CN111313957B - 基于分类多目标优化的混合卫星通信系统资源分配方法 - Google Patents

Abstract

本发明公开了一种基于分类多目标优化的混合卫星通信系统资源分配方法，步骤为：首先根据申请业务载波类型选择资源分配的多目标条件；其次将多目标条件进行互斥性分类；基于层次分析法生成不同互斥类中多目标的主观权重；基于信息熵生成不同互斥类中多目标的客观权重；生成互斥类中多目标条件的组合权重；构建帕利托优化模型；利用粒子群优化算法进行多目标优化求解，获得帕利托最优解；最后根据优化结果进行资源分配。本发明在充分考虑FDMA、MF‑TDMA卫星通信载波特征的基础上，通过不同载波类型的约束条件进行互斥性分类后再进行多目标联合优化，从而实现FDMA/MF‑TDMA混合卫星通信系统资源的合理分配。

Description

基于分类多目标优化的混合卫星通信系统资源分配方法

技术领域

本发明属于卫星通信技术领域，尤其涉及一种卫星资源的分配方法。

背景技术

FDMA、MF-TDMA是卫星通信系统最常用的多址接入技术，被广泛的应用在不同的卫星通信系统中。当前，为了适应不同用户的不同组网应用需求，大量的卫星通信系统中往往同时并存FDMA、MF-TDMA两种多址接入方式，这种系统我们称之为FDMA/MF-TDMA混合卫星通信系统。在FDMA/MF-TDMA混合卫星通信系统，由于FDMA载波和MF-TDMA载波的不同特点，导致对两种载波分配卫星资源时存在不同的多种目标条件，如果将两种载波同时分配同一个转发器内则将增加新的目标条件，这些多目标条件使得FDMA/MF-TDMA混合卫星通信系统的资源分配变得非常复杂。尤其是当目标条件大于3个时，资源分配的综合优化将变得非常困难。因此，目前的实际系统中往往是人工进行简化计算和分配，并没有真正在多目标条件下开展综合优化分配工作。

发明内容

针对上述问题，本发明提供了一种基于分类多目标优化的混合卫星通信系统资源分配方法，通过将混合卫星通信系统的多目标条件进行互斥性分类，构建帕利托(Pareto)优化模型，基于多目标条件的组合权重，利用粒子群优化方法求得帕利托最优的资源分配方法。

本发明方法的具体步骤为：

1、根据申请业务载波类型选择资源分配的多目标集合；

混合卫星通信系统中的业务载波类型分为FDMA和MF-TDMA两类，当卫星接收到业务申请时，首先对其所属载波类型进行判断，进而在资源分配目标池P中选择与载波类型对应的多个优化目标，形成多目标条件集合

2、将多目标条件进行互斥性分类；

在进行卫星资源分配时，改变分配资源属性将导致多目标集合中的部分目标值升高而其余目标值降低，即多目标之间存在竞争关系，基于此竞争关系，将多目标集合G划分为两个互斥性分类C₁＝{g₁ ¹,g₂ ¹,…,g_m ¹}和C₂＝{g₁ ²,g₂ ²,…,g_n ²}，其中，C₁∪C₂＝G,

g_i ¹为互斥类C₁中的目标，g_j ²为互斥类C₂中的目标，m、n分别为C₁、C₂类中的目标数量。多目标之间的竞争关系是指，在多目标集合G中，改变解的取值，部分目标值将趋向于更优，而其他目标值将趋于更劣。

3、基于层次分析法生成不同互斥类中多目标的主观权重；

(1)根据多目标条件的互斥性分类，构建评估指标体系；

对卫星通信系统资源分配的优化问题进行结构化分析，以完成资源分配的优化为第一层，两个互斥类为第二层，互斥类所包含的多目标条件为第三层，形成多目标条件三层评估指标体系。

(2)构造互斥类中多目标条件的两两判断矩阵；

对第三层两个互斥类对应目标集合的各项内容进行两两对比，判断两目标之间的相对重要程度，构造判断矩阵：

其中，B₁、B₂分别为互斥类C₁、C₂对应的第三层目标判决矩阵，矩阵中的元素g_ij为第i项指标相对于第j项的重要程度，若第i项与第j项的重要程度相同，则g_ij＝1，若第i项比第j项的重要程度稍强，则g_ij＝3，若第i项比第j项的重要程度强，则g_ij＝5，若第i项比第j项的重要程度明显更，则g_ij＝7，若第i项比第j项的重要程度绝对的更强，则g_ij＝9，若第i项相对于第j项的重要程度介于上述相邻等级之间，则g_ij分别取2、4、6、8，且g_ij×g_ji＝1，g_ii＝1。

(3)对各判断矩阵求解特征值，获得对应指标主观权重；

对判决矩阵B₁和B₂分别求解特征值，得到特征值向量分别为

和

即为多目标的主观权重。

4、基于信息熵生成不同互斥类中多目标的客观权重；

(1)根据评估指标体系分层建立决策表，计算条件信息熵；

根据评估指标体系，针对两个互斥类对应的多目标条件分别建立决策表S＝(U,A,V,f)，其中U表示非空有限集合，即互斥类中的多目标集合，A为非空属性集合，即U中目标条件的属性集合，由非空条件属性集合C和非空决策属性集合D构成，C∪D＝A，

V表示属性值域，f为f:U×A→V的映射函数，在决策表S中，令D＝{Y₁,Y₂,…,Y_k}，C＝{X₁,X₂,…,X_l}，则条件信息熵I(D|C)表示为：

其中，i＝1,2,…,l，j＝1,2,…,k，Y₁,Y₂,…,Y_k为D中的元素，k为D中元素的总数量，X₁,X₂,…,X_l为C中的元素，l为C中元素的总数量。

(2)计算条件属性重要度，条件属性重要度表示为

Sig(c)＝I(D|C-{c})-I(D|C)+I(D|{c})

其中，c为条件属性，

(3)确定各层指标的客观权重，分别计算每个多目标条件的权重：

其中，c_i、c_j分别为条件属性集中第i、j个条件，i＝1,2,…,L、j＝1,2,…,L，L为条件属性集合中条件属性的数量，即指标数量；设定两个互斥类对应属性层的客观权重分别为

其中

表示第j个互斥类中第i个目标条件的客观权重值。

5、生成互斥类中多目标条件的组合权重；

将主观权重λ_Bi及客观权重γ_Bi进行组合，并进行标准化处理，具体公式为：

其中，j代表互斥类序号，i和r代表互斥类中目标条件的序号，R代表第j个互斥类中多目标总数，从而得到互斥类C₁和C₂中多目标条件的组合权重，

其中，W_B1、W_B2为互斥类C₁、C₂的组合权重集合，且

6、根据互斥类构建帕利托优化模型；

利用多目标条件的组合权重，将多目标条件映射到两个互斥分类的函数值上，得到帕利托优化模型：

其中，C¹、C²分别为两个互斥分类的目标函数值。

7、利用粒子群优化算法进行多目标优化求解，获得帕利托最优解：

(1)设定粒子总数量为q，随机初始化种群中各粒子的位置和速度参数(x,v)；

设定业务所分配的卫星通信资源共有h项参数，则粒子在h维空间中搜索帕利托最优解，其位置和速度参数(x,v)均为h维空间中的矢量，对于第i个粒子，x_i＝{x_i1,x_i2,…,x_ih}，x_ij为第j维的位置坐标，即第j项资源参数；同理v_i＝{v_i1,v_i2,…,v_ih}，v_ij表示参数x_ij的变化速度；在初始化过程中，随机生成各粒子的初始位置参数和速度参数。

(2)计算帕利托解集(C¹,C²)，将各粒子的位置参数存入个体最优位置χ中，χ_i＝{χ_i1,χ_i2,…,χ_ih}，χ_ij等于第i个粒子个体最优解的第j个位置参数，选择靠近Pareto-front方向的解，并存入群体最优位置集中；

其中，计算帕利托解集(C¹,C²)的方法为：互斥类中多目标条件的函数值，由业务所分配的卫星通信资源参数决定，即g_i ^j＝f_i ^j(x₁,x₂,…x_h)，其中

表示第j个互斥类中第i个目标条件的函数值，由此可计算获得位置x对应的各目标条件函数值，代入帕利托优化模型，得到位置x的帕利托解，遍历所有粒子，即得到帕利托解集(C¹,C²)。

其中，选择靠近Pareto-front方向的解，具体为：

Pareto-front由帕利托解集中的非支配解组成，满足无法在优化某一目标函数值的同时不导致其他目标函数值劣化条件，解集(C¹,C²)中越靠近Pareto-front方向的解越满足帕利托最优条件。

首先计算

其中i表示第i个粒子，即可获得解集中两个互斥类目标函数之和最小的粒子，即该粒子对应的帕利托解

记为S_min；其次剔除解集中两个互斥类目标函数值均大于S_min的帕利托解，得到收缩后的解集Ω(C¹,C²)；最后将解集Ω(C¹,C²)中每个粒子的帕利托解进行两两比较，选择出其中的非支配解，即得到靠近Pareto-front方向的解，其中非支配解的定义为：对于粒子i的帕利托解

如果任意其他粒子j的帕利托解

均不能使所有目标函数同时优于粒子i，即不存在粒子j同时满足

或

则认为

为非支配解。

(3)计算粒子位置距离Φ中最近位置的欧式距离，确定焦虑因子δ。

设定群体最优位置集Φ共有J个Pareto-front解的位置，当前粒子与群体最优位置集中第j个位置Φ_j的欧式距离D_t,ij的计算公式为

其中，j＝1,2,…,J，r＝1,2,…,h，Φ_j,r为Φ中第j个位置的第r个维度的坐标，x_ir为当前粒子位置参数x_i中第r个维度的坐标，h为总维度数量；通过对所有距离取最小值，即得到粒子当前位置参数离群体最优位置集中最近位置的欧式距离min(D_t,ij)；对于粒子i，min(D_t,ij)越大则粒子焦虑程度越大，焦虑程度δ_i的计算公式为：

(4)更新粒子位置和速度参数；

根据个体最优位置和群体最优位置，对粒子的位置和速度参数进行更新，遵循以下原则：粒子当前位置参数离群体最优解集中最近位置的欧式距离D_t,min越大，粒子的速度参数越大；粒子速度方向朝向个体最优位置χ，向群体最优位置集Φ中位置参数距离最近的解Φ_b-n的方向靠拢；粒子速度和位置参数的计算公式为：

其中，v_ij′为更新后第i个粒子的第j个维度的速度参数，x_ij′为更新后第i个粒子的第j个维度的位置坐标，α为惯性因子，η₁、η₂为学习因子，z₁、z₂为0到1之间均匀分布的随机数，Φ_b-n,ij为群体最优位置集Φ中，与第i个粒子距离最近解的第j个维度的位置坐标。

(5)计算更新后的帕利托解集(C¹,C²)＇；

(6)各粒子对当前帕利托解与χ进行对比，若当前解更靠近Pareto-front，则将χ中的信息更新为当前位置参数；

(7)将(C¹,C²)′与Φ结合，选择靠近Pareto-front方向的解，更新Φ；

(8)重复步骤7中的(3)至步骤(6)，直至最大迭代次数；

(9)返回帕利托最优位置集Φ，即为卫星通信资源的具体分配方案。

8、根据优化结果，将申请业务载波分配到相应的转发器资源上；

根据步骤7得出的结果对提出申请的业务在卫星上分配通信系统资源。本发明与现有技术相比具有如下优点：

1、面向FDMA/MF-TDMA混合卫星通信系统，实现系统通信资源的合理分配；

2、采用互斥性分类方式，将具有竞争关系的多目标划分为互斥类，在尽可能的满足各目标条件的情况下，实现帕利托最优分配。

附图说明

图1为本发明基于分类多目标优化的混合卫星通信系统资源分配流程图。

图2为本发明所涉及的卫星通信系统资源多目标条件评估指标体系。

图3为本发明所涉及的选择Pareto-front解集方法示意图。

图4为本发明所涉及的改进粒子群优化方法流程图。

具体实施方式

本发明采用基于分类多目标优化的混合卫星通信系统资源分配方法，对申请业务所分配的资源进行优化，具体为：

S1，根据申请业务载波类型选择资源分配的多目标条件。

对业务所属载波类型进行判断，进而在资源分配目标池P中选择与载波类型对应的多个优化目标，形成多目标条件集合

S2，将多目标条件进行互斥性分类。

将多目标集合G划分为两个互斥性分类C₁＝{g₁ ¹,g₂ ¹,…,g_m ¹}和C₂＝{g₁ ²,g₂ ²,…,g_n ²}，其中，C₁∪C₂＝G,

g_i ¹为互斥类C₁中的目标，g_j ²为互斥类C₂中的目标，m、n分别为C₁、C₂类中的目标数量。

S3，基于层次分析法生成不同互斥类中多目标的主观权重。

根据多目标条件的互斥性分类，构建评估指标体系；对卫星通信系统资源分配的优化问题进行结构化分析，以完成资源分配的优化为第一层，两个互斥类为第二层，互斥类所包含的多目标条件为第三层，形成多目标条件三层评估指标体系；

对第三层两个互斥类对应目标集合的各项内容进行两两对比，判断两目标之间的相对重要程度，构造判断矩阵：

其中，B₁、B₂分别为互斥类C₁、C₂对应的第三层目标判决矩阵，矩阵中的元素g_ij为第i项指标相对于第j项的重要程度，若第i项与第j项的重要程度相同，则g_ij＝1，若第i项比第j项的重要程度稍强，则g_ij＝3，若第i项比第j项的重要程度强，则g_ij＝5，若第i项比第j项的重要程度明显更，则g_ij＝7，若第i项比第j项的重要程度绝对的更强，则g_ij＝9，若第i项相对于第j项的重要程度介于上述相邻等级之间，则g_ij分别取2、4、6、8，且g_ij×g_ji＝1，g_ii＝1；

对各判断矩阵求解特征值，获得对应指标主观权重；对判决矩阵B₁和B₂分别求解特征值，得到特征值向量分别为

和

即为多目标的主观权重。

S4，基于模糊信息熵生成不同互斥类中多目标的客观权重。

根据评估指标体系分层建立决策表，计算条件信息熵；根据评估指标体系，针对两个互斥类对应的多目标条件分别建立决策表S＝(U,A,V,f)，其中U表示非空有限集合，即互斥类中的多目标集合，A为非空属性集合，即U中目标条件的属性集合，由非空条件属性集合C和非空决策属性集合D构成，C∪D＝A，

V表示属性值域，f为f:U×A→V的映射函数，在决策表S中，令D＝{Y₁,Y₂,…,Y_k}，C＝{X₁,X₂,…,X_l}，则条件信息熵I(D|C)表示为：

其中，i＝1,2,…,l，j＝1,2,…,k，Y₁,Y₂,…,Y_k为D中的元素，k为D中元素的总数量，X₁,X₂,…,X_l为C中的元素，l为C中元素的总数量；

计算条件属性重要度，条件属性重要度表示为：

Sig(c)＝I(D|C-{c})-I(D|C)+I(D|{c})

其中，c为条件属性，

确定各层指标的客观权重，分别计算每个多目标条件的权重：

其中，c_i、c_j分别为条件属性集中第i、j个条件，i＝1,2,…,L、j＝1,2,…,L，L为条件属性集合中条件属性的数量，即指标数量；设定两个互斥类对应属性层的客观权重分别为

其中

表示第j个互斥类中第i个目标条件的客观权重值。

S5，生成互斥类中多目标条件的组合权重。

将主观权重λ_Bi及客观权重γ_Bi进行组合，并进行标准化处理，具体公式为：

其中，j代表互斥类序号，i和r代表互斥类中目标条件的序号，R代表第j个互斥类中多目标总数，从而得到互斥类C₁和C₂中多目标条件的组合权重，

其中，W_B1、W_B2为互斥类C₁、C₂的组合权重集合，且

S6，根据互斥类构建帕利托优化模型。

利用多目标条件的组合权重，将资源分配解空间对应的多目标函数值映射到两个互斥分类的函数值上，得到帕利托优化模型：

其中，C¹、C²分别为两个互斥分类的目标函数值。

S7，利用粒子群优化算法进行多目标优化求解，获得帕利托最优解。

(1)设定粒子总数量为q，随机初始化种群中各粒子的位置和速度参数(x,v)；

设定业务所分配的卫星通信资源共有h项参数，则粒子在h维空间中搜索帕利托最优解，其位置和速度参数(x,v)均为h维空间中的矢量，对于第i个粒子，x_i＝{x_i1,x_i2,…,x_ih}，x_ij为第j维的位置坐标，即第j项资源参数；同理v_i＝{v_i1,v_i2,…,v_ih}，v_ij表示参数x_ij的变化速度；在初始化过程中，随机生成各粒子的初始位置参数和速度参数。

(2)计算帕利托解集(C¹,C²)，将各粒子的位置参数存入个体最优位置x中，χ_i＝{x_i1,x_i2,…,χi_ih}，χ_ij等于第i个粒子个体最优解的第j个位置参数，选择靠近Pareto-front方向的解，并存入群体最优位置集中；

其中，计算帕利托解集(C¹,C²)的方法为：互斥类中多目标条件的函数值，由业务所分配的卫星通信资源参数决定，即g_i ^j＝f_i ^j(x₁,x₂,…x_h)，其中

表示第j个互斥类中第i个目标条件的函数值，由此可计算获得位置x对应的各目标条件函数值，代入帕利托优化模型，得到位置x的帕利托解，遍历所有粒子，即得到帕利托解集(C¹,C²)。

其中，选择靠近Pareto-front方向的解，具体为：

Pareto-front由帕利托解集中的非支配解组成，满足无法在优化某一目标函数值的同时不导致其他目标函数值劣化条件，解集(C¹,C²)中越靠近Pareto-front方向的解越满足帕利托最优条件。

首先计算

其中i表示第i个粒子，即可获得解集中两个互斥类目标函数之和最小的粒子，即该粒子对应的帕利托解

记为S_min；其次剔除解集中两个互斥类目标函数值均大于S_min的帕利托解，得到收缩后的解集Ω(C¹,C²)；最后将解集Ω(C¹,C²)中每个粒子的帕利托解进行两两比较，选择出其中的非支配解，即得到靠近Pareto-front方向的解，其中非支配解的定义为：对于粒子i的帕利托解

如果任意其他粒子j的帕利托解

均不能使所有目标函数同时优于粒子i，即不存在粒子j同时满足

或

则认为

为非支配解。

(3)计算粒子位置距离Φ中最近位置的欧式距离，确定焦虑因子δ。

设定群体最优位置集Φ共有J个Pareto-front解的位置，当前粒子与群体最优位置集中第j个位置Φ_j的欧式距离D_t,ij的计算公式为

其中，j＝1,2,…,J，r＝1,2,…,h，Φ_j,r为Φ中第j个位置的第r个维度的坐标，x_ir为当前粒子位置参数x_i中第r个维度的坐标，h为总维度数量；通过对所有距离取最小值，即得到粒子当前位置参数离群体最优位置集中最近位置的欧式距离min(D_t,ij)；对于粒子i，min(D_t,ij)越大则粒子焦虑程度越大，焦虑程度δ_i的计算公式为：

(4)更新粒子位置和速度参数；

根据个体最优位置和群体最优位置，对粒子的位置和速度参数进行更新，遵循以下原则：粒子当前位置参数离群体最优解集中最近位置的欧式距离D_t,min越大，粒子的速度参数越大；粒子速度方向朝向个体最优位置χ，向群体最优位置集Φ中位置参数距离最近的解Φ_b-n的方向靠拢；粒子速度和位置参数的计算公式为：

其中，v_ij′为更新后第i个粒子的第j个维度的速度参数，x_ij′为更新后第i个粒子的第j个维度的位置坐标，α为惯性因子，η₁、η₂为学习因子，z₁、z₂为0到1之间均匀分布的随机数，Φ_b-n,ij为群体最优位置集Φ中，与第i个粒子距离最近解的第j个维度的位置坐标。

(5)计算更新后的帕利托解集(C¹,C²)′；

(6)各粒子对当前帕利托解与χ进行对比，若当前解更靠近Pareto-front，则将χ中的信息更新为当前位置参数；

(7)将(C¹,C²)′与Φ结合，选择靠近Pareto-front方向的解，更新Φ；

(8)重复步骤S7中的(3)至步骤(6)，直至最大迭代次数；

(9)返回帕利托最优位置集Φ，即为卫星通信资源的具体分配方案。

S8，根据步骤S7的优化结果，将申请业务载波分配到相应的转发器资源上。

综上所述，本发明是一种基于分类多目标优化的混合卫星通信系统资源分配方法，面向混合卫星多目标资源分配需求，充分考虑目标间的相互竞争关系，在尽可能满足多目标条件的情况下，实现通信资源的帕利托最优分配。

Claims (6)

1.一种基于分类多目标优化的混合卫星通信系统资源分配方法，其特征在于，包括以下步骤：

S1，根据申请业务载波类型选择资源分配的多目标条件；步骤S1具体包括：混合卫星通信系统中的业务载波类型分为FDMA和MF-TDMA两类，当卫星接收到业务申请时，首先对其所属载波类型进行判断，进而在资源分配目标池P中选择与载波类型对应的多个优化目标条件，形成多目标条件集合

S2，将多目标条件进行互斥性分类；

S3，基于层次分析法生成不同互斥类中多目标的主观权重；步骤S3包括以下步骤：

S31，根据多目标条件的互斥性分类，构建评估指标体系；对卫星通信系统资源分配的优化问题进行结构化分析，以完成资源分配的优化为第一层，两个互斥类为第二层，互斥类所包含的多目标条件集合为第三层，形成多目标条件三层评估指标体系；

S32，构造互斥类中多目标条件的两两判断矩阵；对第三层两个互斥类对应目标集合的各项内容进行两两对比，判断两目标之间的相对重要程度，构造判断矩阵：

其中，B₁、B₂分别为互斥类C₁、C₂对应的第三层目标判决矩阵，矩阵中的元素g_ij为第i项指标相对于第j项指标的重要程度；

S33，对判决矩阵B₁和B₂分别求解特征值，得到特征值向量分别为

和

即为多目标的主观权重；

S4，基于模糊信息熵生成不同互斥类中多目标的客观权重；步骤S4具体包括：步骤S41，根据评估指标体系分层建立决策表，计算条件信息熵；根据评估指标体系，针对两个互斥类对应的多目标条件分别建立决策表S＝(U,A,V,f)，其中U表示非空有限集合，即互斥类中的多目标集合，A为非空属性集合，即U中目标条件的属性集合，由非空条件属性集合C和非空决策属性集合D构成，C∪D＝A，

V表示属性值域，f为f:U×A→V的映射函数，在决策表S中，令D＝{Y₁,Y₂,…,Y_k}，C＝{X₁,X₂,…,X_l}，则条件信息熵I(D|C)表示为：

其中，i＝1,2,…,l，j＝1,2,…,k，Y₁,Y₂,…,Y_k为D中的元素，k为D中元素的总数量，X₁,X₂,…,X_l为C中的元素，l为C中元素的总数量；

步骤S42，计算条件属性重要度，条件属性重要度表示为Sig(c)＝I(D|C-{c})-I(D|C)+I(D|{c})，其中，c为条件属性，

步骤S43，确定各层指标的客观权重，计算每个多目标条件权重的公式为：

其中，c_i、c_j分别为条件属性集中第i、j个条件，i＝1,2,…,L、j＝1,2,…,L，L为条件属性集合中条件属性的数量，即指标数量；设定两个互斥类对应属性层的客观权重分别为

其中

表示第j个互斥类中第i个目标条件的客观权重值；

S5，生成互斥类中多目标集合的组合权重；步骤S5具体包括：将主观权重和客观权重进行组合，并进行标准化处理，从而得到互斥类C₁和C₂中多目标条件的组合权重，其计算方法为：

其中，j代表互斥类序号，i和r代表互斥类中目标条件的序号，R代表第j个互斥类中多目标总数，得到多目标条件的组合权重，

其中，W_B1、W_B2为互斥类C₁、C₂的组合权重集合，且

S6，根据互斥类构建帕利托优化模型；步骤S6具体包括：利用多目标条件的组合权重，将多目标条件映射到两个互斥分类的函数值上，得到帕利托优化模型：

其中，C¹、C²分别为两个互斥分类的目标函数值；

S7，利用粒子群优化算法进行多目标优化求解，获得帕利托最优解；

S8，根据上一步骤的优化结果，将申请业务载波分配到相应的转发器资源上。

2.根据权利要求1所述的基于分类多目标优化的混合卫星通信系统资源分配方法，步骤S2所述的将多目标条件进行互斥性分类，其特征在于，根据多目标之间存在的竞争关系，将多目标集合G划分为两个互斥性分类C₁＝{g₁ ¹,g₂ ¹,…,g_m ¹}和C₂＝{g₁ ²,g₂ ²,…,g_n ²}，其中，C₁∪C₂＝G,

g_i ¹为互斥类C₁中的目标，g_j ²为互斥类C₂中的目标，m、n分别为C₁、C₂类中的目标数量。

3.根据权利要求1所述的基于分类多目标优化的混合卫星通信系统资源分配方法，步骤S7所述的利用粒子群优化算法进行多目标优化求解，获得帕利托最优解，其特征在于，包括以下步骤：

S71，设定粒子总数量为q，随机初始化种群中各粒子的位置和速度参数(x,v)；设定业务所分配的卫星通信资源共有h项参数，则粒子在h维空间中搜索帕利托最优解，其位置和速度参数(x,v)均为h维空间中的矢量，对于第i个粒子，x_i＝{x_i1,x_i2,…,x_ih}，x_ij为第j维的位置坐标，即第j项资源参数；同理v_i＝{v_i1,v_i2,…,v_ih}，v_ij表示参数x_ij的变化速度；在初始化过程中，随机生成各粒子的初始位置参数和速度参数；

S72，计算帕利托解集(C¹,C²)，将各粒子的位置参数存入个体最优位置χ中，χ_i＝{χ_i1,χ_i2,…,χ_ih}，χ_ij等于第i个粒子个体最优解的第j个位置参数，选择靠近Pareto-front方向的解，并存入群体最优位置集中；

S73，计算粒子位置距离Φ中最近位置的欧式距离，确定焦虑因子δ；

S74，更新粒子位置和速度参数；

S75，计算更新后的帕利托解集(C¹,C²)′；

S76，各粒子对当前帕利托解与χ进行对比，若当前解更靠近Pareto-front，则将χ中的信息更新为当前位置参数；

S77，将(C¹,C²)′与Φ结合，选择靠近Pareto-front方向的解，更新最优位置集Φ；

S78，重复步骤S73至S76，直至最大迭代次数；

S79，返回帕利托最优位置集Φ，即为卫星通信资源的具体分配方案。

4.根据权利要求3所述的基于分类多目标优化的混合卫星通信系统资源分配方法，获得帕利托最优解集，其特征在于，所述计算帕利托解集(C¹,C²)的方法为：互斥类中多目标条件的函数值，由业务所分配的卫星通信资源参数决定，即g_i ^j＝f_i ^j(x₁,x₂,…x_h)，其中

表示第j个互斥类中第i个目标条件的函数值，由此可计算获得位置x对应的各目标条件函数值，代入帕利托优化模型，得到位置x的帕利托解，遍历所有粒子，即得到帕利托解集(C¹,C²)；

选择靠近Pareto-front方向的解的具体步骤为：Pareto-front方向的解由帕利托解集中的非支配解组成，满足无法在优化某一目标函数值的同时不导致其他目标函数值劣化条件，解集(C¹,C²)中越靠近Pareto-front方向的解越满足帕利托最优条件；首先计算

其中i表示第i个粒子，即可获得解集中两个互斥类目标函数之和最小的粒子，即该粒子对应的帕利托解

记为S_min；其次剔除解集中两个互斥类目标函数值均大于S_min的帕利托解，得到收缩后的解集Ω(C¹,C²)；最后将解集Ω(C¹,C²)中每个粒子的帕利托解进行两两比较，选择出其中的非支配解，即得到靠近Pareto-front方向的解。

5.根据权利要求3所述的基于分类多目标优化的混合卫星通信系统资源分配方法，获得帕利托最优解集，所述计算粒子位置距离Φ中最近位置的欧式距离，确定焦虑因子δ，其特征在于，设定群体最优位置集Φ共有J个Pareto-front解的位置，当前粒子与群体最优位置集中第j个位置Φ_j的欧式距离D_t,ij的计算公式为：

其中，j＝1,2,…,J，r＝1,2,…,h，Φ_j,r为Φ中第j个位置的第r个维度的坐标，x_ir为当前粒子位置参数x_i中第r个维度的坐标，h为总维度数量；通过对所有距离取最小值，即得到粒子当前位置参数离群体最优位置集中最近位置的欧式距离min(D_t,ij)；对于粒子i，min(D_t,ij)越大则粒子焦虑程度越大，焦虑程度δ_i的计算公式为：

6.根据权利要求3所述的基于分类多目标优化的混合卫星通信系统资源分配方法，获得帕利托最优解集，所述的更新粒子位置和速度参数，其特征在于，根据个体最优位置和群体最优位置，对粒子的位置和速度参数进行更新，遵循以下原则：粒子当前位置参数离群体最优解集中最近位置的欧式距离D_t,min越大，粒子的速度参数越大；粒子速度方向朝向个体最优位置χ，向群体最优位置集Φ中位置参数距离最近的解Φ_b-n的方向靠拢；粒子速度和位置参数的计算公式为：

其中，v_ij′为更新后第i个粒子的第j个维度的速度参数，x_ij′为更新后第i个粒子的第j个维度的位置坐标，α为惯性因子，η₁、η₂为学习因子，z₁、z₂为0到1之间均匀分布的随机数，Φ_b-n,ij为群体最优位置集Φ中，与第i个粒子距离最近解的第j个维度的位置坐标。

Images