CN108256671A - 一种基于学习型遗传算法的多任务多资源滚动分配方法 - Google Patents

Abstract

本发明公开了一种基于学习型遗传算法的多任务多资源滚动分配方法，其采用滚动时域控制原理，构建多任务多资源动态滚动分配机制，包括确定预测窗口、滚动窗口、分配子问题和滚动机制要素；通过当前预测窗口对任务信息实时更新，在预测窗口基础上确定当前滚动窗口；分配子问题是在每个规划时刻，根据当前滚动窗口构造的局部分配问题；滚动机制用于确定分配子问题求解后分配方案结束的执行位置和下一个规划时刻；通过滚动分配机制将复杂动态分配问题转化为滚动更新的静态分配问题。本发明采用滚动式动态规划把复杂的动态调度问题分解为多个简单的静态调度子问题，再对子问题的优化解进行组合，从而代替原问题的最优解，大大降低了原问题的求解难度。

Description

一种基于学习型遗传算法的多任务多资源滚动分配方法

技术领域

本发明涉及遥感卫星技术领域，尤其涉及一种观测任务分配方法，特别是一种基于学习型遗传算法的多任务多资源滚动分配方法。

背景技术

遥感卫星是(remote sensing satellite)用作外层空间遥感平台的人造卫星。用卫星作为平台的遥感技术称为卫星遥感。通常，遥感卫星可在轨道上运行数年。卫星轨道可根据需要来确定。遥感卫星能在规定的时间内覆盖整个地球或指定的任何区域，当沿地球同步轨道运行时，它能连续地对地球表面某指定地域进行遥感。所有的遥感卫星都需要有遥感卫星地面站，卫星获得的图像数据通过无线电波传输到地面站，地面站发出指令以控制卫星运行和工作。遥感卫星主要有气象卫星、“陆地卫星”和“海洋卫星”三种类型。

在未来十年到二十年里，我国可用的遥感卫星数目将急剧增加数百颗(如吉林一号卫星群，到2030年将实现138颗卫星在轨运行)，不同行业的众多用户每天提交的成像观测需求将突破数万条，如何将这些众多用户提交的大量成像任务有效地分配给不同遥感卫星，目前尚缺乏有效的理论和技术支撑。

发明内容

为了解决现有技术中的问题，本发明的目的是提供一种观测任务分配方法(多任务多资源动态滚动分配方法)，或者一种基于学习型遗传算法的多任务多资源滚动分配方法，所述方法采用多任务多资源动态滚动分配机制，通过把复杂的动态调度问题分解为多个简单的静态调度子问题，再对子问题的优化解进行组合，从而代替原问题的最优解，这样大大降低了原问题求解的难度。

为此，本发明提供一种观测任务分配方法(多任务多资源动态滚动分配方法)，或者一种基于学习型遗传算法的多任务多资源滚动分配方法，所述方法采用层次化分布式自主协同任务架构，多星任务协调器将滚动窗口内的任务集合分配给下辖的多颗智能卫星，各智能卫星利用其星上调度器对被分配的新任务和已有任务进行调度，在当前滚动窗口的起始时刻，多星任务协调器对任务信息进行更新，删除上一滚动窗口内已经完成的任务以及在所述起始时刻正在执行的任务，并将上一滚动窗口内未分配的任务、以及在上一滚动窗口内到达的新任务组合成当前滚动窗口内的任务集合，且所述多星任务协调器将该任务集合向所述多颗智能卫星进行分配，其中，基于混合触发模式来确定滚动窗口的起始时刻，一方面，每隔一个时间段触发滚动分配，该时间段为恒定的或根据预先设定的规则动态变化；另一方面，在出现使系统状态发生改变的事件或在受到人工干预时触发滚动分配。

优选地，一方面，所述时间段根据测控周期设置；另一方面，所述使系统状态发生改变的事件包括：接收到应急观测任务，且积累的未分配应急观测任务达到五件或者是所述多星任务协调器下辖的智能卫星数的5％。

优选地，所述多星任务协调器包括地面站和地球静止轨道通信卫星，在测控周期之内，所述地面站进行任务分配；在测控周期之外，所述地球静止轨道通信卫星进行任务分配，且所述应急观测任务由所述智能卫星生成。

优选地，各智能卫星的星上调度器的任务调度策略如下：

(1)在T-驱动的调度时刻点，采用渐进式方法中的完全重调度策略，生成下一个周期时间区间内的新任务计划，T-驱动的调度时刻点是根据给定的时间间隔T来确定特定的调度时间点lT，0≤l≤L,LT≤H＜(L+1)T，每到达一个调度时间点lT，则计算生成后一调度区间[lT,(l+1)T]的任务计划，其中l为正整数，T为给定的时间间隔，L为最大T-驱动调度次数，H为总调度区间，

(2)在C^*-驱动的重调度时刻点，采用修订式方法中的调度计划修复策略，当卫星运行在给定的调度区间内时，若在某一时刻t(0＜t＜H)，星上的应急观测任务累积量C_t超过给定的阈值C^*时，则执行重调度计算，其中阈值C^*为应急观测任务的临界累积数，

除上述两种调度时刻点之外，不在任何其他时刻点进行调度。

优选地，在T-驱动的调度时刻点的调度算法如下：

输入：

–已到达且在T-驱动调度时刻点之前未被调度的应急观测任务集合；

–已接收且在T-驱动调度时刻点之前未被调度的常规观测任务集合；

输出:

--下一时间周期T内的调度计划；

具体步骤如下：

步骤11分别从和中选取时间窗口是否落入下一个时间周期T内的常规观测任务和应急观测任务，生成待调度求解的常规观测任务集合和应急观测任务集合

步骤12将和整合为一个观测任务集合；

步骤13按照设定的启发式规则，对整合后的观测任务集合中的任务进行排序；

步骤14按照排序，对所述整合后的观测任务集合中的任务一一进行调度，以确定是否将之加入到中，直至所述整合后的观测任务集合中再无任务可加入中，

步骤15输出下一时间周期T内的调度计划

在C^*-驱动的重调度时刻点的调度算法如下：

输入：

—在本时间周期T内且晚于C^*-驱动调度时刻点t的调度计划；

—在调度时刻点t之前已到达且未调度的应急观测任务集合；

输出:

—在时间t时已修订的调度计划，

具体步骤如下：

步骤21根据观测时间窗口处于时间t到下一个T-驱动调度时刻点这一时间区间内的条件，从任务集合中选取应急观测任务，生成新的任务集合

步骤22根据设定的启发式规则，对中的应急观测任务进行排序；

步骤23按照新的任务次序，一一选取中的应急观测任务并对进行修订，直至中再无应急观测任务可加入中，

步骤24输出已修订的调度计划

优选地，多星任务协调器采用设定的滚动分配机制将滚动窗口内的任务集合分配给下辖的多颗智能卫星，所述滚动分配机制从用户偏好和任务场景特征信息中提取规则，并将所述规则应用于遗传算法的交叉操作和变异操作。

优选地，多星任务协调器采用设定的滚动分配机制将滚动窗口内的任务集合分配给下辖的多颗智能卫星，所述滚动分配机制包括以下步骤：

S1、适应度评价：采用基于TOPSIS方法的多目标函数适应度评价，同时在不同场景竞争度指标下存储并提取用户偏好，进行优化目标的权重分配；

S2、种群初始化：采用基于启发式规则的初始化种群生成，在提高初始种群质量基础上同时保证初始种群的随机分布；

S3、选择操作：在对选择算子进行改进的同时，不断学习迭代过程中出现好解的个体构件组合知识、个体中任务的资源竞争度知识，并应用于接下来的交叉与变异操作；

S4、交叉操作：在个体构件组合知识的指导下，以不同概率进行交叉位置的选择，同时采用多次操作取最优的策略，保证交叉操作的有效性；

S5、变异操作：在任务的资源竞争度知识的指导下，以不同概率选择个体变异操作位置，同时也采用多次操作取最优的策略，提高变异操作效率；

S6、局部搜索：采用局部随机与确定搜索相结合的策略，其中确定性搜索基于个体平台剩余能力排序的任务交流规则进行；

S7、种群替换：加入用户任务锁定规则生成替换种群，在保证用户对任务偏好提取的基础上，同时实现算法跳出局部最优的能力。

本发明还提供一种基于学习型遗传算法的多任务多资源滚动分配方法，其采用滚动时域控制原理，构建多任务多资源动态滚动分配机制，包括确定预测窗口、滚动窗口、分配子问题和滚动机制要素；通过当前预测窗口对任务信息进行实时更新，在预测窗口的基础上确定当前滚动窗口；分配子问题是在每个规划时刻，根据当前滚动窗口构造的局部分配问题；滚动机制用于确定分配子问题求解后分配方案结束的执行位置和下一个规划时刻；通过滚动分配机制将复杂动态分配问题转化为滚动更新的静态分配问题。

优选的方案，通过当前预测窗口对任务信息进行实时更新的内容包括增加任务、删除任务或修改任务属性信息。

进一步优选的方案，所述滚动分配机制是从用户偏好和任务场景特征信息中提取规则，并在优化过程中挖掘相关知识来指导后续优化过程，从而获得比较满意的优化效果。

所述滚动式动态规划框架采用基于测控窗口为周期的滚动式动态调度方法，把复杂的动态调度问题分解为多个简单的静态调度子问题，再对子问题的优化解进行组合，从而代替原问题的最优解。

所述构建动态任务状态更新机制是指在不同调度时刻及时更新任务状态，以获取更加完备的信息来指导规划调度；根据任务在不同时刻的状态可将任务分为已完成任务、正在执行任务、等待执行任务及新到达任务。

所述滚动式动态任务规划触发模式包括周期触发模式、事件触发模式和混合触发模式。所述周期触发模式是针对常规任务每隔一段时间进行一次规划，该时间段为均匀恒定的或动态变化的，如测控周期触发或值班周期触发，基于值班周期触发模式能够保证规划频率的稳定性，操作实现较为简单，但是该模式当周期较长时，无法为高时效性任务提供及时的规划服务，且应对系统状态变化的能力也是非常有限的；所述事件触发模式是指在出现使系统状态发生改变的事件，或在受到人工干预时开始执行规划，如有新任务到达、卫星状态发生变化、决策部门提出规划需求等情况发生时，事件触发模式对规划环境具备较高的敏感性，能够及时处置应急任务，但由于规划频繁，当任务数量较多时，算法的时间复杂度较高，事件触发主要是任务触发模式；所述混合触发模式为事件触发与周期触发相结合的触发模式，它能够兼获两种触发模式的优点，具备及时处置应急任务的能力，并且算法的时间复杂度有限。多任务多资源滚动分配模式主要为以应急任务触发的对已有规划方案进行动态调整的动态重规划和以测控点周期性触发的滚动式任务规划的混合触发模式。

所述滚动时间窗口的选取策略是将任务按照到达顺序划分为具有一定重叠、但随着规划时刻不断向前推进的任务集合，在每次规划时，仅对当前滚动窗口内的任务进行规划，随着规划时刻的推进，新任务被不断加入，而完成规划的任务则被逐渐删除，从而实现滚动窗口的更新。

通过采用以上技术方案，本发明的基于学习型遗传算法的多任务多资源滚动分配方法与现有技术相比，其有益效果为：

本发明采用多任务多资源动态滚动分配机制，通过把复杂的动态调度问题分解为多个简单的静态调度子问题，再对子问题的优化解进行组合，从而代替原问题的最优解，这样大大降低了原问题求解的难度。

附图说明

图1为本发明多任务多资源的滚动分配机制的示意图；

图2为本发明基于学习型遗传算法的多任务多资源分配框架图；

图3为本发明的动态任务状态分类图；

图4为本发明动态任务规划触发模式；

图5为本发明的滚动优化策略示意图。

图6示出层次化分布式自主协同任务规划体系结构。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实例，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

本发明研究对象为智能遥感卫星网络。智能遥感卫星(简称智能卫星)是指正在研发的或未来发展的新型遥感卫星。在本发明中，智能卫星一般具有自我感知(如资源发现和环境感知)、自主决策(如复杂任务处理、在线任务规划和遥感图像处理)和在线协同(多颗卫星协同完成复杂任务)等现有遥感卫星所不具备的智能化能力。智能遥感卫星网络是多要素构成的综合性信息系统，由不同轨道、不同类型和不同性能的智能遥感卫星及地面支持系统通过星地、星间链路构成的天地一体化综合系统。该网络具有自主运行管理能力及智能化的信息获取、储存、处理和分发能力，能与陆、海、空基的信息系统互联，实现信息的多元、立体共享。

智能卫星平台和载荷逐渐体现出高敏捷性、快速响应和组网协同等新特点。

第一、越来越复杂的成像模式迫切要求突破星上自主任务规划技术。高敏捷性使得智能卫星支持越来越复杂的成像模式，传统离线任务规划模式已不适用于智能卫星，迫切需要探索星上自主任务规划技术。

第二、越来越高的服务质量迫切要求突破星上自主任务规划技术。气象、地形和卫星姿态等成像条件都会对成像质量造成显著影响。由于成像条件无法在地面精确预测，智能卫星必须具有星上自主任务规划能力才能合理选择成像姿态和时机，从而选择最优观测姿态及时机实现对给定目标的高质量成像。

第三、越来越多的复杂任务迫切要求突破星上自主协同任务规划技术。不同用户的各种任务需求越来越复杂(如立体成像、移动目标跟踪等)，迫切需要多颗智能卫星之间根据实际情况自主地进行沟通和协同。

综上，传统地面离线任务规划模式已无法解决智能卫星面临的各种挑战，必须在充分考虑高敏捷性、协同性、分布性和自主性等特点的基础上，研究面向智能卫星网络的自主协同任务规划技术。

现有遥感卫星系统一般采用集中任务规划模式，对所辖资源进行集中统一规划调度。当观测平台数量、任务数量和数传资源数量大幅增加时，集中任务规划问题的复杂度将呈指数级增长，现有架构已经难以满足要求。本发明提出对多星自主协同任务规划问题进行分层分解处理，建立有效的分层和协同运行机制。

本发明基于双层规划理论探索一种新型自主协同任务规划架构。通过任务可调度性预测构建顶层多平台多任务协同分配机制，根据任务特点和资源特性将多个任务分配至各颗卫星；通过智能优化和约束推理构建底层的自主任务规划机制，为分配到当前卫星的不同任务自主地安排观测活动。通过对多星自主协同任务规划问题的预先统筹分配和分布式处理，层次化分布式自主协同任务规划架构可极大降低问题求解的复杂度。

双层规划理论及模型在应对具有多层次特性的决策优化问题方面具备独特的适应性，也非常适合分布式协同机制下的多星自主协同任务规划问题。分布式协同强调的是各子问题之间通过顶层协调单元的信息交互。分布式协同机制下多星自主协同任务规划问题适合采用双层规划问题数学模型进行描述，相关建模求解技术可以借鉴：可将多星自主协同规划过程分为顶层多平台多任务协同分配与底层单平台的自主规划两个相互结合、紧密连接的决策过程(如图6)。图6中上层为多平台多任务动态分配，通过该分配过程将根据任务特点和资源特性将任务分配至各个观测资源。

层次化分布式自主协同任务规划模式，在集中式协同任务规划的基础上增加了一个总控级别的协调器，并且取消了多星联合调度器，对于每颗卫星的调度使用其专用的单星任务调度。协调器管控级别较高，协调器对任务进行任务约束解析，根据任务要求以及下辖观测资源的状态，通过特定分配算法将任务分配到每个观测资源上去，并将任务处理成单星调度器直接识别的元任务，再由调度器执行调度算法生成各自观测资源的观测方案。各单星调度器可以向协调器反馈单星调度结果，未完成的任务协调器可以依据其他卫星的状态进行再次分配，通过若干次的反馈再分配机制，可以促进分配方案的合理化，从而促进资源使用的更加高效。

当新任务到达较少时，协调器可根据任务特征以及已有的单星任务执行方案将该任务分配给某个或某几颗卫星，从而触发这几颗卫星的调度流程，对于未有新分配任务的单星继续执行已有方案，从而实现多星的异步管控，增强了观测资源管理的灵活性。本模式在一定程度上避免了多星调度统一建模的复杂性，将调度问题的进行分层处理，增强了系统的重用性，也增强了系统可拓展性，如果临时增加或者临时减少协同卫星，只需要在多星任务协调器处进行修改。

层任务规划将复杂问题进行预先统筹分配、分布式处理，大大降低问题的求解复杂度，然而能否合理建立两个层次决策变量之间的衔接关系则是决定分层任务规划有效性的关键。本项目将通过研究合理的任务可调度性预测方法来解决这一衔接难题。任务可调度性预测的作用就是在顶层任务预规划阶段，预先估计下层各平台调度结果，以此作为任务分配的依据，避免后期调度结果反馈的滞后性导致前期任务分配的盲目性。

具体地，本发明集中研究如何将多个观测任务分配给多个观测资源(智能观测卫星)，以及在测控窗口之外，如何应对应急任务。至于每颗智能观测卫星自身的任务调度，由星上资源完成调度。需要指出的是，在本发明中，“分配”是指，协调器将常规观测任务和应急观测任务分配给相应的智能观测卫星，且相应智能观测卫星上的星上调度器将所述任务加入到智能观测卫星实际执行的任务序列中去。如果加入不成功，则视为为完成分配。未完成分配的任务将在下一分配时刻由多星任务协调器再次分配，或者将被舍弃。

本发明的多任务多资源滚动分配方法采用层次化分布式自主协同任务架构。多星任务协调器将滚动窗口内的任务集合分配给下辖的多颗智能卫星，各智能卫星利用其星上调度器对被分配的新任务和已有任务进行调度，在当前滚动窗口的起始时刻，多星任务协调器对任务信息进行更新，删除上一滚动窗口内已经完成的任务以及在所述起始时刻正在执行的任务，并将上一滚动窗口内未分配的任务、以及在上一滚动窗口内到达的新任务组合成当前滚动窗口内的任务集合，且所述多星任务协调器将该任务集合向所述多颗智能卫星进行分配，其中，基于混合触发模式来确定滚动窗口的起始时刻，一方面，每隔一个时间段触发滚动分配，该时间段为恒定的或根据预先设定的规则动态变化；另一方面，在出现使系统状态发生改变的事件或在受到人工干预时触发滚动分配。

需要指出的是，有可能存在上一周期内从智能卫星退回的任务，给等被退回的任务可能是原来安排在智能卫星的任务执行序列中，但是由于被新分配的任务所替换，从而被退回；或者可能是上一周期内分配给智能卫星，但是最终未能安排至智能卫星的任务执行序列中，从而被退回。此等被退回的任务也纳入到当期周期的分配中，重新进行分配。有利的是，在重新进行分配时，提高该等重新分配的任务的优先等级。但是，保持该等重新分配的任务的收益值或权重不变。

优选地，一方面，所述时间段根据测控周期设置；另一方面，所述使系统状态发生改变的事件包括：接收到应急观测任务，且积累的未分配应急观测任务达到五件或者是所述多星任务协调器下辖的智能卫星数的5％。测控周期根据通常根据地面站及相应的通信卫星、通信车、通信飞机、海上测控船的位置及通信条件确定的可与智能卫星有效通讯的时间周期来确定，此外与智能卫星的具体轨道与圈次等相关。

优选地，所述多星任务协调器包括地面站和地球静止轨道通信卫星，在测控周期之内，所述地面站进行任务分配；在测控周期之外，所述地球静止轨道通信卫星进行任务分配，且所述应急观测任务由所述智能卫星生成。

优选地，多星任务协调器采用设定的滚动分配机制将滚动窗口内的任务集合分配给下辖的多颗智能卫星，所述滚动分配机制从用户偏好和任务场景特征信息中提取规则，并将所述规则应用于遗传算法的交叉操作和变异操作。

各智能卫星的星上调度器的任务调度策略如下：

(1)在T-驱动的调度时刻点，采用渐进式方法中的完全重调度策略，生成下一个周期时间区间内的新任务计划，T-驱动的调度时刻点是根据给定的时间间隔T来确定特定的调度时间点lT，0≤l≤L,LT≤H＜(L+1)T，每到达一个调度时间点lT，则计算生成后一调度区间[lT,(l+1)T]的任务计划，其中l为正整数，T为给定的时间间隔，L为最大T-驱动调度次数，H为总调度区间，

(2)在C^*-驱动的重调度时刻点，采用修订式方法中的调度计划修复策略，当卫星运行在给定的调度区间内时，若在某一时刻t(0＜t＜H)，星上的应急观测任务累积量C_t超过给定的阈值C^*时，则执行重调度计算，其中阈值C^*为应急观测任务的临界累积数，

除上述两种调度时刻点之外，不在任何其他时刻点进行调度。

优选地，在T-驱动的调度时刻点的调度算法如下：

输入：

–已到达且在T-驱动调度时刻点之前未被调度的应急观测任务集合；

–已接收且在T-驱动调度时刻点之前未被调度的常规观测任务集合；

输出:

--下一时间周期T内的调度计划；

具体步骤如下：

步骤11分别从和中选取时间窗口是否落入下一个时间周期T内的常规观测任务和应急观测任务，生成待调度求解的常规观测任务集合N₀ ^T _～和应急观测任务集合

步骤12将和整合为一个观测任务集合；

步骤13按照设定的启发式规则，对整合后的观测任务集合中的任务进行排序；

步骤14按照排序，对所述整合后的观测任务集合中的任务一一进行调度，以确定是否将之加入到中，直至所述整合后的观测任务集合中再无任务可加入中，

步骤15输出下一时间周期T内的调度计划

在C^*-驱动的重调度时刻点的调度算法如下：

输入：

—在本时间周期T内且晚于C^*-驱动调度时刻点t的调度计划；

—在调度时刻点t之前已到达且未调度的应急观测任务集合；

输出:

—在时间t时已修订的调度计划，

具体步骤如下：

步骤21根据观测时间窗口处于时间t到下一个T-驱动调度时刻点这一时间区间内的条件，从任务集合中选取应急观测任务，生成新的任务集合

步骤22根据设定的启发式规则，对中的应急观测任务进行排序；

步骤23按照新的任务次序，一一选取中的应急观测任务并对进行修订，直至中再无应急观测任务可加入中，

步骤24输出已修订的调度计划

如图1至图5所示，本发明基于演化与学习机制，构建了求解面向复杂优化问题的学习型智能优化方法：采用智能优化模型和知识模型相结合的集成建模思路，智能优化模型按照“邻域搜索”策略对待优化问题的可行空间进行搜索；知识模型从前期的优化过程中挖掘出一些有用知识，然后采用得到的知识来指导智能优化方法的后续优化过程。而本发明采用学习型遗传算法，求解多任务多资源滚动分配的复杂优化问题。

本发明基于滚动时域控制原理，构建多任务多资源动态分配的滚动机制，将复杂动态分配问题转化为滚动更新的静态分配问题；定义能体现多任务多资源分配问题本质特征的若干类知识，构建能有效管理这些知识的知识模型；基于遗传算法设计多任务多资源分配问题可行方案构建的遗传优化模型；重点研究遗传优化模型和知识模型之间的集成和交互机制，最终形成将遗传优化模型和知识模型高效集成的学习型遗传算法。

基于滚动时域控制原理，构建多任务多资源动态分配的滚动机制：确定预测窗口、滚动窗口、分配子问题和滚动机制等要素；在每个规划时刻，通过当前预测窗口对任务信息进行实时更新(如增加任务、删除任务或修改任务属性信息等)，在预测窗口的基础上确定当前滚动窗口；分配子问题是在每个规划时刻根据当前滚动窗口构造的局部分配问题，滚动机制用于确定分配子问题求解后分配方案结束的执行位置和下一个规划时刻。通过这种滚动分配机制可将复杂动态分配问题转化为滚动更新的静态分配问题，如图1所示。

在求解多任务多资源分配问题的学习型遗传算法中，从用户偏好和任务场景特征等信息中提取规则，并在优化过程中挖掘相关知识来指导后续优化过程，从而获得比较满意的优化效果。

基于学习型遗传算法的多任务多资源分配技术的框架如图2所示，其中，适应度评价拟采用基于TOPSIS方法的多目标函数适应度评价，同时在不同场景竞争度指标下存储并提取用户偏好进行优化目标的权重分配。种群初始化采用基于启发式规则的初始化种群生成，在提高初始种群质量基础上，同时保证初始种群的随机分布。选择操作在对选择算子进行改进的同时，不断学习迭代过程中出现好解的个体构件组合知识、个体中任务的资源竞争度知识，并应用于下一步的交叉与变异操作。交叉操作在个体构件组合知识的指导下，以不同概率进行交叉位置的选择，同时采用多次操作取最优的策略，保证交叉操作的有效性。变异操作在任务的资源竞争度知识的指导下，以不同概率选择个体变异操作位置，同时也采用多次操作取最优的策略，以提高变异操作效率。局部搜索采用局部随机与确定搜索相结合的策略，其中确定性搜索基于个体平台剩余能力排序的任务交流规则进行。种群替换则加入用户任务锁定规则生成替换种群，在保证用户对任务偏好提取的基础上，同时实现算法跳出局部最优的能力。

多任务多资源滚动分配需要建立滚动式动态规划框架、构建动态任务状态更新机制、设计滚动式动态任务规划触发模式和确定滚动时间窗口的选取策略等。

(1)滚动式动态规划框架。根据我国测控资源分布情况，拟采用基于测控窗口为周期的滚动式动态调度方法。其基本思想是把任务按照到达时间划分为具有一定重叠度，随着调度时刻不断向前推进的任务集合；在每次调度时，仅对当前滚动窗口内的任务进行规划。随着调度时刻的推进，新任务被不断加入，而完成调度的任务则被逐渐删除，从而实现滚动窗口的更新。滚动式动态规划通过把复杂的动态调度问题分解为多个简单的静态调度子问题，再对子问题的优化解进行组合，从而代替原问题的最优解，这样做的优点是降低了原问题求解的难度。

(2)动态任务状态更新机制。在不同调度时刻需要及时更新任务状态，以获取更加完备的信息来指导规划调度。根据任务在不同时刻的状态将其分为四类，如图3所示：已完成任务(Finished task)、正在执行任务(Executing task)、等待执行任务(Waitingtask)及新到达任务(Newtask)。其中，t_R为调度开始时刻，当TF_i＜t_R时，任务i为已完成任务；当TS_i＜t_R＜TF_i时，任务i为正在执行的任务；当t_R＜TS_i时，任务i为等待执行的任务；当T_iA＝t_R时，任务i为新到达任务。

(3)滚动式动态任务规划触发模式。调度时刻安排是影响滚动优化策略应用效果的关键，它取决于多种因素(如用户需求、卫星指令上注时间计划、管控中心规划能力等)，可将这些因素归结为周期性因素和事件性因素，滚动式动态调度策略在制定规划方案时可采用周期触发模式、事件触发模式或者混合触发模式。

①周期触发模式。如测控周期触发或值班周期触发，针对常规任务每隔一段时间进行一次规划，该时间可以是均匀恒定的，也可以是动态变化的。基于值班周期触发模式能够保证规划频率的稳定性，操作实现较为简单，但是该模式当周期较长时，无法为高时效性任务提供及时的规划服务，且应对系统状态变化的能力也是非常有限的。

②事件触发模式。即在出现使系统状态发生改变的事件，或在受到人工干预时开始执行规划，如有新任务到达、卫星状态发生变化、决策部门提出规划需求等情况发生时。事件触发模式对规划环境具备较高的敏感性，能够及时处置应急任务，但由于规划频繁，当任务数量较多时，算法的时间复杂度较高。事件触发主要是任务触发模式。

③混合触发模式。即事件触发与周期触发相结合的触发模式。它能够兼获两种触发模式的优点，具备及时处置应急任务的能力，并且算法的时间复杂度有限。

根据上述分析，多任务多资源滚动分配模式主要为以应急任务触发的对已有规划方案进行动态调整的动态重规划和以测控点周期性触发的滚动式任务规划的混合触发模式，如图4所示。

(4)滚动时间窗口选取策略。滚动优化策略的基本思想是将任务按照到达顺序划分为具有一定重叠、但随着规划时刻不断向前推进的任务集合，称为滚动窗口。在每次规划时，仅对当前滚动窗口内的任务进行规划，随着规划时刻的推进，新任务被不断加入，而完成规划的任务则被逐渐删除，从而实现滚动窗口的更新，如图5所示。滚动优化策略的优点是能够将复杂的动态规划问题分解为多个简单的静态规划子问题，并以子问题优化解的组合代替原问题的最优解，从而降低了原问题求解的难度。

上述的具体实施方式只是示例性的，是为了更好地使本领域技术人员能够理解本专利，不能理解为是对本专利包括范围的限制；只要是根据本专利所揭示精神的所作的任何等同变更或修饰，均落入本专利包括的范围。

Claims (7)

1.一种基于学习型遗传算法的多任务多资源滚动分配方法，其特征在于，采用层次化分布式自主协同任务架构，多星任务协调器将滚动窗口内的任务集合分配给下辖的多颗智能卫星，各智能卫星利用其星上调度器对被分配的新任务和已有任务进行调度，在当前滚动窗口的起始时刻，多星任务协调器对任务信息进行更新，删除上一滚动窗口内已经完成的任务以及在所述起始时刻正在执行的任务，并将上一滚动窗口内未分配的任务、以及在上一滚动窗口内到达的新任务组合成当前滚动窗口内的任务集合，且所述多星任务协调器将该任务集合向所述多颗智能卫星进行分配，其中，基于混合触发模式来确定滚动窗口的起始时刻，一方面，每隔一个时间段触发滚动分配，该时间段为恒定的或根据预先设定的规则动态变化；另一方面，在出现使系统状态发生改变的事件或在受到人工干预时触发滚动分配。

2.根据权利要求1所述的一种基于学习型遗传算法的多任务多资源滚动分配方法，其特征在于，一方面，所述时间段根据测控周期设置；另一方面，所述使系统状态发生改变的事件包括：接收到应急观测任务，且积累的未分配应急观测任务达到五件或者是所述多星任务协调器下辖的智能卫星数的5％。

3.根据权利要求2所述的一种基于学习型遗传算法的多任务多资源滚动分配方法，其特征在于，所述多星任务协调器包括地面站和地球静止轨道通信卫星，在测控周期之内，所述地面站进行任务分配；在测控周期之外，所述地球静止轨道通信卫星进行任务分配，且所述应急观测任务由所述智能卫星生成。

4.根据权利要求1所述的基于学习型遗传算法的多任务多资源滚动分配方法，其特征在于，各智能卫星的星上调度器的任务调度策略如下：

(1)在T-驱动的调度时刻点，采用渐进式方法中的完全重调度策略，生成下一个周期时间区间内的新任务计划，T-驱动的调度时刻点是根据给定的时间间隔T来确定特定的调度时间点lT，0≤l≤L,LT≤H＜(L+1)T，每到达一个调度时间点lT，则计算生成后一调度区间[lT,(l+1)T]的任务计划，其中l为正整数，T为给定的时间间隔，L为最大T-驱动调度次数，H为总调度区间，

(2)在C^*-驱动的重调度时刻点，采用修订式方法中的调度计划修复策略，当卫星运行在给定的调度区间内时，若在某一时刻t(0＜t＜H)，星上的应急观测任务累积量C_t超过给定的阈值C^*时，则执行重调度计算，其中阈值C^*为应急观测任务的临界累积数，

除上述两种调度时刻点之外，不在任何其他时刻点进行调度。

5.根据权利要求4所述的一种基于学习型遗传算法的多任务多资源滚动分配方法，其特征在于，

在T-驱动的调度时刻点的调度算法如下：

输入：

–已到达且在T-驱动调度时刻点之前未被调度的应急观测任务集合；

–已接收且在T-驱动调度时刻点之前未被调度的常规观测任务集合；

输出:

--下一时间周期T内的调度计划；

具体步骤如下：

步骤11分别从和中选取时间窗口是否落入下一个时间周期T内的常规观测任务和应急观测任务，生成待调度求解的常规观测任务集合和应急观测任务集合

步骤12将和整合为一个观测任务集合；

步骤13按照设定的启发式规则，对整合后的观测任务集合中的任务进行排序；

步骤14按照排序，对所述整合后的观测任务集合中的任务一一进行调度，以确定是否将之加入到中，直至所述整合后的观测任务集合中再无任务可加入中，

步骤15输出下一时间周期T内的调度计划

在C^*-驱动的重调度时刻点的调度算法如下：

输入：

—在本时间周期T内且晚于C^*-驱动调度时刻点t的调度计划；

—在调度时刻点t之前已到达且未调度的应急观测任务集合；

输出:

—在时间t时已修订的调度计划，

具体步骤如下：

步骤21根据观测时间窗口处于时间t到下一个T-驱动调度时刻点这一时间区间内的条件，从任务集合中选取应急观测任务，生成新的任务集合

步骤22根据设定的启发式规则，对中的应急观测任务进行排序；

步骤23按照新的任务次序，一一选取中的应急观测任务并对进行修订，直至中再无应急观测任务可加入中，

步骤24输出已修订的调度计划

6.根据权利要求1所述的一种基于学习型遗传算法的多任务多资源滚动分配方法，其特征在于，多星任务协调器采用设定的滚动分配机制将滚动窗口内的任务集合分配给下辖的多颗智能卫星，所述滚动分配机制从用户偏好和任务场景特征信息中提取规则，并将所述规则应用于遗传算法的交叉操作和变异操作。

7.根据权利要求1所述的一种基于学习型遗传算法的多任务多资源滚动分配方法，其特征在于，多星任务协调器采用设定的滚动分配机制将滚动窗口内的任务集合分配给下辖的多颗智能卫星，所述滚动分配机制包括以下步骤：

S1、适应度评价：采用基于TOPSIS方法的多目标函数适应度评价，同时在不同场景竞争度指标下存储并提取用户偏好，进行优化目标的权重分配；

S2、种群初始化：采用基于启发式规则的初始化种群生成，在提高初始种群质量基础上同时保证初始种群的随机分布；

S3、选择操作：在对选择算子进行改进的同时，不断学习迭代过程中出现好解的个体构件组合知识、个体中任务的资源竞争度知识，并应用于接下来的交叉与变异操作；

S4、交叉操作：在个体构件组合知识的指导下，以不同概率进行交叉位置的选择，同时采用多次操作取最优的策略，保证交叉操作的有效性；

S5、变异操作：在任务的资源竞争度知识的指导下，以不同概率选择个体变异操作位置，同时也采用多次操作取最优的策略，提高变异操作效率；

S6、局部搜索：采用局部随机与确定搜索相结合的策略，其中确定性搜索基于个体平台剩余能力排序的任务交流规则进行；

S7、种群替换：加入用户任务锁定规则生成替换种群，在保证用户对任务偏好提取的基础上，同时实现算法跳出局部最优的能力。