CN106647262B - 一种面向敏捷卫星多目标任务规划的差分进化方法 - Google Patents
一种面向敏捷卫星多目标任务规划的差分进化方法 Download PDFInfo
- Publication number
- CN106647262B CN106647262B CN201611067166.0A CN201611067166A CN106647262B CN 106647262 B CN106647262 B CN 106647262B CN 201611067166 A CN201611067166 A CN 201611067166A CN 106647262 B CN106647262 B CN 106647262B
- Authority
- CN
- China
- Prior art keywords
- population
- probability
- individuals
- individual
- differential evolution
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 239000013598 vector Substances 0.000 claims abstract description 53
- 230000035772 mutation Effects 0.000 claims description 30
- 238000005215 recombination Methods 0.000 claims description 14
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 230000006798 recombination Effects 0.000 claims description 8
- 239000011475 Accrington brick Substances 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 230000008521 reorganization Effects 0.000 claims description 3
- VWDWKYIASSYTQR-UHFFFAOYSA-N sodium nitrate Chemical compound [Na+].[O-][N+]([O-])=O VWDWKYIASSYTQR-UHFFFAOYSA-N 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 6
- 238000012163 sequencing technique Methods 0.000 abstract description 3
- 230000036962 time dependent Effects 0.000 description 16
- 238000012545 processing Methods 0.000 description 13
- 238000011160 research Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 244000052616 bacterial pathogen Species 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Genetics & Genomics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
Abstract
本发明公开一种面向敏捷卫星多目标任务规划的差分进化方法,所述差分进化方法包括:将决策变量构成的解集空间转换为种群;对种群及种群的算法参数分别进行初始化;根据种群的算法参数生成捐赠向量、试用向量及子代;将子代添加到种群中得到变异种群,对个体解码得到适应度;判断当前迭代次数i是否小于迭代总数,若满足,则对变异种群中个体进行选择,生成新的种群,并更新对应的种群的算法参数;否则剔除精英解集中被支配的解,将所述变异种群中的非支配解添加到未被精英解集中个体支配的解中以更新精英解集;步骤八:对精英解集中的个体进行排序,并根据顺序输出指定数目的个体。本发明差分进化方法能够将多目标优化特征集于一体分析。
Description
技术领域
本发明涉及一种面向敏捷卫星多目标任务规划的差分进化方法。
背景技术
敏捷卫星多目标规划问题具有明显的时间依赖的特征,分析时间依赖调度方法的研究现状对敏捷卫星多目标规划研究的帮助较大。当前关于时间依赖调度方法的研究,主要为时间依赖加工时间、时间依赖的收益以及时间依赖的转换时间三个方面的研究。Gupta和Browne最早提出时间依赖的加工时间,后续的学者对问题的扩展形式进行了研究,研究的目标函数主要分为最小化完工时间之和与最小化加工周期,加工时间对加工开始时间的依赖关系以线性关系为主,也有Huang、Toskar等学者研究了指数型的依赖关系。对于这些问题,许多研究者提出了启发式算法,也有像Hindi采用了如模拟退火的智能算法来解决呈线性递减关系的加工时间依赖问题。
在时间依赖的收益研究上,主要考虑了时间依赖惩罚与时间依赖价值两种情况。Yang对单资源环境下以最小化加权延期惩罚与资源超期使用惩罚之和为目标的调度问题进行了研究,提出采用局部搜索算法来寻找加工序列。Tanaka提出了一种两阶段过程的最优化求解算法,该算法在寻找最优解时具有较好的表现,但是对于大规模问题计算较慢。Hendel设计了基于领域的局部搜索算法来解决具有不同交货期的工件加工问题。在比较新的研究中,Germs采用简单的启发式规则来解决具有严格交货期以及批加工转换时间的订单受理与调度问题,Wang采用一种分支定界最优算法来求解两台流水加工机器环境下的订单受理与调度问题,但是考虑的工件加工转换时间不具有。
对于时间依赖的转换时间研究相对较少,Black研究了一种名为TD-PARP(Time-Dependent Prize-Collecting Arc Routing Problem)的问题,采用一种基于变邻域搜索的优化方法和一种基于禁忌搜索的优化方法来求解该问题,考虑的转换时间由表给出。Pralet在面对时间依赖的转换时间问题时,采用一种时间依赖的简单时间网络来处理,对应在敏捷卫星中采用约束传播来调整后一成像任务的开始时间,然而并没有考虑对问题的优化模型及算法。陈成研究了具有时间依赖转换时间与时间依赖收益的工件加工问题,设计了混合差分算法,并将其应用到敏捷卫星成像任务规划上,具有很好地求解效果,缺陷在于考虑的目标仅仅为点目标成像的单目标规划,无法适用多目标的情况。
发明内容
本发明的目的是提供一种面向敏捷卫星多目标任务规划的差分进化方法,将多目标优化特征集于一体分析,以输出指定数目的个体。
为实现上述目的,本发明提供了如下方案:
一种面向敏捷卫星多目标任务规划的差分进化方法,所述差分进化方法包括:
步骤一:将敏捷卫星多目标任务的决策变量构成的解集空间转换为以混合编码的个体为单元的种群;
步骤二:对所述种群及种群的算法参数分别进行初始化;其中,所述种群的算法参数包括差分变异算子选择概率Mde、缩放因子Fc、交叉重组概率Cr、一般变异概率Mnor、种群规模Npop以及迭代总数Niter;
步骤四:将子代Og添加到所述种群Pop中得到变异种群Pop′,对个体解码得到适应度;
步骤五:判断当前迭代次数i是否小于迭代总数Niter,若满足执行步骤六,否则执行步骤七;
步骤六:采用锦标赛排序方法对变异种群Pop′中个体进行选择,生成新的种群Pop,并更新对应的种群的算法参数,重复执行步骤三;
步骤八:根据拥挤距离对精英解集Archive中的个体进行排序,并根据顺序输出指定数目的个体。
可选的,对所述种群进行初始化的方法为完全随机方法或限定随机方法;其中,
(1)完全随机方法,对于初始种群中第i个体P0,i,其第j维变量的生成方式为
其中,randn[1,nj]表示生成随机整数处于范围[1,nj]内,rand[0,1]表示生成的随机数处于范围[0,1]内;
(2)限定随机方法,针对于区域目标而言,分两种情况:
第二限定随机方法:在异向分解角度对应的观测方式中随机选择。
可选的,对完全随机方法、第一限定随机方法及第二限定随机方法在种群初始化中采用0.8:0.1:0.1的比例来进行初始种群的生成。
其中,i表示种群个体序号;
可选的,每次迭代中进行更新的方法包括:
若采用两种方式变异得到捐赠向量后成功进入到下一代的数目分别为m1和m2,没有进入到下一代的数目分别为w1和w2,则采用以下方式确定差分变异算子选择概率Mde:
累计20代后根据公式(3)更新,之后每代的差分变异算子选择概率Mde的更新根据上一代统计信息更新,不进行累计。
其中,i表示种群个体序号,j表示维度序号;
采用高斯分布的交叉重组概率Cr:
Cr·i=GausseRand(ucr,σcr)------------(5);
之后的每次更新仅仅根据上一代的统计进行。
其中,i表示种群个体序号,j表示维度序号;
一般变异概率Mnor采用以下方式生成:
Mnor·i=GausseRand(unor,σnor)------------(8);
之后的每次更新仅仅根据上一代的统计进行。
可选的,所述采用锦标赛排序方法对变异种群Pop′中个体进行选择的方法包括:
采用锦标赛排序算法进行选择,选择时采用经典NSGA-Ⅱ算法使用的基于Pareto秩与拥挤距离的非支配排序算法,从变异种群Pop′中随机选择的多个个体中选择Pareto秩最小拥挤距离最大的个体进入到下一代种群中。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明面向敏捷卫星多目标任务规划的差分进化方法将敏捷卫星多目标任务的决策变量构成的解集空间转换为以混合编码的个体为单元的种群,在适应度评估也就是解码的过程中处理复杂的时间依赖型时间约束问题,进化过程中通过差分变异、交叉重组与一般变异相结合的方式增加种群多样性,通过排序选择保持物种的进化方向,同时采用精英解集记录求解过程中的非支配个体,整个过程中算法参数以自适应方式调整。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明面向敏捷卫星多目标任务规划的差分进化方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种面向敏捷卫星多目标任务规划的差分进化方法,将敏捷卫星多目标任务的决策变量构成的解集空间转换为以混合编码的个体为单元的种群,在适应度评估也就是解码的过程中处理复杂的时间依赖型时间约束问题,进化过程中通过差分变异、交叉重组与一般变异相结合的方式增加种群多样性,通过排序选择保持物种的进化方向,同时采用精英解集记录求解过程中的非支配个体,整个过程中算法参数以自适应方式调整。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明面向敏捷卫星多目标任务规划的差分进化方法包括:
步骤100:将敏捷卫星多目标任务的决策变量构成的解集空间转换为以混合编码的个体为单元的种群。
步骤200:对所述种群及种群的算法参数分别进行初始化;其中,所述种群的算法参数包括差分变异算子选择概率Mde、缩放因子Fc、交叉重组概率Cr、一般变异概率Mnor、种群规模Npop以及迭代总数Niter。
步骤300:根据差分变异算子选择概率Mde和缩放因子Fc生成捐赠向量根据交叉重组概率Cr将捐赠向量与目标向量进行组合得到试用向量根据一般变异概率Mnor对试用向量进行一般变异操作得到子代Og;所述捐赠向量试用向量及子代Og的生成数量与所述种群的规模一致。
步骤400:将子代Og添加到所述种群Pop中得到变异种群Pop′,对个体解码得到适应度。
步骤500:判断当前迭代次数i是否小于迭代总数Niter,若满足执行步骤600,否则执行步骤700。
步骤600:采用锦标赛排序方法对变异种群Pop′中个体进行选择,生成新的种群Pop,并更新对应的种群的算法参数,重复执行步骤300。
步骤800:根据拥挤距离对精英解集Archive中的个体进行排序,并根据顺序输出指定数目的个体。
在处理中,对每个需求处理得到可行的分解结果,不可行的需求予以剔除,存在可行分解的需求数目为J。对于种群中的每个个体可以表示为:
这样可以确保需求开始观测时间一直处于开始观测窗口内,需求的观测持续时间可以通过观测可行性验证获得。
在步骤200中,对所述种群进行初始化的方法为完全随机方法或限定随机方法;其中,
(1)完全随机方法,对于初始种群中第i个体P0,i,其第j维变量的生成方式为:
其中,randn[1,nj]表示生成随机整数处于范围[1,nj]内,rand[0,1]表示生成的随机数处于范围[0,1]内;
(2)限定随机方法,针对于区域目标而言,分两种情况:
第二限定随机方法:在异向分解角度对应的观测方式中随机选择。
在本实施例中,对完全随机方法、第一限定随机方法及第二限定随机方法在种群初始化中采用0.8:0.1:0.1的比例来进行初始种群的生成。
其中,i表示种群个体序号;
其中更新的具体方法包括:
若采用两种方式变异得到捐赠向量后成功进入到下一代的数目分别为m1和m2,没有进入到下一代的数目分别为w1和w2,则采用以下方式确定差分变异算子选择概率Mde:
累计20代后根据公式(3)更新,之后每代的差分变异算子选择概率Mde的更新根据上一代统计信息更新,不进行累计。
其中,采用高斯分布的缩放因子,即Fc=GausseRand(uF,σF),其中,uF与σF为缩放系数。为了能够精细搜索,uF的选取不宜过大,在本实施例中uF=0.8,σF=0.3的参数配置,但并不以此为限。
其中,i表示种群个体序号,j表示维度序号。
采用高斯分布的交叉重组概率Cr:
Cr·i=GausseRand(ucr,σcr)------------(5);
之后的每次更新仅仅根据上一代的统计进行。
一般变异概率Mnor采用以下方式生成:
Mnor·i=GausseRand(unor,σnor)------------(8);
之后的每次更新仅仅根据上一代的统计进行。
可选的,所述采用锦标赛排序方法对变异种群Pop′中个体进行选择的方法包括:采用锦标赛排序算法进行选择,选择时采用经典NSGA-Ⅱ算法使用的基于Pareto秩与拥挤距离的非支配排序算法,从变异种群Pop′中随机选择的多个个体中选择Pareto秩最小拥挤距离最大的个体进入到下一代种群中。
为了保持解不退化,采用精英解集保留每代中的优质个体,在每代选择操作之前,采用非支配排序后的Pareto非支配解来更新精英解集,更新规则为以下两条:剔除精英解集中被种群中Pareto非支配解支配的精英个体;添加种群中未被精英解集中个体支配的Pareto解到精英集中。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,根据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种面向敏捷卫星多目标任务规划的差分进化方法,其特征在于,所述差分进化方法包括:
步骤一:将敏捷卫星多目标任务的决策变量构成的解集空间转换为以混合编码的个体为单元的种群;
步骤二:对所述种群及种群的算法参数分别进行初始化;其中,所述种群的算法参数包括差分变异算子选择概率Mde、缩放因子Fc、交叉重组概率Cr、一般变异概率Mnor、种群规模Npop以及迭代总数Niter;
步骤四:将子代Og添加到所述种群Pop中得到变异种群Pop′,对个体解码得到适应度;
步骤五:判断当前迭代次数i是否小于迭代总数Niter,若满足执行步骤六,否则执行步骤七;
步骤六:采用锦标赛排序方法对变异种群Pop′中个体进行选择,生成新的种群Pop,并更新对应的种群的算法参数,重复执行步骤三;
步骤八:根据拥挤距离对精英解集Archive中的个体进行排序,并根据顺序输出指定数目的个体。
4.根据权利要求3所述的面向敏捷卫星多目标任务规划的差分进化方法,其特征在于,对完全随机方法、第一限定随机方法及第二限定随机方法在种群初始化中采用0.8:0.1:0.1的比例来进行初始种群的生成。
9.根据权利要求1-8中任一项所述的面向敏捷卫星多目标任务规划的差分进化方法,其特征在于,所述采用锦标赛排序方法对变异种群Pop′中个体进行选择的方法包括:
采用锦标赛排序算法进行选择,选择时采用经典NSGA-Ⅱ算法使用的基于Pareto秩与拥挤距离的非支配排序算法,从变异种群Pop′中随机选择的多个个体中选择Pareto秩最小拥挤距离最大的个体进入到下一代种群中。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611067166.0A CN106647262B (zh) | 2016-11-28 | 2016-11-28 | 一种面向敏捷卫星多目标任务规划的差分进化方法 |
GB1717125.7A GB2557436B (en) | 2016-11-28 | 2017-10-18 | Differential evolution method oriented to agile satellite multi-target task planning |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611067166.0A CN106647262B (zh) | 2016-11-28 | 2016-11-28 | 一种面向敏捷卫星多目标任务规划的差分进化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106647262A CN106647262A (zh) | 2017-05-10 |
CN106647262B true CN106647262B (zh) | 2020-01-21 |
Family
ID=58811396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611067166.0A Active CN106647262B (zh) | 2016-11-28 | 2016-11-28 | 一种面向敏捷卫星多目标任务规划的差分进化方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN106647262B (zh) |
GB (1) | GB2557436B (zh) |
Families Citing this family (54)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107180286B (zh) * | 2017-07-18 | 2020-12-01 | 浙江财经大学 | 基于改进型花粉算法的制造服务供应链优化方法及系统 |
CN108052759A (zh) * | 2017-12-25 | 2018-05-18 | 航天恒星科技有限公司 | 一种基于遗传算法的敏捷多星任务观测计划求解方法及系统 |
CN109559309B (zh) * | 2018-11-30 | 2021-03-30 | 电子科技大学 | 基于均匀进化的多目标优化红外热图像缺陷特征提取方法 |
CN109492274B (zh) * | 2018-10-23 | 2022-10-28 | 郑州轻工业学院 | 电动汽车辅助动力单元工作点优化方法及装置 |
CN109559782B (zh) * | 2018-11-08 | 2022-11-25 | 武汉科技大学 | 一种基于多目标遗传算法的dna序列编码方法 |
CN109765788B (zh) * | 2019-03-29 | 2022-03-04 | 华东理工大学 | 一种多目标原油调合在线优化方法 |
CN110119558B (zh) * | 2019-04-30 | 2023-11-14 | 广州大学 | 一种基于差分优化算法的电路参数优化方法 |
CN110222300A (zh) * | 2019-05-21 | 2019-09-10 | 北京科技大学 | 一种计算立方系材料母相与子相间位向关系的方法 |
CN110991732B (zh) * | 2019-11-28 | 2023-06-16 | 武汉理工大学 | 一种基于能耗聚类的建材装备制造过程优化调度方法 |
CN111178419B (zh) * | 2019-12-24 | 2023-05-19 | 上海交通大学 | 一种基于任务聚类的敏捷遥感卫星多目标任务规划方法 |
CN111210125B (zh) * | 2019-12-27 | 2022-10-11 | 安徽大学 | 一种基于历史信息指导的多目标工件批调度方法及装置 |
CN111310324B (zh) * | 2020-02-10 | 2023-05-12 | 杭州电子科技大学 | 基于非活动非支配解的多目标货物装载求解系统及方法 |
CN111208794A (zh) * | 2020-02-22 | 2020-05-29 | 江南大学 | 基于差分进化算法的离散制造车间静态调度优化方法 |
CN111462812B (zh) * | 2020-03-11 | 2023-03-24 | 西北大学 | 一种基于特征层次的多目标系统发育树构建方法 |
CN111447627B (zh) * | 2020-03-16 | 2023-04-18 | 浙江邮电职业技术学院 | 一种基于差异进化遗传算法的wsn节点定位方法 |
CN111582456B (zh) * | 2020-05-11 | 2023-12-15 | 抖音视界有限公司 | 用于生成网络模型信息的方法、装置、设备和介质 |
CN111667100B (zh) * | 2020-05-21 | 2023-04-28 | 武汉大学 | 敏捷卫星单轨多点目标立体成像任务规划方法及系统 |
CN111832934B (zh) * | 2020-07-10 | 2023-04-18 | 西安电子科技大学 | 面向突发需求的模拟退火多星应急任务规划方法 |
CN114186903A (zh) * | 2020-09-14 | 2022-03-15 | 上海顺如丰来技术有限公司 | 仓库选品方法、装置、计算机设备和存储介质 |
CN112181867B (zh) * | 2020-09-29 | 2022-07-26 | 西安电子科技大学 | 基于多目标遗传算法的片上网络内存控制器布局方法 |
CN112257909B (zh) * | 2020-09-30 | 2024-05-07 | 北京空间飞行器总体设计部 | 一种面向组批卫星快速测试的多层架构调度方法 |
CN112183459B (zh) * | 2020-10-20 | 2022-10-04 | 安徽大学 | 一种基于进化多目标优化的遥感水质图像分类方法 |
CN112307667A (zh) * | 2020-10-28 | 2021-02-02 | 广东电网有限责任公司 | 一种蓄电池的荷电状态估算方法、装置、电子设备及存储介质 |
CN112462803B (zh) * | 2020-11-27 | 2022-06-17 | 北京工商大学 | 一种基于改进nsga-ii的无人机路径规划方法 |
CN112580606B (zh) * | 2020-12-31 | 2022-11-08 | 安徽大学 | 基于聚类分组的大规模人体行为识别方法 |
CN112884229B (zh) * | 2021-02-26 | 2022-12-20 | 中新国际联合研究院 | 基于差分进化算法的大型公共场所人流引导路径规划方法 |
CN113128684A (zh) * | 2021-04-23 | 2021-07-16 | 中国邮政储蓄银行股份有限公司 | 数据处理方法、装置、计算机存储介质和处理器 |
CN113221465B (zh) * | 2021-05-25 | 2023-04-07 | 西安理工大学 | 一种面向光伏发电运维的组件模型参数辨识方法 |
CN113609587B (zh) * | 2021-08-04 | 2023-02-17 | 上海交通大学 | 基于卫星三维成像的主动漂移多目标优化方法和系统 |
CN113706050B (zh) * | 2021-09-07 | 2023-06-27 | 合肥工业大学 | 基于自适应遗传算法的多卫星区域观测规划方法 |
CN113747557B (zh) * | 2021-09-08 | 2022-09-27 | 哈尔滨工程大学 | 一种双层异构网络功率控制方法 |
CN113838526B (zh) * | 2021-09-16 | 2023-08-25 | 赛业(广州)生物科技有限公司 | 一种病毒突变体的生成方法、系统、计算机设备及介质 |
CN114021913B (zh) * | 2021-10-22 | 2024-08-27 | 中冶南方工程技术有限公司 | 一种基于差分进化算法的高炉配料优化方法、电子设备以及存储介质 |
CN114462681B (zh) * | 2022-01-11 | 2024-07-26 | 武汉大学 | 面向超敏捷卫星多类目标成像一体化规划的任务预处理方法及系统 |
CN114509939B (zh) * | 2022-01-12 | 2023-04-07 | 江南大学 | 一种i-moead算法的污水处理过程优化控制方法 |
CN114415615B (zh) * | 2022-01-19 | 2024-05-28 | 武汉科技大学 | 不确定需求下混流装配线平衡分配方法及装置 |
CN114510876B (zh) * | 2022-01-30 | 2024-03-29 | 中国人民解放军空军工程大学 | 基于共生搜索生物地理学优化的多平台武器目标分配方法 |
CN114548613B (zh) * | 2022-03-17 | 2024-06-21 | 江苏科技大学 | 融合在线学习的分层差分进化算法的虚拟机舱协作智能评估优化方法及系统 |
CN114528088B (zh) * | 2022-04-25 | 2022-07-12 | 北京航天驭星科技有限公司 | 卫星检测任务的处理方法、装置、电子设备及存储介质 |
CN115375193B (zh) * | 2022-10-24 | 2023-02-10 | 埃克斯工业有限公司 | 双目标生产调度优化方法、装置、设备及可读存储介质 |
CN115860407A (zh) * | 2022-12-19 | 2023-03-28 | 西安电子科技大学广州研究院 | 基于层次化和优先级的多源任务智能优化分配方法 |
CN116341873B (zh) * | 2023-04-21 | 2023-11-14 | 四川大学 | 一种多星资源调度与任务规划方法、系统及存储介质 |
CN116562436B (zh) * | 2023-05-04 | 2024-05-14 | 北京机械工业自动化研究所有限公司 | 跨企业分布式服装协同生产调度优化方法、设备及介质 |
CN116528167B (zh) * | 2023-05-12 | 2023-11-21 | 南开大学 | 无人机集群局部通信目标分配方法、系统、设备及介质 |
CN116450366B (zh) * | 2023-06-19 | 2023-08-18 | 中国人民解放军战略支援部队航天工程大学 | 卫星测运控资源多目标优化调度方法、设备及介质 |
CN116915311B (zh) * | 2023-07-14 | 2024-04-30 | 中国人民解放军战略支援部队航天工程大学 | 基于协同进化算法的卫星任务调度方法 |
CN116894567B (zh) * | 2023-09-08 | 2023-12-08 | 中国科学院空天信息创新研究院 | 一种面向海面移动目标搜索任务的星载sar调度算法 |
CN117007057B (zh) * | 2023-09-27 | 2023-12-15 | 北京理工大学 | 无人机航迹优化方法及装置 |
CN117332624B (zh) * | 2023-12-01 | 2024-03-08 | 武汉大学 | 顾及影像mtf退化的超敏捷卫星任务规划方法及系统 |
CN117764150A (zh) * | 2023-12-26 | 2024-03-26 | 北京工业大学 | 一种适用于柔性作业车间动态调度的完全并行nsga-ii算法 |
CN118131613B (zh) * | 2024-01-24 | 2024-08-16 | 中国人民解放军军事科学院国防科技创新研究院 | 一种卫星集群多目标任务规划方法 |
CN117969044B (zh) * | 2024-03-29 | 2024-07-09 | 山东大学 | 基于改进差分进化算法的dfb激光器光谱参数提取方法 |
CN118426971A (zh) * | 2024-07-03 | 2024-08-02 | 中国人民解放军96901部队 | 一种基于双优化模型的ai加速卡资源调度方法 |
CN118468729B (zh) * | 2024-07-10 | 2024-09-20 | 山东浪潮智能生产技术有限公司 | 基于混合建模和改进nsga2算法的高炉配料多目标优化方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063748A (zh) * | 2014-06-28 | 2014-09-24 | 中国人民解放军国防科学技术大学 | 一种用于解决面向成像卫星的时间依赖型调度问题的算法 |
CN104217109A (zh) * | 2014-09-01 | 2014-12-17 | 中国人民解放军国防科学技术大学 | 敏捷卫星混合主动调度方法 |
CN105512479A (zh) * | 2015-12-03 | 2016-04-20 | 中国地质大学(武汉) | 一种多星对地观测任务规划算法的评价方法及装置 |
-
2016
- 2016-11-28 CN CN201611067166.0A patent/CN106647262B/zh active Active
-
2017
- 2017-10-18 GB GB1717125.7A patent/GB2557436B/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063748A (zh) * | 2014-06-28 | 2014-09-24 | 中国人民解放军国防科学技术大学 | 一种用于解决面向成像卫星的时间依赖型调度问题的算法 |
CN104217109A (zh) * | 2014-09-01 | 2014-12-17 | 中国人民解放军国防科学技术大学 | 敏捷卫星混合主动调度方法 |
CN105512479A (zh) * | 2015-12-03 | 2016-04-20 | 中国地质大学(武汉) | 一种多星对地观测任务规划算法的评价方法及装置 |
Non-Patent Citations (1)
Title |
---|
时间依赖调度方法及在敏捷卫星任务规划中的应用研究;陈成;《中国博士学位论文全文数据库(工程科技Ⅱ辑)》;20151115(第11期);正文第21-32页、第82-91页 * |
Also Published As
Publication number | Publication date |
---|---|
GB2557436B (en) | 2020-11-04 |
GB2557436A (en) | 2018-06-20 |
CN106647262A (zh) | 2017-05-10 |
GB201717125D0 (en) | 2017-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106647262B (zh) | 一种面向敏捷卫星多目标任务规划的差分进化方法 | |
CN109902873A (zh) | 一种基于改进型鲸鱼算法的云制造资源配置的方法 | |
CN109345027B (zh) | 基于独立成分分析与支持向量机的微电网短期负荷预测方法 | |
Zhang et al. | Enhanced ELITE-load: A novel CMPSOATT methodology constructing short-term load forecasting model for industrial applications | |
CN107977740A (zh) | 一种现场运维智能调度方法 | |
CN108022025A (zh) | 一种基于人工神经网络的风速区间预测方法与系统 | |
de Mello Honório et al. | A cluster and gradient-based artificial immune system applied in optimization scenarios | |
CN110222816B (zh) | 深度学习模型的建立方法、图像处理方法及装置 | |
CN111539558A (zh) | 一种采用优化极限学习机的电力负荷预测方法 | |
CN104281917A (zh) | 基于自适应遗传和克隆选择算法的模糊作业车间调度方法 | |
CN103745275A (zh) | 光伏系统发电功率的预测方法和装置 | |
Chattopadhyay et al. | Feature selection using differential evolution with binary mutation scheme | |
CN116883007A (zh) | 一种催收动作推荐方法、系统、电子设备及存储介质 | |
CN114415615B (zh) | 不确定需求下混流装配线平衡分配方法及装置 | |
CN115438877A (zh) | 一种基于灰狼算法求解多目标分布式柔性车间调度优化方法 | |
Masehian et al. | Solving the n-Queens Problem Using a Tuned Hybrid Imperialist Competitive Algorithm. | |
CN113141272B (zh) | 基于迭代优化rbf神经网络的网络安全态势分析方法 | |
Saraçoglu et al. | Developing an adaptation process for real-coded genetic algorithms | |
CN110533186B (zh) | 众包定价体系的评估方法、装置、设备及可读存储介质 | |
CN110162704B (zh) | 基于多因子遗传算法的多规模关键用户提取方法 | |
CN106910079A (zh) | 一种人群聚类的方法及装置 | |
Pencheva et al. | Generalized nets model of offspring reinsertion in genetic algorithms | |
Windarto | An implementation of continuous genetic algorithm in parameter estimation of predator-prey model | |
Amelia et al. | The development of clusterwise regression model on gamma-normal mixed distribution with genetic algorithm | |
CN112836786B (zh) | 布谷鸟搜索方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |