CN108880663B - 基于改进遗传算法的天地一体化网络资源分配方法 - Google Patents

Abstract

本发明公开了一种基于改进遗传算法的天地一体化网络资源分配方法，包括以下步骤：定义参数及决策变量；建立多目标约束模型；基于改进遗传算法的资源分配。本发明考虑多种资源的分配，使天地一体化网络的资源利用率得到显著提高。本发明改进后的选择机制有效保留了精英个体，加快了改进遗传算法的收敛速度。本发明以完成所有任务的时间最短为目标函数，同时考虑了任务的优先级，有效提高了资源分配的合理性；并将精英保留策略与轮盘赌策略相结合改进选择机制、设计自适应的交叉、变异算子，改进了现有遗传算法，改进后的算法可以有效避免遗传算法局部优化能力差以及容易陷入局部最优等缺点，同时能够防止最优解的丢失，有效提高了算法的寻优速度。

Description

基于改进遗传算法的天地一体化网络资源分配方法

技术领域

本发明涉及天地一体化网络，特别是一种天地一体化网络资源分配方法。

背景技术

为满足新时期民用和军事发展战略的需求，加快航空航天科技在远洋航行、应急救援、导航定位、航空运输、航天测控等方面的发展步伐，作为未来卫星网络的发展趋势，天地一体化网络已成为目前国际上研究的热点问题。天地一体化网络是由不同高度的地球卫星、空间站、无人/有人飞船、飞艇、飞机等节点构成，通过星地、星间链路将各类航天器和地面通信网等异构网络实现互联互通，面向光学、红外多谱段探测信息，按照信息资源的最大有效综合利用原则构成的天地协同的信息网络。相比传统卫星网络，天地一体化网络资源优化是一个相当复杂的问题，其复杂性在于它不仅包括多任务的排序，而且包括多星多资源的选择。最优搜索的空间随卫星设备的数量和任务数量的增加呈指数增长。从问题的复杂度上说，天地一体化网络中面向任务的资源优化问题属于资源受限项目调度问题，是一类多项式复杂程度的非确定性问题(Non-deterministic Polynomial Problem，简称NP-Problem)，不可避免地受到组合优化问题的困扰。尽管像整型线性规划这样的传统优化方法能够准确求出组合优化问题的最优解，但它的运算开销非常庞大，尤其是对天地一体化网络资源分配这样规模较大的问题，在普通计算环境下，它需要相当长的运算时间才能获得最优解，可能是几个小时，甚至可能是数天，这显然满足不了实际工程的应用要求。智能优化算法的出现，为求解天地一体化网络的资源分配提供了一个新的思路。

智能优化算法通常都是基于概率转移原理，按照预定的规则在解空间中尽可能地快速搜索出符合要求的最优解。智能优化算法和传统优化方法相比具有以下优点：(1)对目标函数和约束函数表达的要求更为宽松；(2)计算的效率比理论上的最优性更为重要；(3)算法随时终止能够随时得到较好的解；(4)对优化模型中数据的质量要求更为宽松。由此可以看出：智能优化算法能够有效地压缩问题的搜索解空间，明显加快了优化解的搜索速度，缩短了组合优化问题的求解时间。

目前，已有研究人员提出了将智能优化算法应用于卫星的资源分配问题。Pemberton综合利用贪婪算法和分枝定界算法解决了一个单资源卫星任务调度问题，该问题描述较简单：为每项任务设定优先级，任务开始时间和执行时间是固定的，调度的目标为最大化调度的任务数目。Wolfe在此基础上考虑了更复杂的单资源调度问题，其中每项任务的执行时间存在上、下限，且调度目标包括调度的任务数目和调度任务的总优先级。Frank在此基础上提出了一种基于约束的随机贪婪搜索算法，该算法在地面资源调度中取得了较好的效果。但是，现有的研究主要集中在传统卫星网络的单资源分配问题上，且算法寻优速度慢时效低，而天地一体化网络是由多种资源组成的，且对资源分配的时效性有较高的要求，导致现有的资源分配方法无法满足天地一体化网络的需求。

发明内容

为解决现有技术存在的上述问题，本发明要设计一种能实现多类资源分配、高时效分配的基于改进遗传算法的天地一体化网络资源分配方法，以解决天地一体化网络的资源分配问题。

为了实现上述目的，本发明的技术方案如下：基于改进遗传算法的天地一体化网络资源分配方法，包括以下步骤：

A、定义参数及决策变量

A1、天地一体化网络的资源被定位为所有能够影响端到端通信目标的、可感知的、可管理的、可操作的网络组成模块和设备的总和。根据网络实体的物理功能将天地一体化网络资源划分为传感器资源、计算资源、存储资源和通信资源四大类。假设天地一体化网络中共有s颗卫星，设卫星集为：sat＝{sat₁,sat₂,…,sat_s}，在s颗卫星组成的天地一体化网络中，共有r个资源，这些资源划分为m种。每个卫星上有若干个资源，完成相应的任务。

A2、假设用户提交了n个任务，设任务集为：Task＝{Task₁,Task₂,…,Task_n}，其中Task_i是由Q_i个具有次序约束的不重叠子任务组成，即：

每个任务的子任务保持有偏序关系“<”：

A3、假设i为任务序号，j为任务的子任务序号，k为资源序号，则：T_ik表示第i个任务在第k个资源上的完成时间，T_ijk和t_ijk分别为第i个任务的第j个子任务在第k个资源上的完成时间和工作时间。能满足子任务Task_ij资源需求的卫星构成的卫星子集为

R_ij为完成子任务Task_ij的卫星。

A4、假设任务的优先级p_i∈{1,2,…,p_max}，p_max为正整数，表示任务的最高优先级。对当前调度模型的所有任务按任务优先级进行排序，优先级越高排序越靠前，同优先级的多个任务按照任务所需时间越短优先级越高的原则进行排序，则得到基于优先级的最优任务执行序列。引入线性代数中逆序数的概念，定义任务执行序列的优先级逆序数PIN：对于调度模型中的n个任务，把基于优先级的最优任务执行序列定义为标准次序，对于一个任务执行序列，在这个排序中当某两个元素的先后次序与标准次序不同时，就说有1个逆序，则任务执行序列中所有逆序的总数叫做这个任务执行序列的优先级逆序数PIN。对于一个任务执行序列来说，它的优先级逆序数越小，则该任务执行序列基于优先级的角度来说越好，优先级越高的任务越早分配资源。

B、建立多目标约束模型

定义多目标约束模型符合以下假设条件：

B1、任务的每一个子任务顺序已经预先约定；

B2、每个子任务在可用卫星子集的任意卫星上处理；

B3、当前任务来临的时候，前面的任务还没有完成，允许有等待时间；

B4、任何任务只能在前一子任务完成之后才能进行下一任务。

根据步骤A2对任务进行子任务分割，确定各个子任务所需的资源类型以及时间，并且满足各个子任务之间的相互依赖关系。需要解决的问题是如何将每个子任务合理的分配到各个卫星资源上面，使得在考虑任务优先级的情况下完成所有任务的时间尽可能的短。基于上述定义，建立的天地一体化网络资源调度系统多目标约束模型为：

S.T.

(a)T_ijk-T_i(j-1)k≥t_ijk,i∈{1,2,…,n},j∈{1,2,…,Q},k∈{1,2,…,r}

(b)T_egk-T_ijk≥t_egk,i,e∈{1,2,…,n},j,g∈{1,2,…,Q},k∈{1,2,…,r}

(c)

(d)

上述多目标约束模型中，目标函数f₁代表调度的目标是保证各任务的最大完成时间最小化，即使得完成所有任务的时间尽可能的短。目标函数f₂代表调度的目标是保证任务执行序列的优先级逆序数最小化，即使得优先级高的任务尽可能早的完成。约束a为顺序约束：第i个任务的第j个子任务必须在第j-1个子任务完成后才能开始，也就是说必须保证各个任务的子任务的偏序顺序。约束b为资源约束：在第k个资源上，第e个任务的第g个子任务的完成时间比第i个任务的第j个子任务的完成时间至少大于第e个任务的第g个子任务的运行时间。即表示任一确定时刻，第k个资源不能同时处理任意两个不同任务或者子任务。约束c为时间约束：任意一个子任务的完成时间不能小于其工作时间。约束d为非负性约束：即每个子任务的完成时间不允许为负。

在天地一体化网络资源调度问题中，任务完成时间、优先级逆序数是不同量纲的目标参数。为了得到优化的调度结果，首先对目标参数进行无量纲的标准化处理，再基于模糊偏好对优化目标分别确定权重，目标函数f₁、f₂的权重分别表示为ω₁、ω₂，最后利用线性加权法，在对各个目标函数进行分析的基础上，通过多个目标函数加权运算来构造单目标函数，将多目标问题转化为单目标的优化问题。具体表达为：

Min(f＝ω₁f₁+ω₂f₂) (2)

C、基于改进遗传算法的资源分配

根据多目标约束模型生成调度方案并计算目标函数，采用人工智能算法对调度方案进行寻优，具体步骤如下：

C1、参数初始化。设置种群规模M、最大迭代次数Max、初始交叉概率k₁和初始变异概率k₂。

C2、确定染色体长度并对任务序列进行编码。采用整数形式编码任务序列，将任务根据标准次序即基于优先级的最优任务执行序列进行编码，形成任务与编码号的对应表即编码表，利用编码表将任务序列编码成一个长度为

的染色体，作为编码过程。通过改进遗传算法找到较优的染色体之后，利用编码表将染色体解码为天地一体化网络资源分配问题的任务序列，作为解码过程。

C3、生成初始种群。随机产生M个染色体，组成初始种群，令迭代次数计数器t＝0。

C4、判断是否满足迭代终止条件。若不满足条件，迭代次数t＝t+1，转步骤C5；若满足条件，则转入步骤C8。

C5、适应度值的计算。首先，染色体中不要求子任务满足偏序关系，因此在计算适应度值之前，需要对染色体进行偏序处理，使子任务满足偏序关系。随后，对染色体计算适应度值，适应度函数定义为：

式中：

分别为目标函数f₁、f₂的无量纲标准化指标值；ω₁、ω₂分别为目标函数f₁、f₂的权重。适应度函数取2个目标函数f₁、f₂的无量纲标准化指标值的线性加权和，说明染色体中所有任务的完成时间越短、染色体中优先级越高的任务越早完成，则适应度函数值越小，该染色体越优。

最后，对种群中的染色体全部计算适应度值之后，对适应度值进行排序，将适应度值小的部分个体作为精英个体保留下来。

C6、产生新种群。采用精英保留策略的思想改进遗传算法，将每代中最优秀的部分个体直接保留并遗传给下一代，剩下的个体通过轮盘赌法选择到子代中。迭代完成后，从所有保留个体中选出最优个体作为优化方案的结果。

C7、对染色体进行自适应交叉、变异操作。设计一种混合的自适应交叉、变异算子，令P_c和P_m分别是交叉概率和变异概率。当种群中个体的适应度值趋于一致时，种群容易陷入局部最优，此时种群的多样性较差，如果选择较大的P_c和P_m增加新个体的产生概率，有利于种群跳出局部最优状态。在改进遗传算法的初始阶段或种群适应度值较分散时，选择较小的P_c和P_m有利于精英个体的保留，同时加快改进遗传算法的收敛速度。因此，采用下式具体计算自适应交叉概率和变异概率：

式中：k₁、k₂为0～1之间的常数，分别为初始交叉率、初始变异率；f为种群的适应度值列表；E(*)为求随机变量数学期望的函数；P_c、P_m为最终求到的自适应交叉概率、变异概率。

计算得到自适应交叉概率P_c和变异概率P_m后，对染色体进行自适应交叉、变异操作。为确保每条染色体中的基因码出现且仅出现一次，交叉算子采用循环交叉算子，变异算子采用基因对换变异算子。

C8、从各迭代保留结果中选出最优个体作为改进遗传算法的最优解，改进遗传算法；结束。

进一步地，所述的传感器资源包括数字温度传感器、图像传感器和方位控制传感器。

进一步地，所述的计算资源包括考虑cup处理器。

进一步地，所述的存储资源包括存储器。

进一步地，所述的通信资源包括激光链路和微波链路。

与现有技术相比，本发明具有以下有益效果：

1、本发明将天地一体化网络资源划分为传感器资源、计算资源、存储资源、通信资源四大类，同时考虑四类资源的分配问题。天地一体化网络是多资源网络，同时有多种资源可供利用，现有资源分配方法大多只考虑了一种资源下的分配问题，单一资源的分配无法使天地一体化网络的资源得到充分利用。因此，与其他类似方法相比，本发明同时考虑多种资源的分配，使天地一体化网络的资源利用率得到显著提高。

2、绝大多数进化算法都是通过个体适应度大小确定个体在后代进化中的出现概率，从而提高全局的收敛性和计算效率。而这种方法对适应度函数的设计要求非常严格，适应度函数设置稍有不当容易影响算法的性能；此外，该方法容易造成精英个体的丢失。为克服上述不足，本发明采用精英保留策略的思想改进遗传算法，将每代中最优秀的部分个体直接保留并遗传给下一代，剩下的个体通过轮盘赌法选择到子代中。迭代完成后，从所有保留个体中选出最优个体作为优化方案的结果。与原有选择机制相比，改进后的选择机制有效保留了精英个体，加快了改进遗传算法的收敛速度，同时，放宽了适应度函数的设计要求，方便了适应度函数的设计。

3、本发明采用整数编码形式，而不是采用传统的二进制编码形式。在多目标约束模型中，共有m种资源可供调用。现假设子任务Task_ij调用第k种资源来完成任务，多目标约束模型中可利用的某种资源总数为

若采用二进制编码形式则每一种资源需要大于

个二进制位来表示，一个染色体共需要

个二进制位来表示，其表示形式过于冗长。同时，采用二进制表示形式还会引入错误解，影响遗传算法的效率，因为

个二进制位还原为整数值时其值可能大于

4、本发明采用的染色体编码的方法决定了采用普通的交叉、变异算子将无法保证基因码在编码串中出现且仅出现一次，即不能保证每个子任务出现且只出现一次。为了满足在子代中不出现重复基因码的条件，故采用循环交叉算子、基因对换变异算子。

5、遗传算法适用于传统搜索算法难以解决的复杂和非线性优化问题，目前已被广泛应用于组合优化、约束满足等问题并取得了良好的成果。传统遗传算法直接以目标函数值作为搜索信息，全局优化能力较强，但其局部搜索能力差，并且容易出现早熟现象，极大降低了算法搜索率。本发明以完成所有任务的时间最短为目标函数，同时考虑了任务的优先级，有效提高了资源分配的合理性；并将精英保留策略与轮盘赌策略相结合改进选择机制、设计自适应的交叉、变异算子，改进了现有遗传算法，改进后的算法可以有效避免遗传算法局部优化能力差以及容易陷入局部最优等缺点，同时能够防止最优解的丢失，有效提高了算法的寻优速度。

附图说明

图1是本发明的流程图。

图2是循环交叉算子示例图。

具体实施方式

下面结合附图对本发明作进一步地说明。

如图1所示，本发明提出了一种基于改进遗传算法的天地一体化网络资源分配方法，该方法可以实现天地一体化网络的多类资源分配、高时效资源分配。在具体实施时，可以将该算法放在天地一体化网络的管理站上，管理站收集用户提交的各种任务并登记到本地任务列表；然后根据任务特性将其分解为若干存在一定依赖关系的子任务，每个子任务需要一类资源来完成；由管理站查询资源信息库寻找可用资源空间按照本发明提出的资源分配算法进行资源分配调度，将子任务分配到各个卫星，卫星上的子任务完成后返回结果。

资源分配在具体实施时按照下述流程进行：

首先，读入卫星与任务信息，对参数及决策变量进行定义并对需要分配的所有任务按任务优先级进行排序，优先级越高排序越靠前，同优先级的多个任务按照任务所需完成时间越短优先级越高的原则进行排序，则可以得到基于优先级的最优任务执行序列(即标准次序)。

随后，进行多目标约束模型构建，多目标约束模型内任务的执行满足以下假设条件：任务的每一个子任务顺序已经预先约定；每个子任务可以在可用卫星子集的任意卫星上处理；当前任务来临的时候，前面的任务还没有完成，允许有等待时间；任何任务只能在前一子任务完成之后才能进行下一任务。

最后，利用改进的遗产算法进行迭代寻找最优解，在寻找最优解的过程中以每个执行序列的最大完成时间和优先级逆序数的模糊加权值作为评价标准，基于精英保留策略和轮盘赌策略的改进选择机制和自适应交叉、变异算子的设计加快了算法的寻优速度同时可以防止最优解的丢失。该算法能够在资源和任务偏序顺序双重约束下给出任务执行序列和资源分配方案，实现天地一体化网络资源的分配问题。

图2所示为对染色体的交叉过程，假设当前有两个将要发生交叉操作的染色体P1＝(1,2,3,4,5,6,7,8,9)、P2＝(4,5,2,1,8,7,6,9,3)，染色体的长度为9，随机生成的两个交叉点位置为3和7，P1交叉操作后生成的染色体命名为o1，P2交叉操作后生成的染色体命名为o2，o1首先直接继承P1位于两个交叉点之间的基因片段(4,5,6,7)，随后，移走P2中在o1中已经存在的基因后得到基因片段(2,1,8,9,3)，最后，把基因片段(2,1,8,9,3)顺序放在o1中就可得到染色体o1。相似的方法，可以得到P2交叉操作后生的染色体o2。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (5)

1.基于改进遗传算法的天地一体化网络资源分配方法，其特征在于：包括以下步骤：

A、定义参数及决策变量

A1、天地一体化网络的资源被定位为所有能够影响端到端通信目标的、可感知的、可管理的、可操作的网络组成模块和设备的总和；根据网络实体的物理功能将天地一体化网络资源划分为传感器资源、计算资源、存储资源和通信资源四大类；假设天地一体化网络中共有s颗卫星，设卫星集为：sat＝{sat₁,sat₂,…,sat_s}，在s颗卫星组成的天地一体化网络中，共有r个资源，这些资源划分为m种；每个卫星上有若干个资源，完成相应的任务；

A2、假设用户提交了n个任务，设任务集为：Task＝{Task₁,Task₂,…,Task_n}，其中Task_i是由Q_i个具有次序约束的不重叠子任务组成，即：

每个任务的子任务保持有偏序关系“<”：

A3、假设i为任务序号，j为任务的子任务序号，k为资源序号，则：T_ik表示第i个任务在第k个资源上的完成时间，T_ijk和t_ijk分别为第i个任务的第j个子任务在第k个资源上的完成时间和工作时间；能满足子任务Task_ij资源需求的卫星构成的卫星子集为

R_ij为完成子任务Task_ij的卫星；

A4、假设任务的优先级p_i∈{1,2,…,p_max}，p_max为正整数，表示任务的最高优先级；对当前调度模型的所有任务按任务优先级进行排序，优先级越高排序越靠前，同优先级的多个任务按照任务所需时间越短优先级越高的原则进行排序，则得到基于优先级的最优任务执行序列；引入线性代数中逆序数的概念，定义任务执行序列的优先级逆序数PIN：对于调度模型中的n个任务，把基于优先级的最优任务执行序列定义为标准次序，对于一个任务执行序列，在这个排序中当某两个元素的先后次序与标准次序不同时，就说有1个逆序，则任务执行序列中所有逆序的总数叫做这个任务执行序列的优先级逆序数PIN；

B、建立多目标约束模型

定义多目标约束模型符合以下假设条件：

B1、任务的每一个子任务顺序已经预先约定；

B2、每个子任务在可用卫星子集的任意卫星上处理；

B3、当前任务来临的时候，前面的任务还没有完成，允许有等待时间；

B4、任何任务只能在前一子任务完成之后才能进行下一任务；

根据步骤A2对任务进行子任务分割，确定各个子任务所需的资源类型以及时间，并且满足各个子任务之间的相互依赖关系；需要解决的问题是如何将每个子任务合理的分配到各个卫星资源上面，使得在考虑任务优先级的情况下完成所有任务的时间尽可能的短；基于上述定义，建立的天地一体化网络资源调度系统多目标约束模型为：

S.T.

(a)T_ijk-T_i(j-1)k≥t_ijk,i∈{1,2,…,n},j∈{1,2,…,Q},k∈{1,2,…,r}

(b)T_egk-T_ijk≥t_egk,i,e∈{1,2,…,n},j,g∈{1,2,…,Q},k∈{1,2,…,r}

(c)

(d)

上述多目标约束模型中，目标函数f₁代表调度的目标是保证各任务的最大完成时间最小化，即使得完成所有任务的时间尽可能的短；目标函数f₂代表调度的目标是保证任务执行序列的优先级逆序数最小化，即使得优先级高的任务尽可能早的完成；约束a为顺序约束：第i个任务的第j个子任务必须在第j-1个子任务完成后才能开始，也就是说必须保证各个任务的子任务的偏序顺序；约束b为资源约束：在第k个资源上，第e个任务的第g个子任务的完成时间比第i个任务的第j个子任务的完成时间至少大于第e个任务的第g个子任务的运行时间；即表示任一确定时刻，第k个资源不能同时处理任意两个不同任务或者子任务；约束c为时间约束：任意一个子任务的完成时间不能小于其工作时间；约束d为非负性约束：即每个子任务的完成时间不允许为负；

为了得到优化的调度结果，首先对目标参数进行无量纲的标准化处理，再基于模糊偏好对优化目标分别确定权重，目标函数f₁、f₂的权重分别表示为ω₁、ω₂，最后利用线性加权法，在对各个目标函数进行分析的基础上，通过多个目标函数加权运算来构造单目标函数，将多目标问题转化为单目标的优化问题；具体表达为：

Min(f＝ω₁f₁+ω₂f₂) (2)

C、基于改进遗传算法的资源分配

根据多目标约束模型生成调度方案并计算目标函数，采用人工智能算法对调度方案进行寻优，具体步骤如下：

C1、参数初始化；设置种群规模M、最大迭代次数Max、初始交叉概率k₁和初始变异概率k₂；

C2、确定染色体长度并对任务序列进行编码；采用整数形式编码任务序列，将任务根据标准次序即基于优先级的最优任务执行序列进行编码，形成任务与编码号的对应表即编码表，利用编码表将任务序列编码成一个长度为

的染色体，作为编码过程；通过改进遗传算法找到较优的染色体之后，利用编码表将染色体解码为天地一体化网络资源分配问题的任务序列，作为解码过程；

C3、生成初始种群；随机产生M个染色体，组成初始种群，令迭代次数计数器t＝0；

C4、判断是否满足迭代终止条件；若不满足条件，迭代次数t＝t+1，转步骤C5；若满足条件，则转入步骤C8；

C5、适应度值的计算；首先，染色体中不要求子任务满足偏序关系，因此在计算适应度值之前，需要对染色体进行偏序处理，使子任务满足偏序关系；随后，对染色体计算适应度值，适应度函数定义为：

式中：f₁ ^s、

分别为目标函数f₁、f₂的无量纲标准化指标值；ω₁、ω₂分别为目标函数f₁、f₂的权重；适应度函数取2个目标函数f₁、f₂的无量纲标准化指标值的线性加权和，说明染色体中所有任务的完成时间越短、染色体中优先级越高的任务越早完成，则适应度函数值越小，该染色体越优；

最后，对种群中的染色体全部计算适应度值之后，对适应度值进行排序，将适应度值小的部分个体作为精英个体保留下来；

C6、产生新种群；采用精英保留策略的思想改进遗传算法，将每代中最优秀的部分个体直接保留并遗传给下一代，剩下的个体通过轮盘赌法选择到子代中；迭代完成后，从所有保留个体中选出最优个体作为优化方案的结果；

C7、对染色体进行自适应交叉、变异操作；设计一种混合的自适应交叉、变异算子，令P_c和P_m分别是交叉概率和变异概率；当种群中个体的适应度值趋于一致时，种群容易陷入局部最优，此时种群的多样性较差，如果选择较大的P_c和P_m增加新个体的产生概率，有利于种群跳出局部最优状态；在改进遗传算法的初始阶段或种群适应度值较分散时，选择较小的P_c和P_m有利于精英个体的保留，同时加快改进遗传算法的收敛速度；因此，采用下式具体计算自适应交叉概率和变异概率：

式中：k₁、k₂为0～1之间的常数，分别为初始交叉率、初始变异率；f为种群的适应度值列表；E(*)为求随机变量数学期望的函数；P_c、P_m为最终求到的自适应交叉概率、变异概率；

计算得到自适应交叉概率P_c和变异概率P_m后，对染色体进行自适应交叉、变异操作；为确保每条染色体中的基因码出现且仅出现一次，交叉算子采用循环交叉算子，变异算子采用基因对换变异算子；

C8、从各迭代保留结果中选出最优个体作为改进遗传算法的最优解，改进遗传算法；结束。

2.根据权利要求1所述的基于改进遗传算法的天地一体化网络资源分配方法，其特征在于：所述的传感器资源包括数字温度传感器、图像传感器和方位控制传感器。

3.根据权利要求1所述的基于改进遗传算法的天地一体化网络资源分配方法，其特征在于：所述的计算资源包括CPU处理器。

4.根据权利要求1所述的基于改进遗传算法的天地一体化网络资源分配方法，其特征在于：所述的存储资源包括存储器。

5.根据权利要求1所述的基于改进遗传算法的天地一体化网络资源分配方法，其特征在于：所述的通信资源包括激光链路和微波链路。

Images