CN111414998B - 一种基于深度神经网络的遥感卫星资源调度算法选择方法 - Google Patents

一种基于深度神经网络的遥感卫星资源调度算法选择方法 Download PDF

Info

Publication number
CN111414998B
CN111414998B CN202010314736.1A CN202010314736A CN111414998B CN 111414998 B CN111414998 B CN 111414998B CN 202010314736 A CN202010314736 A CN 202010314736A CN 111414998 B CN111414998 B CN 111414998B
Authority
CN
China
Prior art keywords
resource scheduling
observation
scheduling algorithm
neural network
deep neural
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
CN202010314736.1A
Other languages
English (en)
Other versions
CN111414998A (zh
Inventor
彭双
陈浩
杜春
伍江江
李军
杨岸然
欧阳雪
王力
吴烨
熊伟
钟志农
陈荦
景宁
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202010314736.1A priority Critical patent/CN111414998B/zh
Publication of CN111414998A publication Critical patent/CN111414998A/zh
Application granted granted Critical
Publication of CN111414998B publication Critical patent/CN111414998B/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
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Radio Relay Systems (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明属于遥感卫星应用技术领域，具体涉及一种基于深度神经网络的遥感卫星资源调度算法选择方法。该方法包括步骤：(S1)根据动态资源调度场景，按照特征生成方法生成特征数据；(S2)将步骤(S1)中生成的特征数据输入到资源调度算法选择模型中，输出长度为N+1的独热编码W，其中N为资源调度算法数目；所属独热编码W只有一位数值为1，剩余N位的数值全为0；(S3)判断步骤(S2)中输出的编码W，如果编码W首位的数值为1，则不需要对资源进行调度；否则，选择使用第k种资源调度算法。本发明解决了动态不确定环境下遥感卫星资源调度算法的选择问题，提升了遥感卫星资源利用率与观测收益。

Description

一种基于深度神经网络的遥感卫星资源调度算法选择方法
技术领域
本发明属于遥感卫星应用技术领域，具体涉及一种基于深度神经网络的遥感卫星资源调度算法选择方法。
背景技术
随着社会对空间信息的依赖逐步增强，遥感卫星在地理测绘、土地资源调查、灾害灾情监测、军事情报获取等国民经济和国家安全领域发挥出不可替代的作用，其所获取的数据已经成为国家的基础性和战略性资源。
遥感卫星作为一种稀缺宝贵资源，资源调度算法对提高遥感卫星的观测效益起到了至关重要的作用。随着遥感卫星应用领域的进一步深入与扩大，用户的观测需求呈现出动态化、多样化的特点。动态化表现为用户可以随时提交观测需求，其在到达时机、数量分布上具有很强的不确定性；多样化表现为观测需求的观测要求各不相同，如多星协同接力观测需求要求多颗遥感卫星联合观测，且需满足空域、时域、频域的分辨率要求；多星协同引导观测需求要求多颗遥感卫星配合观测，且各卫星之间有着严格的观测时序要求，例如电磁探测卫星、SAR成像卫星引导光学成像卫星观测，低分辨率成像卫星引导高分辨率成像卫星观测；而应急观测需求则要求快速安排卫星获取地面目标数据以满足时效性要求等等。这些新到达的观测需求(统称为动态观测需求)会对已有的资源调度方案产生扰动，因此需要资源调度系统及时进行响应。
由于新达到的观测需求在数量和分布上具有很强的随机性，是否需要重新对卫星资源进行调度，还需根据动态观测需求对已有方案的扰动程度进行分析判断。其次，不同资源调度算法在优化性和求解效率上各有差别，该采用何种资源调度算法对动态观测需求进行调度还需根据实际的调度场景进行决策。再次，操作人员需要根据不同的动态调度场景，按照既定的规则或依据操作经验选择匹配的资源调度算法。这其中存在两个问题：1)操作人员需要人工判定动态观测需求对已有调度方案的影响，选择匹配的资源调度算法，这要求操作人员有系统性的专业知识，对其业务能力要求较高；2)资源调度过程耗时过长，操作人员可能需要对多种资源调度算法的调度结果进行对比判断，最终选定最优的调度方案，这一过程耗费了大量的时间精力，难以保证资源调度过程的时效性。
发明内容
本发明针对遥感卫星运行过程中资源和观测需求的变化，自动对动态不确定环境进行评估分析，为用户推荐与之匹配的资源调度算法，具体技术方案如下。
一种基于深度神经网络的遥感卫星资源调度算法选择方法，包括以下步骤：
(S1)根据动态资源调度场景，按照特征生成方法生成特征数据；
(S2)将步骤(S1)中生成的特征数据输入到资源调度算法选择模型中，依据特征数据和资源调度算法选择模型输出长度为N+1的独热编码W(如：00100)，其中N为资源调度算法数目。资源调度算法选择模型有N+1个输出节点，每个节点有0和1两种输出状态，N+1个节点中有且仅有1个节点的输出状态为1，剩余N个节点的输出状态为0，将N+1个节点的输出状态组合起来，便形成了独热编码；
(S3)解码步骤(S2)中输出的独热编码W，设k表示独热编码从左往右的位置号，首位置号从0开始，k的取值范围为0，1，2，…,N，找出数值1在独热编码W中对应的位置号，如果k＝0，则表明不需要对卫星资源进行调度，继续采用原方案；否则，选择使用第k种资源调度算法对卫星资源进行调度。
进一步地，所述步骤(S1)中特征生成方法生成特征数据过程为：
给定一个资源调度场景，M＝{m0,m1,...,mn-1}是场景中按照时间顺序从小到大排列的观测任务集合，n表示观测任务的总数，i表示观测任务在集合中的序号，mi表示观测任务，观测任务集合M包括已规划观测任务集合MS和新到达的观测任务集合MD,且满足关系MS∪MD＝M。对于其特征向量xi表示为(bi,ei,di,tei-tai,tai-tei-1,e(i-1)i,d(i-1)i,c(i-1)i,si)，i＝0,1,2,…,n-1；特征向量包含的内容即为特征数据。
其中bi表示观测任务mi的收益值，ei表示观测任务mi执行时需要消耗的能量资源，di表示观测任务mi执行时需要消耗的存储资源，tei-tai表示观测任务mi的持续观测时间，tai、tei分别为观测任务mi的观测开始时间和观测结束时间；tai-tei-1表示观测任务mi和观测任务mi-1的时间间隔，tai、tei-1分别为观测任务mi的观测开始时间和观测任务mi-1的观测结束时间；e(i-1)i表示tai-tei-1时间段内卫星补充的能量；d(i-1)i表示tai-tei-1时间段内的存储状态变化量；c(i-1)i取值为0或1，如果tai-tei-1满足观测任务mi和观测任务mi-1的任务切换时间要求，则c(i-1)i＝0，否则c(i-1)i＝1；si取值为0或1，如果mi∈MD，则si＝1，否则si＝0；
对于观测任务m0，ta0-te-1＝tmax表示m0观测开始时间与当前系统时间的时间间隔；e(-1)0和d(-1)0分别表示m0观测开始时间时刻卫星的能量状态和存储状态。
进一步地，所述步骤(S2)中的资源调度算法选择模型是根据历史资源调度场景和调度结果，采用有监督学习方法训练得到的模型，具体过程为：
(S21)选择一个历史资源调度场景，按照所述步骤(S1)中的特征生成方法生成样本特征数据；
(S22)对于步骤(S21)中的历史资源调度场景，根据历史调度结果中用户选择的资源调度算法，生成样本标签数据；样本标签数据的具体内容为：如果用户选择算法k来对资源进行调度，那该场景的标签值为k；如果没有选择任何调度算法，那么该场景的标签值就为0；
(S23)关联步骤(S21)生成的样本特征数据和步骤(S22)生成的样本标签数据，生成一条训练样本；
(S24)重复步骤(S21)-(S23)，计算所有历史资源调度场景对应的训练样本，组成训练样本集合；
(S25)构建基于深度神经网络的遥感卫星资源调度算法选择模型，具体操作为：资源调度算法选择模型由编码网络和分类网络组成，其中编码网络为循环神经网络，负责自动提取观测任务的属性和分布特征信息；分类网络为输出节点数为N+1的3层全连接神经网络，负责根据编码网络提取的特征来选择最匹配的资源调度算法，N为资源调度算法数目；
(S26)设置步骤(S25)中资源调度算法选择模型的迭代次数、学习率、训练误差、批训练数目；并设置资源调度算法选择模型的损失函数和优化算法。
(S27)利用步骤(S24)中的训练样本集合对步骤(S25)的资源调度算法选择模型进行训练，即得到资源调度算法选择模型。
采用本发明获得的有益效果：本发明提供了基于深度神经网络的遥感卫星资源调度算法选择方法，解决了动态不确定环境下遥感卫星资源调度算法的选择问题。基于本发明提供的方法，遥感卫星能够自动对资源变化、任务变化等动态不确定性因素进行评估判定，自主选择匹配的资源调度算法，提升了遥感卫星资源利用率与观测收益，增强了对动态环境的快速响应能力，很好地满足了用户需求。
附图说明
图1为本发明方法流程示意图；
图2为模型输入数据结构表示图；
图3为一种资源调度算法选择模型网络结构示意图。
具体实施方式
为了更好的理解本发明技术方案，下面结合附图和实施例对本发明作进一步说明。
如图1所示，本发明提供了一种基于深度神经网络的遥感卫星资源调度算法选择方法，具体包括如下步骤：
(S1)根据动态资源调度场景，按照特征生成方法生成特征数据；
具体的特征生成方法为：给定一个资源调度场景，M＝{m0,m1,...,mn-1}是场景中按照时间顺序从小到大排列的观测任务集合，包括已规划观测任务集合MS和新到达的观测任务集合MD,且满足关系MS∪MD＝M。对于其特征向量xi表示为(bi,ei,di,tei-tai,tai-tei-1,e(i-1)i,d(i-1)i,c(i-1)i,si)，如图2所示。
bi：观测任务mi的收益值；
ei：观测任务mi执行时需要消耗的能量资源；
di：观测任务mi执行时需要消耗的存储资源；
tei-tai：观测任务mi的持续观测时间，tai、tei分别为观测任务mi的观测开始时间和观测结束时间；
tai-tei-1：观测任务mi至观测任务mi-1的时间间隔，tai、tei-1分别为观测任务mi的观测开始时间和观测任务mi-1的观测结束时间；
e(i-1)i：tai-tei-1时间段内卫星补充的能量；
d(i-1)i：tai-tei-1时间段内卫星的存储状态变化量；
c(i-1)i：如果tai-tei-1满足观测任务mi-1和观测任务mi的任务切换时间要求，则c(i-1)i＝0，否则c(i-1)i＝1；在具体实施例中，任务切换时间是可预先获知的值。
si：如果mi∈MD，则si＝1，否则si＝0。
对于观测任务m0，ta0-te-1＝tmax表示m0观测开始时间与当前系统时间的时间间隔，也是允许资源调度算法进行优化计算的最大时间；e(-1)0＝E0和d(-1)0＝D0分别表示m0观测开始时间时的能源状态和存储状态。上述输入数据中，既包含了能源、存储等资源信息，也包含了观测任务的数量和分布特征信息。
(S2)将步骤(S1)中生成的特征数据输入到资源调度算法选择模型中，输出长度为N+1的独热编码W，N为资源调度算法的类别数目；实施例中，资源调度算法选择模型有N+1个输出节点，每个节点有0和1两种输出状态，N+1个节点中有且仅有1个节点的输出状态为1，剩余N个节点的输出状态为0，将N+1个节点的输出状态按顺序连接组合起来，便形成了独热编码W，独热编码W是资源调度算法选择模型根据输入的特征数据构造出来的，采用资源调度算法选择模型构造编码的过程为现有技术手段，资源调度算法选择模型是根据历史样本训练得到的，例如输入特征数据的具体数值，资源调度算法选择模型输出独热编码为：00100。资源调度算法选择模型的输出为固定长度的独热编码，由其结构所决定的。
本发明一具体实施例中，资源调度算法选择模型是根据历史资源调度场景和调度结果，采用有监督学习方法训练得到，具体操作为：
(S21)选择一个历史资源调度场景，按照步骤(S1)中的样本特征生成方法生成样本特征数据；
(S22)对步骤(S21)中的历史资源调度场景，根据历史调度结果中用户选择的资源调度算法，生成样本标签数据。具体操作为：如果用户选择算法k来对资源进行调度，那该场景对应的标签值为k；如果没有选择任何调度算法，那么该场景的标签值就为0；
(S23)关联步骤(S21)生成的样本特征数据和步骤(S22)生成的样本标签数据，生成一条训练样本；
(S24)重复步骤(S21)—(S23)，计算所有历史资源调度场景对应的训练样本，组成训练样本集合；
(S25)构建基于深度神经网络的遥感卫星资源调度算法选择模型，具体操作为：资源调度算法选择模型由编码网络和分类网络组成，其中编码网络为LSTM(Long Short-TimeMemory)循环神经网络，负责自动提取观测任务的属性和分布特征信息,在一个实施例中，LSTM的网络层数设置为2，隐藏层节点数设置为16；分类网络为具有N+1个输出节点的3层全连接神经网络，负责根据编码网络提取的特征来选择资源调度算法，在实施例中，各层的节点数分别设置为：64，32，N+1。N为资源调度算法的类别数目，资源调度算法选择模型网络结构示意图如图3所示，在RNN网络中，输入特征数据xn-1和前一状态hn-1，输出状态为hn。
(S26)设置步骤(S25)中资源调度算法选择模型的迭代次数iteration、学习率learn rate、训练误差train error、批训练数目batch size等训练参数。具体操作为：迭代次数设置为100，学习率设置为0.001，训练误差设置为0.00001，批训练数目设置为100。
本发明一具体实施例中，设置步骤(S25)中资源调度算法选择模型的损失函数和优化算法，具体操作为：损失函数选择采用交叉熵损失函数(Cross-entropy costfunction)，优化算法选择Adam优化算法(Kingma D P,Ba J L.Adam:a Method forStochastic Optimization.International Conference on Learning Representations,2015:1-13)。
(S27)根据步骤(S26)设置，利用步骤(S24)中的训练样本对步骤(S25)的资源调度算法选择模型进行训练，即得到资源调度算法选择模型。
(S3)解码步骤(S2)中输出的独热编码W，找到数值1在独热编码W中的位置k，如果k＝0，即独热编码首位置为1，则表明不需要对卫星资源进行调度，继续采用原方案；否则，选择使用第k种资源调度算法对卫星资源进行调度。
本发明提出的方法可与遥感卫星现有资源规划调度算法完美兼容，无需对其进行任何修改，即可根据复杂的动态调度场景自主判断是否需要对卫星资源进行重调度，并选择最匹配的资源调度算法。

Claims (2)

1.一种基于深度神经网络的遥感卫星资源调度算法选择方法，其特征在于包括以下步骤：
（S1）根据动态资源调度场景，按照特征生成方法生成特征数据；
（S2）将步骤（S1）中生成的特征数据输入到资源调度算法选择模型中，输出长度为N+1的独热编码W，其中N为资源调度算法数目；其中，所述资源调度算法选择模型为深度神经网络，深度神经网络由编码网络和分类网络组成，其中编码网络为循环神经网络，负责自动提取观测任务的属性和分布特征信息；分类网络为输出节点数为N+1的3层全连接神经网络，负责根据编码网络提取的特征信息来选择资源调度算法；
（S3）依据步骤（S2）中输出的独热编码W，找出数值1在独热编码W中的位置k，如果，则不需要对卫星资源进行调度，否则，选择使用第/>种资源调度算法对卫星资源进行调度；
所述步骤（S1）中特征生成方法为：
给定一个资源调度场景， 是场景中按照时间顺序从小到大排列的观测任务集合，/>表示观测任务的总数，/>表示观测任务，观测任务集合/>包括已规划观测任务集合/>和新到达的观测任务集合/>,且满足关系/>，对于/>，其特征向量/>表示为/>，/>；
其中表示观测任务/>的收益值，/>表示观测任务/>执行时需要消耗的能量资源，/>表示观测任务/>执行时需要消耗的存储资源，/>表示观测任务/>的持续观测时间，/>、/>分别为观测任务/>的观测开始时间和观测结束时间；/>表示观测任务/>至观测任务/>的时间间隔，/>、/>分别为观测任务/>的观测开始时间和观测任务/>的观测结束时间；/>表示/>时间段内卫星补充的能量；/>表示/>时间段内的存储状态变化量；/>取值为0或1，如果/>满足观测任务/>和观测任务/>的任务切换时间要求，则/>，否则/>；/>取值为0或1，如果/>，则/>，否则/>；
对于观测任务，/>表示/>观测开始时间与当前系统时间的时间间隔；和/>分别表示/>观测开始时间时的能源状态和存储状态。
2.如权利要求1所述的一种基于深度神经网络的遥感卫星资源调度算法选择方法，其特征在于所述步骤（S2）中的资源调度算法选择模型是根据历史资源调度场景和调度结果，采用有监督学习方法训练得到的模型，具体过程为：
（S21）选择一个历史资源调度场景，按照所述步骤（S1）中的特征生成方法生成样本特征数据；
（S22）对于步骤（S21）中的历史资源调度场景，根据历史调度结果中用户选择的资源调度算法，生成样本标签数据；所述样本标签数据具体内容为：如果用户选择算法k来对资源进行调度，那该场景对应的标签值为k；如果没有选择任何调度算法，那么该场景的标签值就为0；
（S23）关联步骤（S21）生成的样本特征数据和步骤（S22）生成的样本标签数据，生成一条训练样本；
（S24）重复步骤（S21）-（S23），计算所有历史资源调度场景对应的训练样本，组成训练样本集合；
（S25）构建基于深度神经网络的遥感卫星资源调度算法选择模型；
（S26）设置步骤（S25）中深度神经网络的迭代次数、学习率、训练误差、批训练数目；并设置深度神经网络的损失函数和优化算法；
（S27）利用步骤（S24）中的训练样本集合对步骤（S25）的深度神经网络进行训练，即得到基于深度神经网络的资源调度算法选择模型。
CN202010314736.1A 2020-04-21 2020-04-21 一种基于深度神经网络的遥感卫星资源调度算法选择方法 Active CN111414998B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010314736.1A CN111414998B (zh) 2020-04-21 2020-04-21 一种基于深度神经网络的遥感卫星资源调度算法选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010314736.1A CN111414998B (zh) 2020-04-21 2020-04-21 一种基于深度神经网络的遥感卫星资源调度算法选择方法

Publications (2)

Publication Number Publication Date
CN111414998A CN111414998A (zh) 2020-07-14
CN111414998B true CN111414998B (zh) 2024-01-19

Family

ID=71494917

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010314736.1A Active CN111414998B (zh) 2020-04-21 2020-04-21 一种基于深度神经网络的遥感卫星资源调度算法选择方法

Country Status (1)

Country Link
CN (1) CN111414998B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112713926A (zh) * 2020-12-15 2021-04-27 西安电子科技大学 一种卫星测运控资源智能规划与调度云服务方法与系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6591084B1 (en) * 1998-04-27 2003-07-08 General Dynamics Decision Systems, Inc. Satellite based data transfer and delivery system
CA2752672A1 (en) * 2009-02-19 2010-08-26 C. Laurence Korb Methods for optimizing the performance, cost and constellation design of satellites for full and partial earth coverage
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
CN108335012A (zh) * 2017-12-26 2018-07-27 佛山科学技术学院 一种智能遥感卫星层次化分布式自主协同任务规划系统
CN109767128A (zh) * 2019-01-15 2019-05-17 中国人民解放军国防科技大学 基于机器学习的成像卫星自主任务规划方法
CN109960544A (zh) * 2019-03-26 2019-07-02 中国人民解放军国防科技大学 基于数据驱动型敏捷卫星任务并行调度方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120029812A1 (en) * 2010-07-29 2012-02-02 King Abdul Aziz City For Science And Technology Method and system for automatically planning and scheduling a remote sensing satellite mission

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6591084B1 (en) * 1998-04-27 2003-07-08 General Dynamics Decision Systems, Inc. Satellite based data transfer and delivery system
CA2752672A1 (en) * 2009-02-19 2010-08-26 C. Laurence Korb Methods for optimizing the performance, cost and constellation design of satellites for full and partial earth coverage
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
CN108335012A (zh) * 2017-12-26 2018-07-27 佛山科学技术学院 一种智能遥感卫星层次化分布式自主协同任务规划系统
CN109767128A (zh) * 2019-01-15 2019-05-17 中国人民解放军国防科技大学 基于机器学习的成像卫星自主任务规划方法
CN109960544A (zh) * 2019-03-26 2019-07-02 中国人民解放军国防科技大学 基于数据驱动型敏捷卫星任务并行调度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHUANG PENG等.Onboard Observation Task Planning for an Autonomous Earth Observation Satellite Using Long Short-Term Memory.IEEE Access.2018,第6卷65121-65127. *
自适应遗传算法的数据中继卫星光网络资源调度算法;赵卫虎;赵静;赵尚弘;李勇军;董毅;李轩;;红外与激光工程;第44卷(第04期);1311-1316 *

Also Published As

Publication number Publication date
CN111414998A (zh) 2020-07-14

Similar Documents

Publication Publication Date Title
Liu et al. Deep reinforcement learning for dynamic scheduling of a flexible job shop
Shen et al. ${H} _ {\infty} $ Filtering for Fuzzy Jumping Genetic Regulatory Networks With Round-Robin Protocol: A Hidden-Markov-Model-Based Approach
Du et al. A data-driven parallel scheduling approach for multiple agile earth observation satellites
Liu et al. Many-objective job-shop scheduling: A multiple populations for multiple objectives-based genetic algorithm approach
Li et al. Building sparse models for traffic flow prediction: An empirical comparison between statistical heuristics and geometric heuristics for Bayesian network approaches
Bialek et al. Complexity through nonextensivity
WO2019127945A1 (zh) 基于结构化神经网络的成像任务可调度性预测方法
Sun et al. A cooperative coevolution algorithm for the seru production with minimizing makespan
Dhaliwal et al. Modified binary differential evolution algorithm to solve unit commitment problem
Zhang et al. Flow shop scheduling with reinforcement learning
CN111414998B (zh) 一种基于深度神经网络的遥感卫星资源调度算法选择方法
Eker et al. Solving decentralized POMDP problems using genetic algorithms
Wang et al. An estimation of distribution algorithm for hybrid flow shop scheduling under stochastic processing times
Porteiro et al. Short term load forecasting of industrial electricity using machine learning
Ait Sahed et al. An efficient artificial bee colony algorithm with application to nonlinear predictive control
Lin et al. Learning-based cuckoo search algorithm to schedule a flexible job shop with sequencing flexibility
Ruiz et al. Selective maintenance modeling and analysis of a complex system with dependent failure modes
Peters et al. AI recommender system with ML for agricultural research
Meng et al. Multi-satellite resource scheduling based on deep neural network
Bao et al. An effective method for satellite mission scheduling based on reinforcement learning
Workneh et al. Learning to schedule (L2S): Adaptive job shop scheduling using double deep Q network
CN115271130A (zh) 面向船舶主动力设备维修订单的动态调度方法及系统
Cortez et al. Evolving time series forecasting neural network models
Luo et al. Modification of Q-learning to adapt to the randomness of environment
CN115395502A (zh) 一种光伏电站功率预测方法及系统

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