CN107678850A - 中继卫星任务调度方法及装置 - Google Patents
中继卫星任务调度方法及装置 Download PDFInfo
- Publication number
- CN107678850A CN107678850A CN201710977520.1A CN201710977520A CN107678850A CN 107678850 A CN107678850 A CN 107678850A CN 201710977520 A CN201710977520 A CN 201710977520A CN 107678850 A CN107678850 A CN 107678850A
- Authority
- CN
- China
- Prior art keywords
- task
- repeater satellite
- time
- parent
- fitness value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000002068 genetic effect Effects 0.000 claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 238000002922 simulated annealing Methods 0.000 claims abstract description 29
- 230000003044 adaptive effect Effects 0.000 claims abstract description 23
- 230000035772 mutation Effects 0.000 claims description 63
- 230000006870 function Effects 0.000 claims description 35
- 238000000137 annealing Methods 0.000 claims description 14
- 230000006978 adaptation Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012217 deletion Methods 0.000 claims description 9
- 230000037430 deletion Effects 0.000 claims description 9
- 238000010353 genetic engineering Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 5
- 230000006399 behavior Effects 0.000 claims 2
- 230000002035 prolonged effect Effects 0.000 claims 1
- 238000005316 response function Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000004088 simulation Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 101150039208 KCNK3 gene Proteins 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000763 evoking effect Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
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
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Genetics & Genomics (AREA)
- Radio Relay Systems (AREA)
Abstract
本发明实施例提供了一种中继卫星任务调度方法及装置，该方法中，在获得了预设的中继卫星任务调度约束规划模型后采用自适应遗传模拟退火算法对模型进行求解进而得到最优调度方案。相比于传统的遗传算法求解模型的方式，本发明实施例提供的方法利用自适应遗传模拟退火算法求解上述带约束模型的最大值具有全局搜索能力强，收敛速度快等优点，更加适合解决高复杂度任务。
Description
技术领域
本发明实施例涉及通信技术领域，具体涉及一种中继卫星任务调度方法及装置。
背景技术
由于中继卫星数量有限，数据服务能力有限，并且与需要中继卫星服务的用户航天器之间存在可见时间窗的约束，因此如何合理的编排调度中继卫星的任务规划是提高中继卫星利用率，进而提高整个空间信息网络的效率的关键技术。现有中继卫星系统任务调度研究的主要对象是预约式任务，由于中继卫星任务调度问题的复杂性，现有的中继卫星任务调度的数学模型大多数为NP-hard问题，因此现有的解决方法多为启发式算法。第一种算法利用人工蜂群算法解决任务规划问题，其首先建立了中继卫星调度的数学模型，给出了适应度函数以及各种约束条件，并且利用人工蜂群算法来搜索并得到较优的任务调度方案。第二种算法建立了存在多中继卫星条件下的任务调度模型，并且利用基于种群联合进化的资源分配算法进行求解。
然而，在实现发明创造的过程中，发明人发现，在对任务调度模型进行求解时，现有的用于求解的优化算法全局搜索能力差、收敛较慢，无法适应于复杂度较高的任务调度分配中。
发明内容
本发明实施例的目的在于提供一种用于中继卫星任务调度方法及装置。
第一方面，本发明实施例提供了一种中继卫星任务调度方法，包括：
获取预设的中继卫星任务调度约束规划模型，所述模型包含的适应度函数及约束条件；所述适应度函数，为用于在所述约束条件的约束下获得最优任务调度方案的目标函数；所述最优任务调度方案为使得更高优先级、传播时延更小的最多任务能够被成功执行的方案；
基于自适应遗传模拟退火算法求解所述模型的最优解，并将所述最优解作为最优任务调度方案；
其中，基于自适应遗传模拟退火算法求解所述模型的最优解的步骤，具体可以包括：
初始化种群规模、最大迭代次数以及遗传算法参数；
设置初始种群父代，将各任务在当前执行序列中的执行次序确定为所述初始种群父代的染色体基因；根据所述适应度函数及约束条件计算各个父代个体的适应度值、父代种群中个体的平均适应度值以及父代种群中的最大适应度值；
对任意两个不同的父代个体，求出其平均适应度值作为交叉个体的平均适应度值；根据交叉个体的平均适应度值以及遗传算法参数获得本次交叉概率，并仅在随机产生的交叉概率值小于所述交叉概率时才对这两个父代个体进行交叉操作；遍历所有父代个体，将交叉操作后得到的所有个体计入子代；
对于任意父代个体，将其适应度值作为突变个体初始的适应度值；基于模拟退火原理设置退火次数，根据各父代个体的适应度值以及遗传算法参数计算各父代个体对应的突变概率，并仅在随机产生的突变概率值小于所述突变概率时才对所述父代个体进行突变操作；计算突变后的新个体的适应度值，若小于所述初始适应度值，则重复执行突变操作，直至突变后的新个体的适应度值大于所述初始适应度值或重复次数达到所述退火次数；遍历所有父代个体，将突变操作后得到的所有个体计入子代；
计算所有交叉操作、突变操作产生的子代个体的适应度值，将所述子代个体按适应度值由大到小排序，保留前指定个数个子代个体的染色体基因用于下一次的遗传操作；其中，所述指定个数与所述种群规模相同；
若遗传算法的迭代次数达到所述最大迭代次数，则停止迭代选择当前种群中的适应度值最大的个体作为所述模型的最优解。
第二方面，本发明实施例提供了一种中继卫星任务调度装置，包括：
模型获取单元，用于获取预设的中继卫星任务调度约束规划模型，所述模型包含的适应度函数及约束条件；所述适应度函数，为用于在所述约束条件的约束下获得最优任务调度方案的目标函数；所述最优任务调度方案为使得更高优先级、传播时延更小的最多任务能够被成功执行的方案；
模型求解单元，用于基于自适应遗传模拟退火算法求解所述模型的最优解，并将所述最优解作为最优任务调度方案；
其中，基于自适应遗传模拟退火算法求解所述模型的最优解的步骤包括：
初始化种群规模、最大迭代次数以及遗传算法参数；
设置初始种群父代，将各任务在当前执行序列中的执行次序确定为所述初始种群父代的染色体基因；根据所述适应度函数及约束条件计算各个父代个体的适应度值、父代种群中个体的平均适应度值以及父代种群中的最大适应度值；
对任意两个不同的父代个体，求出其平均适应度值作为交叉个体的平均适应度值；根据交叉个体的平均适应度值以及遗传算法参数获得本次交叉概率，并仅在随机产生的交叉概率值小于所述交叉概率时才对这两个父代个体进行交叉操作；遍历所有父代个体，将交叉操作后得到的所有个体计入子代；
对于任意父代个体，将其适应度值作为突变个体初始的适应度值；基于模拟退火原理设置退火次数，根据各父代个体的适应度值以及遗传算法参数计算各父代个体对应的突变概率，并仅在随机产生的突变概率值小于所述突变概率时才对所述父代个体进行突变操作；计算突变后的新个体的适应度值，若小于所述初始适应度值，则重复执行突变操作，直至突变后的新个体的适应度值大于所述初始适应度值或重复次数达到所述退火次数；遍历所有父代个体，将突变操作后得到的所有个体计入子代；
计算所有交叉操作、突变操作产生的子代个体的适应度值，将所述子代个体按适应度值由大到小排序，保留前指定个数个子代个体的染色体基因用于下一次的遗传操作；其中，所述指定个数与所述种群规模相同；
若遗传算法的迭代次数达到所述最大迭代次数，则停止迭代选择当前种群中的适应度值最大的个体作为所述模型的最优解。
第三方面，本发明的又一实施例提供了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述第一方面所述方法的步骤。
第四方面，本发明的又一实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述方法的步骤。
本发明实施例提供了一种中继卫星任务调度方法及装置，该方法中，在获得了预设的中继卫星任务调度约束规划模型后采用自适应遗传模拟退火算法对模型进行求解进而得到最优调度方案。相比于传统的遗传算法求解模型的方式，本发明实施例提供的方法利用自适应遗传模拟退火算法求解上述带约束模型的最大值具有全局搜索能力强，收敛速度快等优点，更加适合解决高复杂度任务。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1是本发明实施例提供的一种中继卫星任务调度方法流程图；
图2是本发明实施例提供的一种基于自适应遗传模拟退火算法的中继卫星任务调度方法流程图；
图3是本发明实施例提供的适应度值的计算方法流程图；
图4是本发明提供的一种中继卫星任务调度装置实施例结构示意图；
图5是本发明提供的一种计算机设备实施例结构框图。
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。
第一方面，本发明实施例提供了一种中继卫星任务调度方法，如图1所示，包括：
S101、获取预设的中继卫星任务调度约束规划模型，所述模型包含的适应度函数及约束条件；所述适应度函数，为用于在所述约束条件的约束下获得最优任务调度方案的目标函数；所述最优任务调度方案为使得更高优先级、传播时延更小的最多任务能够被成功执行的方案；
S102、基于自适应遗传模拟退火算法求解所述模型的最优解，并将所述最优解作为最优任务调度方案；
其中，基于自适应遗传模拟退火算法求解所述模型的最优解的步骤参见图2，具体可以包括：
S1021、初始化种群规模、最大迭代次数以及遗传算法参数；
S1022、设置初始种群父代，将各任务在当前执行序列中的执行次序确定为所述初始种群父代的染色体基因；根据所述适应度函数及约束条件计算各个父代个体的适应度值、父代种群中个体的平均适应度值以及父代种群中的最大适应度值；
S1023、对任意两个不同的父代个体，求出其平均适应度值作为交叉个体的平均适应度值；根据交叉个体的平均适应度值以及遗传算法参数获得本次交叉概率，并仅在随机产生的交叉概率值小于所述交叉概率时才对这两个父代个体进行交叉操作；遍历所有父代个体，将交叉操作后得到的所有个体计入子代；
S1024、对于任意父代个体，将其适应度值作为突变个体初始的适应度值；基于模拟退火原理设置退火次数，根据各父代个体的适应度值以及遗传算法参数计算各父代个体对应的突变概率，并仅在随机产生的突变概率值小于所述突变概率时才对所述父代个体进行突变操作；计算突变后的新个体的适应度值，若小于所述初始适应度值，则重复执行突变操作，直至突变后的新个体的适应度值大于所述初始适应度值或重复次数达到所述退火次数；遍历所有父代个体，将突变操作后得到的所有个体计入子代；
S1025、计算所有交叉操作、突变操作产生的子代个体的适应度值，将所述子代个体按适应度值由大到小排序，保留前指定个数个子代个体的染色体基因用于下一次的遗传操作；其中，所述指定个数与所述种群规模相同；
S1026、若遗传算法的迭代次数达到所述最大迭代次数，则停止迭代选择当前种群中的适应度值最大的个体作为所述模型的最优解。
本发明实施例提供了一种中继卫星任务调度方法，该方法中，在获得了预设的中继卫星任务调度约束规划模型后采用自适应遗传模拟退火算法对模型进行求解进而得到最优调度方案。相比于传统的遗传算法求解模型的方式，本发明实施例提供的方法利用自适应遗传模拟退火算法求解上述带约束模型的最大值具有全局搜索能力强，收敛速度快等优点，更加适合解决高复杂度任务。
需要说明的是，本发明实施例提供的中继卫星任务调度方法可以适用于各类中继卫星任务调度约束规划模型的最优解求解中。为便于理解本发明实施例提供的方法，下面选择一种可选的中继卫星任务调度约束规划模型来详细介绍本发明实施例提供的方法是如何进行最优解求解的。
一、建立中继卫星任务调度约束规划模型
具体可以包括如下步骤：
S201、获取预设的各调度任务的优先级、各任务被成功执行的最早开始时间、所有任务的最大延迟时间以及各中继卫星上为各任务服务的可用时间窗；
S202、根据所述各调度任务的优先级、各任务被成功执行的最早开始时间、所有任务的最大传播时延以及可用时间窗，构建所述模型的适应度函数及约束条件；其中，所述可用时间窗，为在满足中继卫星与用户航天器的可见性基础上，符合执行预设任务的时间段。
在具体实施时，可以理解的是，上述步骤S202中构建模型的适应度函数以及约束条件可以通过多种方式来实施，下面对其中一种可选的实施方式进行介绍。
(一)模型的适应度函数的构建
模型的适应度函数表达式为：
其中，ρi＝Pmax-pi，pi为用户指定的任务i的优先级，Pmax表示任务优先级加权值的最大值加一，取Pmax＝11，pi∈{1,2,3,...,10}，则ρi表示任务i的优先级的加权值，用户指定的任务i的优先级越高，即pi越小，则得到的ρi越大，即任务i优先级的加权值越大。如用户指定任务i的优先级为pi＝1，则任务i的优先级的加权值为ρi＝11-1＝10。加权值ρi越大，代表任务i优先级越高。
βi＝Dmax-|Ti-ei|，Dmax表示事先指定的所有任务的最大延迟，Ti表示任务i调度成功的开始执行时间，ei表示用户指定的任务i被成功执行的最早开始时间，|Ti-ei|表示任务i的延迟，任务的开始执行时间越接近用户指定的任务最早开始执行时间，即|Ti-ei|越小，则延迟越小，加权值βi越大。
χim＝{0,1},i∈J,m∈M，若χim＝1，表明任务i被中继卫星m调度成功；否则，表明调度失败。
该适应度函数表达式的目标是使更高优先级的、延迟更小的、更多的任务被成功执行。
(二)模型约束函数的构建
模型的约束条件式为：
其中，式(2)表示若一个任务调度成功，则该任务只能在一颗中继卫星上调度成功，否则认为该任务调度失败。
式(3)中，χijm＝{0,1},i,j∈J,m∈M，若χijm＝1，表明中继卫星m执行完任务i后立即执行任务j。约束条件式(3)表明若任意两个任务在被一颗中继卫星调度到用户航天器上，则执行顺序必须是一前一后，即表明一颗中继卫星在同一时间最多只能为一个任务服务。
式(4)是为了保证在同一颗中继卫星上执行的任务能排成一个有序序列，同时也保证了一颗中继卫星在同一时刻最多只能执行一个任务。
式(5)中，Wim＝Bi∩Aim，Bi表示用户指定的任务i被成功执行的最早开始时间与最晚结束时间构成的时间窗，Aim表示能够为任务i服务的中继卫星m的可见时间窗的集合，Wim表示中继卫星m上能为任务i服务的所有可用时间窗的集合。所谓可用时间窗，就是在满足中继卫星与用户航天器的可见性基础上，符合用户指定的任务执行时间段。若则表明任务i在中继卫星m的可用时间窗w内。约束条件式(5)表明了任务必须满足可见时间窗约束，才可能被调度成功，而且调度成功的任务执行时仅能在一个可用时间窗口内进行。
式(6)中，di表示任务i的持续时间，di＝d0+d′i，d0为中继卫星服务开始和终止阶段消耗的时间，与天基骨干网中继卫星系统的软硬件设备有关，如在服务准备阶段，地面站需要建立连接，同时配置星间、星地通信链路设备与数据服务器系统，在服务终止阶段，地面站需要断开连接，释放并拆除链路，同时释放卫星资源，d′i为任务i实际的数据通信时间，由用户根据实际需要进行提交。εijm表示中继卫星m执行完任务i后立即执行任务j的交换时间。i,j∈J且i≠j，表示任务j被成功执行的最早开始时间与任务i被成功执行的最晚结束时间之间的时间段。Ti表示任务i调度成功的开始执行时间。约束条件式(6)表明若两个任务i,j(j在i之后执行)在同一颗中继卫星上执行时，任务j的开始执行时间Tj必须在任务i执行完Ti+di+εijm之后，进一步强调一颗中继卫星在同一时刻只能执行一个任务。
式(7)中，οij＝{0,1},i,j∈J，若οij＝1，则表明任务i在任务j之前执行。约束条件式(7)表示一颗中继卫星上的两个任务i,j发生资源冲突时，任务i,j的执行时间是不能有重叠的，即必须是一个在前一个在后执行，也表明了一颗中继卫星在同一时刻只能为一个任务服务。
式(8)中，为任务i在中继卫星m的可用时间窗w上的开始时间，式(9)中，为任务i在中继卫星m的可用时间窗w上的结束时间，其中，i∈J，m∈M，w∈Wim。约束条件式(8)和式(9)表示任务要想被调度成功，就必须在一个可用时间窗内执行，其中约束条件式(8)表示任务的开始执行时间必须大于或等于该可用时间窗的开始时间；约束条件式(9)表示任务的结束时间必须小于或等于该可用时间窗的结束时间。
式(10)中，ti表示用户指定的任务i被调度到用户航天器所经历的最大传播时延。v表示电磁波传播的速率，默认v＝3.0×108km/s。si表示任务i被调度到用户航天器所经历的总的传播距离，其中，sn表示地面站与中继卫星n之间的距离，smn表示中继卫星m与n之间的距离，表示中继卫星m在可用时间窗w上与用户航天器的距离。φi＝{0,1},i∈J，若φi＝1，则表明任务i满足传播时延要求。约束条件式(10)表示任务i被调度到用户航天器所经历的最大传播时延不大于用户指定的最大传播时延，即满足传播时延要求。
式(11)中，进一步表明任务要想被成功调度的可执行时间必须在某一中继卫星与用户航天器之间的可用时间窗内，也只有在可用时间窗内才能执行任务。
通过上述构建适应度函数以及约束函数的步骤，即可得到在各种现实条件约束下的多中继卫星系统调度模型。通过本发明实施例提供的基于自适应模拟退火算法的中继卫星任务调度算法就得出任务分配方案，可以求出该模型的最优解。其中该最优解为使得模型适应度函数(1)取值最大，同时满足(2)到(11)约束条件的最优解。该最优解即可以作为最优任务调度方案，应用于实际情况下的任务调度中。
二、利用基于自适应模拟退火算法的中继卫星任务调度算法求得最优解。
具体方法为：
(1)初始化操作：
初始化种群规模G和最大迭代次数g，以及各遗传参数k1、k2、k3、k4；
(2)计算初始父代的适应度值：
设置初始种群parent，指定各用户任务在当前序列中的执行次序代表父代的染色体基因。如假设Task1为当前序列的第一个任务，Task2为当前序列的第二个任务……Task40为当前序列的第四十个任务。但需要注意的是，这里的执行次序并非完全按照任务实际调度的执行时间顺序，因为存在多颗中继卫星资源，所以实际上是模拟任务实际调度的场景，依次尝试进行调度并计算适应度值的顺序。但针对同一颗中继卫星资源，任务调度的次序就是这里计算适应度值的顺序。初始种群设置完毕之后，就要确定各约束条件，根据模型计算出父代个体的适应度值及父代种群中个体的平均适应度值与最大适应度值；
(3)交叉操作：
对任意两个不同的父代个体，求出它们的平均适应度值作为交叉个体的平均适应度值fc，根据公式
计算出此时的交叉概率Pc，并且依照随机产生的概率值rand与此交叉概率值Pc进行比较，决定是否进行交叉操作。若rand＜Pc，则对两个父代个体进行交叉操作；否则，不进行交叉操作。另外，本文采用部分映射的交叉算子，若rand＜Pc，则随机选取两个点，取两个交叉父代个体两个点之间的染色体基因进行交换，同时对剩下的染色体基因进行修复，即保证各用户任务的执行次序不会冲突，也即同一执行次序下仅有一个任务，同时也保证了每一个任务都有被执行的可能。最后，遍历所有父代个体，将交叉操作得到的所有个体计入子代；
(4)突变操作：
对于任意父代个体，将它的适应度值作为突变个体的适应度值fm。
A、根据模拟退火的思想，设置退火次数num；
B、根据公式
计算出此时的突变概率Pm，并且依照随机产生的概率值rand与此突变概率值Pm进行比较，决定是否进行突变操作。若rand＜Pm，则对父代个体进行突变操作；否则，不进行突变操作。另外，本文采用基本突变算子，若rand＜Pm，则随机选取父代个体上的两个点，将这两个点上的基因进行交换，即将两个任务的执行次序交换，保证了得到的新个体基因的完整性；
C、计算突变后的新个体的适应度值，若小于fm，则重复步骤B，直到突变后的新个体的适应度值大于fm，或是达到次数num；
最后，遍历所有父代个体，将突变操作得到的所有个体计入子代；
(5)选择操作：
首先，计算所有交叉、突变操作产生的子代个体的适应度值。其次，本文采用精英保留策略，即对所有父代个体与所有交叉、突变操作产生的子代个体按照适应度值的大小由大到小进行排序，选择前G个个体作为下一次遗传操作的父代个体，即保留适应度值最大的G个个体的染色体基因用于下一次的遗传操作；
(6)判断算法是否结束：
若算法的迭代次数达到最大值g，则算法结束，选择当前种群中的最优个体作为用户任务调度的最优调度方案，即当前种群中适应度值最高的个体代表的用户任务执行次序与所选择的中继卫星资源为最优调度方案，对应的最高适应度值即为最优解的大小。否则，继续转到步骤(3)。
其中，在上述方法实施例中，对于个体的适应度值的计算步骤可以如图3所示，包括：
步骤一、对于当前执行序列中的第一个任务，选取能够执行该任务的所有中继卫星与用户航天器之间可见时间窗W1m中开始时间为最早的第一可见时间窗w(1)；
步骤二、判断所述第一可见时间窗w(1)是否在指定任务的最早开始时间与最晚结束时间之间；若否，则在W1m中删除所述第一可见时间窗w(1)，并记录任务选择的中继卫星M(1)＝0，以此来标记当前任务未调度成功，并重复步骤一；若是，则继续判断在该第一可见时间窗w(1)内，任务通过前向链路到用户航天器所经历的最大传播时延是否不大于用户指定的该任务的最大传播时延；
若否，则在W1m中删除该第一可见时间窗w(1)，并记录任务选择的中继卫星M(1)＝0，以此来标记当前任务未调度成功，并重复步骤一；若是，则令χ1m＝1，表明任务调度成功，并记录此时选择的中继卫星M(1)、用户航天器L(1)以及任务的开始执行时间
步骤三、对于当前序列中的第j(j≠1)个任务，选取能够执行该任务的所有中继卫星与用户航天器的可见时间窗Wjm中开始时间为最早的第二可见时间窗w(j)；
步骤四、判断第二可见时间窗w(j)是否在用户指定的任务最早开始时间与最晚结束时间之间；若否，则在Wjm中删除该第二可见时间窗w(j)，并记录任务选择的中继卫星M(j)＝0，以此来标记当前任务未调度成功，并重复步骤三；若是，则继续判断在该第二可见时间窗内，任务通过前向链路到用户航天器所经历的最大传播时延是否不大于用户指定的该任务的最大传播时延；
若否，则在Wjm中删除该可见时间窗w(j)，并记录任务选择的中继卫星M(j)＝0，以此来标记当前任务未调度成功，并重复步骤三；若是，则判断之前是否有第一任务与所述当前任务选择同一中继卫星资源；
若不存在第一任务，则令χjm＝1，表明任务调度成功，并记录此时选择的中继卫星M(j)、用户航天器L(j)以及任务的开始执行时间T(j)；若存在第一任务，则在第一任务中选择执行时间最晚的任务j'；
若任务j'满足以下两种情况之一：
情况一、且成立，则令χjm＝1，表明任务调度成功，并记录此时选择的中继卫星M(j)、用户航天器L(j)以及任务的开始执行时间T(j)，且
情况二、且则令χjm＝1，表明任务调度成功，并记录此时选择的中继卫星M(j)、用户航天器L(j)以及任务的开始执行时间T(j)，且T(j)＝tj'+dj'+εj'jm；
若情况一与情况二均不满足，则在Wjm中删除该可见时间窗w(j)，并记录任务选择的中继卫星M(j)＝0，以此来标记当前任务未调度成功，并重复步骤三；
步骤五、根据任务优先级以及任务的最早开始时间计算任务调度成功经历的延迟，以此计算出每一个任务的适应度值，将所有任务适应度值累加得到种群中个体的适应度值。
为进一步体现本发明实施例提供的方法的优越性，下面举一个具体的仿真实例来进行说明。
首先说明仿真实例中的仿真参数。仿真参数中各个卫星的轨道参数设置如下：
仿真参数中各个卫星的轨道参数设置如下：
表1中继卫星的轨道参数
表2用户航天器的轨道参数
表3用户航天器的轨道参数
表4展示了其中一个用户航天起与一个中继卫星之间的可见时间窗：
表4中继卫星TDRSS_1与用户航天器ALOS的可见时间窗
下面展示本发明的任务规划效果：
假设有40个用户任务请求服务，用户指定的各个任务的任务属性如表5所示，任务编号记为Task1，Task2，···，Task40。
表5用户指定的任务属性
表6用户任务调度结果
表7调度失败的任务
可以看到：
(1)调度的目标为使更高优先级的、延迟更小的更多的任务被调度成功，考虑五颗中继卫星单址链路的情况下，Task 6，Task 8，Task 10，Task 18，Task 32这五个任务因为抢占资源失败而不能被成功调度；
(2)Task 15因为传播时延不满足要求，即要想调度成功所经历的最大传播时延大于用户指定的最大传播时延，而未能调度成功。
将基于自适应遗传模拟退火算法的用户任务调度算法的调度结果与普通遗传算法的调度结果进行比较，如表8所示。
表8自适应遗传模拟退火算法与遗传算法的比较
从表8可看出，基于自适应遗传模拟退火算法的用户任务调度算法相比基于普通遗传算法的用户任务调度算法，得到的最优适应度值较大，算法的运行时间较短，而且调度成功的任务数量较多，表明基于自适应遗传模拟退火算法的用户任务调度算法能在更短的时间内找到更优解及更好的任务调度方案，从而得到更优的适应度值，使得更高优先级、延迟更小的更多的任务被调度成功。
第二方面，本发明实施例提供了一种中继卫星任务调度装置，如图4所示，包括：
模型获取单元301，用于获取预设的中继卫星任务调度约束规划模型，所述模型包含的适应度函数及约束条件；所述适应度函数，为用于在所述约束条件的约束下获得最优任务调度方案的目标函数；所述最优任务调度方案为使得更高优先级、传播时延更小的最多任务能够被成功执行的方案；
模型求解单元302，用于基于自适应遗传模拟退火算法求解所述模型的最优解，并将所述最优解作为最优任务调度方案；
其中，基于自适应遗传模拟退火算法求解所述模型的最优解的步骤包括：
初始化种群规模、最大迭代次数以及遗传算法参数；
设置初始种群父代，将各任务在当前执行序列中的执行次序确定为所述初始种群父代的染色体基因；根据所述适应度函数及约束条件计算各个父代个体的适应度值、父代种群中个体的平均适应度值以及父代种群中的最大适应度值；
对任意两个不同的父代个体，求出其平均适应度值作为交叉个体的平均适应度值；根据交叉个体的平均适应度值以及遗传算法参数获得本次交叉概率，并仅在随机产生的交叉概率值小于所述交叉概率时才对这两个父代个体进行交叉操作；遍历所有父代个体，将交叉操作后得到的所有个体计入子代；
对于任意父代个体，将其适应度值作为突变个体初始的适应度值；基于模拟退火原理设置退火次数，根据各父代个体的适应度值以及遗传算法参数计算各父代个体对应的突变概率，并仅在随机产生的突变概率值小于所述突变概率时才对所述父代个体进行突变操作；计算突变后的新个体的适应度值，若小于所述初始适应度值，则重复执行突变操作，直至突变后的新个体的适应度值大于所述初始适应度值或重复次数达到所述退火次数；遍历所有父代个体，将突变操作后得到的所有个体计入子代；
计算所有交叉操作、突变操作产生的子代个体的适应度值，将所述子代个体按适应度值由大到小排序，保留前指定个数个子代个体的染色体基因用于下一次的遗传操作；其中，所述指定个数与所述种群规模相同；
若遗传算法的迭代次数达到所述最大迭代次数，则停止迭代选择当前种群中的适应度值最大的个体作为所述模型的最优解。
由于本实施例所介绍的中继卫星任务调度装置为可以执行本发明实施例中的中继卫星任务调度方法的装置，故而基于本发明实施例中所介绍的中继卫星任务调度的方法，本领域所属技术人员能够了解本实施例的中继卫星任务调度装置的具体实施方式以及其各种变化形式，所以在此对于该中继卫星任务调度装置如何实现本发明实施例中的中继卫星任务调度方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中中继卫星任务调度方法所采用的装置，都属于本申请所欲保护的范围。
图5示出本发明实施例提供的计算机设备的结构框图。
参照图5，该计算机设备，包括处理器(processor)401、存储器(memory)402以及总线403；
其中，所述处理器401以及存储器402通过所述总线403完成相互间的通信；
所述处理器401用于调用所述存储器402中的程序指令，以执行上述各方法实施例中第一方面所述的方法。
本发明实施例还公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例第一方面所述的方法。
本发明实施例还提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例第一方面所述的方法。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的某些部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的网关、代理服务器、系统中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种中继卫星任务调度方法，其特征在于，包括：
获取预设的中继卫星任务调度约束规划模型，所述模型包含的适应度函数及约束条件；所述适应度函数，为用于在所述约束条件的约束下获得最优任务调度方案的目标函数；所述最优任务调度方案为使得更高优先级、传播时延更小的最多任务能够被成功执行的方案；
基于自适应遗传模拟退火算法求解所述模型的最优解，并将所述最优解作为最优任务调度方案；
其中，基于自适应遗传模拟退火算法求解所述模型的最优解的步骤包括：
初始化种群规模、最大迭代次数以及遗传算法参数；
设置初始种群父代，将各任务在当前执行序列中的执行次序确定为所述初始种群父代的染色体基因；根据所述适应度函数及约束条件计算各个父代个体的适应度值、父代种群中个体的平均适应度值以及父代种群中的最大适应度值；
对任意两个不同的父代个体，求出其平均适应度值作为交叉个体的平均适应度值；根据交叉个体的平均适应度值以及遗传算法参数获得本次交叉概率，并仅在随机产生的交叉概率值小于所述交叉概率时才对这两个父代个体进行交叉操作；遍历所有父代个体，将交叉操作后得到的所有个体计入子代；
对于任意父代个体，将其适应度值作为突变个体初始的适应度值；基于模拟退火原理设置退火次数，根据各父代个体的适应度值以及遗传算法参数计算各父代个体对应的突变概率，并仅在随机产生的突变概率值小于所述突变概率时才对所述父代个体进行突变操作；计算突变后的新个体的适应度值，若小于所述初始适应度值，则重复执行突变操作，直至突变后的新个体的适应度值大于所述初始适应度值或重复次数达到所述退火次数；遍历所有父代个体，将突变操作后得到的所有个体计入子代；
计算所有交叉操作、突变操作产生的子代个体的适应度值，将所述子代个体按适应度值由大到小排序，保留前指定个数个子代个体的染色体基因用于下一次的遗传操作；其中，所述指定个数与所述种群规模相同；
若遗传算法的迭代次数达到所述最大迭代次数，则停止迭代选择当前种群中的适应度值最大的个体作为所述模型的最优解。
2.根据权利要求1所述的方法，其特征在于，对两个父代个体进行交叉操作包括：
随机选取父代个体上的两个点，将两个交叉父代个体在这两个点上的染色体基因进行交换，并对余下的染色体基因进行修复。
3.根据权利要求1所述的方法，其特征在于，对父代个体进行突变操作包括：
随机选取父代个体上的两个点，将所述父代个体在这两个点上的染色体基因进行互换。
4.根据权利要求1所述的方法，其特征在于，所述预设的中继卫星任务调度约束规划模型，是通过如下方式设置的，包括：
获取预设的各调度任务的优先级、各任务被成功执行的最早开始时间、所有任务的最大延迟时间以及各中继卫星上为各任务服务的可用时间窗；
根据所述各调度任务的优先级、各任务被成功执行的最早开始时间、所有任务的最大传播时延以及可用时间窗，构建所述模型的适应度函数及约束条件；
其中，所述可用时间窗，为在满足中继卫星与用户航天器的可见性基础上，符合执行预设任务的时间段。
5.根据权利要求4所述的方法，其特征在于，所述适应度函数如公式一所示：
max f＝∑∑(ρiβi)χim 公式一
其中，ρi表示任务i的优先级的加权值；ρi＝Pmax-pi，pi为用户指定的任务i的优先级，Pmax为所有任务的优先级的最大值加1；
βi表示任务i的延时时间的加权值；βi＝Dmax-|Ti-ei|，Dmax表示预设的所有任务的最大延迟，Ti表示任务i调度成功的开始执行时间，ei表示预设的任务i被成功执行的最早开始时间，|Ti-ei|表示任务i的延迟时间；
χim表示任务i被执行的情况；χim＝{0,1},i∈J,m∈M；若χim＝1，表明任务i被中继卫星m调度成功；否则，表明任务i调度失败。
6.根据权利要求5所述的方法，其特征在于，所述约束条件包括：
其中，公式二用于约束若一个任务调度成功，则该任务只能在一颗中继卫星上调度成功，否则认为该任务调度失败；
公式三中，χijm＝{0,1},i,j∈J,m∈M，若χijm＝1，表明中继卫星m执行完任务i后立即执行任务j；公式三用于约束若任意两个任务在被一颗中继卫星调度到用户航天器上，则中继卫星在同一时间只能为一个任务服务；
公式四用于约束在同一颗中继卫星上执行的任务能够有序执行，同时也约束一颗中继卫星在同一时刻只能执行一个任务；
公式五中，Wim＝Bi∩Aim，Bi表示用户指定的任务i被成功执行的最早开始时间与最晚结束时间构成的时间窗，Aim表示能够为任务i服务的中继卫星m的可见时间窗的集合，Wim表示中继卫星m上能为任务i服务的所有可用时间窗的集合；表示任务i是否在中继卫星m的可用时间窗w内，若则表明任务i在中继卫星m的可用时间窗w内；公式五用于约束任务只有在满足可见时间窗约束时，才可能被调度成功，且调度成功的任务执行时仅能在一个可用时间窗口内进行；
公式六中，di表示任务i的持续时间，di＝d0+di'，d0为中继卫星服务开始和终止阶段消耗的时间，di'为任务i实际的数据通信时间；εijm表示中继卫星m执行完任务i后立即执行任务j的交换时间；表示任务j被成功执行的最早开始时间与任务i被成功执行的最晚结束时间之间的时间段；Ti表示任务i调度成功的开始执行时间；公式六用于约束若任务i、任务j在同一颗中继卫星上执行时，且任务j在任务i之后执行，则任务j的开始执行时间Tj必须在任务i执行完Ti+di+εijm之后；
公式七中，οij表示任务i与任务j的执行顺序，οij＝{0,1},i,j∈J，若οij＝1，则表明任务i在任务j之前执行；公式七用于约束一颗中继卫星上的两个任务i,j发生资源冲突时，任务i,j的执行时间不能重叠；
公式八以及公式九中，为任务i在中继卫星m的可用时间窗w上的开始时间，为任务i在中继卫星m的可用时间窗w上的结束时间，其中，i∈J，m∈M，w∈Wim。公式八以及公式九用于约束任务要想被调度成功，就必须在一个可用时间窗内执行，其中公式八表示任务的开始执行时间必须大于或等于该可用时间窗的开始时间；公式九表示任务的结束时间必须小于或等于该可用时间窗的结束时间；
公式十中，ti表示用户指定的任务i被调度到用户航天器所经历的最大传播时延；v表示电磁波传播的速率，v＝3.0×108km/s；si表示任务i被调度到用户航天器所经历的总的传播距离，其中，sn表示地面站与中继卫星n之间的距离，smn表示中继卫星m与n之间的距离，表示中继卫星m在可用时间窗w上与用户航天器的距离；φi表示任务i是否满足传播时延的情况，φi＝{0,1},i∈J，若φi＝1，则表明任务i满足传播时延要求；公式十用于约束任务i被调度到用户航天器所经历的最大传播时延不大于用户指定的最大传播时延；
公式十一中，表明任务要想被成功调度的可执行时间必须在某一中继卫星与用户航天器之间的可用时间窗内。
7.根据权利要求1所述的方法，其特征在于，计算适应度值的步骤包括：
步骤一、对于当前执行序列中的第一个任务，选取能够执行该任务的所有中继卫星与用户航天器之间可见时间窗W1m中开始时间为最早的第一可见时间窗w(1)；
步骤二、判断所述第一可见时间窗w(1)是否在指定任务的最早开始时间与最晚结束时间之间；若否，则在W1m中删除所述第一可见时间窗w(1)，并记录任务选择的中继卫星M(1)＝0，以此来标记当前任务未调度成功，并重复步骤一；若是，则继续判断在该第一可见时间窗w(1)内，任务通过前向链路到用户航天器所经历的最大传播时延是否不大于用户指定的该任务的最大传播时延；
若否，则在W1m中删除该第一可见时间窗w(1)，并记录任务选择的中继卫星M(1)＝0，以此来标记当前任务未调度成功，并重复步骤一；若是，则令χ1m＝1，表明任务调度成功，并记录此时选择的中继卫星M(1)、用户航天器L(1)以及任务的开始执行时间
步骤三、对于当前序列中的第j(j≠1)个任务，选取能够执行该任务的所有中继卫星与用户航天器的可见时间窗Wjm中开始时间为最早的第二可见时间窗w(j)；
步骤四、判断第二可见时间窗w(j)是否在用户指定的任务最早开始时间与最晚结束时间之间；若否，则在Wjm中删除该第二可见时间窗w(j)，并记录任务选择的中继卫星M(j)＝0，以此来标记当前任务未调度成功，并重复步骤三；若是，则继续判断在该第二可见时间窗内，任务通过前向链路到用户航天器所经历的最大传播时延是否不大于用户指定的该任务的最大传播时延；
若否，则在Wjm中删除该可见时间窗w(j)，并记录任务选择的中继卫星M(j)＝0，以此来标记当前任务未调度成功，并重复步骤三；若是，则判断之前是否有第一任务与所述当前任务选择同一中继卫星资源；
若不存在第一任务，则令χjm＝1，表明任务调度成功，并记录此时选择的中继卫星M(j)、用户航天器L(j)以及任务的开始执行时间T(j)；若存在第一任务，则在第一任务中选择执行时间最晚的任务j'；
若任务j'满足以下两种情况之一：
情况一、且成立，则令χjm＝1，表明任务调度成功，并记录此时选择的中继卫星M(j)、用户航天器L(j)以及任务的开始执行时间T(j)，且
情况二、且则令χjm＝1，表明任务调度成功，并记录此时选择的中继卫星M(j)、用户航天器L(j)以及任务的开始执行时间T(j)，且T(j)＝tj'+dj'+εj'jm；
若情况一与情况二均不满足，则在Wjm中删除该可见时间窗w(j)，并记录任务选择的中继卫星M(j)＝0，以此来标记当前任务未调度成功，并重复步骤三；
步骤五、根据任务优先级以及任务的最早开始时间计算任务调度成功经历的延迟，以此计算出每一个任务的适应度值，将所有任务适应度值累加得到种群中个体的适应度值。
8.一种中继卫星任务调度装置，其特征在于，包括：
模型获取单元，用于获取预设的中继卫星任务调度约束规划模型，所述模型包含的适应度函数及约束条件；所述适应度函数，为用于在所述约束条件的约束下获得最优任务调度方案的目标函数；所述最优任务调度方案为使得更高优先级、传播时延更小的最多任务能够被成功执行的方案；
模型求解单元，用于基于自适应遗传模拟退火算法求解所述模型的最优解，并将所述最优解作为最优任务调度方案；
其中，基于自适应遗传模拟退火算法求解所述模型的最优解的步骤包括：
初始化种群规模、最大迭代次数以及遗传算法参数；
设置初始种群父代，将各任务在当前执行序列中的执行次序确定为所述初始种群父代的染色体基因；根据所述适应度函数及约束条件计算各个父代个体的适应度值、父代种群中个体的平均适应度值以及父代种群中的最大适应度值；
对任意两个不同的父代个体，求出其平均适应度值作为交叉个体的平均适应度值；根据交叉个体的平均适应度值以及遗传算法参数获得本次交叉概率，并仅在随机产生的交叉概率值小于所述交叉概率时才对这两个父代个体进行交叉操作；遍历所有父代个体，将交叉操作后得到的所有个体计入子代；
对于任意父代个体，将其适应度值作为突变个体初始的适应度值；基于模拟退火原理设置退火次数，根据各父代个体的适应度值以及遗传算法参数计算各父代个体对应的突变概率，并仅在随机产生的突变概率值小于所述突变概率时才对所述父代个体进行突变操作；计算突变后的新个体的适应度值，若小于所述初始适应度值，则重复执行突变操作，直至突变后的新个体的适应度值大于所述初始适应度值或重复次数达到所述退火次数；遍历所有父代个体，将突变操作后得到的所有个体计入子代；
计算所有交叉操作、突变操作产生的子代个体的适应度值，将所述子代个体按适应度值由大到小排序，保留前指定个数个子代个体的染色体基因用于下一次的遗传操作；其中，所述指定个数与所述种群规模相同；
若遗传算法的迭代次数达到所述最大迭代次数，则停止迭代选择当前种群中的适应度值最大的个体作为所述模型的最优解。
9.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710977520.1A CN107678850B (zh) | 2017-10-17 | 2017-10-17 | 中继卫星任务调度方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710977520.1A CN107678850B (zh) | 2017-10-17 | 2017-10-17 | 中继卫星任务调度方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107678850A true CN107678850A (zh) | 2018-02-09 |
| CN107678850B CN107678850B (zh) | 2020-07-07 |
Family
ID=61141649
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710977520.1A Expired - Fee Related CN107678850B (zh) | 2017-10-17 | 2017-10-17 | 中继卫星任务调度方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107678850B (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109190938A (zh) * | 2018-08-17 | 2019-01-11 | 中南大学 | 针对临时任务到达的中继卫星单址天线动态调度方法 |
| CN110389819A (zh) * | 2019-06-24 | 2019-10-29 | 华中科技大学 | 一种计算密集型批处理任务的调度方法和系统 |
| CN110543148A (zh) * | 2018-05-28 | 2019-12-06 | 华为技术有限公司 | 一种任务调度方法及装置 |
| CN111478727A (zh) * | 2020-05-29 | 2020-07-31 | 中国科学院微小卫星创新研究院 | 一种卫星星座的任务规划方法及系统 |
| CN111555794A (zh) * | 2020-04-16 | 2020-08-18 | 中国空间技术研究院 | 一种用于天基信息系统的资源分配方法 |
| CN111913786A (zh) * | 2020-06-10 | 2020-11-10 | 合肥工业大学 | 基于时间窗分割的卫星任务调度方法和系统 |
| CN113269324A (zh) * | 2021-05-31 | 2021-08-17 | 重庆两江卫星移动通信有限公司 | 一种基于遗传算法的低轨卫星时间窗规划方法及系统 |
| CN113411369A (zh) * | 2020-03-26 | 2021-09-17 | 山东管理学院 | 一种云服务资源协同优化调度方法、系统、介质及设备 |
| CN113852406A (zh) * | 2021-08-24 | 2021-12-28 | 合肥工业大学 | 多波束中继卫星任务调度方法和装置 |
| CN114781508A (zh) * | 2022-03-28 | 2022-07-22 | 中国人民解放军国防科技大学 | 基于聚类的卫星测控调度方法及系统 |
| CN115441936A (zh) * | 2022-09-02 | 2022-12-06 | 合肥工业大学 | 一种基于变邻域搜索启发式的中继卫星任务调度方法 |
| CN115460130A (zh) * | 2022-09-20 | 2022-12-09 | 重庆邮电大学 | 一种时间敏感网络中的多路径联合调度方法 |
| CN115712507A (zh) * | 2022-11-29 | 2023-02-24 | 上海船舶运输科学研究所有限公司 | 一种计算船舶网关任务优先级的方法 |
| CN116307241A (zh) * | 2023-04-04 | 2023-06-23 | 暨南大学 | 基于带约束多智能体强化学习的分布式作业车间调度方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104615869A (zh) * | 2015-01-22 | 2015-05-13 | 广西大学 | 一种基于相似度排挤的多种群模拟退火混合遗传算法 |
| CN106527132A (zh) * | 2016-11-10 | 2017-03-22 | 华南理工大学 | 基于遗传模拟退火算法的蛇形机器人运动控制方法 |
-
2017
- 2017-10-17 CN CN201710977520.1A patent/CN107678850B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104615869A (zh) * | 2015-01-22 | 2015-05-13 | 广西大学 | 一种基于相似度排挤的多种群模拟退火混合遗传算法 |
| CN106527132A (zh) * | 2016-11-10 | 2017-03-22 | 华南理工大学 | 基于遗传模拟退火算法的蛇形机器人运动控制方法 |
Non-Patent Citations (2)
| Title |
|---|
| 开彩红等: "基于人工蜂群算法的中继卫星任务调度研究", 《电子与信息学报2015年》 * |
| 林鹏等: "中继卫星系统的多星多天线动态调度方法", 《清华大学学报（自然科学版）2015年》 * |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110543148A (zh) * | 2018-05-28 | 2019-12-06 | 华为技术有限公司 | 一种任务调度方法及装置 |
| CN109190938A (zh) * | 2018-08-17 | 2019-01-11 | 中南大学 | 针对临时任务到达的中继卫星单址天线动态调度方法 |
| CN109190938B (zh) * | 2018-08-17 | 2022-04-19 | 中南大学 | 针对临时任务到达的中继卫星单址天线动态调度方法 |
| CN110389819A (zh) * | 2019-06-24 | 2019-10-29 | 华中科技大学 | 一种计算密集型批处理任务的调度方法和系统 |
| CN113411369B (zh) * | 2020-03-26 | 2022-05-31 | 山东管理学院 | 一种云服务资源协同优化调度方法、系统、介质及设备 |
| CN113411369A (zh) * | 2020-03-26 | 2021-09-17 | 山东管理学院 | 一种云服务资源协同优化调度方法、系统、介质及设备 |
| CN111555794A (zh) * | 2020-04-16 | 2020-08-18 | 中国空间技术研究院 | 一种用于天基信息系统的资源分配方法 |
| CN111555794B (zh) * | 2020-04-16 | 2022-04-12 | 中国空间技术研究院 | 一种用于天基信息系统的资源分配方法 |
| CN111478727A (zh) * | 2020-05-29 | 2020-07-31 | 中国科学院微小卫星创新研究院 | 一种卫星星座的任务规划方法及系统 |
| CN111478727B (zh) * | 2020-05-29 | 2022-02-11 | 中国科学院微小卫星创新研究院 | 一种卫星星座的任务规划方法及系统 |
| CN111913786A (zh) * | 2020-06-10 | 2020-11-10 | 合肥工业大学 | 基于时间窗分割的卫星任务调度方法和系统 |
| CN111913786B (zh) * | 2020-06-10 | 2022-09-30 | 合肥工业大学 | 基于时间窗分割的卫星任务调度方法和系统 |
| CN113269324A (zh) * | 2021-05-31 | 2021-08-17 | 重庆两江卫星移动通信有限公司 | 一种基于遗传算法的低轨卫星时间窗规划方法及系统 |
| CN113852406A (zh) * | 2021-08-24 | 2021-12-28 | 合肥工业大学 | 多波束中继卫星任务调度方法和装置 |
| CN113852406B (zh) * | 2021-08-24 | 2024-04-30 | 合肥工业大学 | 多波束中继卫星任务调度方法和装置 |
| CN114781508A (zh) * | 2022-03-28 | 2022-07-22 | 中国人民解放军国防科技大学 | 基于聚类的卫星测控调度方法及系统 |
| CN114781508B (zh) * | 2022-03-28 | 2024-11-01 | 中国人民解放军国防科技大学 | 基于聚类的卫星测控调度方法及系统 |
| CN115441936A (zh) * | 2022-09-02 | 2022-12-06 | 合肥工业大学 | 一种基于变邻域搜索启发式的中继卫星任务调度方法 |
| CN115441936B (zh) * | 2022-09-02 | 2023-09-26 | 合肥工业大学 | 一种基于变邻域搜索启发式的中继卫星任务调度方法 |
| CN115460130A (zh) * | 2022-09-20 | 2022-12-09 | 重庆邮电大学 | 一种时间敏感网络中的多路径联合调度方法 |
| CN115460130B (zh) * | 2022-09-20 | 2023-10-13 | 重庆邮电大学 | 一种时间敏感网络中的多路径联合调度方法 |
| CN115712507A (zh) * | 2022-11-29 | 2023-02-24 | 上海船舶运输科学研究所有限公司 | 一种计算船舶网关任务优先级的方法 |
| CN115712507B (zh) * | 2022-11-29 | 2023-11-14 | 上海船舶运输科学研究所有限公司 | 一种计算船舶网关任务优先级的方法 |
| CN116307241A (zh) * | 2023-04-04 | 2023-06-23 | 暨南大学 | 基于带约束多智能体强化学习的分布式作业车间调度方法 |
| CN116307241B (zh) * | 2023-04-04 | 2024-01-05 | 暨南大学 | 基于带约束多智能体强化学习的分布式作业车间调度方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107678850B (zh) | 2020-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107678850A (zh) | 中继卫星任务调度方法及装置 | |
| CN107678848A (zh) | 中继卫星任务调度约束规划模型的构建方法及装置 | |
| Chen et al. | A distributed method for dynamic multi-robot task allocation problems with critical time constraints | |
| CN108062246B (zh) | 用于深度学习框架的资源调度方法和装置 | |
| Sundar et al. | A hybrid artificial bee colony algorithm for the job-shop scheduling problem with no-wait constraint | |
| US10915846B2 (en) | Optimized menu planning | |
| CN106815644B (zh) | 机器学习方法和系统 | |
| Li et al. | A discrete teaching-learning-based optimisation algorithm for realistic flowshop rescheduling problems | |
| CN107967171B (zh) | 一种云环境下基于遗传算法的多工作流调度方法 | |
| CN109669452A (zh) | 一种基于并行强化学习的云机器人任务调度方法和系统 | |
| Stavrinides et al. | Scheduling real-time DAGs in heterogeneous clusters by combining imprecise computations and bin packing techniques for the exploitation of schedule holes | |
| CN110402431A (zh) | 使用有向无环图进行事件驱动的调度 | |
| CN104487947B (zh) | 域不可知的资源分配框架 | |
| M’hallah | An iterated local search variable neighborhood descent hybrid heuristic for the total earliness tardiness permutation flow shop | |
| US20140059054A1 (en) | Parallel generation of topics from documents | |
| Branke et al. | Evolutionary search for difficult problem instances to support the design of job shop dispatching rules | |
| CN110008015B (zh) | 边缘计算系统中有带宽限制的在线任务分派调度方法 | |
| WO2020086109A1 (en) | Receding horizon planning for logistics | |
| Deniziak et al. | Cost optimization of real-time cloud applications using developmental genetic programming | |
| CN108134851B (zh) | 数据传输的服务质量控制方法及装置 | |
| Stavrinides et al. | The impact of input error on the scheduling of task graphs with imprecise computations in heterogeneous distributed real-time systems | |
| Asheralieva et al. | Ultra-reliable low-latency slicing in space-air-ground multi-access edge computing networks for next-generation internet of things and mobile applications | |
| Asghari et al. | Bi-objective cloud resource management for dependent tasks using Q-learning and NSGA-3 | |
| Kaplan et al. | Simulated annealing and metaheuristic for randomized priority search algorithms for the aerial refuelling parallel machine scheduling problem with due date-to-deadline windows and release times | |
| JP2019209797A (ja) | 運転整理案の作成システムおよび作成方法 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Hu Xinyue Inventor after: Fang Jinghan Inventor after: Bright red Inventor before: Hu Xinyue Inventor before: Fang Jinghan Inventor before: Open rainbow |
|
| 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: 20200707 |