CN110633888B - 一种基于四层结构遗传算法的多星任务规划方法 - Google Patents

一种基于四层结构遗传算法的多星任务规划方法 Download PDF

Info

Publication number
CN110633888B
CN110633888B CN201910647127.5A CN201910647127A CN110633888B CN 110633888 B CN110633888 B CN 110633888B CN 201910647127 A CN201910647127 A CN 201910647127A CN 110633888 B CN110633888 B CN 110633888B
Authority
CN
China
Prior art keywords
task
constraint
satellite
imaging
time
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
Application number
CN201910647127.5A
Other languages
English (en)
Other versions
CN110633888A (zh
Inventor
孔鹏
徐浩
张强
李晗
何晓宇
颜灵伟
吕伟
张帅
张英辉
邵坤
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 Spacecraft System Engineering
Original Assignee
Beijing Institute of Spacecraft System 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 Spacecraft System Engineering filed Critical Beijing Institute of Spacecraft System Engineering
Priority to CN201910647127.5A priority Critical patent/CN110633888B/zh
Publication of CN110633888A publication Critical patent/CN110633888A/zh
Application granted granted Critical
Publication of CN110633888B publication Critical patent/CN110633888B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Educational Administration (AREA)
  • Genetics & Genomics (AREA)
  • Game Theory and Decision Science (AREA)
  • Physiology (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种基于四层结构遗传算法的多星任务规划方法，构建卫星资源能力模型，明确卫星能力边界。构建遥感需求模型。确定任务周期边界。每个卫星生成遥感任务基因，按照基因可行性约束条件对基因进行筛选调整。每个卫星的遥感任务基因连接起来，组装到单星遥感任务的信息头部，获得单星任务染色体。采用染色体内约束条件对单星染色体内的各基因进行协调调整。所有的单星任务染色体组装起来获得多星方案个体，按照染色体间约束对多星方案个体染色体间的约束调整。针对每个多星方案个体进行子代生成，并选择变异交叉，获得种群，当满足优化阈值的多星方案个体数量超过设定数值，以末代种群中最优的多星方案个体作为多星任务规划方案。

Description

一种基于四层结构遗传算法的多星任务规划方法
技术领域
本发明涉及遥感技术领域，具体涉及一种基于四层结构遗传算法的多星任务规划方法。
背景技术
随着我国在轨遥感卫星不断增加，多星、多目标的遥感任务规划需求不断增加，成为发挥遥感卫星的组网观测体系能力的控制性技术。解决好多星遥感任务规划问题，将为遥感卫星多星组网、多载荷互补、高低轨联合等多种形式的协同观测提供有力支撑。
遗传算法是一种启发式随机搜索算法，具有较好的全局搜索能力。由于遗传算法无需指定各种参数的意义和相互作用关系，仅通过适应度函数值评估个体性能就能够快速地进行迭代优化，从而非常适于解决参数众多、解空间近乎无穷大的多星遥感任务规划问题。
但是，现有遗传算法在多星遥感任务规划中应用形式均为“单染色体-个体- 种群”体制，所有卫星的基因片段都集中在一条染色体上(专利号： CN200910223542.4，专利名称：采用病毒进化遗传算法进行多星任务规划的搜索处理方法，专利权人：北京遥感信息研究所，北京航空航天大学)(运用遗传算法实现多星遥感任务规划，陈健，等，中国宇航学会飞行器测控专业委员会 2005年航天测控技术研讨会)，未充分反映出多星问题特点，难以实现任务在多星间自由分配，不便于基因片段的交叉操作，多星多种约束耦合作用下的调整复杂度高，这些不足最终影响了任务规划方案的优化效果和效率。同时，现有遗传算法解决多星遥感任务规划问题时，适应度函数简单地将各类特征加权后形成单一函数，所能反映的方案特征维度单一，难以提供诸如“覆盖度高”、“机动少”、“成像质量高”、“数传资源均衡”等为侧重点的各类不同优化方案，不利于辅助卫星运控人员决策，这就限制了算法的应用价值。
如何使遗传算法适应多星多种约束耦合作用下的高调整复杂度，又不影响任务规划的优化效果和效率，是目前将传统的遗传算法应用于多星遥感任务规划时亟待解决的问题。
发明内容
有鉴于此，本发明提供了一种基于四层结构遗传算法的多星任务规划方法，能够在保证任务规划的优化效果和效率的前提下，适应多星多种约束耦合作用下的高调整复杂度。
为达到上述目的，本发明的技术方案为一种基于四层结构遗传算法的多星任务规划方法，包括如下步骤：
步骤1、构建卫星资源能力模型，包括卫星的成像能力、工作模式、机动能力、存储能力、能源能力、传输能力、任务管理能力以及使用约束；并以卫星资源能力模型明确卫星的能力边界。
步骤2、构建遥感需求模型，包括遥感需求的目标区域、图像约束要求、观测时间要求、数据回传时间要求以及优先级。
步骤3、确定任务周期边界，并以任务规划周期之初任务周期边界条件建立任务规划初始状态。
步骤4、每个卫星分别生成遥感任务基因，并按照基因可行性约束条件对基因进行筛选调整。
步骤5、将每个卫星的遥感任务基因连接起来，组装到以卫星代号、资源池状态、当前染色体统计信息构成的单星遥感任务的信息头部，获得单星任务染色体。
采用染色体内约束条件对单星染色体内的各基因进行协调调整。
步骤6、将所有的单星任务染色体组装起来获得多星方案个体，统计各单星任务染色体信息汇总为多星方案个体的信息头部，统计各观测任务的完成情况；
按照染色体间约束对多星方案个体染色体间的约束调整。
步骤7、针对每个多星方案个体，按照任务分数系统规则对其中的基因和染色体进行分数计算，并统计获得多星方案个体的总分记录在多星方案个体的信息头部。
步骤8、针对每个多星方案个体进行子代生成，在子代生成过程中，以多星方案个体的总分为依据按照设定的比例划分高分个体和低分个体，选择高分个体并保留到下一代，同时淘汰低分个体。
步骤9、按照基因的变异使能状态和变异率，对各基因进行变异操作，然后按照单星染色体内的约束条件，进行单星染色体内各基因的约束调整。
步骤10、按照染色体的交叉使能状态和交叉率，对不同个体的同一颗星的染色体进行交叉操作，然后采用多星染色体间的约束条件，在多星方案个体内进行多星任务染色体间的约束调整。
步骤11、获得新一代种群，判断新一代种群中满足预设的优化阈值的多星方案个体数量是否超过设定数值，或者是否已达到设定的最大迭代次数，若是，则以当前新一代种群作为末代种群，并从末代种群中筛选最优的多星方案个体作为多星任务规划方案；否则返回步骤7。
进一步地，若卫星为光学遥感卫星，则卫星资源能力模型中，成像能力包括如下参数：全色-谱段范围、全色-分辨率、全色-幅宽、多光谱-谱段范围、多光谱-分辨率以及多光谱-幅宽。
工作模式包括如下参数：点目标、条带目标、多角度、拼幅、沿迹主动推扫和非沿迹主动推扫。
机动能力包括如下参数：机动范围、机动时间、拼幅次数以及拼幅幅宽。
存储能力包括如下参数：存储容量、各工作模式下记录速度以及各工作模式下回放速度。
能源能力包括如下参数：电池容量、发电能力以及各工作模式下耗电功率。
传输能力包括如下参数：对地-通道数、对地-通道速率、对地-极化方式、中继-通道数、中继-通道速率以及中继-极化方式。
任务管理能力包括如下参数：成像任务数量以及回放任务数量。
使用约束包括如下参数：每圈最大成像时间、每天最大成像时间、最大侧摆角、最大俯仰角、最大偏航角、两次任务间隔最短时间、能量平衡最大圈数、放电深度下限、是否允许边机动边成像、是否允许边机动边传输、单次成像最短时间、单次回放最短时间、单次成像最长时间以及单次回放最长时间。
若卫星为微波遥感卫星，则卫星资源能力模型中，成像能力包括如下参数：微波-频率、微波-极化方式、微波-模式-聚束-分辨率、微波-模式-聚束-幅宽、微波-模式-超精细条带-分辨率、微波-模式-超精细条带-幅宽、微波-模式-精细条带 -分辨率、微波-模式-精细条带-幅宽、微波-模式-标准条带-分辨率以及微波-模式 -标准条带-幅宽。
工作模式包括如下参数：点目标、条带目标以及多角度。
机动能力包括如下参数：机动范围以及机动时间。
存储能力包括如下参数：存储容量、各工作模式下记录速度以及各工作模式下回放速度。
能源能力包括如下参数：电池容量、发电能力以及各工作模式下耗电功率。
传输能力包括如下参数：对地-通道数、对地-通道速率、对地-极化方式、中继-通道数、中继-通道速率以及中继-极化方式。
任务管理能力包括如下参数：成像任务数量以及回放任务数量。
使用约束包括如下参数：每圈最大成像时间、每天最大成像时间、最大侧摆角、最大俯仰角、最大偏航角、两次任务间隔最短时间、能量平衡最大圈数、放电深度下限、是否允许边机动边成像、是否允许边机动边传输、单次成像最短时间、单次回放最短时间、单次成像最长时间以及单次回放最长时间。
进一步地，遥感需求模型中，其中目标区域包括如下参数：点目标和区域目标。
图像约束包括如下参数：遥感体制类型、分辨率、光照角度以及观测角度。
观测有效时间包括如下参数：观测的时间范围。
数据回传时间包括如下参数：数据回传的时间范围。
进一步地，任务周期边界条件包括轨道根数、卫星位置、不可用时间、卫星姿态、卫星能源、卫星存储以及传感器状态。
轨道根数的具体条件包括：半长轴、偏心率、倾角、升交点赤经、近地点幅角以及平近点角。
卫星位置的具体条件包括星下点位置。
不可用时间的具体条件包括：卫星的其他任务状态及起止时间。
卫星姿态的具体条件包括：横滚角、俯仰角以及偏航角。
卫星能源的具体条件包括：电池电量。
卫星存储的具体条件包括：未下传数据量。
传感器状态的具体条件包括：开关机状态和模式状态。
进一步地，步骤4中每个卫星的遥感任务基因包括成像任务基因和数据下传任务基因。
成像任务基因由如下基因构成：
使用的成像资源、成像模式、成像范围、任务输入姿态、成像起始姿态、成像终止姿态、任务开始时间、成像开始时间、成像终止时间、能源成本、数据成本、热控成本、涉及的任务、产生的文件编号、观测任务范围云量、成像区视角、成像区太阳高度、成像质量分数、完成任务分数以及本代变异次数。
其中仅使用的成像资源、成像模式、成像范围具备可变异能力，其他均不可变异。
数据下传任务基因包括如下基因：使用的数传通道、开始捕获时间、下传的目标文件、总下传数据量、使用的码率、下传开始时间、下传完成时间、资源释放时间、能源成本、热控成本、完成任务分数以及本代变异次数。
其中仅使用的数传通道、开始捕获时间以及下传的目标文件具备可变异能力，其他均不可变异。
基因可行性约束条件包括如下11种类型：观测时间窗约束、开关机时间长度约束、机动时间约束、动作模式约束、数据传输约束、观测条件约束、任务次序约束、本周期卫星不可用时间、图像需求约束、任务拆分约束以及需求完成度约束。
观测时间窗约束具体约束包括：可见性。
开关机时间长度约束具体约束包括：最短成像时间以及最长成像时间。
机动时间约束具体约束包括：机动速度和机动目标确定的最短任务间隔时间。
动作模式约束具体约束包括：见不同模式要求。
数据传输约束具体约束包括：地面站资源可用弧段、数据传输完整性以及地面站资源传输总带宽。
观测条件约束具体约束包括：天气限制以及光照限制。
任务次序约束具体约束包括：逻辑约束。
本周期卫星不可用时间具体约束包括：不可用时间范围。
图像需求约束具体约束包括：遥感体制类型、分辨率、观测时间范围、光照角度、观测角度以及数据回传时间。
任务拆分约束具体约束包括：是否允许任务多星多次完成以及是否允许任务单星多次完成。
需求完成度约束具体约束包括：成像任务必须涉及需求。
进一步地，卫星代号的具体参数包括：卫星代号。
资源池状态的具体参数包括：存储池本周期初状态、存储池本周期的最差状态、存储池本周期末状态、能源池本周期初状态、能源池本周期的最差状态、能源池本周期末状态、热控池本周期初状态、热控池本周期的最差状态、热控池本周期末状态以及地面数传池本周期本星利用率
当前染色体统计信息包括：累计工作时间、累计机动时间、累计开关机次数、累计产生数据量、累计下传数据量、使用地面站名称、资源池加权分数、累计完成任务分数、累计成像质量分数以及轻松度
染色体内约束条件包括：资源能力约束、开关机时间长度约束、开关机次数约束、成像总时长约束、动作切换时间约束、成像模式切换约束、动作模式约束、数据传输约束、存储约束、能量约束、热控约束、观测条件约束、动作唯一性约束、任务次序约束、本周期卫星不可用时间、任务拆分约束和需求完成度。
资源能力约束具体约束包括：传感器数量。
开关机时间长度约束具体约束包括：最短成像时间和最长成像时间。
开关机次数约束具体约束包括：24小时内开关机次数。
成像总时长约束具体约束包括：24小时内成像总时长或者每圈次成像总时长。
动作切换时间约束具体约束包括：不同模式间切换时间和开关机切换时间。
成像模式切换约束具体约束包括：模式切换次数和模式切换方向
数据传输约束具体约束包括：地面站资源可用弧段、数据传输完整性以及地面站资源传输总带宽。
存储约束具体约束包括：存储容量、文件数量以及规划周期内的数据平衡。
能量约束具体约束包括：蓄电池放电深度和能量平衡。
热控约束具体约束包括：最大热负载和热平衡。
观测条件约束具体约束包括：天气限制和光照限制
动作唯一性约束具体约束包括：逻辑约束
任务次序约束具体约束包括：逻辑约束
本周期卫星不可用时间具体约束包括：不可用时间范围
任务拆分约束具体约束包括：是否允许任务多星多次完成和是否允许任务单星多次完成。
需求完成度约束具体约束包括：成像任务必须涉及需求。
多星方案个体由信息头部和观测任务列表。
信息头部为各染色体信息汇总，包括如下具体参数：规划设计染色体总数、有效染色体数量、总工作时间、总机动时间、总开关机次数、平均资源池加权分数、总完成任务分数、任务覆盖率和平均成像质量分数。
观测任务列表为各观测任务完成情况列表，包括如下具体参数：观测任务 1-完成分数/总分、观测任务1-数传完成分数/数传总分、观测任务1-成像质量系数和观测任务1-拆分数量/完成次数。
多星方案个体染色体间的约束包括：数据传输约束和任务拆分约束。
数据传输约束包括如下具体约束：地面站资源可用弧段、数据传输完整性和地面站资源传输总带宽。
任务拆分约束包括如下具体约束：是否允许任务多星多次完成和是否允许任务单星多次完成。
进一步地，任务分数系统包括订单和订单的转换、观测任务的分数、成像基因的完成任务分数、成像基因的成像质量分数、数传任务的分数和数传基因的完成任务分数。
订单和订单的转换采用如下方法进行分数计算：订单转换成观测任务、一次性观测任务、多次观测订单的转换以及不可转换的多次观测订单。
观测任务的分数采用如下方法进行分数计算：观测任务的面积基础分数、观测任务的次数基础分数、观测任务的优先级以及观测任务的成像质量系数。
成像基因的完成任务分数采用如下方法计算：对一次性观测任务成像以及对不可转换的多次观测任务成像。
成像基因的成像质量分数采用如下方法计算：涉及多个任务、云量系数、视角系数、太阳高度系数、成像质量加权系数和成像质量分数
数传任务的分数采用如下方法计算：数据量基础分数和数据文件的优先级。
数传基因的完成任务分数采用如下方法计算：完成任务分数。
有益效果：
本发明所提供的基于四层结构遗传算法的多星任务规划方法，为增强遗传算法对多星任务规划问题的解决能力，提升遗传算法在多星任务规划问题上的优化效率，可以在原有“单染色体-个体-种群”体制中，加入多星“多染色体”的层级，其中，“单染色体”由同一颗卫星的任务基因拼接构成，“多染色体”是多颗不同卫星的“单染色体”的简单集合，“个体”在“多染色体”基础上进行信息统计和汇总形成多星任务规划方案，“种群”由若干个“个体”汇集而成，由此形成“单染色体-多染色体-个体-种群”的四层结构遗传算法。
该算法中，将单星资源约束和多星任务协调等约束条件解耦合，在“单染色体”层进行单星资源约束，在“多染色体”层进行多星任务协调，解耦了单星约束和多星约束，提供多星间基因片段交叉的基础，在“多染色体”层的不同遥感卫星的染色体之间直接进行任务基因交叉，使任务基因可在不同遥感卫星之间自由流动，形成四层结构遗传算法，能够在保证任务规划的优化效果和效率的前提下，适应多星多种约束耦合作用下的高调整复杂度。
具体实施方式
下面结合实施例，对本发明进行详细描述。
本发明提供了一种基于四层结构遗传算法的多星任务规划方法，包括如下步骤：
步骤1、构建卫星资源能力模型，包括卫星的成像能力、工作模式、机动能力、存储能力、能源能力、传输能力、任务管理能力以及使用约束；并以卫星资源能力模型明确卫星的能力边界。本发明表1给出了一种遥感卫星能力模型的具体实例。
表1遥感卫星能力模型
Figure RE-GDA0002274144260000101
Figure RE-GDA0002274144260000111
Figure RE-GDA0002274144260000121
Figure RE-GDA0002274144260000131
步骤2、构建遥感需求模型，包括遥感需求的目标区域、图像约束要求、观测时间要求、数据回传时间要求以及优先级。本发明实施例中，表2给出了一种遥感需求模型的具体实例。
表2遥感需求模型
Figure RE-GDA0002274144260000132
步骤3、确定任务周期边界，并以任务规划周期之初任务周期边界条件建立任务规划初始状态。
任务周期的边界是多星遥感任务规划的重要输入，它规定了各星的任务规划初始状态，是约束协调、资源调用和平衡等的基础条件。本发明实施例中，表3给出了一种任务周期边界条件的具体实例。
表3任务周期边界条件
Figure RE-GDA0002274144260000141
步骤4、分别生成每个卫星的遥感任务基因，并按照基因可行性约束条件对基因进行筛选调整。
本发明实施例中，表4给出了任务基因的构成的实例，表5给出了基因可信性约束条件的具体实例。
表4任务基因的构成
Figure RE-GDA0002274144260000142
Figure RE-GDA0002274144260000151
Figure RE-GDA0002274144260000161
表5基因可行性约束条件
Figure RE-GDA0002274144260000162
Figure RE-GDA0002274144260000171
步骤5、将每个卫星的遥感任务基因连接起来，组装到以卫星代号、资源池状态、当前染色体统计信息构成的单星遥感任务的信息头部，获得单星任务染色体，采用染色体内约束条件对单星染色体内的各基因进行协调调整。
表6单星任务染色体的构成
Figure RE-GDA0002274144260000172
Figure RE-GDA0002274144260000181
Figure RE-GDA0002274144260000191
表7单星染色体内的约束条件
Figure RE-GDA0002274144260000192
Figure RE-GDA0002274144260000201
步骤6、将所有的单星任务染色体组装起来获得多星方案个体，统计各单星任务染色体信息汇总为多星方案个体的信息头部，统计各观测任务的完成情况，按照染色体间约束对多星方案个体染色体间的约束调整。
表8多星方案个体的构成
Figure RE-GDA0002274144260000211
表9多星染色体间的约束条件
Figure RE-GDA0002274144260000212
Figure RE-GDA0002274144260000221
步骤7、针对每个多星方案个体，按照任务分数系统规则对其中的基因和染色体进行分数计算，并统计获得多星方案个体的总分记录在多星方案个体的信息头部。
表10任务分数系统
Figure RE-GDA0002274144260000222
Figure RE-GDA0002274144260000231
步骤8、针对每个多星方案个体进行子代生成，并以多星方案个体的总分为依据按照设定的比例划分高分个体和低分个体，选择高分个体并保留到下一代，同时淘汰低分个体；并将非淘汰个体纳入接下来的变异与交叉处理中。
步骤9、按照基因的变异是能状态和变异率，对个基因进行变异操作，然后按照单星染色体内的约束条件，进行单星染色体内各基因的约束调整；
步骤10、按照染色体的交叉使能状态和交叉率，对不同个体的同一颗星的染色体进行交叉操作，然后采用多星染色体间的约束条件，在多星方案个体内进行多星任务染色体间的约束调整；
步骤11、获得新一代种群，判断新一代种群中满足预设的优化阈值的多星方案个体数量是否超过设定数值，或者是否已达到设定的最大迭代次数，若是，则以当前新一代种群作为末代种群，并从末代种群中筛选最优的多星方案个体作为多星任务规划方案；否则返回步骤7。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于四层结构遗传算法的多星任务规划方法，其特征在于，包括如下步骤：
步骤1、构建卫星资源能力模型，包括卫星的成像能力、工作模式、机动能力、存储能力、能源能力、传输能力、任务管理能力以及使用约束；并以卫星资源能力模型明确卫星的能力边界；若所述卫星为光学遥感卫星，则所述卫星资源能力模型中，所述成像能力包括如下参数：全色-谱段范围、全色-分辨率、全色-幅宽、多光谱-谱段范围、多光谱-分辨率以及多光谱-幅宽；
所述工作模式包括如下参数：点目标、条带目标、多角度、拼幅、沿迹主动推扫和非沿迹主动推扫；
所述机动能力包括如下参数：机动范围、机动时间、拼幅次数以及拼幅幅宽；
所述存储能力包括如下参数：存储容量、各工作模式下记录速度以及各工作模式下回放速度；
所述能源能力包括如下参数：电池容量、发电能力以及各工作模式下耗电功率；
所述传输能力包括如下参数：对地-通道数、对地-通道速率、对地-极化方式、中继-通道数、中继-通道速率以及中继-极化方式；
所述任务管理能力包括如下参数：成像任务数量以及回放任务数量；
所述使用约束包括如下参数：每圈最大成像时间、每天最大成像时间、最大侧摆角、最大俯仰角、最大偏航角、两次任务间隔最短时间、能量平衡最大圈数、放电深度下限、是否允许边机动边成像、是否允许边机动边传输、单次成像最短时间、单次回放最短时间、单次成像最长时间以及单次回放最长时间；
若所述卫星为微波遥感卫星，则所述卫星资源能力模型中，所述成像能力包括如下参数：微波-频率、微波-极化方式、微波-模式-聚束-分辨率、微波-模式-聚束-幅宽、微波-模式-超精细条带-分辨率、微波-模式-超精细条带-幅宽、微波-模式-精细条带-分辨率、微波-模式-精细条带-幅宽、微波-模式-标准条带-分辨率以及微波-模式-标准条带-幅宽；
所述工作模式包括如下参数：点目标、条带目标以及多角度；
所述机动能力包括如下参数：机动范围以及机动时间；
所述存储能力包括如下参数：存储容量、各工作模式下记录速度以及各工作模式下回放速度；
所述能源能力包括如下参数：电池容量、发电能力以及各工作模式下耗电功率；
所述传输能力包括如下参数：对地-通道数、对地-通道速率、对地-极化方式、中继-通道数、中继-通道速率以及中继-极化方式；
所述任务管理能力包括如下参数：成像任务数量以及回放任务数量；
所述使用约束包括如下参数：每圈最大成像时间、每天最大成像时间、最大侧摆角、最大俯仰角、最大偏航角、两次任务间隔最短时间、能量平衡最大圈数、放电深度下限、是否允许边机动边成像、是否允许边机动边传输、单次成像最短时间、单次回放最短时间、单次成像最长时间以及单次回放最长时间；
步骤2、构建遥感需求模型，包括遥感需求的目标区域、图像约束要求、观测时间要求、数据回传时间要求以及优先级；
所述遥感需求模型中，其中目标区域包括如下参数：点目标和区域目标；
所述图像约束要求包括如下参数：遥感体制类型、分辨率、光照角度以及观测角度；
所述观测时间要求包括如下参数：观测的时间范围；
所述数据回传时间要求包括如下参数：数据回传的时间范围
步骤3、确定任务周期边界，并以任务规划周期之初任务周期边界条件建立任务规划初始状态；所述任务周期边界条件包括轨道根数、卫星位置、不可用时间、卫星姿态、卫星能源、卫星存储以及传感器状态；
所述轨道根数的具体条件包括：半长轴、偏心率、倾角、升交点赤经、近地点幅角以及平近点角；
所述卫星位置的具体条件包括星下点位置；
所述不可用时间的具体条件包括：卫星的其他任务状态及起止时间；
所述卫星姿态的具体条件包括：横滚角、俯仰角以及偏航角；
所述卫星能源的具体条件包括：电池电量；
所述卫星存储的具体条件包括：未下传数据量；
所述传感器状态的具体条件包括：开关机状态和模式状态；
步骤4、每个卫星分别生成遥感任务基因，并按照基因可行性约束条件对基因进行筛选调整；
每个卫星的遥感任务基因包括成像任务基因和数据下传任务基因；
所述成像任务基因由如下基因构成：
使用的成像资源、成像模式、成像范围、任务输入姿态、成像起始姿态、成像终止姿态、任务开始时间、成像开始时间、成像终止时间、能源成本、数据成本、热控成本、涉及的任务、产生的文件编号、观测任务范围云量、成像区视角、成像区太阳高度、成像质量分数、完成任务分数以及本代变异次数；
其中仅使用的成像资源、成像模式、成像范围具备可变异能力，其他均不可变异；
所述数据下传任务基因包括如下基因：使用的数传通道、开始捕获时间、下传的目标文件、总下传数据量、使用的码率、下传开始时间、下传完成时间、资源释放时间、能源成本、热控成本、完成任务分数以及本代变异次数；
其中仅使用的数传通道、开始捕获时间以及下传的目标文件具备可变异能力，其他均不可变异；
所述基因可行性约束条件包括如下11种类型：观测时间窗约束、开关机时间长度约束、机动时间约束、动作模式约束、数据传输约束、观测条件约束、任务次序约束、本周期卫星不可用时间、图像需求约束、任务拆分约束以及需求完成度约束；
所述观测时间窗约束具体约束包括：可见性；
所述开关机时间长度约束具体约束包括：最短成像时间以及最长成像时间；
所述机动时间约束具体约束包括：机动速度和机动目标确定的最短任务间隔时间；
所述动作模式约束具体约束包括：不同动作模式要求；
所述数据传输约束具体约束包括：地面站资源可用弧段、数据传输完整性以及地面站资源传输总带宽；
所述观测条件约束具体约束包括：天气限制以及光照限制；
所述任务次序约束具体约束包括：逻辑约束；
所述本周期卫星不可用时间具体约束包括：不可用时间范围；
所述图像需求约束具体约束包括：遥感体制类型、分辨率、观测时间范围、光照角度、观测角度以及数据回传时间；
所述任务拆分约束具体约束包括：是否允许任务多星多次完成以及是否允许任务单星多次完成；
所述需求完成度约束具体约束包括：成像任务必须涉及需求；
步骤5、将每个卫星的遥感任务基因连接起来，组装到以卫星代号、资源池状态、当前染色体统计信息构成的单星遥感任务的信息头部，获得单星任务染色体；
采用染色体内约束条件对单星染色体内的各基因进行协调调整；
步骤6、将所有的单星任务染色体组装起来获得多星方案个体，统计各单星任务染色体信息汇总为所述多星方案个体的信息头部，统计各观测任务的完成情况；
按照染色体间约束对多星方案个体染色体间的约束调整；
步骤7、针对每个多星方案个体，按照任务分数系统规则对其中的基因和染色体进行分数计算，并统计获得所述多星方案个体的总分记录在所述多星方案个体的信息头部；
步骤8、针对每个多星方案个体进行子代生成，在子代生成过程中，以所述多星方案个体的总分为依据按照设定的比例划分高分个体和低分个体，选择高分个体并保留到下一代，同时淘汰低分个体；
步骤9、按照基因的变异使能状态和变异率，对各基因进行变异操作，然后按照单星染色体内的约束条件，进行单星染色体内各基因的约束调整；
步骤10、按照染色体的交叉使能状态和交叉率，对不同个体的同一颗星的染色体进行交叉操作，然后采用多星染色体间的约束条件，在多星方案个体内进行多星任务染色体间的约束调整；
步骤11、获得新一代种群，判断所述新一代种群中满足预设的优化阈值的多星方案个体数量是否超过设定数值，或者是否已达到设定的最大迭代次数，若是，则以当前新一代种群作为末代种群，并从所述末代种群中筛选最优的多星方案个体作为多星任务规划方案；否则返回步骤7。
2.如权利要求1所述的方法，其特征在于，所述卫星代号的具体参数包括：卫星代号；
所述资源池状态的具体参数包括：存储池本周期初状态、存储池本周期的最差状态、存储池本周期末状态、能源池本周期初状态、能源池本周期的最差状态、能源池本周期末状态、热控池本周期初状态、热控池本周期的最差状态、热控池本周期末状态以及地面数传池本周期本星利用率；
所述当前染色体统计信息包括：累计工作时间、累计机动时间、累计开关机次数、累计产生数据量、累计下传数据量、使用地面站名称、资源池加权分数、累计完成任务分数、累计成像质量分数以及轻松度；
所述染色体内约束条件包括：资源能力约束、开关机时间长度约束、开关机次数约束、成像总时长约束、动作切换时间约束、成像模式切换约束、动作模式约束、数据传输约束、存储约束、能量约束、热控约束、观测条件约束、动作唯一性约束、任务次序约束、本周期卫星不可用时间、任务拆分约束和需求完成度；
资源能力约束具体约束包括：传感器数量；
开关机时间长度约束具体约束包括：最短成像时间和最长成像时间；
开关机次数约束具体约束包括：24小时内开关机次数；
成像总时长约束具体约束包括：24小时内成像总时长或者每圈次成像总时长；
动作切换时间约束具体约束包括：不同模式间切换时间和开关机切换时间；
成像模式切换约束具体约束包括：模式切换次数和模式切换方向；
数据传输约束具体约束包括：地面站资源可用弧段、数据传输完整性以及地面站资源传输总带宽；
存储约束具体约束包括：存储容量、文件数量以及规划周期内的数据平衡；
能量约束具体约束包括：蓄电池放电深度和能量平衡；
热控约束具体约束包括：最大热负载和热平衡；
观测条件约束具体约束包括：天气限制和光照限制；
动作唯一性约束具体约束包括：逻辑约束；
任务次序约束具体约束包括：逻辑约束；
本周期卫星不可用时间具体约束包括：不可用时间范围；
任务拆分约束具体约束包括：是否允许任务多星多次完成和是否允许任务单星多次完成；
需求完成度约束具体约束包括：成像任务必须涉及需求；
所述多星方案个体由信息头部和观测任务列表；
所述信息头部为各染色体信息汇总，包括如下具体参数：规划设计染色体总数、有效染色体数量、总工作时间、总机动时间、总开关机次数、平均资源池加权分数、总完成任务分数、任务覆盖率和平均成像质量分数；
所述观测任务列表为各观测任务完成情况列表，包括如下具体参数：观测任务的完成分数/总分、观测任务的数传完成分数/数传总分、观测任务的成像质量系数和观测任务的拆分数量/完成次数；
所述多星方案个体染色体间的约束包括：数据传输约束和任务拆分约束；
所述数据传输约束包括如下具体约束：地面站资源可用弧段、数据传输完整性和地面站资源传输总带宽；
所述任务拆分约束包括如下具体约束：是否允许任务多星多次完成和是否允许任务单星多次完成。
3.如权利要求1所述的方法，其特征在于，所述任务分数系统包括订单和订单的转换、观测任务的分数、成像基因的完成任务分数、成像基因的成像质量分数、数传任务的分数和数传基因的完成任务分数；
订单和订单的转换采用如下方法进行分数计算：订单转换成观测任务、一次性观测任务、多次观测订单的转换以及不可转换的多次观测订单；
所述观测任务的分数采用如下方法进行分数计算：观测任务的面积基础分数、观测任务的次数基础分数、观测任务的优先级以及观测任务的成像质量系数；
所述成像基因的完成任务分数采用如下方法计算：对一次性观测任务成像以及对不可转换的多次观测任务成像；
所述成像基因的成像质量分数采用如下方法计算：涉及多个任务、云量系数、视角系数、太阳高度系数、成像质量加权系数和成像质量分数
所述数传任务的分数采用如下方法计算：数据量基础分数和数据文件的优先级；
所述数传基因的完成任务分数采用如下方法计算：完成任务分数。
CN201910647127.5A 2019-07-17 2019-07-17 一种基于四层结构遗传算法的多星任务规划方法 Active CN110633888B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910647127.5A CN110633888B (zh) 2019-07-17 2019-07-17 一种基于四层结构遗传算法的多星任务规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910647127.5A CN110633888B (zh) 2019-07-17 2019-07-17 一种基于四层结构遗传算法的多星任务规划方法

Publications (2)

Publication Number Publication Date
CN110633888A CN110633888A (zh) 2019-12-31
CN110633888B true CN110633888B (zh) 2022-07-29

Family

ID=68968982

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910647127.5A Active CN110633888B (zh) 2019-07-17 2019-07-17 一种基于四层结构遗传算法的多星任务规划方法

Country Status (1)

Country Link
CN (1) CN110633888B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111367670B (zh) * 2020-03-03 2024-04-16 北京市遥感信息研究所 遥感卫星地面站网资源申请方法及系统
CN111950880B (zh) * 2020-07-31 2024-03-12 上海卫星工程研究所 一种多星协同任务描述及星上分解处理方法及系统
CN112529241B (zh) * 2020-09-18 2024-06-14 北京空间飞行器总体设计部 一种遥感卫星效费权衡优化方法
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
CN112650292B (zh) * 2020-12-29 2022-04-22 中国计量大学 一种面向工业园区污染源监测的多无人机路径优化方法
CN116629463B (zh) * 2023-07-25 2023-10-13 数字太空(北京)科技股份公司 基于贪心策略的多星遥感任务动态规划方法和装置
CN117910364B (zh) * 2024-03-19 2024-05-24 西安衍舆航天科技有限公司 卫星测控仿真方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101975946B (zh) * 2009-11-23 2013-04-24 北京市遥感信息研究所 采用病毒进化遗传算法进行多星任务规划的搜索处理方法
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
CN109409775B (zh) * 2018-11-14 2020-10-09 中国电子科技集团公司第五十四研究所 一种卫星联合观测任务规划方法
CN109492834A (zh) * 2018-12-26 2019-03-19 航天恒星科技有限公司 基于遗传优化的敏捷卫星任务规划与调度建模方法

Also Published As

Publication number Publication date
CN110633888A (zh) 2019-12-31

Similar Documents

Publication Publication Date Title
CN110633888B (zh) 一种基于四层结构遗传算法的多星任务规划方法
CN112016812B (zh) 多无人机任务调度方法、系统及存储介质
Baek et al. Development of a scheduling algorithm and GUI for autonomous satellite missions
CN107025363A (zh) 一种面向敏捷卫星调度的自适应大邻域搜索方法
CN103744733A (zh) 成像卫星资源调用配置方法
CN115719035B (zh) 一种考虑太阳光约束的单对多星连续掠飞观测轨迹优化方法及系统
Wang et al. Scheduling multiple agile earth observation satellites for oversubscribed targets using complex networks theory
CN111694842A (zh) 一种基于区块链的星群智能协同运控方法及系统
Wu et al. Investigation of a morphing wing solar-powered unmanned aircraft with enlarged flight latitude
Zeng et al. Topology design algorithm for optical inter-satellite links in future navigation satellite networks
Yang et al. Problem A of 9th China trajectory optimization competition: Results found at NUAA
De Florio Performances optimization of remote sensing satellite constellations: a heuristic method
Cohen Automated spacecraft scheduling-the ASTER example
Ross et al. Towers on the peaks of eternal light: Quantifying the available solar power
CN115186178B (zh) 基于步长自适应的敏捷遥感卫星任务解空间搜索方法
Komerath et al. A reversible mid-stratospheric architecture to reduce insolation
Mingjian et al. Flight trajectory optimization of sun-tracking solar aircraft under the constraint of mission region
Parkin A starshot communication downlink
Liu et al. Research on a heterogeneous multi-satellite mission scheduling model for earth observation based on adaptive genetic-tabu hybrid search algorithm
Frank et al. SOFIA's Choice: Scheduling Observations for an Airborne Observatory.
Hui-chcng et al. Solving on agile satellites mission planning based on tabu search-parallel genetic algorithms
Perez Increasing performance of the RQ-20 Puma with photovoltaic cells
Wang et al. Sky survey mission planning based on particle swarm optimization
Xiang et al. Enhanced pigeon inspired optimisation approach for Agile Earth observation satellite scheduling
CN113358126A (zh) 一种导航路线获取方法、装置和系统

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