CN106446397A - 一种基于状态目标性的启发式航天器任务规划方法 - Google Patents

一种基于状态目标性的启发式航天器任务规划方法 Download PDF

Info

Publication number
CN106446397A
CN106446397A CN201610833908.XA CN201610833908A CN106446397A CN 106446397 A CN106446397 A CN 106446397A CN 201610833908 A CN201610833908 A CN 201610833908A CN 106446397 A CN106446397 A CN 106446397A
Authority
CN
China
Prior art keywords
state
timeline
constraint
target
defect
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
CN201610833908.XA
Other languages
English (en)
Other versions
CN106446397B (zh
Inventor
徐瑞
金颢
崔平远
朱圣英
高艾
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201610833908.XA priority Critical patent/CN106446397B/zh
Publication of CN106446397A publication Critical patent/CN106446397A/zh
Application granted granted Critical
Publication of CN106446397B publication Critical patent/CN106446397B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开的一种基于状态目标性的启发式航天器任务规划方法，涉及一种航天器任务规划方法，属于航空航天技术领域。本发明针对航天器系统约束复杂和系统状态信息互相耦合特点，利用多维时间线刻画航天器的多个并行子系统；并根据子系统约束特点，对满足时间线参量化筛选条件的时间线进行时间线参量化处理，削减问题的搜索空间；同时，根据状态的目标性信息进行状态和缺陷挑选的启发式设计，通过对最高权值的状态和最高评价值的缺陷进行优先挑选确保任务目标的实现，提高航天器任务规划效率。本发明能够提高真实航天器任务规划中问题搜索和求解速率，在更短的时间内获取合理的规划解，解决规划操作引发的规划效率低下的问题。

Description

一种基于状态目标性的启发式航天器任务规划方法
技术领域
本发明涉及一种航天器任务规划方法，尤其涉及一种基于状态目标性的启发式航天器任务规划方法，属于航空航天技术领域。
背景技术
航天领域是二十一世纪世界技术发展的主要领域之一。由于航天任务中航天器一般距离地球远、飞行时间长、所处环境动态多变等特点，导致航天器的操作和控制存在极大的挑战，例如通信的长时延问题、长期可靠性问题、实时控制问题等。
随着航天领域的发展，航天器高度依赖地面控制的方式越来越不适应日益复杂的航天活动。因此，需要航天器自主完成任务规划，减少对地面站点的依赖，提高航天任务规划的灵敏度和自主性。航天器在轨自主任务规划技术是解决远距离自主运行问题的一项关键技术。航天器根据空间环境的感知和认识及本身的能力和状态，利用智能规划理论技术，依据一段时间内的任务目标，自动地生成一组时间有序动作序列，并实时监测执行过程。
深空1号采用基于启发式调度测试系统(HSTS)，它将状态变量描述为时间线的形式，根据时间线的结构功能特点将规划与调度有机地结合在一起，能够准确的找到满足所有资源和时间约束的可行解。欧空局采用基于时间线的规划和约束满足技术，在MEXAR2的基础上，开发出了APSI(Advanced Planning and Scheduling Initiative)平台，将规划领域模型描述为并行的时间线集合，在规划过程中对时间线间同步性约束进行推理和传播。
上述规划系统虽然均能够进行在轨自主任务规划，但是仍存在可以进步的空间。例如，APSI的局限性为它的设计目的在于解决复杂度较高的问题，缺少对于一般问题的普适性；深空一号中将全部状态变量都表示为时间线的形式，造成搜索空间的急剧膨胀，并且单一的搜索模式会引发冗余的规划操作，大大增加搜索规划的时间，影响规划求解的效率。
发明内容
针对航天器任务规划问题中系统约束复杂及冗余的规划操作引发的规划效率低下的问题，本发明公开的一种基于状态目标性的启发式航天器任务规划方法要解决的技术问题是，提高真实航天器任务规划中问题搜索和求解速率，在更短的时间内获取合理的规划解，解决规划操作引发的规划效率低下的问题。
本发明的目的是通过下述技术方案实现的：
本发明公开的一种基于状态目标性的启发式航天器任务规划方法，针对航天器系统约束复杂和系统状态信息互相耦合特点，利用多维时间线刻画航天器的多个并行子系统。并根据子系统约束特点，对满足时间线参量化筛选条件的时间线进行时间线参量化处理，削减问题的搜索空间。同时，根据状态的目标性信息进行状态和缺陷挑选的启发式设计，通过对最高权值的状态和最高评价值的缺陷进行优先挑选确保任务目标的实现，提高航天器任务规划效率。
所述的时间线参量化筛选条件指当其中一个状态变量Ai的状态除与自身状态存在约束外，仅与另一个状态变量Aj(i≠j)间存在约束关系，所述的状态变量Ai即为满足时间线参量化筛选条件的状态变量。
本发明公开的一种基于状态目标性的启发式航天器任务规划方法，包括如下步骤：
步骤一：综合考虑航天器结构、任务需求、设备状态和航天器能力四项因素，对航天器的构成、资源、分系统功能以及需要满足的各种约束条件进行描述。
所述的各种约束条件根据实际航天器系统而定，包括因果约束、时间约束和资源约束。
针对航天器系统约束复杂和系统状态信息互相耦合的特点，利用多维时间线刻画航天器的多个并行子系统，通过时间线的耦合关系描述系统的复杂约束及系统间依赖关系，形成多维耦合时间线的模型架构，对各并行子系统的行为随时间的演化和各并行子系统的依赖关系进行描述。
步骤二：选取模型中满足时间线参量化筛选条件的状态变量Ai进行时间线参量化处理，将状态变量Ai当作状态变量Aj的参量进行建模，用于缩减问题搜索空间，提高规划的求解速率。
各并行子系统分别由一个状态变量进行表示，每个状态变量都由时间线的形式进行描述，各并行子系统对应的状态变量为状态变量A1、状态变量A2、状态变量A3……状态变量An。所述的时间线参量化筛选条件指当其中一个状态变量Ai的状态除与自身状态存在约束外，仅与另一个状态变量Aj(i≠j)间存在约束关系，所述的状态变量Ai即为满足时间线参量化筛选条件的状态变量。当满足上述的时间线参量化筛选条件时，选取模型中状态变量Ai，进行时间线参量化处理，将状态变量Ai当作状态变量Aj的参量进行建模，用于缩减问题搜索空间，提高规划的求解速率。
所述的时间线参量化处理具体是指将状态变量Ai挑选出来，状态变量Ai不以时间线的形式进行建模，而是将状态变量Ai作为状态变量Aj的参量进行处理，并且状态变量Ai与状态变量Aj的约束关系转化为状态变量Aj自身内部的参量约束。
步骤三：选用规划空间规划方法作为基本的算法架构，根据状态目标性信息进行状态和缺陷挑选启发式设计，优先确保实现任务目标，提高算法的效率。所述的步骤三具体实现方法为。
步骤3.1：将时间线根据与目标状态的相关性分类：目标时间线，即存在状态为规划任务目标的时间线；强目标约束时间线指不存在状态为规划任务目标，但与目标状态存在直接约束关系的时间线；弱目标约束时间线指不存在状态为规划任务目标，与目标状态之间无直接约束关系，但是与目标时间线上其它状态存在约束关系的时间线；普通时间线指既不存在状态为规划任务目标，又与目标时间线上所有状态都无直接联系的时间线。
状态为状态变量的取值。定义状态k的权值为qk，权值qk作为规划过程中状态挑选顺序的评价指标，其中qk∈R+。权值qk的取值与其本身是否为目标状态及其所属时间线类型相关。权值qk具体计算方法为。
步骤3.1.1：时间线TLi存在目标相关度指标α，α∈[0,1]。根据上述时间线的分类情况，目标时间线上αg＝1，普通时间线αs＝0，另两类时间线，即强目标约束时间线的目标相关度αq与弱目标约束时间线的目标相关度αr之间的关系为，
0＜αr＜αq＜1
其中，αq与αr的具体取值可根据任务约束数量及耦合度具体选择。
步骤3.1.2：状态k的目标性βk：βk∈[0,10]，根据状态k与目标状态G的约束相关性，决定该状态的目标性βk，具体取值范围为，
其中，目标Sg为任务规划目标状态；目标约束状态Sc为非任务规划目标状态，表示与目标状态存在直接约束关系的状态；目标弱相关状态Sr为非任务规划目标状态，描述那些与目标状态同一时间线但与目标无直接约束的状态；目标无关状态Ss为非任务规划目标状态，表示那些既与目标无直接关系，也位于不同时间线的状态。
步骤3.1.3：定义状态k自身状态约束值Wk。所挑选的状态自身的状态约束数量以及约束状态的目标性会影响任务规划可能的规划步数以及回溯情况，从而影响规划问题的求解速度。假设状态k的状态约束数量为n，则自身状态约束值Wk为，
其中，γ为约束适应度，为状态约束因素。
步骤3.1.4：求取状态k的权值qk的计算函数为，
步骤3.2：在状态集合中对上述确定权值函数的状态进行挑选，优先挑选权值qk大的状态k作为步骤3.3需要处理的对象。
步骤3.3：对挑选出的状态k的未解决的开放条件(open condition)缺陷的评价值F进行计算，并优先挑选评价值F大的缺陷进行优先解决。
解决开放条件缺陷通过两种形式实现，方式一为在解决缺陷的过程中，需要不断向各时间线上添加新的状态，方式二为在解决缺陷的过程中，与已经存在的状态建立新的约束关系(即merge state)。
同一时间线上，由于互斥约束的存在，不允许不同状态在时间上存在重叠。为避免上述情况，对缺陷的评价值F进行计算，以确定缺陷的处理顺序，
其中，m为所要添加的状态所在时间线已有状态数量，ε∈[0,10]为开放条件缺陷的适应度参数，表示开放条件缺陷在所有缺陷中的优先程度，ε取值越高，表明开放条件缺陷在所有缺陷中的优先程度越低。
步骤3.4：迭代处理步骤3.2和步骤3.3，将全部缺陷解决后，输出最终的规划结果，完成航天器任务规划。所述的全部缺陷包括开放条件、未赋值变量缺陷(unboundvariable)和冲突缺陷(threat)。
Europa中应用的航天器任务规划方法已给出所述的未赋值变量缺陷(unboundvariable)和冲突缺陷(threat)的解决方法。
有益效果：
1、针对航天器系统约束复杂和系统状态信息互相耦合的特点，本发明公开的一种基于状态目标性的启发式航天器任务规划方法，利用多维时间线刻画航天器的多个并行子系统，并根据其约束特点，对部分时间线进行参量化处理，从而削减问题搜索空间，提高任务规划求解效率。
2、本发明公开的一种基于状态目标性的启发式航天器任务规划方法，根据状态目标性信息进行状态和缺陷挑选启发式设计，优先确保实现任务目标，提高算法的效率。原有航天器任务规划方法虽然能够进行问题求解，但是带有大量冗余操作和不必要的节点回溯，通过设计启发式信息，使得航天器任务规划方法能够在更短时间内获取合理的规划解，提高任务规划求解效率。
附图说明：
图1是本发明公开的一种基于状态目标性的启发式航天器任务规划方法的流程图；
图2是基本规划算法和启发式任务规划算法中随目标数增加规划任务的求解时间情况。图中：实线表示基本规划算法不同数量任务目标下规划求解时间变化曲线，虚线表示启发式规划算法在不同数量任务目标下规划求解时间变化曲线。
具体实施方式
为了更好地说明本发明的目的和优点，下面通过对航天器系统进行建模，并给定初始任务目标数为9，针对模型对改进的启发式航天器任务规划方法进行实际应用，对本发明做出详细解释。
实施例1：
本实施例公开的一种基于状态目标性的启发式航天器任务规划方法，具体实现步骤如下：
步骤一：综合考虑航天器结构、任务需求、设备状态和航天器能力四项因素，对航天器的构成、资源、分系统功能以及需要满足的各种约束条件进行描述。所述的各种约束条件根据实际航天器系统而定，包括因果约束、时间约束和资源约束。
针对航天器系统约束复杂和系统状态信息互相耦合的特点，利用多维时间线刻画航天器的多个并行子系统，通过时间线的耦合关系描述系统的复杂约束及系统间依赖关系，形成多维耦合时间线的模型架构，对各并行子系统的行为随时间的演化和依赖关系进行描述。本实施例具体选取的子系统如下表所示。
表1各子系统名称及对应状态数量
子系统名称 状态变量数量 状态数量
姿态子系统 1 3
相机子系统 1 5
对地通讯子系统 1 4
着陆器通讯子系统 1 4
推进子系统 1 4
能源管理子系统 1 3
轨控子系统 1 2
GNC子系统 1 3
电缆子系统 1 5
太阳帆板子系统 1 3
安全锁子系统 1 3
步骤二：选取模型中满足时间线参量化筛选条件的状态变量Ai进行时间线参量化处理，将状态变量Ai当作状态变量Aj的参量进行建模，用于缩减问题搜索空间，提高规划的求解速率。
各并行子系统分别由一个状态变量进行表示，每个状态变量都由时间线的形式进行描述，各并行子系统对应的状态变量为状态变量A1、状态变量A2、状态变量A3……状态变量An。所述的时间线参量化筛选条件指当其中一个状态变量Ai的状态除与自身状态存在约束外，仅与另一个状态变量Aj(i≠j)间存在约束关系，所述的状态变量Ai即为满足时间线参量化筛选条件的状态变量。当满足上述的筛选条件时，选取模型中状态变量Ai，进行时间线参量化处理，将状态变量Ai当作状态变量Aj的参量进行建模，用于缩减问题搜索空间，提高规划的求解速率。所述的时间线参量化处理具体是指将状态变量Ai挑选出来，状态变量Ai不以时间线的形式进行建模，而是将状态变量Ai作为状态变量Aj的参量进行处理，并且状态变量Ai与状态变量Aj的约束关系转化为状态变量Aj自身内部的参量约束。
根据模型中的约束关系，选出的满足时间线参量化筛选条件的状态变量为电缆子系统对应的状态变量，将电缆子系统进行时间线参量化处理，作为安全锁子系统的参量参与规划。
步骤三：选用规划空间规划方法作为基本的算法架构，根据状态目标性信息进行状态和缺陷挑选启发式设计，优先确保实现任务目标，提高算法的效率。所述的步骤三具体实现方法为。
步骤3.1：将时间线根据与目标状态的相关性分类：目标时间线，即存在状态为规划任务目标的时间线；强目标约束时间线指不存在状态为规划任务目标，但与目标状态存在直接约束关系的时间线；弱目标约束时间线指不存在状态为规划任务目标，与目标状态之间无直接约束关系，但是与目标时间线上其它状态存在约束关系的时间线；普通时间线指既不存在状态为规划任务目标，又与目标时间线上所有状态都无直接联系的时间线。
状态为状态变量的取值。定义状态k的权值为qk，权值qk作为规划过程中状态挑选顺序的评价指标，其中qk∈R+。权值qk的取值与其本身是否为目标状态及其所属时间线类型相关。这里选取相机子系统的拍照状态为例。权值qk具体计算方法为。
步骤3.1.1：时间线TLi存在目标相关度指标α，α∈[0,1]。根据上述时间线的分类情况，目标时间线上αg＝1，普通时间线αs＝0，另两类时间线，即强目标约束时间线的目标相关度αq与弱目标约束时间线的目标相关度αr之间存在如下关系，
0＜αr＜αq＜1
其中，αq与αr的具体取值可根据任务约束数量及耦合度具体选择。这里，将强目标约束时间线的目标相关度αq与弱目标约束时间线的目标相关度αr的具体取值为，
拍照时间线为目标时间线，所以时间线的目标相关度为α＝1。
步骤3.1.2：状态k的目标性βk：βk∈[0,10]，根据状态k与目标状态G的约束相关性，决定该状态的目标性βk，具体取值范围为，
其中，目标Sg为任务规划目标状态；目标约束状态Sc为非任务规划目标状态，表示与目标状态存在直接约束关系的状态；目标弱相关状态Sr为非任务规划目标状态，描述那些与目标状态同一时间线但与目标无直接约束的状态；目标无关状态Ss为非任务规划目标状态，表示那些既与目标无直接关系，也位于不同时间线的状态。本实施例中状态目标性的具体取值为，
选取的拍照状态为目标状态，所以拍照状态的目标性为β＝10。
步骤3.1.3：定义状态k自身状态约束值Wk。所挑选的状态自身的状态约束数量以及约束状态的目标性会影响任务规划可能的规划步数以及回溯情况，从而影响规划问题的求解速度。假设状态k的状态约束数量为n，则状态约束值Wk为，
其中，γ为约束适应度，为状态约束因素。这里取γ＝0.5。由于拍照状态与另外三个状态P1，P2和P3之间存在约束关系，并且三个状态P1，P2和P3的时间线目标相关度指标α与状态目标性β为，
其中，状态P1的时间线目标相关度指标为α1，状态目标性为β1；状态P2的时间线目标相关度指标为α2，状态目标性为β2；状态P3的时间线目标相关度指标为α3，状态目标性为β3。拍照状态的状态约束值为，
W＝0.5×(0×3+1×6+1×3)＝4.5
步骤3.1.4：求取状态k的权值qk的计算函数为，
这里，拍照状态的权值q为，
q＝1×10+4.5＝14.5
步骤3.2：在状态集合中对上述确定权值函数的状态进行挑选，优先挑选权值qk大的状态k作为步骤3.3需要处理的对象。
步骤3.3：对挑选出的状态k的未解决的开放条件(open condition)缺陷的评价值F进行计算，并优先挑选评价值F大的缺陷进行优先解决。
解决开放条件缺陷通过两种形式实现，方式一为在解决缺陷的过程中，需要向各时间线上添加新的状态，方式二为在解决缺陷的过程中，与已经存在的状态建立新的约束关系(即merge state)。
同一时间线上，由于互斥约束的存在，不允许不同状态在时间上存在重叠。为避免上述情况，对缺陷的评价值F进行计算，以确定缺陷的处理顺序:
其中，m为所要添加的状态所在时间线已有状态数量，ε∈[0,10]为开放条件缺陷的适应度参数，表示开放条件缺陷在所有缺陷中的优先程度，ε取值越高，表明开放条件缺陷在所有缺陷中的优先程度越低。这里取ε＝3.0。
步骤3.4：迭代处理步骤3.2和步骤3.3，将全部缺陷解决后，输出最终的规划结果，完成航天器任务规划。所述的全部缺陷包括开放条件、未赋值变量缺陷(unboundvariable)和冲突缺陷(threat)。
Europa中应用的航天器任务规划方法已给出所述的未赋值变量缺陷(unboundvariable)和冲突缺陷(threat)的解决方法。
通过上述步骤，使用改进的启发式航天器任务规划方法得到规划结果的时间为406ms，使用基本的航天器任务规划方法得到规划结果的时间为544ms。通过比较可以看出，由于对电缆子系统进行时间线参量化处理，能够削减问题搜索空间，并且设计的状态和缺陷挑选的启发式能够有效避免冗余的规划步骤，提高规划的效率，所以使用改进的启发式航天器任务规划方法得到规划结果的时间要少于使用基本的航天器任务规划方法得到规划结果的时间。对比结果均是在初始任务目标数为9的情况下得到的。在其他目标数下使用改进的启发式航天器任务规划方法得到规划结果的时间和使用基本的航天器任务规划方法得到规划结果的时间对比如图2所示。
所述的基本的航天器任务规划方法为不通过时间线参量化处理，也不使用根据状态目标性信息设计的状态和缺陷挑选的启发式的航天器任务规划方法。
以上所述的具体描述，对发明的目的、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例，用于解释本发明，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)

1.一种基于状态目标性的启发式航天器任务规划方法，其特征在于：包括如下步骤，
步骤一：综合考虑航天器结构、任务需求、设备状态和航天器能力四项因素，对航天器的构成、资源、分系统功能以及需要满足的各种约束条件进行描述；
针对航天器系统约束复杂和系统状态信息互相耦合的特点，利用多维时间线刻画航天器的多个并行子系统，通过时间线的耦合关系描述系统的复杂约束及系统间依赖关系，形成多维耦合时间线的模型架构，对各并行子系统的行为随时间的演化和依赖关系进行描述；
步骤二：选取模型中满足时间线参量化筛选条件的状态变量Ai进行时间线参量化处理，将状态变量Ai当作状态变量Aj的参量进行建模，用于缩减问题搜索空间，提高规划的求解速率；
各并行子系统分别由一个状态变量进行表示，每个状态变量都由时间线的形式进行描述，各并行子系统对应的状态变量为状态变量A1、状态变量A2、状态变量A3……状态变量An；所述的时间线参量化筛选条件指当其中一个状态变量Ai的状态除与自身状态存在约束外，仅与另一个状态变量Aj(i≠j)间存在约束关系，所述的状态变量Ai即为满足时间线参量化筛选条件的状态变量；当满足上述的时间线参量化筛选条件时，选取模型中状态变量Ai，进行时间线参量化处理，将状态变量Ai当作状态变量Aj的参量进行建模，用于缩减问题搜索空间，提高规划的求解速率；
步骤三：选用规划空间规划方法作为基本的算法架构，根据状态目标性信息进行状态和缺陷挑选启发式设计，优先确保实现任务目标，提高算法的效率。
2.如权利要求1所述的一种基于状态目标性的启发式航天器任务规划方法，其特征在于：所述的步骤三具体实现方法包括如下步骤，
步骤3.1：将时间线根据与目标状态的相关性分类：目标时间线，即存在状态为规划任务目标的时间线；强目标约束时间线指不存在状态为规划任务目标，但与目标状态存在直接约束关系的时间线；弱目标约束时间线指不存在状态为规划任务目标，与目标状态之间无直接约束关系，但是与目标时间线上其它状态存在约束关系的时间线；普通时间线指既不存在状态为规划任务目标，又与目标时间线上所有状态都无直接联系的时间线；
状态为状态变量的取值；定义状态k的权值为qk，权值qk作为规划过程中状态挑选顺序的评价指标，其中qk∈R+；权值qk的取值与其本身是否为目标状态及其所属时间线类型相关；
步骤3.2：在状态集合中对上述确定权值函数的状态进行挑选，优先挑选权值qk大的状态k作为步骤3.3需要处理的对象；
步骤3.3：对挑选出的状态k的未解决的开放条件(open condition)缺陷的评价值F进行计算，并优先挑选评价值F大的缺陷进行优先解决；
解决开放条件缺陷通过两种形式实现，方式一为在解决缺陷的过程中，需要不断向各时间线上添加新的状态，方式二为在解决缺陷的过程中，与已经存在的状态建立新的约束关系(即merge state)；
同一时间线上，由于互斥约束的存在，不允许不同状态在时间上存在重叠；为避免上述情况，对缺陷的评价值F进行计算，以确定缺陷的处理顺序，
其中，m为所要添加的状态所在时间线已有状态数量，ε∈[0,10]为开放条件缺陷的适应度参数，表示开放条件缺陷在所有缺陷中的优先程度，ε取值越高，表明开放条件缺陷在所有缺陷中的优先程度越低；
步骤3.4：迭代处理步骤3.2和步骤3.3，将全部缺陷解决后，输出最终的规划结果，完成航天器任务规划；所述的全部缺陷包括开放条件、未赋值变量缺陷(unbound variable)和冲突缺陷(threat)。
3.如权利要求2所述的一种基于状态目标性的启发式航天器任务规划方法，其特征在于：所述的步骤3.1中权值qk具体计算方法包括如下步骤，
步骤3.1.1：时间线TLi存在目标相关度指标α，α∈[0,1]；根据上述时间线的分类情况，目标时间线上αg＝1，普通时间线αs＝0，另两类时间线，即强目标约束时间线的目标相关度αq与弱目标约束时间线的目标相关度αr之间的关系为，
0＜αr＜αq＜1
其中，αq与αr的具体取值可根据任务约束数量及耦合度具体选择；
步骤3.1.2：状态k的目标性βk：βk∈[0,10]，根据状态k与目标状态G的约束相关性，决定该状态的目标性βk，具体取值范围为，
其中，目标Sg为任务规划目标状态；目标约束状态Sc为非任务规划目标状态，表示与目标状态存在直接约束关系的状态；目标弱相关状态Sr为非任务规划目标状态，描述那些与目标状态同一时间线但与目标无直接约束的状态；目标无关状态Ss为非任务规划目标状态，表示那些既与目标无直接关系，也位于不同时间线的状态；
步骤3.1.3：定义状态k自身状态约束值Wk；所挑选的状态自身的状态约束数量以及约束状态的目标性会影响任务规划可能的规划步数以及回溯情况，从而影响规划问题的求解速度；假设状态k的状态约束数量为n，则自身状态约束值Wk为，
其中，γ为约束适应度，为状态约束因素；
步骤3.1.4：求取状态k的权值qk的计算函数为。
。
4.如权利要求1、2或3所述的一种基于状态目标性的启发式航天器任务规划方法，其特征在于：步骤一所述的各种约束条件根据实际航天器系统而定，包括因果约束、时间约束和资源约束。
5.如权利要求1、2或3所述的一种基于状态目标性的启发式航天器任务规划方法，其特征在于：步骤二所述的时间线参量化处理具体是指将状态变量Ai挑选出来，状态变量Ai不以时间线的形式进行建模，而是将状态变量Ai作为状态变量Aj的参量进行处理，并且状态变量Ai与状态变量Aj的约束关系转化为状态变量Aj自身内部的参量约束。
6.如权利要求1、2或3所述的一种基于状态目标性的启发式航天器任务规划方法，其特征在于：Europa中应用的航天器任务规划方法已给出所述的未赋值变量缺陷(unboundvariable)和冲突缺陷(threat)的解决方法。
7.一种基于状态目标性的启发式航天器任务规划方法，其特征在于：针对航天器系统约束复杂和系统状态信息互相耦合特点，利用多维时间线刻画航天器的多个并行子系统；并根据子系统约束特点，对满足时间线参量化筛选条件的时间线进行时间线参量化处理，削减问题的搜索空间；同时，根据状态的目标性信息进行状态和缺陷挑选的启发式设计，通过对最高权值的状态和最高评价值的缺陷进行优先挑选确保任务目标的实现，提高航天器任务规划效率。
8.如权利要求7所述的一种基于状态目标性的启发式航天器任务规划方法，其特征在于：所述的时间线参量化筛选条件指当其中一个状态变量Ai的状态除与自身状态存在约束外，仅与另一个状态变量Aj(i≠j)间存在约束关系，所述的状态变量Ai即为满足时间线参量化筛选条件的状态变量。
CN201610833908.XA 2016-09-20 2016-09-20 一种基于状态目标性的启发式航天器任务规划方法 Active CN106446397B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610833908.XA CN106446397B (zh) 2016-09-20 2016-09-20 一种基于状态目标性的启发式航天器任务规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610833908.XA CN106446397B (zh) 2016-09-20 2016-09-20 一种基于状态目标性的启发式航天器任务规划方法

Publications (2)

Publication Number Publication Date
CN106446397A true CN106446397A (zh) 2017-02-22
CN106446397B CN106446397B (zh) 2019-09-10

Family

ID=58167326

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610833908.XA Active CN106446397B (zh) 2016-09-20 2016-09-20 一种基于状态目标性的启发式航天器任务规划方法

Country Status (1)

Country Link
CN (1) CN106446397B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107562066A (zh) * 2017-09-04 2018-01-09 北京理工大学 一种航天器多目标启发式排序任务规划方法
CN109343554A (zh) * 2018-11-02 2019-02-15 北京理工大学 一种基于状态转换代价值的启发式航天器任务规划方法
CN111914483A (zh) * 2020-08-03 2020-11-10 北京理工大学 多航天器自主任务规划时间约束分布式处理方法
CN112241177A (zh) * 2020-11-06 2021-01-19 北京理工大学 基于时间线状态路标的启发式航天器任务规划方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7533073B2 (en) * 2005-12-05 2009-05-12 Raytheon Company Methods and apparatus for heuristic search to optimize metrics in generating a plan having a series of actions
CN102929285A (zh) * 2012-11-16 2013-02-13 中国民用航空飞行学院 多救援直升机多目标分配与航迹规划方法
CN104504520A (zh) * 2014-12-23 2015-04-08 北京理工大学 一种基于神经网络的深空探测器自主任务规划方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7533073B2 (en) * 2005-12-05 2009-05-12 Raytheon Company Methods and apparatus for heuristic search to optimize metrics in generating a plan having a series of actions
CN102929285A (zh) * 2012-11-16 2013-02-13 中国民用航空飞行学院 多救援直升机多目标分配与航迹规划方法
CN104504520A (zh) * 2014-12-23 2015-04-08 北京理工大学 一种基于神经网络的深空探测器自主任务规划方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107562066A (zh) * 2017-09-04 2018-01-09 北京理工大学 一种航天器多目标启发式排序任务规划方法
CN107562066B (zh) * 2017-09-04 2020-01-07 北京理工大学 一种航天器多目标启发式排序任务规划方法
CN109343554A (zh) * 2018-11-02 2019-02-15 北京理工大学 一种基于状态转换代价值的启发式航天器任务规划方法
CN111914483A (zh) * 2020-08-03 2020-11-10 北京理工大学 多航天器自主任务规划时间约束分布式处理方法
CN111914483B (zh) * 2020-08-03 2023-01-24 北京理工大学 多航天器自主任务规划时间约束分布式处理方法
CN112241177A (zh) * 2020-11-06 2021-01-19 北京理工大学 基于时间线状态路标的启发式航天器任务规划方法

Also Published As

Publication number Publication date
CN106446397B (zh) 2019-09-10

Similar Documents

Publication Publication Date Title
CN106446397A (zh) 一种基于状态目标性的启发式航天器任务规划方法
CN107562066A (zh) 一种航天器多目标启发式排序任务规划方法
CN104037776B (zh) 随机惯性因子粒子群优化算法的电网无功容量配置方法
CN102903028B (zh) 一种面向应急的多飞艇对地观测任务协同分配方法
CN106909171B (zh) 无人-有人机编队最优通信拓扑生成方法及装置
CN110874704A (zh) 一种基于Floyd算法的应急救援交通路径优化方法
CN106155791A (zh) 一种分布式环境下的工作流任务调度方法
CN112086958B (zh) 一种基于多步回溯强化学习算法的输电网扩展规划方法
CN108090677B (zh) 一种关键基础设施的可靠性测评方法
Liu et al. A risk assessment method based on RBF artificial neural network-cloud model for urban water hazard
CN109919431A (zh) 基于拍卖算法的异构多机器人任务分配方法
CN104504520A (zh) 一种基于神经网络的深空探测器自主任务规划方法
CN103366062A (zh) 基于bbo算法和电网生存性的核心骨干网架构建方法
CN113408949B (zh) 一种机器人时序任务规划方法及装置、电子设备
CN107145968A (zh) 基于bp神经网络的光伏设备生命周期费用预测方法及系统
CN109299160A (zh) 一种基于监控大数据挖掘的电力cps安全性分析方法
CN106840164A (zh) 一种多碎片主动清除在线重规划算法
CN109343554A (zh) 一种基于状态转换代价值的启发式航天器任务规划方法
CN109947130A (zh) 一种基于网格化管理的输电多机编队巡视管理方法和系统
CN110530391A (zh) 一种基于分层路网的路径规划方法及装置
CN110471445A (zh) 多无人平台通信能耗的多阶段多目标优化方法和装置
Torabi et al. Emergency relief routing and temporary depots location problem considering roads restoration
CN104537416A (zh) 一种基于hbf神经网络观测器的故障诊断方法
Ren et al. Bipartite synchronization of multilayer signed networks under aperiodic intermittent-based adaptive dynamic event-triggered control
Jawanjal et al. A design approach to traffic flow forecasting with soft computing tools

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