CN109002966A - 一种基于k均值聚类的多星任务规划方法 - Google Patents
一种基于k均值聚类的多星任务规划方法 Download PDFInfo
- Publication number
- CN109002966A CN109002966A CN201810657650.1A CN201810657650A CN109002966A CN 109002966 A CN109002966 A CN 109002966A CN 201810657650 A CN201810657650 A CN 201810657650A CN 109002966 A CN109002966 A CN 109002966A
- Authority
- CN
- China
- Prior art keywords
- task
- track
- distance
- dis
- 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.)
- Granted
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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Radio Relay Systems (AREA)
Abstract
本发明提供一种基于K均值聚类的多星任务规划方法,S1,采集用户的任务需求T={t1,t2,t3...tn},获取所有当前可用卫星对应的每圈阳照区轨道工作时长集合O={o1,o2,o3,......om}。S2,计算任务ti到集合O中每个元素oj的距离Disij,形成任务ti到轨道集合O的距离集合D={di1,di2,di3...din},将任务ti聚类到距离其最短的轨道k,Disik=Min(D);S3,判判断当前聚类方案sk是否属于集合S={s1,s2,s3,...sz},如果sk∈S则输出聚类方案sk,否则将方案sk加入到方案集合S,并返回步骤S2。本发明通过分析影响多星任务分配的因素,对这些因素进行量化,并结合K均值聚类算法,规划出多星协同任务分配方案,迭代次数较少,计算速度快,能满足大规模优化问题对于算法时间复杂度的约束,并且大大提高了成像的质量,提升了任务的完成率。
Description
技术领域
本发明涉及卫星任务规划技术领域,尤其涉及一种基于K均值聚类的多星任务规划方法。
背景技术
在成像任务技术发展之初,由于卫星载荷能力有限,用户任务也相对较少,任务的成像时间和成像角度都相对固定,任务规划问题也不突出。随着成像卫星技术的发展和地面影像数据需求的增加,用户对需求的要求也更为复杂。卫星开始需要调整遥感设备的侧视角度进行成像,在成像过程中必须考虑多种因素以满足用户需求,基于整体优化策略对地观测卫星进行调度规划。
现有技术中通过简单的推理计算已不能满足卫星日常管理和指挥控制的需求,必须借助适当的数学模型和软件工具才能较好管理和分配卫星资源。通常可采用遗传算法、模拟退火算法和蚁群算法等求优化解,上述算法虽然通过遍历整个解空间的方法能够得到较满意的优化解,但一方面其时间复杂度高,并且只考虑最大限度提升任务的完成率这一目的。
发明内容
针对现有技术存在的缺陷,本发明提供一种基于K均值聚类的多星任务规划方法,以解决迭代次数多、计算过程复杂,成像质量与任务完成率多目标综合优化的目的。
为实现上述技术目的,本发明的技术方案是:
一种基于K均值聚类的多星任务规划方法,包括以下步骤:
S1:采集用户的任务需求T={t1,t2,t3...tn},其中任务ti,i=1,2,3...n的要素包括{tsi:任务的开始时间;tei:任务的结束时间};获取所有当前可用卫星对应的每圈阳照区轨道工作时长集合O={o1,o2,o3,......om},其中轨道 j(j∈{1,2,3,...m})在阳照区的轨道工作时长oj(oj∈O)的要素包括{Sat:卫星名称;OrbitNo:轨道圈号;Duration:阳照区时长};
S2:计算任务ti到集合O中每个元素oj的距离Disij,形成任务ti到轨道集合O的距离集合D={di1,di2,di3…din},将任务ti聚类到距离其最短的轨道k,Disik=Min(D),形成聚类方案 sk={tak,tbk,...tik,...tck}a,b,c∈{1,2,3,...,n};
S3:判断当前聚类方案sk是否属于集合S={s1,s2,s3,…sz},其中 sj(sj={taj,tbj,...,tcj}a,b,c∈{1,2,3,...,n},sj∈S)表示任务在轨道j的聚类方案,如果sk∈S则输出聚类方案sk,否则将方案sk加入到方案集合S,并返回步骤S2。
本发明中,S2包括以下步骤:
S201:选取任务ti,判断任务ti在轨道j阳照区是否有可见窗口,若有则进入步骤S202,否则认为任务ti到轨道j距离为无穷大;
S202:计算任务ti到轨道j的距离Disij;
S203:将任务ti聚类到距离其最短的轨道,形成聚类方案sk。
其中S202中根据每个影响因素的距离值加权求和计算任务ti到轨道j的距离,其中影响因素包括是否具有可见窗口Tij,可见窗口的内部相对距离WSij、轨道中任务冲突度TCij、太阳高度角的影响值TAij、任务数量距离TOCij和高等级优先级任务数量距离TODij的任意一种或几种的组合,计算公式为:
(1)
Tij表示任务ti在轨道j阳照区是否有可见窗口。有无可见窗口是决定卫星能否执行该任务的关键,因此将有无可见窗口作为计算距离的影响因素。当任务ti在轨道j阳照区有可见窗口时,则Tij为1;当任务 ti在轨道j阳照区没有可见窗口时,则Tij为无穷大,该任务就不会聚类到该轨道去。
(2)
WSij表示任务ti在轨道j的可见窗口的内部相对距离。tolij表示任务ti在轨道j的可见窗口的持续时间;oj为轨道j在阳照区的轨道工作时长。
对于同一个任务,性能相同或相近的具有俯仰能力的卫星对其进行观测,可见窗口越长,侧摆角越小,成像质量越好,因此将可见窗口的内部相对距离作为计算距离的影响因素。当可见窗口持续时间越长时,成像质量就越高,任务距离轨道越近,就越容易聚类到该轨道,这样,提高了任务的成像质量。
(3)
Conflictij=Cconij÷Callj,i=1,2,......,n,j=1,2,......,m
TCij表示任务ti在轨道j的任务冲突度。Conflictij表示任务ti在轨道 j的冲突率,Cconij表示与任务ti在轨道j存在时间冲突的任务数量(任务tk:tsk≥tsi并且tek≤tei,则表示任务ti与任务tk冲突),Callj表示分配到轨道j的总任务数。
可见窗口的冲突消减一直以来就是卫星任务规划过程中重要优化内容,通过合理的任务分配,减少在单星调度环节中的可见窗口冲突,这样,能够提高任务完成率。因此将任务冲突度值作为计算距离的影响因素,当任务冲突度值越大时,任务距离轨道越远。
(4)
TAij表示任务ti在轨道j的可见窗口的太阳高度角的影响值,toa为可见窗口的近似太阳高度角。toaij表示任务ti在轨道j的可见窗口的近似太阳高度角。
太阳高度角是某一时刻某一地理地点,太阳光入射线和地平面之间的夹角,这一角度对于光学卫星成像质量具有十分重要的影响,一天的正午时间太阳高度角最大。因此将太阳高度角作为计算距离的影响因素,当太阳高度角越大时,任务距离轨道越近,就越容易聚类到该轨道,这样能提高任务的成像质量。
(5)
TOCij=1-1/count(toik|toik∈TOASSIGN,k=j),j=1,2,......,m
TOCij表示任务ti在轨道j中的任务数量距离,count为任务在轨道中的任务数量,toik为任务在轨道的可见窗口,TOASSIGN为已经分配到轨道j中的任务集合。
给定调度方案在面临扰动时,应用某种特定的动态调整方案技能保持调度方案的良好收益,又能保持新老调度方案尽可能小的差异,则称为该调度方案是鲁棒的。通过任务分配使每一轨中的任务数量均衡,可以增强多星联合规划过程中鲁棒性,也可以提升任务完成率。因此将任务数量作为计算距离的影响因素,当轨道j分配的任务越多,在下一次分配任务时分配给轨道j的任务与轨道之间的距离都会增大。
(6)
TODij=1-1/count(toi|toik∈TOASSIGN,toi≥tri),j=1,2,......,m
TODij表示任务ti在轨道j中的高优先级任务数量距离,tri为任务ti优先级,toi为已经分配到轨道j并且优先级大于任务ti的任务, TOASSIGN为已经分配到轨道j中的任务集合。
通过大量的实验数据得出,目标在均衡分布的情况下卫星任务规划的完成率最高,单星调度过程中高等级优先级任务数量越多越容易造成该优先级任务完成率降低,从而影响整体性的任务优先级收益。因此将高等级优先级任务数量作为计算影响因素,当轨道j中优先级数量等于或者高于任务ti的任务越多,任务ti到轨道j的距离越远。
(7)
Disij是任务ti到轨道j的距离。将每个影响因素的距离值加权求和作为每一次迭代中决定任务聚类到轨道的依据。
优选地,根据用户对观测的结果要求调整权值权重值如果调整结果目标明确可以按照的标准给定。例如,用户更在意任务的完成率则可以适当提升和用户更在意成像图片的质量可以适当提升和用户更希望能够负载均衡可以提升和如果用户对于某些因素并不在意可以直接将该因素的权重值赋0。这样,可以使规划更方便灵活,结果更能达到需求的要求。
初始计算时没有上一次迭代的数据,应将和设为0。
与现有技术相比,本发明能够产生以下技术效果:
(1)本发明通过分析影响多星任务分配的因素,对这些因素进行量化,并结合K均值聚类算法,规划出多星协同任务分配方案,迭代次数较少,计算速度快,能满足大规模优化问题对于算法时间复杂度的约束,并且大大提高了成像的质量,提升了任务的完成率。
(2)在优选方案中,本发明选用的任务直接确定单星可见窗口这一粒度设计分配算法,通过直接分配到可见窗口,减少了单星调度过程中,对任务多可见窗口的选择,从而减少了单星调度过程中的计算空间,提升单星调度的时间效率。
附图说明
图1为本发明的流程图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
K均值聚类算法的基本思想是将数据集中的N个数据划分到K个类中,每个类之中的数据到本类中心的平均矢量最短,也成为点到聚类点的距离。通常情况下K均值聚类算法随机选取K个点作为聚类中心,计算其他点到各个聚类中心的距离,将每个点归结到其距离最短的聚类中心所在的类,而后通过对每一个类中所有数据的位置信息求中心值确立新的聚类点,再继续对所有点进行类别划分,经过若干次迭代,直到每个点的聚类类别稳定不变后,K均值聚类就完成了。
K均值聚类算法在实际应用中取得了很好的聚类效果,K均值聚类算法的时间复杂度较低,聚类收敛速度较快,并且当数据本身的差异较为明显时,算法的聚类效果较好。因此,当基于K均值聚类进行多星任务规划时,迭代次数较少,计算速度快,能够满足大规模优化问题对于算法时间复杂度的约束。
卫星任务分配的实质是在观测任务有可见窗口的众多卫星中选择一颗卫星进行单星调度,在卫星的单星调度过程中也存在可见窗口的选择,即每个任务在单星的可能存在多个可见窗口中,选择一个可见窗口分配给卫星,从而实现了对任务的精确分配。所以卫星任务分配的分配粒度可以有两种,第一种是将任务分配到单星,单星在调度过程中由调度算法确定具体进行成像的可见窗口;第二种是在任务进行分配时就直接确定分配到单星的可见窗口。本发明选用的任务直接确定单星可见窗口这一粒度设计分配方法,通过直接分配到可见窗口,减少了单星调度过程中,对任务多可见窗口的选择,从而减少了单星调度过程中的计算空间,提升单星调度的时间效率。
多星任务分配的实质从任务角度而言,就是每个观测任务在多颗卫星中有多个可见窗口,在其中选择一个可见窗口分配给相应的卫星,进行单星调度优化,如何选择可见窗口就可以理解为将每个任务聚类到对它有可见窗口的阳照区中。
本发明对影响单星任务调度完成情况和成像质量的因素进行量化与计算,转化聚类问题中点到聚类中心的距离,继而将任务选择某个轨道阳照区的可见窗口的过程转化为将任务聚类到该阳照区轨道下的过程,最终将多星任务分配问题转化为聚类问题。
参照图1,本发明提供一种基于K均值聚类的多星任务规划方法,包括以下步骤:
S1:采集用户的任务需求T={t1,t2,t3...tn},其中任务ti,i=1,2,3...n的要素包括{tsi:任务的开始时间;tei:任务的结束时间};获取所有卫星对应的每圈阳照区轨道工作时长集合O={o1,o2,o3,......om},其中轨道 j(j∈{1,2,3,...m})在阳照区的工作时长oj(oj∈O)的要素包括{Sat:卫星名称;OrbitNo:轨道圈号;Duration:阳照区时长};
S2:计算任务ti到集合O中每个元素oj的距离Disij,形成任务ti到轨道集合O的距离集合D={di1,di2,di3…din},将任务ti聚类到距离其最短的轨道k,Disik=Min(D),形成聚类方案 sk={tak,tbk,...tik,...tck}a,b,c∈{1,2,3,...,n};
S201:选取任务ti,判断任务ti在轨道j阳照区是否有可见窗口,若有则进入步骤S202,否则认为任务ti到轨道j距离为无穷大。
S202:根据每个每个影响因素的距离值加权求和计算任务ti到轨道 j的距离Disij,其中影响因素包括是否具有可见窗口Tij,可见窗口的内部相对距离WSij、轨道中任务冲突度TCij、太阳高度角的影响值TAij、任务数量距离TOCij和高等级优先级任务数量距离TODij的任意一种或几种的组合,计算公式为:
(1)
Tij表示任务ti在轨道j阳照区是否有可见窗口。有无可见窗口是决定卫星能否执行该任务的关键,因此将有无可见窗口作为计算距离的影响因素。当任务ti在轨道j阳照区有可见窗口时,则Tij为1;当任务 ti在轨道j阳照区没有可见窗口时,则Tij为无穷大,该任务就不会聚类到该轨道去。
(2)
WSij表示任务ti在轨道j的可见窗口的内部相对距离。tolij表示任务ti在轨道j的可见窗口的持续时间;oj为轨道j在阳照区的轨道工作时长。
对于同一个任务,性能相同或相近的具有俯仰能力的卫星对其进行观测,可见窗口越长,侧摆角越小,成像质量越好,因此将可见窗口的内部相对距离作为计算距离的影响因素。当可见窗口持续时间越长时,成像质量就越高,任务距离轨道越近,就越容易聚类到该轨道,这样,提高了任务的成像质量。
(3)
Conflictij=Cconij÷Callj,i=1,2,......,n,j=1,2,......,m
TCij表示任务ti在轨道j的任务冲突度。Conflictij表示任务ti在轨道 j的冲突率,Cconij表示与任务ti在轨道j存在时间冲突的任务数量(任务tk:tsk≥tsi并且tek≤tei,则表示任务ti与任务tk冲突),Callj表示分配到轨道j的总任务数。
可见窗口的冲突消减一直以来就是卫星任务规划过程中重要优化内容,通过合理的任务分配,减少在单星调度环节中的可见窗口冲突,这样,能够提高任务完成率。因此将任务冲突度值作为计算距离的影响因素,当任务冲突度值越大时,任务距离轨道越远。
(4)
TAij表示任务ti在轨道j的可见窗口的太阳高度角的影响值,toa为可见窗口的近似太阳高度角。toaij表示任务ti在轨道j的可见窗口的近似太阳高度角。
太阳高度角是某一时刻某一地理地点,太阳光入射线和地平面之间的夹角,这一角度对于光学卫星成像质量具有十分重要的影响,一天的正午时间太阳高度角最大。因此将太阳高度角作为计算距离的影响因素,当太阳高度角越大时,任务距离轨道越近,就越容易聚类到该轨道,这样能提高任务的成像质量。
(5)
TOCij=1-1/count(toik|toik∈TOASSIGN,k=j),j=1,2,......,m
TOCij表示任务ti在轨道j中的任务数量距离,count为任务在轨道中的任务数量,toik为任务在轨道的可见窗口,TOASSIGN为已经分配到轨道j中的任务集合。
给定调度方案在面临扰动时,应用某种特定的动态调整方案技能保持调度方案的良好收益,又能保持新老调度方案尽可能小的差异,则称为该调度方案是鲁棒的。通过任务分配使每一轨中的任务数量均衡,可以增强多星联合规划过程中鲁棒性,也可以提升任务完成率。因此将任务数量作为计算距离的影响因素,当轨道j分配的任务越多,在下一次分配任务时分配给轨道j的任务与轨道之间的距离都会增大。
(6)
TODij=1-1/count(toi|toik∈TOASSIGN,toi≥tri),j=1,2,......,m
TODij表示任务ti在轨道j中的高优先级任务数量距离,tri为任务ti优先级,toi为已经分配到轨道j并且优先级大于任务ti的任务, TOASSIGN为已经分配到轨道j中的任务集合。
通过大量的实验数据得出,目标在均衡分布的情况下卫星任务规划的完成率最高,单星调度过程中高等级优先级任务数量越多越容易造成该优先级任务完成率降低,从而影响整体性的任务优先级收益。因此将高等级优先级任务数量作为计算影响因素,当轨道j中优先级数量等于或者高于任务ti的任务越多,任务ti到轨道j的距离越远。
(7)
Disij是任务ti到轨道j的距离。将每个影响因素的距离值加权求和作为每一次迭代中决定任务聚类到轨道的依据。
优选地,根据用户对观测的结果要求调整权值权重值如果调整结果目标明确可以按照的标准给定。例如,用户更在意任务的完成率则可以适当提升和用户更在意成像图片的质量可以适当提升和用户更希望能够负载均衡可以提升和如果用户对于某些因素并不在意可以直接将该因素的权重值赋0。这样,可以使规划更方便灵活,结果更能达到需求的要求。
初始计算时没有上一次迭代的数据,应将和设为0。
S203:将任务ti聚类到距离其最短的轨道,形成聚类方案sk。
S3:判断当前聚类方案sk是否属于集合S={s1,s2,s3,…sz},其中 sj(sj={taj,tbj,...,tcj}a,b,c∈{1,2,3,...,n},sj∈S)表示任务在轨道j的聚类方案,如果sk∈S则输出聚类方案sk,否则将方案sk加入到方案集合S,并返回步骤S2。
通过上述步骤,分析影响多星任务分配的因素,对这些因素进行量化,并结合K均值聚类算法,规划出多星协同任务分配方案,迭代次数较少,计算速度快,满足大规模优化问题对于算法时间复杂度的约束,并且大大提高了成像的质量,提升了任务的完成率。
以上所述仅为本发明的优选的实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (7)
1.一种基于K均值聚类的多星任务规划方法,其特征在于,包括以下步骤:
S1:采集用户的任务需求T={t1,t2,t3...tn},其中任务ti,i=1,2,3...n的要素包括{tsi:任务的开始时间;tei:任务的结束时间};获取所有当前可用卫星对应的每圈阳照区轨道工作时长集合O={o1,o2,o3,......om},其中轨道j(j∈{1,2,3,...m})在阳照区的工作时长oj(oj∈O)的要素包括{Sat:卫星名称;OrbitNo:轨道圈号;Duration:阳照区时长};
S2:计算任务ti到集合O中每个元素oj的距离Disij,形成任务ti到轨道集合O的距离集合D={Disi1,Disi2,Disi3…Disim},将任务ti聚类到距离其最短的轨道k,Disik=Min(D),形成聚类方案sk={tak,tbk,...tik,...tck}a,b,c∈{1,2,3,...,n};
S3:判断当前聚类方案sk是否属于集合S={s1,s2,s3,…sz},其中sj(sj={taj,tbj,...,tcj}a,b,c∈{1,2,3,...,n},sj∈S)表示任务在轨道j的聚类方案,如果sk∈S则输出聚类方案sk,否则将方案sk加入到方案集合S,并返回步骤S2。
2.根据权利要求1所述的基于K均值聚类的多星任务规划方法,其特征在于,S2包括以下步骤:
S201:选取任务ti,判断任务ti在轨道j阳照区是否有可见窗口,若有则进入步骤S202,否则认为任务ti到轨道j距离为无穷大;
S202:计算任务ti到轨道j的距离Disij;
S203:将任务ti聚类到距离其最短的轨道,形成聚类方案sk。
3.根据权利要求2所述的基于K均值聚类的多星任务规划方法,其特征在于,S202中根据每个影响因素的距离值加权求和计算任务ti到轨道j的距离,其中影响因素包括是否具有可见窗口Tij,可见窗口的内部相对距离WSij、轨道中任务冲突度TCij、太阳高度角的影响值TAij、任务数量距离TOCij和高等级优先级任务数量距离TODij的任意一种或几种的组合。
4.根据权利要求3所述的基于K均值聚类的多星任务规划方法,其特征在于,S202中:
(1)
Tij表示任务ti在轨道j阳照区是否有可见窗口;
当任务ti在轨道j阳照区有可见窗口时,则Tij为1;
当任务ti在轨道j阳照区没有可见窗口时,则Tij为无穷大,该任务就不会聚类到该轨道去;
(2)
WSij表示任务ti在轨道j的可见窗口的内部相对距离;tolij表示任务ti在轨道j的可见窗口的持续时间;
(3)
Conflictij=Cconij÷Callj,i=1,2,......,n,j=1,2,......,m
TCij表示任务ti在轨道j的任务冲突度;Conflictij表示任务ti在轨道j的冲突率,Cconij表示与任务ti在轨道j存在时间冲突的任务数量,Callj表示分配到轨道j的总任务数;
(4)
TAij表示任务ti在轨道j的可见窗口的太阳高度角的影响值,toaij表示任务ti在轨道j的可见窗口的近似太阳高度角;
(5)
TOCij=1-1/count(toik|toik∈TOASSIGN,k=j),j=1,2,......,m
TOCij表示任务ti在轨道j中的任务数量距离,count为任务在轨道中的任务数量,toik为任务在轨道的可见窗口,TOASSIGN为已经分配到轨道j中的任务集合;
(6)
TODij=1-1/count(toi|toik∈TOASSIGN,toi≥tri),j=1,2,......,m
TODij表示任务ti在轨道j中的高优先级任务数量距离,tri为任务ti优先级,toi为已经分配到轨道j并且优先级大于任务ti的任务,TOASSIGN为已经分配到轨道j中的任务集合;
(7)根据每个影响因素的距离值加权求和计算任务ti到轨道j的距离Disij;
Disij是任务ti到轨道j的距离;分别为影响因素Tij、WSij、TCij、TAij、TOCij、TODij的权重。
5.根据权利要求4所述的基于K均值聚类的多星任务规划方法,其特征在于,S202中,根据用户观测的结构要求调整各影响因素的权重。
6.根据权利要求4所述的基于K均值聚类的多星任务规划方法,其特征在于,S202中,对于初始计算时,因没有上一次迭代的数据,应将和设为0。
7.根据权利要求4所述的基于K均值聚类的多星任务规划方法,其特征在于,根据用户对观测的结果要求调整权值权重值用户更在意任务的完成率则提升和用户更在意成像图片的质量则提升和用户更希望能够负载均衡则提升和如果用户对于某些因素并不在意可以直接将该因素的权重值赋0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810657650.1A CN109002966B (zh) | 2018-06-25 | 2018-06-25 | 一种基于k均值聚类的多星任务规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810657650.1A CN109002966B (zh) | 2018-06-25 | 2018-06-25 | 一种基于k均值聚类的多星任务规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109002966A true CN109002966A (zh) | 2018-12-14 |
CN109002966B CN109002966B (zh) | 2019-08-09 |
Family
ID=64602045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810657650.1A Active CN109002966B (zh) | 2018-06-25 | 2018-06-25 | 一种基于k均值聚类的多星任务规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109002966B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110400002A (zh) * | 2019-06-21 | 2019-11-01 | 中南大学 | 一种多星成像任务规划方法 |
CN112737660A (zh) * | 2020-12-09 | 2021-04-30 | 合肥工业大学 | 多星多站数据下传调度方法和系统 |
CN113840014A (zh) * | 2021-11-29 | 2021-12-24 | 中国电子科技集团公司第二十八研究所 | 一种适配高强度弱连接环境的分布式任务分解方法 |
CN115097858A (zh) * | 2022-08-24 | 2022-09-23 | 北京控制工程研究所 | 遥感卫星区域多目标聚合的姿态轨迹优化方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512479A (zh) * | 2015-12-03 | 2016-04-20 | 中国地质大学(武汉) | 一种多星对地观测任务规划算法的评价方法及装置 |
CN105787173A (zh) * | 2016-02-25 | 2016-07-20 | 中国地质大学(武汉) | 一种多星对地观测任务的调度规划方法及装置 |
CN106022586A (zh) * | 2016-05-13 | 2016-10-12 | 中国人民解放军国防科学技术大学 | 一种基于案例匹配的卫星观测任务规划方法 |
CN108022045A (zh) * | 2017-12-01 | 2018-05-11 | 中国人民解放军国防科技大学 | 一种分布估计方法 |
CN108037986A (zh) * | 2017-12-01 | 2018-05-15 | 中国人民解放军国防科技大学 | 一种双星星簇的目标观测方法 |
-
2018
- 2018-06-25 CN CN201810657650.1A patent/CN109002966B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512479A (zh) * | 2015-12-03 | 2016-04-20 | 中国地质大学(武汉) | 一种多星对地观测任务规划算法的评价方法及装置 |
CN105787173A (zh) * | 2016-02-25 | 2016-07-20 | 中国地质大学(武汉) | 一种多星对地观测任务的调度规划方法及装置 |
CN106022586A (zh) * | 2016-05-13 | 2016-10-12 | 中国人民解放军国防科学技术大学 | 一种基于案例匹配的卫星观测任务规划方法 |
CN108022045A (zh) * | 2017-12-01 | 2018-05-11 | 中国人民解放军国防科技大学 | 一种分布估计方法 |
CN108037986A (zh) * | 2017-12-01 | 2018-05-15 | 中国人民解放军国防科技大学 | 一种双星星簇的目标观测方法 |
Non-Patent Citations (2)
Title |
---|
姜维 等: "对地观测卫星任务规划问题研究述评", 《系统工程与电子技术》 * |
徐培德 等: "元任务插入的多星成像侦察任务聚类启发式算法", 《火力与指挥控制》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110400002A (zh) * | 2019-06-21 | 2019-11-01 | 中南大学 | 一种多星成像任务规划方法 |
CN110400002B (zh) * | 2019-06-21 | 2021-10-22 | 中南大学 | 一种多星成像任务规划方法 |
CN112737660A (zh) * | 2020-12-09 | 2021-04-30 | 合肥工业大学 | 多星多站数据下传调度方法和系统 |
CN113840014A (zh) * | 2021-11-29 | 2021-12-24 | 中国电子科技集团公司第二十八研究所 | 一种适配高强度弱连接环境的分布式任务分解方法 |
CN115097858A (zh) * | 2022-08-24 | 2022-09-23 | 北京控制工程研究所 | 遥感卫星区域多目标聚合的姿态轨迹优化方法和装置 |
CN115097858B (zh) * | 2022-08-24 | 2022-10-28 | 北京控制工程研究所 | 遥感卫星区域多目标聚合的姿态轨迹优化方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109002966B (zh) | 2019-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109002966B (zh) | 一种基于k均值聚类的多星任务规划方法 | |
Jacquillat et al. | An integrated scheduling and operations approach to airport congestion mitigation | |
CN112016812B (zh) | 多无人机任务调度方法、系统及存储介质 | |
CN111277437B (zh) | 一种智能电网的网络切片资源分配方法 | |
Richetta et al. | Dynamic solution to the ground-holding problem in air traffic control | |
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 | |
Gao et al. | Providing long-term participation incentive in participatory sensing | |
CN109768822B (zh) | 一种卫星测控资源调度方法及装置 | |
CN104063748B (zh) | 一种用于解决面向成像卫星的时间依赖型调度问题的算法 | |
WO2019092905A1 (en) | Power generation system and energy generation system | |
JP2017224268A (ja) | データ予測システムおよびデータ予測方法 | |
CN109544998A (zh) | 一种基于分布估计算法的航班时隙分配多目标优化方法 | |
Starita et al. | Air traffic control capacity planning under demand and capacity provision uncertainty | |
Kong et al. | Smart rate control and demand balancing for electric vehicle charging | |
CN109343945A (zh) | 一种基于合同网算法的多任务动态分配方法 | |
US20150213564A1 (en) | Consumer cooperation support apparatus | |
CN108199763B (zh) | 中继卫星任务调度方法与系统 | |
CN108399104A (zh) | 一种基于Multi-Agent的弹性可伸缩的任务规划系统及方法 | |
CN104077634A (zh) | 基于多目标优化的主动-反应式动态项目调度方法 | |
Yang et al. | Onboard coordination and scheduling of multiple autonomous satellites in an uncertain environment | |
CN110428665B (zh) | 一种航路与机场时隙协同分配的随机双层规划方法 | |
CN114638155A (zh) | 一种基于智能机场的无人机任务分配与路径规划方法 | |
CN116245243A (zh) | 一种格网驱动的卫星观测与数传任务解耦规划方法 | |
CN110706520A (zh) | 一种基于概率容量的航路与机场时隙鲁棒分配双层规划方法 | |
CN116187637A (zh) | 多星测控资源调度方法、装置及计算机可读储存介质 |
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 |