CN109409775B - 一种卫星联合观测任务规划方法 - Google Patents
一种卫星联合观测任务规划方法 Download PDFInfo
- Publication number
- CN109409775B CN109409775B CN201811353833.0A CN201811353833A CN109409775B CN 109409775 B CN109409775 B CN 109409775B CN 201811353833 A CN201811353833 A CN 201811353833A CN 109409775 B CN109409775 B CN 109409775B
- Authority
- CN
- China
- Prior art keywords
- satellite
- observation
- task
- planning
- chromosome
- 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.)
- Active
Links
Images
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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种卫星联合观测任务规划方法,本发明涉及卫星联合观测任务规划方法。本发明的目的是为了解决现有求解卫星联合观测任务规划问题时建模考虑约束条件不足、算法收敛速度慢、算法计算时间长的问题。过程为:步骤一、构建卫星观测任务模型;步骤二、假设在给定规划时段内的卫星观测任务与观测资源不变且星际链路稳定的条件下,基于卫星观测任务模型,构建卫星观测任务规划模型;步骤三、基于步骤二得到的卫星观测任务规划模型中的约束条件集合构建约束条件的数学模型;步骤四、基于约束条件的数学模型设计基于贪婪策略的遗传算法,完成卫星联合观测任务规划。本发明用于卫星联合观测任务规划领域。
Description
技术领域
本发明涉及卫星联合观测任务规划方法。
背景技术
成像卫星通过星载的照相机和摄像机对地面目标进行观测是获取对地信息的一种重要手段,随着当前社会经济和军事领域的发展,对地成像应用体现出成像区域广泛、观测频繁、成像方式多样、成像时效性强等特点。对于卫星的调度中心而言需要从全局角度分配成像卫星和接收资源来进行综合调度,提供空间信息支持,对卫星资源合理分配,并在资源冲突时进行优化调度,制定出合理的调度方案,在有限的时间里取得最大效益。目前来说,单颗成像侦察卫星的任务规划方法已经较为成熟,而多颗成像侦察卫星的联合观测任务规划方法则成为卫星调度领域的研究热点。
卫星联合观测任务规划是指在一定的优化目标指导下,对多个观测任务进行排程,进一步确定需要择优执行哪些任务,以及执行这些任务的卫星和时间窗口。随着近几十年航天事业的不断进步与发展,我国在轨运行和规划研制的观测卫星的数量和种类均在不断增多,与此同时也对观测卫星的任务规划提出了十分严峻的考验[1-3]([1]张超,李玉庆,冯小恩,等.星群观测任务自主规划的星地联合运行机制[J].哈尔滨工业大学学报,2018,50(04):56-61.[2]张吉祥,郭建恩.智能对地观测卫星初步设计与关键技术分析[J].无线电工程,2016,46(02):1-5.[3]王凌峰,陈兆荣,陈浩,陈宏盛.一种基于多目标优化的卫星周期性持续观测任务规划方法[J].小型微型计算机系统,2018,39(06):1366-1371.),因此研究高效、准确且有工程实践价值的卫星观测任务规划算法具有重要意义。
目前国内外已有大量针对不考虑数据下传的卫星观测任务规划问题的研究。例如Mansour等人将spot5卫星的日调度问题直接转化成对benchmark问题,并采用遗传算法求解[4]([4]Mansour M A A,Dessouky M M.A genetic algorithm approach for solvingthe daily photograph selection problem of the SPOT5 satellite[J].Computers&Industrial Engineering,2010,58(3):509-520.);J.Frank等提出了基于资源满足的启发式搜索算法,但其没有考虑任务发生冲突的情况[5]([5]Jeremy Frank,et al.Planningand scheduling for fleet s of earthobserving satellites[C].Proceedings of the6th International Symposium on Artificial Intelligence,Robotics,AutomationandSpace,2002,Montreal,2002.)。Globus针对多星多任务调度的多种智能算法进行了比较[6]([6]A I Globus,et al.A comparison of techniques for schedulingearthobserving satellites[C].Nineteenth National Conference on ArtificialIntelligence:Sixteenth Innovative Applications of Artificial IntelligenceConference,2004,San Jose,American Association forArtificial Intelligence,2004:836-843.)。
国内孙凯、刘伟、赵萍等人提出了改进算法的方法,在一定程度上提高了算法的求解精度和求解速度[7-9]([7]孙凯,邢立宁,陈英武.基于分解优化策略的多敏捷卫星联合对地观测调度[J].计算机集成制造系统,2013,19(1):127-136.[8]刘伟,李斌.一种改进的基于遗传算法的测试调度方法[J].无线电通信技术,2016,42(2):37-40.[9]赵萍,陈志明.应用于卫星自主任务调度的改进遗传算法[J].中国空间科学技术,2016,36(06):47-54.)。ZhaojunZhang[10]([10]Zhaojun Zhang,Na Zhang,Zuren Feng.Multi-satellite controlresource scheduling based on ant colony optimization[J].Expert Systems withApplications.2014(41):2816-2823.)在研究多星控制资源规划问题时提出一种复杂的独立集合模型,并建立了基于蚁群优化的规划算法。陈英武等[11]([11]陈英武,姚锋,李菊芳,贺仁杰,邢立宁.求解多星任务规划问题的演化学习型蚁群算法[J].系统工程理论与实践,2013(33):791-801.)建立了多星任务规划模型,并设计了基于动态参数决策模型的演化学习型蚁群算法。Chen Y、国晓博等人则对分布式卫星系统采用粒子群优化算法求解其多任务数传调度问题[12-13]([12]Chen Y,Zhang D,Zhou M,et al.Multi-satelliteobservation scheduling algorithm based on hybrid genetic particle swarmoptimization[J].Springer Berlin Heidelberg,2012,:441-448.[13]国晓博,刘金灿,周红彬.分布式卫星系统数传调度研究[J].无线电通信技术,2016,42(4):29-32.)。Wang和Qiu等首次建立了对分布式成像卫星应急任务的新型多目标动态调度模型,并将任务进行合并[14]([14]Wang J,Zhu X,Qiu D,et al.Dynamics scheduling for emergency taskson distributed imaging satellites with task merging[J].Parallel andDistributed Systems,IEEE Transactions on,2014,25(9):2275-2285.)。王迪、祝江汉、薛波等提出了电子侦察卫星任务规划模型,并用遗传算法进行求解,有效地解决了针对固定目标的电子侦察卫星任务规划问题[15]([15]王迪,祝江汉,薛波.基于GA的电子侦察卫星任务规划问题研究[J].计算机仿真,2009,26(8):53-56.)。凌晓冬、武小悦、刘琦等提出了基于禁忌遗传算法解决多星调度问题,能够显著地提高调度效果[16]([16]凌晓冬,武小悦,刘琦.多星测控调度问题的禁忌遗传算法研究[J].宇航学报,2009,30(5):2133-2139.)。
通过对目前研究成果的分析可见,多数研究者提出的求解方法虽然在一定程度上取得了较好的效果,但普遍存在约束条件分析不全面、计算时间长、算法收敛速度慢的问题,因此本发明针对卫星联合观测任务规划问题,在基于对各种复杂约束条件分析的基础上,设计了一种基于贪婪策略的遗传算法,通过将贪婪算法的核心思想与遗传算法有机结合,在保证算法求解精度的同时提高算法的收敛速度。
发明内容
本发明的目的是为了解决现有求解卫星联合观测任务规划问题时建模考虑约束条件不足、算法收敛速度慢、算法计算时间长的问题,而提出一种卫星联合观测任务规划方法。
一种卫星联合观测任务规划方法具体过程为:
步骤一、构建卫星观测任务模型;
步骤二、假设在给定规划时段内的卫星观测任务与观测资源不变且星际链路稳定的条件下,基于卫星观测任务模型,构建卫星观测任务规划模型;
步骤三、基于步骤二得到的卫星观测任务规划模型中的约束条件集合构建约束条件的数学模型;
步骤四、基于约束条件的数学模型设计基于贪婪策略的遗传算法,完成卫星联合观测任务规划。
本发明的有益效果为:
本发明设计的卫星观测任务规划方法,构建了完整的卫星观测任务模型和观测任务规划模型,并用明确的数学语言表述卫星观测任务规划问题,分析了各种约束条件,并对约束条件建立了数学模型,通过设计基于贪婪策略的遗传算法,对卫星观测任务规划问题进行求解,并与传统的遗传算法进行对比,经仿真验证,基于贪婪策略和遗传算法求解的卫星观测任务规划方案与传统遗传算法求解的方案的最大收益值相同,说明基于贪婪策略和遗传算法能保证遗传算法原有的求解精度,同时,基于贪婪策略和遗传算法达到收敛状态的平均迭代次数为10,计算耗时224.1563s,而一般遗传算法达到收敛状态的平均迭代次数为25,计算耗时275.8688s,说明贪婪策略能有效提高遗传算法的收敛速度,减少计算时间。可以得出结论,采用基于贪婪策略和遗传算法求解卫星观测任务规划问题是合理且有效的,并且能在保证算法原有精度的前提下提高算法的收敛速度。
附图说明
图1为本发明流程图;
图2为观测任务时间窗口约束示意图;
图3为观测过渡时间约束示意图;
图4为遗传算法二进制编码方式示意图;
图5为本发明基于贪婪策略和遗传算法流程图;
图6a为基于贪婪策略和遗传算法10次计算进化曲线图;
图6b为一般遗传算法10次计算进化曲线图;
图7为基于贪婪策略和遗传算法求解卫星观测任务规划的典型结果图。
具体实施方式
具体实施方式一:结合图1说明本实施方式,本实施方式的一种卫星联合观测任务规划方法具体过程为:
步骤一、根据工程实践需要和用户需求构建卫星观测任务模型;
步骤二、假设在给定规划时段内(比如2018年1月1号0点到2018年4月1号0点)的卫星观测任务与观测资源不变(比如卫星上载荷不变)且星际链路稳定的条件下,基于卫星观测任务模型,构建卫星观测任务规划模型;
步骤三、基于步骤二得到的卫星观测任务规划模型中的约束条件集合构建约束条件的数学模型;
步骤四、基于约束条件的数学模型设计基于贪婪策略的遗传算法,完成卫星联合观测任务规划。
具体实施方式二:本实施方式与具体实施方式一不同的是:所述步骤一中根据工程实践需要和用户需求构建卫星观测任务模型;具体过程为:
假设有N颗卫星,T个待观测目标,卫星观测任务模型为tasknq,则tasknq可表述为:
其中:
tasknq为卫星satn的第q个观测任务,q=1,2,…,rn,rn为第n颗卫星的观测任务数量;
satn为第n颗卫星,n=1,2,…,N,N取值为正整数;
SAT为卫星集合;
tgtt为第t个观测目标,t=1,2,…,T,T为正整数;
TGT为观测目标集合;
periodt为第t个目标需要被观测的最短时间;
WSn为卫星satn可以提供的所有观测窗口集合;
prit为第t个目标的观测收益值;
Datanq为tasknq需要占用的存储空间;
xnq为tasknq的执行状态,xnq={0,1},1表示执行,0表示不执行。
其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:所述步骤二中假设在给定规划时段内(比如2018年1月1号0点到2018年4月1号0点)的卫星观测任务与观测资源不变(比如卫星上载荷不变)且星际链路稳定的条件下,基于卫星观测任务模型,构建卫星观测任务规划模型;具体过程为:
信息实时获取条件下的卫星观测任务规划,就是假设在给定规划时段内的任务与观测资源不变且星际链路稳定的条件下,卫星能力异构的对地观测卫星完成任务分配。
设卫星观测任务规划问题模型为MuSOTP,则可将卫星观测任务规划问题表述为如下形式:
MuSOTP={SAT,TGT,W,TASK,RES;STATE}
其中:
W表示所有可见窗口集合;
RES为约束条件集合;
STATE为所有观测任务的关系状态集合;
同时本发明做出如下假设:
(1)各观测任务之间具有独立性;
(2)每个目标至多只能被观测一次;
(3)不考虑卫星设备故障;
(4)极端工况(比如卫星遇到剧烈撞击,导致载荷失效或数据传输中断)和特殊工况(对观测任务有特殊要求,比如必须观测目标A或目标B)不予考虑;
基于卫星观测任务规划问题模型为MuSOTP和假设,卫星观测任务规划的目的就是从各卫星的观测任务集合中选择一个子集,使得生成的规划方案在满足约束集合RES的前提下获取最大的目标观测收益。
则卫星观测任务规划模型为
其中(1)式表示在约束条件下的最大观测收益,(2)式表示每个目标最多只能被观测一次。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是:所述步骤三中基于步骤二得到的卫星观测任务规划模型中的约束条件集合构建约束条件的数学模型;具体过程为:
本发明综合考虑载荷运行和平台运行,既要研究与观测任务相关的可见时间窗口的约束条件,还要考虑和平台运行有关的卫星轨道、热控、能量、姿态等多方面的约束,并逐一建立数学模型。
(1)确定观测时间窗口约束;
由于星载传感器的锥角和卫星侧摆角的限制,卫星只有在位于目标上方一定范围内时,才可对其观测。目标可被观测的某一时段,称为可见窗口。观测任务必须在可见窗口内完成,观测任务时间窗口约束示意图可见于图2。
本发明利用MATLAB和STK预先计算出所有卫星对各目标的可见窗口,对于观测任务tasknq,观测时间窗口约束可表示为
(2)确定姿态调整约束;
姿态调整冲突是针对卫星观测任务提出的,即卫星观测时姿态调整摆角不能超过设定值θ;目标在卫星轨道坐标系下的位置坐标为[xs,ys,zs],则卫星俯仰轴向和翻滚轴向的摆角θP、θR约束为
(3)基于公式(4)确定观测过渡时间约束;
卫星在执行两个相邻观测任务a和a+1时,需考虑到一定的过渡时间,以保证在此期间内调整好卫星姿态和成像仪器的工作状态,观测过渡时间约束示意图见于图3。
以连续的任务a和任务a+1为例分析,设卫星俯仰轴向的调姿角速度参数为ω、翻滚轴向的调姿角速度参数为ψ,卫星完成观测任务a的观测摆角为(θPB,θRB),完成观测任务a+1的观测摆角为(θP,θR),在连续姿态调整模式下,卫星的姿态调整时间Δta,a+1的计算公式为
对于卫星satn的任务序列,任务a结束到任务a+1开始之间的时间间隔应该大于或等于一个观测过渡时间Ba,a+1,且观测过渡时间Ba,a+1应该大于或者等于卫星姿态调整时间Δta,a+1,观测过渡时间约束可表示为
Ba,a+1≥Δta,a+1 (7)
式中:
(4)确定光照及能量平衡约束;
对卫星电源系统有当圈能量平衡约束,即卫星蓄电池组在地影期的放电量能在之后的光照期内得到完全补充,且为保证蓄电池寿命,单次在地影期的放电深度不超过20%,则能量平衡约束如式(8)、(9)所示。
tCs、tCe∈[Tg,Td] (8)
Ed≤min{Ec,0.2*EB} (9)
式中:
Tg、Td分别为卫星光照期的起始时间、结束时间;
Ed、Ec分别为卫星蓄电池组在地影期的放电量、光照期的充电量;
EB为卫星蓄电池组容量。
tCs为充电开始时间,tCe为充电结束时间;
(5)确定卫星存储资源约束;
卫星每次执行观测任务时需存储的观测数据的大小不能超过卫星存储设备当前的剩余容量Datafree,存储资源约束可表示为
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:所述步骤四中基于约束条件的数学模型设计基于贪婪策略的遗传算法,完成卫星联合观测任务规划;具体过程为:
设计基于贪婪策略的遗传算法,设计编码方式、适应值函数、基于贪婪策略的种群初始化方法、遗传算子(包括选择算子、交叉算子、变异算子)和种群更新方法;
遗传算法是从代表问题可能潜在解集的一个种群开始,按照适者生存、优胜劣汰的原理,逐渐进化产生近似最优解的智能算法,基于贪婪策略的遗传算法具体设计过程为:
步骤四一、确定编码方式;
步骤四二、设置最大迭代次数MaxRun,设置当前迭代次数K=1,基于贪婪策略对种群进行初始化;
步骤四三、基于约束条件的数学模型对种群中M个染色体进行冲突检查与处理,对经过冲突检查与处理的每个染色体计算适应值,记录适应值最高的染色体;
步骤四四、判断是否达到最大迭代次数MaxRun,如果达到,则输出适应值最高的染色体上基因位为1的所有观测窗口,即为卫星联合观测任务规划结果;
如果没达到,则执行步骤四五;
步骤四五、设计遗传算子,执行步骤四六;
步骤四六、种群更新,另K=K+1,执行步骤四三,直至得到卫星联合观测任务规划结果。
流程图参见图5。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是:所述步骤四一中确定编码方式;具体过程为:
结合图4说明本发明遗传算法采用二进制方式编码方式,染色体的每一位代表某一目标对应的某一时间窗口,取值为0或1,0表示该窗口不执行,1表示该窗口执行,染色体长度即为所有目标对于所有卫星的可见时间窗口数量。
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七:本实施方式与具体实施方式一至六之一不同的是:所述步骤四二中设置迭代次数K=1,基于贪婪策略对种群进行初始化;具体过程为:
由于遗传算法的搜索性能与种群的分布状态密切相关,而种群在遗传算法执行过程中的分布变化直接受其初始状态的影响,现有的方法大多通过随机产生初始种群,本发明为了提高遗传算法的收敛速度和计算精度,
采用基于贪婪策略的赋值方法生成包含M个染色体的初始化种群;过程为:
步骤四二一、将染色体按观测目标编号重新排序;
步骤四二二、设置贪婪概率Pgreedy,计算需要置1的基因位数量T*Pgreedy;
步骤四二三、设置数组a[T],乱序存放整数1,2,…,T,取前T*Pgreedy个数,即为染色体上需要被置1的基因位对应的目标编号;
步骤四二四、找到染色体上对应步骤四三三中各目标编号的基因位,并在每个目标对应的基因位中随机选择一个置为1,剩余全部基因位置为0。
其它步骤及参数与具体实施方式一至六之一相同。
具体实施方式八:本实施方式与具体实施方式一至七之一不同的是:所述步骤四三中基于约束条件的数学模型进行冲突检查与处理,对经过冲突检查与处理的每个染色体计算适应值,记录适应值最高的染色体;
进行冲突检查与处理具体过程为:
对染色体上的基因位对应的观测任务逐一进行约束条件检查,若不满足约束条件,则观测任务所对应的基因位的值置为0;若满足约束条件,则观测任务所对应的基因位的值不变;
适应值是遗传算法选择的方向和标志,直接影响算法解决实际问题的性能和效率。适应值函数通常根据问题的优化目标来建立,通过评价种群中个体的适应度来选择个体。本发明采用的适应值函数为:
其它步骤及参数与具体实施方式一至七之一相同。
具体实施方式九:本实施方式与具体实施方式一至八之一不同的是:所述步骤四五中设计遗传算子;具体过程为:
步骤四五一、设置复制选择算子;
选择算子主要实现父代种群中优秀个体和良好基因的保存,本发明采用如下的选择机制:对新产生的染色体种群(M个个数不变),按适应值从高到低排序,适应值最高的染色体直接进入交配池,剩余的染色体按轮盘赌的机制进行选择,以提高适应值高的个体进入交配池的概率,尽可能淘汰适应值低的个体;
步骤四五二、设置交叉算子;
由于双点交叉和三点交叉的方式在增加种群多样性的同时也增加了搜索的随机性,会导致算法收敛速度下降,因此本发明对步骤四五一中进入交配池的染色体采用单点交叉方法实现染色体交叉操作;具体过程为:
设交叉概率为Pcross,则执行交叉操作的染色体数量Mcross为
Mcross=Pcross*M (11)
随机选择交配池中的两个染色体,对两个染色体随机选择同一个交叉位点,将两条染色体上位于交叉位点之后的片段(比如染色体长度为700,交叉位点都选在600处,则将染色体位点601-700之间的位点定义为交叉位点之后的片段)互换,即完成1次交叉操作,重复执行交叉操作Mcross次,完成对交配池中染色体的交叉操作;
步骤四五三、设置变异算子;
变异算子能在种群个体间适应值区别较小时,增加种群的多样性,防止进化停滞,陷入局部最优。
对步骤四五二中完成交叉操作的M个染色体按变异概率进行变异操作;具体过程为:
设变异概率为Pmuta,则执行变异操作的的染色体数量Mmuta为
Mmuta=Pmuta*M (12)
对交配池中的M个染色体随机选择Mmuta个染色体进行变异操作,当染色体被选中时,随机选择被选中染色体上10%*T个基因位,改变该基因位原来的值,即由1变为0,或由0变为1。
其它步骤及参数与具体实施方式一至八之一相同。
具体实施方式十:本实施方式与具体实施方式一至九之一不同的是:所述步骤四六中种群更新,另K=K+1,执行步骤四三,直至得到卫星联合观测任务规划结果。
种群更新,具体过程为:
对更新后的染色体计算适应值,若更新后的染色体的适应值比原染色体的适应值高,则用更新后的染色体替换原染色体,否则保留原染色体。
其它步骤及参数与具体实施方式一至九之一相同。
采用以下实施例验证本发明的有益效果:
实施例一:
本实施例具体是按照以下步骤:
为了验证基于贪婪策略和遗传算法能在保证算法精度的前提下有效提高算法的收敛速度,本发明采用模拟数据建立仿真算例,所有算法和程序用MATLABR2014a编程软件实现。对于目标、卫星的模型建立,时间窗口和卫星光照地影时段的预处理都通过STK9.2仿真软件实现,运行环境为Windows10教育版,Intel Core i3-3220 CPU@3.30GHz,8GB RAM。
模拟数据产生过程如下:
(1)在STK仿真场景中设定卫星数量为10颗,建立遥感卫星模型S1至S10来共同完成目标观测任务,其轨道建立参考了Orbview、Landsat、资源三号、风云一号、天绘一号等卫星的轨道参数;
(2)利用MATLAB随机在全球范围内建立50个地面观测目标点,并随机设定每个目标的收益值;
(3)设定卫星观测任务规划周期为1天;
(4)在STK中计算10颗卫星对50个地面目标的所有可见窗口W,部分观测窗口的数据如表1所示。
表1观测窗口数据表
算法的主要参数设置为:种群中染色体数量M=30,最大遗传代数MaxRun=50,交叉概率Pcross=1,变异概率Pmuta=0.1,贪婪概率Pgreedy=0.7。由于遗传算法本身具有一定的随机性,因此通过对多次运算(10次)的结果进行统计,比较基于贪婪策略和遗传算法和一般遗传算法在算法收敛精度和收敛速度上的性能,结果如图6a、6b及表2所示,基于贪婪策略和遗传算法典型的规划结果如图7所示。
表2计算结果
图6a、6b分别为基于贪婪策略和遗传算法和一般遗传算法的10次计算进化曲线,表2中统计并计算了两种算法10次计算结果的适应度最小值、最大值、平均值、找到最大适应值的平均次数、收敛时的平均迭代次数和平均计算时间。由表2可知,基于贪婪策略和遗传算法求解的任务规划方案与一般遗传算法求解的方案的收益值相同,说明基于贪婪策略和遗传算法能保证遗传算法原有的求解精度,同时,基于贪婪策略和遗传算法达到收敛状态的平均迭代次数为10,计算耗时224.1563s,而一般遗传算法达到收敛状态的平均迭代次数为25,计算耗时275.8688s,说明贪婪策略能有效提高遗传算法的收敛速度,减少计算时间。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (8)
1.一种卫星联合观测任务规划方法,所述方法具体过程为:
步骤一、构建卫星观测任务模型;
步骤二、假设在给定规划时段内的卫星观测任务与观测资源不变且星际链路稳定的条件下,基于卫星观测任务模型,构建卫星观测任务规划模型;
步骤三、基于步骤二得到的卫星观测任务规划模型中的约束条件集合构建约束条件的数学模型;
步骤四、基于约束条件的数学模型设计基于贪婪策略的遗传算法,完成卫星联合观测任务规划;
其特征在于:所述步骤一中构建卫星观测任务模型;具体过程为:
假设有N颗卫星,T个待观测目标,卫星观测任务模型为tasknq,则tasknq表述为:
其中:
tasknq为卫星satn的第q个观测任务,q=1,2,...,rn,rn为第n颗卫星的观测任务数量;
satn为第n颗卫星,n=1,2,...,N;
SAT为卫星集合;
tgtt为第t个观测目标,t=1,2,...,T;
TGT为观测目标集合;
periodt为第t个目标需要被观测的最短时间;
WSn为卫星satn可以提供的所有观测窗口集合;
prit为第t个目标的观测收益值;
Datanq为tasknq需要占用的存储空间;
xnq为tasknq的执行状态,xnq={0,1},1表示执行,0表示不执行;
所述步骤二中假设在给定规划时段内的卫星观测任务与观测资源不变且星际链路稳定的条件下,基于卫星观测任务模型,构建卫星观测任务规划模型;具体过程为:
设卫星观测任务规划问题模型为MuSOTP,则将卫星观测任务规划问题表述为如下形式:
MuSOTP={SAT,TGT,W,TASK,RES;STATE}
其中:
W为表示所有可见窗口集合;
RES为约束条件集合;
STATE为所有观测任务的关系状态集合;
假设:
(1)各观测任务之间具有独立性;
(2)每个目标至多只能被观测一次;
(3)不考虑卫星设备故障;
(4)极端工况和特殊工况不予考虑;
则卫星观测任务规划模型为
其中(1)式表示在约束条件下的最大观测收益,(2)式表示每个目标最多只能被观测一次。
2.根据权利要求1所述一种卫星联合观测任务规划方法,其特征在于:所述步骤三中基于步骤二得到的卫星观测任务规划模型中的约束条件集合构建约束条件的数学模型;具体过程为:
(1)确定观测时间窗口约束;
对于观测任务tasknq,观测时间窗口约束表示为
(2)确定姿态调整约束;
卫星观测时姿态调整摆角不能超过设定值θ;目标在卫星轨道坐标系下的位置坐标为[xs,ys,zs],则卫星俯仰轴向和翻滚轴向的摆角θP、θR约束为
(3)基于公式(4)确定观测过渡时间约束;
卫星在执行两个相邻观测任务a和a+1时,设卫星俯仰轴向的调姿角速度参数为ω、翻滚轴向的调姿角速度参数为ψ,卫星完成观测任务a的观测摆角为(θPB,θRB),完成观测任务a+1的观测摆角为(θP,θR),在连续姿态调整模式下,卫星的姿态调整时间Δta,a+1的计算公式为
对于卫星satn的任务序列,任务a结束到任务a+1开始之间的时间间隔应该大于或等于一个观测过渡时间Ba,a+1,且观测过渡时间Ba,a+1应该大于或者等于卫星姿态调整时间Δta,a+1,观测过渡时间约束表示为
Ba,a+1≥Δta,a+1 (7)
式中:
(4)确定光照及能量平衡约束;
卫星蓄电池组在地影期的放电量能在之后的光照期内得到完全补充,且为保证蓄电池寿命,单次在地影期的放电深度不超过20%,则能量平衡约束如式(8)、(9)所示:
tCs、tCe∈[Tg,Td] (8)
Ed≤min{Ec,0.2*EB} (9)
式中:
Tg、Td分别为卫星光照期的起始时间、结束时间;
Ed、Ec分别为卫星蓄电池组在地影期的放电量、光照期的充电量;
EB为卫星蓄电池组容量;
tCs为充电开始时间,tCe为充电结束时间;
(5)确定卫星存储资源约束;
卫星每次执行观测任务时需存储的观测数据的大小不能超过卫星存储设备当前的剩余容量Datafree,存储资源约束表示为
3.根据权利要求2所述一种卫星联合观测任务规划方法,其特征在于:所述步骤四中基于约束条件的数学模型设计基于贪婪策略的遗传算法,完成卫星联合观测任务规划;具体过程为:
步骤四一、确定编码方式;
步骤四二、设置最大迭代次数MaxRun,设置当前迭代次数K=1,基于贪婪策略对种群进行初始化;
步骤四三、基于约束条件的数学模型对种群中M个染色体进行冲突检查与处理,对经过冲突检查与处理的每个染色体计算适应值,记录适应值最高的染色体;
步骤四四、判断是否达到最大迭代次数MaxRun,如果达到,则输出适应值最高的染色体上基因位为1的所有观测窗口,即为卫星联合观测任务规划结果;
如果没达到,则执行步骤四五;
步骤四五、设计遗传算子,执行步骤四六;
步骤四六、种群更新,另K=K+1,执行步骤四三,直至得到卫星联合观测任务规划结果。
4.根据权利要求3所述一种卫星联合观测任务规划方法,其特征在于:所述步骤四一中确定编码方式;具体过程为:
采用二进制方式编码方式,染色体的每一位代表某一目标对应的某一时间窗口,取值为0或1,0表示该窗口不执行,1表示该窗口执行,染色体长度即为所有目标对于所有卫星的可见时间窗口数量。
5.根据权利要求4所述一种卫星联合观测任务规划方法,其特征在于:所述步骤四二中设置迭代次数K=1,基于贪婪策略对种群进行初始化;具体过程为:
采用基于贪婪策略的赋值方法生成包含M个染色体的初始化种群;过程为:
步骤四二一、将染色体按观测目标编号重新排序;
步骤四二二、设置贪婪概率Pgreedy,计算需要置1的基因位数量T*Pgreedy;
步骤四二三、设置数组a[T],乱序存放整数1,2,...,T,取前T*Pgreedy个数,即为染色体上需要被置1的基因位对应的目标编号;
步骤四二四、找到染色体上对应步骤四三三中各目标编号的基因位,并在每个目标对应的基因位中随机选择一个置为1,剩余全部基因位置为0。
7.根据权利要求6所述一种卫星联合观测任务规划方法,其特征在于:所述步骤四五中设计遗传算子;具体过程为:
步骤四五一、设置复制选择算子;
对新产生的染色体种群,按适应值从高到低排序,适应值最高的染色体直接进入交配池,剩余的染色体按轮盘赌的机制进行选择;
步骤四五二、设置交叉算子;
对步骤四五一中进入交配池的染色体采用单点交叉方法实现染色体交叉操作;具体过程为:
设交叉概率为Pcross,则执行交叉操作的染色体数量Mcross为
Mcross=Pcross*M (11)
随机选择交配池中的两个染色体,对两个染色体随机选择同一个交叉位点,将两条染色体上位于交叉位点之后的片段互换,即完成1次交叉操作,重复执行交叉操作Mcross次,完成对交配池中染色体的交叉操作;
步骤四五三、设置变异算子;
对步骤四五二中完成交叉操作的M个染色体按变异概率进行变异操作;具体过程为:
设变异概率为Pmuta,则执行变异操作的的染色体数量Mmuta为
Mmuta=Pmuta*M (12)
对交配池中的M个染色体随机选择Mmuta个染色体进行变异操作,当染色体被选中时,随机选择被选中染色体上10%*T个基因位,改变该基因位原来的值,即由1变为0,或由0变为1。
8.根据权利要求7所述一种卫星联合观测任务规划方法,其特征在于:所述步骤四六中种群更新具体过程为:
对更新后的染色体计算适应值,若更新后的染色体的适应值比原染色体的适应值高,则用更新后的染色体替换原染色体,否则保留原染色体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811353833.0A CN109409775B (zh) | 2018-11-14 | 2018-11-14 | 一种卫星联合观测任务规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811353833.0A CN109409775B (zh) | 2018-11-14 | 2018-11-14 | 一种卫星联合观测任务规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109409775A CN109409775A (zh) | 2019-03-01 |
CN109409775B true CN109409775B (zh) | 2020-10-09 |
Family
ID=65473316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811353833.0A Active CN109409775B (zh) | 2018-11-14 | 2018-11-14 | 一种卫星联合观测任务规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109409775B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110058182B (zh) * | 2019-05-31 | 2021-03-16 | 山东航天电子技术研究所 | 一种用于卫星电源系统放电工况的故障诊断方法 |
CN110633888B (zh) * | 2019-07-17 | 2022-07-29 | 北京空间飞行器总体设计部 | 一种基于四层结构遗传算法的多星任务规划方法 |
CN112580906A (zh) * | 2019-09-27 | 2021-03-30 | 陕西星邑空间技术有限公司 | 卫星遥感任务规划与地面资源调度联合求解方法 |
CN111176807B (zh) * | 2019-12-09 | 2023-12-12 | 中国空间技术研究院 | 一种多星协同任务规划方法 |
CN111598473B (zh) * | 2020-05-22 | 2023-07-11 | 中国人民解放军国防科技大学 | 面向复杂观测任务的多平台联合任务规划方法 |
CN111897640B (zh) * | 2020-07-31 | 2024-02-02 | 武汉大学 | 一种面向区域成图的卫星成像任务规划方法及系统 |
CN112347961B (zh) * | 2020-11-16 | 2023-05-26 | 哈尔滨工业大学 | 水流体内无人平台智能目标捕获方法及系统 |
CN112737660B (zh) * | 2020-12-09 | 2022-06-10 | 合肥工业大学 | 多星多站数据下传调度方法和系统 |
CN112668930B (zh) * | 2021-01-12 | 2024-05-17 | 中国科学院微小卫星创新研究院 | 基于改进教学优化方法的多星任务调度规划方法 |
CN113033072A (zh) * | 2021-02-08 | 2021-06-25 | 浙江大学 | 一种基于多头注意力指针网络的成像卫星任务规划方法 |
CN113051815B (zh) * | 2021-03-18 | 2023-08-11 | 浙江大学 | 一种基于独立指针网络的敏捷成像卫星任务规划方法 |
CN113313349B (zh) * | 2021-04-20 | 2022-09-23 | 合肥工业大学 | 卫星任务资源匹配优化方法、装置、存储介质和电子设备 |
CN113313414B (zh) * | 2021-06-21 | 2024-05-14 | 哈尔滨工程大学 | 一种多类异构遥感平台任务协同规划方法 |
CN113627823B (zh) * | 2021-08-25 | 2023-11-21 | 北京市遥感信息研究所 | 基于观测任务优先级的遥感卫星数传任务规划方法及装置 |
CN113902277A (zh) * | 2021-09-29 | 2022-01-07 | 广东电网有限责任公司 | 输电线路任务规划方法、装置、终端设备及存储介质 |
CN115081936B (zh) * | 2022-07-21 | 2022-11-18 | 之江实验室 | 面向应急条件下多遥感卫星观测任务调度的方法和装置 |
CN116760454B (zh) * | 2023-08-09 | 2023-10-13 | 中国科学院空天信息创新研究院 | 中继卫星资源分配方法和装置 |
CN117391275B (zh) * | 2023-12-13 | 2024-04-16 | 中国电子科技集团有限公司电子科学研究院 | 一种分布式大规模综合星座观测任务自主寻优分配方法 |
CN117560068B (zh) * | 2024-01-11 | 2024-03-12 | 中国电子科技集团公司第五十四研究所 | 一种面向多平台协同观测的卫星任务规划方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1858553A (zh) * | 2006-06-07 | 2006-11-08 | 哈尔滨工业大学 | 基于遗传算法的深空自主光学导航中参照星体的选择方法 |
CN104331627A (zh) * | 2014-11-11 | 2015-02-04 | 中国科学院空间科学与应用研究中心 | 硬x射线调制望远镜卫星任务规划处理方法 |
CN108416500A (zh) * | 2018-01-31 | 2018-08-17 | 中国地质大学(武汉) | 一种基于pddl多星协同任务规划方法、设备及存储设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030121010A1 (en) * | 2001-12-21 | 2003-06-26 | Celoxica Ltd. | System, method, and article of manufacture for estimating a potential performance of a codesign from an executable specification |
CN105005841B (zh) * | 2015-04-27 | 2018-06-22 | 北京师范大学 | 合成成像卫星元任务的方法及装置 |
US10178624B2 (en) * | 2017-03-17 | 2019-01-08 | Aireon Llc | Provisioning satellite coverage |
CN107239860B (zh) * | 2017-06-05 | 2018-02-23 | 合肥工业大学 | 一种成像卫星任务规划方法 |
CN108256671A (zh) * | 2017-12-26 | 2018-07-06 | 佛山科学技术学院 | 一种基于学习型遗传算法的多任务多资源滚动分配方法 |
-
2018
- 2018-11-14 CN CN201811353833.0A patent/CN109409775B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1858553A (zh) * | 2006-06-07 | 2006-11-08 | 哈尔滨工业大学 | 基于遗传算法的深空自主光学导航中参照星体的选择方法 |
CN104331627A (zh) * | 2014-11-11 | 2015-02-04 | 中国科学院空间科学与应用研究中心 | 硬x射线调制望远镜卫星任务规划处理方法 |
CN108416500A (zh) * | 2018-01-31 | 2018-08-17 | 中国地质大学(武汉) | 一种基于pddl多星协同任务规划方法、设备及存储设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109409775A (zh) | 2019-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109409775B (zh) | 一种卫星联合观测任务规划方法 | |
CN113128828B (zh) | 一种基于多智能体强化学习的卫星观测分布式在线规划方法 | |
CN112016812B (zh) | 多无人机任务调度方法、系统及存储介质 | |
Du et al. | A new multi-satellite autonomous mission allocation and planning method | |
CN109933842B (zh) | 一种基于约束满足遗传算法的移动目标单星任务规划方法 | |
CN112766813A (zh) | 一种空天协同观测复杂任务调度方法及系统 | |
He et al. | Scheduling multiple agile earth observation satellites with an edge computing framework and a constructive heuristic algorithm | |
Wu et al. | Ensemble of metaheuristic and exact algorithm based on the divide-and-conquer framework for multisatellite observation scheduling | |
CN109039428B (zh) | 基于冲突消解的中继卫星单址天线调度随机搜索方法 | |
Feng et al. | A method of distributed multi-satellite mission scheduling based on improved contract net protocol | |
Qi et al. | A cooperative autonomous scheduling approach for multiple earth observation satellites with intensive missions | |
Han et al. | Mission planning for agile earth observing satellite based on genetic algorithm | |
CN117829277B (zh) | 面向多类型卫星的应急观测任务调度方法、系统及装置 | |
Liu et al. | Bottom-up mechanism and improved contract net protocol for dynamic task planning of heterogeneous earth observation resources | |
CN114928394A (zh) | 一种能耗优化的低轨卫星边缘计算资源分配方法 | |
Küçük et al. | A constraint programming approach for agile Earth observation satellite scheduling problem | |
Geng et al. | Agile satellite scheduling based on hybrid coding genetic algorithm | |
Long et al. | An Improved Multi-Satellite Cooperative Task Planning Method Based on Distributed Multi-agent System | |
Xun et al. | Distributed tasks-platforms scheduling method to holonic-C2 organization | |
CN114115307B (zh) | 一种基于深度学习的航天器反交会逃逸脉冲求解方法 | |
CN109886574A (zh) | 一种基于改进阈值法的多机器人任务分配方法 | |
Li et al. | Application of population based incremental learning algorithm in satellite mission planning | |
CN115912430A (zh) | 基于云边端协同的大规模储能电站资源分配方法及系统 | |
Xu et al. | Bilateral Collaborative Optimization for Cloud Manufacturing Service. | |
Liu et al. | Research on a heterogeneous multi-satellite mission scheduling model for earth observation based on adaptive genetic-tabu hybrid search algorithm |
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 |