CN106529826A - 一种基于超启发式算法的多星对地观测任务规划调度方法 - Google Patents

Abstract

本发明公开了一种基于超启发式算法的多星对地观测任务规划方法，包括：1进行初始化设置；2生成问题的初始解，并作为当前解；3计算底层算法集中各个算法的评价值；4选择底层算法集中评价值最大的算法作为精英算法；5运用精英算法对多卫星协同对地观测任务规划问题当前解进行优化，得到新解以及精英算法的运行时间；6计算优化目标适应度值，并将新解作为当前解；7修改e₁(h_i)、e₂(h_k,h_i)函数；8修改算法运行效力评价因子和算法选择评价因子；9判断超启发式算法运行时间是否达到设置的最大运行时间，若没有达到，则跳到步骤3；否则，将当前解作为多卫星协同对地观测任务规划最优解。本发明适应于求解多星任务规划问题不同规模的实例，从而带来较好的问题求解效率和效果。

Description

一种基于超启发式算法的多星对地观测任务规划调度方法

技术领域

本发明涉及对地观测多卫星任务规划方法，尤其涉及一种基于超启发式算法的多星对地观测任务规划方法，属于卫星对地观测应用领域。

背景技术

成像卫星能够通过有效载荷实施对地探测，为侦察监视、应急搜索等各类任务提供重要的信息服务，是国家的重大基础性战略设施之一。成像卫星能够通过有效载荷实施对地探测，为侦察监视、应急搜索等各类任务提供重要的信息服务，是国家的重大基础性战略设施之一。当前，我国卫星技术(包括平台、载荷和组网技术)不断发展，但卫星的总体数量以及频谱、轨道等资源仍然是有限的，且在应用过程中还存在很多不足，如资源利用率不均衡、平台协同能力弱、快速响应能力差等，难以满足日益增多的信息需求。

多星对地观测任务规划必须在复杂的约束条件下和多种优化目标下完成，其复杂性主要体现在如下方面：(1)从任务的角度看，要处理的观测任务数量繁多，来源分布，不同的任务之间有复杂的耦合关系，存在交联、重叠和冲突，需要进行大量的解耦和协调工作；任务往往是动态变化的，会对既有规划方案产生巨大的扰动，需要不断地进行调整。(2)从资源的角度看，不同的卫星存在轨道、载荷等方面的不同，具有不同的时空行为和不同的工作模式；卫星之间的通信机制、互访问性、互操作性还很不完善，信息传递和协同工作往往需要进行多层中转才能完成。(3)从用户的角度看，用户对信息服务的效率和质量往往具有较高的要求，如对响应时间的要求，对连续性支持的要求等，而卫星平台、载荷和频谱等资源的数量是有限的，节点的能力也相对固定，因此任务规划必须同时考虑多个相互冲突的约束条件和优化目标。

卫星资源调度问题主要研究如何使用最少的资源(包括轨道资源、传感器资源、卫星平台资源等)满足最大化的任务需求，是一类典型的组合优化问题，属于NP-Hard问题的研究范畴，因此相关求解算法研究一直是该领域的研究热点的重点。目前对星上任务规划，多星协同规划等方面的研究已取得了一定的进展，提出了很多模型和算法。卫星资源调度的常见求解算法以启发式算法为主，其中用于多星资源调度的传统启发式算法以基于图着色理论的求解方法较为常见，亚启发式算法以蚁群算法等最为典型。当前对于卫星任务规划的相关研究虽然取得了一定的成果，但现有研究对实际环境的高动态性、深度不确定性的影响机理考虑不足，同一算法对多星任务规划问题不同规模的实例求解效率和效果不同。因此，要从根本上提高多星任务规划的水平，需要对常用的算法进行系统性地综合评价，在此基础上探索一种新的求解思路，建立算法的自动选择和匹配机制，以推动算法走向实际应用。

发明内容

本发明为克服现有技术存在的不足，提供一种基于超启发式算法的多星对地观测任务规划调度方法，以期能适应于求解多星任务规划问题不同规模的实例，在可计算的时间内提供一个满意解，解决多卫星协同对地观测任务规划的鲁棒性和可靠性的问题，提高多卫星协同对地观测任务的分配效率和执行效率，从而带来较好的问题求解效率和效果。

为实现上述目的，本发明采用以下技术方案：

本发明一种基于超启发式算法的多星对地观测任务规划调度方法，是应用于由S个卫星对O个地面目标进行观测，并由G个地面站接收所述S个卫星的观测结果而形成的多星对地观测任务中，所述多星对地观测任务能通过m个底层算法进行求解；所述m个底层算法记为H＝{h₁,h₂,…,h_i,…,h_m}；h_i表示第i个底层算法，1≤i≤m；其特点是，所述规划调度方法是按如下步骤进行：

步骤1、初始化：

设置超启发式算法的运行时间为T、设置所述m个底层算法H的运行效力评价因子为α、设置所述m个底层算法H的选择评价因子为γ、设置所述m个底层算法H的目标适应度值为fit；

步骤2、定义循环变量为j，初始化j＝0；并记录所述超启发式算法的开始时间为T₁；

步骤3、利用贪婪算法获得所述观测任务的第j次循环的初始解z_j；

步骤4：基于所述初始解z_j，对所述观测任务利用所述m个底层算法进行求解，获得第j次循环的m个解以及所述m个底层算法的运行时间{t_j(h₁),t_j(h₂),…,t_j(h_i),…t_j(h_m)}和间隔时间{τ_j(h₁),τ_j(h₂),…,τ_j(h_i),…τ_j(h_m)}，表示所述第i个底层算法h_i的解；t_j(h_i)表示所述第i个底层算法h_i的解所对应的运行时间，τ_j(h_i)表示相邻两次调用所述第i个底层算法h_i的间隔时间；

步骤5、利用式(1)获得第j次循环的第i个底层算法h_i的运行效力评价函数从而获得第j次循环的m个底层算法的运行效力评价函数

步骤6、利用式(2)获得第j次循环的第i个底层算法h_i的算法选择评价函数从而获得第j次循环的m个底层算法H的算法选择评价函数

步骤7、利用式(3)获得第j次循环的第i个底层算法h_i的的评价值E_j(h_i)，从而获得第j次循环的m个底层算法H的评价值E_j＝{E_j(h₁),E_j(h₂),…,E_j(h_i),…E_j(h_m)}：

步骤8：选择所述m个评价值E_j中的最大值所对应的底层算法作为第j次循环的精英算法，记为

步骤9：利用所述第j次循环的精英算法对所述观测任务进行求解，获得第j+1次循环的解及其运行时间和m个底层算法H的间隔时间{τ_j+1(h₁),τ_j+1(h₂),…,τ_j+1(h_i),…τ_j+1(h_m)}；

步骤10：利用式(4)获得第j+1次循环的目标适应度值fit_j+1：

步骤11：利用式(5)获得第j+1次循环的第i个底层算法h_i的运行效力评价函数从而获得第j+1次循环的m个底层算法的运行效力评价函数

步骤12：利用式(6)获得第j+1次循环的第i个底层算法h_i的算法选择评价函数从而获得第j+1次循环的m个底层算法的算法选择评价函数

步骤13：利用式(7)和式(8)分别获得第j+1次循环的算法运行效力评价因子α_j+1和算法选择评价因子γ_j+1：

γ_j+1＝1-α_j+1 (8)

步骤14：记录所述超启发式算法的结束时间为T₂；将所述开始时间T₁与所述结束时间T₂之间的差值与所述运行时间T进行比较，若差值小于T，则将j+1赋值给j，并返回步骤7顺序执行；若差值大于T，则将所述第j+1次循环的解作为所述观测任务的最优解。

本发明所述的规划调度方法的特点也在于，

步骤1中，所述评价因子的初始值α₀为0.5，所述选择评价因子的初始值γ₀为0.5。

所述m个底层算法分为交叉类型、变异类型、摄动类型和邻域类型。

所述多星对地观测任务的数学模型为：

目标函数：

约束条件：

式(9)是目标函数最大化已观测任务数量总和z，表示所述观测任务p分配给卫星q进行观测的时间窗口数量；为布尔型决策变量，取值为1时，所述观测任务p分配给卫星q在观测时间窗口k进行观测，取值为0时，所述观测任务p不分配给卫星q在观测时间窗口k进行观测；

式(10)表示每个观测任务最多只能被观测一次；

式(11)表示每个观测时间窗口的开机时间必须大于最短开机时间，小于最长关机时间，tmin_q表示卫星q要求的最短开机时间，表示所述观测任务p分配给卫星q在观测时间窗口k进行观测的结束时间，表示所述观测任务p分配给卫星q在观测时间窗口k进行观测的开始时间，tmax_q表示卫星q要求的最长开机时间；

式(12)表示所述观测任务u分配给卫星q在观测时间窗口v进行观测，观测结束时间为所述卫星q经过转换时间TranS(p,u)，然后在观测时间窗口k对所述观测任务p进行观测，观测开始时间为

式(13)表示卫星观测任务的时间窗口与数据传输时间窗口不能交叉，表示所述地面站g可接收卫星q下传数据的数据传输时间窗口数量；布尔型变量，取值1时，表示所述观测地面站g在数据传输时间窗口c接收卫星q下传的数据，数据传输时间窗口开始时间为所述观测任务p不能分配给卫星q在观测时间窗口k进行观测，取值0时，表示所述观测地面站g在数据传输时间窗口c卫星q不能下传数据，所述观测任务p可以分配给卫星q在观测时间窗口k进行观测；

式(14)表示地面站一次只能接收一颗卫星的数据下传，表示所述地面站g可接收卫星r下传数据的数据传输时间窗口数量，表示所述地面站g在数据传输时间窗口l接收卫星r下传数据的开始时间，表示所述地面站g在数据传输时间窗口c接收卫星q下传数据的结束时间；

式(15)表示所述地面站g在数据传输时间窗口l接收卫星r下传的数据，数据传输时间窗口的结束时间为所述地面站g经过转换时间TranG(q,r)，然后在数据传输时间窗口c接收卫星q下传的数据，数据传输时间窗口的开始时间为

式(16)变量表示所述观测任务p分配给卫星q在观测时间窗口k进行观测后，卫星q的存储器占用量，表示所述观测任务p分配给卫星q在观测时间窗口k进行观测的数据存储量；

式(17)变量表示所述观测任务p分配给卫星q在观测时间窗口k进行观测后，存储器的占用量不能超过卫星q的最大存储容量cap_q；

式(18)表示所述卫星q在指定时间内的总开机时间不能超过所述卫星q规定每圈次最大允许开机时间长度open_q；

式(19)表示规划完成之后，所述卫星q上存储的观测数据必须完全下传到地面站。

与已有技术相比，本发明的有益效果体现在：

1.本发明多星对地观测任务规划方法，是高层超启发式算法通过对由任务规划基本规则库、精确算法、启发式算法、以及智能算法组成的底层算法集合管理与调度，针对不同多星对地观测任务规划，超启发式算法总能在可计算的时间内提供一个满意解，解决了现有多星对地观测任务规划算法难以求解不同规模的问题，提高了观测任务的分配效率和执行效率。

2.本发明采用算法的求解效果、算法的运行效率2个指标衡量算法的执行效力，选择评价值最高的算法作为精英算法对当前解进行改进，利用优化目标适应度值，采用自动学习机制，动态修改算法运行效力评价因子和算法选择评价因子，从算法运行的强化性和算法选择的多样性两方面，对底层算法进行管理，解决了多星对地观测任务规划的鲁棒性和可靠性的问题。

附图说明

图1是本发明超启发式算法的基本框架示意图；

图2是本发明方法的整体流程示意图；

图3是本发明实施例中超启发式算法的框架示意图；

图4是本发明实施例中算法平均运行时间示意图；

图5是本发明实施例中目标函数适应度平均值示意图。

具体实施方式

本实施例中，一种超启发式算法是用于求解S个卫星O个观测任务G个地面站的多星对地观测任务规划问题。其中，由S个卫星对O个地面目标进行观测，并由G个地面站接收所述S个卫星的观测结果；

超启发式算法求解多星对地观测任务规划问题的基本结构如图1所示，底层由任务规划基本规则库、精确算法、启发式算法、以及智能算法组成。规则库中的每个规则能对观测任务进行基本规划，底层m种不同的算法可以单独对问题进行求解，m个底层算法记为H＝{h₁,h₂,…,h_i,…,h_m}；h_i表示第i个底层算法，1≤i≤m。根据底层算法计算的解，分析当前算法的求解效果、算法运行效率搜索策略以及当前搜索状态，从底层算法集合中选择合适的算法改变当前算法的搜索策略并选择相应的计算算子改变当前解的状态，再次进行问题求解，经过不停的算法选择循环，在可接受的时间内找到求解问题的合适算法序列以及最终满意解。

如图2所示，该规划调度方法的过程为：

步骤1、涉及各种参数的初始化、底层算法集准备。有m个底层算法，底层算法列表为H＝{h₁,h₂,...,h_m}，设置超启发式算法运行时间T，设置m个底层算法H的运行效力评价因子为α、设置m个底层算法H的选择评价因子为γ，设置m个底层算法H的目标适应度值为fit；

在本发明的方案中，首先给出较为完整的底层算法集，该算法集中有多星对地观测任务规划基本规则算法、精确算法、启发式算法、及智能算法。这些算法又分为四类：交叉、变异、摄动和邻域。

步骤2、定义循环变量为j，初始化j＝0；并记录所述超启发式算法的开始时间为T₁；

运行效力评价因子α_j的初始值设置为0.5，选择评价因子γ_j的初始值设置为0.5，目标适应度值fit_j的初始值设置为0。

步骤3、利用贪婪算法获得多星对地观测任务规划的第j次循环的初始解z_j；

多星对地观测任务的数学模型为：

目标函数：

约束条件：

式(1)是目标函数最大化已观测任务数量总和z，表示所述观测任务p分配给卫星q进行观测的时间窗口数量；为布尔型决策变量，取值为1时，所述观测任务p分配给卫星q在观测时间窗口k进行观测，取值为0时，所述观测任务p不分配给卫星q在观测时间窗口k进行观测。

式(2)表示每个观测任务最多只能被观测一次；

式(3)表示每个观测时间窗口的开机时间必须大于最短开机时间，小于最长关机时间，tmin_q表示卫星q要求的最短开机时间，表示所述观测任务p分配给卫星q在观测时间窗口k进行观测的结束时间，表示所述观测任务p分配给卫星q在观测时间窗口k进行观测的开始时间，tmax_q表示卫星q要求的最长开机时间；

式(4)表示所述观测任务u分配给卫星q在观测时间窗口v进行观测，观测结束时间为所述卫星q经过转换时间TranS(p,u)，然后在观测时间窗口k对所述观测任务p进行观测，观测开始时间为

式(5)表示卫星观测任务的时间窗口与数据传输时间窗口不能交叉，表示地面站g可接收卫星q下传数据的数据传输时间窗口数量；布尔型变量，取值1时，表示所述观测地面站g在数据传输时间窗口c接收卫星q下传的数据，数据传输时间窗口开始时间为所述观测任务p不能分配给卫星q在观测时间窗口k进行观测，取值0时，表示所述观测地面站g在数据传输时间窗口c卫星q不能下传数据，所述观测任务p可以分配给卫星q在观测时间窗口k进行观测；

式(6)表示地面站一次只能接收一颗卫星的数据下传，表示地面站g可接收卫星r下传数据的数据传输时间窗口数量，表示地面站g在数据传输时间窗口l接收卫星r下传数据的开始时间，表示地面站g在数据传输时间窗口c接收卫星q下传数据的结束时间；

式(7)表示地面站g在数据传输时间窗口l接收卫星r下传的数据，数据传输时间窗口的结束时间为所述地面站g经过转换时间TranG(q,r)，然后在数据传输时间窗口c接收卫星q下传的数据，数据传输时间窗口的开始时间为

式(8)变量表示观测任务p分配给卫星q在观测时间窗口k进行观测后，卫星q的存储器占用量，表观测任务p分配给卫星q在观测时间窗口k进行观测的数据存储量；

式(9)变量表示观测任务p分配给卫星q在观测时间窗口k进行观测后，存储器的占用量不能超过卫星q的最大存储容量cap_q；

式(10)表示卫星q在指定时间内的总开机时间不能超过卫星q规定每圈次最大允许开机时间长度open_q；

式(11)表示规划完成之后，所述卫星q上存储的观测数据必须完全下传到地面站。

步骤4：基于所述初始解z_j，对所述观测任务利用所述m个底层算法进行求解，获得第j次循环的m个解以及所述m个底层算法的运行时间{t_j(h₁),t_j(h₂),…,t_j(h_i),…t_j(h_m)}和间隔时间{τ_j(h₁),τ_j(h₂),…,τ_j(h_i),…τ_j(h_m)}，表示所述第i个底层算法h_i的解；t_j(h_i)表示采用第i个底层算法h_i求解多星对地观测任务规划问题，得到解的运行时间，τ_j(h_i)表示相邻两次调用第i个底层算法h_i的间隔时间；

步骤5、利用式(12)获得第j次循环的第i个底层算法h_i的运行效力评价函数从而获得第j次循环的m个底层算法的运行效力评价函数

步骤6、利用式(13)获得第j次循环的第i个底层算法h_i的算法选择评价函数从而获得第j次循环的m个底层算法H的算法选择评价函数

步骤7、利用式(14)获得第j次循环的第i个底层算法h_i的的评价值E_j(h_i)，从而获得第j次循环的m个底层算法H的评价值E_j＝{E_j(h₁),E_j(h₂),…,E_j(h_i),…E_j(h_m)}：

本发明根据底层算法h_i的解底层算法h_i的运行效力评价函数e₁(h_i)、底层算法h_i的算法选择评价函数计算底层算法h_i评价值E_j(h_i)。从算法求解问题的效果、算法求解问题的效率、算法执行之后到下次再执行该算法的时间间隔三个方面衡量算法的执行效力。

步骤8：选择所述m个评价值E_j中的最大值所对应的底层算法作为第j次循环的精英算法，记为

本发明超启发式算法作为高层算法，其功能是对底层算法集合中的算法进行管理与调度。在底层算法调度过程中，算法的评价值越高，说明该算法被执行的程度越高。已执行的算法对当前解的改进程度效果不明显，需要选择新的算法对当前解进行改进。因此选择评价值最高的算法作为精英算法对当前解进行改进。首次循环时由于底层算法的评价值均相等，因此采用随机形式从底层算法集中选择一个算法作为精英算法。

步骤9：利用所述第j次循环的精英算法对所述观测任务进行求解，获得第j+1次循环的解及其运行时间和m个底层算法H的间隔时间{τ_j+1(h₁),τ_j+1(h₂),…,τ_j+1(h_i),…τ_j+1(h_m)}；

步骤10：利用式(15)获得第j+1次循环的目标适应度值fit_j+1：

步骤11：利用式(16)获得第j+1次循环的第i个底层算法h_i的运行效力评价函数从而获得第j+1次循环的m个底层算法的运行效力评价函数

步骤12：利用式(17)获得第j+1次循环的第i个底层算法h_i的算法选择评价函数从而获得第j+1次循环的m个底层算法的算法选择评价函数

步骤13：利用式(18)和式(19)分别获得第j+1次循环的算法运行效力评价因子α_j+1和算法选择评价因子γ_j+1：

γ_j+1＝1-α_j+1 (19)

本发明采用自动学习机制，使得超启发式算法从算法运行的强化性和算法选择的多样性两方面，对底层算法进行管理，更好地了解底层算法求解多星对地观测任务规划问题的适应性，在求解过程中的每一个决策点选择合适算法。

步骤14：记录所述超启发式算法的结束时间为T₂；将所述开始时间T₁与所述结束时间T₂之间的差值与所述运行时间T进行比较，若差值小于T，则将j+1赋值给j，并返回步骤7顺序执行；若差值大于T，则将所述第j+1次循环的解作为所述观测任务的最优解。

实施例

考虑2颗运行于太阳同步轨道对地观测成像卫星，卫星信息如表1所示。设置2个地面站接收两颗对地观测成像卫星数据，地面站信息如表2所示。观测任务数分别为50个地面目标、100个地面目标、150个地面目标、200个地面目标4组。每组观测时间为24小时、48小时、60小时、72小时。本例子中的而所有观测目标均为点目标。本例子中超启发式算法的框架如图3所示，底层算法集合由遗传算法、蚁群算法、模拟退火算法、禁忌搜索算法，遗传算法包含交叉和变异操作，蚁群算法、模拟退火算法、禁忌搜索算法在问题求解过程包含摄动和邻域操作。其遗传算法、蚁群算法属于群类算法，模拟退火算法、禁忌搜索算法属于单解算法。

表1卫星运行参数

名称	轨道倾角	轨道高度	半长轴	飞行周期
					ERS1	98.2	780km	7153.135公里	100.3分钟
ERS2	98.5	780km	7153.135公里	100.5分钟

表2地面站参数

名称	经度	纬度
			北京站	39.98775	116.343496
西安站	34.256639	109.02982

利用底层遗传算法、蚁群算法、模拟退火算法、禁忌搜索算法求解本例中4组观测任务规划问题，再用本发明超启发式算法求解本例中4组观测任务规划问题。各算法的平均运行时间和目标函数均值如表3所示。

表3算法运行结果

利用遗传算法、蚁群算法、模拟退火算法、禁忌搜索算法以及超启发式算法分别求解2颗卫星、2个地面站、4组地面观测目标，各算法的运行时间比较如图4所示。4个底层算法与超启发式算法求解本例子的目标函数均值比较如图5所示，超启发式算法求解多星对地观测任务得到解的质量明显优于各底层算法解的质量。

Claims (4)

1.一种基于超启发式算法的多星对地观测任务规划调度方法，是应用于由S个卫星对O个地面目标进行观测，并由G个地面站接收所述S个卫星的观测结果而形成的多星对地观测任务中，所述多星对地观测任务能通过m个底层算法进行求解；所述m个底层算法记为H＝{h₁,h₂,…,h_i,…,h_m}；h_i表示第i个底层算法，1≤i≤m；其特征是，所述规划调度方法是按如下步骤进行：

步骤1、初始化：

设置超启发式算法的运行时间为T、设置所述m个底层算法H的运行效力评价因子为α、设置所述m个底层算法H的选择评价因子为γ、设置所述m个底层算法H的目标适应度值为fit；

步骤2、定义循环变量为j，初始化j＝0；并记录所述超启发式算法的开始时间为T₁；

步骤3、利用贪婪算法获得所述观测任务的第j次循环的初始解z_j；

步骤4：基于所述初始解z_j，对所述观测任务利用所述m个底层算法进行求解，获得第j次循环的m个解以及所述m个底层算法的运行时间{t_j(h₁),t_j(h₂),…,t_j(h_i),…t_j(h_m)}和间隔时间{τ_j(h₁),τ_j(h₂),…,τ_j(h_i),…τ_j(h_m)}，表示所述第i个底层算法h_i的解；t_j(h_i)表示所述第i个底层算法h_i的解所对应的运行时间，τ_j(h_i)表示相邻两次调用所述第i个底层算法h_i的间隔时间；

步骤5、利用式(1)获得第j次循环的第i个底层算法h_i的运行效力评价函数从而获得第j次循环的m个底层算法的运行效力评价函数

$e_1^{\left(j\right)}\left(h_i\right)=\frac{z_i^{\left(j\right)}-z_j}{z_j}+\frac{T-t_j\left(h_i\right)}{T}---\left(1\right)$

步骤6、利用式(2)获得第j次循环的第i个底层算法h_i的算法选择评价函数从而获得第j次循环的m个底层算法H的算法选择评价函数

$e_2^{\left(j\right)}\left(h_i\right)=\frac{{\mathrm{\τ}}_j\left(h_i\right)}{T}---\left(2\right)$

步骤7、利用式(3)获得第j次循环的第i个底层算法h_i的的评价值E_j(h_i)，从而获得第j次循环的m个底层算法H的评价值E_j＝{E_j(h₁),E_j(h₂),…,E_j(h_i),…E_j(h_m)}：

$E_j\left(h_i\right)=e_1^{\left(j\right)}\left(h_i\right)+e_2^{\left(j\right)}\left(h_i\right)---\left(3\right)$

步骤8：选择所述m个评价值E_j中的最大值所对应的底层算法作为第j次循环的精英算法，记为

步骤9：利用所述第j次循环的精英算法对所述观测任务进行求解，获得第j+1次循环的解及其运行时间和m个底层算法H的间隔时间{τ_j+1(h₁),τ_j+1(h₂),…,τ_j+1(h_i),…τ_j+1(h_m)}；

步骤10：利用式(4)获得第j+1次循环的目标适应度值fit_j+1：

${\mathrm{fit}}_{j+1}=z_{best}^{(j+1)}-z_i^{\left(j\right)}---\left(4\right)$

步骤11：利用式(5)获得第j+1次循环的第i个底层算法h_i的运行效力评价函数从而获得第j+1次循环的m个底层算法的运行效力评价函数

$e_1^{(j+1)}\left(h_i\right)=\frac{z_{best}^{(j+1)}-z_i^{\left(j\right)}}{z_i^{\left(j\right)}}+\frac{T-t_{j+1}\left(h_{best}^{\left(j\right)}\right)}{T}+{\mathrm{\α}}_j\×e_1^{\left(j\right)}\left(h_i\right)---\left(5\right)$

步骤12：利用式(6)获得第j+1次循环的第i个底层算法h_i的算法选择评价函数从而获得第j+1次循环的m个底层算法的算法选择评价函数

$e_2^{(j+1)}\left(h_i\right)=\frac{{\mathrm{\τ}}_{j+1}\left(h_i\right)}{T}+{\mathrm{\γ}}_j\×e_2^{\left(j\right)}\left(h_i\right)---\left(6\right)$

步骤13：利用式(7)和式(8)分别获得第j+1次循环的算法运行效力评价因子α_j+1和算法选择评价因子γ_j+1：

γ_j+1＝1-α_j+1 (8)

步骤14：记录所述超启发式算法的结束时间为T₂；将所述开始时间T₁与所述结束时间T₂之间的差值与所述运行时间T进行比较，若差值小于T，则将j+1赋值给j，并返回步骤7顺序执行；若差值大于T，则将所述第j+1次循环的解作为所述观测任务的最优解。

2.根据权利要求1所述的规划调度方法，其特征是，步骤1中，所述评价因子的初始值α₀为0.5，所述选择评价因子的初始值γ₀为0.5。

3.根据权利要求1所述的规划调度方法，其特征是：所述m个底层算法分为交叉类型、变异类型、摄动类型和邻域类型。

4.根据权利要求1所述的规划调度方法，其特征是，所述多星对地观测任务的数学模型为：

目标函数：

$z=max\underset{p=1}{\overset{O}{\Σ}}\underset{q=1}{\overset{S}{\Σ}}\underset{k=1}{\overset{W_p^q}{\Σ}}{x}_{pk}^q---\left(9\right)$

约束条件：

$\underset{q=1}{\overset{S}{\Σ}}\underset{k=1}{\overset{W_p^q}{\Σ}}{x}_{pk}^q\≤1,\∀p\∈O---\left(10\right)$

$x_{pk}^q{\mathrm{tmin}}_q\≤x_{pq}^q({\mathrm{et}}_{pk}^q-{\mathrm{st}}_{pk}^q)\≤x_{pk}^q{\mathrm{tmax}}_q,\∀p\∈O,\∀q\∈S,\∀k\∈W_p^q---\left(11\right)$

$\begin{array}{c}\[{\mathrm{st}}_{pk}^q-{\mathrm{et}}_{uv}^q-\left(TranS\right(p,u\left)\right)\]x_{pk}^q{x}_{uv}^q\≥0\\ \∀p\∈O,\∀u\∈O,\∀q\∈S,\∀k\∈W_p^q,\∀v\∈W_u^q\end{array}---\left(12\right)$

$\begin{array}{c}{y}_{gc}^q({\mathrm{gs}}_{gc}^q-{\mathrm{st}}_{pk}^q)({\mathrm{gs}}_{gc}^q-{\mathrm{et}}_{pk}^q)>0\\ \∀g\∈G,\∀c\∈{\mathrm{GW}}_g^q,\∀p\∈O,\∀q\∈S,\∀k\∈W_p^q\end{array}---\left(13\right)$

$\begin{array}{c}{y}_{gc}^q+y_{gl}^r=1,if{\mathrm{gs}}_{gc}^q<{\mathrm{gs}}_{gl}^r<{\mathrm{ge}}_{gc}^q\\ \&ForAll;g\&Element;G,\&ForAll;c\&Element;{\mathrm{GW}}_g^q,\&ForAll;q\&Element;S,\&ForAll;l\&Element;{\mathrm{GW}}_g^r,\&ForAll;r\&Element;S\end{array}---\left(14\right)$

$\begin{array}{c}\&lsqb;{\mathrm{gs}}_{gc}^q-{\mathrm{ge}}_{gl}^r-\left(TranG\right(q,r\left)\right)\&rsqb;y_{gc}^q{y}_{gl}^r\&GreaterEqual;0\\ \&ForAll;g\&Element;G,\&ForAll;c\&Element;{\mathrm{GW}}_g^q,\&ForAll;q\&Element;S,\&ForAll;l\&Element;{\mathrm{GW}}_g^r,\&ForAll;r\&Element;S\end{array}---\left(15\right)$

$\begin{array}{c}{\mathrm{mems}}_{pk}^q=x_{pk}^q\left(\begin{array}{c}\underset{u\&NotEqual;m}{\overset{O}{\underset{u=1}{\mathrm{\&Sigma;}}}}\underset{v=1}{\overset{W_u^q}{\mathrm{\&Sigma;}}}\max \&lsqb;0,\frac{{\mathrm{et}}_{pk}^q-{\mathrm{et}}_{uv}^q}{|{\mathrm{et}}_{pk}^q-{\mathrm{et}}_{uv}^q|}\&rsqb;{\mathrm{mem}}_{uv}^q+{\mathrm{mem}}_{pk}^q-\\ \underset{g=1}{\overset{G}{\mathrm{\&Sigma;}}}\underset{c=1}{\overset{{\mathrm{GW}}_g^q}{\mathrm{\&Sigma;}}}\max \&lsqb;0,\frac{{\mathrm{et}}_{pk}^q-{\mathrm{ge}}_{gc}^q}{|{\mathrm{et}}_{pk}^q-{\mathrm{ge}}_{gc}^q|}\&rsqb;\underset{u=1}{\overset{O}{\mathrm{\&Sigma;}}}\underset{v=1}{\overset{W_u^q}{\mathrm{\&Sigma;}}}{\mathrm{mem}}_{uv}^q{y}_{gc}^q\end{array}\right)\\ \&ForAll;p\&Element;O,\&ForAll;q\&Element;S,\&ForAll;k\&Element;W_p^q,\end{array}---\left(16\right)$

${\mathrm{mems}}_{pk}^q\&le;{\mathrm{cap}}_q,\&ForAll;p\&Element;O,\&ForAll;q\&Element;S,\&ForAll;k\&Element;W_p^q---\left(17\right)$

$\begin{array}{c}\underset{u\&Element;O}{\mathrm{\&Sigma;}}\underset{v\&Element;W_u^q}{\mathrm{\&Sigma;}}\left({\mathrm{et}}_{uv}^q-{\mathrm{st}}_{uv}^q\right)\max \left\{0,\frac{\left({\mathrm{et}}_{uv}^q-{\mathrm{st}}_{pk}^q\right)\left({\mathrm{st}}_{uv}^q-{\mathrm{st}}_{pk}^q\right)}{\left|\left({\mathrm{et}}_{uv}^q-{\mathrm{st}}_{pk}^q\right)\left({\mathrm{st}}_{uv}^q-{\mathrm{st}}_{pk}^q\right)\right|}\right\}\&le;{\mathrm{open}}_q\\ \&ForAll;p\&Element;O,\&ForAll;q\&Element;S,\&ForAll;k\&Element;W_p^q\end{array}---\left(18\right)$

$\underset{p=1}{\overset{O}{\&Sigma;}}\underset{k=1}{\overset{W_p^q}{\&Sigma;}}{\mathrm{mem}}_{pk}^q=\underset{g=1}{\overset{G}{\&Sigma;}}\underset{c=1}{\overset{{\mathrm{GW}}_g^q}{\&Sigma;}}\underset{p=1}{\overset{O}{\&Sigma;}}\underset{k=1}{\overset{W_p^q}{\&Sigma;}}{y}_{gc}^q{\mathrm{mem}}_{pk}^q,\&ForAll;q\&Element;S---\left(19\right)$

式(9)是目标函数最大化已观测任务数量总和z，表示所述观测任务p分配给卫星q进行观测的时间窗口数量；为布尔型决策变量，取值为1时，所述观测任务p分配给卫星q在观测时间窗口k进行观测，取值为0时，所述观测任务p不分配给卫星q在观测时间窗口k进行观测；

式(10)表示每个观测任务最多只能被观测一次；

式(11)表示每个观测时间窗口的开机时间必须大于最短开机时间，小于最长关机时间，tmin_q表示卫星q要求的最短开机时间，表示所述观测任务p分配给卫星q在观测时间窗口k进行观测的结束时间，表示所述观测任务p分配给卫星q在观测时间窗口k进行观测的开始时间，tmax_q表示卫星q要求的最长开机时间；

式(12)表示所述观测任务u分配给卫星q在观测时间窗口v进行观测，观测结束时间为所述卫星q经过转换时间TranS(p,u)，然后在观测时间窗口k对所述观测任务p进行观测，观测开始时间为

式(13)表示卫星观测任务的时间窗口与数据传输时间窗口不能交叉，表示所述地面站g可接收卫星q下传数据的数据传输时间窗口数量；布尔型变量，取值1时，表示所述观测地面站g在数据传输时间窗口c接收卫星q下传的数据，数据传输时间窗口开始时间为所述观测任务p不能分配给卫星q在观测时间窗口k进行观测，取值0时，表示所述观测地面站g在数据传输时间窗口c卫星q不能下传数据，所述观测任务p可以分配给卫星q在观测时间窗口k进行观测；

式(14)表示地面站一次只能接收一颗卫星的数据下传，表示所述地面站g可接收卫星r下传数据的数据传输时间窗口数量，表示所述地面站g在数据传输时间窗口l接收卫星r下传数据的开始时间，表示所述地面站g在数据传输时间窗口c接收卫星q下传数据的结束时间；

式(15)表示所述地面站g在数据传输时间窗口l接收卫星r下传的数据，数据传输时间窗口的结束时间为所述地面站g经过转换时间TranG(q,r)，然后在数据传输时间窗口c接收卫星q下传的数据，数据传输时间窗口的开始时间为

式(16)变量表示所述观测任务p分配给卫星q在观测时间窗口k进行观测后，卫星q的存储器占用量，表示所述观测任务p分配给卫星q在观测时间窗口k进行观测的数据存储量；

式(17)变量表示所述观测任务p分配给卫星q在观测时间窗口k进行观测后，存储器的占用量不能超过卫星q的最大存储容量cap_q；

式(18)表示所述卫星q在指定时间内的总开机时间不能超过所述卫星q规定每圈次最大允许开机时间长度open_q；

式(19)表示规划完成之后，所述卫星q上存储的观测数据必须完全下传到地面站。