CN109635332A - 一种基于遗传算法的变步长星座轨道优化方法及装置 - Google Patents
一种基于遗传算法的变步长星座轨道优化方法及装置 Download PDFInfo
- Publication number
- CN109635332A CN109635332A CN201811326799.8A CN201811326799A CN109635332A CN 109635332 A CN109635332 A CN 109635332A CN 201811326799 A CN201811326799 A CN 201811326799A CN 109635332 A CN109635332 A CN 109635332A
- Authority
- CN
- China
- Prior art keywords
- satellite
- population
- constellation
- orbital plane
- genetic
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Genetics & Genomics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Physiology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Radio Relay Systems (AREA)
Abstract
本发明公开了一种基于遗传算法的变步长星座轨道优化方法及装置。包括:设定目标卫星星座的轨道面数量和各轨道面的卫星数量;依据轨道面数量和卫星数量,初始化得到遗传算法种群,并设定遗传算法预设参数;遗传算法预设参数包括种群规模、交叉率、变异率和最大遗传代数;采用变步长策略计算得到卫星星座的时间分辨率,并将时间分别率作为适应度函数;依据适应度函数、交叉率和变异率,对从遗传算法种群中随机选取的部分个体进行交叉和变异处理;在依据最大遗传代数确定选择、交叉和变异操作完成的情况下,获取新一代种群中适应度值最高的个体,并解码获得星座构型。本发明能够提升星座轨道优化时间精度、减少优化时间,实现更好时间分辨率的覆盖。
Description
技术领域
本发明属于航天器星座系统设计技术领域,尤其涉及一种基于遗传算法的变步长星座轨道优化算法及装置。
背景技术
卫星星座是指由多颗卫星按照一定规则和形状构成的可提供一定覆盖性能的卫星网络,是多颗卫星进行协同工作的基本形式。为了适应通信、导航和地球观测等领域的广泛需求,卫星星座技术得到了广泛重视。其中,卫星星座设计是卫星星座系统建立的前提和关键。为实现最小数量卫星多目标区域的覆盖,需对卫星星座轨道参数优化设计,满足系统对覆盖性能——时间分辨率的要求。传统的星座轨道优化方法仅仅针对优化方法做出改进,从而提高系统收敛速度,而未注意到在优化过程中,对目标区域覆盖时间的计算占用了较多计算资源、降低了效率,并且现有方法若要提高覆盖时间精度,会呈指数式增加优化计算时间、增加计算成本。
发明内容
本发明解决的技术问题是:本发明实施例提供一种基于遗传算法的变步长星座轨道优化方法及装置,能够有效地提升星座轨道优化时间精度、减少优化时间,设计的星座能够用较少的卫星总数,实现更好时间分辨率的覆盖。
为了解决上述技术问题,本发明公开了一种基于遗传算法的变步长星座轨道优化方法,包括:设定目标卫星星座的轨道面数量和各轨道面的卫星数量;其中,各所述轨道面的卫星数量相同;依据所述轨道面数量和所述卫星数量,初始化得到遗传算法种群,并设定遗传算法预设参数;其中,所述遗传算法预设参数包括种群规模、交叉率、变异率和最大遗传代数;采用变步长策略计算得到所述目标卫星星座的时间分辨率,并将所述时间分别率作为适应度函数;依据所述适应度函数、所述交叉率和变异率,对从所述遗传算法种群中随机选取的部分个体进行交叉和变异处理,以得到新一代种群;在依据所述最大遗传代数确定选择、交叉和变异操作完成的情况下,获取最新一代种群中适应度值最高的个体;对所述适应度值最高的个体进行解码,获得星座构型优化结果。
优选地,所述依据所述轨道面数量和所述卫星数量,初始化得到遗传算法种群的步骤,包括:获取各所述轨道面的升交点赤经和各所述卫星的维度幅值;依据各所述升交点赤经和各所述维度幅值,按照预设算法确定种群变量个数;依据所述种群变量个数,得到所述遗传算法种群。
优选地,所述采用变步长策略计算得到所述目标卫星星座的时间分辨率,并将所述时间分别率作为适应度函数的步骤,包括:按照各所述卫星进出目标区域的时间顺序,计算各所述卫星对所述目标区域的覆盖性能;根据不同的目标区域,对各所述卫星对应的覆盖性能加和,获得卫星星座对所述目标区域的时间分辨率,并将所述时间分辨率作为适应度函数。
优选地,所述对所述适应度值最高的个体进行解码,获得星座构型优化结果的步骤,包括:基于所述适应度值最高的个体,按照初始化种群的编码方式,解码计算所述目标卫星星座各所述轨道面的升交点赤经和各所述卫星的维度幅值;将各所述升交点赤经和各所述维度幅值作为所述目标卫星星座的最终构型。
为了解决上述技术问题,本发明实施例还提供了一种基于遗传算法的变步长星座轨道优化装置,包括:数量设定模块,用于设定目标卫星星座的轨道面数量和各轨道面的卫星数量;其中,各所述轨道面的卫星数量相同;种群初始化模块,用于依据所述轨道面数量和所述卫星数量,初始化得到遗传算法种群,并设定遗传算法预设参数;其中,所述遗传算法预设参数包括种群规模、交叉率、变异率和最大遗传代数;适应度函数计算模块,用于采用变步长策略计算得到所述目标卫星星座的时间分辨率,并将所述时间分别率作为适应度函数;新一代种群获取模块,用于依据所述适应度函数和所述交叉率和变异率,对从所述遗传算法种群中随机选取的部分个体进行交叉和变异处理,以得到新一代种群;适应度值最高个体获取模块,用于在依据所述最大遗传代数确定选择、交叉和变异操作完成的情况下,获取最新一代种群中适应度值最高的个体;解码模块,用于对所述适应度值最高的个体进行解码,获得星座构型优化结果。
优选地,所述种群初始化模块包括:升交点赤经和维度幅值获取子模块,用于获取各所述轨道面的升交点赤经和各所述卫星的维度幅值;种群变量个数确定子模块,用于依据各所述升交点赤经和各所述维度幅值,按照预设算法确定种群变量个数;遗传算法种群获取子模块,用于依据所述种群变量个数,得到所述遗传算法种群。
优选地,所述适应度函数计算模块包括:覆盖性能计算子模块,用于按照各所述卫星进出目标区域的时间顺序,计算各所述卫星对所述目标区域的覆盖性能;适应度函数获取子模块,用于根据不同的目标区域,对各所述卫星对应的覆盖性能加和,获得卫星星座对所述目标区域的时间分辨率,并将所述时间分辨率作为适应度函数。
优选地,所述解码模块包括:升交点赤经和维度幅值计算子模块,用于基于所述适应度值最高的个体,按照初始化种群的编码方式,解码计算所述目标卫星星座各所述轨道面的升交点赤经和各所述卫星的维度幅值;最终构型获取子模块,用于将各所述升交点赤经和各所述维度幅值作为所述目标卫星星座的最终构型。
本发明具有以下优点:本发明实施例公开了一种基于遗传算法的变步长星座轨道优化方法及装置,通过设定目标卫星星座的轨道面数量和各轨道面的卫星数量,其中,各轨道面的卫星数量相同,依据轨道面数量和卫星数量,初始化得到遗传算法种群,其中,遗传算法预设参数包括种群规模、交叉率、变异率和最大遗传代数,采用变步长策略计算得到目标卫星星座的时间分辨率,并将时间分别率作为适应度函数,依据适应度函数、交叉率和变异率,对从遗传算法种群中随机选取的部分个体进行交叉和变异处理,以得到新一代种群,在依据最大遗传代数确定选择、交叉和变异操作完成的情况下,获取最新一代种群中适应度值最高的个体,依据适应度值最高的个体解码获得目标卫星星座构型。本发明实施例能够有效地提升星座轨道优化时间精度、减少优化时间,设计的星座能够用较少的卫星总数,实现更好时间分辨率的覆盖。
附图说明
图1示出了本发明实施例提供的一种基于遗传算法的变步长星座轨道优化方法的步骤流程图;
图2示出了本发明实施例提供的一种真近点角求解流程图;
图3示出了本发明实施例提供的一种确定卫星覆盖区域的示意图;
图4示出了本发明实施例提供的一种卫星形成的摄影点位置几何关系示意图;
图5示出了本发明实施例提供的一种基于遗传算法的变步长星座轨道优化装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明公开的实施方式作进一步详细描述。
实施例一
参照图1,示出了本发明实施例提供的一种基于遗传算法的变步长星座轨道优化方法的步骤流程图,具体可以包括如下步骤:
步骤101:设定目标卫星星座的轨道面数量和各轨道面的卫星数量;其中,各所述轨道面的卫星数量相同。
在本发明实施例中,目标卫星星座的轨道面数量和各轨道面的卫星数量是预先人为设定的,而对于轨道面的具体数量和各轨道面的卫星数量,本发明实施例不加以限制。
并且,在设定的各轨道面的卫星数量中,各个轨道面的卫星数量是相同的,例如,设定的轨道面包括A和B,在设定轨道面A的卫星数量为6颗卫星时,则设定的轨道面B的卫星数量也为6颗卫星。
可以理解地,上述示例仅是为了更好地理解本发明实施例的技术方案而列举的示例,不作为对本发明实施例的唯一限制。
在设定目标卫星星座的轨道面数量和各轨道面的卫星数量之后,执行步骤102。
步骤102:依据所述轨道面数量和所述卫星数量,初始化得到遗传算法种群;其中,遗传算法预设参数包括种群规模、交叉率、变异率和最大遗传代数。
遗传算法(Genetic Algorithm,GA)是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法。其基本思想是基于达尔文的进化论,将问题的参数空间替代为编码空间,以适应度函数作为评价种群个体的依据,采用选择、交叉、变异一个基本操作建立其一个迭代过程,实现对自然选择和遗传机制的模拟。每一次迭代都是一个进化过程,通过该迭代得到的子代个体总是源于其父代个体;因此经过一定代数的进化,经过算法优化得到的种群个体就可能逼近于实际的最优解,从而达到求解最优参数的目的。
通过GA进行求解的主要步骤如下:
(1)确定编码方案:遗传算法求解问题不是直接作用在问题的解空间上,而是利用解的某种编码表示。通常情况下采用二进制编码可以解决问题,即将参数转换成由0、1组成的数字串。
(2)初始化种群:随机地产生一个由N个个体组成的种群,该种群代表一些可能解的集合。遗传算法的任务是种群出发,模拟生物进化的过程进行优胜劣汰,最后得出满足优化要求的种群和个体。种群的大小N可以人为确定。一般而言,种群取得越大则可供选择的面越宽,就容易得到更好的结果。但是种群选取过大的话,优化的速度就会减慢。因此应该根据经验并结合实际的实验来大致确定种群的大小。
(3)确定适应度函数:适应值是对解的质量的一种度量,它通常依赖于解的行为与环境(即种群)的关系。解的适应值是优化过程中进行选择的唯一依据。适应度函数的设计非常重要,一般是通过问题的目标函数转换而来,通常情况下需要对目标函数进行变形。
(4)确定终止准则:由于进化计算没有利用目标函数的梯度等信息,所以在进化过程中,无法确定个体在解空间的位置。从而无法用传统的方法来判定算法的收敛与否以终止算法。一般来说,有这么几种方法可以作为算法终止的条件:第一,确定一个最大的进化代数,当进化到这一代时,算法自动终止运行;第二,设定一个期望的适应度函数值,只有当种群中存在能达到该期望值的个体时,算法才终止;第三,预先设定一个值,当在连续这么多代以后解的适应值没有什么明显的改进时,算法终止。
(5)选择操作:按一定概率从群体中选择个体,作为双亲用于繁殖后代,产生新的个体。在此操作中,适应于生存环境的优良个体将有更多的机会繁殖后代,这使得优良特性能够遗传到下一代。优胜劣汰的选择机制使得适应值大的解有较高的存活概率,这是遗传算法与一般搜索算法的主要区别之一。不同的选择策略对算法的性能也有较大的影响。
(6)交叉操作:随机地选择用于繁殖的每一对个体的同一基因位,将其染色体在此基因位断开并相互交换。
(7)变异操作:以一定的概率从群体中选择若干个个体。对于选中的个体,随机选择某一位进行取反操作。
GA对产生的新一代群体进行评价、选择、杂交和变异。一代一代循环往复,使种群中最优个体的适应度和平均适应度不断提高,直至最优个体的适应度满足优化准则或最优个体的适应度和平均适应度不再提高,则迭代过程收敛,算法结束。遗传算法的选择和交叉算子赋予了它强有力的搜索能力,变异算子则使算法能搜索到问题解空间的每一个点,以确保算法能达到全局最优。
在本发明实施例中,在设定目标卫星星座的轨道面数量和各轨道面的卫星数量之后,可以初始化遗传算法种群,并设置交叉率和变异率,而对于初始化遗传算法种群的方式,以下述优选实施例进行描述。
在本发明的一种优选实施例中,上述步骤102可以包括:
子步骤A1:随机生成各所述轨道面的升交点赤经和各所述卫星的维度幅值;
子步骤A2:依据各所述升交点赤经和各所述维度幅值,按照预设算法确定种群变量个数;
子步骤A3:依据所述种群变量个数,得到所述遗传算法种群。
在本发明实施例中,可以通过现有技术中常用的算法随机生成各轨道面的升交点赤经和各卫星的维度幅值,进而将升交点赤经和维度幅值作为变量参数,确定种群变量个数。具体地,可以参照下述公式(1)确定种群变量个数:
nvar=nplane*(nsat+1) (1)
上述公式(1)中,nplane为轨道面数量,nsat为每个轨道面的卫星数量,nvar为组网卫星中总的变量个数。
进而根据组网卫星中总的变量个数初始化得到遗传算法种群。
在初始化得到遗传算法种群之后,执行步骤103。
步骤103:采用变步长策略计算得到所述目标卫星星座的时间分辨率,并将所述时间分别率作为适应度函数。
在本发明实施例中,可以以时间分辨率为适应度函数,计算种群中每一个体的适应度,具体的,以下述优选实施例进行详细描述。
在本发明的一种优选实施例中,上述步骤103可以包括:
子步骤B1:按照各所述卫星进出目标区域的时间顺序,计算各所述卫星对所述目标区域的覆盖性能;
子步骤B2:根据不同的目标区域,对各所述卫星对应的覆盖性能加和,获得所述目标卫星星座的时间分辨率,并将所述时间分辨率作为适应度函数。
在本发明实施例中,在计算时间个体的时间分辨率时,按时间顺序采用变步长策略计算星座各个卫星对目标的覆盖性能(即进出覆盖区的时刻),然后根据不同的目标类型,对单个卫星覆盖情况加和,获得星座整体覆盖性能也即时间分辨率的计算。
1.由偏心率和平近点角计算真近点角
而获取真切点角可以参照说明书附图图2进行如下详细描述。
由偏心率e、平近点角M计算真近点角θ模块,首先由开普勒方程计算偏近点角E采用简单迭代法。
E(k+1)=e×sinE(k)+M (1.1)
通过while循环使得偏近点角误差ΔE绝对值小于10-3,从而得到偏近点角E,具体流程图如图2所示。然后,通过偏近点角E计算真近点角θ的正余弦值,通过反正切值求出真近点角θ。
最后,通过求解真近点角α的反正切值得到θ。
2.有儒略日计算太阳赤经和赤纬
由儒略日MJD计算太阳赤经α、赤纬δ模块,MJD的起点为2000年1月1日12时JD=2451545。其中MJD=JD-2433283,MJC=MJD/36525。
偏心率:
e=1.670862×10-2-4.1926×10-5×MJC-1.24×10-7×MJC2 (2.1)
轨道倾角(即黄赤交角):
i=23.439291-1.300417×10-2×MJC-1.6×10-7×MJC2 (2.2)
近地点幅角:
ω=282.937347+0.32256206×MJC-1.5757×10-4×MJC2 (2.3)
平近点角:
M=357.5291+0.9855600804×MJC-7.734×10-4×MJC2 (2.4)
通过以上公式计算后的结果转化为弧度,并通过调用“由偏心率和平近点角计算真近点角”程序计算真近点角θ。
然后由近地点幅角ω、真近点角θ计算纬度幅角(即黄经)u:
u=ω+θ (2.5)
最后由轨道倾角i、纬度幅角u计算太阳赤经α、赤纬δ:
α=arctan(cos(i)×tan(u)) (2.6)
δ=arcsin(sin(i)×sin(u)) (2.7)
3.卫星运行至任意纬度时的密切轨道要素
卫星运行至任意纬度时的密切轨道要素模块适用于在摄动力影响下,已知卫星轨道要素半长轴a,轨道偏心率e,近地点幅角ω,轨道倾角i,纬度幅角u,轨道升交点赤经Ω,计算卫星密切轨道要素半长轴a1、轨道倾角i1、偏心率e1、偏心率x轴矢量k、偏心率y轴矢量h、升交点赤经Ω、轨道幅角u1、航天器位置r1。地球引力势的低阶谐系数参见2.2.1定义2。
卫星公转平均角速度
升交点赤经变化率
近地点幅角变化率
平近点角变化率
密切轨道系数
密切轨道要素
a1=a+K1×cos(2×(u+(nω+nM)×t)) (3.12)
i1=i+K3×cos(2×(u+(nω+nM)×t)) (3.13)
h1=e×sin(ω)+K6×sin(u+(nω+nM)×t)+K7×sin(3×(u+(nω+nM)×t))+e1(3.15)
k1=e×cos(ω)+K8×cos(u+(nω+nM)×t)+K7×cos(3×(u+(nω+nM)×t)) (3.16)
Ω1=Ω+nΩ×t+K4×sin(2×(u+(nΩ+nM)×t)) (3.17)
u1=u+(nω+nM)×t+K9×sin(2×(u+(nω+nM)×t)) (3.18)
4.计算卫星星下点经纬度
计算卫星星下点经纬度模块考虑摄动力影响下,已知儒略日MJD、轨道高度h、降交点地方时LTDN、当地地方时t分析星下点大地纬度经度λ。卫星轨道要素半长轴a,轨道偏心率e=0,近地点幅角ω,轨道倾角i,纬度幅角u,轨道升交点赤经Ω。首先轨道倾角i和轨道高度h是初始设定好的值,轨道升交点赤经Ω是控制参数。
接下来调用“卫星运行至任意纬度时的密切轨道要素”模块得到卫星密切轨道要素半长轴a1、轨道倾角i1、偏心率e1、偏心率x轴矢量k、偏心率y轴矢量h、升交点赤经Ω、轨道幅角u1、航天器位置r1。并将卫星的赤经α、赤纬δ求出。
格林威治赤经
赤纬
赤经
α=arcsin(sin(i1)×sin(u1)) (4.4)
最后由卫星的赤经α、赤纬δ计算其星下点大地纬度经度λ。
大地纬度
大地经度
λ=α(4.6)
其中地球扁平率
分析太阳同步卫星的覆盖情况,首先介绍太阳同步卫星的覆盖标记模块已知地心纬度经度λ、赤经α、赤纬δ、航天器位置r、半视场角γ、最小太阳高度角βmin得到任意时刻卫星覆盖情况logi,其覆盖区域的由图3确定。
地心纬度
当地的地球半径
地心-卫星方向的单位矢量
星下点-卫星方向的单位矢量
地心-星下点方向的单位矢量
将以上结果带入以下方程分别与半视场角γ、最小太阳高度角βmin比较满足不等式的情况标记为1,最终得任意情况下覆盖情况(覆盖区域为1,覆盖区域外为0),如图4所示。
logi1=(V1'×V2)≥cos(γ) (5.7)
logi2=(V2'×V3)≥sin(βmin) (5.8)
logi=logi1×logi2 (5.9)
以上模块为卫星的覆盖标记,接下来参见“计算卫星星下点经纬度”。计算或者设定卫星轨道要素中的半长轴a,轨道偏心率e=0,近地点幅角ω,轨道倾角i,以及控制变量轨道纬度幅角u和轨道升交点赤经Ω,并得到初始格林威治赤经αG。已知设定初始地面站地心纬度和经度λ,调用“卫星运行至任意纬度时的密切轨道要素”模块得到卫星密切轨道要素半长轴a1、轨道倾角i1、偏心率e1、偏心率x轴矢量k、偏心率y轴矢量h、升交点赤经Ω、轨道幅角u1、航天器位置r1。并将卫星的赤经α、赤纬δ求出,参见公式4.3、4.4。
将以上计算出来的参数代入“卫星的覆盖标记”模块得到该点的覆盖情况,利用while循环,首先选择步长为60s根据前面分析覆盖情况分析一天内所有卫星进出覆盖区的情况,并将进出情况及时间分别计入矩阵Sat1inm和Sat1outm。(其中覆盖标记前一时刻为0,后一时刻为1表明卫星进入覆盖区域,反之相反。)
以上是初略的分析出卫星进出覆盖区,下面采用变步长的方法精确分析出卫星进出覆盖区的时刻(分析精度达到0.1s)。首先根据覆盖标记,采用大步长计算粗略的进出覆盖区时刻,当确定覆盖区时刻后,缩小步长,重复上述步骤,或精确的进出覆盖区时刻。详细参见图5。
此时时间分辨率可以定义为最大覆盖间隙的倒数。设时间分辨率为PS,则
其中TimeGapj表示第j次完成覆盖任务的覆盖间隙时间。
通过上述公式可以计算出各卫星进出覆盖区域的时间差,从而根据不同的目标区域(如北京、上海等),对各卫星的覆盖性能加和,从而获得目标卫星星座的整体覆盖性能,也即时间分辨率。
在获取时间分辨率之后,可以将时间分辨率作为适应度函数,并执行步骤104。
步骤104:依据所述适应度函数、所述交叉率和变异率,对从所述遗传算法种群中随机选取的部分个体进行交叉和变异处理,以得到新一代种群。
在本发明实施例中,在获取适应度函数之后,可以依据适应度函数、交叉率和变异率,并随机从遗传算法种群中选取部分个体进行交叉和变异处理,从而得到遗传算法新一代种群。
当然,在本发明实施例中,在进行交叉和变异处理之前,还需要结合变异之前遗传算法种群中每个个体的适应度值对选择率进行调整,具体地,对选择率进行调整的方案已经是本领域较为成熟的技术,本发明实施例在此不再加以赘述。
在得到遗传算法种群中每个个体的适应度值之后,执行步骤105。
步骤105:在依据所述最大遗传代数确定变异操作完成的情况下,获取最新一代种群中适应度值最高的个体。
在根据最大遗传的代数对遗传算法种群进行变异处理完成之后,可以依据变异结果获取最新一代种群中适应度值最高的个体。
在获取最新一代种群中适应度值最高的个体之后,执行步骤106。
步骤106:对所述适应度值最高的个体解码,以获得目标卫星星座构型。
在获取适应度值最高个体之后,可以对适应度值最高的个体解码获得目标卫星星座构型,具体地,以下述优选实施例进行详细描述。
在本发明实施例的另一种优选实施例中,上述步骤106可以包括:
子步骤S1:基于所述适应度值最高的个体,按照初始化种群的编码方式,解码计算所述目标卫星星座各所述轨道面的升交点赤经和各所述卫星的维度幅值;
子步骤S2:将各所述升交点赤经和各所述维度幅值作为所述目标卫星星座的最终构型。
在获取最新一代种群中适应度值最高的个体之后,可以按照初始化种群的编码方式对适应度值最高的个体进行解码,从而可以得到目标卫星星座各轨道面的升交点赤经和各卫星的维度幅值,并将各升交点赤经和各维度幅值作为目标卫星星座的最终构型。
按照遗传算法初始化种群中的编码方式,解码适应度值最高的个体,获得星座各轨道面升交点赤经和各卫星维度幅值。
为更好地提现本发明的实用性,结合如下案例说明:
表格1卫星星座轨道初始参数
以时间分辨率为优化指标,对上述案例使用本发明进行优化,得到表2所示结果:
表格2优化结果
按照优化结果给出的星座模型计算对单点目标的时间分辨率,结果为8.5111h,表明优化算法合理有效,能够以较小的计算成本获取一组满足实际工程需要并具有良好覆盖性能与分辨率指标的卫星星座设计方案,实现了预期的发明目的,验证了发明的合理性、有效性和工程实用性。
本发明实施例公开了一种基于遗传算法的变步长星座轨道优化方法,通过设定目标卫星星座的轨道面数量和各轨道面的卫星数量,其中,各轨道面的卫星数量相同,依据轨道面数量和卫星数量,初始化得到遗传算法种群,其中,遗传算法预设参数包括种群规模、交叉率、变异率和最大遗传代数,采用变步长策略计算得到目标卫星星座的时间分辨率,并将时间分别率作为适应度函数,依据适应度函数、交叉率和变异率,对从遗传算法种群中随机选取的部分个体进行交叉和变异处理,以得到新一代种群,在依据最大遗传代数确定变异操作完成的情况下,获取最新一代种群中适应度值最高的个体,依据适应度值最高的个体解码获得目标卫星星座构型。本发明实施例能够有效地提升星座轨道优化时间精度、减少优化时间,设计的星座能够用较少的卫星总数,实现更好时间分辨率的覆盖。
实施例二
参照图5,示出了本发明实施例提供的一种基于遗传算法的变步长星座轨道优化装置的结构示意图,具体可以包括:
数量设定模块210,用于设定目标卫星星座的轨道面数量和各轨道面的卫星数量;其中,各所述轨道面的卫星数量相同;种群初始化模块220,用于依据所述轨道面数量和所述卫星数量,初始化得到遗传算法种群,并设定遗传算法预设参数;其中,所述遗传算法预设参数包括种群规模、交叉率、变异率和最大遗传代数;适应度函数计算模块230,用于采用变步长策略计算得到所述目标卫星星座的时间分辨率,并将所述时间分别率作为适应度函数;新一代种群获取模块240,用于依据所述适应度函数和所述交叉率和变异率,对从所述遗传算法种群中随机选取的部分个体进行交叉和变异处理,以得到新一代种群;适应度值最高个体获取模块250,用于在依据所述最大遗传代数确定选择、交叉和变异操作完成的情况下,获取最新一代种群中适应度值最高的个体;解码模块260,用于对所述适应度值最高的个体进行解码,获得星座构型优化结果。
优选地,所述种群初始化模块220包括:升交点赤经和维度幅值生成子模块,用于随机生成各所述轨道面的升交点赤经和各所述卫星的维度幅值;种群变量个数确定子模块,用于依据各所述升交点赤经和各所述维度幅值,按照预设算法确定种群变量个数;遗传算法种群获取子模块,用于依据所述种群变量个数,得到所述遗传算法种群。
优选地,所述适应度函数计算模块230包括:覆盖性能计算子模块,用于按照各所述卫星进出目标区域的时间顺序,计算各所述卫星对所述目标区域的覆盖性能;适应度函数获取子模块,用于根据不同的目标区域,对各所述卫星对应的覆盖性能加和,获得卫星星座对所述目标区域的时间分辨率,并将所述时间分辨率作为适应度函数。
优选地,所述解码模块260包括:升交点赤经和维度幅值计算子模块,用于基于所述适应度值最高的个体,按照初始化种群的编码方式,解码计算所述目标卫星星座各所述轨道面的升交点赤经和各所述卫星的维度幅值;最终构型获取子模块,用于将各所述升交点赤经和各所述维度幅值作为所述目标卫星星座的最终构型。
本发明实施例公开了一种基于遗传算法的变步长星座轨道优化装置,通过设定目标卫星星座的轨道面数量和各轨道面的卫星数量,其中,各轨道面的卫星数量相同,依据轨道面数量和卫星数量,初始化得到遗传算法种群,其中,遗传算法预设参数包括种群规模、交叉率、变异率和最大遗传代数,采用变步长策略计算得到目标卫星星座的时间分辨率,并将时间分别率作为适应度函数,依据适应度函数和预设变异率,对从遗传算法种群中随机选取的部分个体进行变异处理,以得到遗传算新一代种群,在依据最大遗传代数确定选择、交叉、变异操作完成的情况下,获取最新一代种群中适应度值最高的个体,依据适应度值最高的个体解码获得目标卫星星座构型。本发明实施例能够有效地提升星座轨道优化时间精度、减少优化时间,设计的星座能够用较少的卫星总数,实现更好时间分辨率的覆盖。
对于装置实施例而言,由于其与方法实施例相对应,所以描述的比较简单,相关之处参见方法实施例部分的说明即可。
本说明中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本发明说明书中未作详细描述的内容属于本领域技术人员的公知技术。
Claims (8)
1.一种基于遗传算法的变步长星座轨道优化方法,其特征在于,包括:
设定目标卫星星座的轨道面数量和各轨道面的卫星数量;其中,各所述轨道面的卫星数量相同;
依据所述轨道面数量和所述卫星数量,初始化得到遗传算法种群,并设定遗传算法预设参数;其中,所述遗传算法预设参数包括种群规模、交叉率、变异率和最大遗传代数;
采用变步长策略计算得到所述目标卫星星座的时间分辨率,并将所述时间分别率作为适应度函数;
依据所述适应度函数、所述交叉率和变异率,对从所述遗传算法种群中随机选取的部分个体进行交叉和变异处理,以得到新一代种群;
在依据所述最大遗传代数确定选择、交叉和变异操作完成的情况下,获取最新一代种群中适应度值最高的个体;
对所述适应度值最高的个体进行解码,获得星座构型优化结果。
2.根据权利要求1所述的方法,其特征在于,所述依据所述轨道面数量和所述卫星数量,初始化得到遗传算法种群的步骤,包括:
随机生成各所述轨道面的升交点赤经和各所述卫星的维度幅值;
依据各所述升交点赤经和各所述维度幅值,按照预设算法确定种群变量个数;
依据所述种群变量个数,得到所述遗传算法种群。
3.根据权利要求1所述的方法,其特征在于,所述采用变步长策略计算得到所述目标卫星星座的时间分辨率,并将所述时间分别率作为适应度函数的步骤,包括:
按照各所述卫星进出目标区域的时间顺序,计算各所述卫星对所述目标区域的覆盖性能;
根据不同的目标区域,对各所述卫星对应的覆盖性能加和,获得卫星星座对所述目标区域的时间分辨率,并将所述时间分辨率作为适应度函数。
4.根据权利要求1所述的方法,其特征在于,所述对所述适应度值最高的个体进行解码,获得星座构型优化结果的步骤,包括:
基于所述适应度值最高的个体,按照初始化种群的编码方式,解码计算所述目标卫星星座各所述轨道面的升交点赤经和各所述卫星的维度幅值;
将各所述升交点赤经和各所述维度幅值作为所述目标卫星星座的最终构型。
5.一种基于遗传算法的变步长星座轨道优化装置,其特征在于,包括:
数量设定模块,用于设定目标卫星星座的轨道面数量和各轨道面的卫星数量;其中,各所述轨道面的卫星数量相同;
种群初始化模块,用于依据所述轨道面数量和所述卫星数量,初始化得到遗传算法种群,并设定遗传算法预设参数;其中,所述遗传算法预设参数包括种群规模、交叉率、变异率和最大遗传代数;
适应度函数计算模块,用于采用变步长策略计算得到所述目标卫星星座的时间分辨率,并将所述时间分别率作为适应度函数;
新一代种群获取模块,用于依据所述适应度函数和所述交叉率和变异率,对从所述遗传算法种群中随机选取的部分个体进行交叉和变异处理,以得到新一代种群;
适应度值最高个体获取模块,用于在依据所述最大遗传代数确定选择、交叉和变异操作完成的情况下,获取最新一代种群中适应度值最高的个体;
解码模块,用于对所述适应度值最高的个体进行解码,获得星座构型优化结果。
6.根据权利要求5所述的装置,其特征在于,所述种群初始化模块包括:
升交点赤经和维度幅值生成子模块,用于随机生成各所述轨道面的升交点赤经和各所述卫星的维度幅值;
种群变量个数确定子模块,用于依据各所述升交点赤经和各所述维度幅值,按照预设算法确定种群变量个数;
遗传算法种群获取子模块,用于依据所述种群变量个数,得到所述遗传算法种群。
7.根据权利要求5所述的装置,其特征在于,所述适应度函数计算模块包括:
覆盖性能计算子模块,用于按照各所述卫星进出目标区域的时间顺序,计算各所述卫星对所述目标区域的覆盖性能;
适应度函数获取子模块,用于根据不同的目标区域,对各所述卫星对应的覆盖性能加和,获得卫星星座对所述目标区域的时间分辨率,并将所述时间分辨率作为适应度函数。
8.根据权利要求6所述的装置,其特征在于,所述解码模块包括:
升交点赤经和维度幅值计算子模块,用于基于所述适应度值最高的个体,按照初始化种群的编码方式,解码计算所述目标卫星星座各所述轨道面的升交点赤经和各所述卫星的维度幅值;
最终构型获取子模块,用于将各所述升交点赤经和各所述维度幅值作为所述目标卫星星座的最终构型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811326799.8A CN109635332B (zh) | 2018-11-08 | 2018-11-08 | 一种基于遗传算法的变步长星座轨道优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811326799.8A CN109635332B (zh) | 2018-11-08 | 2018-11-08 | 一种基于遗传算法的变步长星座轨道优化方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109635332A true CN109635332A (zh) | 2019-04-16 |
CN109635332B CN109635332B (zh) | 2020-08-14 |
Family
ID=66067519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811326799.8A Active CN109635332B (zh) | 2018-11-08 | 2018-11-08 | 一种基于遗传算法的变步长星座轨道优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109635332B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460735A (zh) * | 2020-04-08 | 2020-07-28 | 深圳市瑞立视多媒体科技有限公司 | 基于基因遗传的相机布局函数优化方法及相关设备 |
CN111832117A (zh) * | 2020-06-09 | 2020-10-27 | 东风商用车有限公司 | 车架安装孔位的设计方法及装置 |
CN113204917A (zh) * | 2021-04-25 | 2021-08-03 | 中国科学院国家空间科学中心 | 针对geo目标的天基光学测角弧段初定轨及关联方法 |
CN113225110A (zh) * | 2021-03-18 | 2021-08-06 | 中国计量大学上虞高等研究院有限公司 | 基于改进遗传算法的stsk系统色散矩阵和3-d星座的联合优化方法 |
CN114248949A (zh) * | 2021-11-22 | 2022-03-29 | 浙江大学 | 异面质比星座的部署方法及装置、电子设备、存储介质 |
CN114745310A (zh) * | 2022-03-31 | 2022-07-12 | 工银科技有限公司 | 基于遗传算法的流量阈值的确定方法及装置 |
CN115051749A (zh) * | 2022-08-15 | 2022-09-13 | 鹏城实验室 | 一种面向卫星组网的自动网络拓扑设计方法及相关设备 |
WO2022198748A1 (zh) * | 2021-03-23 | 2022-09-29 | 北京航空航天大学 | 一种面向araim应用的低轨卫星增强系统星座配置优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101866010A (zh) * | 2010-05-28 | 2010-10-20 | 北京航空航天大学 | 一种卫星导航系统选星方法 |
KR101371399B1 (ko) * | 2012-12-18 | 2014-03-10 | 한국항공우주연구원 | 인공위성의 우주파편 충돌회피기동 계획 시스템 및 방법 |
CN104252132A (zh) * | 2013-06-27 | 2014-12-31 | 上海新跃仪表厂 | 基于自适应遗传算法的行星际轨道控制优化方法 |
CN106446333A (zh) * | 2016-08-19 | 2017-02-22 | 航天东方红卫星有限公司 | 一种小规模卫星星座构型优化设计方法 |
CN108196273A (zh) * | 2017-11-30 | 2018-06-22 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 一种组合导航系统的定位卫星选择方法 |
-
2018
- 2018-11-08 CN CN201811326799.8A patent/CN109635332B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101866010A (zh) * | 2010-05-28 | 2010-10-20 | 北京航空航天大学 | 一种卫星导航系统选星方法 |
KR101371399B1 (ko) * | 2012-12-18 | 2014-03-10 | 한국항공우주연구원 | 인공위성의 우주파편 충돌회피기동 계획 시스템 및 방법 |
CN104252132A (zh) * | 2013-06-27 | 2014-12-31 | 上海新跃仪表厂 | 基于自适应遗传算法的行星际轨道控制优化方法 |
CN106446333A (zh) * | 2016-08-19 | 2017-02-22 | 航天东方红卫星有限公司 | 一种小规模卫星星座构型优化设计方法 |
CN108196273A (zh) * | 2017-11-30 | 2018-06-22 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 一种组合导航系统的定位卫星选择方法 |
Non-Patent Citations (3)
Title |
---|
孙远辉,韩潮: "路由算法在LEO通信星座构型优化中的应用", 《北京航空航天大学学报》 * |
王绍凯,崔红正,韩潮: "超地平覆盖飞行器组网星座优化设计", 《哈尔滨工业大学学报》 * |
韩潮, 邓丽, 徐嘉: "一种改进的区域覆盖星座优化设计方法", 《上海航天》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460735A (zh) * | 2020-04-08 | 2020-07-28 | 深圳市瑞立视多媒体科技有限公司 | 基于基因遗传的相机布局函数优化方法及相关设备 |
CN111460735B (zh) * | 2020-04-08 | 2023-09-01 | 深圳市瑞立视多媒体科技有限公司 | 基于基因遗传的相机布局函数优化方法及相关设备 |
CN111832117A (zh) * | 2020-06-09 | 2020-10-27 | 东风商用车有限公司 | 车架安装孔位的设计方法及装置 |
CN111832117B (zh) * | 2020-06-09 | 2021-05-11 | 东风商用车有限公司 | 车架安装孔位的设计方法及装置 |
CN113225110B (zh) * | 2021-03-18 | 2022-07-15 | 中国计量大学上虞高等研究院有限公司 | 基于改进遗传算法的stsk系统色散矩阵和3-d星座的联合优化方法 |
CN113225110A (zh) * | 2021-03-18 | 2021-08-06 | 中国计量大学上虞高等研究院有限公司 | 基于改进遗传算法的stsk系统色散矩阵和3-d星座的联合优化方法 |
WO2022198748A1 (zh) * | 2021-03-23 | 2022-09-29 | 北京航空航天大学 | 一种面向araim应用的低轨卫星增强系统星座配置优化方法 |
US11742935B2 (en) | 2021-03-23 | 2023-08-29 | Beihang University | Constellation configuration optimization method of LEO satellite augmentation system for ARAIM application |
CN113204917B (zh) * | 2021-04-25 | 2021-12-07 | 中国科学院国家空间科学中心 | 针对geo目标的天基光学测角弧段初定轨及关联方法 |
CN113204917A (zh) * | 2021-04-25 | 2021-08-03 | 中国科学院国家空间科学中心 | 针对geo目标的天基光学测角弧段初定轨及关联方法 |
CN114248949A (zh) * | 2021-11-22 | 2022-03-29 | 浙江大学 | 异面质比星座的部署方法及装置、电子设备、存储介质 |
CN114248949B (zh) * | 2021-11-22 | 2022-12-27 | 浙江大学 | 异面质比星座的部署方法及装置、电子设备、存储介质 |
CN114745310A (zh) * | 2022-03-31 | 2022-07-12 | 工银科技有限公司 | 基于遗传算法的流量阈值的确定方法及装置 |
CN114745310B (zh) * | 2022-03-31 | 2024-01-12 | 工银科技有限公司 | 基于遗传算法的流量阈值的确定方法及装置 |
CN115051749A (zh) * | 2022-08-15 | 2022-09-13 | 鹏城实验室 | 一种面向卫星组网的自动网络拓扑设计方法及相关设备 |
CN115051749B (zh) * | 2022-08-15 | 2022-11-04 | 鹏城实验室 | 一种面向卫星组网的自动网络拓扑设计方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109635332B (zh) | 2020-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635332A (zh) | 一种基于遗传算法的变步长星座轨道优化方法及装置 | |
Qiu et al. | Underwater Internet of Things in smart ocean: System architecture and open issues | |
Belokurov et al. | The discovery of tidal tails around the globular cluster NGC 5466 | |
CN107798187A (zh) | 一种高效卫星星座多目标优化方法 | |
Schutze et al. | Computing the set of epsilon-efficient solutions in multiobjective space mission design | |
Flaspohler et al. | Information-guided robotic maximum seek-and-sample in partially observable continuous environments | |
CN116307535B (zh) | 一种基于改进差分进化算法的多星协作成像任务规划方法 | |
CN105956709B (zh) | 一种基于gui的模块化支持向量机潮汐预测方法 | |
CN109154664A (zh) | 具有低延时时钟校正值的导航卫星轨道和时钟的确定 | |
CN101866010A (zh) | 一种卫星导航系统选星方法 | |
CN109219762A (zh) | 导航卫星宽巷偏差的确定和超范围调整系统和方法 | |
CN113065709A (zh) | 一种基于强化学习的跨域异构集群路径规划方法 | |
Park et al. | Quantum multi-agent actor-critic networks for cooperative mobile access in multi-UAV systems | |
Sun et al. | Real-time mission-motion planner for multi-UUVs cooperative work using tri-level programing | |
CN111191840B (zh) | 基于离散粒子群优化算法的多无人机动平台任务分配方法 | |
WO2020247721A1 (en) | Systems and methods to improve geo-referencing using a combination of magnetic field models and in situ measurements | |
Hu et al. | DeeprETA: an ETA post-processing system at scale | |
Lipor et al. | Distance-penalized active learning using quantile search | |
CN115758707A (zh) | 卫星东西保持策略模型的建模方法、模型、获取方法 | |
CN106570270A (zh) | 一种面向体系设计的多星组合覆盖特性快速确定方法 | |
Abdullahi et al. | Manta Ray Foraging Optimization Algorithm: Modifications and Applications | |
CN110097277A (zh) | 基于时间窗的众包任务的动态分配方法 | |
CN109684688B (zh) | 一种基准载荷与目标载荷交叉定标轨道设计方法 | |
Gronchi | Classical and modern orbit determination for asteroids | |
Lenox et al. | Agent-based aiding for individual and team planning tasks |
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 |