CN110850893A - 一种基于最大值代价评估的航天器任务规划方法 - Google Patents

一种基于最大值代价评估的航天器任务规划方法 Download PDF

Info

Publication number
CN110850893A
CN110850893A CN201911201480.7A CN201911201480A CN110850893A CN 110850893 A CN110850893 A CN 110850893A CN 201911201480 A CN201911201480 A CN 201911201480A CN 110850893 A CN110850893 A CN 110850893A
Authority
CN
China
Prior art keywords
state
spacecraft
cost
subsystem
planning
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.)
Pending
Application number
CN201911201480.7A
Other languages
English (en)
Inventor
徐瑞
金颢
崔平远
朱圣英
梁子璇
李朝玉
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 Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201911201480.7A priority Critical patent/CN110850893A/zh
Publication of CN110850893A publication Critical patent/CN110850893A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/10Simultaneous control of position or course in three dimensions
    • G05D1/101Simultaneous control of position or course in three dimensions specially adapted for aircraft

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开的一种基于最大值代价评估的航天器任务规划方法,属于航空航天技术领域。本发明实现方法为:根据子系统内部约束特点,综合考虑航天器结构、任务需求、设备状态和航天器能力四项因素,对航天器的构成、资源、分系统功能以及需要满足的各种约束条件进行描述。针对航天器系统约束复杂和系统状态信息互相耦合特点,利用时间线刻画航天器的多个并行子系统,建立子系统内部状态转换图。同时,根据状态之间的约束关系及状态转换代价值构建启发式信息,根据启发式排序结果引导规划搜索方向,输出最终的基于最大值代价评估的任务规划求解结果,即完成航天器任务规划,缩减搜索空间,提高任务规划效率,进而保证航天器任务执行的成功率。

Description

一种基于最大值代价评估的航天器任务规划方法
技术领域
本发明涉及一种航天器任务规划方法,特别涉及实现基于最大值代价评估的航天器任务规划方法,属于航空航天技术领域。
背景技术
航天领域是二十一世纪世界技术发展的主要领域之一。由于航天任务中航天器一般距离地球远、飞行时间长、所处环境不确知等特点,导致航天器的操作和控制存在极大的挑战,例如通信的长时延问题、长期可靠性问题、实时操作问题等。
航天器在轨运行过程中,需要具备能够对一系列科学目标进行规划的能力,即根据空间环境的感知及探测器本身的能力和状态,运用智能规划技术,对若干可供选择的活动及其约束进行推理,生成一组有序的活动序列。当航天器面临执行长期任务的挑战时,复杂的外部环境会成为实现任务目标的阻碍。这些都需要可靠的自主任务规划方法,以避免在缺乏对环境充分认知的情况下做出导致任务失败的决策。
深空一号采用基于启发式调度测试系统(HSTS),它将状态变量描述为时间线的形式,能够对明确的时间概念进行描述,并且算法使用基于约束的规划范式对问题进行求解。深空一号中搜索算法采用深度优先的搜索方式,缺少合适的搜索引导策略,会引发冗余的规划操作,大大增加搜索规划的时间,影响规划求解的效率。
罗塞塔任务使用科学规划(Master Science Plan)软件制定观测方案,保证在动态环境中成功实现任务目标。MSP的局限性在于它的设计目的注重制定灵活的策略保障航天器的安全性,缺少对于搜索技术的深入研究,会增加任务时间,降低规划效率。
发明内容
本发明公开的一种基于最大值代价评估的航天器任务规划方法要解决的技术问题是:提高航天器任务规划中问题搜索和求解速度,在更短的时间内获取合理的规划解,解决规划操作引发的规划效率低下的问题,通过提高规划效率保证航天器任务执行的成功率。
本发明的目的是通过下述技术方案实现的。
本发明公开的一种基于最大值代价评估的航天器任务规划方法,根据子系统内部约束特点,综合考虑航天器结构、任务需求、设备状态和航天器能力四项因素,对航天器的构成、资源、分系统功能以及需要满足的各种约束条件进行描述。针对航天器系统约束复杂和系统状态信息互相耦合特点,利用时间线刻画航天器的多个并行子系统,建立子系统内部状态转换图。同时,根据状态之间的约束关系及状态转换代价值构建启发式信息,根据启发式排序结果引导规划搜索方向,输出最终的基于最大值代价评估的任务规划求解结果,即完成航天器任务规划,缩减搜索空间,提高任务规划效率,进而保证航天器任务执行的成功率。
所述的子系统内部状态转换图指将模型中该子系统内部的状态转换通过图的形式进行表示。状态转换图是带有权值的有向图,节点表示该子系统内部的状态,边连接两个节点A,B,表示状态的转换,即从状态A转换到箭头指向的状态B,边的权值代表转换的代价。
所述的各种约束条件根据实际航天器系统而定,包括因果约束、时间约束和资源约束。
本发明公开的一种基于最大值代价评估的航天器任务规划方法,包括如下步骤:
步骤一:综合考虑航天器结构、任务需求、设备状态和航天器能力四项因素,对航天器的构成、资源、分系统功能以及需要满足的约束条件进行描述。所述的约束条件根据实际航天器系统而定,所述的约束条件包括因果约束、时间约束和资源约束。
针对航天器系统功能复杂和系统约束耦合的特点,利用时间线刻画航天器的多个并行子系统,通过时间线结构及耦合状态信息描述系统的复杂约束及系统间依赖关系,形成时间线描述模型,对各并行子系统的行为随时间的演化进行描述。
步骤二:针对各并行子系统,建立子系统内部状态转换图,状态转换图用于描述各并行子系统内部状态转换规则、搜索各并行子系统内部状态转换路径以及计算各并行子系统内部状态转换的代价值。
各并行子系统分别由一个状态变量进行表示,每个状态变量都由时间线的形式进行描述,各并行子系统对应的状态变量为状态变量A1、状态变量A2、状态变量A3……状态变量An。每个状态变量都存在一个值域,任一状态变量在值域内的任一取值称为状态。
所述的各并行子系统内部状态转换图指将时间线描述模型中该子系统内部的状态转换通过图的形式进行表示。状态转换图是带有权值的有向图,节点表示该子系统内部的状态,边连接两个节点A,B,表示状态的转换,即从状态SA转换到箭头指向的状态SB,边的权值代表转换的代价值。通过建立子系统状态转换图,搜索各并行子系统内部状态转换路径,计算各并行子系统内部状态转换的代价值。所述的建立各并行子系统状态转换图具体是指将各状态变量的值域中所有取值状态Sn1,状态Sn2……状态Snn作为对应的子系统状态转换图的节点,用有向边箭头的指向表示状态的转换,通过边的权值表示转换的代价值。
所述的子系统内部状态S1到状态S2转换代价值的计算方法为:根据状态转换图,搜索图中所有状态S1到状态S2的路径,然后将转换路径涉及的所有边上的权值求和计算出每条路径的转换代价值,并选取其中最小的代价值作为从状态S1转换到状态S2的代价值cost(S1,S2)。
所述的转换边上的权值信息的计算方法为:根据状态转换图,选取两相邻状态SA和状态SB,状态SA到状态SB的转换条件为状态SC1,状态SC2,……状态SCk,其中状态SA和状态SB属于时间线TL0,状态SC1属于时间线TL1,状态SC2属于时间线TL2,……状态SCk属于时间线TLk,且时间线TL1上存在初始状态SI1,时间线TL2上存在初始状态SI2,……时间线TLk上存在初始状态SIk。实现转换条件状态SC1的代价为时间线TL1上状态SI1到状态SC1的转换代价值,实现转换条件状态SC2的代价为时间线TL2上状态SI2到状态SC2的转换代价值,……实现转换条件状态SCk的代价为时间线TLk上状态SIk到状态SCk的转换代价值。则连接状态SA节点到状态SB节点的边的权值为实现所有转换条件状态SC1,状态SC2,……状态SCk的代价中的最大值。
步骤三:选用规划空间搜索作为基本的搜索策略,根据步骤一的约束条件及步骤二得到的状态转换代价值构建启发式信息,根据启发式排序结果引导规划搜索方向,输出最终的基于最大值代价评估的任务规划求解结果,即完成航天器任务规划,缩减搜索空间,提高任务规划效率。
步骤3.1:选取任务目标状态集合中一个目标状态Sg1,根据目标状态自身约束及目标状态之间耦合约束关系,对目标状态Sg1的所有候选约束状态集合的启发式值进行计算。
所述启发式值的计算方法为:目标状态Sg1其中的一个候选约束状态集合中所有状态表示为Sg1 1,Sg1 2……Sg1 n;每个状态都对应自己的时间线,每个状态对应自己的时间线包括如下两种方式:方式一、每个状态对应一个时间线;方式二、两个以上的状态对应同一个时间线;每个状态在自己的时间线上都能够找到初始状态Sg1 1a,Sg1 2a……Sg1 na;状态Sg1 1a,Sg1 2a……Sg1 na到状态Sg1 1,Sg1 2……Sg1 n的转换代价值为cost(Sg1 1a,Sg1 1),cost(Sg1 2a,Sg1 2)……cost(Sg1 na,Sg1 n),则目标状态Sg1该候选约束集合的启发式值hC1(Sg1)为,
hC1(Sg1)=max(cost(Sg1 1a,Sg1 1),cost(Sg1 2a,Sg1 2),…cost(Sg1 na,Sg1 n));
步骤3.2:选取步骤3.1的目标状态Sg1启发式值最小的候选约束状态集合Cj,将集合Cj中所有状态加入任务目标状态集合。
步骤3.3:将目标状态Sg1添加到其所属时间线上,并在目标状态集合中删除状态Sg1
步骤3.4:迭代处理步骤3.1至步骤3.3,进行规划搜索,直到目标状态集合为空,输出最终的启发式任务规划求解结果,即完成航天器任务规划,缩减搜索空间,提高任务规划效率。
还包括步骤四:在步骤一至步骤三航天器任务规划基础上,高效地得到航天器任务规划序列,通过航天器任务规划序列保证航天器任务执行的成功率。
有益效果:
1、针对航天器系统功能复杂和约束耦合的特点,本发明公开的一种基于最大值代价评估的航天器任务规划方法,利用时间线结构描述航天器的多个并行子系统,并根据其内部状态转换规则,建立子系统内部状态转换图,计算子系统内部状态转换的代价值,确定状态转换路径,减少无效的规划节点,提高任务规划求解效率。
2、原有航天器任务规划方法虽然能够进行问题求解,但是带有大量冗余操作和不必要的节点回溯,本发明公开的一种基于最大值代价评估的航天器任务规划方法,根据状态之间的约束关系及状态转换代价值构建启发式信息,根据启发式排序结果引导规划搜索方向,缩减搜索空间,使得航天器任务规划方法能够在更短时间内获取合理的规划解,即高效地得到航天器任务规划序列,提高任务规划求解效率。
附图说明:
图1是本发明公开的一种基于最大值代价评估的航天器任务规划方法流程图;
图2是基本规划算法和启发式任务规划算法中不同规划任务的求解时间情况。图中:实线表示基本规划算法不同规划任务规划求解时间变化曲线,虚线表示基于最大值代价评估的规划算法在不同规划任务规划求解时间变化曲线。
具体实施方式
为了更好地说明本发明的目的和优点,下面通过对航天器系统进行建模,并给定测试任务为任务I,如图2所示,针对模型对基于最大值代价评估的航天器任务规划方法进行实际应用,对本发明做出详细解释。
实施例1:
如图1所示,本实施例公开的一种基于最大值代价评估的航天器任务规划方法,具体实现步骤如下:
步骤一:综合考虑航天器结构、任务需求、设备状态和航天器能力四项因素,对航天器的构成、资源、分系统功能以及需要满足的约束条件(因果约束、时间约束和资源约束)。
针对航天器系统功能复杂和系统约束耦合的特点,利用时间线刻画航天器的多个并行子系统,通过时间线结构及耦合状态信息描述系统的复杂约束及系统间依赖关系,形成时间线描述模型,对各并行子系统的行为随时间的演化进行描述。本实施例具体选取的子系统如下表所示。
表1各子系统名称及对应状态数量
Figure BDA0002295994490000041
Figure BDA0002295994490000051
步骤二:针对各并行子系统,建立子系统内部状态转换图,状态转换图用于描述各并行子系统内部状态转换规则、搜索各并行子系统内部状态转换路径以及计算各并行子系统内部状态转换的代价值。
各并行子系统分别由一个状态变量进行表示,每个状态变量都由时间线的形式进行描述,各并行子系统对应的状态变量为状态变量A1、状态变量A2、状态变量A3……状态变量An。每个状态变量都存在一个值域,任一状态变量在值域内的任一取值称为状态;例如采样设备子系统由一个状态变量A采样表示,状态变量A采样的值域包含四个状态,分别为卸载状态S、装填状态S、采样状态S和空闲状态S
所述的各并行子系统内部状态转换图指将模型中该子系统内部的状态转换通过图的形式进行表示。状态转换图是带有权值的有向图,本实施例根据采样设备子系统内部状态转换,建立采样设备子系统的状态转换图:卸载状态S、装填状态S、采样状态S和空闲状态S为状态转换图的四个节点。卸载状态S到采样状态S的转换、采样状态S到装填状态S的转换、装填状态S到空闲状态S的转换和空闲状态S到卸载状态S的转换为状态转换图的四条边,边的权值代表转换的代价值。通过建立采样设备子系统状态转换图,搜索采样子系统内部状态转换路径,计算采样设备子系统内部状态转换的代价值。
所述的采样设备子系统内部卸载状态S到空闲状态S转换代价值的计算方法为:根据状态转换图,搜索图中所有卸载状态S到空闲状态S的路径,然后将转换路径涉及的所有边上的权值求和计算出每条路径的转换代价值,并选取其中最小的代价值作为从卸载状态S到空闲状态S的代价值cost(S,S)。采样设备子系统其他任意两状态之间状态转换代价值的计算方法与卸载状态S到空闲状态S的计算方法相同。
所述的转换边上的权值信息的计算方法为:根据采样设备子系统状态转换图,选取两相邻状态卸载状态S和采样状态S,卸载状态S和采样状态S的转换条件为拍照状态S和停留状态S,其中卸载状态S和采样状态S属于采样设备时间线TL采样,拍照状态S属于相机时间线TL相机,停留状态S属于导航时间线TL导航,且相机时间线TL相机上存在关机状态S关机为初始状态,导航时间线TL导航上存在待机状态S待机为初始状态。实现转换条件拍照状态S的代价为相机时间线TL相机上关机状态S关机到拍照状态S的转换代价值cost(S关机,S)=4,实现转换条件停留状态S的代价为导航时间线TL导航上待机状态S待机到停留状态S的转换代价值cost(S待机,S)=2。则连接卸载状态S节点到采样状态S节点的边的权值为实现两个转移条件代价中的最大值4。采样设备子系统其他各边的权值的计算方法与卸载状态S到采样状态S的转换边的权值计算方法相同,得到其他各边的权值分别为:采样状态S到装填状态S的转换边权值为2、装填状态S到空闲状态S的转换边权值为1以及空闲状态S到卸载状态S的转换边权值为2。则采样设备子系统各状态转换代价值如表2所示。
表2采样设备子系统各状态转换代价值
状态名称 卸载状态S<sub>卸</sub> 采样状态S<sub>采</sub> 装填状态S<sub>装</sub> 空闲状态S<sub>空</sub>
卸载状态S<sub>卸</sub> cost(S<sub>卸</sub>,S<sub>卸</sub>)=0 cost(S<sub>卸</sub>,S<sub>采</sub>)=4 cost(S<sub>卸</sub>,S<sub>装</sub>)=6 cost(S<sub>卸</sub>,S<sub>空</sub>)=9
采样状态S<sub>采</sub> cost(S<sub>采</sub>,S<sub>卸</sub>)=7 cost(S<sub>采</sub>,S<sub>采</sub>)=0 cost(S<sub>采</sub>,S<sub>装</sub>)=2 cost(S<sub>采</sub>,S<sub>空</sub>)=5
装填状态S<sub>装</sub> cost(S<sub>装</sub>,S<sub>卸</sub>)=5 cost(S<sub>装</sub>,S<sub>采</sub>)=9 cost(S<sub>装</sub>,S<sub>装</sub>)=0 cost(S<sub>装</sub>,S<sub>空</sub>)=3
空闲状态S<sub>空</sub> cost(S<sub>空</sub>,S<sub>卸</sub>)=2 cost(S<sub>空</sub>,S<sub>采</sub>)=6 cost(S<sub>空</sub>,S<sub>装</sub>)=8 cost(S<sub>空</sub>,S<sub>空</sub>)=0
步骤三:选用规划空间搜索作为基本的搜索策略,根据步骤一的约束条件及步骤二得到的状态转换代价值构建启发式信息,根据启发式排序结果引导规划搜索方向,输出最终的基于最大值代价评估的任务规划求解结果,即完成航天器任务规划,缩减搜索空间,提高任务规划效率。
步骤3.1:选取任务目标状态集合中一个目标状态——加热状态S,根据加热状态S自身约束及目标状态之间耦合约束关系,对加热状态S的所有候选约束状态集合C1和C2的启发式值进行计算。集合C1包含采样状态S,集合C2包含卸载状态S
所述启发式值的计算方法为:加热状态S其中一个候选约束状态集合C1中的状态为采样状态S;采样状态S对应的时间线为采样设备时间线;在采样设备时间线上,采样状态S的初始状态为空闲状态S;空闲状态S到采样状态S的转换代价值为cost(S,S),则加热状态S该候选约束集合的启发式值hC1(S)为,
hC1(S)=cost(S,S)=6;
候选约束状态集合C2的启发式值计算方法与候选约束状态集合C1相同,则候选约束集合C2的启发式值为hC2(S)=2。
步骤3.2:选取步骤3.1的加热状态S启发式值最小的候选约束状态集合,根据步骤3.1计算可得
hC1(S)=6>hC2(S)=2
故选取候选约束集合C2,将卸载状态S加入目标状态集合。
步骤3.3:将加热状态S添加到其所属采样实验时间线上,并在目标状态集合中删除加热状态S
步骤3.4:迭代处理步骤3.1-步骤3.3,进行规划搜索,直到目标状态集合为空,输出最终的启发式任务规划求解结果,这里得到的采样设备时间线的状态序列如表3所示,其他七个子系统与采样设备子系统相同,能够通过规划得到相应时间线的状态序列,即完成航天器任务规划,缩减搜索空间,提高任务规划效率。
表3采样设备时间线状态序列
Figure BDA0002295994490000071
还包括步骤四:在步骤一至步骤三航天器任务规划基础上,高效地得到航天器任务规划序列,进而保证航天器任务执行的成功率。
通过上述步骤,使用基于最大值代价评估的航天器任务规划方法得到规划结果的时间为51580ms,使用基本的航天器任务规划方法得到规划结果的时间为82298ms。通过比较表明,子系统内部状态转换代价值的计算,能够引导状态转换路径,减少无效的规划节点,削减问题搜索空间,并且设计的基于最大值代价评估的启发式能够有效避免冗余的规划步骤,提高规划的效率,所以使用基于最大值代价评估的航天器任务规划方法得到规划结果的时间要少于使用基本的航天器任务规划方法得到规划结果的时间。所述的结果均是在给定测试任务I的情况下得到的。在其他测试任务下使用基于最大值代价评估的航天器任务规划方法得到规划结果的时间和使用基本的航天器任务规划方法得到规划结果的时间对比如图2所示。
所述的基本的航天器任务规划方法为不建立状态转换图,也不使用基于最大值代价评估的航天器任务规划方法。
以上所述的具体描述,对发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例,用于解释本发明,并不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,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于最大值代价评估的航天器任务规划方法,其特征在于:包括如下步骤:
步骤一:综合考虑航天器结构、任务需求、设备状态和航天器能力四项因素,对航天器的构成、资源、分系统功能以及需要满足的约束条件进行描述;所述的约束条件根据实际航天器系统而定,所述的约束条件包括因果约束、时间约束和资源约束;
步骤二:针对各并行子系统,建立子系统内部状态转换图,状态转换图用于描述各并行子系统内部状态转换规则、搜索各并行子系统内部状态转换路径以及计算各并行子系统内部状态转换的代价值;
步骤三:选用规划空间搜索作为基本的搜索策略,根据步骤一的约束条件及步骤二得到的状态转换代价值构建启发式信息,根据启发式排序结果引导规划搜索方向,输出最终的基于最大值代价评估的任务规划求解结果,即完成航天器任务规划,缩减搜索空间,提高任务规划效率。
2.如权利要求1所述的一种基于最大值代价评估的航天器任务规划方法,其特征在于:还包括步骤四:在步骤一至步骤三航天器任务规划基础上,高效地得到航天器任务规划序列,通过航天器任务规划序列保证航天器任务执行的成功率。
3.如权利要求1或2所述的一种基于最大值代价评估的航天器任务规划方法,其特征在于:步骤一实现方法为,
针对航天器系统功能复杂和系统约束耦合的特点,利用时间线刻画航天器的多个并行子系统,通过时间线结构及耦合状态信息描述系统的复杂约束及系统间依赖关系,形成时间线描述模型,对各并行子系统的行为随时间的演化进行描述。
4.如权利要求3所述的一种基于最大值代价评估的航天器任务规划方法,其特征在于:步骤二实现方法为,
各并行子系统分别由一个状态变量进行表示,每个状态变量都由时间线的形式进行描述,各并行子系统对应的状态变量为状态变量A1、状态变量A2、状态变量A3……状态变量An;每个状态变量都存在一个值域,任一状态变量在值域内的任一取值称为状态;
所述的各并行子系统内部状态转换图指将时间线描述模型中该子系统内部的状态转换通过图的形式进行表示;状态转换图是带有权值的有向图,节点表示该子系统内部的状态,边连接两个节点A,B,表示状态的转换,即从状态SA转换到箭头指向的状态SB,边的权值代表转换的代价值;通过建立子系统状态转换图,搜索各并行子系统内部状态转换路径,计算各并行子系统内部状态转换的代价值;所述的建立各并行子系统状态转换图具体是指将各状态变量的值域中所有取值状态Sn1,状态Sn2……状态Snn作为对应的子系统状态转换图的节点,用有向边箭头的指向表示状态的转换,通过边的权值表示转换的代价值;
所述的子系统内部状态S1到状态S2转换代价值的计算方法为:根据状态转换图,搜索图中所有状态S1到状态S2的路径,然后将转换路径涉及的所有边上的权值求和计算出每条路径的转换代价值,并选取其中最小的代价值作为从状态S1转换到状态S2的代价值cost(S1,S2);
所述的转换边上的权值信息的计算方法为:根据状态转换图,选取两相邻状态SA和状态SB,状态SA到状态SB的转换条件为状态SC1,状态SC2,……状态SCk,其中状态SA和状态SB属于时间线TL0,状态SC1属于时间线TL1,状态SC2属于时间线TL2,……状态SCk属于时间线TLk,且时间线TL1上存在初始状态SI1,时间线TL2上存在初始状态SI2,……时间线TLk上存在初始状态SIk;实现转换条件状态SC1的代价为时间线TL1上状态SI1到状态SC1的转换代价值,实现转换条件状态SC2的代价为时间线TL2上状态SI2到状态SC2的转换代价值,……实现转换条件状态SCk的代价为时间线TLk上状态SIk到状态SCk的转换代价值;则连接状态SA节点到状态SB节点的边的权值为实现所有转换条件状态SC1,状态SC2,……状态SCk的代价中的最大值。
5.如权利要求4所述的一种基于最大值代价评估的航天器任务规划方法,其特征在于:步骤三实现方法为,
步骤3.1:选取任务目标状态集合中一个目标状态Sg1,根据目标状态自身约束及目标状态之间耦合约束关系,对目标状态Sg1的所有候选约束状态集合的启发式值进行计算;
所述启发式值的计算方法为:目标状态Sg1其中的一个候选约束状态集合中所有状态表示为Sg1 1,Sg1 2……Sg1 n;每个状态都对应自己的时间线,每个状态对应自己的时间线包括如下两种方式:方式一、每个状态对应一个时间线;方式二、两个以上的状态对应同一个时间线;每个状态在自己的时间线上都能够找到初始状态Sg1 1a,Sg1 2a……Sg1 na;状态Sg1 1a,Sg1 2a……Sg1 na到状态Sg1 1,Sg1 2……Sg1 n的转换代价值为cost(Sg1 1a,Sg1 1),cost(Sg1 2a,Sg1 2)……cost(Sg1 na,Sg1 n),则目标状态Sg1该候选约束集合的启发式值hC1(Sg1)为,
hC1(Sg1)=max(cost(Sg1 1a,Sg1 1),cost(Sg1 2a,Sg1 2),…cost(Sg1 na,Sg1 n));
步骤3.2:选取步骤3.1的目标状态Sg1启发式值最小的候选约束状态集合Cj,将集合Cj中所有状态加入任务目标状态集合;
步骤3.3:将目标状态Sg1添加到其所属时间线上,并在目标状态集合中删除状态Sg1
步骤3.4:迭代处理步骤3.1至步骤3.3,进行规划搜索,直到目标状态集合为空,输出最终的启发式任务规划求解结果,即完成航天器任务规划,缩减搜索空间,提高任务规划效率。
CN201911201480.7A 2019-11-29 2019-11-29 一种基于最大值代价评估的航天器任务规划方法 Pending CN110850893A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911201480.7A CN110850893A (zh) 2019-11-29 2019-11-29 一种基于最大值代价评估的航天器任务规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911201480.7A CN110850893A (zh) 2019-11-29 2019-11-29 一种基于最大值代价评估的航天器任务规划方法

Publications (1)

Publication Number Publication Date
CN110850893A true CN110850893A (zh) 2020-02-28

Family

ID=69606464

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911201480.7A Pending CN110850893A (zh) 2019-11-29 2019-11-29 一种基于最大值代价评估的航天器任务规划方法

Country Status (1)

Country Link
CN (1) CN110850893A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112241177A (zh) * 2020-11-06 2021-01-19 北京理工大学 基于时间线状态路标的启发式航天器任务规划方法
CN112348361A (zh) * 2020-11-06 2021-02-09 北京理工大学 基于状态转移路径重构的启发式航天器任务规划方法
CN112859603A (zh) * 2021-01-07 2021-05-28 北京理工大学 航天器灵活任务规划序列鲁棒执行方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160299507A1 (en) * 2015-04-08 2016-10-13 University Of Maryland, College Park Surface vehicle trajectory planning systems, devices, and methods
CN106203634A (zh) * 2016-07-20 2016-12-07 广东工业大学 一种基于因果图启发式的并行概率规划方法
CN109002914A (zh) * 2018-07-11 2018-12-14 广东工业大学 一种融合随机算法和启发式规划的生产调度方法及装置
CN109343554A (zh) * 2018-11-02 2019-02-15 北京理工大学 一种基于状态转换代价值的启发式航天器任务规划方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160299507A1 (en) * 2015-04-08 2016-10-13 University Of Maryland, College Park Surface vehicle trajectory planning systems, devices, and methods
CN106203634A (zh) * 2016-07-20 2016-12-07 广东工业大学 一种基于因果图启发式的并行概率规划方法
CN109002914A (zh) * 2018-07-11 2018-12-14 广东工业大学 一种融合随机算法和启发式规划的生产调度方法及装置
CN109343554A (zh) * 2018-11-02 2019-02-15 北京理工大学 一种基于状态转换代价值的启发式航天器任务规划方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
RUI XU 等: "Effective search strategy via internal state transition graphs on onboard planning for deep space probes", 《ACTA ASTRONAUTICA》 *
李晋丽: "基于因果图的启发式规划研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
王晓晖 等: "深空探测器约束简化与任务规划方法研究", 《宇航学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112241177A (zh) * 2020-11-06 2021-01-19 北京理工大学 基于时间线状态路标的启发式航天器任务规划方法
CN112348361A (zh) * 2020-11-06 2021-02-09 北京理工大学 基于状态转移路径重构的启发式航天器任务规划方法
CN112348361B (zh) * 2020-11-06 2023-01-24 北京理工大学 基于状态转移路径重构的启发式航天器任务规划方法
CN112859603A (zh) * 2021-01-07 2021-05-28 北京理工大学 航天器灵活任务规划序列鲁棒执行方法
CN112859603B (zh) * 2021-01-07 2022-02-22 北京理工大学 航天器灵活任务规划序列鲁棒执行方法

Similar Documents

Publication Publication Date Title
CN107562066B (zh) 一种航天器多目标启发式排序任务规划方法
CN110850893A (zh) 一种基于最大值代价评估的航天器任务规划方法
CN112241177B (zh) 基于时间线状态路标的启发式航天器任务规划方法
CN113346944B (zh) 空天地一体化网络中时延最小化计算任务卸载方法及系统
CN109343554B (zh) 一种基于状态转换代价值的启发式航天器任务规划方法
CN104504520B (zh) 一种基于神经网络的深空探测器自主任务规划方法
CN104408589A (zh) 基于混合粒子群算法的agv优化调度方法
CN110688754A (zh) 一种作战体系架构建模与最优搜索方法
CN105760652B (zh) 一种基于约束可满足技术的深空探测自主任务规划方法
CN113176732A (zh) 一种非线性随机多智能体系统固定时间一致控制方法
CN114019983A (zh) 面向多任务点的无人艇协同路径规划方法
Wen et al. Scheduling single-satellite observation and transmission tasks by using hybrid Actor-Critic reinforcement learning
CN112348361B (zh) 基于状态转移路径重构的启发式航天器任务规划方法
CN114139776B (zh) 一种基于认知图谱的深空探测任务规划方法及系统
Hongyun et al. Multi-goal path planning algorithm for mobile robots in grid space
Undurti et al. A decentralized approach to multi-agent planning in the presence of constraints and uncertainty
CN116582836A (zh) 一种任务卸载与资源分配方法、设备、介质和系统
CN109447525B (zh) 多星部署上面级启发式任务规划方法
Giovanini et al. Autonomous and decentralized mission planning for clusters of UUVs
Grishko et al. Principles of mathematical logic for multi-agent control of intellectual mobile objects and systems in the dynamic environment
Xu et al. Heuristic routing algorithm toward scalable distributed generalized assignment problem
CN115959305A (zh) 一种基于时序路标的启发式航天器任务规划方法和装置
CN107480375B (zh) 一种基于空动作的深空探测约束可满足任务规划方法
Ramos et al. Sample-efficient on-policy imitation learning from observations
CN117035259B (zh) 基于多层神经网络的任务与卫星平台关联映射方法和系统

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200228