CN110412869A - 一种多星协同的空间动态目标实时跟踪方法 - Google Patents
一种多星协同的空间动态目标实时跟踪方法 Download PDFInfo
- Publication number
- CN110412869A CN110412869A CN201910540737.5A CN201910540737A CN110412869A CN 110412869 A CN110412869 A CN 110412869A CN 201910540737 A CN201910540737 A CN 201910540737A CN 110412869 A CN110412869 A CN 110412869A
- Authority
- CN
- China
- Prior art keywords
- task
- indicate
- individual
- atomic
- particle
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种多星协同的空间动态目标实时跟踪方法,首先建立包括低轨卫星及凝视探测器模型、跟踪任务模型和可见时间窗模型;然后在对空间动态目标进行实时跟踪时引入滚动时域思想,通过前瞻固定时间长度T作为滚动时域,获取滚动时域内对弹道导弹的跟踪任务,并以单个滚动时域为基准建立单层的待跟踪任务集合,且在滚动时域内采用反向树形结构将每个待跟踪任务分解为若干原子任务,得到各原子任务对应的探测器资源集合;接着,基于资源调度的约束条件和目标函数构建适应度函数,进而通过采用交叉和变异操作的进化粒子群算法,并基于粒子个体的适应度值求解最优粒子个体,并按最优粒子个体对单层原子任务集合进行探测器资源优化调度。
Description
技术领域
本发明涉及卫星调度技术领域,尤其涉及一种多星协同的空间动态目标实时跟踪方法。
背景技术
面向弹道导弹的实时跟踪任务,是发现、监视和跟踪敌方战略导弹并发出警报的重要手段,它能获取敌方战略导弹的红外辐射,确定导弹所处位置坐标,判断导弹发射点和落点,并能够发送目标图像到地面站或地面指挥中心,为军事反导和军事对抗提供重要情报信息。
空间侦查监视系统通常包括高轨道卫星和低轨道卫星。高轨卫星对可疑导弹目标进行确认后,由地面指挥中心调度低轨卫星星座上的星载凝视探测器,对目标进行精确跟踪。弹道导弹的飞行过程可分为主动段、飞行中段和再入段。
其中飞行中段持续时间较长,在弹道导弹生命周期中占据较大比例,因此对导弹目标飞行中段的监视与跟踪任务十分重要,是弹道导弹防御的关键环节。
随着侦查卫星数量的增多,任务目标范围的扩大,未来战争对空间侦查的需求越来越高,空间侦查系统如何高效协同地完成目标的实时跟踪成为一个富有挑战性的课题,尤其是在空间侦查系统同时扫描探测到多个可疑目标时,如何调度有限的侦查资源跟踪来袭目标,是有待研究的关键问题。
多星协同空间动态目标实时跟踪问题的本质是在复杂约束条件下实现多资源和多任务映射的问题,属于NP-hard问题。国内外针对多星任务规划问题已经做了较为深入的研究,取得了很多有借鉴意义的研究成果。但是对于面向弹道导弹的实时跟踪任务,现有的研究还有以下几点不足:现有技术仅在表层探讨了面向弹道导弹的侦查任务调度问题,认为系统发现目标后可预测目标的完整轨迹,采用简单的任务分解算法对任务进行分解并基于此构建卫星与目标任务的可见关系,忽略了跟踪任务实时性高、识别难、时间约束精细等特性,忽略了星上连续资源使用规则,具有较高的算法复杂度;调度模型大多以任务收益最大化作为全局目标函数,对调度过程中的资源利用情况研究不足;现有研究发明多数停留在引入包含任务约束、可见时间约束的调度模型、设计调度算法实现目标任务与卫星资源之间的适配关系上,忽略了调度过程中星上资源约束、星上资源状态随着任务执行的动态变化和任务之间的协同性。
发明内容
针对上述问题本发明提供一种多星协同的空间动态目标实时跟踪方法,通过引入滚动时域,将实时性高、识别难、时间约束精细的弹道导弹跟踪任务分解为以单个滚动时域为基准的原子任务集合,简化跟踪任务与探测器资源的对应关系,并对探测器资源进行优化调度。
为实现上述技术目的,本发明采用如下技术方案:
一种多星协同的空间动态目标实时跟踪方法,包括以下步骤:
步骤1,建立问题模型;
建立问题模型,包括低轨卫星及凝视探测器模型、跟踪任务模型和可见时间窗模型;
步骤2,获取跟踪任务状态和资源状态;
步骤2.1,获取第k-1轮滚动规划在结束时刻的跟踪任务状态和资源状态;所述跟踪任务状态包括第一跟踪任务集合和第二跟踪任务集合,所述资源状态包括低轨卫星的状态;
所述第一跟踪任务集合是指已被安排跟踪且未放回跟踪任务集的所有跟踪任务所组成的集合,第二跟踪任务集合是指未被安排跟踪的所有跟踪任务组成的集合;
步骤2.2,前瞻滚动时域时长T,获取第k轮滚动时域内的新跟踪任务,将第k轮滚动时域内的新跟踪任务合并到第k-1轮滚动规划在结束时刻的第二跟踪任务集合,将合并得到的第二跟踪任务集合作为第k轮滚动规划在开始时刻的第二跟踪任务集合;
步骤2.3,将第k-1轮滚动规划在结束时刻的第一跟踪任务集合和资源状态,分别作为第k轮滚动规划在开始时刻的第一跟踪任务集合和资源状态;
步骤3,分解跟踪任务;
根据第k轮滚动规划在开始时刻的任务状态和资源状态,采用反向树形结构算法对第k轮滚动规划在开始时刻的第二跟踪任务集合的每个跟踪任务进行分解,每个跟踪任务分解得到x个原子任务,由第二跟踪任务集合相应得到第k轮滚动规划的原子任务集合;
步骤4,采用进化粒子群算法对跟踪任务进行资源调度;
步骤4.1,构建资源调度的约束条件和目标函数,利用目标函数构建适应度函数;
步骤4.2,初始化粒子群的所有粒子个体:根据原子任务集合中原子任务的数量设置粒子个体维度,且每个维度对应一个原子任务,使用各原子任务的可用低轨卫星编号对粒子个体进行随机初始化编码;
步骤4.3,对粒子群中的不同粒子个体进行循环迭代交叉和变异操作,利用适应度函数求解迭代过程中的最优粒子个体;
步骤4.4,按最优粒子个体对第k轮滚动规划的原子任务集合进行资源调度;令k=k+1,返回步骤2。
进一步地,低轨卫星及凝视探测器的模型为:LEOi={ei,Ei,Ci,Detectori};
LEOi表示低轨卫星,i表示低轨卫星的编号,ei表示低轨卫星LEOi当前电量状态,Ei为低轨卫星LEOi电量的最大值,Ci为低轨卫星LEOi的充电速率,Detectori表示卫星的凝视探测器集合;Detectori={detectorij|j=1,2,…Numi},detectorij={Acij,Angij,Stateij},Numi表示低轨卫星LEOi的探测器数量,j表示探测器的编号,Acij表示探测器detectorij的探测精度;Angij表示探测器detectorij的摆角,Stateij表示探测器detectorij的状态;
跟踪任务的模型为:Targetj={StartTimej,EndTimej,RunTimej,Priorj,Precisionj};
StartTimej表示跟踪任务Targetj的任务开始时间,EndTimej表示跟踪任务Targetj的任务结束时间,RunTimej表示跟踪任务Targetj的任务运行时间,RunTimej=EndTimej-StartTimej;Priorj表示跟踪任务Targetj的任务优先级,优先级高的任务优先执行;Precisionj表示跟踪任务Targetj所需探测精度;
可见时间窗的模型为:Winij={wsij,weij,wsAngij,weAngij,wsDisij,weDisij};
Winij={wsij,weij,wsAngij,weAngij,wsDisij,weDisij}表示低轨卫星LEOi对跟踪任务Targetj的可见时间窗,wsij、weij分别表示可见时间窗Winij={wsij,weij,wsAngij,weAngij,wsDisij,weDisij}的开始时间和结束时间,wsAngij表示低轨卫星LEOi在开始时间wsij的探测角度,weAngij表示低轨卫星LEOi在结束时间weij的探测角度,wsDisij表示低轨卫星LEOi在开始时间wsij的探测距离,weDisij表示低轨卫星LEOi在结束时间weij的探测距离。
进一步地,任务分解得到的原子任务的模型为:
ATih={startTimeih,endTimejh,runTimeil,priorjh,
LEONumih,LEOSetjh,flexAtjh,conATjh,conSetjh}:
ATjh表示在滚动时域内第j个跟踪任务的第h个原子任务,startTimejh表示原子任务ATjh的开始时间;endTimejh表示原子任务ATjh的结束时间;runTimejh表示原子任务ATjh的运行时间,runTimejh=endTimejh-startTimejh;priorjh表示原子任务ATjh的优先级;LEONumjh表示原子任务ATjh可用的探测器数量;LEOSetjh表示原子任务ATjh可用的卫星集合,LEOSetjh中每个元素都是原子任务ATjh的一个可用资源;表示卫星集合LEOSetjh中第i个可用卫星;flexAtjh表示原子任务ATjh的灵活度;conATjh表示原子任务ATjh与其他原子任务的冲突程度;conSetjh表示与原子任务ATjh有资源冲突的其他原子任务集合;
priorjh=f(runTimejh,precisionjh,LEONumjh,priorj);precisionjh表示原子任务ATjh所需探测精度。
进一步地,步骤3中,采用反向树形结构算法,将每个跟踪任务分解得到x个原子任务的具体方法为:
步骤3.1,记录跟踪任务的可用探测器,对可用探测器的可见时间窗的开始时间和结束时间进行记录并从小到大排序,得到由相邻时间点构成的一系列时间片,将每个时间片作为反向树形结构的叶子节点;
步骤3.2,若叶子节点满足原子任务约束条件,则将该叶子节点添加到原子任务候选集;
步骤3.3,若叶子节点不满足原子任务约束条件中的最短时间约束,则将该叶子节点添加到原子任务补充集;
步骤3.4,判断原子任务补充集中的叶子节点是否与相邻叶子节点之间存在共同的凝视探测器,若存在,且该叶子节点和相邻叶子节点均满足距离和角度约束,则将原子任务补充集中该叶子节点与其相邻叶子节点合并为单个叶子节点;并针对所有合并得到的单个叶子节点,返回执行步骤3.2;
步骤3.5,判断原子任务候选集的叶子节点是否可与相邻叶子节点存在共同的凝视探测器,若存在,且满足距离和角度约束,则将原子任务候选集的叶子节点与相邻叶子节点合并为单个叶子节点,将最终得到的原子任务候选集作为原子任务集合,记录原子任务的可用探测资源;
所述原子任务约束条件包括:独立性约束、完备性约束、最短时间约束、距离和角度约束;
独立性约束是指,原子任务之间没有包含关系、从属关系或者上下级关系,任何一个原子任务不可以由其他原子任务代替;
完备性约束是指,每个跟踪任务都可以由若干个原子任务组成;
最短时间约束是指,原子任务的执行时间大于预设的最短执行时间阈值Lmin;
距离和角度约束是指,原子任务的探测角度大于预设的最小探测角度阈值Angmin,原子任务的探测距离小于预设的最大探测距离阈值Dismax。
进一步地,资源调度的约束条件为:
ejh<Ci 公式(4-1);
ATjh,x≤1 公式(4-2);
Targetj,x≤1 公式(4-3);
Acil≥precisionjh,i<n,l<Numi,j<m 公式(4-4);
LEOi_Stateil≤1 公式(4-5);
yjh,i≤Numi 公式(4-6);
wsjh≤startTimejh≤endTimejh≤wsjh 公式(4-7);
式中,ejh表示执行原子ATjh所需电量;Ci表示卫星LEOi的电池充电速率;ATjh,x=1表示原子任务被成功执行,ATjh,x=0表示未被成功执行;Targetj,x=1表示目标任务被成功执行,Targetj,x=0未完成;yjh,i≠0表示卫星LEOi可执行原子任务ATjh,yjh,i=0表示卫星LEOi不可以执行原子任务ATjh;LEOi_Stateit表示卫星LEOi中第t个探测器的状态,Stateit=1表示当前探测器为可用状态,Stateit=0则表示当前探测器资源已被占用;
资源调度的两个目标函数分别为:
F1=max∑j∑hf(ATjh)×ATjh,x,
利用目标函数构建的适应度函数为:
ω1和ω2分别是两个目标函数的权重,满足ω1+ω2=1;F1和F2分别代表当前粒子的目标函数取值,和分别是两个目标函数的最优值,和分别是两个目标函数的最小值。
进一步地,步骤4.3的具体过程为:
步骤4.3.1,设置最大迭代次数L并初始化迭代次数l=1;
步骤4.3.2,将粒子群每个粒子个体分别作为当前相应的个体极值,取粒子群中适应值函数值最大的粒子个体作为当前的全局极值;
步骤4.3.3,将粒子群中的粒子个体与其相应的个体极值按以下公式进行交叉操作,产生子代粒子个体,并判断子代粒子个体与是否优于父代粒子个体:若是,则将子代粒子个体取代父代粒子个体,否则保留父代粒子个体:
式中,v表示粒子群中不同粒子个体的编号,r1表示[0,1]之间均匀分布的随机数,μ表示第一预设概率,l表示迭代次数,c1表示粒子群的第一学习因子,g1表示将粒子个体与个体极值的交叉操作,f1表示采用部分映射交叉法对两个粒子个体进行交叉操作,f2表示采用基于位置的交叉法对两个粒子个体进行交叉操作;
在该交叉操作之后,将子代粒子个体与父代个体极值比较,若子代粒子个体优于父代个体极值,则将该粒子个体的个体极值更新为子代粒子个体,否则将该粒子个体的个体极值仍保留为父代个体极值;
步骤4.3.4,将粒子群中的粒子个体θv l与全局极值gbest(l)按以下公式进行交叉操作,产生子代粒子个体,并判断子代粒子个体与是否优于父代粒子个体:若是,则将子代粒子个体取代父代粒子个体,否则保留父代粒子个体:
式中,c2表示粒子群的学习因子,r2表示[0,1]之间均匀分布的随机数,ρ表示第二预设概率,g1表示将粒子个体与全局极值的交叉操作;
在该交叉操作之后,将子代粒子个体与父代全局极值比较,若子代粒子个体优于父代全局极值,则将全局极值更新为子代个体极值,否则将全局极值仍保留为父代全局极值;
步骤4.3.5,将粒子群中的粒子个体进行变异操作,产生新的粒子个体,并判断新的粒子个体与是否优于原粒子个体:若是,则将新的粒子个体取代原粒子个体,否则保留原粒子个体,表示为:
式中,r3表示[0,1]之间均匀分布的随机数,τ表示第三预设概率,f3表示变异操作;
步骤4.3.6,按以下公式调整迭代过程中的惯性因子w:
w=wmax-l*(wmax-wmin)/L;;
式中,wmax表示最大惯性因子,wmin表示最小惯性因子;
步骤4.3.7,若l=L,则执行步骤4.4;否则令l=l+1,返回步骤4.3.3。
进一步地,设第kj动规划的原子任务集合在步骤4.3得到的最优粒子个体为在对第k轮滚动规划的原子任务集合执行步骤4.3.6与步骤4.3.7之间,还包括:
步骤A1,初始化kj=1;
步骤A2,随机选择粒子个体,然后将该粒子个体与第kj轮的最优粒子个体按以下公式进行交叉操作,得到新的粒子个体:
其中,表示随机选择粒子个体,表示得到的新的粒子个体,l表示当前迭代次数,f2表示采用部分映射交叉法对两个粒子个体进行交叉操作;
步骤A3,然后将得到的新的粒子个体与原粒子个体进行比较,若新的粒子个体比原粒子个体更优,则将新的粒子个体替代原粒子个体否则保留原粒子个体
步骤A4,判断kj=k-1是否成立:若成立,则执行步骤4.3.7;否则,令kj=kj+1,返回步骤A2。
有益效果
本发明对空间动态目标进行实时跟踪时引入滚动时域思想,通过前瞻固定时间长度T作为滚动时域,获取滚动时域内对弹道导弹的跟踪任务,并以单个滚动时域为基准建立单层的待跟踪任务集合,且在滚动时域内采用反向树形结构将每个待跟踪任务分解为若干原子任务,得到各原子任务对应的探测器资源集合,简化了跟踪任务与探测器资源的对应关系。接着,通过采用结合交叉和变异操作的进化粒子群算法,实现对单层原子任务集合(与单个滚动时域对应)进行探测器资源优化调度。
另外,本发明考虑滚动时域的连续性,在同一搜索空间根据各个连续的跟踪任务批次(对应各个连续的滚动时域)设置不同种群,提出基于多星协同的进化粒子群算法,快速地为多组滚动时域任务在求解空间内找到最优解或近似最优解,实现了对空间动态目标的跟踪达到最佳效果。
附图说明
图1为本发明所述方法的整体思路框图;
图2为本发明所述方法的整个流程示意图;
图3为本发明所述方法引入的滚动时域思路的规划轮次示意图;
图4为本发明所述方法以滚动时域为基准并采用反向树形结构分解跟踪任务的示意图;
图5为本发明所述方法原子任务之间存在时间窗口重叠存在的四种情况示意图;
图6为本发明所述方法粒子群的具体编码方式示意图;
图7为本发明采用部分映射交叉法对两个粒子个体进行交叉操作的示意图;
图8为本发明采用基于位置的交叉法对两个粒子个体进行交叉操作的示意图;
图9为本发明采用对粒子个体进行变异操作的示意图;
图10为本发明基于单个滚动时域内的进化粒子群算法EPSOST的流程示意图;
图11为本发明对于相邻滚动时域的待跟踪任务在资源调度过程出现资源竞争的示意图;
图12为本发明基于若干个连续滚动时域的任务所采用的进化粒子群算法EPSOMC的流程示意图。
具体实施方式
下面对本发明的实施例作详细说明,本实施例以本发明的技术方案为依据开展,给出了详细的实施方式和具体的操作过程,对本发明的技术方案作进一步解释说明。
本发明的一种多星协同的空间动态目标实时跟踪方法,包括基于滚动时域的跟踪任务分解和多星协同的侦查任务调度2个阶段,如图1、2所示,具体包括以下步骤:
步骤1,建立问题模型;
针对跟踪任务实时性高、识别难、时间约束精细等特性,在跟踪任务分解阶段,首先建立问题模型,包括低轨卫星及凝视探测器模型、跟踪任务模型和可见时间窗模型。
对低轨卫星及凝视探测器建立模型为:LEOi={ei,Ei,Ci,Detectori}。
LEOi表示低轨卫星,i表示低轨卫星的编号,ei表示低轨卫星LEOi当前电量状态,Ei为低轨卫星LEOi电量的最大值。执行任务过程中,卫星电量须始终大于0。本发明认为卫星电量可恢复,且卫星在其本影或半影时间区间内充电速率为0,其余时间充内电速率恒定,为Ci;Detectori表示卫星的凝视探测器集合,一个低轨卫星可能有一个或多个凝视探测器,表示为Detectori={detectorij|j=1,2,…Numi};其中detectorij={Acij,Angij,Stateij},Numi表示低轨卫星LEOi的探测器数量,j表示探测器的编号,Acij表示探测器detectorij的探测精度。探测器本身探测精度越高,得到的探测轨迹就越精确。Angij表示探测器detectorij的摆角;Stateij表示探测器detectorij的状态。LEO表示低轨卫星集合,LEO={LEOi|i=1,2,…,N},N表示低轨卫星的数量。因为在弹道导弹的跟踪任务中,真正完成任务并不是低轨卫星本身,而是低轨卫星所携带的凝视探测器,所以用探测器指代低轨卫星。
因为在弹道导弹的跟踪任务中飞行中段占主导,故对跟踪任务建立如下模型:Targetj={StartTimej,EndTimej,RunTimej,Priorj,Precisionj}。StartTimej表示跟踪任务Targetj的任务开始时间,即当前弹道导弹任务的飞行中段开始时间;EndTimej表示跟踪任务Targeti的任务结束时间,即当前弹道导弹任务的飞行中段结束时间;RunTimej表示跟踪任务Targetj的任务运行时间,即飞行中段时间长度,其中RunTimej=EndTimej-StartTimej;Priorj表示跟踪任务Targeti的任务优先级,优先级高的任务优先执行;Precisioni表示跟踪任务Targetj所需探测精度。
可见时间窗是低轨卫星对跟踪任务的可见性关系,对可见时间窗建立模型如下:Winij={wsij,weij,wsAngij,weAngij,wsDisij,weDisij}。Winij={wsij,weij,wsAngij,weAngij,wsDisij,weDisij}表示低轨卫星LEOi对跟踪任务Targetj的可见时间窗,wsij、weij分别表示可见时间窗Winij={wsij,weij,wsAngij,weAngij,wsDisij,weDisij}的开始时间和结束时间,wsAngij表示低轨卫星LEOi在开始时间wsij的探测角度,weAngij表示低轨卫星LEOi在结束时间weij的探测角度,wsDisij表示低轨卫星LEOi在开始时间wsij的探测距离,weDisij表示低轨卫星LEOi在结束时间weij的探测距离。
步骤2,获取跟踪任务状态和资源状态;
在建立上述模型后,引入滚动时域思想,如图3所示,T表示前瞻周期长度,即本发明所述滚动时域的时间长度,t1表示第1轮滚动规划所用时间,包括任务分解所用时间和任务规划所用时间,t2表示第2轮滚动规划所用时间,t3表示第3轮滚动规划所用时间,以此类推。
本发明第k-1轮滚动时域为则第k-1轮滚动时域的初始状态为: 表示第k-1轮滚动时域的初始时刻已被安排跟踪未放回任务集的任务集合,表示第k-1轮滚动时域的初始时刻未被安排跟踪的任务集合,表示第k-1轮滚动时域的在滚动规划结束后各卫星的状态,包括剩余电池电量、探测器状态等,其中
在上一轮次滚动规划结束后,获取上一轮次滚动规划的结束状态,包括任务状态、资源状态等,分析任务状态后前瞻时间T(即前瞻周期长度T),根据滚动时域内的任务状态和资源状态,进行本轮次的任务分解,分解完成后,则依据当前轮次分解结果进行任务调度,并记录当前轮次的结束状态,继续前瞻固定长度T的时间,依次类推,进行滚动的任务分解和规划。
步骤3,分解跟踪任务;
考虑到分解后得到的原子任务应具有完备性,原子任务需满足以下约束条件:
(1)独立性约束:原子任务相互独立,即原子任务之间没有包含关系、从属关系或者上下级关系,任何一个原子任务不可以由其他原子任务进行代替;
(2)完备性约束:一个跟踪任务都可以由若干个原子任务组成;
(3)最短时间约束:原子任务执行时间不能过短;由于每次跟踪目标发生改变,探测器都需要一系列动作进行调整,同时需要足够的跟踪时间得到具有一定价值的观测数据,故设定原子任务的最短执行时间为Lmin;
(4)距离和角度约束:原子任务探测角度不能过小,探测距离不能过长:探测器性能与其探测角度和探测距离相关,探测距离越长,探测角度越小,探测效果越差,因此设定探测器对原子任务的探测角度不能低于Angmin,探测距离不能大于Dismax。
本发明对滚动时域内的跟踪任务,引入反向树形结构进行分解。
首先记录跟踪任务的可用探测器,对可用探测器的可见时间窗起止时间点进行记录并从小到大排序,得到由相邻时间点构成的一系列时间片作为反向树形结构的叶子节点。
若叶子节点满足上述原子任务约束条件,则可将当前叶子节点作为原子任务候选集;若叶子节点不满足原子任务约束中的最短时间约束,则将该叶子节点作为原子任务补充集。
优先判断补充集中任务是否与其相邻节点之间存在共同探测资源,若存在,且满足距离和角度约束,则将补充集中任务与其相邻任务合并为单个任务;再依次判断原子任务候选全集合是否可与相邻任务合并,且满足距离和角度约束,若满足,则将任务合并,得出最终原子任务集合,并依次评估各个原子任务特性,记录原子任务的可用探测资源。其中,原子任务特性是指原子任务模型中表示的各个参数,基于反向树形结构的任务分解思想如图4所示。
定义第k-1轮滚动时域的结束状态为:因为上一轮次滚动时域的结束状态,就是当前轮次的开始状态,则 前瞻时域T,确认当前滚动时域是否出现新任务,若有则标记新任务集合为Target′k,并将Target′k和共同加入集合中。
第k轮滚动时域的初始时刻未被安排跟踪的任务集合中共有m个跟踪任务,则可计算当前滚动时域内各个卫星与跟踪任务的可见性矩阵Vmk,其中 表示第k个滚动时域内卫星LEOi对跟踪任务Targetj的可见性:
根据反向树形结构的分解方法,依次对滚动时域内的所有跟踪任务进行分解,分解完成且规划完成后更新当前滚动规划的结束状态,包括探测器资源状态已被安排跟踪的弹道导弹任务状态未被安排跟踪的任务集合等,作为下一个滚动时域的初始状态。
通过反向树形结构的分解方法对跟踪任务Targetj分解得到x个原子任务ATjh|h=1,2,...,x,表示为:Targetj={ATjh|h=1,2,...,x}={ATj1,ATj2,...,ATjx},x表示可疑目标targetj分解后得到的原子任务数量。本发明的原子任务ATjh定义为:
式中,ATjh表示在滚动时域内第j个跟踪任务的第h个原子任务,startTimejh表示原子任务ATjh的开始时间;endTimejh表示原子任务ATjh的结束时间;runTimejh表示原子任务ATjh的运行时间,runTimejh=endTimejh-startTimejh;priorjh表示原子任务ATjh的优先级。LEONumjh表示原子任务ATjh可用的探测资源数量;LEOSetjh表示原子任务ATjh的可用卫星集合,LEOSetjh中每个元素都是原子任务ATjh的一个可用资源,表示可用卫星集合LEOSetjh中第i个可用卫星。flexAtjh表示原子任务ATjh的灵活度;conATjh表示原子任务ATjh的冲突程度,是它与其他原子任务的冲突程度;conATjh表示与原子任务ATjh有资源冲突的其他原子任务集合。
原子任务ATjh的优先级priorjh,是原子任务ATjh的综合优先级,与原子任务ATjh的运行时间runTimejh、所需探测精度precisionjh、可用资源数量LEONumjh和任务重要程度Priorj相关,表示为:priorjh=f(runTimejh,precisionjh,LEONumjh,priorjh);
原子任务ATjh的灵活度flexAtjh,与可用探测资源数量成正相关,表示为:flexAtjh=f(LEOnum)。
原子任务ATjh的冲突程度conATij,是原子任务ATjh与其他原子任务两两冲突之和的平均值。本发明定义,如果探测器LEOi对于原子任务ATjh和ATpq同时存在可见时间窗,则认为原子任务ATjh和ATpq对于卫星LEOi存在冲突,记为pubPeriod{LEOi:ATjh,ATpq},且pubPeriod{LEOi:ATjh,ATpq}=[pStime,pEtime]。
考虑到原子任务之间的关系,时间窗口重叠情况可能存在图5所示的四种情况,其对应的重叠时间区间计算方式如下公式所示:
定义原子任务ATjh和ATpq的冲突程度如下公式如示,用numATjh:ATpq表示冲突资源的数量。
综上,完整的基于滚动时域的预警任务分解过程可表示为: 完整的任务安排过程可表示为:
步骤4,采用进化粒子群算法对跟踪任务进行资源调度;
在第k轮滚动时域对所有跟踪任务分解后,即进行该轮的资源调度。
资源调度问题是复杂的组合优化问题,调度过程涉及多资源多任务背景和复杂的约束关系,且弹道导弹任务具有复杂性、随机性、动态性、实时性等特点,单个任务需要被分解成不同的原子任务由不同的探测器来接力完成。其中,CSP(Constraint SatisfactionProblem的简称,即约束满足问题)由变量、值域和约束共同组成,在CSP中每个变量取值独立,当变量的赋值同时满足所有关于变量的约束时,约束满足问题就得到了解决,因此CSP为任务调度算法排除了不符合约束条件的变量取值,只对符合约束条件的变量进行优化,能够解决许多不能用常规搜索方法解决的问题。基于CSP的上述优点,因此本发明采用CSP模型来对如此复杂的任务调度问题进行建模,把资源调度看作是有多个可行解的CSP问题。为方便对资源调度过程进行描述,模型中提出如下合理化假设:
(1)实验中跟踪的弹道导弹任务,不存在飞行中段变轨的可能性;
(2)高轨卫星具备一个扫描探测器和一个凝视探测器,该扫描探测器可同时发现并拍摄多个目标,该凝视探测器可同时跟踪多个可疑目标探测并进行确认,生成初始的侦查预警信息;
(3)低轨卫星载有一个或多个凝视探测器,凝视探测器在已经生成的侦查预警信息的基础上对目标进行跟踪探测,生成精确的探测轨迹,但是一个凝视探测器一次只能跟踪一个目标;
(4)卫星和地面站及卫星之间通信链路信号稳定,不存在信号失效等情况;
(5)卫星正常工作期间忽略云层等天气情况的干扰因素;
(6)卫星的星载探测器、任务规划系统可以与卫星上的其他系统有效地通信,及时执行相应的命令,正常有效运转;
(7)卫星在其本影或半影期间充电速率为0,其他时间充电速率恒定为常值;
综上可得本发明基于进化粒子群算法EPSOST对第k轮滚动时域的跟踪任务进行资源调度,如图10所示,包括以下步骤:
步骤4.1,构建资源调度的约束条件和目标函数,利用目标函数构建适应度函数;
总结上述参数和之前建立的卫星资源、任务、可见时间窗和滚动时域状态模型,构建资源调度的约束关系如下:
ejh<Ci 公式(4-1);
ATjh,x≤1 公式(4-2);
Targetj,x≤1 公式(4-3);
Acil≥precisionjh,i<n,I<Numi,j<m 公式(4-4);
LEOi_Stateil≤1 公式(4-5);
yjh,i≤Numi 公式(4-6);
wsjh≤startTimejh≤endTimejh≤wsjh 公式(4-7);
公式(4-1)表示原子任务电量约束,ATij所需电量应小于卫星剩余电量,保证电量充足,原子任务顺利执行;公式(4-2)表示原子任务的唯一性约束,任何一个原子任务最多被执行一次;公式(4-3)表示任务的唯一性约束,任何一个任务最多被执行一次;公式(4-4)表示跟踪任务观测精度约束,可选探测器的探测精度需大于目标任务需求精度;公式(4-5)表示卫星探测器约束,一个凝视探测器一次只能跟踪一个目标;公式(4-6)表示卫星能够执行的最大任务数量不能超过其凝视探测器的数量;公式(4-7)表示可见时间窗口约束,原子任务的执行时间必须在其对应探测资源的可见时间窗口内;公式(4-8)表示原子任务执行时间约束,同一目标任意两原子任务之间不存在时间交集。
为更准确的描述多星协同下跟踪任务的资源调度模型,对模型中使用的参数进行如下补充说明:
ejh表示执行ATjh所需电量;Ci:探测器电池充电速率;
ATjh,x:ATjh,x=1表示原子任务被成功执行,ATjh,x=0表示未被成功执行;
Targerj,x:Targetj,x=1表示目标任务被成功执行,Targetj,x=0未完成;
yjh,i:yjh,i≠0表示卫星LEOk可执行原子任务ATjh,yjh,i=0表示卫星LEOi不可以执行原子任务ATjh;
LEOi_Stateit表示卫星LEOi中第t个探测器的状态,Stateit=1表示当前探测器为可用状态,Stateit=0则表示当前探测器资源已被占用。
本发明从最大全局收益和最大资源利用资源角度对调度问题进行刻画,定义两组目标函数,即第一目标函数和第二目标函数,分别如公式(4-9)和公式(4-10)所示。
F1=max∑j∑hf(ATjh)×ATjh,x 公式(4-9)
公式(4-9)所示的第一目标函数从任务执行效果出发,旨在实现多种约束的条件下全局收益的最大值,实现最佳的任务整体执行效果;其中f(ATij)表示原子任务ATij的执行为系统带来的收益,定义任务执行收益与任务优先权相同,即应尽可能完成优先级高的任务。
公式(4-10)所示的第二目标函数表示最大化的探测器资源利用率,旨在实现低轨卫星探测器资源的最大限度利用,降低资源闲置率。
在此基础上,提出如下适应度函数将全局收益最大值和资源利用率最大化两个目标进行归一化处理,可得到适应度函数如下面式子所示。
其中ω1和ω2分别是两个目标函数的权重,满足ω1+ω2=1;F1和F2分别代表当前粒子的目标函数取值,和分别是两个目标函数的最优值;和分别是两个目标函数的最小值。
步骤4.2,初始化粒子群的所有粒子个体:根据原子任务集合中原子任务的数量设置粒子个体维度,且每个维度对应一个原子任务,使用各原子任务的可用低轨卫星编号对粒子个体进行随机初始化编码;
粒子群算法(Particle Swarm Optimization,PSO)是一种模拟飞鸟觅食的行为,通过粒子间的协作实现群体优化的目标的群体智能优化算法,但其缺乏对粒子速度的动态调节,容易陷入局部最优,不能有效解决离散组合优化问题。因此,本发明面向单个滚动时域内的待跟踪任务,即第k轮滚动时域在开始时刻未被安排跟踪的任务集合设计基于单层任务的进化粒子群算法EPSOST(Evolutionary Particle SwarmOptimizationAlgorithm Based on Single-layer Tasks),把低轨卫星探测器资源分配方案融入到粒子的编码形式中,并引入交叉算子、变异算子和动态惯性因子,对粒子群算法的编码方式、粒子位置更新方式进行改进,通过迭代过程优化粒子的位置,实现探测器资源的优化调度分配。
首先是对粒子编码方式的改进。如果按照离散粒子群常用的二进制编码方式,需要判断每个原子任务与探测之间的适配关系,粒子维度巨大,求解过程复杂,不适用于实时性要求高的空间侦查监视系统。因此发明提出对当前跟踪任务采用整数编码方式。
由上文可知,低轨卫星集合为LEO={LEOi|i=1,2,...,n},对低轨卫星依次编号为1,2,...,n;第k轮滚动时域内待跟踪任务对待探测的跟踪任务依次编号为1,2,…,m;设分解得到的原子任务集合为{{AT11,AT12,…,AT1a},{AT21,AT22,…,AT2b},…,{ATm1,ATm2,…,ATmc}}。设粒子为Pv,v表示粒子群中各粒子的编号,且粒子群的种群大小为η,粒子编码方式如下所示:
其中粒子维度是当前时域内原子任务的总个数,设为Nk=a+b+…+c。rjh为(0,n]之间的整数,表示当前原子任务ATjh由低轨卫星执行,粒子在每一维度上的值域即为相应原子任务的可选资源集合,粒子具体编码方式可如图6所示。
步骤4.3,对粒子群中的不同粒子个体进行循环迭代交叉和变异操作,利用适应度函数求解迭代过程中的最优粒子个体;
该步骤是对粒子位置更新方式的改进。当前研究背景下,探测资源和弹道导弹跟踪任务均为离散变量,且粒子采用整数编码方式,因此传统PSO算法不适用于当前问题。EPSOST引入GA中的交叉算子、变异算子,并结合动态惯性因子对传统PSO算法进行改进,具体内容包括以下步骤:
步骤4.3.1,设置最大迭代次数L并初始化迭代次数l=1;
步骤4.3.2,将粒子群每个粒子个体分别作为当前相应的个体极值,取粒子群中适应值函数值最大的粒子个体作为当前的全局极值;
步骤4.3.3,将粒子群中的粒子个体与其相应的个体极值按以下公式(4-13)进行交叉操作,产生子代粒子个体,并判断子代粒子个体与是否优于父代粒子个体:若是,则将子代粒子个体取代父代粒子个体,否则保留父代粒子个体。该部分反映粒子有向群体或邻域历史最佳位置逼近的趋势,其形式化描述为:
式中,i表示粒子群中不同粒子个体的编号,r1表示[0,1]之间均匀分布的随机数,μ表示第一预设概率,l表示迭代次数,c1表示粒子群的第一学习因子,g1表示将粒子个体与个体极值的交叉操作,f1表示采用部分映射交叉法对两个粒子个体进行交叉操作,f2表示采用基于位置的交叉法对两个粒子个体进行交叉操作;
在该交叉操作之后,将子代粒子个体与父代个体极值比较,若子代粒子个体优于父代个体极值,则将该粒子个体的个体极值更新为子代粒子个体,否则将该粒子个体的个体极值仍保留为父代个体极值。
步骤4.3.4,将粒子群中的粒子个体θv l与全局极值gbest(l)按以下公式(4-14)进行交叉操作,产生子代粒子个体,并判断子代粒子个体与是否优于父代粒子个体:若是,则将子代粒子个体取代父代粒子个体,否则保留父代粒子个体。该部分反映粒子有向群体或邻域历史最佳位置逼近的趋势,其形式化描述为:
式中,c2表示粒子群的第二学习因子,r2表示[0,1]之间均匀分布的随机数,ρ表示第二预设概率,g1表示将粒子个体与全局极值的交叉操作;
在该交叉操作之后,将子代粒子个体与父代全局极值比较,若子代粒子个体优于父代全局极值,则将全局极值更新为子代个体极值,否则将全局极值仍保留为父代全局极值;
上述第一学习因子c1和第二学习因子c2均是粒子群中速度更新中的学习因子。以上步骤4.3.3和步骤4.3.4均为交叉操作,是根据系统让粒子群中两个粒子个体随机交换部分基因从而产生新基因组合的操作。其具体操作过程如下:产生[0,1]之间的随机数,与系统预先设好的交叉概率进行比较,如果符合交叉条件,则对两个体进行交叉操作,产生新的个体。
本发明采用的进化粒子群算法EPSOST,是结合部分映射交叉(Partial MappedCrossover,PMC)和基于位置的交叉法(Position Based Crossover,PBC)对两粒子进行交叉操作。
在本发明中,部分映射交叉PMC具体为,在两个父代个体中随机选择两个交叉点,将两交叉点之间的位置进行交叉,然后将其他位置上的数字直接复制到子代中,如果该数字已经在子代中存在,则在该位置的可选资源库中随机选择卫星资源进行替换,如图7所示。另外,本发明采用的基于位置的交叉法PBC,如图8所示,则随机选择几个交叉点将父代中所选基因按照顺序进行交换。
步骤4.3.5,将粒子群中的粒子个体进行变异操作,产生新的粒子个体,并判断新的粒子个体与是否优于原粒子个体:若是,则将新的粒子个体取代原粒子个体,否则保留原粒子个体,表示为:
式中,r3表示[0,1]之间均匀分布的随机数,τ表示第三预设概率,f3表示变异操作。
该步骤4.3.5,是指对粒子群中的粒子个体作出改动,其操作过程可以理解为:产生[0,1]之间的随机数,与系统预先设好的概率进行比较,判断是否达到变异条件,如果符合条件,则对变异的个体随机选择变异的基因位置,执行变异操作。
具体到本发明中,由于EPSOST中粒子采用整数编码,故本发明的部分变异操作定义可如图9所示,为可执行变异操作的粒子Pi随机选择一个变异的位置,在当前位置可选择的探测器资源集合中随机选择一个可用资源替换之前的探测器资源。
步骤4.3.6,按以下公式调整迭代过程中的惯性因子w:
w=wmax-l*(wmax-wmin)/L; 公式(4-16);
式中,wmax表示最大惯性因子,wmin表示最小惯性因子。
考虑到惯性权重较大时,粒子群算法往往因为局部搜索能力差而容易陷入局部最优,故本发明在进化粒子群算法EPSOST的迭代进程中引入动态惯性因子,惯性因子随着迭代次数的增大逐渐减小,算法的搜索精度随着迭代次数的增加越来越高,进而求解得到最佳资源调度方案。
步骤4.3.7,若l=L,则执行步骤4.4;否则令l=l+1,返回步骤4.3.3。
步骤4.4,按最优粒子个体对第k轮滚动规划的原子任务集合进行资源调度;令k=k+1,返回步骤2。
上过资源调度是本发明以滚动时域周期为基准为单个滚动周期内的单层任务设计得到的最佳资源调度方案。而本发明是在滚动时域的规划框架中采用前瞻窗口策略,预判任务轨迹并为当前时域的各个任务规划调度方案,任务规划结束后则进行下一轮的前瞻和规划,因此各个轮次任务的资源调度问题之间并不完全独立,而是存在时间并行性和资源的连续性,且轮次之间可能存在资源互相占用的情况。
为解决EPSOST无法同时实现多批次任务信息传递的缺陷,本发明提出基于多星协同的进化粒子群算法(Evolutionary Particle Swarm Optimization Based on Multi-satellite Cooperation,EPSOMC)。
假设当前协同调度问题中需同时处理m个轮次任务调度问题,各轮次可能存在资源互相占用的情况,用LEO表示其协同搜索空间,S1,S2,…,Sk,…,Sm分别表示各轮次,其中 为第i轮滚动时域的初始状态,包括当前轮次初始时刻已被安排的任务集合,未被安排的任务集合和资源的初始状态,为第k轮滚动时域的结束状态,包括当前轮次结束时刻已被安排的任务集合,未被安排的任务集合和资源的结束状态。
若当前需同时处理2个轮次S1和S2,且两轮次存在探测器资源互相占用的情况,需协调两轮次中任务在调度过程中出现的资源竞争,其形式化描述可如图11所示。
本发明EPSOMC中,把每个轮次任务看作是一个种群,在处理2个不同的轮次S1和S2时,其操作流程如下:
(1)设轮次S1的粒子群为s1,轮次S2的粒子群为s2,分别用于处理轮次S1和轮次S2;
(2)对粒子群s1设定变异概率和交叉概率,运行EPSOST直到满足结束条件,得到其全局最优粒子个体根据最优粒子个体对粒子群s1中对各个任务开始规划资源调度;
(3)对粒子群s2设定变异概率和交叉概率,运行EPSOST;
(4)将粒子群s1中的最优粒子根据公式(4-17)传递给种群s2中的任意粒子l表示当前轮次,f1表示对粒子和最优粒子进行PMC交叉操作;
(5)将得到的子代粒子个体与其父代粒子个体进行对比,比较是否优于若是,则子代粒子个体取代父代粒子个体否则保留父代粒子个体
(6)更新粒子群s2的速度和位置;
(7)判断是否满足粒子群s2的最大迭代次数,不满足则返回步骤(3),否则执行步骤(8);
(8)输出粒子群s2的全局最优粒子个体。
EPSOMC同时处理m个轮次任务调度问题时,需要完成m个轮次之间的信息交流。EPSOMC把上述对S1和S2的协同调度问题的规模扩充至m个任务,通过循环迭代,实现m个轮次之间的互相通信和信息传递,算法具体执行流程可如图12所示,相当于在前述的步骤4.3.6与步骤4.3.7之间,还包括以下步骤:
步骤A1,初始化kj=1;
步骤A2,随机选择粒子个体,然后将该粒子个体与第kj轮的最优粒子个体按以下公式进行交叉操作,得到新的粒子个体:
其中,表示随机选择粒子个体,表示得到的新的粒子个体,l表示当前迭代次数,f2表示采用部分映射交叉法对两个粒子个体进行交叉操作;
步骤A3,然后将得到的新的粒子个体与原粒子个体进行比较,若新的粒子个体比原粒子个体更优,则将新的粒子个体替代原粒子个体否则保留原粒子个体
步骤A4,判断kj=k-1是否成立:若成立,则执行步骤4.3.7;否则,令kj=kj+1,返回步骤A2。
以上实施例为本申请的优选实施例,本领域的普通技术人员还可以在此基础上进行各种变换或改进,在不脱离本申请总的构思的前提下,这些变换或改进都应当属于本申请要求保护的范围之内。
Claims (7)
1.一种多星协同的空间动态目标实时跟踪方法,其特征在于,包括以下步骤:
步骤1,建立问题模型;
建立问题模型,包括低轨卫星及凝视探测器模型、跟踪任务模型和可见时间窗模型;
步骤2,获取跟踪任务状态和资源状态;
步骤2.1,获取第k-1轮滚动规划在结束时刻的跟踪任务状态和资源状态;所述跟踪任务状态包括第一跟踪任务集合和第二跟踪任务集合,所述资源状态包括低轨卫星的状态;
所述第一跟踪任务集合是指已被安排跟踪且未放回跟踪任务集的所有跟踪任务所组成的集合,第二跟踪任务集合是指未被安排跟踪的所有跟踪任务组成的集合;
步骤2.2,前瞻滚动时域时长T,获取第k轮滚动时域内的新跟踪任务,将第k轮滚动时域内的新跟踪任务合并到第k-1轮滚动规划在结束时刻的第二跟踪任务集合,将合并得到的第二跟踪任务集合作为第k轮滚动规划在开始时刻的第二跟踪任务集合;
步骤2.3,将第k-1轮滚动规划在结束时刻的第一跟踪任务集合和资源状态,分别作为第k轮滚动规划在开始时刻的第一跟踪任务集合和资源状态;
步骤3,分解跟踪任务;
根据第k轮滚动规划在开始时刻的任务状态和资源状态,采用反向树形结构算法对第k轮滚动规划在开始时刻的第二跟踪任务集合的每个跟踪任务进行分解,每个跟踪任务分解得到x个原子任务,由第二跟踪任务集合相应得到第k轮滚动规划的原子任务集合;
步骤4,采用进化粒子群算法对跟踪任务进行资源调度;
步骤4.1,构建资源调度的约束条件和目标函数,利用目标函数构建适应度函数;
步骤4.2,初始化粒子群的所有粒子个体:根据原子任务集合中原子任务的数量设置粒子个体维度,且每个维度对应一个原子任务,使用各原子任务的可用低轨卫星编号对粒子个体进行随机初始化编码;
步骤4.3,对粒子群中的不同粒子个体进行循环迭代交叉和变异操作,利用适应度函数求解迭代过程中的最优粒子个体;
步骤4.4,按最优粒子个体对第k轮滚动规划的原子任务集合进行资源调度;令k=k+1,返回步骤2。
2.根据权利要求1所述的方法,其特征在于,低轨卫星及凝视探测器的模型为:
LEOi={ei,Ei,Ci,Detectori};
LEOi表示低轨卫星,i表示低轨卫星的编号,ei表示低轨卫星LEOi当前电量状态,Ei为低轨卫星LEOi电量的最大值,Ci为低轨卫星LEOi的充电速率,Detectori表示卫星的凝视探测器集合;Detectori={detectorij|j=1,2,…Numi},detectorij={Acij,Angij,Stateij},Numi表示低轨卫星LEOi的探测器数量,j表示探测器的编号,Acij表示探测器detectorij的探测精度;Angij表示探测器detectorij的摆角,Stateij表示探测器detectorij的状态;
跟踪任务的模型为:Targetj={StartTimej,EndTimej,RunTimej,Priorj,Precisionj};
StartTimej表示跟踪任务Targetj的任务开始时间,EndTimej表示跟踪任务Targetj的任务结束时间,RunTimej表示跟踪任务Targetj的任务运行时间,RunTimej=EndTimej-StartTimej;Priorj表示跟踪任务Targetj的任务优先级,优先级高的任务优先执行;
Precisionj表示跟踪任务Targetj所需探测精度;
可见时间窗的模型为:Winij={wsij,weij,wsAngij,weAngij,wsDisij,weDisij};
Winij={wsij,weij,weAngij,weAngij,weDisij,weDisij}表示低轨卫星LEOi对跟踪任务Targetj的可见时间窗,wsij、weij分别表示可见时间窗
Winij={wsij,weij,wsAngij,weAngij,weDisij,weDisij}的开始时间和结束时间,wsAngij表示低轨卫星LEOi在开始时间wsij的探测角度,weAngij表示低轨卫星LEOi在结束时间weij的探测角度,wsDisij表示低轨卫星LEOi在开始时间wsij的探测距离,weDisij表示低轨卫星LEOi在结束时间weij的探测距离。
3.根据权利要求2所述的方法,其特征在于,任务分解得到的原子任务的模型为:
ATjh表示在滚动时域内第j个跟踪任务的第h个原子任务,startTimejh表示原子任务ATjh的开始时间;endTimejh表示原子任务ATjh的结束时间;runTimejh表示原子任务ATjh的运行时间,runTimejh=endTimejh-startTimejh;priorjh表示原子任务ATjh的优先级;
LEONumjh表示原子任务ATjh可用的探测器数量;LEOSetjh表示原子任务ATjh可用的卫星集合,LEOSetjh中每个元素都是原子任务ATjh的一个可用资源;表示卫星集合LEOSetjh中第i个可用卫星;flexAtjh表示原子任务ATjh的灵活度;conATjh表示原子任务ATjh与其他原子任务的冲突程度;conSetjh表示与原子任务ATjh有资源冲突的其他原子任务集合;
priorjh=f(runTimejh,precisionjh,LEONumjh,priorj);precisionjh表示原子任务ATjh所需探测精度。
4.根据权利要求3所述的方法,其特征在于,步骤3中,采用反向树形结构算法,将每个跟踪任务分解得到x个原子任务的具体方法为:
步骤3.1,记录跟踪任务的可用探测器,对可用探测器的可见时间窗的开始时间和结束时间进行记录并从小到大排序,得到由相邻时间点构成的一系列时间片,将每个时间片作为反向树形结构的叶子节点;
步骤3.2,若叶子节点满足原子任务约束条件,则将该叶子节点添加到原子任务候选集;
步骤3.3,若叶子节点不满足原子任务约束条件中的最短时间约束,则将该叶子节点添加到原子任务补充集;
步骤3.4,判断原子任务补充集中的叶子节点是否与相邻叶子节点之间存在共同的凝视探测器,若存在,且该叶子节点和相邻叶子节点均满足距离和角度约束,则将原子任务补充集中该叶子节点与其相邻叶子节点合并为单个叶子节点;并针对所有合并得到的单个叶子节点,返回执行步骤3.2;
步骤3.5,判断原子任务候选集的叶子节点是否可与相邻叶子节点存在共同的凝视探测器,若存在,且满足距离和角度约束,则将原子任务候选集的叶子节点与相邻叶子节点合并为单个叶子节点,将最终得到的原子任务候选集作为原子任务集合,记录原子任务的可用探测资源;
所述原子任务约束条件包括:独立性约束、完备性约束、最短时间约束、距离和角度约束;
独立性约束是指,原子任务之间没有包含关系、从属关系或者上下级关系,任何一个原子任务不可以由其他原子任务代替;
完备性约束是指,每个跟踪任务都可以由若干个原子任务组成;
最短时间约束是指,原子任务的执行时间大于预设的最短执行时间阈值Lmin;
距离和角度约束是指,原子任务的探测角度大于预设的最小探测角度阈值Angmin,原子任务的探测距离小于预设的最大探测距离阈值Dismax。
5.根据权利要求1所述的方法,其特征在于,资源调度的约束条件为:
ejh<Ci 公式(4-1);
ATjh,x≤1 公式(4-2);
Targetj,x≤1 公式(4-3);
Acil≥precisionjh,i<n,l<Numi,j<m 公式(4-4);
LEOi_Stateil≤1 公式(4-5);
yjh,i≤Numi 公式(4-6);
wsjh≤startTimejh≤endTimejh≤wsjh 公式(4-7);
式中,ejh表示执行原子ATjh所需电量;Ci表示卫星LEOi的电池充电速率;ATjh,x=1表示原子任务被成功执行,ATjh,x=0表示未被成功执行;Targetj,x=1表示目标任务被成功执行,Targetj,x=0未完成;yjh,i≠0表示卫星LEOi可执行原子任务ATjh,yjh,i=0表示卫星LEOi不可以执行原子任务ATjh;LEOi_Stateit表示卫星LEOi中第t个探测器的状态,Stateit=1表示当前探测器为可用状态,Stateit=0则表示当前探测器资源已被占用;
资源调度的两个目标函数分别为:
F1=max∑j∑hf(ATjh)×ATjh,x,
利用目标函数构建的适应度函数为:
ω1和ω2分别是两个目标函数的权重,满足ω1+ω2=1;F1和F2分别代表当前粒子的目标函数取值,和分别是两个目标函数的最优值,和分别是两个目标函数的最小值。
6.根据权利要求1所述的方法,其特征在于,步骤4.3的具体过程为:
步骤4.3.1,设置最大迭代次数L并初始化迭代次数l=1;
步骤4.3.2,将粒子群每个粒子个体分别作为当前相应的个体极值,取粒子群中适应值函数值最大的粒子个体作为当前的全局极值;
步骤4.3.3,将粒子群中的粒子个体与其相应的个体极值按以下公式进行交叉操作,产生子代粒子个体,并判断子代粒子个体与是否优于父代粒子个体:若是,则将子代粒子个体取代父代粒子个体,否则保留父代粒子个体:
式中,v表示粒子群中不同粒子个体的编号,r1表示[0,1]之间均匀分布的随机数,μ表示第一预设概率,l表示迭代次数,c1表示粒子群的第一学习因子,g1表示将粒子个体与个体极值的交叉操作,f1表示采用部分映射交叉法对两个粒子个体进行交叉操作,f2表示采用基于位置的交叉法对两个粒子个体进行交叉操作;
在该交叉操作之后,将子代粒子个体与父代个体极值比较,若子代粒子个体优于父代个体极值,则将该粒子个体的个体极值更新为子代粒子个体,否则将该粒子个体的个体极值仍保留为父代个体极值;
步骤4.3.4,将粒子群中的粒子个体与全局极值gbest(l)按以下公式进行交叉操作,产生子代粒子个体,并判断子代粒子个体与是否优于父代粒子个体:若是,则将子代粒子个体取代父代粒子个体,否则保留父代粒子个体:
式中,c2表示粒子群的学习因子,r2表示[0,1]之间均匀分布的随机数,ρ表示第二预设概率,g1表示将粒子个体与全局极值的交叉操作;
在该交叉操作之后,将子代粒子个体与父代全局极值比较,若子代粒子个体优于父代全局极值,则将全局极值更新为子代个体极值,否则将全局极值仍保留为父代全局极值;
步骤4.3.5,将粒子群中的粒子个体进行变异操作,产生新的粒子个体,并判断新的粒子个体与是否优于原粒子个体:若是,则将新的粒子个体取代原粒子个体,否则保留原粒子个体,表示为:
式中,r3表示[0,1]之间均匀分布的随机数,τ表示第三预设概率,f3表示变异操作;
步骤4.3.6,按以下公式调整迭代过程中的惯性因子w:
w=wmax-l*(wmax-wmin)/L;
式中,wmax表示最大惯性因子,wmin表示最小惯性因子;
步骤4.3.7,若l=L,则执行步骤4.4;否则令l=l+1,返回步骤4.3.3。
7.根据权利要求6所述的方法,其特征在于,设第kj动规划的原子任务集合在步骤4.3得到的最优粒子个体为在对第k轮滚动规划的原子任务集合执行步骤4.3.6与步骤4.3.7之间,还包括:
步骤A1,初始化kj=1;
步骤A2,随机选择粒子个体,然后将该粒子个体与第kj轮的最优粒子个体按以下公式进行交叉操作,得到新的粒子个体:
其中,表示随机选择粒子个体,表示得到的新的粒子个体,l表示当前迭代次数,f2表示采用部分映射交叉法对两个粒子个体进行交叉操作;
步骤A3,然后将得到的新的粒子个体与原粒子个体进行比较,若新的粒子个体比原粒子个体更优,则将新的粒子个体替代原粒子个体否则保留原粒子个体
步骤A4,判断kj=k-1是否成立:若成立,则执行步骤4.3.7;否则,令kj=kj+1,返回步骤A2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910540737.5A CN110412869B (zh) | 2019-06-21 | 2019-06-21 | 一种多星协同的空间动态目标实时跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910540737.5A CN110412869B (zh) | 2019-06-21 | 2019-06-21 | 一种多星协同的空间动态目标实时跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110412869A true CN110412869A (zh) | 2019-11-05 |
CN110412869B CN110412869B (zh) | 2020-06-09 |
Family
ID=68359505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910540737.5A Active CN110412869B (zh) | 2019-06-21 | 2019-06-21 | 一种多星协同的空间动态目标实时跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110412869B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111162831A (zh) * | 2019-12-24 | 2020-05-15 | 中国科学院遥感与数字地球研究所 | 地面站资源调度方法 |
CN111813515A (zh) * | 2020-06-29 | 2020-10-23 | 中国平安人寿保险股份有限公司 | 基于多进程的任务调度方法、装置、计算机设备及介质 |
CN112272381A (zh) * | 2020-10-22 | 2021-01-26 | 大连大学 | 一种卫星网络任务部署方法和系统 |
CN112734278A (zh) * | 2021-01-20 | 2021-04-30 | 中国人民解放军国防科技大学 | 一种面向时敏目标打击的c2组织资源动态调度方法 |
CN113487221A (zh) * | 2021-07-23 | 2021-10-08 | 中南大学 | 面向动态目标观测的空天异构对地观测资源协同调度方法 |
CN115032671A (zh) * | 2022-08-11 | 2022-09-09 | 成都国星宇航科技股份有限公司 | 一种低轨卫星跟踪预报时间段计算方法和装置 |
CN116260507A (zh) * | 2023-05-16 | 2023-06-13 | 中南大学 | 一种双层卫星网络协同分簇方法、系统、设备及存储介质 |
CN116722906A (zh) * | 2023-06-12 | 2023-09-08 | 中国人民解放军战略支援部队航天工程大学 | 一种预警卫星系统 |
JP7394801B2 (ja) | 2021-02-19 | 2023-12-08 | 三菱電機株式会社 | 滑空飛翔体追跡方法、飛翔体追跡システム、飛翔体対処システム、および、地上システム |
JP7418367B2 (ja) | 2021-02-19 | 2024-01-19 | 三菱電機株式会社 | 弾道飛翔体追跡方法、飛翔体追跡システム、飛翔体対処システムおよび地上システム |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2023062731A1 (zh) * | 2021-10-13 | 2023-04-20 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150192696A1 (en) * | 2013-02-01 | 2015-07-09 | NanoSatisfi Inc. | System and method for high-resolution radio occultation measurement through the atmosphere |
CN105717940A (zh) * | 2016-01-26 | 2016-06-29 | 中国空间技术研究院 | 中继卫星自主任务规划方法 |
CN109581983A (zh) * | 2018-12-07 | 2019-04-05 | 航天恒星科技有限公司 | 基于多智能体的测控资源调度分配的方法和设备 |
-
2019
- 2019-06-21 CN CN201910540737.5A patent/CN110412869B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150192696A1 (en) * | 2013-02-01 | 2015-07-09 | NanoSatisfi Inc. | System and method for high-resolution radio occultation measurement through the atmosphere |
CN105717940A (zh) * | 2016-01-26 | 2016-06-29 | 中国空间技术研究院 | 中继卫星自主任务规划方法 |
CN109581983A (zh) * | 2018-12-07 | 2019-04-05 | 航天恒星科技有限公司 | 基于多智能体的测控资源调度分配的方法和设备 |
Non-Patent Citations (5)
Title |
---|
LI L, CHEN H, WU J, ET AL.: "Preference-based evolutionary algorithms for many-objective mission planning of agile earth observation satellites", 《PROCEEDINGS OF THE GENETIC AND EVOLUTIONARY COMPUTATION CONFERENCE COMPANION》 * |
LONG J, LI C, ZHU L, ET AL.: "An Efficient Task Autonomous Planning Method for Small Satellites", 《INFORMATION》 * |
何俊: "基于预警任务的天基预警资源调度方法研究", 《中国优秀硕士学位论文全文数据库(电子期刊)ENGINEERING SCIENCE AND TECHNOLOGY Ⅱ》 * |
向尚 等: "卫星自主与协同任务调度规划综述", 《自动化学报》 * |
王睿 等: "天基信息网络资源调度与协同管理", 《通信学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111162831B (zh) * | 2019-12-24 | 2020-12-15 | 中国科学院遥感与数字地球研究所 | 地面站资源调度方法 |
CN111162831A (zh) * | 2019-12-24 | 2020-05-15 | 中国科学院遥感与数字地球研究所 | 地面站资源调度方法 |
CN111813515A (zh) * | 2020-06-29 | 2020-10-23 | 中国平安人寿保险股份有限公司 | 基于多进程的任务调度方法、装置、计算机设备及介质 |
CN112272381A (zh) * | 2020-10-22 | 2021-01-26 | 大连大学 | 一种卫星网络任务部署方法和系统 |
CN112272381B (zh) * | 2020-10-22 | 2022-08-30 | 大连大学 | 一种卫星网络任务部署方法和系统 |
CN112734278B (zh) * | 2021-01-20 | 2023-11-07 | 中国人民解放军国防科技大学 | 一种面向时敏目标打击的c2组织资源动态调度方法 |
CN112734278A (zh) * | 2021-01-20 | 2021-04-30 | 中国人民解放军国防科技大学 | 一种面向时敏目标打击的c2组织资源动态调度方法 |
JP7418367B2 (ja) | 2021-02-19 | 2024-01-19 | 三菱電機株式会社 | 弾道飛翔体追跡方法、飛翔体追跡システム、飛翔体対処システムおよび地上システム |
JP7394801B2 (ja) | 2021-02-19 | 2023-12-08 | 三菱電機株式会社 | 滑空飛翔体追跡方法、飛翔体追跡システム、飛翔体対処システム、および、地上システム |
CN113487221B (zh) * | 2021-07-23 | 2022-07-15 | 中南大学 | 面向动态目标观测的空天异构对地观测资源协同调度方法 |
CN113487221A (zh) * | 2021-07-23 | 2021-10-08 | 中南大学 | 面向动态目标观测的空天异构对地观测资源协同调度方法 |
CN115032671A (zh) * | 2022-08-11 | 2022-09-09 | 成都国星宇航科技股份有限公司 | 一种低轨卫星跟踪预报时间段计算方法和装置 |
CN116260507B (zh) * | 2023-05-16 | 2023-07-21 | 中南大学 | 一种双层卫星网络协同分簇方法、系统、设备及存储介质 |
CN116260507A (zh) * | 2023-05-16 | 2023-06-13 | 中南大学 | 一种双层卫星网络协同分簇方法、系统、设备及存储介质 |
CN116722906A (zh) * | 2023-06-12 | 2023-09-08 | 中国人民解放军战略支援部队航天工程大学 | 一种预警卫星系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110412869B (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110412869A (zh) | 一种多星协同的空间动态目标实时跟踪方法 | |
CN112016812B (zh) | 多无人机任务调度方法、系统及存储介质 | |
CN108229685B (zh) | 一种空地一体的无人智能决策方法 | |
Grefenstette et al. | Learning sequential decision rules using simulation models and competition | |
Wu et al. | A novel sparrow search algorithm for the traveling salesman problem | |
CN107886201B (zh) | 多无人机任务分配的多目标优化方法及装置 | |
CN111538950B (zh) | 一种多无人平台干扰资源分配方法 | |
Ben-Bassat et al. | Knowledge requirements and management in expert decision support systems for (military) situation assessment | |
WO2002101594A2 (en) | Method and apparatus for determining and assessing information to be collected based on information-theoretic measures | |
CN112906948B (zh) | 一种基于私家车轨迹大数据的城市区域吸引力预测方法、设备及介质 | |
Wu et al. | Ensemble of metaheuristic and exact algorithm based on the divide-and-conquer framework for multisatellite observation scheduling | |
Alzaqebah et al. | Whale optimization algorithm for requirements prioritization | |
Tran et al. | Using Fuzzy Clustering Chaotic-based Differential Evolution to solve multiple resources leveling in the multiple projects scheduling problem | |
Lu et al. | A learning-based approach for agile satellite onboard scheduling | |
Sun et al. | A cooperative target search method based on intelligent water drops algorithm | |
Zhang et al. | Mission planning issues of imaging satellites: Summary, discussion, and prospects | |
Hitomi et al. | Extracting and applying knowledge with adaptive knowledge-driven optimization to architect an earth observing satellite system | |
Laith et al. | Salp swarm algorithm: a comprehensive survey | |
CN108037986A (zh) | 一种双星星簇的目标观测方法 | |
Chai et al. | A hierarchical situation assessment model based on fuzzy Bayesian network | |
CN116340737A (zh) | 基于多智能体强化学习的异构集群零通信目标分配方法 | |
CN109859087A (zh) | 一种应用城市超脑的智能社区软环境配置系统和方法 | |
Xu et al. | An iterated greedy heuristic for collaborative Human-UAV search of missing tourists | |
CN104794326B (zh) | 一种冲突分析方法 | |
Escobar et al. | Process-monitoring-for-quality—a model selection criterion for shallow neural networks |
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 |