CN110322061A - 一种适用于载荷凝视成像的多目标观测轨迹智能感知方法 - Google Patents

一种适用于载荷凝视成像的多目标观测轨迹智能感知方法 Download PDF

Info

Publication number
CN110322061A
CN110322061A CN201910562407.6A CN201910562407A CN110322061A CN 110322061 A CN110322061 A CN 110322061A CN 201910562407 A CN201910562407 A CN 201910562407A CN 110322061 A CN110322061 A CN 110322061A
Authority
CN
China
Prior art keywords
point
subclass
cluster
observation
indicate
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
Application number
CN201910562407.6A
Other languages
English (en)
Other versions
CN110322061B (zh
Inventor
李文博
王淑一
谌颖
汤亮
雷拥军
刘其睿
关新
车汝才
吴倩
高进
张怡
葛莹
王丽娇
何海锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Control Engineering
Original Assignee
Beijing Institute of Control Engineering
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Control Engineering filed Critical Beijing Institute of Control Engineering
Priority to CN201910562407.6A priority Critical patent/CN110322061B/zh
Publication of CN110322061A publication Critical patent/CN110322061A/zh
Application granted granted Critical
Publication of CN110322061B publication Critical patent/CN110322061B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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]
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • Navigation (AREA)

Abstract

一种适用于载荷凝视成像的多目标观测轨迹智能感知方法，首先建立航天器平台所需观测多目标点的聚类模型，然后基于得到的聚类模型建立观测轨迹感知优化模型，最后根据感知优化模型利用改进的智能蚁群算法进行求解得到最优观测轨迹。本发明方法与现有方法相比，充分考虑了载荷面阵凝视成像任务的特点，所建立的聚类模型能够在保证观测目标数量最多的前提下减少航天器平台的机动次数，另外本发明方法所得到的观测轨迹，充分考虑了时间窗口、航天器平台姿态机动能力等实际约束条件，更加符合工程实际需求。

Description

一种适用于载荷凝视成像的多目标观测轨迹智能感知方法
技术领域
本发明涉及航天控制领域，特别是一种适用于载荷凝视成像的多目标观测轨迹智能感知方法。
背景技术
随着地面观测任务规模的大幅提升，传统非敏捷航天器难以满足对地观测需求。近年来敏捷航天器发展迅速，由于其具备三轴快速姿态机动能力，使得对地观测具有更高灵活性和更多选择性。为了在特定时间窗口内完成更多的点目标观测任务，如何进行合理、高效的观测轨迹感知优化已成为首要问题。一方面，直接设计更高性能的智能优化算法，来满足对地多目标点观测需求；另一方面，则对目标进行聚类，间接提高观测效率。
多目标观测轨迹感知优化是整个敏捷航天器平台观测任务的顶层决策，是完成对地多目标点观测的基础。多目标观测轨迹感知的质量直接影响观测任务的效率和完成度，进而影响观测收益。近年来，在理论研究与工程领域，多目标观测轨迹感知已引起了广泛关注。针对点目标的轨迹感知优化通常分为多目标点的聚类和观测序列决策。通过多目标点聚类模型，将能够被同时观测的目标点进行合并，减少航天器平台姿态机动的次数，为敏捷航天器观测任务的高效执行奠定基础。而观测序列决策是在多目标点聚类的基础上，通过对聚类后目标的观测时间、观测序列进行智能感知优化，最大程度完成对尽可能多目标点的观测任务。
现阶段针对敏捷航天器平台对地多目标观测轨迹感知的研究已经取得了一定的成果。但是，已有基于遗传算法、免疫算法、粒子群算法、禁忌搜索算法等智能优化算法的研究成果，主要考虑的载荷观测模式是推扫式的，尚未针对载荷凝视观测任务的特殊性开展深入的研究工作。实际上，随着面阵传感器的逐步成熟，其具有视场大、无需扫描机构等比较优势，基于载荷面阵凝视的点目标观测受到了越来越多的关注。综上所述，针对载荷凝视成像任务的特点，开展敏捷航天器平台的多目标观测轨迹智能感知方法研究，具有显著的现实意义和前瞻性。
发明内容
本发明所要解决的技术问题是：克服现有技术的不足，提供一种适用于载荷凝视成像的多目标观测轨迹智能感知方法，通过多目标点的聚类模型，建立观测轨迹的感知优化模型，并利用改进的智能蚁群算法求解得到最优观测轨迹。
本发明所采用的技术方案是：一种适用于载荷凝视成像的多目标观测轨迹智能感知方法，包括步骤如下：
(1)建立所需观测多目标点的聚类模型，聚类模型以聚类点集合c的形式进行描述，在聚类点集合c中包含了多个聚类点子集合，在每个聚类点子集合中包含了个数不等的目标点；
具体步骤如下：
步骤1.1：对参数进行初始化设置，参数包括：任务点集合V、聚类点集合c、联通点集合L，进入步骤1.2；
步骤1.2：判断任务点集合V是否为空集；若任务点集合V为空集，则完成聚类模型建立，进入步骤(2)；若任务点集合V不为空集，则令聚类点集合c为空集，将任务点集合V中的任意点k加入到聚类点集合c中，并从任务点集合V中删除点k，进入步骤1.3；
步骤1.3：搜索任务点集合V中剩余的点中与聚类点集合c中所有节点都连通的点，建立连通点集合L，进入步骤1.4；
若点k与点l满足如下公式，则判定点k与点l之间是连通的：
其中：和分别表示点k与点l在地心惯性坐标系中的位置，rs、re和αp分别表示航天器平台飞行的轨道半径、地球半径和航天器载荷的视场角；
步骤1.4：判断连通点集合L是否为空集；若连通点集合L为空集，则进入步骤1.5；若连通点集合L不为空集，则将点l加入到聚类点集合c中，并将点l从任务点集合V中删除，重复步骤1.4直至任务点集合V中不再存在与点k连通的点，进入步骤1.5；
步骤1.5：得到聚类点集合c，返回步骤1.2；
(2)建立观测轨迹的感知优化模型，考虑约束条件的限制并设计优化目标，从聚类点集合c中选取满足约束条件的聚类点子集合，所建立的观测轨迹感知优化模型，具体形式如下：
其中：si和fij为智能感知优化模型的待优化变量，其计算公式分别为
N表示聚类点集合c中所包含聚类点子集合ci的个数，为正整数；i＝1,…,N；j＝1,…,N；
Wi表示聚类点子集合ci的观测收益、k1表示权重系数、trij表示从聚类点子集合ci到聚类点子集合cj航天器平台姿态机动的时间、Tmax表示航天器平台中执行机构能够提供的最大输出力矩；
tei表示聚类点子集合ci最早可观测的时刻、tsi表示聚类点子集合ci的实际开始观测时刻、tli表示聚类点子集合ci最晚可观测的时刻、di表示聚类点子集合ci需要持续观测的时长、tsj表示聚类点子集合cj的实际开始观测时刻；
a表示航天器平台姿态机动的角加速度、amax表示航天器平台所能达到的最大角加速度、rs表示航天器平台的位置矢量、σij表示从聚类点子集合ci到聚类点子集合cj所需机动的姿态角度；μ为地球引力常数；
聚类点子集合ci和cj之间没有交集；
(3)通过改进的智能蚁群算法进行感知优化模型的求解，得到航天器平台多目标观测的最优轨迹，具体步骤如下：
步骤3.1：设置最大迭代次数及蚂蚁数量；
步骤3.2：根据最大迭代次数，判断是否完成所有迭代，若完成则进入步骤3.10结束感知优化模型求解；否则，进入步骤3.3；
步骤3.3：将所有蚂蚁放置在感知优化开始时刻的星下点位置，并清空禁忌表、时间记录表和路径记录表，进入步骤3.4；
步骤3.4：判断是否还有未参与感知优化模型求解的蚂蚁，若有，则进入步骤3.5，否则，进入步骤3.9；
步骤3.5：令每一只蚂蚁进行路径搜索，并记录其已经访问过的聚类子集合和尚未访问的聚类子集合；对于尚未访问过的聚类子集合，计算从当前位置及时刻转移至该子集合的时间，并进入步骤3.6；
步骤3.6：根据步骤3.5所计算的时间，判断是否存在满足时间窗口约束要求的集合，若不存在则该蚂蚁完成一次完整的路径搜索，返回步骤3.4；否则进入步骤3.7；
步骤3.7：基于所设计的转移概率以聚类点子集合ci为出发点，来选择下一个需要观测的聚类点子集合cj，并进入步骤3.8；
其中：表示第k2只蚂蚁从聚类点子集合ci到聚类点子集合cj的转移概率；τij表示聚类点子集合ci到聚类点子集合cj的信息素浓度；tej表示聚类点子集合cj最早可观测的时刻；tanh(·)表示双曲正切函数；tlj表示聚类点子集合cj的最晚可观测时刻；δ表示防止奇异运算的常值项；表示从聚类点子集合ci到下一次能够访问的聚类点子集合的集合；qim表示从聚类点子集合ci到下一次能够访问的集合中任意可能子集合cm的转移概率；α、γ、β、λ、χ为权重系数；
步骤3.8：记录蚂蚁在搜索路径上留下的信息素、观测序列、以及观测各个聚类点子集合的时刻，并更新当前时刻返回步骤3.5；
步骤3.9：计算每只蚂蚁的收益，找到收益最大的蚂蚁，并将其与当前全局最大收益进行比较，获得此次迭代的全局最优观测轨迹，更新两个聚类子集合之间的信息素，返回步骤3.2；
步骤3.10：结束感知优化模型求解。
本发明与现有技术相比的有益效果是：
(1)本发明方法建立了一种载荷凝视模式下多目标点快速聚类模型，该模型无需考虑目标可见时间窗口、航天器平台位置等约束，仅需要知道目标点位置和航天器载荷的视场范围，给出聚类条件并生成连通图，基于图论理论完成了任务聚类，计算量小，更加符合实际工程需求。
(2)本发明方法与现有的多目标观测轨迹感知方法相比，在多目标点快速聚类的基础上，对传统蚁群算法进行了改进，引入了启发因子提高了智能感知优化算法的寻优能力，降低了陷入局部极小值的概率。
(3)本发明的方法根据目标点之间的距离和航天器载荷视场，基于图论理论建立了多目标点聚类模型，在此基础上，建立了观测轨迹感知优化模型，并基于改进的智能蚁群算法得到了最优观测轨迹。
附图说明
图1为本发明方法中多目标点的聚类建模流程；
图2为本发明方法中观测轨迹的智能感知优化算法流程；
图3为本发明方法中聚类后多目标点的智能感知观测轨迹；
图4为本发明方法中聚类后多目标点的智能感知轨迹综合观测收益；
图5为本发明方法中未聚类的多目标点观测轨迹。
具体实施方式
结合附图和实施例对本发明进行进一步说明。
如图1、图2所示，一种适用于载荷凝视成像的多目标观测轨迹智能感知方法，其特征在于，包括步骤如下：
(1)建立所需观测多目标点的聚类模型，聚类模型以聚类点集合c的形式进行描述，在聚类点集合c中包含了多个聚类点子集合，在每个聚类点子集合中包含了个数不等的目标点；
具体步骤如下：
步骤1.1：对参数进行初始化设置，参数包括：任务点集合V、聚类点集合c、联通点集合L，进入步骤1.2；
步骤1.2：判断任务点集合V是否为空集；若任务点集合V为空集，则完成聚类模型建立，进入步骤(2)；若任务点集合V不为空集，则令聚类点集合c为空集，将任务点集合V中的任意点k加入到聚类点集合c中，并从任务点集合V中删除点k，进入步骤1.3；
步骤1.3：搜索任务点集合V中剩余的点中与聚类点集合c中所有节点都连通的点，建立连通点集合L，进入步骤1.4；
若点k与点l满足如下公式，则判定点k与点l之间是连通的：
其中：和分别表示点k与点l在地心惯性坐标系中的位置，rs、re和αp分别表示航天器平台飞行的轨道半径、地球半径和航天器载荷的视场角；
步骤1.4：判断连通点集合L是否为空集；若连通点集合L为空集，则进入步骤1.5；若连通点集合L不为空集，则将点l加入到聚类点集合c中，并将点l从任务点集合V中删除，重复步骤1.4直至任务点集合V中不再存在与点k连通的点，进入步骤1.5；
步骤1.5：得到聚类点集合c，返回步骤1.2；
(2)建立观测轨迹的感知优化模型，考虑约束条件的限制并设计优化目标，从聚类点集合c中选取满足条件的聚类点子集合，所建立的观测轨迹感知优化模型，具体形式如下：
其中：si和fij为智能感知优化模型的待优化变量，其计算公式分别为
N表示聚类点集合c中所包含聚类点子集合ci的个数，为正整数；i＝1,…,N；j＝1,…,N；
Wi表示聚类点子集合ci的观测收益、k1表示权重系数、trij表示从聚类点子集合ci到聚类点子集合cj航天器平台姿态机动的时间、Tmax表示航天器平台中执行机构能够提供的最大输出力矩；
tei表示聚类点子集合ci最早可观测的时刻、tsi表示聚类点子集合ci的实际开始观测时刻、tli表示聚类点子集合ci最晚可观测的时刻、di表示聚类点子集合ci需要持续观测的时长、tsj表示聚类点子集合cj的实际开始观测时刻；
a表示航天器平台姿态机动的角加速度、amax表示航天器平台所能达到的最大角加速度、rs表示航天器平台的位置矢量、σij表示从聚类点子集合ci到聚类点子集合cj所需机动的姿态角度；μ为地球引力常数；
聚类点子集合ci和cj之间没有交集；
(3)通过改进的智能蚁群算法进行感知优化模型的求解，得到适用于载荷凝视成像模式的敏捷航天器多目标观测的最优轨迹，具体步骤如下：
步骤3.1：设置最大迭代次数及蚂蚁数量；
步骤3.2：根据最大迭代次数，判断是否完成所有迭代，若完成则进入步骤3.10结束感知优化模型求解；否则，进入步骤3.3；
步骤3.3：将所有蚂蚁放置在感知优化开始时刻的星下点位置，并清空禁忌表、时间记录表和路径记录表，进入步骤3.4；
步骤3.4：判断是否还有未参与规划的蚂蚁，若有，则进入步骤3.5，否则，进入步骤3.9；
步骤3.5：令每一只蚂蚁进行路径搜索，并记录其已经访问过的聚类子集合和尚未访问的聚类子集合；对于尚未访问过的聚类子集合，计算从当前位置及时刻转移至该子集合的时间，并进入步骤3.6；
步骤3.6：根据步骤3.5所计算的时间，判断是否存在满足时间窗口约束要求的集合，若不存在则该蚂蚁完成一次完整的路径搜索，返回步骤3.4；否则进入步骤3.7；
步骤3.7：基于所设计的转移概率以聚类点子集合ci为出发点，来选择下一个需要观测的聚类点子集合cj，并进入步骤3.8；
其中：表示第k2只蚂蚁从聚类点子集合ci到聚类点子集合cj的转移概率；τij表示聚类点子集合ci到聚类点子集合cj的信息素浓度；tej表示聚类点子集合cj最早可观测的时刻；tanh(·)表示双曲正切函数；tlj表示聚类点子集合cj的最晚可观测时刻；δ表示防止奇异运算的常值项；表示从聚类点子集合ci到下一次能够访问的聚类点子集合的集合；qim表示从聚类点子集合ci到下一次能够访问的集合中任意可能子集合cm的转移概率；α、γ、β、λ、χ为权重系数；
步骤3.8：记录蚂蚁在搜索路径上留下的信息素、观测序列、以及观测各个聚类点子集合的时刻，并更新当前时刻返回步骤3.5；
步骤3.9：计算每只蚂蚁的收益，找到收益最大的蚂蚁，并将其与当前全局最大收益进行比较，获得此次迭代的全局最优观测轨迹，更新两个聚类子集合之间的信息素，返回步骤3.2；
步骤3.10：结束感知优化模型求解。
实施例：
所需观测目标范围为：东经115°至东经125°(E115°～E125°)，北纬25°至北纬35°(N25°～N35°)的50个密集目标点。航天器平台的轨道参数、姿态机动和载荷性能具体如下表所示。
表1相关参数设置
改进智能蚁群算法的相关参数设置为：最大迭代次数40次，蚂蚁数量30只，转移概率各项权值α＝2，β＝1，γ＝1.5，λ＝1.5，χ＝3，优化指标权值k＝10-6。目标点的观测收益Wi从0～1之间随机选取。各目标点需要观测时间为10s。图3～图5分别给出了聚类后多目标点的智能感知观测轨迹、综合观测收益、以及未聚类的多目标点观测轨迹。从实施例的结果中可以看出，本发明方法获得的观测收益为19.8704，未采用本发明方法获得的观测收益为10.9948；这说明本发明方法在提高观测效率、减少航天器平台姿态机动角度，降低在轨运行成本等方面具有比较优势。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。

Claims (6)

1.一种适用于载荷凝视成像的多目标观测轨迹智能感知方法，其特征在于，包括步骤如下：
(1)建立航天器平台所需观测多目标点的聚类模型；
(2)考虑约束条件的限制并设计优化目标，从聚类点集合c中选取满足条件的聚类点子集合，建立观测轨迹的感知优化模型；
(3)通过改进的智能蚁群算法进行感知优化模型的求解，得到航天器平台多目标点观测的最优轨迹。
2.根据权利要求1所述的一种适用于载荷凝视成像的多目标观测轨迹智能感知方法，其特征在于：步骤(1)中，所述聚类模型以聚类点集合c的形式进行描述，在聚类点集合c中包含了多个聚类点子集合，在每个聚类点子集合中包含了个数不等的目标点。
3.根据权利要求2所述的一种适用于载荷凝视成像的多目标观测轨迹智能感知方法，其特征在于：
步骤(1)，建立聚类模型的具体步骤如下：
步骤1.1：对参数进行初始化设置，参数包括：任务点集合V、聚类点集合c、联通点集合L，进入步骤1.2；
步骤1.2：判断任务点集合V是否为空集；若任务点集合V为空集，则完成聚类模型建立，进入步骤(2)；若任务点集合V不为空集，则令聚类点集合c为空集，将任务点集合V中的任意点k加入到聚类点集合c中，并从任务点集合V中删除点k，进入步骤1.3；
步骤1.3：搜索任务点集合V中剩余的点中与聚类点集合c中所有节点都连通的点，建立连通点集合L，进入步骤1.4；
若点k与点l满足如下公式，则判定点k与点l之间是连通的：
其中：和分别表示点k与点l在地心惯性坐标系中的位置，rs、re和αp分别表示航天器平台飞行的轨道半径、地球半径和航天器载荷的视场角；
步骤1.4：判断连通点集合L是否为空集；若连通点集合L为空集，则进入步骤1.5；若连通点集合L不为空集，则将点l加入到聚类点集合c中，并将点l从任务点集合V中删除，重复步骤1.4直至任务点集合V中不再存在与点k连通的点，进入步骤1.5；
步骤1.5：得到聚类点集合c，返回步骤1.2。
4.根据权利要求3所述的一种适用于载荷凝视成像的多目标观测轨迹智能感知方法，其特征在于：
步骤(2)中，所建立的观测轨迹智能感知优化模型，具体形式如下：
其中：si和fij为智能感知优化模型的待优化变量，其计算公式分别为
N表示聚类点集合c中所包含聚类点子集合ci的个数，为正整数；i＝1,…,N；j＝1,…,N；
Wi表示聚类点子集合ci的观测收益、k1表示权重系数、trij表示从聚类点子集合ci到聚类点子集合cj航天器平台姿态机动的时间、Tmax表示航天器平台中执行机构能够提供的最大输出力矩；
tei表示聚类点子集合ci最早可观测的时刻、tsi表示聚类点子集合ci的实际开始观测时刻、tli表示聚类点子集合ci最晚可观测的时刻、di表示聚类点子集合ci需要持续观测的时长、tsj表示聚类点子集合cj的实际开始观测时刻；
a表示航天器平台姿态机动的角加速度、amax表示航天器平台所能达到的最大角加速度、rs表示航天器平台的位置矢量、σij表示从聚类点子集合ci到聚类点子集合cj所需机动的姿态角度；μ为地球引力常数；
聚类点子集合ci和cj之间没有交集。
5.根据权利要求4所述的一种适用于载荷凝视成像的多目标观测轨迹智能感知方法，其特征在于：
所述步骤(3)的具体步骤如下：
步骤3.1：设置最大迭代次数及蚂蚁数量；
步骤3.2：根据最大迭代次数，判断是否完成所有迭代，若完成则进入步骤3.10结束感知优化模型求解；否则，进入步骤3.3；
步骤3.3：将所有蚂蚁放置在感知优化开始时刻的星下点位置，并清空禁忌表、时间记录表和路径记录表，进入步骤3.4；
步骤3.4：判断是否还有未参与感知优化模型求解的蚂蚁，若有，则进入步骤3.5，否则，进入步骤3.9；
步骤3.5：令每一只蚂蚁进行路径搜索，并记录其已经访问过的聚类子集合和尚未访问的聚类子集合；对于尚未访问的聚类子集合，计算从当前位置及时刻转移至该子集合的时间，并进入步骤3.6；
步骤3.6：根据步骤3.5所计算的时间，判断是否存在满足时间窗口约束要求的集合，若不存在则该蚂蚁完成一次完整的路径搜索，返回步骤3.4；否则进入步骤3.7；
步骤3.7：基于所设计的转移概率以聚类点子集合ci为出发点，来选择下一个需要观测的聚类点子集合cj，并进入步骤3.8；
步骤3.8：记录蚂蚁在搜索路径上留下的信息素、观测序列、以及观测各个聚类点子集合的时刻，并更新当前时刻返回步骤3.5；
步骤3.9：计算每只蚂蚁的收益，找到收益最大的蚂蚁，并将其与当前全局最大收益进行比较，获得此次迭代的全局最优观测轨迹，更新两个聚类子集合之间的信息素，返回步骤3.2；
步骤3.10：结束感知优化模型求解。
6.根据权利要求5所述的一种适用于载荷凝视成像的多目标观测轨迹智能感知方法，其特征在于：
所述转移概率为：
其中：表示第k2只蚂蚁从聚类点子集合ci到聚类点子集合cj的转移概率；τij表示聚类点子集合ci到聚类点子集合cj的信息素浓度；tej表示聚类点子集合cj最早可观测的时刻；tanh(·)表示双曲正切函数；tlj表示聚类点子集合cj的最晚可观测时刻；δ表示防止奇异运算的常值项；表示从聚类点子集合ci到下一次能够访问的聚类点子集合的集合；qim表示从聚类点子集合ci到下一次能够访问的集合中任意可能子集合cm的转移概率；α、γ、β、λ、χ为权重系数。
CN201910562407.6A 2019-06-26 2019-06-26 一种适用于载荷凝视成像的多目标观测轨迹智能感知方法 Active CN110322061B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910562407.6A CN110322061B (zh) 2019-06-26 2019-06-26 一种适用于载荷凝视成像的多目标观测轨迹智能感知方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910562407.6A CN110322061B (zh) 2019-06-26 2019-06-26 一种适用于载荷凝视成像的多目标观测轨迹智能感知方法

Publications (2)

Publication Number Publication Date
CN110322061A true CN110322061A (zh) 2019-10-11
CN110322061B CN110322061B (zh) 2022-04-19

Family

ID=68120384

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910562407.6A Active CN110322061B (zh) 2019-06-26 2019-06-26 一种适用于载荷凝视成像的多目标观测轨迹智能感知方法

Country Status (1)

Country Link
CN (1) CN110322061B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111256697A (zh) * 2020-02-24 2020-06-09 哈尔滨工业大学 一种针对路径点聚类机器学习的无人机航迹规划方法
CN111429479A (zh) * 2020-03-26 2020-07-17 中国科学院长春光学精密机械与物理研究所 基于图像积分均值的空间目标识别方法
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 (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108416493A (zh) * 2018-01-29 2018-08-17 南京航空航天大学 一种考虑偏流角约束的敏捷成像卫星任务规划方法
CN109299490A (zh) * 2018-05-07 2019-02-01 湖南航升卫星科技有限公司 基于带禁忌列表蚁群算法视频卫星对地凝视任务规划方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108416493A (zh) * 2018-01-29 2018-08-17 南京航空航天大学 一种考虑偏流角约束的敏捷成像卫星任务规划方法
CN109299490A (zh) * 2018-05-07 2019-02-01 湖南航升卫星科技有限公司 基于带禁忌列表蚁群算法视频卫星对地凝视任务规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
耿远卓等: "敏捷凝视卫星密集点目标聚类与最优观测规划", 《道客巴巴》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111256697A (zh) * 2020-02-24 2020-06-09 哈尔滨工业大学 一种针对路径点聚类机器学习的无人机航迹规划方法
CN111429479A (zh) * 2020-03-26 2020-07-17 中国科学院长春光学精密机械与物理研究所 基于图像积分均值的空间目标识别方法
CN111429479B (zh) * 2020-03-26 2022-10-11 中国科学院长春光学精密机械与物理研究所 基于图像积分均值的空间目标识别方法
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
CN110322061B (zh) 2022-04-19

Similar Documents

Publication Publication Date Title
CN109254588B (zh) 一种基于交叉变异鸽群优化的无人机集群协同侦察方法
CN105302153B (zh) 异构多无人机协同察打任务的规划方法
CN110058613B (zh) 一种多无人机多蚁群协同搜索目标方法
CN106979784B (zh) 基于混合鸽群算法的非线性航迹规划
CN106705970B (zh) 一种基于蚁群算法的多无人机协同路径规划方法
CN110322061A (zh) 一种适用于载荷凝视成像的多目标观测轨迹智能感知方法
CN110400002B (zh) 一种多星成像任务规划方法
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
CN110428111A (zh) Uav/ugv协同长时多任务作业轨迹规划方法
CN108416493A (zh) 一种考虑偏流角约束的敏捷成像卫星任务规划方法
CN112580537B (zh) 一种用于多无人机系统持续覆盖特定区域的深度强化学习方法
Sun et al. A cooperative target search method based on intelligent water drops algorithm
WO2023197092A1 (zh) 一种基于改进rrt算法的无人机路径规划方法
CN114167865B (zh) 一种基于对抗生成网络与蚁群算法的机器人路径规划方法
CN116400737B (zh) 一种基于蚁群算法的安全路径规划系统
CN113805609A (zh) 一种混沌迷失鸽群优化机制的无人机群目标搜索方法
CN109683630A (zh) 基于粒子群和prm算法的无人机航迹规划方法
CN113283827A (zh) 一种基于深度强化学习的两阶段无人机物流路径规划方法
CN109885082A (zh) 一种基于任务驱动下的无人机航迹规划的方法
Bai et al. 3D multi-UAV collaboration based on the hybrid algorithm of artificial bee colony and A
CN114840016A (zh) 基于规则启发式的多蚁群搜索潜艇目标协同路径优化方法
CN117008641B (zh) 用于多个异构无人机协同低空突防的分配方法和装置
CN111273697B (zh) 一种无人机群冲突解脱方法
CN117724524A (zh) 一种基于改进球面向量粒子群算法的无人机航线规划方法
Hu et al. Research on AUV global path planning based on multi-objective ant colony strategy

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