CN109636214B - 一种面向多源对地观测卫星的快速任务规划方法 - Google Patents
一种面向多源对地观测卫星的快速任务规划方法 Download PDFInfo
- Publication number
- CN109636214B CN109636214B CN201811557438.4A CN201811557438A CN109636214B CN 109636214 B CN109636214 B CN 109636214B CN 201811557438 A CN201811557438 A CN 201811557438A CN 109636214 B CN109636214 B CN 109636214B
- Authority
- CN
- China
- Prior art keywords
- satellite
- meta
- task
- windows
- window
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (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)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提供一种面向多源对地观测卫星的快速任务规划方法,包括:计算得到卫星星历数据;并以时空二维建立索引,建立数据结构将星历数据存储于KEY‑VALUE类型数据库中;在候选范围内进行非连续星历数据筛选,再进行卫星可见性计算,计算得到点目标可见窗口;对于区域目标采用贪吃蛇算法处理得到区域目标可见窗口,根据区域目标可见窗口生成元任务窗口;对元任务窗口采用可插拔式任务规划寻优和评价方法,对元任务进行寻优、编排,得到相对最优的规划方案。本发明可以保证数据的快速存取,实现对普通卫星和敏捷卫星的统一模式高速处理,在多星多任务联合规划的场景下实现了高质量任务规划。
Description
技术领域
本发明属于卫星测量技术领域,涉及一种面向多源对地观测卫星的快速任务规划方法。
背景技术
卫星任务规划是卫星运行控制的核心业务,一方面卫星任务规的各项功能和算法研究划经过多年发展取得了长足的进步。另一方面,在轨运行的卫星数量和种类急剧增加,以载荷用途划分包括光学、SAR、电子、视频等类星卫星,以卫星能力划分包括传统型卫星、敏捷型卫星。
按照业务流程,卫星任务规划业务通常分为卫星轨道计算、可见性计算(预规划)、卫星任务规划三个主要组成部分。这三个部分也是影响卫星任务规划性能和效果的关键因素。
轨道计算是指采用一定算法将卫星的星历等位置数据存放于某种特定的数据结构中,用于任务规划后续处理流程按时间、空间要素进行检索,并提取使用。传统方法将星历数据存放于关系型数据库中,以便利用关系型数据库的条件检索能力实现指定空间、时间范围内的检索。在卫星数量较少、计算周期较短时,卫星星历数量较少,存取性能尚可,在长周期、较多卫星参与规划的情形下,卫星星历数量激增,数十万乃至百万量级的星历数据采用传统方法,存取性能低下,已不能满足规划需求。
可见性计算是指利用卫星的星历等位置信息,计算指定时间范围内,卫星对某一地理目标的可见性,形成元任务,从而在后续任务规划中进行使用。地理目标按照范围大小可以分为点目标和区域目标,对点目标可见性计算较为简单。对区域目标的访问计算由多种方法,常见方法是采用固定时长的多侧摆形成对某一区域的覆盖。这类方法实现简单,但仅对矩形目标效率较好,对多边形目标会生成一些拍摄浪费。同时对敏捷卫星和非敏捷卫星无法实现统一计算模型,复杂度较高、适应性较差。
任务规划是指对预规划所生成的元任务,进行编排和寻优,是最终卫星的时间表中安排的元任务最为合理,使对任务价值最大化。传统任务规划方法,采用单一的编排策略或者单一编排算法,实现任务规划。一方面,多星联合任务规划需求出现,任务价值评价的复杂度不断增加,解空间巨大,传统方法得到结果价值往往距离最优解差距较远,因此必须使用智能规划算法才能在解空间中寻找最优解。另一方面,模拟退火、遗传等智能规划算法应用日益广泛。如何将多类型的智能算法与任务规划业务有效结合,建立一个统一的框架,实现各类型算法快速集成和快速切换的成为了一个新的日益突显的需求。
综上所述,传统的任务规划方法,在多源卫星联合规划等新的使用场景下性能、效率、解的优化程度都距离使用者目标有着较大差距。因此,必须采用一种具有高时效性和高可扩展性的卫星任务规划方法才能满足新的业务需求。
发明内容
发明所要解决的课题是,针对传统任务规划方法面向多类型卫星联合规划场景中,卫星轨道数据存取性能低下,区域目标可见性计算适应度差,任务规划算法单一且质量不高的问题,本发明提出一种面向多源对地观测卫星的快速任务规划方法,以构建全新的卫星任务规划系统。
本发明提出的一种面向多源对地观测卫星的快速任务规划方法,包括以下步骤:
步骤1、卫星轨道计算,计算得到卫星星历数据;并以时空二维建立索引,建立数据结构将星历数据存储于KEY-VALUE类型数据库中;
步骤2、对目标所在的时空区域范围进行扩大为候选范围,以卫星的最大观测范围为扩大的半径,在候选范围内进行非连续星历数据筛选,再进行卫星可见性计算,计算得到点目标可见窗口;对于区域目标采用贪吃蛇算法处理得到区域目标可见窗口,根据区域目标可见窗口生成元任务窗口;
步骤3、对元任务窗口采用可插拔式任务规划寻优和评价方法,对元任务进行寻优、编排,得到最优的规划方案。
进一步地,作为本发明的一种优选技术方案,所述步骤1中建立数据结构中KEY类型具体为:卫星、日期、经度、纬度。
进一步地,作为本发明的一种优选技术方案,所述步骤1中建立数据结构中VALUE类型具体为:时间、经度、纬度、高度。
进一步地,作为本发明的一种优选技术方案,所述步骤2中采用贪吃蛇算法处理得到区域目标可见窗口,具体为:
定义区域目标为点目标的集合,利用点目标访问窗口计算得到一组元窗口;
对一组元窗口进行基于贪吃蛇算法的合并处理,将碎散的元窗口拼接成为覆盖多点的长条带窗口;
在所有可合并元窗口均被吃掉后,剩余的元窗口即为覆盖该目标区域的元任务窗口。
进一步地,作为本发明的一种优选技术方案,所述步骤2中基于贪吃蛇算法的合并处理,具体为:
A.将所有元窗口压入队列;
B.从队首元素开始,与队列中其后所有元素逐一比对,判断是否应该被合并,如果符合合并判断准则,则将两个元窗口合并为一个新的元窗口,放置在队首;
C.将合并前的两个元窗口删除,中断当前循环;
D.再从队首开始检查,重复B和C步骤,直到所有元窗口均完成合并判断,且在没有可合并的元窗口时将剩下的元窗口作为目标区域的元窗口。
进一步地,作为本发明的一种优选技术方案,所述步骤B中合并判断准则为:时间存在交叉、包含、或小于开关机时间、侧摆角相差在阈值范围内,且进行合并后时间窗变长,侧摆角不变。
进一步地,作为本发明的一种优选技术方案,所述步骤3中采用的可插拔式任务规划寻优和评价方法集成遍历算法、模拟退火算法、遗传算法,其中遗传算法作为默认寻优算法。
发明效果为:
本发明的一种面向多源对地观测卫星的快速任务规划方法,与现有技术相比的优点在于:
1.本发明中的基于内存数据库的卫星轨道数据存储管理方法,实现海量短数据的快速存取;以时空二维建立索引,建立合理的数据结构将星历数据存储于KEY-VALUE类型数据库中。相比于传统关系型数据库的管理方法,内存数据库进行集合类型数据的存储和获取时间复杂度为O(1),存取性能与数据量无关,因此在海量数据存取的情形下,可以保证数据的快速存取,存取速度较传统关系型数据库有10倍左右的提升。
2.本发明中的基于快速星历筛选的卫星可见性计算方法,与传统可见性计算相比,在进行时间范围内逐点访问计算前,先按照目标地理边界进行空间范围初步筛选,由于筛选后星历数据数量将远少于给定时间段的连续星历数据量,从而大幅降低计算量,点目标计算速度较传统方法可以提升2倍以上。
3.本发明中的基于“贪吃蛇”算法的卫星工作窗口合并算法,实现区域目标元任务快速生成,与传统方法相比,不依赖于卫星的特定状态,可以实现对普通卫星和敏捷卫星的统一模式高速处理,将碎散的元窗口拼接成为能覆盖多点的长条带窗口。从而生成区域目标的可见窗口及元任务,同时可以利用合并后元任务对点阵的包含情况,可以直接实现元任务对目标区域的覆盖度网格化表述,以便于后续任务规划时的价值评价。
4.本发明中的可插拔式任务规划寻优和评价方法,与传统任务规划算法相比,将规划框架分解为主业务搜索和任务编排两层主要的业务逻辑,实现了寻优过程与编排过程的解耦,定义了统一的寻优和评价框架。可供插拔寻优算法包括遍历算法、模拟退火算法、遗传算法,其中遗传算法作为默认寻优算法。实现了在多星多任务联合规划的场景下实现了高质量任务规划。
附图说明
图1是本发明可插拔式卫星任务规划主业务搜索流程。
图2是本发明可插拔式卫星任务规划主业务搜索流程。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
本发明设计了一种面向多源对地观测卫星的快速任务规划方法,包括以下步骤:
步骤1、卫星轨道计算,计算得到卫星星历数据,将计算得到卫星位置数据采用基于内存数据库的卫星轨道数据存储管理方法加以管理,提供快速存取接口;并以时空二维建立索引,建立数据结构将星历数据存储于KEY-VALUE类型数据库中。
本发明基于内存数据库的卫星轨道数据存储管理,实现海量短数据的快速存取;以时空二维建立索引,建立合理的数据结构将星历数据存储于KEY-VALUE类型数据库中。设计以“日”为粒度时间维度索引,同时将全球按照1度等经纬度方式分解为360*180个网格,最终以:
KEY类型:卫星、日期、经度、纬度;
为索引建立网格集合内存数据库“集合”类型,将位于该时空范围内的星历数据值,如下:
VALUE类型:时间,经度、纬度、高度;
存放在该网格集合中,网格集合的总数量为卫星数*日*360*180,例如:1颗卫星七天的星历数据,集合数量为1*7*360*180=453600。检索时根据输入时空信息反向构建卫星+日期+经度+纬度KEY值,即可获得目标时空网格集合,在对网格集合中的每个星历数据进行详细比对,筛选后即可得到指定时空范围内的星历集合。内存数据库进行集合类型数据的存储和获取时间复杂度为O(1),因此在海量数据存在的情形下,可以保障快速存取,存取速度较传统关系型数据库有10倍左右的提升。此处O(1)为算法复杂度的一种表示方法。意为对集合中的数据操作所用时间固定,与集合中数据大小无关。
步骤2、由于连续时间段星历数据量巨大,且卫星在大部分时刻围绕地球飞行,其所处的位置无法观察到目标,在大量数据中连续搜索需要消耗大量时间。根据此特性,在进行卫星与目标可见性计算之前,先对目标所在的时空区域范围进行处理,根据卫星姿态机动能力、传感器幅宽等适当扩大后形成卫星针对目标点的候选可见范围,在连续时间星历集合中,根据候选范围空间位置信息,进行星历数据快速筛选,即可得到候选范围内星历数据;再使用候选范围数据进行卫星对目标的可见性计算;由于筛选后星历数据数量远远少于给定时间段的连续星历数据量,大幅降低所需计算量,标计算速度较传统方法可以提升2倍以上;
对于点状目标进行可见窗口计算时,需要搜索卫星距离该目标点距离最近的时刻,再计算此时卫星指向目标时,所需的姿态机动角度,如果该角度小于卫星姿态机动最大值,即认为卫星在此时刻对目标可见。此时刻为中心点时刻,对中心点时刻进行扩展,即形成卫星对该点目标可见窗口。
对于区域目标无法直接采用点目标算法,因而采用本方法提出的贪吃蛇算法处理得到区域目标可见窗口,根据区域目标可见窗口生成元任务窗口;
其中,基于采用贪吃蛇算法处理得到区域目标可见窗口,实现区域目标元任务快速生成,包括如下步骤:首先将区域目标转换为若干点目标的集合(点阵),利用点目标访问窗口算法对集合中每个点进行计算,可以得到一组元窗口;再对元窗口进行基于贪吃蛇算法的合并处理,将碎散的元窗口拼接成为能覆盖多点的长条带窗口。在所有可合并元窗口均被吃掉后,剩余的元窗口即为覆盖该目标区域的元任务窗口。同时利用合并后元任务对集合中各点的包含情况,可以实现元任务对目标区域的覆盖度表述,以便于后续任务规划时的价值评价。
所述基于贪吃蛇算法的合并处理,具体为:
A.将所有元窗口压入队列;
B.从队首元素开始,与队列中其后所有元素逐一比对,判断是否应该被吃掉的合并,如果符合合并判断准则能够被合并,则将两个元窗口合并为一个新的元窗口,放置在队首;
C.将合并前的两个元窗口删除,中断当前循环;
D.再从队首开始检查,重复B和C步骤,直到所有元窗口均完成合并判断,且在没有可合并的元窗口时将剩下的元窗口作为目标区域的元窗口。
其中,设计的合并判断准则如下:时间存在交叉、包含、或非常近(如小于最小关、开机时间间隔)、侧摆角相差在阈值范围内。进行合并及合并后时间窗变长,侧摆角不变。
设计将区域目标转换为点阵策略如下:按照半幅宽计算侧摆角的偏差范围,作为点距,按照多边形的最左上和最右下点,形成外接矩形,在外接矩形中按照间距打点,判断与目标多边形的包含关系,即可筛出多边形中的点。同时,形成的点阵赋予编码,在一个任务范围内,可以进行局部编码,从1到N,拍摄窗口包括覆盖的点阵编码,从而可以进行覆盖度的分析计算。
步骤3、对元任务窗口采用可插拔式任务规划寻优和评价方法,集成遍历算法、模拟退火算法、遗传算法,其中遗传算法作为默认寻优算法,对元任务进行寻优、编排,得到相对最优的规划方案。
将规划框架分解为主业务搜索和任务编排两层主要的业务逻辑。主业务搜索框架的过程如图1所示,定义一个寻优和评价框架,利用不同的搜索算法,即可在解空间中不断进行尝试,对每一轮次的组合进行评价,在多轮次中找到总价值最高的即相对最优的结果。首先根据任务需求计算得到卫星在给定时间范围内对目标的可见窗口(拍摄窗口)队列,计算得到卫星对地面接收站的过站回放窗口队列。可见窗口队列与回放窗口队列形成的卫星动作全序列,其全排列即构成了该问题的解空间。由于解空间数量为N!(N为卫星动作总数量),对其进行全部遍历所需计算量巨大,因此需要采用寻优算法进行搜索。寻优过程如下:首选构建一个条件循环,在循环中重复如下动作:变换卫星动作序列产生新序列,并采用该序列顺序进行卫星动作编排,编排结束后,形成满足所有约束条件的可行解,并对其进行评价,记录当前最优解,进行寻优退出条件检查。当满足寻优退出条件时停止循环,不满足则继续循环,直至满足退出条件。退出条件定义为长时间当前最优解无改进,以及超过最大搜索时长(避免长时间无结果)。
任务编排安排在寻优算法中评价步骤的前置动作。任务编排的的过程如图2所示,过程如下:首先清空编排器状态,确保每次编排互不影响;按照输入的序列顺序,将回放窗口逐个尝试排入卫星时间线,并根据策略设置卫星存储器擦除时间点;按照输入序列顺序将拍摄窗口逐个排入卫星时间线,单一拍摄窗口编排过程如下:取出拍摄窗口、检查任务约束条件(如拍摄次数)、检查与时间线中已经存在的拍摄窗口有无冲突、排入后检查拍摄时长及侧摆次数等卫星约束条件、检查固存容量和文件号等约束条件、尝试排入回放窗口中(确保拍摄结果可以传输至地面站)、排入擦除动作序列中(按序号擦除),结束单一拍摄窗口编排。如此往复循环,即可完成序列中所有拍摄窗口的编排,卫星时间线中留存的即为符合所有约束条件的可行解。该可行解即可以用于寻优算法中的评价。
可供插拔寻优算法包括遍历算法、模拟退火算法、遗传算法,其中遗传算法作为默认寻优算法。
综上,本发明在海量数据存取的情形下,可以保证数据的快速存取,且大幅降低计算量,点目标计算速度较传统方法可以提升2倍以上;以及不依赖于卫星的特定状态,可以实现对普通卫星和敏捷卫星的统一模式高速处理,实现了寻优过程与编排过程的解耦,实现了在多星多任务联合规划的场景下实现了高质量任务规划。
需要说明的是,以上说明仅是本发明的优选实施方式,应当理解,对于本领域技术人员来说,在不脱离本发明技术构思的前提下还可以做出若干改变和改进,这些都包括在本发明的保护范围内。
Claims (5)
1.一种面向多源对地观测卫星的快速任务规划方法,其特征在于,包括以下步骤:
步骤1、卫星轨道计算,计算得到卫星星历数据;并以时空二维建立索引,建立数据结构将星历数据存储于KEY-VALUE类型数据库中;
步骤2、对目标所在的时空区域范围进行扩大为候选范围,以卫星的最大观测范围为扩大的半径,在候选范围内进行非连续星历数据筛选,再进行卫星可见性计算,计算得到点目标可见窗口;对于区域目标采用贪吃蛇算法处理得到区域目标可见窗口,根据区域目标可见窗口生成元任务窗口;
其中,采用贪吃蛇算法处理得到区域目标可见窗口,具体为:
定义区域目标为点目标的集合,利用点目标访问窗口计算得到一组元窗口;
对一组元窗口进行基于贪吃蛇算法的合并处理,将碎散的元窗口拼接成为覆盖多点的长条带窗口;
在所有可合并元窗口均被吃掉后,剩余的元窗口即为覆盖该目标区域的元任务窗口;
所述基于贪吃蛇算法的合并处理,具体为:
A.将所有元窗口压入队列;
B.从队首元素开始,与队列中其后所有元素逐一比对,判断是否应该被合并,如果符合合并判断准则,则将两个元窗口合并为一个新的元窗口,放置在队首;
C.将合并前的两个元窗口删除,中断当前循环;
D.再从队首开始检查,重复B和C步骤,直到所有元窗口均完成合并判断,且在没有可合并的元窗口时将剩下的元窗口作为目标区域的元窗口;
步骤3、对元任务窗口采用可插拔式任务规划寻优和评价方法,对元任务进行寻优、编排,得到最优的规划方案。
2.根据权利要求1所述面向多源对地观测卫星的快速任务规划方法,其特征在于,所述步骤1中建立数据结构中KEY类型具体为:卫星、日期、经度、纬度。
3.根据权利要求1所述面向多源对地观测卫星的快速任务规划方法,其特征在于,所述步骤1中建立数据结构中VALUE类型具体为:时间、经度、纬度、高度。
4.根据权利要求1所述面向多源对地观测卫星的快速任务规划方法,其特征在于,所述步骤B中合并判断准则为:时间存在交叉、包含、或小于开关机时间、侧摆角相差在阈值范围内,且进行合并后时间窗变长,侧摆角不变。
5.根据权利要求1所述面向多源对地观测卫星的快速任务规划方法,其特征在于,所述步骤3中采用的可插拔式任务规划寻优和评价方法集成遍历算法、模拟退火算法、遗传算法,其中遗传算法作为默认寻优算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811557438.4A CN109636214B (zh) | 2018-12-19 | 2018-12-19 | 一种面向多源对地观测卫星的快速任务规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811557438.4A CN109636214B (zh) | 2018-12-19 | 2018-12-19 | 一种面向多源对地观测卫星的快速任务规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109636214A CN109636214A (zh) | 2019-04-16 |
CN109636214B true CN109636214B (zh) | 2023-04-18 |
Family
ID=66075570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811557438.4A Active CN109636214B (zh) | 2018-12-19 | 2018-12-19 | 一种面向多源对地观测卫星的快速任务规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109636214B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460246B (zh) * | 2019-12-19 | 2020-12-08 | 南京柏跃软件有限公司 | 基于数据挖掘和密度检测的实时活动异常人员发现方法 |
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 |
CN111612384B (zh) * | 2020-06-23 | 2023-04-25 | 中国人民解放军国防科技大学 | 一种具有时间分辨率约束的多星接力任务规划方法 |
CN112132284B (zh) * | 2020-08-24 | 2022-04-15 | 中国科学院空天信息创新研究院 | 一种对地观测知识枢纽系统 |
CN112036459B (zh) * | 2020-08-24 | 2023-12-22 | 中南大学 | 基于k-means聚类算法的卫星任务归并方法、装置及存储介质 |
CN112180956B (zh) * | 2020-09-07 | 2023-06-06 | 航天东方红卫星有限公司 | 一种基于区块链的星群协同运控规划共识方法 |
CN112508227B (zh) * | 2020-10-30 | 2023-10-17 | 北京空间飞行器总体设计部 | 遥感卫星复杂圆锥视场的区域目标可见窗口快速计算方法 |
CN116090695A (zh) * | 2022-12-01 | 2023-05-09 | 数字太空(北京)科技股份公司 | 一种区域目标筹划方法及装置 |
CN116579582B (zh) * | 2023-07-03 | 2023-09-26 | 中国电子科技集团公司第五十四研究所 | 一种面向用户多样化需求的区域目标卫星任务规划方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106681807A (zh) * | 2016-11-28 | 2017-05-17 | 中国人民解放军国防科学技术大学 | 一种基于Spark的成像卫星任务预处理并行化方法 |
CN106845792A (zh) * | 2016-12-27 | 2017-06-13 | 中国电子科技集团公司第五十四研究所 | 基于星地资源模型的任务规划通用平台 |
CN106850038A (zh) * | 2016-12-29 | 2017-06-13 | 航天恒星科技有限公司 | 一种针对敏捷卫星的任务规划方法 |
CN108052759A (zh) * | 2017-12-25 | 2018-05-18 | 航天恒星科技有限公司 | 一种基于遗传算法的敏捷多星任务观测计划求解方法及系统 |
CN108256822A (zh) * | 2017-12-25 | 2018-07-06 | 航天恒星科技有限公司 | 一种适用于气象信息辅助卫星成像任务规划系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IT201700056428A1 (it) * | 2017-05-24 | 2018-11-24 | Telespazio Spa | Innovativo metodo di scheduling satellitare basato su algoritmi genetici e simulated annealing e relativo pianificatore di missione |
-
2018
- 2018-12-19 CN CN201811557438.4A patent/CN109636214B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106681807A (zh) * | 2016-11-28 | 2017-05-17 | 中国人民解放军国防科学技术大学 | 一种基于Spark的成像卫星任务预处理并行化方法 |
CN106845792A (zh) * | 2016-12-27 | 2017-06-13 | 中国电子科技集团公司第五十四研究所 | 基于星地资源模型的任务规划通用平台 |
CN106850038A (zh) * | 2016-12-29 | 2017-06-13 | 航天恒星科技有限公司 | 一种针对敏捷卫星的任务规划方法 |
CN108052759A (zh) * | 2017-12-25 | 2018-05-18 | 航天恒星科技有限公司 | 一种基于遗传算法的敏捷多星任务观测计划求解方法及系统 |
CN108256822A (zh) * | 2017-12-25 | 2018-07-06 | 航天恒星科技有限公司 | 一种适用于气象信息辅助卫星成像任务规划系统及方法 |
Non-Patent Citations (3)
Title |
---|
"A building roof detection method using snake model in high resolution satellite imagery";Ye Chul-Soo等;《Proceedings of the KSRS Conference》;20051001;全文 * |
"基于改进烟花算法的密集任务成像卫星调度方法";张铭 等;《计算机应用》;20180910;第38卷(第9期);全文 * |
"敏捷光学成像卫星多类型任务组合规划方法研究";董轩鸿;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20180215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109636214A (zh) | 2019-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109636214B (zh) | 一种面向多源对地观测卫星的快速任务规划方法 | |
CN106407408B (zh) | 一种海量点云数据的空间索引构建方法及装置 | |
Lemaître et al. | How to manage the new generation of agile earth observation satellites | |
CN103778237A (zh) | 一种基于活动事件时空重组的视频摘要生成方法 | |
CN101894367A (zh) | 成像卫星观测调度的目标聚类方法 | |
CN108920499A (zh) | 一种面向周期性检索的时空轨迹索引与检索方法 | |
CN111612384B (zh) | 一种具有时间分辨率约束的多星接力任务规划方法 | |
CN114021768B (zh) | 一种基于灾害类型动态匹配卫星成像载荷的方法 | |
CN112579677B (zh) | 一种卫星遥感影像自动处理方法 | |
CN115795775A (zh) | 一种面向点群目标的卫星任务规划方法、系统及装置 | |
Berger et al. | A graph-based genetic algorithm to solve the virtual constellation multi-satellite collection scheduling problem | |
Ali et al. | Sentinel-1 data cube exploitation: Tools, products, services and quality control | |
Harvey et al. | Identifying key biodiversity areas as marine conservation priorities in the greater Caribbean | |
Ho et al. | An adaptive information-theoretic approach for identifying temporal correlations in big data sets | |
US9111213B2 (en) | Method for constructing a tree of linear classifiers to predict a quantitative variable | |
Smith et al. | Continuous management of airlift and tanker resources: A constraint-based approach | |
CN107908696A (zh) | 一种并行高效的基于网格与密度的多维空间数据聚类算法griden | |
Niu et al. | Multi-satellite observation scheduling for large area disaster emergency response | |
CN114418243B (zh) | 分布式新能源云端网格预测方法与系统 | |
Peng et al. | Simulated annealing algorithm for EOS scheduling problem with task merging | |
JP6759954B2 (ja) | 観測計画立案プログラム、観測計画立案装置、及び観測計画立案方法 | |
CN113008259A (zh) | 基于城市交通网络数据反馈支持的电商物流路径规划系统 | |
Yamashkin et al. | Geoinformation Methods and Technologies in the Study of Natural-Social-Production Systems | |
Jitkajornwanich et al. | Using mapreduce to speed up storm identification from big raw rainfall data | |
Pan et al. | Dense Points Aggregation for Efficient and Collaborative Earth-Imaging Task Planning |
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 |