CN108519907A - 一种基于修订式和渐进式方法的单星在线任务调度机制 - Google Patents

一种基于修订式和渐进式方法的单星在线任务调度机制 Download PDF

Info

Publication number
CN108519907A
CN108519907A CN201711278286.XA CN201711278286A CN108519907A CN 108519907 A CN108519907 A CN 108519907A CN 201711278286 A CN201711278286 A CN 201711278286A CN 108519907 A CN108519907 A CN 108519907A
Authority
CN
China
Prior art keywords
task
time
scheduling
observation
star
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.)
Withdrawn
Application number
CN201711278286.XA
Other languages
English (en)
Inventor
邢立宁
李国梁
姚锋
贺仁杰
张忠山
陈英武
陈宇宁
吕济民
陈盈果
陈成
王涛
刘晓路
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN201711278286.XA priority Critical patent/CN108519907A/zh
Publication of CN108519907A publication Critical patent/CN108519907A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00Arrangements for program control, e.g. control units
    • G06F9/06Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46Multiprogramming arrangements
    • G06F9/48Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806Task transfer initiation or dispatching
    • G06F9/4843Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/4881Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于修订式和渐进式方法的单星在线任务调度机制。所述基于修订式和渐进式方法的单星在线任务调度机制采用修订式方法和渐进式方法相混合的求解策略,(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,(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,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。

Description

一种基于修订式和渐进式方法的单星在线任务调度机制
技术领域
本发明涉及卫星技术领域,特别是涉及一种基于修订式和渐进式方法的 单星在线任务调度机制,或者说一种基于修订式和渐进式策略的单星在线应急 任务调度方法。
背景技术
随着星上载荷探测能力和图像处理能力的提升,对地观测卫星可在星上 发现有价值的观测目标并生成进一步的观测任务请求,也可接收其他卫星通信 传递过来的观测任务请求,而这些观测任务请求是动态随机到达的且时效性要 求高,可以成为应急任务或应急观测任务。应急观测任务对单星在线任务调度 机制提出了新的要求,需要进行在线任务调度。同时,有限的星上计算资源严 重影响在线任务调度算法的运行效率。单星自主调度是多星协同任务调度的前 提,同时多星协同任务调度需要建立在单星自主调度的结果之上,因此有必要 对单星在线任务调度机制与算法进行研究,一方面便于进行单星在线任务调度, 另一方面,有利于更复杂的的多星在线协同调度。
发明内容
本发明提供一种基于修订式和渐进式方法的单星在线任务调度机制,所 述单星在线任务调度机制采用修订式方法和渐进式方法相混合的求解策略,
(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Ct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,在步骤14中,在将任务加入到中时,优先选用直接插入算子, 其次选用右移插入算子;在步骤23中,在将任务加入到中时,依次优先选 用直接插入算子、右移插入算子和替换算子;对于每个操作算子,对时间约束 进行检查和传播,直至满足整个调度计划的所有约束,当约束检查和传播失败 时,则采用下一个操作算子并重复上述过程,如果所有操作算子都尝试失败, 则舍弃该任务。
优选地,假如在调度计划中,将任务j直接插入到任务i之后,则任务j的 实际开始时间设置为:
bj=max{ci+sij,esj}
其中,sij为在任务j在任务i之后立即执行时,对应的次序依赖姿态转换 时间,ci为任务i的实际结束时间,esj为任务j的最早开始时间。
优选地,采用修改加权最短成像时长优先算法m-WSITF和动态收益系统 效用算法d-PSB来选择和调度任务;m-WSITF从可用任务集合中,选择并调 度具有最高值的任务j,其中,ej为任务j的收益,由管理者或星上 决策确定,pj为任务j的相机工作时间,为执行任务j所需的姿态转换时间, d-PSB选择并调度具有最高d-PSB指标值的任务,假定当前调度的时间为t, 则针对任务k的d-PSB指标值为:
其中,M为星上可用存储空间,mi为任务i所需存储空间,P为星上可用 相机工作时间,Pi为任务i的相机工作时间,sij为任务j在任务i之后紧接执行 时,对应的次序依赖姿态转换时间,ek为任务k的收益,sk为执行任务k所需 的姿态转换时间,Pk为执行任务k所需的相机工作时间时间,mk为任务k所需 的存储空间。
优选地,当星上计算资源充足时,采用动态收益系统效用算法d-PSB来 选择和调度任务;当星上计算资源不足时,采用修改加权最短成像时长优先算 法来选择和调度任务。
本发明的方法可以较好地对应急观测任务进行处理与调度。
附图说明
图1是常规观测任务示意图。
图2是应急观测任务示意图。
图3是任务状态转换流程图。
图4是调度时刻混合决策示意图。图4示出了所提出的调度时刻混合决 策机制中的T-驱动调度时刻点和C*-驱动重调度时刻点。
图5是直接插入操作算子示意图。
图6是右移插入操作算子示意图。
图7是替换操作算子示意图。
图8示出不同调度时刻决策机制及参量下进入调度求解的应急任务比例。
图9是高相对频率水平下的各启发式算法结果。
图10是中相对频率水平下的各启发式算法结果图。
图11是低相对频率水平下的各启发式算法结果
具体实施方式
下面结合附图对本发明的实施例进行详细说明。
随着星上载荷探测能力和图像处理能力的提升,对地观测卫星可在星上 发现有价值的观测目标并生成进一步的观测任务请求,也可接收其他卫星通信 传递过来的观测任务请求,而这些观测任务请求是动态随机到达的且时效性要 求高,对单星在线任务调度机制提出了新的要求。同时,有限的星上计算资源 严重影响在线任务调度算法的运行效率。
本发明中将调度定义为对资源进行分配并搜索确定开始时间序列,以允 许在时间和资源约束下完成给定的一组任务。与制造中的传统调度问题相比, 对地观测卫星的调度受到限制,因为任务只能在特定时间执行(称为时间窗口)。 此外,它构成了一个过度约束的问题,因为所有请求都不可能在指定的范围内 安排,因此,冲突必须解决。对地观测卫星调度问题的解决方案不仅要选择要 执行的任务,还要确定特定时间窗口内任务的准确开始时间。
本发明中的卫星(对地观测卫星LEO)为自主智能体(自主卫星),具有 下述特征:自主感知,自主规划调度和自主执行。
自主的体现方面包括精密姿态确定、轨道确定、姿态敏感器/驱动器与载 荷校准、姿态控制、轨道机动、状态监视与预测分析、故障检测、诊断、隔离 和修复,预报式建模(在计划调度、状态监视分析和轨道确定保持等中,需要 预报式模型的支持,如星历、太阳强度等信息),任务计划与调度,载荷控制 与配置,数据存储与通信和图像数据处理等方面。例如,能够通过感知来自主 生成应急调度任务。
与传统的对地观测卫星不同,自主卫星具有自我调度和自我修复的自主 权。自我调度是基于执行目标和系统及其环境的知识,自主确定下一个执行任 务和执行时间的过程。自我修复是基于效能衰减或应急情况重新安排任务的过 程。在自主系统的一个例子中,由于卫星和地面站之间的通信延迟,基于地面 的调度器不能快速反应。这意味着星载调度系统需要响应遥感器观察到的应急 事件,然后(重新)尽快安排到达的应急任务。例如,一旦节点卫星检测到相 关的自然灾害或云覆盖区域,就会生成与该事件有关的新的观测任务并将其发 送到所有节点卫星的星载任务调度系统。
当考虑一个节点卫星时,应急任务随机到达。此外,由于地球上不同观 测目标所需的滚动角度不同,两个观测任务之间的转换时间是依赖于序列的。 因此,考虑到上述情况,单个自主对地观测卫星的调度是随机任务到达和次序 依赖转换时间下的在线调度问题。
对于单个自主成像卫星而言,常规观测任务是通过星地链路周期性地上 传,而应急观测任务则随机到达卫星。这两类任务在收益方面有所区别,其中 常规观测任务的收益是由用户提交并通过卫星管理者预先确定的,而应急观测 任务的收益是基于对具体应急事件的情况分析来确定的,同时应急观测任务的 收益往往高于常规观测任务的收益。由于用户所提交的观测任务需求量大, 在线调度问题通常是一类过度订购问题,因此,该问题的目标函数是通过选择 并调度任务需求集合的一个子集使总收益最大化。
为简便起见,对本发明后续中所用到的字符进行统一定义:
下标
i,j:任务编号,i,j=1,2,...,n
变量
H:总调度区间
TL:总调度区间H的时间长度
n1:常规观测任务总数量
n2:应急观测任务总数量
n:包括常规和应急的观测任务总数量,n=n1+n2
sproll:卫星姿态机动角速度
M:星上可用的存储空间
P:星上可用的相机工作时间
rj:观测任务j的到达时间
esj:观测任务j的最早开始时间
lfj:观测任务j的最晚结束时间
otwj:观测任务j的可用观测时间窗口
pj:观测任务j的最晚结束时间
ej:观测任务j的收益,由管理者或星上决策确定
θj:观测任务j的相机观测角度
mj:观测任务j的所需固存量
sij:在任务j在任务i之后立即执行时,对应的次序依赖姿态转换时间
bj:观测任务j的实际开始时间
cj:观测任务j的实际结束时间
针对单个卫星,我们将两个相邻星地通信链路之间的间隔定义为整个调度 区间。在调度区间开始时给出了一确定性的常规观测任务集合N,而在整个调 度区间内会随机到达了一系列应急观测任务,该应急观测任务集合表示为U。 包括常规观测任务和应急观测任务在内的任务总数为n。
每个应急观测任务有两类描述形式,初始型描述和指定型描述。
当星上生成或由地面上注时,应急观测任务j采用一多元组 <idj,longitudej,latitudej,pj,mj,ej>作为初始型描述形式,进行表示:
——idj是一标识符;
——longitudej是地面应急观测目标的经度坐标值;
——latitudej是地面应急观测目标的纬度坐标值;
——pj是成像时长;
——mj是所需固存量;
——ej是任务完成后所得的收益。
对于每一个特定的对地观测卫星而言,应急任务需要采用指定型描述形式, 而从初始型向指定型的描述形式转换过程,包括几何学分析和时间窗口分析, 对于后续的调度,是十分必要的。无论是常规任务还是应急任务,每个任务都 对应于覆盖观测目标的一个条带。本发明中自主对地观测卫星的机动灵敏性仅 限于侧摆,不具有俯仰和偏航能力。对于每个任务,斜航线都是与卫星星下线 相平行。
指定型描述形式用一多元组<idj,sat,esj,lfj,pj,mj,ejj>表示,各元素相对应 表示的是应急任务的标识符,指定对地观测卫星的标识符,最早开始时间,最 晚结束时间,成像持续时间,收益以及观测角度。
假定任务j在任务i之后执行,无论这两者是常规任务还是应急任务,两 者之间次序依赖的姿态转换时间可由以下公式计算得到:
上式中分母为侧摆速度。
每个任务的观测时间窗口又称之为任务数据获取机会,其中最早开始时间 对应于卫星执行第一次成像扫描的时刻点,而最晚结束时间对应于卫星执行最 后一次成像扫描的时刻点。本发明中定义总调度区间为两个相邻星地通信链路 之间的时间区间,则对于每个任务而言,最多会存在一个可用的观测时间窗口。 观测任务j对应的观测时间窗口可表示为:
otwj=[esj,lfj]
根据实际应用情况,本发明对所述问题的一些假设如下。
1.总调度区间H被定义为两个相邻星地通信链路之间的间隔时间区间。 在调度区间开始时给定一常规观测任务集合,而应急观测任务在调度区间内随 机到达。在本发明中,调度区间的开始时间设定为0,H=[0,Tl]。每个任务的 可见时间窗口的中间点早于调度区间的结束时间,(esj+lfj)/2≤Tl,
2.卫星在整个调度区间内不会发生故障。
3.自主卫星会对拍摄到的图像进行星上数据处理,如果检测到感兴趣的 事件,可在星上生成新的应急观测任务。
4.卫星在每个时刻一次最多处理一个遥感任务,不允许抢占中断。
5.任务之间没有时间先后约束,但每个任务都有相应的观测时间窗口约 束。任务最多有一个对应的观测时间窗口。
对于该问题,单星在线调度机制所要达到的目标是在满足在线调度需求下 生成最合适的任务计划序列。针对该目标,在线调度机制包括两个组成部分, 调度时刻决策和调度算法决策,对此,采用任务状态转换流程进行表示。如图 3所示。
调度时刻决策是采用一定的策略,对整个调度区间内执行调度的时间点进 行确定。对于每个新任务,将其观测时间窗口与调度时间点和预期调度区间进 行比较,可对其分类并转换为已进入调度求解和未进入调度求解这两个状态其 中之一。调度时刻决策方法主要分为三类:面向反应式的事件驱动方法,周期 性滚动方法,以及组合前两者优点的混合方法。通过这些方法,我们可以确定 调度时刻和相应的预期调度区间。
调度算法决策是选取或设计一定的算法,对任务进行在线调度。对于在线 实时事件,两类主要的重调度算法分别是调度计划修复算法和完全重调度算法。 前者通过对与任务相关的部分计划进行局部调整来实现对应急任务的调度,其 优势在于计算负担小,对计算能力要求低,而后者则是将原有计划的已调度任 务与新的调度任务一起进行重新调度,从头开始生成新的计划,其优势在于得 到近乎最优的计划方案。
本发明所解决的问题是一个复杂调度问题。该调度问题涉及带有多个时间 约束的观测任务以及带有多种限制的任务执行条件。具体这些约束包括:
(1)时间窗口约束,即每个任务必须在一时间区间内或者在特定的截止 时间之前完成;
(2)不相容性,即一次只能执行一个任务;
(3)次序依赖的转换时间,即两个相邻的任务所对应的侧摆角度不同带 来的姿态转换时间;
(4)应急任务的随机到达,反映了动态环境中的一个显著特征;
(5)任务的时效性限制,反映在对于一给定的卫星,一给定的任务所对 应的观测时间窗口最多一个。
针对何时调度的决策问题,本发明提出一种调度时刻混合决策机制:首先 采用时域滚动的方法,实施周期性调度,即按照预定的时间间隔进行调度计算; 同时采用事件驱动的重调度机制,即根据应急观测任务的具体到达情况,来对 重调度时刻进行决策。
具体而言,调度时刻混合决策机制定义如下:
(1)时域滚动的方法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),其中l为正整数。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。通过时域滚动的方法能够渐进 生成整个调度区间的任务计划,称之为基于渐进式方法的调度时刻决策机制。
(2)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Ct超过给定的阈值C*时,则执行重调度计算,称之为 基于修订式方法的调度时刻决策机制。
除上述两种决策方法所确定的调度时刻点之外,不在任何时刻点进行调度 计算。用伪代码对这一调度时刻混合决策机制进行表示。
在上述决策过程中,两个变量T和C*的值在整个调度区间的开始时刻已经 给定。给定的累积量阈值C*又称为应急观测任务的临界累积数,则将基于应急 观测任务累积数的重调度称为C*驱动的重调度,而由时间间隔T触发的周期性 调度称为T驱动的重调度。
图4总结了所提出的调度时刻混合决策机制中的T-驱动调度时刻点和C*- 驱动重调度时刻点,分别标记为Tsp和C*rp。
当在每个(重)调度点运用调度算法求解时,要解决的问题是组合优化问 题。因此,我们首先将此问题构建为混合整数线性规划模型,然后提出基于修 订式和渐进式方法的调度求解策略,并提出多种启发式算法。
模型构建
决策变量
所构建的混合整数线性规划模型MILP如下:
约束:
I0=1,In+1=1 (3.12)
在本模型中,定义了两个虚拟任务:任务0和任务n+1,其中任务0被安排在计划序列中的第一个位置,而任务n+1被安排在序列中最后一个位置。
公式(3.1)和(3.2)分别表示当任务被调度安排时,其前面和后面分别仅有一个任务。 这些约束也避免了观测任务的执行中断。公式(3.3)表示当任务i位于任务j之前,则任务j的实际完成时间会大于任务i的实际完成时间、任务i与任务j之间次序依赖的转换时间和任务j的成像时长之和。公式(3.4)表示当任务i位于任务j之前,则任务j的实际完 成时间会大于该任务的到达时间、任务i与任务j之间次序依赖的转换时间和任务j的成像 时长之和。对于任务i并不位于任务j之前的情况,任务j的实际完成时间下界更宽松,是 任务j的到达时间和成像时长之和。公式(3.5)表示任务j的实际完成时间大于等于该任 务的最早开始时间与成像时长之和。公式(3.6)保证了计划序列中的每个任务都在其最晚 完成时间之前执行完成。公式(3.7)表示任务i的实际完成时间等于其实际开始时间与成 像时长之和。公式(3.8)和(3.9)表示了当前计划中所有任务需要的固存空间和工作时间 之和分别不超出星上可用固存容量和可用工作时间。公式(3.10)表示当任务i被调度进计 划序列时所得收益。公式(3.11)和(3.12)分别对两个虚拟任务的实际完成时间进行设置, 并且公式(3.13)对0-1变量进行定义。
对于自主对地观测卫星的在线调度问题,从实际应用的角度出发,有必要对所采用的 求解策略进行对比分析。因此,我们用以下五个衡量标准,对三种求解策略进行对比,分 别是前摄式,修订式和渐进式方法:
使用不确定性的知识,
在线存储要求,
在线CPU计算需求,
调度稳健性和稳定性,
单次调度区间。
首先,前摄式方法需要不确定性的知识,而其他两种方法不需要。第二,前摄式方法 可能需要相当大的在线存储,特别是存储条件分支型的调度计划。修订式方法仅存储单一 调度计划,消耗很少的在线存储空间,而渐进式方法仅存储整个调度计划中的一部分,则 所占用的在线存储空间最少。第三,前摄式方法的在线计算需求很低,而修订式方法的在 线计算需求可能会根据所采用的具体策略不同而有所不同,比如计划修复方法与完全重调 度有所不同。虽然需要搜索但只是解决子问题,则渐进式方法的在线计算需求是平衡的。 第四,对于考虑不确定性的知识,前摄式方法在鲁棒性和稳定性方面优于其他两种方法。 最后,渐进式方法的单次调度区间比前摄式方法和修订式方法更加均衡。
对于修订式方法中的两种策略,计划修复更适合节省CPU计算时间并保持计划的稳定 性。而完全重调度或许会更好地生成和维护最优解决方案,但是这种解决方案很少在实际 情况中得到并且需要极大的计算时间。此外,完全重调度会导致计划的不稳定而缺乏一定 的继承性。
在实际应用中,自主对地观测卫星上的在线CPU计算能力十分有限,则对调度算法的 选择产生影响。整体上而言,所提出的调度算法是非时序性贪婪启发式算法。首先,该选择是由星上快速的响应时间和有限的计算能力所决定的;然后,关于星上的不确定性知识是未知的,每个观测任务具有各自相应的观测时间窗口且相互独立;最后,我们采用修订式方法和渐进式方法相混合的求解策略。具体而言:
(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。
(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,对相对应 的一部分计划进行最小调整,以响应调度应急观测任务。
本发明启发式算法是将T-驱动的调度和C*-驱动的重调度策略相结合,以减少调度的 计算时间复杂度。首先,进入调度求解的常规任务集合是由周期性时间间隔T渐次确定的; 然后,当所到达的应急观测任务满足C*-驱动的重调度策略要求时,则将这些应急观测任务 纳入重调度中;最后,启发式算法选择并调度可用的任务,为其安排具体执行时间。
T-驱动的调度算法,描述如下:
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:
--下一个时间周期T内的整个调度计划。
Begin Procedure
步骤11根据时间窗口是否落入下一个时间周期T内,分别从中选取常规观 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将整合为一个观测任务集合,用于完全调度求解;
步骤13按照特定的启发式规则,对整合后的观测任务集合中的任务进行排序;
步骤14按照新的任务次序,一一进行调度,直至再无任务可加入计划中。具体的调度操作算子依次是直接插入算子,右移插入算子和替换算子。
步骤15输出针对下一时间周期T的整体计划
End Procedure
C*-驱动的调度算法,描述如下:
输入:
—在本时间周期T内且处于C*-驱动调度时刻点t之后的任务计划;
—在调度时刻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。
Begin Procedure
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,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根据特定的启发式规则,对中的应急观测任务进行计算并排序;
步骤23按照新的任务次序,一一选取并对进行修订,直至再无任务可加入计划中。 具体的调度操作算子依次是直接插入算子,右移插入算子和替换算子。
步骤24输出已修订的调度计划
End Procedure
假定常规观测任务和应急观测任务的总数量为n,则T-驱动调度算法的计算复杂度为 O(n2),C*-驱动调度算法的计算复杂度为O(n2)。
定义3.4(观测实际开始时间)
假如在任务计划中,将任务j直接插入到任务i之后,则观测任务j的实际开始时间为:
bj=max{ci+sij,esj}。
此处可见,当将新的任务插入计划中时,在满足所有时间约束的情况下,任务的实际 开始时间尽可能地早,使得右移空余时间最大,便于充分利用时间资源。
具体调度操作算子是按以下顺序:直接插入算子,右移插入算子和替换算子。对于每 个操作算子,算法对时间约束进行检查和传播,直至满足整个活动序列计划的所有约束。 当约束检查和传播失败时,则采用下一个操作算子并重复上述过程。如果所有三个操作算 子都尝试失败,则舍弃该观测任务。图5、图6和图7分别表示将任务j直接插入调度计划, 将任务k插入调度计划并对任务j右移以及将任务j替换成任务l。
在线调度问题的目标函数是收益最大化,直观而言,收益较高的任务应该首先被选择 并调度。但是,由于星上资源有限,任务之间会相互竞争,除了收益之外的其他因素需要 在调度过程中进行考虑。比如,考虑两个除了具有不同的成像时长之外其他参数相同的待 调度任务,需要较短成像时长的任务会优先被选择,因为在获得相同的收益时可以消耗更 少的空余时间。
根据以上分析,本发明提出两种启发式算法:修改加权最短成像时长优先算法 m-WSITF(modified weighted shortest imaging time first)和动态收益系统效用算法d-PSB (dynamic profit system benefit)。
1.m-WSITF算法
m-WSITF启发式算法是对加权最短处理时间优先WSPT(weighted shortestprocessing time)启发式的修改版本,从可用任务集合中,选择并调度具有最高值的任务。
2.d-PSB算法
d-PSB启发式算法针对完成一对地观测任务的两种必需资源,卫星可用存储空间和工作 时间,反映了每个观测任务所需的资源量与卫星当前剩余的资源量之间的关系。
假定当前(重)调度的时间为t,则针对任务k的d-PSB指标值为:
实验设计
为了评估所提出的调度机制和不同的启发式算法性能,需要采用不同的测试算例与卫 星本身,调度机制和任务相关的所有参数变量及其取值范围在表1中一一列出。
表1调度机制和任务相关的参数变量设置
具体来说,针对可能影响调度机制性能的四个参数量,依次采用相应的不 同取值进行计算分析。这四个参数量分别是:周期性调度区间的时间长度,应 急观测任务的累积数阈值,应急观测任务的到达速率以及任务到达时间和最早 开始时间之间的间隔时长,其中前两者是调度机制相关的参数量,后两者是与 任务相关的参数量。
在实验设置中,周期性调度区间的时间长度Pl可设置为100,200和500; 应急任务累积数阈值C*可设置为1,2,3,5和10,其中C*=1表示一旦有应急 观测任务到达卫星,则会触发一次重调度。
假设两个相邻的应急观测任务到达时间之间的间隔是独立同分布的,并且 服从一均值为(1/λ)∈{5,10,20,50}的指数分布。另外,应急观测任务的到达时间 和最早开始时间之间的时间间隔也是独立同分布的,并且服从一均值为 的指数分布。
后续的实验结果首先是对所提出的混合调度机制在不同算例中的性能表 现进行评价,然后是对不同启发式算法在不同算例中的性能表现进行评价。
定义RF(C*)为C*-驱动重调度的相对频率,具体表示为:
其中F(C*)和F(T)分别表示C*-驱动重调度的平均频率和T-驱动调度的平 均频率。F(T)=Tl/Pl。在本实验中,Tl设定为1000,因此,由于Pl设定为100, 200和500,则相应的F(T)分别为10,5和2。
表2表明在这四个因素中,C*-驱动重调度的相对频率对C*和λ的取值比 较敏感,其中应急观测任务累积数阈值越大,C*-驱动重调度的相对频率越高, 而应急观测任务的到达速率越低,C*-驱动重调度的相对频率越低。此外,到 达时间和最早开始时间之间的时间间隔越大,C*-驱动重调度的相对频率越低, 但是E对相对频率的影响明显弱于前两个参量因素。对于不同的周期性调度区 间长度,相对频率几乎维持不变。
表2给出了实验中所有参量值的组合情况及其相应的C*-驱动重调度相对 频率值。若在不同的相对频率水平(高/中/低)上评价“如何调度”策略——调 度算法,需进一步筛选实验所需的参数值组合。
图8表明C*值越高,进入调度求解的应急任务百分比越低,同时应急任务 到达速率越低,进入调度求解的应急任务比例越低。对于E对调度性能的影响, 大多数情况中平均间隔时间越长,进入调度求解的应急任务比例越低。然而, 当在C*取值大和λ取值小的情况下,E对应急任务进入调度求解的比例产生的 影响作用是相反的。
在相同的参量组合下,与完全定周期的重调度机制相比,所提出的调度时 刻混合决策机制表现更好。
表2 C*-驱动重调度的相对频率(%F(C*))
基于上述实验,为后续的“如何调度”实验筛选合适的参量组合,如表3所 示。依据C*-驱动重调度相对频率的取值,定义了相对频率的三个水平:高, 中,低。
表3对应于不同相对频率水平的参量取值
针对不同的参量组合,将所提出的两种启发式算法与其他算法进行对比。 所采用的对比算法包括收益优先PF、AIS、DIS、WIS和CPLEX求解器。针 对各对比算法的描述,具体如下:
1.PF算法
PF算法的主要思想是首先根据任务的到达时间、最早开始时间和最晚结束 时间,对任务的调度可用性进行检查,然后在可用任务集合中,依次选取具有 最高收益值的任务进行调度。
2.AIS/DIS/WIS
一系列启发式算法AIS、DIS和WIS、分别是面向到达时间优先,截止日 期(截止时间)优先和等待时间优先进行调度求解。
在T-驱动调度的时刻点,任务集合中所有任务的基础参数量x(到 达时间,截止时间,等待时间或收益)均进行以下标准化:
值得注意的是在C*-驱动重调度时刻点,用替代
基础参量在标准化之后分别定义为ASk,DSk,CSk和WSk
任务k的到达时间优先度计算如下:
任务k的截止日期优先度计算如下:
任务k的等待时间优先度计算如下:
对于每组参量配置,共进行20次重复实验,然后计算针对整个调度区间的 平均总收益和平均计算时间。实验平台例如是Intel Core i5-2430M CPU处理器 @2.40GHz,4GBRAM的PC机。
表4和5表示了在常规观测任务数量分别为100和300的情况下,各个算 法在整个调度区间内的平均总收益和平均计算时间。同时,每个收益值下方括 号里的百分数是表示与PF算法相比,各个算法在总收益上的增量比。
从表4和5可见,每个启发式算法的计算时间都是处于10-4或10-3秒的水平 上,可见d-PSB算法的耗时较其他算法略长。同时,CPLEX的最少保证求解 时间从十几秒到几十秒不等,而计算时间上界则从上百秒到上千秒不等,具体 耗时取决于调度触发次数多少和进入调度求解的任务数量多少。随着周期性调 度区间时长Pl增加,CPLEX的最少保证求解时间和上界时间都大幅增加,因 为随着Pl增加,进入调度求解的任务数量增多,虽然C*增大会减少调度次数。 同时,每个启发式算法的计算耗时相差不大。
若以PF算法取得的平均收益值作为基准,AIS和DIS算法的收益值在该 基准线上下浮动,而WIS算法的收益值低于基准线。总体上,m-WSITF,d-PSB 和CPLEX所取得的收益值均高于基准线。在这三个算法中,d-PSB所取得的 平均总收益高于m-WSITF和最低保证时间下的CPLEX求解结果。
表4和表5之间在参数设置上的唯一区别量是整个调度区间内的常规观测 任务总数量。从表4到表5,每个算法的计算时间都有所增加,同时六种启发 式算法的计算时间增长率明显小于CPLEX所对应的计算时间增长率。对于 CPLEX求解器,相同的参数配置下,最低保证时间都会增长4到6倍,而计 算上界也会增长2到4倍。随着常规任务数量的增加,每组参数配置下的平均 总收益都有增长,因为调度算法可以在更大的任务集合中选取并调度具有更高 收益的任务。
此外,由于星上计算能力的有限(通常是普通桌面电脑计算能力的百分之 一到千分之一),则最佳的选择是在任务收益与计算时间之间性能表现平衡的 算法。
综上所述,由于算法需要较长的计算时间,CPLEX求解器不能在星上配 置而更适于在地面生成离线调度计划,特别是针对小规模问题。在多种启发式 算法中,m-WSITF和d-PSB算法的收益表现更优。当星上计算资源充足时, d-PSB算法是优选求解方案,而当星上计算资源不足时,m-WSITF算法是优 选方案。
表4 100个常规任务时各算法的计算时间,收益以及相比PF的收益增量(%)
表5 300个常规任务时各算法的计算时间,收益以及相比PF的收益增量(%)
图9-11给出了常规观测任务数量为300的情况下不同启发式算法的性能表 现,其中M1表示所提出的混合在线调度机制,M2表示完全周期性调度机制。 应急观测任务的局部调度成功比例是调度成功的应急任务数量与进入调度求 解的应急任务数量之间的比值。应急观测任务的全局调度成功比例是调度成功 的应急任务数量与全部应急任务数量之间的比值。
对于在线调度机制的性能表现,M1所取得的总任务收益和调度成功的应 急任务数量均大于M2。虽然M1所取得的应急任务局部调度成功比例低于 M2,但是当考虑到进入调度求解的比例时,可见M1所取得的应急任务全局 调度成功比例高于M2。
进一步而言,给定相同的λ,和Pl,调度成功的应急任务数量随着C*值 的增长而减少,特别是对于λ值小和值小的情况,因为C*值越大,所触发的 调度时刻点越晚,也就影响了更多的应急任务进入调度求解。
在不同的相对频率水平上,从四个性能指标来看,m-WSITF和d-PSB比 其他启发式算法表现更优。
本发明对卫星网络环境下的自主对地观测卫星在线调度问题进行研究,该 问题包括针对任务的多个时间约束和面向执行的多种限制。为使对地观测卫星 的总任务收益最大化,本发明基于修订式和渐进式方法,提出了混合在线调度 机制。该机制包括两个决策层次:“何时调度”——调度时刻决策和“如何调 度”——调度算法决策,其中调度时刻决策是将基于应急任务累积数阈值的重 调度时刻决策和周期性滚动调度决策相结合,而调度算法策略是将渐进式方法 中的完全重调度与修订式方法中的计划修复相结合,并提出了两种启发式算法: m-WSITF和d-PSB算法。
就进入调度求解的应急任务比例和总任务收益而言,调度时刻混合决策机 制明显优于完全周期性调度机制,特别是在应急任务频繁到达并且提前到达时 间量较少的情况下。在不同的C*-驱动重调度相对频率水平上对于各个算法进 行实验,实验结果表明在总任务收益和调度成功的应急任务比例上,m-WSITF 和d-PSB算法优于其他算法。
最后需要指出的是:以上实施例仅用以说明本发明的技术方案,而非对 其限制。本领域的普通技术人员应当理解: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;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 (6)

1.一种基于修订式和渐进式方法的单星在线任务调度机制,其特征在于,采用修订式方法和渐进式方法相混合的求解策略,
(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Ct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。
2.如权利要求1所述的基于修订式和渐进式方法的单星在线任务调度机制,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
3.如权利要求2所述的基于修订式和渐进式方法的单星在线任务调度机制,其特征在于,在步骤14中,在将任务加入到中时,优先选用直接插入算子,其次选用右移插入算子;在步骤23中,在将任务加入到中时,依次优先选用直接插入算子、右移插入算子和替换算子;对于每个操作算子,对时间约束进行检查和传播,直至满足整个调度计划的所有约束,当约束检查和传播失败时,则采用下一个操作算子并重复上述过程,如果所有操作算子都尝试失败,则舍弃该任务。
4.如权利要求3所述的基于修订式和渐进式方法的单星在线任务调度机制,其特征在于,假如在调度计划中,将任务j直接插入到任务i之后,则任务j的实际开始时间设置为:
bj=max{ci+sij,esj}
其中,sij为在任务j在任务i之后立即执行时,对应的次序依赖姿态转换时间,ci为任务i的实际结束时间,esj为任务j的最早开始时间。
5.如权利要求1所述的基于修订式和渐进式方法的单星在线任务调度机制,其特征在于,采用修改加权最短成像时长优先算法m-WSITF和动态收益系统效用算法d-PSB来选择和调度任务;m-WSITF从可用任务集合中,选择并调度具有最高值的任务j,其中,ej为任务j的收益,由管理者或星上决策确定,pj为任务j的相机工作时间,为执行任务j所需的姿态转换时间,d-PSB选择并调度具有最高d-PSB指标值的任务,假定当前调度的时间为t,则针对任务k的d-PSB指标值为:
其中,M为星上可用存储空间,mi为任务i所需存储空间,P为星上可用相机工作时间,Pi为任务i的相机工作时间,sij为任务j在任务i之后紧接执行时,对应的次序依赖姿态转换时间,ek为任务k的收益,sk为执行任务k所需的姿态转换时间,Pk为执行任务k所需的相机工作时间时间,mk为任务k所需的存储空间。
6.如权利要求5所述的基于修订式和渐进式方法的单星在线任务调度机制,其特征在于,当星上计算资源充足时,采用动态收益系统效用算法d-PSB来选择和调度任务;当星上计算资源不足时,采用修改加权最短成像时长优先算法来选择和调度任务。
CN201711278286.XA 2017-12-06 2017-12-06 一种基于修订式和渐进式方法的单星在线任务调度机制 Withdrawn CN108519907A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711278286.XA CN108519907A (zh) 2017-12-06 2017-12-06 一种基于修订式和渐进式方法的单星在线任务调度机制

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711278286.XA CN108519907A (zh) 2017-12-06 2017-12-06 一种基于修订式和渐进式方法的单星在线任务调度机制

Publications (1)

Publication Number Publication Date
CN108519907A true CN108519907A (zh) 2018-09-11

Family

ID=63432715

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711278286.XA Withdrawn CN108519907A (zh) 2017-12-06 2017-12-06 一种基于修订式和渐进式方法的单星在线任务调度机制

Country Status (1)

Country Link
CN (1) CN108519907A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109710389A (zh) * 2018-11-07 2019-05-03 长沙天仪空间科技研究院有限公司 一种多层级卫星协同调度方法和系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103345504A (zh) * 2013-07-03 2013-10-09 邢立宁 单星调度的算子构建方法
US9197909B2 (en) * 2013-03-14 2015-11-24 Comcast Cable Communications, Llc Allocation of clamping functionality

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9197909B2 (en) * 2013-03-14 2015-11-24 Comcast Cable Communications, Llc Allocation of clamping functionality
CN103345504A (zh) * 2013-07-03 2013-10-09 邢立宁 单星调度的算子构建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
GUOLIANG LI等: "A hybrid Online Scheduling", 《ACTA ASTRONAUTICA》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109710389A (zh) * 2018-11-07 2019-05-03 长沙天仪空间科技研究院有限公司 一种多层级卫星协同调度方法和系统

Similar Documents

Publication Publication Date Title
Hazır et al. A classification and review of approaches and methods for modeling uncertainty in projects
Nunes et al. A taxonomy for task allocation problems with temporal and ordering constraints
Bean Genetic algorithms and random keys for sequencing and optimization
CN110210700A (zh) 面向应急响应的基于任务优先级的多星动态任务规划方法
Vepsalainen et al. Priority rules for job shops with weighted tardiness costs
Mohanty et al. A fuzzy ANP-based approach to R&D project selection: a case study
Deng et al. On the complexity of cooperative solution concepts
Gambardella et al. Simulation and planning of an intermodal container terminal
US5671361A (en) Priority rule search technique for resource constrained project scheduling
Wu et al. Gini coefficient-based task allocation for multi-robot systems with limited energy resources
Taghaddos et al. Simulation-based auction protocol for resource scheduling problems
US20080201183A1 (en) Multi objective national airspace flight path optimization
Jiang et al. Understanding crowdsourcing systems from a multiagent perspective and approach
EP2763084A1 (en) Alpha-chain constraints for process planning
Chen et al. Using a genetic algorithm to schedule the space-constrained AGV-based prefabricated bathroom units manufacturing system
Yang et al. Onboard coordination and scheduling of multiple autonomous satellites in an uncertain environment
Ghannadpour et al. Appraising the triple bottom line utility of sustainable project portfolio selection using a novel multi-criteria house of portfolio
Viana Integrated production planning and control model for engineer-to-order prefabricated building systems
Monostori et al. Digital enterprise solution for integrated production planning and control
Chang et al. Network resource allocation with support of a fuzzy expert system
Guo et al. Reinforcement learning enabled dynamic bidding strategy for instant delivery trading
CN108519907A (zh) 一种基于修订式和渐进式方法的单星在线任务调度机制
Long et al. Improved particle swarm optimization with reverse learning and neighbor adjustment for space surveillance network task scheduling
Sun et al. Satellites scheduling algorithm based on dynamic constraint satisfaction problem
Bagchi Near optimal ground support in multi-spacecraft missions: a GA model and its results

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20180911

WW01 Invention patent application withdrawn after publication