CN108052759A - 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 - Google Patents

Abstract

本发明涉及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，能够支持敏捷多星任务任务规划，针对敏捷卫星的特点，建立目标函数及约束分析模型，通过对构建的满足约束分析模型任务规划模型的求解，进行遗传搜索算法的选择，交叉，变异进行相邻任务间的冲突，对观测计划方案进行优化，生成满足约束条件的最佳观测计划，提高卫星资源利用率以及解决多敏捷卫星任务执行时效性问题，针对不同的任务情况，选择不同的处理方法，达到合理分配卫星资源，增加单轨观测任务数量，提高响应时效性。

Description

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

技术领域

本发明涉及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，属于卫星观测任务规划技术领域。

背景技术

非敏捷卫星成像任务规划中，仅考虑了卫星的侧视成像能力，国内外学者对此作了非常深入的研究。建立了包括点目标、区域目标、移动目标、异轨立体成像和多星规划的相关模型，并初步地实现了非敏捷卫星对地观测点目标间的任务合成观测。同时，针对不同模型建立了不同算法，分析了相应算法的优劣，比较和发展了新的复合算法，成果颇多。

目前国内外专门针对敏捷卫星任务规划的研究不多，这或许因为两个原因：一是与敏捷卫星的建设刚刚起步有关，二是该问题的研究具有一定敏感性。

国外主要工作研究静态环境下的集中式任务规划方法。法国LamaitreM等学者针对法国发射的Pleiades敏捷卫星的任务规划调度问题展开了研究，在构建约束规划模型的基础上，比较了约束规划、贪婪、动态规划以及局部搜索等四种算法，并指出了各自的适用范围。Habet和Vasquez针对敏捷卫星任务规划问题，在构造邻域时，采用了一致饱和邻域的思想，提出了禁忌算法对问题进行求解。DJamal和Habet等采用禁忌搜索算法来解决单敏捷卫星调度问题并通过约束传播来保证邻域的一致性。欧空局Romain Bourdel和GerardVerfaillie等研究了三颗同轨敏捷卫星的对地观测任务调度问题，并采用启发式方法求解问题。

在国内研究中李玉庆构建了敏捷卫星任务规划调度的数学模型，并采用了模拟退火算法和遗传算法相结合的混合遗传算法进行求解策略。向仍湘研究了敏捷卫星对地观测的工作原理及组织实施过程，提出了约束可满足的区域目标分解方法对区域目标分解问题进行求解，针对不同的敏捷卫星任务需求，设计了不同的求解算法。Agent方法在卫星任务规划调度，星地资源优化配置等方面已得到了应用。王冲研究了多星协同任务规划问题，分析了卫星约束条件。孙凯等人为解决任务资源匹配子问题提出了学习型遗传求解算法，其构建的知识模型采取了在算法迭代过程中不断学习和提取知识的策略，并及时反馈并引导算法对任务资源匹配的寻优搜索过程。采用后移滑动策略及最优插入位置搜索策略解决单星任务处理子问题。郭浩等人研究了灵巧卫星遥感器侧摆角的计算并对敏捷成像卫星的密集任务进行了聚类，设计了一种基于最大最小蚂蚁系统的聚类算法，但是上述现有技术中存在敏捷卫星任务规划中资源效率低，时效性差等缺点。

发明内容

本发明所要解决的技术问题是提供一种基于遗传算法的敏捷多星任务观测计划求解方法，针对多个敏捷卫星和任务需求的特点，综合约束分析模型和任务规划算法优化，有效利用卫星资源，提高任务规划效率，并满足用户观测需求请求。

本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种基于遗传算法的敏捷多星任务观测计划求解方法，包括如下步骤：

步骤A.根据单颗敏捷卫星在规划周期轨道圈次内，卫星沿侧摆、卫星沿俯仰以及卫星沿翻滚三个自转轴的姿态机动角速度及其之间的几何关系，将待观测目标区域动态分解成多个元任务，以及其对应的多个可见时间窗口，并构建元任务集合；

步骤B.分别构建满足姿态机动稳定约束条件的单星任务规划优化数学模型，以及满足卫星能量约束条件的单星任务规划优化数学模型；

步骤C.针对元任务集合中的多个可见时间窗口进行编码，并基于此针对满足姿态机动稳定约束条件的单星任务规划优化数学模型，以及满足卫星能量约束条件的单星任务规划优化数学模型，计算获得同时满足上述两个约束条件单星任务规划优化数学模型最大值所对应的观测计划。

作为本发明的一种优选技术方案：所述步骤C中，采用遗传搜索算法针对元任务集合中的多个可见时间窗口进行编码，并基于此针对满足姿态机动稳定约束条件的单星任务规划优化数学模型，以及满足卫星能量约束条件的单星任务规划优化数学模型，以适应度函数作为操作依据，运用解空间中每个个体的适应度值来进行搜索，通过选择、交叉和变异三个算子的遗传操作，获得同时满足上述两个约束条件单星任务规划优化数学模型最大值所对应的观测计划。

作为本发明的一种优选技术方案，所述步骤A具体包括如下：

根据点目标P经纬度坐标卫星轨道高度h，卫星轨道倾角τ，地球半径R，相机视场角φ，遥感器侧摆角范围[α_min，α_max]，规划周期T；设卫星观测角β_t，星下点坐标为原理公式如下：

计算卫星的最小观测角β_min和最大观测角β_max：

计算星下点经纬度：

其中，圆心角C为

C＝arcsin((1+h/R)sinβ_t)-β_t

计算驻点：

确定单调区间：

如果且β_max＞β₀，函数u＝f(β)在[β_min，β₀]上单调递减，在[β₀，β_max]上单调递增；

如果且β_min＜β₀，函数u＝f(β)在[β_min，β₀]上单调递增，在[β₀，β_max]上单调递减；

如果且β_max≤β₀，函数u＝f(β)在[β_min，β_max]上单调递减；

如果且β_min≥β₀，函数u＝f(β)在[β_min，β_max]上单调递减；

判断是否存在可见时间窗口。

与上述相对应，本发明还要解决的技术问题是提供一种用于基于遗传算法的敏捷多星任务观测计划求解方法的系统，针对多个敏捷卫星和任务需求的特点，综合约束分析模型和任务规划算法优化，有效利用卫星资源，提高任务规划效率，并满足用户观测需求请求。

本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种用于基于遗传算法的敏捷多星任务观测计划求解方法的系统，包括复杂任务区域动态分解模块、任务规划数学建模与约束分析模块、遗传算法求解模型模块，其中：

复杂任务区域动态分解模块根据用户的观测需求以及卫星自身的资源情况，对观测区域动态分解为卫星一次可执行观测的条带目标；

任务规划数学建模与约束分析模块为了对卫星任务规划观测计划进行优化与资源合理的分配，依据卫星等资源约束条件，进行多卫星任务规划数学模型构建；

遗传算法求解模型模块依据任务约束、资源约束以及它们之间的关系，对建立满足的任务规划数学模型进行遗传算法求解，按照约束条件，生成合理的任务观测计划方案。

本发明所述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，采用以上技术方案与现有技术相比，具有以下技术效果：本发明所设计基于遗传算法的敏捷多星任务观测计划求解方法及系统中，采用复杂任务区域动态分解策略：根据敏捷卫星的俯仰，翻滚，偏航特点，利用计算的星下点规划对规划周期内复杂区域目标进行动态划分，生成不同条带的元任务集合；采用任务规划数学模型优化策略：依据复杂区域分解的元任务集合，结合约束分析条件进行任务间时间窗口冲突问题的调整与修正，实现卫星资源的合理分配利用和给出满足不同约束的最佳的任务观测计划方案；采用遗传算法求解策略：依据卫星自身资源的条件以及卫星与任务间的几何关系，对构建的任务规划数学模型进行求解，与约束分析模型进行判定，生成满足不同约束条件的任务规划方案；整个技术方案有效克服敏捷卫星任务规划中资源效率低，时效性差等技术不足，针对多个敏捷卫星和任务需求的特点，综合约束分析模型和任务规划算法优化，有效利用卫星资源，提高任务规划效率，并满足用户观测需求请求。

附图说明

图1是本发明基于遗传算法的敏捷多星任务观测计划求解方法流程图。

具体实施方式

下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。

本发明的任务规划求解方法依据用户的观测需求，对观测区域目标进行动态任务分解，建立任务规划约束分析模型进行遗传搜索算法的求解，对具有多个可见时间窗口的元任务进行优化调整，生成满足约束条件的观测计划方案，从而提高卫星资源利用效率和任务观测时效性。

本发明设计了一种基于遗传算法的敏捷多星任务观测计划求解方法，基于遗传算法的敏捷多星任务观测计划求解方法，实际应用中，如图1所示，具体包括如下步骤：

步骤A.根据单颗敏捷卫星在规划周期轨道圈次内，卫星沿侧摆、卫星沿俯仰以及卫星沿翻滚三个自转轴的姿态机动角速度及其之间的几何关系，将待观测目标区域动态分解成多个元任务，以及其对应的多个可见时间窗口，并构建元任务集合，具体如下：

根据点目标P经纬度坐标卫星轨道高度h，卫星轨道倾角τ，地球半径R，相机视场角φ，遥感器侧摆角范围[α_min，α_max]，规划周期T；设卫星观测角β_t，星下点坐标为原理公式如下：

计算卫星的最小观测角β_min和最大观测角β_max：

计算星下点经纬度：

其中，圆心角C为：

C＝arcsin((1+hR)sinβ_t)-β_t

计算驻点：

确定单调区间：

如果且β_max＞β₀，函数u＝f(β)在[β_min，β₀]上单调递减，在[β₀，β_max]上单调递增；

如果且β_min＜β_0.，函数u＝f(β)在[β_min，β₀]上单调递增，在[β₀，β_max]上单调递减；

如果且β_max≤β₀，函数u＝f(β)在[β_min，β_max]上单调递减；

如果且β_min≥β₀，函数u＝f(β)在[β_min，β_max]上单调递减；

判断是否存在可见时间窗口。

步骤B.分别构建满足姿态机动稳定约束条件的单星任务规划优化数学模型，以及满足卫星能量约束条件的单星任务规划优化数学模型。

步骤C.采用遗传搜索算法针对元任务集合中的多个可见时间窗口进行编码，并基于此针对满足姿态机动稳定约束条件的单星任务规划优化数学模型，以及满足卫星能量约束条件的单星任务规划优化数学模型，以适应度函数作为操作依据，运用解空间中每个个体的适应度值来进行搜索，通过选择、交叉和变异三个算子的遗传操作，获得同时满足上述两个约束条件单星任务规划优化数学模型最大值所对应的观测计划。

上述步骤C具体包括：编码，编码机制是遗传操作的基础，由于遗传算法通常不直接处理问题空间的数据，而是在一定编码机制对应的码空间上进行的，因此编码机制的选择在很大程度上决定了算法的性能与效率。本算法采用二进制机制，二进制编码是将问题的解用一个二进制字符串来表示。初始化种群，编码之后的任务是初始群体的设定，并以此为起点一代代地进化直到按照某种进化终止准则实行终止。在运用遗传算法进行求解的过程中，适应度函数作为操作依据，运用解空间中每个个体的适应度值来进行搜索。适应度值可以表明个体对环境适应能力的强弱，是区分群体中个体好坏的标准。个体的适应度高，被选择的概率就高；反之，被选择的概率就低。本算法主要考虑的优化目标包含任务收益率和任务完成率，则适应度函数为任务率和任务完成率的加权。

遗传搜索算法对任务规划优化模型的求解操作：编码、初始化、适应度值计算、选择、交叉和变异六个算子。(1)编码：染色体编码是将模型划分成若干段，每段代表一种载荷类型的任务规划。假设本轮规划有q种类型图像需要拍摄，在每一段(即同一类型载荷规划)中，将各元任务的执行窗口依编号顺序排列形成本段的染色体编号。(2)初始化：采用某种策略(随机生成或启发式)，产生一定大小的初始化种群。(3)适应度计算：计算当前种群种每个个体的目标向量。(4)选择：适应度值是判断染色体优良与否的标准，个体的适应度值越大，它被选择的机会就越多。本算法的选择方法是适应度比例选择方法，在该方法中个体的选择概率与它的适应度值成正比。(5)交叉：交叉又被称为重组或配对，它是结合来自父代染色体的特征，组合出新的染色体，对解空间进行有效搜索，同时又降低对有效模式的破坏概率。本算法采用多点交叉。交叉概率用来控制交叉操作发生的概率。交叉概率过大时，种群中个体的更新很快，变化较大，会使得适应度的个体也被很快破坏掉。若交叉概率很小，交叉操作很少执行，会使得搜索停滞不前。本算法(6)变异：选择和交叉是产生新个体的主要方式，而变异是产生新个体的辅助手段，但它也是遗传算法必不可少的步骤。进行变异操作时，变异概率不宜过大。

针对上述所设计基于遗传算法的敏捷多星任务观测计划求解方法，本发明进一步设计了用于上述基于遗传算法的敏捷多星任务观测计划求解方法的系统，具体复杂任务区域动态分解模块、任务规划数学建模与约束分析模块、遗传算法求解模型模块，其中：

复杂任务区域动态分解模块根据用户的观测需求以及卫星自身的资源情况，对观测区域动态分解为卫星一次可执行观测的条带目标；

任务规划数学建模与约束分析模块为了对卫星任务规划观测计划进行优化与资源合理的分配，依据卫星等资源约束条件，进行多卫星任务规划数学模型构建；

遗传算法求解模型模块依据任务约束、资源约束以及它们之间的关系，对建立满足的任务规划数学模型进行遗传算法求解，按照约束条件，生成合理的任务观测计划方案。

基于上述所设计方法，在实际的具体应用中，按如下具体步骤进行执行：

(1)判断目标任务类型是否是复杂复杂区域目标，如果是，进行步骤(2)，否不进行分解。

(2)复杂区域目标动态任务分解，计算星下点经纬度，计算驻点，确定单调区间，判断是否存在可见时间窗口。

(3)多星任务规划数学模型的建立，对目标函数包括收益率、完成率等优化目标函数建立，进入步骤(4)，否则进入步骤(7)。

(4)利用遗传搜索算法进行对步骤(2)中的元任务时间窗口编码，进行初始适应度值计算，(5)，否则进入步骤(6)。

(5)步骤(4)中遗传搜索算法选择操作，选择：适应度值是判断染色体优良与否的标准，个体的适应度值越大，它被选择的机会就越多。进入步骤(6)。

(6)交叉：交叉又被称为重组或配对，它是结合来自父代染色体的特征，组合出新的染色体，对解空间进行有效搜索，同时又降低对有效模式的破坏概率，进入步骤(7)。

(7)变异：选择和交叉是产生新个体的主要方式，而变异是产生新个体的辅助手段，但它也是遗传算法必不可少的步骤。进行变异操作时，变异概率不宜过大，进入步骤(8)。

(8)生成循环迭代一次的观测计划方案，进入步骤(9)

(9)调入约束分析数学模型的，进入步骤(10)。

(10)判断是否满足约束分析的条件，如果是满足生成最终的可执行计划方案，如果否，转入步骤(4)，继续步骤(5)、步骤(6)、步骤(7)和步骤(8)。

(15)结束本次任务规划方案选择。

上述技术方案所设计的基于遗传算法的敏捷多星任务观测计划求解方法及系统中，采用复杂任务区域动态分解策略：根据敏捷卫星的俯仰，翻滚，偏航特点，利用计算的星下点规划对规划周期内复杂区域目标进行动态划分，生成不同条带的元任务集合；采用任务规划数学模型优化策略：依据复杂区域分解的元任务集合，结合约束分析条件进行任务间时间窗口冲突问题的调整与修正，实现卫星资源的合理分配利用和给出满足不同约束的最佳的任务观测计划方案；采用遗传算法求解策略：依据卫星自身资源的条件以及卫星与任务间的几何关系，对构建的任务规划数学模型进行求解，与约束分析模型进行判定，生成满足不同约束条件的任务规划方案；整个技术方案有效克服敏捷卫星任务规划中资源效率低，时效性差等技术不足，针对多个敏捷卫星和任务需求的特点，综合约束分析模型和任务规划算法优化，有效利用卫星资源，提高任务规划效率，并满足用户观测需求请求。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变动。

Claims (4)

1.一种基于遗传算法的敏捷多星任务观测计划求解方法，其特征在于，包括如下步骤：

步骤A.根据单颗敏捷卫星在规划周期轨道圈次内，卫星沿侧摆、卫星沿俯仰以及卫星沿翻滚三个自转轴的姿态机动角速度及其之间的几何关系，将待观测目标区域动态分解成多个元任务，以及其对应的多个可见时间窗口，并构建元任务集合；

步骤B.分别构建满足姿态机动稳定约束条件的单星任务规划优化数学模型，以及满足卫星能量约束条件的单星任务规划优化数学模型；

步骤C.针对元任务集合中的多个可见时间窗口进行编码，并基于此针对满足姿态机动稳定约束条件的单星任务规划优化数学模型，以及满足卫星能量约束条件的单星任务规划优化数学模型，计算获得同时满足上述两个约束条件单星任务规划优化数学模型最大值所对应的观测计划。

2.根据权利要求1所述的基于遗传算法的敏捷多星任务观测计划求解方法，其特征在于：所述步骤C中，采用遗传搜索算法针对元任务集合中的多个可见时间窗口进行编码，并基于此针对满足姿态机动稳定约束条件的单星任务规划优化数学模型，以及满足卫星能量约束条件的单星任务规划优化数学模型，以适应度函数作为操作依据，运用解空间中每个个体的适应度值来进行搜索，通过选择、交叉和变异三个算子的遗传操作，获得同时满足上述两个约束条件单星任务规划优化数学模型最大值所对应的观测计划。

3.根据权利要求1所述的基于遗传算法的敏捷多星任务观测计划求解方法，其特征在于，所述步骤A具体包括如下：

根据点目标P经纬度坐标卫星轨道高度h，卫星轨道倾角τ，地球半径R，相机视场角φ，遥感器侧摆角范围[α_min，α_max]，规划周期T；设卫星观测角β_t，星下点坐标为原理公式如下：

计算卫星的最小观测角β_min和最大观测角β_max：

<mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>&amp;beta;</mi> <mi>min</mi> </msub> <mo>=</mo> <msub> <mi>&amp;alpha;</mi> <mi>min</mi> </msub> <mo>-</mo> <mi>&amp;phi;</mi> <mo>/</mo> <mn>2</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>&amp;beta;</mi> <mi>max</mi> </msub> <mo>=</mo> <msub> <mi>&amp;alpha;</mi> <mi>max</mi> </msub> <mo>+</mo> <mi>&amp;phi;</mi> <mo>/</mo> <mn>2</mn> </mrow> </mtd> </mtr> </mtable> </mfenced>

计算星下点经纬度：

其中，圆心角C为

C＝arcsin((1+h/R)sinβ_t)-β_t

计算驻点：

确定单调区间：

如果且β_max＞β₀，函数u＝f(β)在[β_min，β₀]上单调递减，在[β₀，β_max]上单调递增；

如果且β_min＜β₀，函数u＝f(β)在[β_min，β₀]上单调递增，在[β₀，β_max]上单调递减；

如果且β_max≤β₀，函数u＝f(β)在[β_min，β_max]上单调递减

如果且β_min≥β₀，函数u＝f(β)在[β_min，β_max]上单调递减；

判断是否存在可见时间窗口。

4.一种用于权利要求1～3任意一项所述的基于遗传算法的敏捷多星任务观测计划求解方法的系统，其特征在于：包括复杂任务区域动态分解模块、任务规划数学建模与约束分析模块、遗传算法求解模型模块，其中：

复杂任务区域动态分解模块根据用户的观测需求以及卫星自身的资源情况，对观测区域动态分解为卫星一次可执行观测的条带目标；

任务规划数学建模与约束分析模块为了对卫星任务规划观测计划进行优化与资源合理的分配，依据卫星等资源约束条件，进行多卫星任务规划数学模型构建；

遗传算法求解模型模块依据任务约束、资源约束以及它们之间的关系，对建立满足的任务规划数学模型进行遗传算法求解，按照约束条件，生成合理的任务观测计划方案。