CN108416500A - 一种基于pddl多星协同任务规划方法、设备及存储设备 - Google Patents

一种基于pddl多星协同任务规划方法、设备及存储设备 Download PDF

Info

Publication number
CN108416500A
CN108416500A CN201810093153.3A CN201810093153A CN108416500A CN 108416500 A CN108416500 A CN 108416500A CN 201810093153 A CN201810093153 A CN 201810093153A CN 108416500 A CN108416500 A CN 108416500A
Authority
CN
China
Prior art keywords
pddl
satellite
task
imaging
model
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
Application number
CN201810093153.3A
Other languages
English (en)
Other versions
CN108416500B (zh
Inventor
赵曼
李晖
陈金勇
张超
吴杰
董理君
孙龙
张智
卫小东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences
CETC 54 Research Institute
Original Assignee
China University of Geosciences
CETC 54 Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Geosciences, CETC 54 Research Institute filed Critical China University of Geosciences
Priority to CN201810093153.3A priority Critical patent/CN108416500B/zh
Publication of CN108416500A publication Critical patent/CN108416500A/zh
Application granted granted Critical
Publication of CN108416500B publication Critical patent/CN108416500B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • 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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Genetics & Genomics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Radio Relay Systems (AREA)

Abstract

本发明提供了一种基于PDDL多星协同任务规划方法、设备及存储设备，一种基于PDDL多星协同任务规划方法，首先建立基于PDDL的成像卫星规划模型，根据模型中的域文件，实现所述基于PDDL的成像卫星规划模型的通用性，设计模型转换规则和映射方法，将所述基于PDDL的成像卫星规划模型自动转换为成像卫星规划数学模型，根据所述成像卫星规划数学模型，规划器输出多星协同任务的规划结果；一种基于PDDL多星协同任务规划设备及存储设备，用于实现一种基于PDDL多星协同任务规划方法。本发明通过实现卫星任务规划建模的通用化和模型之间的自动化构建，提高了卫星任务规划模型的构建效率及其通用性，更快速、方便的得到卫星任务的规划结果。

Description

一种基于PDDL多星协同任务规划方法、设备及存储设备
技术领域
本发明涉及通信技术领域，尤其涉及一种基于PDDL多星协同任务规划方法、设备及存储设备。
背景技术
对地观测卫星(Earth ObservationSatellite，EOS)通过空间遥感器获取以地球表面为主的遥感信息，经计算机处理，生成空间遥感产品，实现研究地球、认识地球并对地物进行分类和识别的目的，从而服务于国家经济建设和社会发展。
为适应未来高技术战争条件下日益增长的多层次、多样化空间信息应用需求，需要综合考虑各类卫星或星座观测能力，协调调度多类型卫星协同观测，获取多时段、多重空间覆盖、多谱段、不同分辨率的目标特征信息。当前，不同类型卫星的任务管控平台采用不同的卫星任务规划算法，因为不同型号卫星之间的能力、约束差异巨大，无法通过外部统一标准形式化表示，实现卫星任务规划算法的通用化。
由于成像卫星高速运行于近地轨道，所以每个成像任务都有成像时间窗口的限制又由于卫星成像设备在一定时间内姿态调整的能力有限，在成像任务间进行成像动作的转换需要满足多种成像约束条件。因此，一般而言，不能对一次任务调度时间范围内所有的成像任务请求进行成像卫星每次执行的成像任务是成像任务数据集合的一个子集，不能满足用户提出的所有成像任务请求。
随着成像卫星技术的发展，为了缓解这种供求矛盾，越来越多的成像卫星出现在空间中执行对地观测的任务。但是尽管在轨运行的卫星数量不断增加，相对于迅速增长的影像数据需求，有限的成像卫星资源仍然显得异常宝贵。为了充分利用成像卫星资源，需要对那些完成同一成像任务计划的多颗成像卫星进行综合任务调度，均衡考虑各种因素，统一分配成像资源。
发明内容
为了解决上述问题，本发明提供了一种基于PDDL多星协同任务规划方法、设备及存储设备，一种基于PDDL的多星协同任务规划方法，包括以下步骤：
S101：构建多星协同任务的数据库，提供卫星观测任务规划所必需的物理数据，包括目标任务信息、时间窗口信息、轨道信息；
S102：根据卫星运行的规则和约束，利用PDDL语言，将多星协同任务规划问题描述成二元组，包括领域描述的域文件和问题描述的问题文件；
S103：根据所述域文件和问题文件，结合所述物理数据，采用基于状态动作的规划建模方法，建立基于PDDL的成像卫星规划模型；
S104：将所述基于PDDL的成像卫星规划模型输入到规划器中；
S105：在所述规划器中，根据卫星任务规划的数学模型，设计所述基于PDDL的成像卫星规划模型转换为成像卫星规划数学模型的转换规则；
S106：针对所述转换规则，设计所述基于PDDL的成像卫星规划模型转换为所述成像卫星规划数学模型的映射方法，并得到所述成像卫星规划数学模型；
S107：根据规划算法，所述成像卫星规划数学模型通过所述规划器输出规划结果；
S108：根据所述规划结果，多星协同完成所述成像任务，满足用户的成像任务请求。
进一步地，在步骤S101中，所述数据库存放元任务集，包括观测元任务集、接收元任务集、相关载荷和卫星的信息。
进一步地，在步骤S103中，所述基于PDDL的成像卫星规划模型具有通用性，其建立的过程为：根据卫星运行的规则和约束，建立PDDL域文件，然后在域文件的基础上，从所述数据库中读取包括目标任务信息、时间窗口信息、轨道信息，建立具体的问题文件，即建立基于PDDL的成像卫星规划模型；通过对象、谓词、活动、初始状态和目标状态五种基本成分描述所述基于PDDL的成像卫星规划模型，所述基于PDDL的成像卫星规划模型的模型为：Mp＝{O,In,G,Pd,A}，其中，O表示对象，In表示初始状态，G表示目标状态，Pd表示谓词，且包括约束谓词和非约束谓词，A表示活动。
进一步地，在步骤S104中，所述规划器包括语法解析模块和规划算法模块，语法解析模块是对输入的基于PDDL的成像卫星规划模型进行解释说明，并将其自动转换为所述成像卫星规划数学模型，规划算法模块对所述成像卫星规划数学模型进行求解。
进一步地，在步骤S105中，所述卫星任务规划的数学模型形式化表示为：Ms＝{P,V,C,Z}，其中，P为固定不变的参数，V为变量，包括已知变量和未知变量，C为约束，约束限制了变量的可能赋值，Z为目标函数，是对所述卫星任务规划的数学模型得到的规划结果好坏的度量；所述卫星任务规划的数学模型中的参数P、变量V、约束C、目标函数Z采用不同的转换规则进行转换，其中，参数P和变量V的转换规则为：所述基于PDDL的成像卫星规划模型中的任一活动aj∈A的参数Par(aj)不改变描述方式，因此将Par(aj)分类地转变为数学模型中的参数P或者变量V；约束C的转换规则为：所述基于PDDL的成像卫星规划模型中的约束谓词Pd以数学不等式的形式输出到所述卫星任务规划的数学模型中，对应所述卫星任务规划的数学模型的约束C；目标函数Z的转换规则为：将所述基于PDDL的成像卫星规划模型中的每个任务aj∈A或针对两个活动的关系设置0-1决策变量，所有可能安排活动的价值量和对应决策变量的乘积相加并增加最值的表达式，转换成目标函数Z。
进一步地，在步骤S106中，根据所述映射方法，所述基于PDDL的成像卫星规划模型能自动转化为所述成像卫星规划数学模型；
其中，参数P和变量V由所述基于PDDL的成像卫星规划模型中的活动A的构成元素参数Par(aj)映射得到，具体的转换过程如下：
S201：从所述基于PDDL的成像卫星规划模型中提取活动aj∈A，j＝1；
S202：从活动aj∈A的Par(aj)中提取参数pari，pari∈Par(aj)，i＝1；
S203：判断提取出的参数pari的值是否随状态的变化而改变？若是，则到步骤S204；若否，则到步骤S205；
S204：将所述基于PDDL的成像卫星规划模型中的活动A转换为所述卫星任务规划的数学模型Ms中的变量V；
S205：将所述基于PDDL的成像卫星规划模型中的活动A转换为所述卫星任务规划的数学模型Ms中的参数P；
S206：判断是否i≤m？若是，则令i＝i+1，回到步骤S202；若否，则到步骤S207；其中，i为控制循环次数，m为参数Par(aj)包含pari的个数；
S207：判断是否j≤n？若是，则令j＝j+1，回到步骤S201；若否，则到步骤S208；其中，j为控制循环次数，n为MP中活动a的个数；
S208：将映射得到的所有参数P和变量V存入所述卫星任务规划的数学模型Ms中，参数P和变量V的转换结束；
约束C由所述基于PDDL的成像卫星规划模型中的谓词Pd映射得到，具体的转换过程如下：
S301：从所述基于PDDL的成像卫星规划模型中提取活动aj∈A，j＝1；
S302：从活动aj∈A的Pre(aj)中提取谓词pdi，pdi∈Pd(pre(aj))，i＝1；
S303：判断提取出的谓词pdi是否为约束谓词，若是，则到步骤S304；若否，则令i＝i+1，回到步骤S302；
S304：将所述基于PDDL的成像卫星规划模型中的谓词pdi转换为所述卫星任务规划的数学模型Ms中的约束ci；
S305：判断是否i≤l？若是，则到步骤S306；若否，则令i＝i+1，回到步骤S302；其中，i为控制循环次数，l为谓词Pd(pre(aj))中包含谓词的个数；
S306：判断是否j≤n？若是，则到步骤S307；若否，则令j＝j+1，回到步骤S301；其中，j为控制循环次数，n为MP中活动A的个数；
S307：将映射得到的所有ci存入所述卫星任务规划的数学模型Ms中的约束C中，约束C的转换结束；
得到目标函数Z的具体转换过程如下：
S401：从所述基于PDDL的成像卫星规划模型中提取活动aj∈A，j＝1；
S402：从活动aj∈A的关联资源ri中设置0-1决策变量，令i＝1；
S403：将活动aj的价值量vj与决策变量相乘；
S404：判断是否i≤m？若是，则令i＝i+1，回到步骤S402；若否，则到步骤S405；其中，i为控制循环次数，m为活动aj关联资源的个数；
S405：判断是否j≤n？若是，则令j＝j+1，回到步骤S401；若否，则到步骤S406；其中，j为控制循环次数，n为MP中活动a的个数；
S406：将所有的相加，取最大化即为所述卫星任务规划的数学模型Ms的目标函数Z。
进一步地，在步骤S107中，所述规划算法指的是：贪婪算法或差分演化算法。
一种存储设备，其特征在于：所述存储设备存储指令及数据用于实现一种基于PDDL多星协同任务规划方法。
一种多星协同任务规划设备，其特征在于：包括：处理器及所述存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现一种基于PDDL多星协同任务规划方法。
本发明提供的技术方案带来的有益效果是：本发明通过实现卫星任务规划建模的通用化和模型之间的自动化构建，提高了卫星任务规划模型的构建效率及其通用性，更快速、方便的得到卫星任务的规划结果。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例中一种基于PDDL多星协同任务规划方法的流程图；
图2是本发明实施例中参数P和变量V的转换过程的流程图；
图3是本发明实施例中约束C的转换过程的流程图；
图4是本发明实施例中目标函数Z的转换过程的流程图；
图5是本发明实施例中采用贪婪算法进行任务接收处理的流程图；
图6是本发明实施例中硬件设备工作的示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了一种基于PDDL多星协同任务规划方法、设备及存储设备，一种基于PDDL多星协同任务规划方法，首先建立基于PDDL的成像卫星规划模型，根据模型中的域文件，实现所述基于PDDL的成像卫星规划模型的通用性，设计模型转换规则和映射方法，将所述基于PDDL的成像卫星规划模型自动转换为成像卫星规划数学模型，根据所述成像卫星规划数学模型，规划器输出多星协同任务的规划结果；一种基于PDDL多星协同任务规划设备及存储设备，用于实现一种基于PDDL多星协同任务规划方法。
请参考图1，图1是本发明实施例中一种基于PDDL多星协同任务规划方法的流程图，具体包括如下步骤：
S101：构建多星协同任务的数据库，提供卫星观测任务规划所必需的物理数据，包括目标任务信息、时间窗口信息、轨道信息；所述数据库存放元任务集，包括观测元任务集、接收元任务集、相关载荷和卫星的信息；
S102：根据卫星运行的规则和约束，利用PDDL语言，将多星协同任务规划问题描述成二元组，包括领域描述的域文件和问题描述的问题文件；
S103：根据所述域文件和问题文件，结合所述物理数据，采用基于状态动作的规划建模方法，建立基于PDDL的成像卫星规划模型；所述域文件汇总了卫星的约束，决定了所述基于PDDL的成像卫星规划模型具有通用性，其建立的过程为：根据卫星运行的规则和约束，建立PDDL域文件，然后在域文件的基础上，从所述数据库中读取包括目标任务信息、时间窗口信息、轨道信息，建立具体的问题文件，即建立基于PDDL的成像卫星规划模型；通过对象、谓词、活动、初始状态和目标状态五种基本成分描述所述基于PDDL的成像卫星规划模型，所述基于PDDL的成像卫星规划模型的模型为：Mp＝{O,In,G,Pd,A}，其中，O表示对象，In表示初始状态，G表示目标状态，Pd表示谓词，且包括约束谓词和非约束谓词，A表示活动。
S104：将所述基于PDDL的成像卫星规划模型输入到规划器中；所述规划器包括语法解析模块和规划算法模块，语法解析模块是对输入的基于PDDL的成像卫星规划模型进行解释说明，并将其自动转换为所述成像卫星规划数学模型，规划算法模块对所述成像卫星规划数学模型进行求解。
S105：在所述规划器中，根据卫星任务规划的数学模型，设计所述基于PDDL的成像卫星规划模型转换为成像卫星规划数学模型的转换规则；所述卫星任务规划的数学模型形式化表示为：Ms＝{P,V,C,Z}，其中，P为固定不变的参数，V为变量，包括已知变量和未知变量，C为约束，约束限制了变量的可能赋值，Z为目标函数，是对所述卫星任务规划的数学模型得到的规划结果好坏的度量；所述卫星任务规划的数学模型中的参数P、变量V、约束C、目标函数Z采用不同的转换规则进行转换，其中，参数P和变量V的转换规则为：所述基于PDDL的成像卫星规划模型中的任一活动aj∈A的参数Par(aj)不改变描述方式，因此将Par(aj)分类地转变为数学模型中的参数P或者变量V；约束C的转换规则为：所述基于PDDL的成像卫星规划模型中的约束谓词Pd以数学不等式的形式输出到所述卫星任务规划的数学模型中，对应所述卫星任务规划的数学模型的约束C；目标函数Z的转换规则为：将所述基于PDDL的成像卫星规划模型中的每个任务aj∈A或针对两个活动的关系设置0-1决策变量，所有可能安排活动的价值量和对应决策变量的乘积相加并增加最值的表达式，转换成目标函数Z。
S106：针对所述转换规则，设计所述基于PDDL的成像卫星规划模型转换为所述成像卫星规划数学模型的映射方法，并得到所述成像卫星规划数学模型；根据所述映射方法，所述基于PDDL的成像卫星规划模型能自动转化为所述成像卫星规划数学模型；
其中，参数P和变量V由所述基于PDDL的成像卫星规划模型中的活动A的构成元素参数Par(aj)映射得到，具体的转换过程如下：
S201：从所述基于PDDL的成像卫星规划模型中提取活动aj∈A，j＝1；
S202：从活动aj∈A的Par(aj)中提取参数pari，pari∈Par(aj)，i＝1；
S203：判断提取出的参数pari的值是否随状态的变化而改变？若是，则到步骤S204；若否，则到步骤S205；
S204：将所述基于PDDL的成像卫星规划模型中的活动A转换为所述卫星任务规划的数学模型Ms中的变量V；
S205：将所述基于PDDL的成像卫星规划模型中的活动A转换为所述卫星任务规划的数学模型Ms中的参数P；
S206：判断是否i≤m？若是，则令i＝i+1，回到步骤S202；若否，则到步骤S207；其中，i为控制循环次数，m为参数Par(aj)包含pari的个数；
S207：判断是否j≤n？若是，则令j＝j+1，回到步骤S201；若否，则到步骤S208；其中，j为控制循环次数，n为MP中活动a的个数；
S208：将映射得到的所有参数P和变量V存入所述卫星任务规划的数学模型Ms中，参数P和变量V的转换结束；
约束C由所述基于PDDL的成像卫星规划模型中的谓词Pd映射得到，具体的转换过程如下：
S301：从所述基于PDDL的成像卫星规划模型中提取活动aj∈A，j＝1；
S302：从活动aj∈A的Pre(aj)中提取谓词pdi，pdi∈Pd(pre(aj))，i＝1；
S303：判断提取出的谓词pdi是否为约束谓词，若是，则到步骤S304；若否，则令i＝i+1，回到步骤S302；
S304：将所述基于PDDL的成像卫星规划模型中的谓词pdi转换为所述卫星任务规划的数学模型Ms中的约束ci；
S305：判断是否i≤l？若是，则到步骤S306；若否，则令i＝i+1，回到步骤S302；其中，i为控制循环次数，l为谓词Pd(pre(aj))中包含谓词的个数；
S306：判断是否j≤n？若是，则到步骤S307；若否，则令j＝j+1，回到步骤S301；其中，j为控制循环次数，n为MP中活动A的个数；
S307：将映射得到的所有ci存入所述卫星任务规划的数学模型Ms中的约束C中，约束C的转换结束；
得到目标函数Z的具体转换过程如下：
S401：从所述基于PDDL的成像卫星规划模型中提取活动aj∈A，j＝1；
S402：从活动aj∈A的关联资源ri中设置0-1决策变量，令i＝1；
S403：将活动aj的价值量vj与决策变量相乘；
S404：判断是否i≤m？若是，则令i＝i+1，回到步骤S402；若否，则到步骤S405；其中，i为控制循环次数，m为活动aj关联资源的个数；
S405：判断是否j≤n？若是，则令j＝j+1，回到步骤S401；若否，则到步骤S406；其中，j为控制循环次数，n为MP中活动a的个数；
S406：将所有的相加，取最大化即为所述卫星任务规划的数学模型Ms的目标函数Z；
S107：根据规划算法，所述成像卫星规划数学模型通过所述规划器输出规划结果；所述规划算法指的是：贪婪算法或差分演化算法。
S108：根据所述规划结果，多星协同完成所述成像任务，满足用户的成像任务请求。
请参考图2，图2是本发明实施例中参数P和变量V的转换过程的流程图，具体包括如下步骤：
S201：从所述基于PDDL的成像卫星规划模型中提取活动aj∈A，j＝1；
S202：从活动aj∈A的Par(aj)中提取参数pari，pari∈Par(aj)，i＝1；
S203：判断提取出的参数pari的值是否随状态的变化而改变？若是，则到步骤S204；若否，则到步骤S205；
S204：将所述基于PDDL的成像卫星规划模型中的活动A转换为所述卫星任务规划的数学模型Ms中的变量V；
S205：将所述基于PDDL的成像卫星规划模型中的活动A转换为所述卫星任务规划的数学模型Ms中的参数P；
S206：判断是否i≤m？若是，则令i＝i+1，回到步骤S202；若否，则到步骤S207；其中，i为控制循环次数，m为参数Par(aj)包含pari的个数；
S207：判断是否j≤n？若是，则令j＝j+1，回到步骤S201；若否，则到步骤S208；其中，j为控制循环次数，n为MP中活动a的个数；
S208：将映射得到的所有参数P和变量V存入所述卫星任务规划的数学模型Ms中，参数P和变量V的转换结束。
请参见图3，图3是本发明实施例中约束C的转换过程的流程图，具体包括如下步骤：
S301：从所述基于PDDL的成像卫星规划模型中提取活动aj∈A，j＝1；
S302：从活动aj∈A的Pre(aj)中提取谓词pdi，pdi∈Pd(pre(aj))，i＝1；
S303：判断提取出的谓词pdi是否为约束谓词，若是，则到步骤S304；若否，则令i＝i+1，回到步骤S302；
S304：将所述基于PDDL的成像卫星规划模型中的谓词pdi转换为所述卫星任务规划的数学模型Ms中的约束ci；
S305：判断是否i≤l？若是，则到步骤S306；若否，则令i＝i+1，回到步骤S302；其中，i为控制循环次数，l为谓词Pd(pre(aj))中包含谓词的个数；
S306：判断是否j≤n？若是，则到步骤S307；若否，则令j＝j+1，回到步骤S301；其中，j为控制循环次数，n为MP中活动A的个数；
S307：将映射得到的所有ci存入所述卫星任务规划的数学模型Ms中的约束C中，约束C的转换结束；
请参见图4，图4是本发明实施例中目标函数Z的转换过程的流程图，具体包括如下步骤：
S401：从所述基于PDDL的成像卫星规划模型中提取活动aj∈A，j＝1；
S402：从活动aj∈A的关联资源ri中设置0-1决策变量，令i＝1；
S403：将活动aj的价值量vj与决策变量相乘；
S404：判断是否i≤m？若是，则令i＝i+1，回到步骤S402；若否，则到步骤S405；其中，i为控制循环次数，m为活动aj关联资源的个数；
S405：判断是否j≤n？若是，则令j＝j+1，回到步骤S401；若否，则到步骤S406；其中，j为控制循环次数，n为MP中活动a的个数；
S406：将所有的相加，取最大化即为所述卫星任务规划的数学模型Ms的目标函数Z。
所述基于PDDL的成像卫星规划模型自动转换为所述成像卫星规划数学模型后，采用贪婪算法对任务进行多星协同任务规划。
请参见图5，图5是本发明实施例中采用贪婪算法进行多星协同任务规划的流程图，具体包括如下步骤：
S501：设置一个观测元任务列表，按照由高到低的优先级对观测元任务进行排序；假设排好序的观测元任务列表为：A＝{a1,a2,...,an}，其中，n表示观测元任务的数量；
S502：在所述观测元任务列表中，选择任务；
S503：判断所述任务是否采用实传模式？若是，则到步骤S504；若否，则到步骤S505；
S504：所述任务加入接收元任务列表；
S505：判断所述任务是否满足各项约束？若是，则到步骤S504；若否，则到步骤S506；
S506：判断是否i＝n？若是，则到步骤S507；若否，则回到步骤S503；
S507：所述任务接收完毕。
在步骤S502中，首先选择第一个任务a1，由于在此之前没有其他任务，所以a1不会引起约束冲突；然后依次按顺序从列表A中选择观测元任务ai(2≤i≤n)。
在步骤S503-S505中，先判断a1和ai是否为实传模式？对于活动a1，若是实传模式，则将a1加入接收元任务列表中；若不是实传模式，则从接收窗口时段在a1结束时刻后面的观测元任务列表中，选择开始时间最早并且窗口长度足够接收a1记录文件的一个观测元任务，并标记为“已用”，加入接收元任务列表中，并更新剩余可用固存大小；若没有找到可用的接收窗口，则删除任务a1；对于活动ai，若是实传模式，则直接加入到接收元任务列表中；若不是实传模式，在ai结束时刻后对应的可用接收窗口，如果找不到则删去当前任务ai(在任务列表中的下标为i)，如果找到了(假设为bj)，则必须检测固存约束，检测方法是查找在该接收窗口前面的第一个观测元任务，它保存了执行完自身后剩余的可用固存大小。假设该观测元任务下标为j，其保存的可用固存大小为Mj，任务ai记录文件占用固存mi，则必须满足mi＜Mj；再判断是否满足各项约束，若是，则更新任务ai到任务aj区间每个任务的剩余可用固存Mq,i≤q≤j，并将任务ai和对应的接收元任务bj加入到接收元任务列表中；若否，则删去任务ai再更新任务ai到任务aj区间每个任务的剩余可用固存Mq,i≤q≤j，并将任务ai和对应的接收元任务bj加入到接收元任务列表中。
在步骤S506中，判断是否i＝n？若是，则规划算法结束；若否，则令i＝i+1，回到步骤S503继续执行规划算法，直到满足i＝n的条件为止。
对于多星协同的任务规划方法也可以采用差分演化算法，差分演化算法保留了基于种群的全局搜索策略，采用实数编码基于差分的简单变异操作和一对一的竞争生存策略，降低了遗传操作的复杂性，同时，差分演化算法特有的记忆能力使其可以动态跟踪当前的搜索情况，以调整其搜索策略，具有较强的全局收敛能力和鲁棒性，且不需要借助问题的特征信息。差分演化算法主要分为编码设计、算子设计、交互设计，编码设计确定将元任务映射为染色体的形式，从染色体解析出对应的任务规划方案；算子设计确定进化计算方式，主要为染色体的交叉、变异、选择等；交互设计确定算法演化过程中面向具体应用的计算方法，使得算法具备良好的智能交互性。本发明中系统的具体操作如下：
第一步：打开多星协同组网任务规划原型软件；
第二步：点击工具栏中的“数据库连接图标”，确定要连接的数据库，并进行数据库连接配置；
第三步：连接数据库成功后，从数据库中选择需要进行任务规划的数据，在工具栏中的“任务批号”框，输入批号，就可以获取到观测元任务和接收元任务数据，在结果查询框中进行显示；
第四步：在工具栏点击文件产生器按钮，根据观测元任务和接收元任务自动产生PDDL的问题文件；
第五步：软件可以对PDDL域文件和问题文件进行编辑，包括新建、打开、修改、保存功能，点击打开按钮，可以编辑、修改、保存已存在的PDDL文件，同时对PDDL文件的关键字能够高亮显示(如果不对PDDL文件进行修改则跳过)；
第六步：本软件支持两种算法：贪婪算法或差分演化算法，选择其中一种算法，点击执行按钮，对卫星任务进行规划；
第七步：显示规划结果，将规划结果以图表的形式显示出来。
请参见图6，图6是本发明实施例的硬件设备工作示意图，所述硬件设备具体包括：一种基于PDDL多星协同任务规划设备601、处理器602及存储设备603。
一种基于PDDL多星协同任务规划设备601：所述一种基于PDDL多星协同任务规划设备601实现所述一种基于PDDL多星协同任务规划方法。
处理器602：所述处理器602加载并执行所述存储设备603中的指令及数据用于实现所述一种基于PDDL多星协同任务规划方法。
存储设备603：所述存储设备603存储指令及数据；所述存储设备603用于实现所述一种基于PDDL多星协同任务规划方法。
本发明的有益效果是：本发明通过实现卫星任务规划建模的通用化和模型之间的自动化构建，提高了卫星任务规划模型的构建效率及其通用性，更快速、方便的得到卫星任务的规划结果。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于PDDL的多星协同任务规划方法，其特征在于：包括以下步骤：
S101：构建多星协同任务的数据库，提供卫星观测任务规划所必需的物理数据，包括目标任务信息、时间窗口信息、轨道信息；
S102：根据卫星运行的规则和约束，利用PDDL语言，将多星协同任务规划问题描述成二元组，包括领域描述的域文件和问题描述的问题文件；
S103：根据所述域文件和问题文件，结合所述物理数据，采用基于状态动作的规划建模方法，建立基于PDDL的成像卫星规划模型；
S104：将所述基于PDDL的成像卫星规划模型输入到规划器中；
S105：在所述规划器中，根据卫星任务规划的数学模型，设计所述基于PDDL的成像卫星规划模型转换为成像卫星规划数学模型的转换规则；
S106：针对所述转换规则，设计所述基于PDDL的成像卫星规划模型转换为所述成像卫星规划数学模型的映射方法，并得到所述成像卫星规划数学模型；
S107：根据规划算法，所述成像卫星规划数学模型通过所述规划器输出规划结果；
S108：根据所述规划结果，多星协同完成所述成像任务，满足用户的成像任务请求。
2.如权利要求1所述的一种基于PDDL多星协同任务规划方法，其特征在于：在步骤S101中，所述数据库存放元任务集，包括观测元任务集、接收元任务集、相关载荷和卫星的信息。
3.如权利要求1所述的一种基于PDDL多星协同任务规划方法，其特征在于：在步骤S103中，所述基于PDDL的成像卫星规划模型具有通用性，其建立的过程为：根据卫星运行的规则和约束，建立PDDL域文件，然后在域文件的基础上，从所述数据库中读取包括目标任务信息、时间窗口信息、轨道信息，建立具体的问题文件，即建立基于PDDL的成像卫星规划模型；通过对象、谓词、活动、初始状态和目标状态五种基本成分描述所述基于PDDL的成像卫星规划模型，所述基于PDDL的成像卫星规划模型的模型为：Mp＝{O,In,G,Pd,A}，其中，O表示对象，In表示初始状态，G表示目标状态，Pd表示谓词，且包括约束谓词和非约束谓词，A表示活动。
4.如权利要求1所述的一种基于PDDL多星协同任务规划方法，其特征在于：在步骤S104中，所述规划器包括语法解析模块和规划算法模块，语法解析模块是对输入的基于PDDL的成像卫星规划模型进行解释说明，并将其自动转换为所述成像卫星规划数学模型，规划算法模块对所述成像卫星规划数学模型进行求解。
5.如权利要求1所述的一种基于PDDL多星协同任务规划方法，其特征在于：在步骤S105中，所述卫星任务规划的数学模型形式化表示为：Ms＝{P,V,C,Z}，其中，P为固定不变的参数，V为变量，包括已知变量和未知变量，C为约束，约束限制了变量的可能赋值，Z为目标函数，是对所述卫星任务规划的数学模型得到的规划结果好坏的度量；所述卫星任务规划的数学模型中的参数P、变量V、约束C、目标函数Z采用不同的转换规则进行转换，其中，参数P和变量V的转换规则为：所述基于PDDL的成像卫星规划模型中的任一活动aj∈A的参数Par(aj)不改变描述方式，因此将Par(aj)分类地转变为数学模型中的参数P或者变量V；约束C的转换规则为：所述基于PDDL的成像卫星规划模型中的约束谓词Pd以数学不等式的形式输出到所述卫星任务规划的数学模型中，对应所述卫星任务规划的数学模型的约束C；目标函数Z的转换规则为：将所述基于PDDL的成像卫星规划模型中的每个任务aj∈A或针对两个活动的关系设置0-1决策变量，所有可能安排活动的价值量和对应决策变量的乘积相加并增加最值的表达式，转换成目标函数Z。
6.如权利要求5所述的一种基于PDDL多星协同任务规划方法，其特征在于：在步骤S106中，根据所述映射方法，所述基于PDDL的成像卫星规划模型能自动转化为所述成像卫星规划数学模型；
其中，参数P和变量V由所述基于PDDL的成像卫星规划模型中的活动A的构成元素参数Par(aj)映射得到，具体的转换过程如下：
S201：从所述基于PDDL的成像卫星规划模型中提取活动aj∈A，j＝1；
S202：从活动aj∈A的Par(aj)中提取参数pari，pari∈Par(aj)，i＝1；
S203：判断提取出的参数pari的值是否随状态的变化而改变？若是，则到步骤S204；若否，则到步骤S205；
S204：将所述基于PDDL的成像卫星规划模型中的活动A转换为所述卫星任务规划的数学模型Ms中的变量V；
S205：将所述基于PDDL的成像卫星规划模型中的活动A转换为所述卫星任务规划的数学模型Ms中的参数P；
S206：判断是否i≤m？若是，则令i＝i+1，回到步骤S202；若否，则到步骤S207；其中，i为控制循环次数，m为参数Par(aj)包含pari的个数；
S207：判断是否j≤n？若是，则令j＝j+1，回到步骤S201；若否，则到步骤S208；其中，j为控制循环次数，n为MP中活动a的个数；
S208：将映射得到的所有参数P和变量V存入所述卫星任务规划的数学模型Ms中，参数P和变量V的转换结束；
约束C由所述基于PDDL的成像卫星规划模型中的谓词Pd映射得到，具体的转换过程如下：
S301：从所述基于PDDL的成像卫星规划模型中提取活动aj∈A，j＝1；
S302：从活动aj∈A的Pre(aj)中提取谓词pdi，pdi∈Pd(pre(aj))，i＝1；
S303：判断提取出的谓词pdi是否为约束谓词，若是，则到步骤S304；若否，则令i＝i+1，回到步骤S302；
S304：将所述基于PDDL的成像卫星规划模型中的谓词pdi转换为所述卫星任务规划的数学模型Ms中的约束ci；
S305：判断是否i≤l？若是，则到步骤S306；若否，则令i＝i+1，回到步骤S302；其中，i为控制循环次数，l为谓词Pd(pre(aj))中包含谓词的个数；
S306：判断是否j≤n？若是，则到步骤S307；若否，则令j＝j+1，回到步骤S301；其中，j为控制循环次数，n为MP中活动A的个数；
S307：将映射得到的所有ci存入所述卫星任务规划的数学模型Ms中的约束C中，约束C的转换结束；
得到目标函数Z的具体转换过程如下：
S401：从所述基于PDDL的成像卫星规划模型中提取活动aj∈A，j＝1；
S402：从活动aj∈A的关联资源ri中设置0-1决策变量，令i＝1；
S403：将活动aj的价值量vj与决策变量相乘；
S404：判断是否i≤m？若是，则令i＝i+1，回到步骤S402；若否，则到步骤S405；其中，i为控制循环次数，m为活动aj关联资源的个数；
S405：判断是否j≤n？若是，则令j＝j+1，回到步骤S401；若否，则到步骤S406；其中，j为控制循环次数，n为MP中活动a的个数；
S406：将所有的相加，取最大化即为所述卫星任务规划的数学模型Ms的目标函数Z。
7.如权利要求1所述的一种基于PDDL多星协同任务规划方法，其特征在于：在步骤S107中，所述规划算法指的是：贪婪算法或差分演化算法。
8.一种存储设备，其特征在于：所述存储设备存储指令及数据用于实现权利要求1～7所述的任意一种基于PDDL多星协同任务规划方法。
9.一种基于PDDL多星协同任务规划设备，其特征在于：包括：处理器及所述存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现权利要求1～7所述的任意一种基于PDDL多星协同任务规划方法。
CN201810093153.3A 2018-01-31 2018-01-31 一种基于pddl多星协同任务规划方法、设备及存储设备 Active CN108416500B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810093153.3A CN108416500B (zh) 2018-01-31 2018-01-31 一种基于pddl多星协同任务规划方法、设备及存储设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810093153.3A CN108416500B (zh) 2018-01-31 2018-01-31 一种基于pddl多星协同任务规划方法、设备及存储设备

Publications (2)

Publication Number Publication Date
CN108416500A true CN108416500A (zh) 2018-08-17
CN108416500B CN108416500B (zh) 2021-08-27

Family

ID=63127369

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810093153.3A Active CN108416500B (zh) 2018-01-31 2018-01-31 一种基于pddl多星协同任务规划方法、设备及存储设备

Country Status (1)

Country Link
CN (1) CN108416500B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109409775A (zh) * 2018-11-14 2019-03-01 中国电子科技集团公司第五十四研究所 一种卫星联合观测任务规划方法
CN109447525A (zh) * 2018-12-10 2019-03-08 北京理工大学 多星部署上面级启发式任务规划方法
CN111461640A (zh) * 2020-03-05 2020-07-28 四川九洲电器集团有限责任公司 一种通用化的任务行动规划方法
CN116523212A (zh) * 2023-04-12 2023-08-01 中国科学院软件研究所 一种多星协同语义建模及任务规划方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070204020A1 (en) * 2006-02-24 2007-08-30 International Business Machines Corporation System and method of stream processing workflow composition using automatic planning
CN106529826A (zh) * 2016-11-30 2017-03-22 中国电子科技集团公司第五十四研究所 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
CN106779046A (zh) * 2016-12-12 2017-05-31 中山大学 一种多智能体高阶信念认知规划器实现方法
CN107145994A (zh) * 2017-03-15 2017-09-08 湖南普天科技集团有限公司 一种用于多星协同观测的任务规划方法
CN107270933A (zh) * 2017-05-16 2017-10-20 北京控制工程研究所 一种基于多星协同的空间碎片运动状态联合确定方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070204020A1 (en) * 2006-02-24 2007-08-30 International Business Machines Corporation System and method of stream processing workflow composition using automatic planning
CN106529826A (zh) * 2016-11-30 2017-03-22 中国电子科技集团公司第五十四研究所 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
CN106779046A (zh) * 2016-12-12 2017-05-31 中山大学 一种多智能体高阶信念认知规划器实现方法
CN107145994A (zh) * 2017-03-15 2017-09-08 湖南普天科技集团有限公司 一种用于多星协同观测的任务规划方法
CN107270933A (zh) * 2017-05-16 2017-10-20 北京控制工程研究所 一种基于多星协同的空间碎片运动状态联合确定方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109409775A (zh) * 2018-11-14 2019-03-01 中国电子科技集团公司第五十四研究所 一种卫星联合观测任务规划方法
CN109409775B (zh) * 2018-11-14 2020-10-09 中国电子科技集团公司第五十四研究所 一种卫星联合观测任务规划方法
CN109447525A (zh) * 2018-12-10 2019-03-08 北京理工大学 多星部署上面级启发式任务规划方法
CN111461640A (zh) * 2020-03-05 2020-07-28 四川九洲电器集团有限责任公司 一种通用化的任务行动规划方法
CN116523212A (zh) * 2023-04-12 2023-08-01 中国科学院软件研究所 一种多星协同语义建模及任务规划方法和系统

Also Published As

Publication number Publication date
CN108416500B (zh) 2021-08-27

Similar Documents

Publication Publication Date Title
CN108388958B (zh) 一种二维姿态机动卫星任务规划技术研究的方法及装置
CN108416500A (zh) 一种基于pddl多星协同任务规划方法、设备及存储设备
Young et al. Optimizing deep learning hyper-parameters through an evolutionary algorithm
Chen et al. Dictionary learning over distributed models
Wang et al. Real-time multisensor data retrieval for cloud robotic systems
Bentley Fast algorithms for geometric traveling salesman problems
US20170213127A1 (en) Method and System for Discovering Ancestors using Genomic and Genealogic Data
Waiming et al. A two-phase genetic annealing method for integrated earth observation satellite scheduling problems
CN110046865B (zh) 分布式库存调度方法
CN106384169B (zh) 一种基于超启发式算法的卫星任务规划方法
Wang et al. Ant colony optimization for task allocation in multi-agent systems
CN105929690B (zh) 一种基于分解多目标进化算法的柔性车间鲁棒调度方法
Yang et al. An adaptive immune algorithm for service-oriented agricultural Internet of Things
Gong et al. Evolutionary computation in China: A literature survey
Sathish et al. An artificial bee colony algorithm for efficient optimized data aggregation to agricultural IoT devices application
CN113033878A (zh) 基于多拓扑分级协同粒子群lstm的滑坡位移预测方法
Zhang et al. Quality of web service prediction by collective matrix factorization
Shen et al. Blocking flow shop scheduling based on hybrid ant colony optimization
Zhang et al. A bilevel task allocation method for heterogeneous multi-UUV recovery system
Rani et al. Design and analysis for improving reliability and accuracy of big-data based peripheral control through IoT
Zhang et al. Dynamic scheduling of blocking flow-shop based on multi-population ACO algorithm
She et al. On the privacy issue of evolutionary biparty multiobjective optimization
Manuilov et al. The Technique of Informational Interaction Structural-Parametric Optimization of an Earth’s Remote Sensing Small Spacecraft Cluster
Joshi et al. Improving the Performance of the Germinal Center Artificial Immune System Using-Dominance: A Multi-objective Knapsack Problem Case Study
Liu et al. Accelerated dual averaging methods for decentralized constrained optimization

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