感器单圈累计开机时间应不大于单圈最长开机时间。
有
其中,表示单圈最长开机时间。
(1.7.5)单天最长开机时间约束:星载传感器单天累计开机时间应不大于单天最长开机时间。
有
其中,表示单天最长开机时间。
(1.7.6)单天最大开机次数约束:星载传感器单天累计开机次数应不大于单天最大开机次数。
有
其中,表示单天最大开机次数,|DAYSat[d]|表示集合中元素的个数,即单天累计开机次数。
将卫星约束分为局部约束和全局约束两大类,局部约束表示约束条件只对卫星规划时段的某一局部时段有影响,全局约束表示约束条件对卫星整个规划时段都有影响。在进行约束检测和冲突消解中,局部约束产生的局部冲突可在算法从前至后的编码过程中逐一消解,而全局约束产生的全局冲突则需要在编码过程全部结束并消除局部冲突后才能进行检测和消解。模式切换约束、单次开机时间约束、两次开机时间间隔约束一定是局部约束。
为某次规划结果JOB_DOg创建案例(此处g表示规划次序),案例需要表示规划结果中的各任务属性和各任务观测情况。
(1.8)设卫星Sat第g次规划结果产生的案例为
其中,X(job)表示任务集job的观测情况,O(job)表示任务集job的轨道圈次集合,各物理量含义如下表:
由规划结果JOB_DOg会生成各个卫星的案例,这些案例会组成该次规划结果的案例集s表示案例集中案例个数(某次规划中,s颗卫星即产生s个案例),将该案例集存入案例库CASE_DB中。随着规划次数的增加,案例库的规模也会增大。
步骤(S2),根据卫星相关参数计算卫星的回归周期,设置目标相似范围阈值、错开轨数、单轨匹配阈值、整体匹配阈值、最大遗传代数、连续进化代数上限、种群规模、案例初始种群比例、进化阶段分界值、交叉概率、变异概率等参数,设置综合评价值函数;
各参数字母表示如下表:
综合评价值函数设置如下:
(2.1)目标时效性准则:
(2.2)目标重要性准则:
(2.3)三域(时域、频域、空域)覆盖性准则:
以上三个公式中的物理量含义如下:
其中,FAT(job)=F(Tarjob,y(job))+A(Tarjob)+T(Tarjob)。F(x,y)是频域覆盖性计算函数,A(x)是空域覆盖性计算函数,T(x)是时域覆盖性计算函数。具体定义如下:
其中x∈TARGET,y∈PATTENx。
将以上三个指标通过加权的方式得到最终的综合评价值:
V=αurg Vurg+αimp Vimp+αcov Vcov
根据经验及仿真实验,对目标相似范围阈值错开轨数nOrbitStagger、单轨匹配阈值mSingleMatch、整体匹配阈值mWholeMatch、最大遗传代数nMax、连续进化代数上限nEvolveUpper、种群规模nGroupNum、案例初始种群比例rCaseGroup、进化阶段分界值nBoundary、交叉概率pCross、变异概率pMute、综合评价值权重参数αurg、αimp和αcov进行设置。
步骤(S3),读取步骤(S1)中的案例库,按照目标相似准则,对待规划任务集的目标集和案例集的目标集进行相似目标匹配;
两个优先级相同的目标,根据它们的经纬度可以计算出它们的球面距离(若为区域目标,则选取其区域重心为参考点),如果该球面距离不大于此优先级下的目标相似范围阈值,则这两个目标相似。
设某卫星Sat的待规划任务集的目标集为t1为目标集TARGET_T中的元素个数,取整数;某案例的目标集为t2为目标集TARGET_C中的元素个数,取整数;则Tar_ti和Tar_cj的球面距离D(i,j)为:
上式中,C(i,j)为中间量,R为地球半径。
判断Tar_ti与Tar_cj相似性的目标相似准则如下:
(4.1)若二者优先级不同,即则二者不相似;
(4.2)若二者优先级相同,即计算二者的球面距离D(i,j),若球面距离不大于当前优先级下的目标相似范围阈值即则二者相似,若则二者不相似。
遍历TARGET_T中的每个目标,在TARGET_C中的找出与之最相似的目标(即球面距离最小的目标),找到此最相似目标后则做上标记,保证此后该目标不会与其它目标匹配,这样就形成了TARGET_T中部分目标集合TARGET_T_part到TARGET_C中部分目标集合TARGET_C_part的一一映射此映射可表示为集合
其中,可表示为
Match(i,j)=(Tar_ti,Tar_cj)
步骤(S4),根据案例集以及步骤(S3)中的相似目标匹配结果,按照案例匹配方法,对待规划任务集进行案例匹配,形成候选案例集;
对卫星Sat进行案例匹配的方法为:
(4.1)计算卫星的回归周期T_Sat,方法如下:
(4.1.1)卫星绕地球公转一圈所用时长为
其中,R为地球半径,h为卫星离地高度,G为万有引力常数,M为地球质量;
(4.1.2)地球在T1时长内自转角度为:360°×T1/24=15T1,其中T1单位为小时,计算结果单位为度;
(4.1.3)计算卫星回归周期:
15T1·N1=360°·N2
其中N1与N2皆为正整数,则有
上式中,T1单位为小时,N2的取值要保证N1为整数,则卫星回归周期为
上式计算出的卫星回归周期T_Sat单位为小时,若以天为单位,则T_Sat=N2。
(4.2)从案例库中寻找合适的案例集,方法如下:
(4.2.1)当前待规划任务的规划时段为wschedule=[tS,tE],将wschedule向前或向后推移卫星回归周期T_Sat的整数倍,可以得到一系列周期性的时段信息{[tS±nT_Sat,tE±nT_Sat]|n为整数};
(4.2.2)从案例库CASE_DB中找出时段{[tS±nT_Sat,tE±nT_Sat]|n为整数}上的所有案例对于每个案例(h,m均为整数,h取值为1,2,…,m)其首尾轨道圈次分别为和将案例的任务集进行扩充,将从轨到轨的所有任务合并为新的任务集(参数nOrbitStagger为错开轨数),用来对卫星回归周期计算时产生的误差进行修正,新任务集形成的案例记为图2为案例获取示意图,设初始片段数为N,图中错开轨数nOrbitStagger取值为2,中间从第3片段到第N+2片段为初始的案例经过前后2个片段的扩充后,形成最终的案例记这些新案例组成的案例集为
(4.3)设s颗卫星的待规划任务集为TASK={TASK1,TASK2,…,TASKs},卫星Sat的待规划任务集可表示为
其中,X(job)表示任务集job的观测情况,O(job)表示任务集job的轨道圈次集合,各物理量含义如下表:
用案例集CASESat对待规划任务集TASKSat进行案例匹配,方法如下:
(4.3.1)将相同轨道圈次的任务看作一个片段,如:表示案例集CASESat第n1个案例中顺序第m1个轨道的任务集(称之为第m1片段),TASKSat[m2]表示待规划任务集中顺序第m2个轨道的任务集(称之为第m2片段);
(4.3.2)单片段匹配策略:首先声明两个变量nSingleCount与nSingleCountAll并将它们赋予初值0,对某案例第m3片段和待规划任务集第m4片段进行匹配,即将和TASKSat[m4]进行匹配,需要遍历TASKSat[m4]中的每个观测任务对每个观测任务其观测目标为参考相似目标匹配的映射集合MATCH,首先寻找目标是否存在于TARGET_T_part中,若存在则nSingleCountAll增加1,然后寻找与目标相似匹配的目标在中是否存在观测任务,若存在则nSingleCount增加1,当遍历完TASKSat[m4]中的每个观测任务时,计算和TASKSat[m4]匹配的单轨匹配值nSingleP:
(4.3.3)多片段匹配策略:以为的起点,依次向后遍历的每个片段,采用单片段匹配策略分别与TASKSat的各个片段依次进行匹配(即与TASKk[r-mb+1]匹配),每次单片段匹配会得到一个单轨匹配值,匹配结束后会得到一个单轨匹配值序列nSinglePs(mb),统计不小于单轨匹配阈值mSingleMatch的单轨匹配值的个数X1,计所有单轨匹配值的个数为N,则计算出本次多片段匹配的整体匹配值nWholeP(a)=X1/N。如图3所示,为多片段匹配示意图。
(4.3.4)整体匹配策略:分别以从1到2nOrbitStagger+1的所有片断序号为的起点,采用多片段匹配策略分别与TASKSat进行多片段匹配操作,得到整体匹配值序列(nWholeP(1),nWholeP(2),…,nWholeP(2nOrbitStagger+1))。如图4所示,为整体匹配示意图。
设以为的起点、向后具有与TASKSat相同片段长度的案例片段集组成的案例为找出所有不小于整体匹配阈值mWholeMatch的整体匹配值{nWholeP(a1),nWholeP(a2),…,nWholeP(am)},这些整体匹配值对应的案例匹配是成功的,匹配成功的案例形成候选案例集CASE_candidateSat,并重新标记候选案例集为
按照上述案例匹配方法,为每颗卫星进行案例匹配操作。
步骤(S5),按照案例修正方法,对候选案例集进行案例修正,得到修正结果;
设卫星Sat的待规划任务集TASKSat的候选案例集为CASE_candidateSat,对CASE_candidateSat的修正方法为:
(5.1)对TASKSat某片段TASKSat[ma]对应的各个候选案例片段进行案例修正,计算每个候选案例的片段内综合评价值,得到片段内综合评价值序列{V1(ma),V2(ma),…,Vm(ma)},选取最大的片段内综合评价值max{Vii(ma)}(ii取整数,ii=1,2,…,m)对应的候选案例片段作为案例修正的结果;
(5.2)遍历TASKSat的所有片段,按照(5.1)的方法得到每个片段的修正结果此集合即为最终的案例修正结果,记为CASE_correctSat,并将记为Case_corSat[mjj],mjj=1,2,…,m即CASE_correctSat={Case_corSat[1],Case_corSat[2],…,Case_corSat[m]}。
遍历所有卫星,执行步骤(5.1)、(5.2)操作,得到TASK对应的修正结果CASE_correct。
步骤(S6),按照案例法初始化策略和随机法初始化策略,分别形成案例法初始种群和随机法初始种群,两个种群的规模由案例初始种群比例参数决定;
(6.1)案例法初始化策略具体操作流程如下:
(6.1.1)根据参数种群规模nGroupNum和案例初始种群比例rCaseGroup,计算案例法初始种群的种群规模nCaseGroupNum=nGroupNum·rCaseGroup;
(6.1.2)对TASKSat某片段TASKSat[mh]进行案例法初始化,需要参考修正结果中与之对应的片段Case_corSat[mh],设TASKSat[mh]的任务集为JOBSat[mh],Case_corSat[mh]的任务集为job_cSat[mh],遍历JOBSat[mh]中的每个待规划的目标任务,根据相似目标匹配的映射集合MATCH,在job_cSat[mh]中寻找对应的相似匹配任务并将其观测情况赋值给待规划的目标任务,在每赋值一个任务的同时还要进行片段内的约束检测与冲突处理;
(6.1.3)对TASKSat的所有片段进行步骤(6.1.2)操作;
(6.1.4)步骤(6.1.2)中JOBSat[mh]可能存在未能赋值的待规划目标任务,说明在job_cSat[mh]中没有与之相似匹配的任务,在步骤(6.1.3)操作完毕后,设TASKSat的各个片段中未能赋值的待规划目标任务形成集合JOB_rdmSat,若JOB_rdmSat非空,则采用随机法初始化策略对JOB_rdmSat进行处理;
(6.1.5)对TASKSat进行约束检测与冲突处理,得到TASKSat的一个案例法初始化结果,称之为案例法种群的一个个体;
(6.1.6)反复执行(6.1.2)、(6.1.3)、(6.1.4)和(6.1.5)操作,直到生成的个体数达到案例法种群规模nCaseGroupNum。
(6.2)随机法初始化策略具体操作流程如下:
(6.2.1)计算随机法初始种群的种群规模nRdmGroupNum=nGroupNum–nCaseGroupNum;
(6.2.2)随机选取TASKSat的待规划任务集JOBSat中的任意一个未经处理的目标任务,将其标记为观测确认和处理确认,同时进行二元约束检测与冲突消解,约束检测与冲突消解中涉及到的目标任务也标记为处理确认;
(6.2.3)重复步骤(6.2.2),直到JOBSat的所有目标任务均标记为处理确认为止,此时随机法种群的一个个体生成完毕;
(6.2.4)反复执行(6.2.2)、(6.2.3)操作,直到生成的个体数达到随机法种群规模nRdmGroupNum。
(6.3)采用(6.1)的案例法初始化策略和(6.2)的随机法初始化策略,对TASKSat进行初始化操作,生成案例法初始种群CaseGroup0和随机法初始种群RdmGroup0,对两个种群中的每个个体进行编码,编码操作过程如下:
(6.3.1)种群中每个个体由卫星集SAT中所有卫星的编码组成,每颗卫星的编码元结构为二元结构(xi,yi),其中,xi表示第i个观测任务的观测情况,采用二进制编码形式,1为观测,0为不观测,yi表示第i个观测任务的工作模式,其取值范围由工作模式的集合决定;
(6.3.2)根据案例法初始种群和随机法初始种群中各个个体初始化的情况,按照步骤(6.3.1)进行编码操作。
当完成编码操作后,计算各个个体的综合评价值,并对两个初始种群的个体按照综合评价值由小到大的顺序排序。
步骤(S7),对步骤(S6)中的案例法初始种群和随机法初始种群,在各自种群中反复执行选择、交叉、变异操作,此系列操作视为第一阶段进化过程,当进化代数达到进化阶段分界值时结束该步骤;
(7.1)在选择操作中,采用轮盘赌的方法从前一代种群中选择个体,产生新种群,对某一种群进行选择操作的过程为:
(7.1.1)计算种群中所有个体的综合评价值之和sum,并计算每个个体Matei的相对综合评价值ValueRi=Valuei/sum,其中,Valuei表示个体Matei的综合评价值。
(7.1.2)遍历每个个体Matei,计算相对综合评价积累值ValueCi+1=ValueCi+ValueRi+1,其中,初值ValueC1=ValueR1;
(7.1.3)在(0,1)区间内生成随机数r,若有ValueCi-1<r<ValueCi,则选择个体Matei作为新种群的一个个体;
(7.1.4)重复步骤(7.1.3),直到新种群的个体全部生成完毕,即达到种群规模规定的群体中个体的数量。
按照步骤(7.1.1)、(7.1.2)、(7.1.3)和(7.1.4)的操作,可以分别得到案例法初始种群CaseGroup0和随机法初始种群RdmGroup0的历代新种群CaseGroupn和RdmGroupn,其中,n为进化代数。
(7.2)在交叉操作中,采用多点交叉方式,在每颗卫星的任务集中选择一个交叉点基因,完成交叉操作,以第n代案例法种群CaseGroupn为例,其过程为:
(7.2.1)计算交叉概率pCross与案例法种群规模nCaseGroupNum的乘积,取不大于此乘积的最大偶数M;
(7.2.2)从CaseGroupn的新种群CaseGroupn+1中随机选取M个个体并随机进行两两配对,称这M/2对个体为父代;
(7.2.3)设父代个体对集为
对于在每颗卫星的任务集中随机产生交叉位置点,进行交叉操作,每颗卫星生成一个交叉点,实现多点交叉操作,生成子代个体对(child1,child2);
(7.2.4)对子代个体对(child1,child2)进行局部约束检测与局部冲突处理,并重新计算综合评价值;
(7.2.5)用子代个体对(child1,child2)替代父代个体对(father,mother),由此,新种群CaseGroupn+1得到了更新;
(7.2.6)对父代个体对集FATHERn+1的每一对进行步骤(7.2.3)(7.2.4)(7.2.5)操作,完成对新种群CaseGroupn+1的更新。
在第一阶段的进化过程中,随机法种群的交叉操作与案例法种群的交叉操作相同。
(7.3)在第一阶段进化过程的变异操作中,采用单点随机变异方式,参考案例修正结果CASE_correct,完成变异操作,以第n代案例法种群CaseGroupn为例,其过程为:
(7.3.1)计算变异概率pMute与案例法种群规模nCaseGroupNum的乘积,取不大于此乘积的最大整数N;
(7.3.2)根据案例修正结果CASE_correct,统计各卫星中各目标任务的总数和被观测的数量,求出各目标任务的观测比值,记卫星Satk中目标任务Tar的观测比值为pk(Tar);
(7.3.3)从新种群CaseGroupn+1中随机选取N个个体
(7.3.4)随机对个体Matei的某一个观测任务job进行处理:若该任务为确认观测,生成0到1之间的随机数rdm,若rdm<1–pk(Tar),则将该任务改为不观测,若rdm≥1–pk(Tar),则该任务仍为确认观测,不进行变异;若该任务为不观测,则改为确认观测,并随机确定卫星工作模式;
(7.3.5)对变异后的个体Matei进行局部约束检测与局部冲突消解;
(7.3.6)遍历MATE_Cn+1中的所有个体,重复步骤(7.3.3)(7.3.4),完成对新种群CaseGroupn+1的更新。
在第一阶段的进化过程中,随机法种群的变异操作与案例法种群的变异操作相同。
(7.4)根据上述选择、交叉和变异操作,对CaseGroupn和RmdGroupn进行选择、交叉和变异处理,并进行全局约束检测与全局冲突消解,得到种群CaseGroupn+1和RmdGroupn+1,反复进行上述操作,使得种群得到进化。当进化代数达到进化阶段分界值nBoundary时,第一阶段进化停止,得到CaseGroupnBoundary和RmdGroupnBoundary。
步骤(S8),将步骤(S7)中第一阶段进化过程所得的案例法种群和随机法种群合并为一个种群,对合并后的种群反复进行选择、交叉、变异操作,此系列操作视为第二阶段进化过程,当进化代数达到连续进化代数上限,或者达到最大进化代数,则结束该步骤,得到最终种群,选取最终种群中综合评价值最高的个体作为最优解,即卫星观测任务规划的最终结果;
(8.1)将CaseGroupnBoundary和RmdGroupnBoundary合并为一个种群GroupnBoundary,并对内部所有个体按照综合评价值由小到大的顺序进行排序;
(8.2)对GroupnBoundary反复进行(7.1)、(7.2)和(7.3)中的选择、交叉和变异操作,使得种群得到进化。当种群中所有个体的最大综合评价值在连续进化nEvolveUpper代没有改变,或进化代数达到最大遗传代数nMax时,第二阶段进化过程停止,得到最终种群Groupend,选取Groupend中综合评价值最高的个体Matetop作为最优解,即该次卫星观测任务规划的最终结果。
步骤(S9),对最终结果与案例库中的案例集按照案例匹配方法进行匹配,如果匹配不成功,则将此次的最终结果作为新案例存入案例库。
设本次规划的最优解Matetop形成的最终结果为JOB_DOtop,JOB_DOtop形成的案例为Casetop,将Casetop与案例库CASE_DB中的所有案例按照案例匹配方法进行匹配,如果匹配不成功,说明Casetop为新案例,则将Casetop存入CASE_DB中。
为方便理解,下面结合实施例来说明本发明算法的执行过程。设历史规划结果集为JOB_DO={JOB_DO1,JOB_DO2,…,JOB_DOW},W为历史规划结果集的个数,当前待规划任务集为TASK。
(1)由JOB_DO生成案例并入库
设第i个规划结果为JOB_DOi,有 为所有规划结果形成对应的案例,的案例为将JOB_DO生成的案例存入案例库中,有CASE_DB={CASE1,CASE2,…,CASEW}。
(2)设置各项参数
根据经验及实验仿真相关数据,对目标相似范围阈值错开轨数nOrbitStagger、单轨匹配阈值mSingleMatch、整体匹配阈值mWholeMatch、最大遗传代数nMax、连续进化代数上限nEvolveUpper、种群规模nGroupNum、案例初始种群比例rCaseGroup、进化阶段分界值nBoundary、交叉概率pCross、变异概率pMute、综合评价值权重参数αurg、αimp和αcov进行设置,参考值如下表:
(3)读取案例库CASE_DB,按照目标相似准则,对待规划任务集TASK的目标集TARGET_T和案例集CASE的目标集TARGET_C进行相似目标匹配。计算两目标之间的距离时,地球半径R=6371(km)。相似目标匹配的映射集合为MATCH。
(4)根据MATCH,按照案例匹配方法,用CASE对TASK进行案例匹配。
设所有卫星轨道高度相同,则所有卫星的回归周期也相同,设卫星回归周期为T_Sat。取R+h=6.978×106m,G=6.674×10-11m3kg-1s-2,M=5.977×1024kg,则
24N2/T1的取值保证为整数,则取N2=10,则T_Sat=10天。
TASK的规划时段为wschedule=[tS,tE],则找出时段{[tS±10n,tE±10n]|n为整数}上的所有案例{Case_o1,Case_o2,…,Case_om},并按照步骤(4.2.2)对每个案例的任务集进行扩充,得到新的案例集CASE={Case1,Case2,…,Casem}。
用CASE对TASK进行案例匹配,得到候选案例集CASE_candidate。
(5)对CASE_candidate进行案例修正,得到修正结果CASE_correct。
(6)生成初始种群CaseGroup0和RdmGroup0,两个种群的种群规模都为30。
(7)对CaseGroup0和RdmGroup0进行第一阶段进化过程的选择、交叉、变异操作,迭代进化到80代停止进化,得到CaseGroup80和RdmGroup80。
(8)将CaseGroup80和RdmGroup80合并为一个种群Group80,对Group80进行第二阶段进化过程的选择、交叉、变异操作,当连续1500代结果没有改进,或者达到最大进化代数10000代时,停止进化,得到最终种群Groupend,选取Groupend中综合评价值最高的个体Matetop作为最优解,即该次卫星观测任务规划的最终结果。
(9)将Matetop形成的最终结果JOB_DOtop进行案例生成,设生成案例为Casetop,将Casetop与案例库CASE_DB中的所有案例按照案例匹配方法进行匹配,如果匹配不成功,说明Casetop为新案例,则将Casetop存入CASE_DB中。
至此,算法执行完毕。图5为初始种群编码示意图,图6为交叉操作示意图。随着算法的重复使用,案例库的规模会越来越大,案例匹配的效果也会越来越好,有效提升规划速度和结果。
本发明通过将历史的卫星观测任务规划结果形成案例库的方法,采用基于案例匹配的方法进行初始化操作,并对匹配出的相似案例进行案例修正,可以快速地计算出符合人们预期的卫星观测任务规划方案。
Claims (8)
1.一种基于案例匹配的卫星观测任务规划方法,其特征在于:包括以下步骤:
(S1)根据历史任务规划结果,按照案例生成方法生成案例,并建立案例库;
(S2)根据卫星相关参数计算卫星的回归周期,设置目标相似范围阈值、错开轨数、单轨匹配阈值、整体匹配阈值、最大遗传代数、连续进化代数上限、种群规模、案例初始种群比例、进化阶段分界值、交叉概率和变异概率参数,设置综合评价值函数;
(S3)读取步骤(S1)中的案例库,按照目标相似准则,对待规划任务集的目标集和案例集的目标集进行相似目标匹配;
(S4)根据案例集以及步骤(S3)中的相似目标匹配结果,按照案例匹配方法,对待规划任务集进行案例匹配,形成候选案例集;
(S5)按照案例修正方法,对候选案例集进行案例修正,得到修正结果;
(S6)按照案例法初始化策略和随机法初始化策略,分别形成案例法初始种群和随机法初始种群,两个种群的规模由案例初始种群比例参数决定;
(S7)对步骤(S6)中的案例法初始种群和随机法初始种群,在各自种群中反复执行选择、交叉、变异操作,此系列操作视为第一阶段进化过程,当进化代数达到进化阶段分界值时结束该步骤;
(S8)将步骤(S7)中第一阶段进化过程所得的案例法种群和随机法种群合并为一个种群,对合并后的种群反复进行选择、交叉、变异操作,此系列操作视为第二阶段进化过程,当进化代数达到连续进化代数上限,或者达到最大进化代数,则结束该步骤,得到最终种群,选取最终种群中综合评价值最高的个体作为最优解,即卫星观测任务规划的最终结果;
(S9)对最终结果与案例库中的案例集按照案例匹配方法进行匹配,如果匹配不成功,则将此次的最终结果作为新案例存入案例库。
2.如权利要求1所述的一种基于案例匹配的卫星观测任务规划方法,其特征在于:所述步骤(S1)中的案例生成方法:将历史任务规划结果中的各任务属性和各任务观测情况进行信息提取,每次规划结果提取的信息做为一个案例。
3.如权利要求1所述的一种基于案例匹配的卫星观测任务规划方法,其特征在于:所述步骤(S3)中的目标相似准则为:两个优先级相同的目标,根据它们的经纬度计算出它们的球面距离,若为区域目标,则选取其区域重心为参考点进行球面距离计算,如果该球面距离不大于此优先级下的目标相似范围阈值,则认为这两个目标相似。
4.如权利要求1所述的一种基于案例匹配的卫星观测任务规划方法,其特征在于:所述步骤(S4)中的案例匹配方法为:将当前待规划任务的规划时段向前或向后推移卫星回归周期的整数倍,得到一系列周期性的时段信息,在案例库中找出此系列时段上的案例集,将相同轨道圈号的任务看作一个片段,之后,将当前待规划任务与案例集中的每个案例进行逐个片段的匹配,每次片段间的匹配会得到一个单轨匹配值,而每个案例在进行逐个片段间的匹配后会得到一个单轨匹配值序列,根据此序列计算出该案例的整体匹配值,最后,根据单轨匹配阈值和整体匹配阈值两个参数判定整个案例集中的各个案例是否匹配成功,匹配成功的案例形成候选案例集。
5.如权利要求1所述的一种基于案例匹配的卫星观测任务规划方法,其特征在于:所述步骤(S5)中的案例修正方法为:将相同轨道圈号的任务看作一个片段,则候选案例集的每个候选案例都与待规划任务集存在片段间的匹配关系,对待规划任务集的每个片段,遍历与之对应匹配的各个候选案例中相应的片段,根据各个候选案例的任务观测信息,计算各个候选案例中相应片段的综合评价值,选取综合评价值最高的片段作为待规划任务集中当前片段的修正结果。
6.如权利要求1所述的一种基于案例匹配的卫星观测任务规划方法,其特征在于:所述步骤(S6)中的案例法初始化策略为:将相同轨道圈号的任务看作一个片段,遍历待规划任务集的每个片段,在修正结果中找到与其相匹配的片段,参考相似目标匹配结果,将修正结果中当前片段内的任务观测信息赋值给待规划任务集的对应片段,并进行片段内的约束冲突处理,当待规划任务集的所有片段都遍历后,将各片段内未进行初始化处理的任务按照随机法策略进行处理。
7.如权利要求1所述的一种基于案例匹配的卫星观测任务规划方法,其特征在于:所述步骤(S6)中的随机法初始化策略为:随机选取待规划任务集中的任意一个未经处理的任务,将其标记为观测确认与处理确认,同时进行二元约束检测与冲突消解,约束检测中被遍历到的任务也标记为处理确认,依此法反复进行,直到所有任务均标记为处理确认为止。
8.如权利要求1所述的一种基于案例匹配的卫星观测任务规划方法,其特征在于:所述步骤(S2)中的卫星相关参数包括地球半径、卫星离地高度、万有引力常数和地球质量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610318702.3A CN106022586B (zh) | 2016-05-13 | 2016-05-13 | 一种基于案例匹配的卫星观测任务规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610318702.3A CN106022586B (zh) | 2016-05-13 | 2016-05-13 | 一种基于案例匹配的卫星观测任务规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106022586A true CN106022586A (zh) | 2016-10-12 |
CN106022586B CN106022586B (zh) | 2019-10-01 |
Family
ID=57100780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610318702.3A Active CN106022586B (zh) | 2016-05-13 | 2016-05-13 | 一种基于案例匹配的卫星观测任务规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106022586B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106982438A (zh) * | 2017-03-28 | 2017-07-25 | 中国地质大学(武汉) | 一种用于多卫星传感器对地观测覆盖区域求并确认方法 |
CN106982439A (zh) * | 2017-03-28 | 2017-07-25 | 中国地质大学(武汉) | 一种用于多卫星传感器对地观测覆盖区域求差确认方法 |
CN109002966A (zh) * | 2018-06-25 | 2018-12-14 | 湖南国科轩宇信息科技有限公司 | 一种基于k均值聚类的多星任务规划方法 |
CN111598407A (zh) * | 2020-04-22 | 2020-08-28 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种碳卫星任务规划的系统及方法 |
CN111612384A (zh) * | 2020-06-23 | 2020-09-01 | 中国人民解放军国防科技大学 | 一种具有时间分辨率约束的多星接力任务规划方法 |
CN111913785A (zh) * | 2020-06-10 | 2020-11-10 | 合肥工业大学 | 多星任务调度方法和系统 |
CN115204628A (zh) * | 2022-06-24 | 2022-10-18 | 上海交通大学 | 基于成像资源自适性调节的卫星最小量元任务规划方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101975946A (zh) * | 2009-11-23 | 2011-02-16 | 北京遥感信息研究所 | 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 |
CN103473283A (zh) * | 2013-08-29 | 2013-12-25 | 中国测绘科学研究院 | 一种文本案例匹配方法 |
CN105160417A (zh) * | 2015-08-04 | 2015-12-16 | 大连大学 | 基于改进nsga-ii算法的航天器任务规划求解方法 |
-
2016
- 2016-05-13 CN CN201610318702.3A patent/CN106022586B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101975946A (zh) * | 2009-11-23 | 2011-02-16 | 北京遥感信息研究所 | 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 |
CN103473283A (zh) * | 2013-08-29 | 2013-12-25 | 中国测绘科学研究院 | 一种文本案例匹配方法 |
CN105160417A (zh) * | 2015-08-04 | 2015-12-16 | 大连大学 | 基于改进nsga-ii算法的航天器任务规划求解方法 |
Non-Patent Citations (4)
Title |
---|
WANG CHONG 等: "A Distributed Cooperative Dynamic Task Planning Algorithm for Multiple Satellites Based on Multi-agent Hybrid Learning", 《CHINESE JOURNAL OF AERONAUTICS》 * |
庞中华: "高低轨对地观测卫星协同任务规划方法研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
胡官钦: "基于案例推理的半导体生产规划优化方法", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
钟春梅 等: "基于遗传算法和分层任务网络的战术任务规划方法", 《兵工自动化》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106982438A (zh) * | 2017-03-28 | 2017-07-25 | 中国地质大学(武汉) | 一种用于多卫星传感器对地观测覆盖区域求并确认方法 |
CN106982439A (zh) * | 2017-03-28 | 2017-07-25 | 中国地质大学(武汉) | 一种用于多卫星传感器对地观测覆盖区域求差确认方法 |
CN106982438B (zh) * | 2017-03-28 | 2017-11-10 | 中国地质大学(武汉) | 一种用于多卫星传感器对地观测覆盖区域求并确认方法 |
CN106982439B (zh) * | 2017-03-28 | 2018-03-06 | 中国地质大学(武汉) | 一种用于多卫星传感器对地观测覆盖区域求差确认方法 |
CN109002966A (zh) * | 2018-06-25 | 2018-12-14 | 湖南国科轩宇信息科技有限公司 | 一种基于k均值聚类的多星任务规划方法 |
CN109002966B (zh) * | 2018-06-25 | 2019-08-09 | 湖南国科轩宇信息科技有限公司 | 一种基于k均值聚类的多星任务规划方法 |
CN111598407A (zh) * | 2020-04-22 | 2020-08-28 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种碳卫星任务规划的系统及方法 |
CN111598407B (zh) * | 2020-04-22 | 2023-09-01 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种碳卫星任务规划的系统及方法 |
CN111913785A (zh) * | 2020-06-10 | 2020-11-10 | 合肥工业大学 | 多星任务调度方法和系统 |
CN111913785B (zh) * | 2020-06-10 | 2022-09-30 | 合肥工业大学 | 多星任务调度方法和系统 |
CN111612384A (zh) * | 2020-06-23 | 2020-09-01 | 中国人民解放军国防科技大学 | 一种具有时间分辨率约束的多星接力任务规划方法 |
CN111612384B (zh) * | 2020-06-23 | 2023-04-25 | 中国人民解放军国防科技大学 | 一种具有时间分辨率约束的多星接力任务规划方法 |
CN115204628A (zh) * | 2022-06-24 | 2022-10-18 | 上海交通大学 | 基于成像资源自适性调节的卫星最小量元任务规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106022586B (zh) | 2019-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106022586A (zh) | 一种基于案例匹配的卫星观测任务规划方法 | |
CN106990792B (zh) | 混合引力搜索算法的多无人机协同时序耦合任务分配方法 | |
CN110412869B (zh) | 一种多星协同的空间动态目标实时跟踪方法 | |
Osaba et al. | Golden ball: a novel meta-heuristic to solve combinatorial optimization problems based on soccer concepts | |
CN105825303B (zh) | 一种甩挂运输的任务分配方法 | |
CN107025363A (zh) | 一种面向敏捷卫星调度的自适应大邻域搜索方法 | |
CN107358322A (zh) | 一种无人机快递自动投送最短路径规划方法 | |
CN116307535B (zh) | 一种基于改进差分进化算法的多星协作成像任务规划方法 | |
Almasi et al. | Optimization of a transit services model with a feeder bus and rail system using metaheuristic algorithms | |
Larki et al. | Solving the multiple traveling salesman problem by a novel meta-heuristic algorithm | |
Anthony et al. | Policy gradient search: Online planning and expert iteration without search trees | |
CN113286275A (zh) | 一种基于多智能体强化学习的无人机集群高效通信方法 | |
Guo et al. | RETRACTED ARTICLE: A Multi-agent Based self-adaptive genetic algorithm for the long-term car pooling problem | |
Naughton | The pattern and legacy of economic growth in the Mao era | |
CN104616062A (zh) | 一种基于多目标遗传规划的非线性系统辨识方法 | |
CN104537446A (zh) | 二层带模糊随机时间窗口车辆路径优化方法 | |
CN109034478A (zh) | 一种高速铁路沿线大风迭代竞争高精度预测方法 | |
CN112561032B (zh) | 一种基于种群训练的多智能体强化学习方法及系统 | |
CN106845700B (zh) | 一种多碎片主动清除离线最优导引算法 | |
CN102662941A (zh) | 基于random walk的排序方法 | |
Song et al. | MA2CL: Masked attentive contrastive learning for multi-agent reinforcement learning | |
CN107977746A (zh) | 一种敏捷对地卫星的动作规划方法 | |
Yang et al. | Graded-Q reinforcement learning with information-enhanced state encoder for hierarchical collaborative multi-vehicle pursuit | |
WO2022207087A1 (en) | Device and method for approximating nash equilibrium in two-player zero-sum games | |
Srivastava et al. | Monte Carlo tree search based tactical maneuvering |
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 |