CN106648852A - 基于双蚁群的多星任务调度方法和装置 - Google Patents
基于双蚁群的多星任务调度方法和装置 Download PDFInfo
- Publication number
- CN106648852A CN106648852A CN201611018974.8A CN201611018974A CN106648852A CN 106648852 A CN106648852 A CN 106648852A CN 201611018974 A CN201611018974 A CN 201611018974A CN 106648852 A CN106648852 A CN 106648852A
- Authority
- CN
- China
- Prior art keywords
- satellite
- constraint
- task
- observation
- time
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/485—Task life-cycle, e.g. stopping, restarting, resuming execution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/0633—Workflow analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/48—Indexing scheme relating to G06F9/48
- G06F2209/486—Scheduler internals
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Radio Relay Systems (AREA)
Abstract
本发明实施例提供一种基于双蚁群的多星任务调度方法和装置,涉及通信领域。该方法包括:构建多个卫星的任务调度的数学模型,所述任务包括观测任务和下传任务,所述数学模型包含至少一个约束;基于双蚁群算法对所述数学模型进行求解,获得多个卫星的任务调度方案;根据所述多个卫星的任务调度方案调度多个卫星的观测任务和下传任务。根据本发明实施例,解决了观测任务和下传任务的集成调度问题,有利于提高卫星使用效率。
Description
技术领域
本发明涉及通信领域,具体涉及一种基于双蚁群的多星任务调度方法和装置。
背景技术
地球观测卫星是一种重要的图像获取平台,它们能够在运行轨道上通过遥感器对地面目标进行观测,并将获得的图像数据下传至地面站,通过后期加工形成图像产品。
当前,地球观测卫星经常作为系列发射,如中国的高分系列,计划发射7颗民用卫星,目前已发射2颗。这些卫星能够组成较为完整的观测系统,服务于特定领域的信息需求。
地球观测卫星的任务调度是指根据一定的优化目标,对多个对地观测任务(简称观测任务)进行排程,以确定执行各任务的具体卫星和具体时间,由于受到星上存储器的容量限制,每执行一定数量的观测任务,就需要将图像数据传回至地面站,以释放星上存储容量。因此,对地观测和数据下传总是穿插进行的,任务调度也应该包括对数据下传任务(简称下传任务)的调度。这两种任务最大的区别在于观测任务是根据用户需求产生的,在调度之前就已经确定,而下传任务是根据调度的情况以及卫星的星上存储量而动态产生的,在调度之前无法确定。
卫星的任务调度是影响卫星应用效率的关键技术之一。然而,当前的很多研究是将观测任务和下传任务分开调度的,但是,观测任务和下传任务分开调度无法从整体上取得最优的卫星使用效率。目前还没有有效的方案可以实现观测任务和下传任务的集成调度问题。
发明内容
针对现有技术的不足,本发明提供了一种基于双蚁群的多星任务调度方法和装置,解决了观测任务和下传任务的集成调度问题,有利于提高卫星使用效率。
为实现以上目的,本发明通过以下技术方案予以实现:
一种基于双蚁群的多星任务调度方法,包括:
构建多个卫星的任务调度的数学模型,所述任务包括观测任务和下传任务,所述数学模型包含至少一个约束;
基于双蚁群算法对所述数学模型进行求解,获得多个卫星的任务调度方案;
根据所述多个卫星的任务调度方案调度多个卫星的观测任务和下传任务。
可选的,所述多个卫星的任务调度的数学模型为:
其中,
Rnum,Rwgt是比例系数;
T={1,2,...,i,...,NT}是目标集合,目标对应一个观测任务,NT是目标数量,i表示第i个目标;
S={1,2,...,j,...NS}是卫星集合,NS是卫星数量,j表示第j个卫星;
是卫星j在调度周期中的轨道圈次数集合,k为卫星j的第k圈次,为调度期最大圈次数;
twi是目标i的权重;
是决策变量,
是一般变量,
可选的,所述约束包括以下约束中的至少一种:
约束1:
约束2:
约束3:
约束4:
约束5:
约束6:
约束7:
其中,
STj是卫星j的存储容量;
是卫星j的最大存储容量;
是卫星j开始观测时的存储容量即STj的初始值;
是卫星j结束观测时的存储容量即STj的最终值;
etj是卫星j在单位时间进行观测或数据下传所需消耗的能量;
Ej是卫星j在单个轨道圈次内可消耗的最大能量;
tdi是目标i的观测时间;
tci是观测目标i所需消耗的卫星存储;
是目标i与卫星j在第k个轨道圈次内的执行时间窗,是开始时间,是结束时间;
TGapj是卫星j观测完某个目标后需要调整进入下个观测状态的过渡时间;
G={1,2,...,m,...,NG}是地面站集合,NG是地面站数量,m表示第m个地面站;
GGapm是地面站m在前后接收两颗卫星的下传时,之间的过渡时间;
是地面站m与卫星j在第k个轨道圈次内的执行时间窗,是开始时间,是结束时间。
可选的,所述基于双蚁群算法对所述数学模型进行求解,获得多个卫星的任务调度方案包括:
步骤A,对蚁群进行初始化;
步骤B,判断求解过程是否停泄,如果是,进入步骤C,否则,进入步骤D;
步骤C,选择全局最优解中未观测卫星的观测机会为首个节点,并删除相应节点;
步骤D,在第一支蚁群选择一个下传机会点,并删除相应节点;
步骤E,在第二支蚁群选择观测机会点,并删除相应节点;
步骤F,判断当前代蚁群是否生成完整解,如果是,进入步骤G,否则,返回步骤D;
步骤G,对所述完整解进行评价,并分别对两支蚁群进行信息素更新;
步骤H,判断是否求解过程满足终止条件,如果是,结束,否则,返回步骤A。
可选的,所述卫星为中国高分系列卫星。
一种基于双蚁群的多星任务调度装置,包括:
模型构建单元,用于构建多个卫星的任务调度的数学模型,所述任务包括观测任务和下传任务,所述数学模型包含至少一个约束;
模型求解单元,用于基于双蚁群算法对所述数学模型进行求解,获得多个卫星的任务调度方案;
任务调度单元,用于根据所述多个卫星的任务调度方案调度多个卫星的观测任务和下传任务。
可选的,所述多个卫星的任务调度的数学模型为:
其中,
Rnum,Rwgt是比例系数;
T={1,2,...,i,...,NT}是目标集合,目标对应一个观测任务,NT是目标数量,i表示第i个目标;
S={1,2,...,j,...NS}是卫星集合,NS是卫星数量,j表示第j个卫星;
是卫星j在调度周期中的轨道圈次数集合,k为卫星j的第k圈次,为调度期最大圈次数;
twi是目标i的权重;
是决策变量,
是一般变量,
可选的,所述约束包括以下约束中的至少一种:
约束1:
约束2:
约束3:
约束4:
约束5:
约束6:
约束7:
其中,
STj是卫星j的存储容量;
是卫星j的最大存储容量;
是卫星j开始观测时的存储容量即STj的初始值;
是卫星j结束观测时的存储容量即STj的最终值;
etj是卫星j在单位时间进行观测或数据下传所需消耗的能量;
Ej是卫星j在单个轨道圈次内可消耗的最大能量;
tdi是目标i的观测时间;
tci是观测目标i所需消耗的卫星存储;
是目标i与卫星j在第k个轨道圈次内的执行时间窗,是开始时间,是结束时间;
TGapj是卫星j观测完某个目标后需要调整进入下个观测状态的过渡时间;
G={1,2,...,m,...,NG}是地面站集合,NG是地面站数量,m表示第m个地面站;
GGapm是地面站m在前后接收两颗卫星的下传时,之间的过渡时间;
是地面站m与卫星j在第k个轨道圈次内的执行时间窗,是开始时间,是结束时间。
可选的,所述模型求解单元包括:
初始化子单元,用于对蚁群进行初始化;
第一判断子单元,用于判断求解过程是否停泄,如果是,触发第一观测节点选择子单元,否则,触发下传节点选择子单元;
第一观测节点选择子单元,用于选择全局最优解中未观测目标的观测机会为首个节点,并删除相应节点;
下传节点选择子单元,用于在第一支蚁群选择一个下传机会点,并删除相应节点;
第二观测节点选择子单元,用于在第二支蚁群选择观测机会点,并删除相应节点;
第二判断子单元,用于判断当前代蚁群是否生成完整解,如果是,触发评价更新子单元,否则,重新触发下传节点选择子单元;
评价更新子单元,用于对完整解进行评价,并分别对两支蚁群进行信息素更新;
第三判断子单元,用于判断求解过程是否满足终止条件,如果是,结束,否则,重新触发初始化子单元。
可选的,所述卫星为中国高分系列卫星。
本发明实施例提供了一种基于双蚁群的多星任务调度方法和装置。具备以下有益效果:
通过双蚁群算法,实现了观测任务和下传任务的集成调度,有利于提高卫星使用效率。
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,下面将对实施例或现有技术描述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的前提下,还可以根据这些附图获得其他的附图。
图1为根据本发明实施例的卫星观测与下传的示意图;
图2为根据本发明实施例的观测的时间窗的示意图;
图3为根据本发明实施例的两个观测任务之间的过渡时间的示意图;
图4为根据本发明实施例的基于双蚁群的多星任务调度方法的流程图;
图5为根据本发明实施例的任务冲突示意图;
图6为根据本发明实施例的基于双蚁群算法求解数学模型的方法的流程图;
图7为根据本发明实施例的基于双蚁群的多星任务调度装置的结构框架图。
具体实施方式
为了方便理解本发发明实施例的技术方案,下面对多星任务调度的相关技术做基本介绍。
卫星在运行轨道上通过遥感器对地面目标成像,每次成像动作会在地面上形成一个具有一定幅宽的成像条带,参阅图1中所示。一个地面目标只需被成像一次即可完成观测。另外,每次成像获得的数据会暂时存储在卫星的存储器内,当卫星观测了一定数量的目标之后,需要将图像数据下传至地面站,以释放存储器容量,整个观测任务和下传任务的过程如图1所示。
其中,在执行观测任务时,由于卫星是在轨道上不断运动的,在给定的调度周期内,卫星有不同的轨道圈次,因此,对地面目标的成像必须待卫星在某一轨道圈次内运动至目标的上空时进行,此时卫星的遥感器会在一个时间段之内能够看见目标,这个时间段称为时间窗,如图2所示。在给定的规划周期内,卫星与目标之间一般不止存在一个时间窗,卫星对目标的观测需在其中某一个时间窗之内完成,所以又可将目标的时间窗称为观测机会。实际对目标进行观测的时间会小于可见的时间窗,实际观测的开始时间与结束时间如图2所示。
并且,一颗卫星在执行前后相继的2个观测任务时,中间需要有一定的过渡时间,以让卫星遥感器作好调整。即后一个任务的观测开始时间减去前一个任务的观测结束时间要大于一个过渡时间,如图3所示。
其中,在执行下传任务时,卫星上有一个固定容量的星上存储器,卫星将观测的目标图像数据暂时存放在该星上存储器中。在将数据传回地面站之后,星上存储器的存储容量被释放。因此星上存储器的实时容量在整个观测过程中是动态变化的。
除了考虑上述条件之外,另外,卫星在观测目标以及下传数据的过程中都会消耗能量,而卫星在每一个轨道圈次内可使用的能量又是有限的,因此在调度过程中,每一圈次中的能量消耗不能超过这个最大的能量限制。
并且,地面站可以接受卫星下传的数据,和观测任务一样,下传任务也需要在相应的下传机会(即时间窗)之内完成。由于数据下传会消耗卫星能量,以及占用卫星的工作时间,因此应尽可能充分利用星上存储,尽量减少数据下传的次数。
一个地面站一次只能接收一颗卫星的下传。如果有2颗卫星需要对同一个地面站先后进行下传,则需要一个过渡时间让地面站调整接收天线。
本发明实施例采用观测任务和下传任务的集成调度方案,集成调度有利于提高卫星使用效率,但也增加了调度的复杂性,如上所述,需要考虑更多的约束条件,问题的搜索空间进一步扩大,从而增大了解空间,使算法求解上更加困难。本发明实施例提供了一种针对集成调度的可行性强的求解方法。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对观测卫星的任务调度(包括对观测任务和下传任务的调度)的工作原理以及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作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。
实施例1:
请参阅图4所示,图4为根据本发明实施例的一种基于双蚁群的多星任务调度方法,该方法例如可以包括以下步骤:
步骤401:构建多个卫星的任务调度的数学模型,所述任务包括观测任务和下传任务,所述数学模型包含至少一个约束。
其中,在本发明实施例中,首先对多星观测任务与下传任务调度问题进行建模,该数学模型如下:
式(1)是目标函数,由两个部分组成,一是已执行的观测任务数量总和,二是已执行的观测任务权重总和,调度目标是使它们的加权和最大化,其中,
Rnum,Rwgt是比例系数;
T={1,2,...,i,...,NT}是目标集合,目标对应一个观测任务,NT是目标数量,i表示第i个目标;
S={1,2,...,j,...NS}是卫星集合,NS是卫星数量,j表示第j个卫星;是卫星j在调度周期中的轨道圈次数集合,k为卫星j的第k圈次,为调度期最大圈次数;
twi是目标i的权重;
是决策变量,
是一般变量,
另外,基于以上考虑条件,建立模型的约束条件如下:
约束(2)表示每个观测任务最多选择一个观测机会执行一次;
约束(3)表示在同一地面站上任意两个存在时间冲突的下传机会中最多只能一个执行数据下传任务;
约束(4)表示同一颗卫星一次最多从下传机会和观测机会中选一个执行;
约束(5)表示任意两个观测任务被同一颗卫星执行,则两个任务之间至少需要有一定的过渡时间;
约束(6)任意两颗卫星对同一个地面站下传数据,则地面站在接收两颗卫星的数据下传之间至少需要有一定的过渡时间;
约束(7)表示卫星在每一个轨道圈次内消耗的能量不能超过最大能量限制;
约束(8)表示在给定的规划周期内,卫星开始观测时的存储容量与结束观测的存储容量都必须为卫星的最大存储容量,以及卫星存储容量在小于等于最大存储容量条件下,是否执行相应的观测任务和下传任务带来存储容量的变化。
其中:
STj是卫星j的存储容量;
是卫星j的最大存储容量;
是卫星j开始观测时的存储容量即STj的初始值;
是卫星j结束观测时的存储容量即STj的最终值;
etj是卫星j在单位时间进行观测或数据下传所需消耗的能量;
Ej是卫星j在单个轨道圈次内可消耗的最大能量;
tdi是目标i的观测时间;
tci是观测目标i所需消耗的卫星存储;
是目标i与卫星j在第k个轨道圈次内的执行时间窗,是开始时间,是结束时间;
TGapj是卫星j观测完某个目标后需要调整进入下个观测状态的过渡时间;
G={1,2,...,m,...,NG}是地面站集合,NG是地面站数量,m表示第m个地面站;
GGapm是地面站m在前后接收两颗卫星的下传时,之间的过渡时间;
是地面站m与卫星j在第k个轨道圈次内的执行时间窗,是开始时间,是结束时间。步骤402:基于双蚁群算法对所述数学模型进行求解,获得所述多个卫星的任务调度方案。
下面,将详细说明基于双蚁群算法对数学模型的求解方法。
由观测机会和约束条件所转化的图是建立适宜双蚁群算法求解的优化模型的基础,如图5所示G=(A,E),A表示所有目标的观测机会集合和下传机会集合,E由A中点之间的冲突关系而构建,其中冲突关系包含四种:
第一、由于本数据模型中待观测目标只需选择一次观测机会进行一次观测即可,所以同一个待观测目标的不同观测机会存在冲突,即约束(2)。
第二、同一颗卫星上的不同观测机会之间存在执行时间上的冲突,即约束(5)。
第三、同一颗卫星的下传机会和观测机会之间存在执行时间上的冲突,即约束(4)。
第四、不同下传机会之间存在执行时间上的冲突,即约束(6)。
调度目标是在预先规定的时间段范围内完成数量多的和权重总和综合较大的观测任务集合,也就是在图5中寻找使得目标函数最大化的独立集,这就将所构造的冲突构造图转化为适合双蚁群算法求解的独立集模型。
本发明实施例考虑的多星任务调度模型包括了观测任务和下传任务,还包括了能量的约束,采用双双蚁群算法,首先第一支蚁群选择一个下传机会点,然后第二支蚁群在第一支蚁群选中的下传机会点的基础上,选择观测机会点,紧接着第一支蚁群再次选择一个下传机会点和第二个蚁群再在此下传机会点的基础上选择观测机会点,如此反复。在规划观测任务之前就已经规划了相应的下传任务,同时每颗卫星的每圈次能量值也是预先得知,即只需在规划观测任务时将下传任务和圈次能量看作成约束条件即可,将问题的模型转化为条件限制下的目标函数最大化的独立集问题。
双蚁群算法是意大利学者Dorigo M等于1991年提出的一种模仿自然界蚂蚁觅食行为的智能算法,广泛地应用到生产排成,路径规划,机器调度等问题上。
下面基于双蚁群算法求解TSP(Travelling Salesman Problem,旅行商问题)问题,对基本双蚁群算法进行介绍。TSP问题可以表示为N个城市的完全图G=(N,A)N表示为城市的集合,A表示城市间的连接边集合。双蚁群算法基于城市i通过下面公式(1)来选择下一个城市j,τif代表从节点i移动到节点j的后验效应,以(i,j)连边上的信息素浓度表示。ηij代表从节点i移动到节点j的先验效应,通过启发式信息计算得出,表示对有吸引性解的显式倾向性,在TSP问题中通常取dij表示i与j距离的倒数。θ和β分别表示信息素和启发式信息的相对重要程度,Ni表示在当前点i基础上下一步可以选择的点的集合。当蚂蚁构造出了一个完整解S后,对信息素按照如下公式(2)进行更新,其中ρ为信息素挥发系数,在TSP问题中通常取f(s)为解S中城市点间的距离总和。
τij(t+1)=τij(t)*(1-ρ)+Δτ (10)
如上所示,双蚁群算法求解TSP问题是典型的双蚁群算法求解顺序类问题,假设S’={a1,a2,a3......ai}表示问题的部分解,R={ai+1,ai+2,ai+3……an}表示在部分解S’基础上问题解的剩余其他可选元素,从R中选取元素aj(i∈{i+1,i+2......n})的概率Pij与部分解最后一个元素ai有关,也就是蚂蚁根据(i,j)边上的信息素τij和启发式信息ηij共同引导,从R中选择出aj加入到部分解中。
回到本发明实施例中,从上文可以看出,多星任务调度的问题模型可以看做求解独立集的问题模型,双蚁群算法在求解子集类问题时并不关心部分解中元素的顺序,假设S’={a1,a2,a3......ai}表示问题的部分解,R={ai+1,ai+2,ai+3……an}表示在部分解S’基础上可以选择的问题解的其他元素,即问题解的剩余元素中满足相应约束条件,可以被选中构成部分解的元素集合。从R中选取元素aj(i∈{i+1,i+2......n})的概率Pj由信息素τj和启发式信息ηj决定。
基于卫星任务规划的任务冲突图的蚁群将信息素τi释放在图4中的节点之上,第一支蚁群规划下传任务,选择相应的下传机会点,将信息素τi释放在图5中的下传机会节点之上,即τi表示蚁群选择编号为i的下传机会执行相应卫星的下传任务的“知识积累”。第k只蚂蚁选择下传机会节点时根据公式(3),其中θ决定了信息素对概率的影响程度,q∈[0,1]是一个随机数,q0∈[0,1]是均衡蚁群探索与开发能力的参数,candidate表示在任务冲突图中与部分解中的点没有连线的候选下传机会节点集合A1。当蚂蚁选中一个下传机会节点,判断是否满足能量约束即约束(7),当不满足时,则在任务冲突图中和A1只删除该点自身,并继续选择下传机会节点直到被选中的下传机会节点满足约束(7)而成功插入到部分解中,并在任务冲突图和A1中删除与该点有连线的点包括其自身,如若A1中不存在下传机会节点,则得到问题的解并终止本次迭代求解。
第二支蚁群规划观测任务,选择相应的观测机会点,将信息素τi释放在图中的观测机会节点之上,即τi表示了蚁群选择编号为i的观测机会执行相应目标的观测任务的“知识积累”。和第一支蚁群类似,第二支蚁群中第k只蚂蚁选择观测任务节点时根据公式(3),其中的candidate表示在任务冲突图中与部分解中点没有连线的候选观测任务节点集合A2。当蚂蚁选中一个节点,首先进行能量约束即约束(7)判断,如果不满足能量约束,则在任务冲突图中以及在A2中删除该点,并重新进入从A2中选择节点的计算,如果满足能量约束,则进入存储约束即约束(8)判断,当其不满足约束(8),则在A2中删除该点,并重新进入从A2中选择节点的计算,当其满足约束(8),则该节点成功插入到部分解中,并在任务冲突图、A1和A2中删除与该点有连线的点包括其自身。直到A2无点可选,则重新进入第一支蚁群的运算,开始新的下传机会节点选择。
由此公式可以看出,本发明实施例只依靠信息素来引导蚂蚁进行求解,而没有利用与问题本身有关的启发式信息。
发明人在研究本发明实施例的过程中,考虑过与问题相关的启发式信息,如:目标的剩余观测机会、目标的权重、目标的执行时间、观测机会的冲突度,下传机会间时间差等启发式信息来构成相应的启发式信息体系来引导蚂蚁,然而由于问题的复杂约束造成了启发式信息不具有前瞻性,使得算法快速的收敛易陷入局部优,并没有提高解的质量,反而由于计算相应的启发式信息而导致算法运行时间的增加。
反复交替执行第一支蚁群和第二支蚁群的操作直到图中的下传任务节点为空为止,便可以得到问题的解,每只蚂蚁开始求解的过程都要首先初始化任务冲突图。每代蚂蚁完成求解后,为了避免算法过早收敛,依据最大最小双蚁群算法规则,如公式(12,13,14,15)来分别对两支蚁群进行信息素更新,其中ρ为信息素挥发系数,Δτ为信息增量依据全局最优解计算而来,本文取τmax=1/ρ,τmax=τmax/20。
τi(t+1)=τi(t)*(1-ρ)+Δτ(t) (12)
Δτ(t)=Fitness(Sbest) (13)
τi(t+1)=τmax ifτi(t+1)>τmax (14)
τi(t+1)=τmin ifτi(t+1)<τmin (15)
当判断算法陷入停泄时,则在下一代解中从全局最优解中未观测目标的观测机会点集合中随机选取一个点作为首个插入到解中的节点,并在任务冲突图中删除与之连线的节点,这样增加了解的多样性的同时也保证了解的质量,因为只有未观测目标可以得到相应的观测机会,才有可能提高解的质量。
求解算法的流程如图6所示,其包括以下步骤:
步骤601,对蚁群进行初始化。
步骤602,判断求解过程是否停泄,如果是,进入步骤603,否则,进入步骤604。
步骤603,选择全局最优解中未观测卫星的观测机会为首个节点,并删除相应节点。
步骤604,在第一支蚁群选择一个下传机会点,并删除相应节点。
步骤605,在第二支蚁群选择观测机会点,并删除相应节点。
步骤606,判断此代蚁群是否生成完整解,如果是,进入步骤607,否则,返回步骤604。
步骤607,对完整解进行评价,并分别对两支蚁群进行信息素更新。
步骤608,判断求解过程是否满足终止条件,如果是,结束,否则,返回步骤601。
另外,上述求解算法的伪码如下所示:
Step1
读取数据,并给每个观测机会和下传机会编号成:和其中num1和num2就是观测机会和下传机会的编号,能够唯一地确定某个观测机会或下传机会。
Step2
If不满足最大迭代代数
For两支蚁群中每只蚂蚁
初始化冲突构造图G=(A,E),A1:下传机会集合,A2:观测集合,
,ρ1,r1,θ1,q1;ρ2,r2,q2
If算法发生停泄
选择全局最优解中未观测目标的观测机会为首个节点添加到部分解S′中,从A中删除与ai相连的点,包括ai自身从A中提取下传机会集合A1
WhileA1!=null
White ai没有成功添加到部分解S′中
Select ai∈A1 according 公式(3)
If ai满足能量约束
将ai添加到部分解S′中,从A1,A中删除与ai相连的点,包括ai
break
Else
从A和A1中删除ai
从A中提取观测机会集合A2
While A2!=null
Select ai∈A2 according 公式(3)
If ai满足能量约束
If ai满足下传约束
将ai添加到部分解S′中,从A、A1和A2中删除与ai相连的点,包括ai
Else
从A2中删除ai
Else
从A,A2中删除ai
得到完整的解S,求取S的适应度值Fitness(s),对两支蚁群的
信息素
依据公式(4,5,6,7)进行更新
Step3
输出最终全局最优解Sbest
求解完毕后,继续进行调度。
步骤403,根据所述多个卫星的任务调度方案调度多个卫星的观测任务和下传任务。
本发明实施例对具体的调度方式不做具体限定。
根据本发明实施,通过双蚁群算法,实现了观测任务和下传任务的集成调度,有利于提高卫星使用效率。
实施例2:
请参阅图7所示,图7为根据本发明实施例的一种基于双蚁群的多星任务调度装置,该装置包括:
模型构建单元701,用于构建多个卫星的任务调度的数学模型,所述任务包括观测任务和下传任务,所述数学模型包含至少一个约束;
模型求解单元702,用于基于双蚁群算法对所述数学模型进行求解,获得多个卫星的任务调度方案;
任务调度单元703,用于根据所述多个卫星的任务调度方案调度多个卫星的观测任务和下传任务。
在本发明的一个可选实施例中,所述多个卫星的任务调度的数学模型为:
其中,
Rnum,Rwgt是比例系数;
T={1,2,...,i,...,NT}是目标集合,目标对应一个观测任务,NT是目标数量,i表示第i个目标;
S={1,2,...,j,...NS}是卫星集合,NS是卫星数量,j表示第j个卫星;
是卫星j在调度周期中的轨道圈次数集合,k为卫星j的第k圈次,为调度期最大圈次数;
twi是目标i的权重;
是决策变量,
是一般变量,
在本发明的另一个可选实施例中,所述约束包括以下约束中的至少一种:
约束1:
约束2:
约束3:
约束4:
约束5:
约束6:
约束7:
其中,
STj是卫星j的存储容量;
是卫星j的最大存储容量;
是卫星j开始观测时的存储容量即STj的初始值;
是卫星j结束观测时的存储容量即STj的最终值;
etj是卫星j在单位时间进行观测或数据下传所需消耗的能量;
Ej是卫星j在单个轨道圈次内可消耗的最大能量;
tdi是目标i的观测时间;
tci是观测目标i所需消耗的卫星存储;
是目标i与卫星j在第k个轨道圈次内的执行时间窗,是开始时间,是结束时间;
TGapj是卫星j观测完某个目标后需要调整进入下个观测状态的过渡时间;
G={1,2,...,m,...,NG}是地面站集合,NG是地面站数量,m表示第m个地面站;
GGapm是地面站m在前后接收两颗卫星的下传时,之间的过渡时间;
是地面站m与卫星j在第k个轨道圈次内的执行时间窗,是开始时间,是结束时间。
在本发明的另一个可选实施例中,模型求解单元702包括:
初始化子单元,用于对蚁群进行初始化;
第一判断子单元,用于判断求解过程是否停泄,如果是,触发第一观测节点选择子单元,否则,触发下传节点选择子单元;
第一观测节点选择子单元,用于选择全局最优解中未观测目标的观测机会为首个节点,并删除相应节点;
下传节点选择子单元,用于在第一支蚁群选择一个下传机会点,并删除相应节点;
第二观测节点选择子单元,用于在第二支蚁群选择观测机会点,并删除相应节点;
第二判断子单元,用于判断当前代蚁群是否生成完整解,如果是,触发评价更新子单元,否则,重新触发下传节点选择子单元;
评价更新子单元,用于对完整解进行评价,并分别对两支蚁群进行信息素更新;
第三判断子单元,用于判断求解过程是否满足终止条件,如果是,结束,否则,重新触发初始化子单元。
在本发明的另一个可选实施例中,所述卫星为中国高分系列卫星。
根据本发明实施,通过双蚁群算法,实现了观测任务和下传任务的集成调度,有利于提高卫星使用效率。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于双蚁群的多星任务调度方法,其特征在于,包括:
构建多个卫星的任务调度的数学模型,所述任务包括观测任务和下传任务,所述数学模型包含至少一个约束;
基于双蚁群算法对所述数学模型进行求解,获得所述多个卫星的任务调度方案;
根据所述多个卫星的任务调度方案调度多个卫星的观测任务和下传任务。
2.如权利要求1所述的方法,其特征在于,所述多个卫星的任务调度的数学模型为:
其中,
Rnum,Rwgt是比例系数;
T={1,2,...,i,...,NT}是目标集合,目标对应一个观测任务,NT是目标数量,i表示第i个目标;
S={1,2,...,j,...NS}是卫星集合,NS是卫星数量,j表示第j个卫星;
是卫星j在调度周期中的轨道圈次数集合,k为卫星j的第k圈次,为调度期最大圈次数;
twi是目标i的权重;
是决策变量,
是一般变量,
3.如权利要求1所述的方法,其特征在于,所述约束包括以下约束中的至少一种:
约束1:
约束2:
约束3:
约束4:
约束5:
约束6:
约束7:
其中,
STj是卫星j的存储容量;
是卫星j的最大存储容量;
是卫星j开始观测时的存储容量即STj的初始值;
是卫星j结束观测时的存储容量即STj的最终值;
etj是卫星j在单位时间进行观测或数据下传所需消耗的能量;
Ej是卫星j在单个轨道圈次内可消耗的最大能量;
tdi是目标i的观测时间;
tci是观测目标i所需消耗的卫星存储;
是目标i与卫星j在第k个轨道圈次内的执行时间窗,是开始时间,是结束时间;
TGapj是卫星j观测完某个目标后需要调整进入下个观测状态的过渡时间;
G={1,2,...,m,...,NG}是地面站集合,NG是地面站数量,m表示第m个地面站;
GGapm是地面站m在前后接收两颗卫星的下传时,之间的过渡时间;
是地面站m与卫星j在第k个轨道圈次内的执行时间窗,是开始时间,是结束时间。
4.如权利要求1所述的方法,其特征在于,所述基于双蚁群算法对所述数学模型进行求解,获得多个卫星的任务调度方案包括:
步骤A,对蚁群进行初始化;
步骤B,判断求解过程是否停泄,如果是,进入步骤C,否则,进入步骤D;
步骤C,选择全局最优解中未观测卫星的观测机会为首个节点,并删除相应节点;
步骤D,在第一支蚁群选择一个下传机会点,并删除相应节点;
步骤E,在第二支蚁群选择观测机会点,并删除相应节点;
步骤F,判断当前代蚁群是否生成完整解,如果是,进入步骤G,否则,返回步骤D;
步骤G,对所述完整解进行评价,并分别对两支蚁群进行信息素更新;
步骤H,判断是否求解过程满足终止条件,如果是,结束,否则,返回步骤A。
5.如权利要求1-4中任一项所述的方法,其特征在于,所述卫星为中国高分系列卫星。
6.一种基于双蚁群的多星任务调度装置,其特征在于,包括:
模型构建单元,用于构建多个卫星的任务调度的数学模型,所述任务包括观测任务和下传任务,所述数学模型包含至少一个约束;
模型求解单元,用于基于双蚁群算法对所述数学模型进行求解,获得多个卫星的任务调度方案;
任务调度单元,用于根据所述多个卫星的任务调度方案调度多个卫星的观测任务和下传任务。
7.如权利要求6所述的装置,其特征在于,所述多个卫星的任务调度的数学模型为:
其中,
Rnum,Rwgt是比例系数;
T={1,2,...,i,...,NT}是目标集合,目标对应一个观测任务,NT是目标数量,i表示第i个目标;
S={1,2,...,j,...NS}是卫星集合,NS是卫星数量,j表示第j个卫星;
是卫星j在调度周期中的轨道圈次数集合,k为卫星j的第k圈次,为调度期最大圈次数;
twi是目标i的权重;
是决策变量,
是一般变量,
8.如权利要求6所述的装置,其特征在于,所述约束包括以下约束中的至少一种:
约束1:
约束2:
约束3:
约束4:
约束5:
约束6:
约束7:
其中,
STj是卫星j的存储容量;
是卫星j的最大存储容量;
是卫星j开始观测时的存储容量即STj的初始值;
是卫星j结束观测时的存储容量即STj的最终值;
etj是卫星j在单位时间进行观测或数据下传所需消耗的能量;
Ej是卫星j在单个轨道圈次内可消耗的最大能量;
tdi是目标i的观测时间;
tci是观测目标i所需消耗的卫星存储;
是目标i与卫星j在第k个轨道圈次内的执行时间窗,是开始时间,是结束时间;
TGapj是卫星j观测完某个目标后需要调整进入下个观测状态的过渡时间;
G={1,2,...,m,...,NG}是地面站集合,NG是地面站数量,m表示第m个地面站;
GGapm是地面站m在前后接收两颗卫星的下传时,之间的过渡时间;
是地面站m与卫星j在第k个轨道圈次内的执行时间窗,是开始时间,是结束时间。
9.如权利要求6所述的装置,其特征在于,所述模型求解单元包括:
初始化子单元,用于对蚁群进行初始化;
第一判断子单元,用于判断求解过程是否停泄,如果是,触发第一观测节点选择子单元,否则,触发下传节点选择子单元;
第一观测节点选择子单元,用于选择全局最优解中未观测目标的观测机会为首个节点,并删除相应节点;
下传节点选择子单元,用于在第一支蚁群选择一个下传机会点,并删除相应节点;
第二观测节点选择子单元,用于在第二支蚁群选择观测机会点,并删除相应节点;
第二判断子单元,用于判断当前代蚁群是否生成完整解,如果是,触发评价更新子单元,否则,重新触发下传节点选择子单元;
评价更新子单元,用于对完整解进行评价,并分别对两支蚁群进行信息素更新;
第三判断子单元,用于判断求解过程是否满足终止条件,如果是,结束,否则,重新触发初始化子单元。
10.根据权利要求6-9中任一项所述的装置,其特征在于,所述卫星为中国高分系列卫星。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611018974.8A CN106648852B (zh) | 2016-11-18 | 2016-11-18 | 基于双蚁群的多星任务调度方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611018974.8A CN106648852B (zh) | 2016-11-18 | 2016-11-18 | 基于双蚁群的多星任务调度方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106648852A true CN106648852A (zh) | 2017-05-10 |
CN106648852B CN106648852B (zh) | 2018-08-14 |
Family
ID=58808304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611018974.8A Expired - Fee Related CN106648852B (zh) | 2016-11-18 | 2016-11-18 | 基于双蚁群的多星任务调度方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106648852B (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169671A (zh) * | 2017-06-05 | 2017-09-15 | 合肥工业大学 | 多星对地观测任务规划问题的处理方法及装置 |
CN107290961A (zh) * | 2017-06-29 | 2017-10-24 | 中国人民解放军国防科学技术大学 | 一种针对敏捷卫星的在线调度方法 |
CN107483079A (zh) * | 2017-06-22 | 2017-12-15 | 国网河南省电力公司信阳供电公司 | 低压电力线载波通信的双种群遗传蚁群路由算法 |
CN108256771A (zh) * | 2018-01-22 | 2018-07-06 | 合肥工业大学 | 不同调度机制的可变周期多星应急任务规划方法及系统 |
CN109211245A (zh) * | 2018-07-30 | 2019-01-15 | 上海卫星工程研究所 | 多目标任务规划方法 |
CN109272183A (zh) * | 2018-07-10 | 2019-01-25 | 中国人民解放军战略支援部队航天工程大学 | 一种车载测量设备观测任务调度问题的最优化建模方法 |
CN109377075A (zh) * | 2018-11-07 | 2019-02-22 | 长沙天仪空间科技研究院有限公司 | 一种基于前瞻预测的任务调度方法 |
CN109960268A (zh) * | 2019-03-29 | 2019-07-02 | 航天恒星科技有限公司 | 面向遥感卫星接收站的异构设备资源动态调度方法及系统 |
CN110956361A (zh) * | 2019-10-29 | 2020-04-03 | 合肥工业大学 | 基于任务邀请的卫星调度方法 |
CN111027801A (zh) * | 2019-10-29 | 2020-04-17 | 合肥工业大学 | 基于任务邀请的卫星筛选方法和系统 |
CN111176807A (zh) * | 2019-12-09 | 2020-05-19 | 中国空间技术研究院 | 一种多星协同任务规划方法 |
CN111913788A (zh) * | 2020-06-19 | 2020-11-10 | 合肥工业大学 | 成像卫星的任务调度方法和系统 |
CN112434435A (zh) * | 2020-12-01 | 2021-03-02 | 中国人民解放军国防科技大学 | 基于任务合成的成像卫星密集任务调度方法 |
CN112653500A (zh) * | 2020-12-16 | 2021-04-13 | 桂林电子科技大学 | 基于蚁群算法的面向低轨道卫星边缘计算任务调度方法 |
CN113242082A (zh) * | 2018-11-07 | 2021-08-10 | 长沙天仪空间科技研究院有限公司 | 一种卫星数据交互系统 |
CN114604443A (zh) * | 2022-02-17 | 2022-06-10 | 中国电子科技集团公司第十研究所 | 一种真实复杂约束条件下的多星测控调度方法及系统 |
CN117076135A (zh) * | 2023-10-13 | 2023-11-17 | 之江实验室 | 一种资源调度方法、装置、存储介质及电子设备 |
CN117319505A (zh) * | 2023-11-30 | 2023-12-29 | 天勰力(山东)卫星技术有限公司 | 一种面向软件定义卫星共享网络的星上任务抢单系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130047128A1 (en) * | 2010-09-30 | 2013-02-21 | Mustafa ispir | Method and Apparatus for Using Entropy in An Colony Optimization Circuit Design from High Level Synthesis |
CN103327082A (zh) * | 2013-06-07 | 2013-09-25 | 同济大学 | 一种多蚁群疏散优化交换方法 |
CN103903062A (zh) * | 2014-03-12 | 2014-07-02 | 国家电网公司 | 基于双蚁群优化的配电网网络重构方法 |
CN105955812A (zh) * | 2016-05-03 | 2016-09-21 | 合肥工业大学 | 一种地球观测卫星任务调度的方法及系统 |
-
2016
- 2016-11-18 CN CN201611018974.8A patent/CN106648852B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130047128A1 (en) * | 2010-09-30 | 2013-02-21 | Mustafa ispir | Method and Apparatus for Using Entropy in An Colony Optimization Circuit Design from High Level Synthesis |
CN103327082A (zh) * | 2013-06-07 | 2013-09-25 | 同济大学 | 一种多蚁群疏散优化交换方法 |
CN103903062A (zh) * | 2014-03-12 | 2014-07-02 | 国家电网公司 | 基于双蚁群优化的配电网网络重构方法 |
CN105955812A (zh) * | 2016-05-03 | 2016-09-21 | 合肥工业大学 | 一种地球观测卫星任务调度的方法及系统 |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169671B (zh) * | 2017-06-05 | 2018-04-13 | 合肥工业大学 | 多星对地观测任务规划问题的处理方法及装置 |
CN107169671A (zh) * | 2017-06-05 | 2017-09-15 | 合肥工业大学 | 多星对地观测任务规划问题的处理方法及装置 |
CN107483079B (zh) * | 2017-06-22 | 2021-07-20 | 国网河南省电力公司信阳供电公司 | 低压电力载波通信的双种群遗传蚁群路由方法 |
CN107483079A (zh) * | 2017-06-22 | 2017-12-15 | 国网河南省电力公司信阳供电公司 | 低压电力线载波通信的双种群遗传蚁群路由算法 |
CN107290961A (zh) * | 2017-06-29 | 2017-10-24 | 中国人民解放军国防科学技术大学 | 一种针对敏捷卫星的在线调度方法 |
CN108256771A (zh) * | 2018-01-22 | 2018-07-06 | 合肥工业大学 | 不同调度机制的可变周期多星应急任务规划方法及系统 |
CN109272183A (zh) * | 2018-07-10 | 2019-01-25 | 中国人民解放军战略支援部队航天工程大学 | 一种车载测量设备观测任务调度问题的最优化建模方法 |
CN109272183B (zh) * | 2018-07-10 | 2022-03-25 | 中国人民解放军战略支援部队航天工程大学 | 一种车载测量设备观测任务调度问题的最优化建模方法 |
CN109211245A (zh) * | 2018-07-30 | 2019-01-15 | 上海卫星工程研究所 | 多目标任务规划方法 |
CN109211245B (zh) * | 2018-07-30 | 2021-12-31 | 上海卫星工程研究所 | 多目标任务规划方法 |
CN109377075A (zh) * | 2018-11-07 | 2019-02-22 | 长沙天仪空间科技研究院有限公司 | 一种基于前瞻预测的任务调度方法 |
CN113242082A (zh) * | 2018-11-07 | 2021-08-10 | 长沙天仪空间科技研究院有限公司 | 一种卫星数据交互系统 |
CN112183928A (zh) * | 2018-11-07 | 2021-01-05 | 长沙天仪空间科技研究院有限公司 | 一种适用于遥感卫星成像的调度系统 |
CN109960268A (zh) * | 2019-03-29 | 2019-07-02 | 航天恒星科技有限公司 | 面向遥感卫星接收站的异构设备资源动态调度方法及系统 |
CN109960268B (zh) * | 2019-03-29 | 2021-12-07 | 航天恒星科技有限公司 | 面向遥感卫星接收站的异构设备资源动态调度方法及系统 |
CN111027801A (zh) * | 2019-10-29 | 2020-04-17 | 合肥工业大学 | 基于任务邀请的卫星筛选方法和系统 |
CN110956361A (zh) * | 2019-10-29 | 2020-04-03 | 合肥工业大学 | 基于任务邀请的卫星调度方法 |
CN110956361B (zh) * | 2019-10-29 | 2022-03-22 | 合肥工业大学 | 基于任务邀请的卫星调度方法 |
CN111176807B (zh) * | 2019-12-09 | 2023-12-12 | 中国空间技术研究院 | 一种多星协同任务规划方法 |
CN111176807A (zh) * | 2019-12-09 | 2020-05-19 | 中国空间技术研究院 | 一种多星协同任务规划方法 |
CN111913788A (zh) * | 2020-06-19 | 2020-11-10 | 合肥工业大学 | 成像卫星的任务调度方法和系统 |
CN111913788B (zh) * | 2020-06-19 | 2022-09-30 | 合肥工业大学 | 成像卫星的任务调度方法和系统 |
CN112434435A (zh) * | 2020-12-01 | 2021-03-02 | 中国人民解放军国防科技大学 | 基于任务合成的成像卫星密集任务调度方法 |
CN112653500A (zh) * | 2020-12-16 | 2021-04-13 | 桂林电子科技大学 | 基于蚁群算法的面向低轨道卫星边缘计算任务调度方法 |
CN112653500B (zh) * | 2020-12-16 | 2022-07-26 | 桂林电子科技大学 | 基于蚁群算法的面向低轨道卫星边缘计算任务调度方法 |
CN114604443A (zh) * | 2022-02-17 | 2022-06-10 | 中国电子科技集团公司第十研究所 | 一种真实复杂约束条件下的多星测控调度方法及系统 |
CN114604443B (zh) * | 2022-02-17 | 2023-06-06 | 中国电子科技集团公司第十研究所 | 一种真实复杂约束条件下的多星测控调度方法及系统 |
CN117076135A (zh) * | 2023-10-13 | 2023-11-17 | 之江实验室 | 一种资源调度方法、装置、存储介质及电子设备 |
CN117076135B (zh) * | 2023-10-13 | 2024-02-02 | 之江实验室 | 一种资源调度方法、装置、存储介质及电子设备 |
CN117319505A (zh) * | 2023-11-30 | 2023-12-29 | 天勰力(山东)卫星技术有限公司 | 一种面向软件定义卫星共享网络的星上任务抢单系统 |
CN117319505B (zh) * | 2023-11-30 | 2024-02-06 | 天勰力(山东)卫星技术有限公司 | 一种面向软件定义卫星共享网络的星上任务抢单系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106648852B (zh) | 2018-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106648852A (zh) | 基于双蚁群的多星任务调度方法和装置 | |
Johnson et al. | Optimization by simulated annealing: an experimental evaluation; part II, graph coloring and number partitioning | |
CN104361234B (zh) | 一种复杂约束条件下多星多任务观测调度优化方法 | |
CN108717572B (zh) | 基于结构化神经网络的成像任务可调度性预测方法 | |
CN107864007A (zh) | 面向区域目标的多星多地面站资源协同分配管理方法 | |
CN110400002A (zh) | 一种多星成像任务规划方法 | |
CN108256671A (zh) | 一种基于学习型遗传算法的多任务多资源滚动分配方法 | |
CN109829636A (zh) | 基于动态优先级的应急任务调度规划方法 | |
CN105825303B (zh) | 一种甩挂运输的任务分配方法 | |
CN110412869A (zh) | 一种多星协同的空间动态目标实时跟踪方法 | |
Yao et al. | Task allocation strategies for cooperative task planning of multi-autonomous satellite constellation | |
CN106529826B (zh) | 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 | |
CN104101875A (zh) | 一种空管雷达多目标跟踪方法 | |
CN104680238A (zh) | 多卫星对地协同观测的待观测任务确定方法 | |
CN108123772A (zh) | 一种基于梯度投影的无人机时频资源分配方法 | |
CN112422171A (zh) | 环境不确定遥感卫星网络下的智能资源联合调度方法 | |
CN109905881A (zh) | 一种基于人工蜂群算法确定基站选取方案的方法及系统 | |
CN114567888B (zh) | 一种多无人机动态部署方法 | |
CN113188547A (zh) | 无人机路径规划方法、装置、控制器及存储介质 | |
CN109918731A (zh) | 基于关键路径的卫星任务规划仿真分析方法与系统 | |
CN114169066A (zh) | 基于微纳星群抵近侦察的空间目标特性测量、侦察方法 | |
CN109039428A (zh) | 基于冲突消解的中继卫星单址天线调度随机搜索方法 | |
CN109885082A (zh) | 一种基于任务驱动下的无人机航迹规划的方法 | |
CN110298550A (zh) | 基于网格单元的社区居民服务调度系统和方法 | |
CN110532665A (zh) | 一种固定航线任务下的移动对象动态轨迹预测方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180814 Termination date: 20211118 |