CN111598473A - 面向复杂观测任务的多平台联合任务规划方法 - Google Patents

面向复杂观测任务的多平台联合任务规划方法 Download PDF

Info

Publication number
CN111598473A
CN111598473A CN202010441686.3A CN202010441686A CN111598473A CN 111598473 A CN111598473 A CN 111598473A CN 202010441686 A CN202010441686 A CN 202010441686A CN 111598473 A CN111598473 A CN 111598473A
Authority
CN
China
Prior art keywords
observation
platform
individuals
task
population
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
Application number
CN202010441686.3A
Other languages
English (en)
Other versions
CN111598473B (zh
Inventor
陈盈果
向尚
王涛
沈大勇
张忠山
何磊
刘晓路
吕济民
陈宇宁
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 CN202010441686.3A priority Critical patent/CN111598473B/zh
Publication of CN111598473A publication Critical patent/CN111598473A/zh
Application granted granted Critical
Publication of CN111598473B publication Critical patent/CN111598473B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

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

Abstract

本发明提供了一种面向复杂观测任务的多平台联合任务规划方法，通过对复杂观测任务进行预处理，得到与地理网格相对应的若干个子任务，然后构建多平台联合任务规划模型，并将步骤1中预处理后的若干个子任务代入多平台联合任务规划模型进行求解，根据求解结果，输出复杂观测任务分解在每一个观测平台的任务序列，本发明通过把任务预处理、最优化建模、群智能和机器学习有机结合，使复杂问题得到了简化，实验表明，通过本发明可将面向复杂观测任务的多平台联合任务规划时间由小时级缩短到分钟级，有效提升了多类型观测平台的规划效率。

Description

面向复杂观测任务的多平台联合任务规划方法
技术领域
本发明属于任务规划调度领域，尤其涉及一种面向复杂观测任务的多平台联合任务规划方法。
背景技术
随着计算机、航天与无人技术不断的突破，对地观测卫星、飞行器、海上舰船、地面车辆等多类型平台都具备搭载精密观测载荷的能力，各平台在观测模式、覆盖范围、持续时间、机动速度、运行成本上各具优势，共同承担起了重要观测任务。针对人们日益增长、日益复杂的数据获取需求，得益于多种观测手段的信息采集能力，气象预报、抗灾减灾、环境保护、地质测绘、海面搜救等活动的效率得到了显著提升。
其中，卫星观测平台是一种高效可靠的侦察手段，我国在太空中拥有较多卫星资源，利用组网的电子侦察卫星扫描观测星下点附近的电磁信号，依靠光学成像卫星对指定目标进行详查，实现对气象业务、环境观测、防灾减灾、大气科学、海洋勘探等任务的全天候观测。此类观测方法具有覆盖区域广，回访时间短以及目标识别度高等优点。但仅仅依靠卫星观测手段存在很大的不足与缺陷：(1)由于精度的限制，只能近似判断目标类型，容易导致误判产生安全隐患；(2)卫星周期性绕轨道运作，对特定区域具有较长的观测盲区；(3)卫星载荷具有使用限制，尤其是电量与固存约束制约了卫星观测次数。综上分析，仅依靠卫星，对目标的时间覆盖率不足，同时受气象条件、光照条件、地形条件的影响较为苛刻，因而需要其他观测设备与其进行协同观测。
无人机作为飞行器平台的重要力量，近年来发展迅速，无人机已经被广泛应用执行观测任务，可对远距离的目标进行有效地探测、识别和跟踪，相比于固定轨道飞行的卫星更为灵活，观测效果好，可以作为卫星观测的重要补充资源。它可携带机载可见光相机、红外相机以及合成孔径雷达等探测器，飞临目标上空区域，对目标进行持续侦察观测，以搜集指定区域的目标图像信息，通过无线电传输方式实时或延时传回地面接收站。相比于卫星观测，无人机观测灵活性大，可长时间驻留在目标上空，对目标进行持续跟踪拍摄。但无人机观测也有自身不足与缺陷：无人机相比卫星，传感器探测半径小，不能依靠自身展开大范围的搜索，通常需要通过其他手段获取目标的大致信息，先搜索目标然后转入跟踪观测。
作为传统观测手段，地面和海上观测平台的重要性也不容忽视，能够以更低的成本携带更多的观测载荷，一般能够携带光学观测系统，声学侦察系统，雷达侦察系统及无线电通讯侦察系统，能较长时间在陆地或海洋上对目标进行持续观测，但其侦察活动受地形地貌、海洋水文气象条件影响较大，对观测目标的引导信息要求较高。
随着多种观测平台的快速发展，灾区搜救、勘探测绘、反恐防暴、军事侦察等领域对观测能力提出了更加严格的需求，同时观测任务也越来越复杂，区域目标搜索、移动目标跟踪、多目标共视等复合任务的要求被相继提出。而从单平台观测能力上看，卫星资源过顶周期长，一次观测时间有限，在观测过程中易丢失目标；飞行器基地距离目标较远，如果不能够提供有效的先验信息，将会增加其搜索难度，浪费搜索资源；舰船的机动能力有效，完成观测任务的时效性不高。单一平台各有利弊，如何将多类平台联合起来，统一规划成为了一个亟待解决的问题。
通过对各类平台的统一管控，集中管理多种观测载荷资源，完成过去很难完成或者不能完成的观测任务，多类观测平台的主要的协同方式分为两种：按目标和按区域，如图1所示。在传统的单平台任务规划中，研究重点在于如何花费最小的时间代价找到最优的规划方案，但是多平台联合任务规划中，各平台观测方式差异较大，需要根据各平台的观测能力和复杂任务的特性来制定最佳的观测组合，这导致了问题的决策维度的增加，怎样在有限的时间内快速将观测需求安排至多个观测平台上成为研究难点。
发明内容
本发明要解决的技术问题是针对多类观测平台，怎样在有限的时间内快速将观测任务安排只多个观测平台上形成观测方案，提出了一种面向复杂观测任务的多平台联合任务规划方法。
为解决该问题，本发明所采用的技术方案是：
一种面向复杂观测任务的多平台联合任务规划方法，包括以下步骤：
步骤1：对复杂观测任务进行预处理，得到与目标观测场景上地理网格相对应的若干个子任务；
步骤2：构建多平台联合任务规划模型；
步骤3：将步骤1中预处理后的若干个子任务代入多平台联合任务规划模型进行求解；
步骤4：根据求解结果，输出复杂观测任务分解在每一个观测平台的任务序列。
进一步地，步骤1中对复杂观测任务进行预处理的方法是：
步骤1.1：以所有观测平台中最小载荷单元的观测幅宽为边长对目标观测场景进行地理网格划分；
步骤1.2：将复杂观测任务的目标搜索区域分解到已经划分好的各地理网格中，被目标搜索区域覆盖的每个地理网格对应一个子任务。
进一步地，步骤2中多平台联合任务规划模型的构建方法是：
确定目标函数：
Figure BDA0002504406200000031
其中，proij表示子任务saij的优先级收益，决策变量
Figure BDA0002504406200000032
表示子任务saij是否在平台pk上进行观测，N表示任务的总数量，n表示第i个任务的子任务数；M表示平台数量，saij表示第i个任务的第j个子任务。
式(1)表示目标函数为最大化所有被规划子任务的收益之和；
约束条件：
Figure BDA0002504406200000033
Figure BDA0002504406200000034
Figure BDA0002504406200000035
Figure BDA0002504406200000036
Figure BDA0002504406200000037
Figure BDA0002504406200000038
Figure BDA0002504406200000039
Figure BDA00025044062000000310
其中，式(2)表示被规划任务的所有子任务都会被规划；A表示被规划任务a1,...,ai,...,aN的集合，ai表示第i个任务；
式(3)表示任意一个被规划子任务只能由一个平台来执行，SAi表示任务ai的子任务集合sai1,...,saij,...,sain；
式(4)表示对于任意平台，其执行相邻前后两个子任务的时间段大于两个任务所需的转换时间，所述转换时间对卫星平台而言是姿态转换时间，对无人机平台而言是移动时间；
obij表示子任务saij的规划开始观测时间，oeij表示子任务saij的规划结束观测时间，
trans(oeij,obi'j')表示子任务saij和sai'j'之间的转换时间；
式(5)、(6)限定观测窗口必须在可见窗口范围内，同时也必须在任务有效时间窗口内，
Figure BDA0002504406200000041
表示窗口
Figure BDA0002504406200000042
的开始时间，Twij表示子任务saij的观测窗口集合
Figure BDA0002504406200000043
Figure BDA0002504406200000044
表示子任务saij在第k个观测平台上的窗口开始时间；
Figure BDA0002504406200000045
表示子任务saij在第k个观测平台上的有效观测开始时间，
Figure BDA0002504406200000046
表示子任务saij在第k个观测平台上的规划开始观测时间
Figure BDA0002504406200000047
表示子任务saij在第k个观测平台上的规划结束观测时间，
Figure BDA0002504406200000048
表示窗口
Figure BDA0002504406200000049
的结束时间；
Figure BDA00025044062000000410
表示子任务saij在第k个观测平台上的有效观测结束时间，
式(7)限定了观测时间必须大于最低持续观测时间；
ctij表示满足子任务saij最短持续观测时间
式(8)限定了传感器类型需要相同，同时空间分辨率要满足要求
obvTypei表示任务ai所要求的观测传感器类型
obvResi任务ai所要求的观测分辨率
Figure BDA00025044062000000411
表示子任务saij在第k个观测平台pk上的传感器类型，obvTypeij表示任务saij所要求的传感器类型；
Figure BDA00025044062000000412
子任务saij在第k个观测平台pk的图像分辨率，obvResij表示子任务saij所要求满足的图像分辨率；
式(9)表示任意平台在周期内执行任务消耗的资源(电量、燃料等)不能超过最大值
R表示观测平台资源的集合r1,...,rk,...,rM，rk表示第k个观测平台的资源，
Figure BDA00025044062000000413
表示子任务saij在第k个观测平台上的资源消耗量；
进一步地，步骤3中对多平台联合任务规划模型进行求解的方法是混合进化算法。
进一步地，所述混合进化算法具体为：
步骤3.1：初始化外循环迭代次数，
步骤3.2：将步骤1中预处理后的所有子任务和所有平台进行两两组合，输入到根据子任务-平台组合与收益标记集合训练好的神经网络训练模型，输出每个组合的预测收益值，为每一个子任务选择预测收益值最高的平台得到预分配方案，将预分配方案作为初始种群，
步骤3.3：对初始种群进行优化产生新种群；
步骤3.4：对所述新种群中的个体根据相似度进行聚类，将新种群中的个体划分为由相似个体组成的多个子种群，计算子种群相似度；
步骤3.5：根据子种群相似度和阈值判断每个子种群是否需要增强多样性，若需要增强多样性则对子种群检测个体差异性和丰富个体，否则跳过；
步骤3.6：将子种群合并，通过局部搜索产生新种群，迭代次数加1；
步骤3.7：如果迭代次数达到最大迭代次数，计算当前种群中的所有个体的收益值(目标函数值)，将收益值最大的个体作为最优解输出，否则，将步骤3.6中的合并种群作为初始种群输入给步骤3.3，并转至步骤3.3；
进一步地，步骤3.3中对初始种群进行优化的方法是：
步骤3.3.1：初始化内循环迭代次数；
步骤3.3.2：初始化种群，所述种群包含m个个体，每个个体为一个解，每个解包含所有子任务的决策变量
Figure BDA0002504406200000051
所述解的结构为一个二维矩阵，编码方式为行向量代表每一个观测平台，列向量代表一个观测平台上观测子任务的序列，所述初始化指对m个个体随机生成m个二维矩阵，检查每个个体是否违反约束，将违反约束的子任务从序列中删除，计算每个个体的收益值；
步骤3.3.3：个体变异，种群所有个体通过个体领域算子发生变异生成m个新个体；
步骤3.3.4：计算新生成的m个个体的收益值；记录每个新个体的收益值与旧个体收益值的平均差距gap；
步骤3.3.5：当gap低于预设差距阈值则重复步骤3.2.3,否则转步骤3.2.6，所述差距阈值的取值为
Figure BDA0002504406200000052
步骤3.3.6：生成新种群，使用轮盘赌的方式从m个旧个体和m个新个体中选择m个个体作为新种群，其中轮盘赌的方式为按照个体收益值的累计概率密度函数随机选择个体；
步骤3.3.7：个体交叉，在新种群中为每个个体挑选一个交叉对象，交叉对象按照个体收益值的轮盘赌方式进行选择，通过种群领域算子产生m个新个体；
步骤3.3.8：根据步骤3.2.7中的m个新个体生成新种群，使用轮盘赌的方式从m个旧个体和m个新个体中选择m个个体作为新种群，其中轮盘赌的方式为按照个体收益值的累计概率密度函数随机选择个体。
步骤3.3.9：判断是否达到内循环最大迭代次数，未达到则返回步骤3.3.3，否则转3.3.10；
步骤3.3.10：计算新种群中所有个体的收益值，输出新种群和所有个体的收益值。
进一步地，步骤3.4中所述聚类方法为：
步骤3.4.1：输入新种群中的所有m个个体，即m个矩阵；
步骤3.4.2：将m个矩阵的每一行提取出来放入同一集合中，令第k行的集合为Pk，k表示第k个观测平台；
步骤3.4.3：对于每一个集合，计算集合Pk中每一个子任务编码序列与其它子任务编码序列的位均差，如公式(10)所示，序列A和序列B的位均差为LMD(A,B)k，其中L为子任务编码序列长度，A[i]是A中第i位的序号，i[A]是序号i在A中的位置；
Figure BDA0002504406200000061
步骤3.4.4：将所有集合的每一个个体的不同行的位均差求解平均值，其中M是集合Pk中的子任务编码序列的数量，即观测平台的总数量；
Figure BDA0002504406200000062
将E(LMD)m作为种群中两个个体的相似度距离，得到所有个体的距离矩阵；
步骤3.4.5：采用k-medoids方法根据距离矩阵将种群分为K个子种群，本方法中K的取值为int(m/10)；
步骤3.4.6：对K个子种群计算各子种群的相似度，其中相似度的计算方式为，先按照公式(11)计算子种群内的距离矩阵，取该矩阵的上三角矩阵计算所有数值的标准差，将该标准差作为子种群的相似度；
步骤3.4.7：输出K个子种群和各自的相似度。
进一步地，步骤3.5中所述多样性增强方法为：
步骤3.5.1：判断子种群是否满足相似度阈值；
步骤3.5.2：将子种群中的个体按照进行收益排序，记录子种群中所有个体的排序序号，将子种群中的个体按照平均相似度进行排序，记录子种群中所有个体的平均相似度排序序号，
步骤3.5.3：以个体的收益序号与相似度序号之和作为轮盘赌方法的概率，对种群采用轮盘赌的方式选择个体按照步骤3.3.3的方法进行变异。
步骤3.2中训练神经网络的具体方法为：
步骤3.2.1：获取子任务-平台组合与收益标记集合的所有数据，每条数据特征包括：各观测平台可用资源量，各观测平台地理位置，卫星平台任务观测角度，各观测平台基地与任务的距离，任务的资源消耗量、任务的最早可见时间、任务的最晚可见时间、任务与其他任务的重叠度、任务的开始时间和结束时间，用每条数据的收益作为数据标记；
步骤3.2.2：将子任务-平台组合与收益标记集合中的所有数据及数据标记作为训练样本，输入神经网络进行训练；
步骤3.2.3：将训练好的神经网络模型输出。
进一步地，所述子任务-平台组合与收益标记集合中的数据来源于：计算步骤3.6中通过局部搜索产生的新种群中每个个体的收益值，将个体中每个子任务与观测平台进行组合，并将个体收益值作为每一个子任务与观测平台组合的收益。
与现有技术相比，本发明所取得的有益效果是：
本发明面向复杂观测任务的多平台联合任务规划方法，通过网格划分的方式把复杂观测任务统一处理为地理网格对象，在考虑多类观测平台的观测能力的基础上，把观测需求分散到各个观测平台上，将该问题转化为同类型任务的同类型平台任务规划问题。通过构建多平台联合任务规划模型，把该问题抽象为一种最优化问题。通过对该最优化问题进行求解，将算法外循环迭代过程中产生的观测方案处理为子任务-观测平台组合，利用组合的数据特征及其对应观测收益作为训练数据，对神经网络模型进行训练，得到训练后的子任务-平台组合收益预测神经网络模型，利用混合进化算法过程中产生的大量观测方案作为历史方案集，解决了神经网络需要大量训练数据的难题。相比仅使用成熟的观测方案作为训练数据，本发明的神经网络能够更好地学习不同观测方案的优劣程度(即收益值的大小)，从而具备选择更加优质的子任务-平台组合的能力。训练好的神经网络能够为每个子任务识别最适宜的观测平台，因此能够得到期望收益较高的预分配方案，在预分配方案的基础上进行种群优化、聚类等，使得在较快的时间内得到较优的观测方案。本发明通过把任务预处理、最优化建模、群智能和机器学习有机结合，使复杂问题得到了简化，实验表明，通过本发明可将面向复杂观测任务的多平台联合任务规划时间由小时级缩短到分钟级，有效提升了多类型观测平台的规划效率。
附图说明
图1为多类观测平台的协同方式；
图2本发明系统流程图；
图3为地理网格划分示意图；
图4为观测任务分解后的子任务示意图；
图5为混合进化算法流程图；
图6为种群优化流程图。
具体实施方式
图2-图6示出了本发明面向复杂观测任务的多平台联合任务规划方法的一种具体实施例；如图2所示，包括以下步骤：
步骤1：对复杂观测任务进行预处理，得到与目标观测场景上地理网格相对应的若干个子任务；
步骤1.1：以所有观测平台中最小载荷单元的观测幅宽为边长对目标观测场景进行地理网格划分；如图3所示，以观测平台B的无人机最小载荷单元的观测幅宽d2为地理网格的正方形边长划分地理网格；
步骤1.2：将复杂观测任务的目标搜索区域分解到已经划分好的各地理网格中，被目标搜索区域覆盖的每个地理网格对应一个子任务。如图4所示，对一个区域目标来说，其所覆盖的每个地理网格为一个子任务，对于点目标任务来说，直接以点目标所在的地理网格为一个子任务，对于共视目标来说，则划分为多个对载荷有不同要求的子任务，共视目标是指需要至少两个以上的观测平台对目标进行观测。对于移动目标来说，事先知道其移动轨迹，将移动轨迹经过的多个地理网格作为移动目标的子任务。
步骤2：构建多平台联合任务规划模型；
确定目标函数：
Figure BDA0002504406200000081
其中，proij表示子任务saij的收益，决策变量
Figure BDA0002504406200000082
表示子任务saij是否在平台pk上进行观测，
Figure BDA0002504406200000091
表示子任务saij被平台pk观测，
Figure BDA0002504406200000092
表示子任务saij未被平台pk观测；N表示任务的总数量，n表示第i个任务的子任务数，M表示平台数量，saij表示第i个任务的第j个子任务；
式(1)表示目标函数为最大化所有被规划子任务的收益之和；
约束条件：
Figure BDA0002504406200000093
Figure BDA0002504406200000094
Figure BDA0002504406200000095
Figure BDA0002504406200000096
Figure BDA0002504406200000097
Figure BDA0002504406200000098
Figure BDA0002504406200000099
Figure BDA00025044062000000910
其中，式(2)表示被规划任务的所有子任务都会被规划；A表示被规划任务a1,...,ai,...,aN的集合，ai表示第i个任务；
式(3)表示任意一个被规划子任务只能由一个平台来执行，SAi表示任务ai的子任务集合sai1,...,saij,...,sain；
式(4)表示对于任意平台，其执行相邻前后两个子任务的时间段大于两个任务所需的转换时间，所述转换时间对卫星平台而言是姿态转换时间，对无人机平台而言是移动时间；
obij表示子任务saij的规划开始观测时间，oeij表示子任务saij的规划结束观测时间，
trans(oeij,obi'j')表示子任务saij和sai'j'之间的转换时间；
式(5)、(6)限定观测窗口必须在可见窗口范围内，同时也必须在任务有效时间窗口内，
Figure BDA0002504406200000101
表示窗口
Figure BDA0002504406200000102
的开始时间，Twij表示子任务saij的观测窗口集合
Figure BDA0002504406200000103
Figure BDA0002504406200000104
表示子任务saij在第k个观测平台上的窗口开始时间；
Figure BDA0002504406200000105
表示子任务saij在第k个观测平台上的有效观测开始时间，
Figure BDA0002504406200000106
表示子任务saij在第k个观测平台上的规划开始观测时间
Figure BDA0002504406200000107
表示子任务saij在第k个观测平台上的规划结束观测时间，
Figure BDA0002504406200000108
表示窗口
Figure BDA0002504406200000109
的结束时间；
Figure BDA00025044062000001010
表示子任务saij在第k个观测平台上的有效观测结束时间，
式(7)限定了观测时间必须大于最低持续观测时间；
ctij表示满足子任务saij最短持续观测时间；
式(8)限定了传感器类型需要相同，同时空间分辨率要满足要求
obvTypei表示任务ai所要求的观测传感器类型
obvResi任务ai所要求的观测分辨率
Figure BDA00025044062000001011
表示子任务saij在第k个观测平台pk上的传感器类型，obvTypeij表示任务saij所要求的传感器类型；
Figure BDA00025044062000001012
子任务saij在第k个观测平台pk的图像分辨率，obvResij表示子任务saij所要求满足的图像分辨率；
式(9)表示任意平台在周期内执行任务消耗的资源(电量、燃料等)不能超过最大值；
R表示观测平台资源的集合r1,...,rk,...,rM，rk表示第k个观测平台的资源，
Figure BDA00025044062000001013
表示子任务saij在第k个观测平台上的资源消耗量；
步骤3：将步骤1中预处理后的若干个子任务代入多平台联合任务规划模型进行求解；对多平台联合任务规划模型进行求解的方法是混合进化算法。如图5所示，
步骤3.1：初始化外循环迭代次数；
步骤3.2：将步骤1中预处理后的所有子任务和所有平台进行两两组合，输入到根据已记录的子任务-平台组合与收益标记训练好的神经网络训练模型，输出每个组合的预测收益值，为每一个子任务选择预测收益值最高的平台得到预分配方案，将预分配方案作为初始种群；
本实施例使用训练好的神经网络能够为每个子任务识别最适宜的观测平台，因此能够得到期望收益较高的预分配方案，使用预分配方案生成初始种群，可以帮助算法快速收敛，在较快的时间内得到较优的观测方案。
本实施例中训练神经网络的具体方法为：
步骤3.2.1：获取子任务-平台组合与收益标记集合的所有数据，每条数据特征包括：各观测平台可用资源量，各观测平台地理位置，卫星平台任务观测角度，各观测平台基地与任务的距离，任务的资源消耗量、任务的最早可见时间、任务的最晚可见时间、任务与其他任务的重叠度、任务的开始时间和结束时间，用每条数据的收益作为数据标记；
本实施例中的数据学习特征如表4所示：
表4数据学习特征
Figure BDA0002504406200000111
步骤3.2.2：将子任务-平台组合与收益标记集合中的所有数据及数据标记作为训练样本，输入神经网络进行训练；
步骤3.2.3：将训练好的神经网络模型输出。
步骤3.3：对初始种群进行优化产生新种群；如图6所示；
步骤3.3.1：初始化内循环迭代次数；
步骤3.3.2：初始化种群，所述种群包含m个个体，每个个体为一个解，每个解包含所有子任务的决策变量
Figure BDA0002504406200000112
所述解的结构为一个二维矩阵，编码方式为行向量代表每一个观测平台，列向量代表一个观测平台上观测子任务的序列，所述初始化指对m个个体随机生成m个二维矩阵，检查每个个体是否违反约束，将违反约束的子任务从序列中删除，计算每个个体的收益值；
步骤3.3.3：个体变异，种群所有个体通过个体领域算子发生变异生成m个新个体；个体领域算子如表1所示；
表1群优化的个体领域算子
Figure BDA0002504406200000121
步骤3.3.4：计算新生成的m个个体的收益值；记录每个新个体的收益值与旧个体收益值的平均差距gap；
步骤3.3.5：当gap低于预设差距阈值则重复步骤3.2.3,否则转步骤3.2.6，所述差距阈值的取值为
Figure BDA0002504406200000122
步骤3.3.6：生成新种群，使用轮盘赌的方式从m个旧个体和m个新个体中选择m个个体作为新种群，其中轮盘赌的方式为按照个体收益值的累计概率密度函数随机选择个体；
步骤3.3.7：个体交叉，在新种群中为每个个体挑选一个交叉对象，交叉对象按照个体收益值的轮盘赌方式进行选择，通过种群领域算子产生m个新个体；本实施例中种群领域算子如表2所示：
表2群优化的种群领域算子
Figure BDA0002504406200000123
步骤3.3.8：根据步骤3.2.7中的m个新个体生成新种群，使用轮盘赌的方式从m个旧个体和m个新个体中选择m个个体作为新种群，其中轮盘赌的方式为按照个体收益值的累计概率密度函数随机选择个体。
步骤3.3.9：判断是否达到内循环最大迭代次数，未达到则返回步骤3.3.3，否则转3.3.10；
步骤3.3.10：计算新种群中所有个体的收益值，输出新种群和所有个体的收益值。
步骤3.4：对所述新种群中的个体根据相似度进行聚类，将新种群中的个体划分为由相似个体组成的多个子种群，计算子种群相似度；
本实施例中聚类的方法为：
步骤3.4.1：输入新种群中的所有m个个体，即m个矩阵；
步骤3.4.2：将m个矩阵的每一行提取出来放入同一集合中，令第k行的集合为Pk，k表示第k个观测平台；
步骤3.4.3：对于每一个集合，计算集合Pk中每一个子任务编码序列与其它子任务编码序列的位均差，如公式(10)所示，序列A和序列B的位均差为LMD(A,B)k，其中L为子任务编码序列长度，A[i]是A中第i位的序号，i[A]是序号i在A中的位置；
Figure BDA0002504406200000131
步骤3.4.4：将所有集合的每一个个体的不同行的位均差求解平均值，其中M是集合Pk中的子任务编码序列的数量，即观测平台的总数量；
Figure BDA0002504406200000132
将E(LMD)m作为种群中两个个体的相似度距离，得到所有个体的距离矩阵；
步骤3.4.5：采用k-medoids方法根据距离矩阵将种群分为K个子种群，本方法中K的取值为int(m/10)；
步骤3.4.6：对K个子种群计算各子种群的相似度，其中相似度的计算方式为，先按照公式(11)计算子种群内的距离矩阵，取该矩阵的上三角矩阵计算所有数值的标准差，将该标准差作为子种群的相似度；
步骤3.4.7：输出K个子种群和各自的相似度。
步骤3.5：根据子种群相似度和阈值判断每个子种群是否需要增强多样性，若需要增强多样性则对子种群检测个体差异性和丰富个体，否则跳过；
本实施例中多样性增强方法为：
步骤3.5.1：判断子种群是否满足相似度阈值；
步骤3.5.2：将子种群中的个体按照进行收益排序，记录子种群中所有个体的排序序号，将子种群中的个体按照平均相似度进行排序，记录子种群中所有个体的平均相似度排序序号；
步骤3.5.3：以个体的收益序号与相似度序号之和作为轮盘赌方法的概率，对种群采用轮盘赌的方式选择个体按照步骤3.3.3的方法进行变异。
步骤3.6：将子种群合并，通过局部搜索产生新种群，迭代次数加1；
本实施例中的局部搜索是指加入若干个搜索算子，种群中每个个体随机从算子中选择一个用来生成新的个体；搜索算子如表3所示：
表3局部搜索中使用的算子
Figure BDA0002504406200000141
本实施例中，计算步骤3.6中通过局部搜索产生的新种群中每个个体的收益值，将个体中每个子任务与观测平台进行组合，并将个体收益值作为每一个子任务与观测平台组合的收益。将每一个子任务与观测平台组合及其相应的收益作为一条数据保存到子任务-平台组合与收益标记集合中，即保存到图5的历史数据库中。本实施例通过将算法外循环迭代过程中产生的观测方案处理为子任务-观测平台组合，利用组合的数据特征及其对应观测收益作为训练数据，对神经网络模型进行训练，得到训练后的子任务-平台组合收益预测神经网络模型，利用了混合进化算法过程中产生的大量观测方案，解决了神经网络需要大量训练数据的难题。相比仅使用成熟的观测方案作为训练数据，本发明的神经网络能够更好地学习不同观测方案的优劣程度(即收益值的大小)，从而具备选择更加优质的子任务-平台组合的能力。
步骤3.7：如果迭代次数达到最大迭代次数，计算当前种群中的所有个体的收益值，将收益值最大的作为最优解输出，否则，将步骤3.6中的合并种群作为初始种群输入给步骤3.3，并转至步骤3.3；本实施例中，个体收益值为目标函数值。
步骤4：根据求解结果，输出复杂观测任务分解在每一个观测平台的任务序列。
下面通过实验与目前常见的混合优化算法进行对比，来验证本方法的优越性。效果验证中，本技术选择混合禁忌模拟退火算法、混合差分粒子群算法、局部搜索混合遗传算法作为对比对象，这些研究成果已被证明能够很好地解决大规模组合优化问题。
实验场景上，生成一个1000*1000的网格，每个地理网格的边长为1km，观测平台有3个，分别为卫星、无人机、飞机三种观测平台，卫星、无人机、飞机的数量分别为5、10、10，观测请求数量按照“数字-数字-数字”的形式表示，例如场景“50-20-20”分别为点目标50个、区域目标20个、共视目标20个。生成观测平台的相关参数如表5所示。
表5观测平台的相关参数
Figure BDA0002504406200000151
其中卫星无电量约束，无人机与飞机的电量按飞行距离计算，卫星的轨道倾角为45度，代表卫星只能以45度条带进行对地观测，而无人机与飞机无角度限制。实验中用到的算法参数如表6所示。
表6对比实验的算法参数
Figure BDA0002504406200000152
Figure BDA0002504406200000161
在计算机仿真环境中，采用Intel(R)Pentium G4560 CPU 3.50GHz，内存4GB RAM作为硬件环境，通过Matlab2017a实现本技术与对比算法。通过5个场景的对比实验，不同方法的任务调度收益值对比结果如表7所示。
表7对比实验的结果
Figure BDA0002504406200000162
对比结果表明，当场景规模小的时候，混合进化算法能取得不差于其他3种方法的效果，随着场景规模的增大，混合进化算法明显优于其他方法。由此可见，本技术提出的混合进化算法能够具备有效求解面向复杂观测任务的多平台联合任务规划问题的能力，在大规模任务规划结果方面均优于现有方法。
本发明面向复杂观测任务的多平台联合任务规划方法，通过网格划分的方式把复杂观测任务统一处理为地理网格对象，在考虑多类观测平台的观测能力的基础上，把观测需求分散到各个观测平台上，将该问题转化为同类型任务的同类型平台任务规划问题。通过构建多平台联合任务规划模型，把该问题抽象为一种最优化问题。通过对该最优化问题进行求解，将算法外循环迭代过程中产生的观测方案处理为子任务-观测平台组合，利用组合的数据特征及其对应观测收益作为训练数据，对神经网络模型进行训练，得到训练后的子任务-平台组合收益预测神经网络模型，利用了混合进化算法过程中产生的大量观测方案，解决了神经网络需要大量训练数据的难题。相比仅使用成熟的观测方案作为训练数据，本发明的神经网络能够更好地学习不同观测方案的优劣程度(即收益值的大小)，从而具备选择更加优质的子任务-平台组合的能力。训练好的神经网络能够为每个子任务识别最适宜的观测平台，因此能够得到期望收益较高的预分配方案，在预分配方案的基础上进行种群优化、聚类等，使得在较快的时间内得到较优的观测方案。本发明通过把任务预处理、最优化建模、群智能和机器学习有机结合，使复杂问题得到了简化，实验表明，通过本发明可将面向复杂观测任务的多平台联合任务规划时间由小时级缩短到分钟级，有效提升了多类型观测平台的规划效率。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (10)

1.一种面向复杂观测任务的多平台联合任务规划方法，其特征在于：包括以下步骤：
步骤1：对复杂观测任务进行预处理，得到与目标观测场景上地理网格相对应的若干个子任务；
步骤2：构建多平台联合任务规划模型；
步骤3：将步骤1中预处理后的若干个子任务代入多平台联合任务规划模型进行求解；
步骤4：根据求解结果，输出复杂观测任务分解在每一个观测平台的任务序列。
2.根据权利要求1所述的方法，其特征在于：步骤1中对复杂观测任务进行预处理的方法是：
步骤1.1：以所有观测平台中最小载荷单元的观测幅宽为边长对目标观测场景进行地理网格划分；
步骤1.2：将复杂观测任务的目标搜索区域分解到已经划分好的各地理网格中，被目标搜索区域覆盖的每个地理网格对应一个子任务。
3.根据权利要求2所述的方法，其特征在于：步骤2中多平台联合任务规划模型的构建方法是：
确定目标函数：
Figure FDA0002504406190000011
其中，proij表示子任务saij的收益，决策变量
Figure FDA0002504406190000012
表示子任务saij是否在平台pk上进行观测，N表示任务的总数量，n表示第i个任务的子任务数；M表示观测平台数量，saij表示第i个任务的第j个子任务；
式(1)表示目标函数为最大化所有被规划子任务的收益之和；
约束条件：
Figure FDA0002504406190000013
Figure FDA0002504406190000014
Figure FDA0002504406190000015
Figure FDA0002504406190000016
Figure FDA0002504406190000021
Figure FDA0002504406190000022
Figure FDA0002504406190000023
Figure FDA0002504406190000024
其中，式(2)表示被规划任务的所有子任务都会被规划；A表示被规划任务a1,...,ai,...,aN的集合，ai表示第i个任务；
式(3)表示任意一个被规划子任务只能由一个平台来执行，SAi表示任务ai的子任务集合sai1,...,saij,...,sain；
式(4)表示对于任意平台，其执行相邻前后两个子任务的时间段大于两个任务所需的转换时间，所述转换时间对卫星平台而言是姿态转换时间，对无人机平台而言是移动时间；
obij表示子任务saij的规划开始观测时间，oeij表示子任务saij的规划结束观测时间，
trans(oeij,obi'j')表示子任务saij和sai'j'之间的转换时间；
式(5)、(6)限定观测窗口必须在可见窗口范围内，同时也必须在任务有效时间窗口内，
Figure FDA0002504406190000025
表示窗口
Figure FDA0002504406190000026
的开始时间，Twij表示子任务saij的观测窗口集合
Figure FDA0002504406190000027
Figure FDA0002504406190000028
表示子任务saij在第k个观测平台上的窗口开始时间；
Figure FDA0002504406190000029
表示子任务saij在第k个观测平台上的有效观测开始时间；
Figure FDA00025044061900000210
表示子任务saij在第k个观测平台上的规划开始观测时间；
Figure FDA00025044061900000211
表示子任务saij在第k个观测平台上的规划结束观测时间；
Figure FDA00025044061900000212
表示窗口
Figure FDA00025044061900000213
的结束时间；
Figure FDA00025044061900000214
表示子任务saij在第k个观测平台上的有效观测结束时间；
式(7)限定了观测时间必须大于最低持续观测时间；
ctij表示满足子任务saij最短持续观测时间；
式(8)限定了传感器类型需要相同，同时空间分辨率要满足要求；
obvTypei表示任务ai所要求的观测传感器类型；
obvResi任务ai所要求的观测分辨率；
Figure FDA0002504406190000031
表示子任务saij在第k个观测平台pk上的传感器类型，obvTypeij表示任务saij所要求的传感器类型；
Figure FDA0002504406190000032
子任务saij在第k个观测平台pk的图像分辨率，obvResij表示子任务saij所要求满足的图像分辨率；
式(9)表示任意平台在周期内执行任务消耗的资源不能超过最大值；
R表示观测平台资源的集合r1,...,rk,...,rM，rk表示第k个观测平台的资源，
Figure FDA0002504406190000033
表示子任务saij在第k个观测平台上的资源消耗量。
4.根据权利要求3所述的方法，其特征在于：步骤3中对多平台联合任务规划模型进行求解的方法是混合进化算法。
5.根据权利要求4所述的方法，其特征在于：所述混合进化算法具体为：
步骤3.1：初始化外循环迭代次数；
步骤3.2：将步骤1中预处理后的所有子任务和所有平台进行两两组合，输入到根据子任务-平台组合与收益标记集合训练好的神经网络训练模型，输出每个组合的预测收益值，为每一个子任务选择预测收益值最高的平台得到预分配方案，将预分配方案作为初始种群，
步骤3.3：对初始种群进行优化产生新种群；
步骤3.4：对所述新种群中的个体根据相似度进行聚类，将新种群中的个体划分为由相似个体组成的多个子种群，计算每个子种群相似度；
步骤3.5：根据子种群相似度和阈值判断每个子种群是否需要增强多样性，若需要增强多样性则对子种群检测个体差异性和丰富个体，否则跳过；
步骤3.6：将所有子种群合并，通过局部搜索产生新种群，迭代次数加1；
步骤3.7：如果迭代次数达到最大迭代次数，计算当前种群中的所有个体的收益值，将收益值最大的个体作为最优解输出，否则，将步骤3.6中通过局部搜索产生的新种群作为初始种群输入给步骤3.3，并转至步骤3.3。
6.根据权利要求5所述的方法，其特征在于：步骤3.3中对初始种群进行优化的方法是：
步骤3.3.1：初始化内循环迭代次数；
步骤3.3.2：初始化种群，所述种群包含m个个体，每个个体为一个解，每个解包含所有子任务的决策变量
Figure FDA0002504406190000034
所述解的结构为一个二维矩阵，编码方式为行向量代表每一个观测平台，列向量代表一个观测平台上观测子任务的序列，所述初始化指对m个个体随机生成m个二维矩阵，检查每个个体是否违反约束，将违反约束的子任务从序列中删除，计算每个个体的收益值；
步骤3.3.3：个体变异，种群所有个体通过个体领域算子发生变异生成m个新个体；
步骤3.3.4：计算新生成的m个个体的收益值；记录每个新个体的收益值与旧个体收益值的平均差距gap；
步骤3.3.5：当gap低于预设差距阈值则重复步骤3.2.3,否则转步骤3.2.6，所述差距阈值的取值为
Figure FDA0002504406190000041
步骤3.3.6：生成新种群，使用轮盘赌的方式从m个旧个体和m个新个体中选择m个个体作为新种群，其中轮盘赌的方式为按照个体收益值的累计概率密度函数随机选择个体；
步骤3.3.7：个体交叉，在新种群中为每个个体挑选一个交叉对象，交叉对象按照个体收益值的轮盘赌方式进行选择，通过种群领域算子产生m个新个体；
步骤3.3.8：根据步骤3.2.7中的m个新个体生成新种群，使用轮盘赌的方式从m个旧个体和m个新个体中选择m个个体作为新种群，其中轮盘赌的方式为按照个体收益值的累计概率密度函数随机选择个体；
步骤3.3.9：判断是否达到内循环最大迭代次数，未达到则返回步骤3.3.3，否则转3.3.10；
步骤3.3.10：计算新种群中所有个体的收益值，输出新种群和所有个体的收益值。
7.根据权利要求5所述的方法，其特征在于：步骤3.4中所述聚类方法为：
步骤3.4.1：输入新种群中的所有m个个体，即m个矩阵；
步骤3.4.2：将m个矩阵的每一行提取出来放入同一集合中，令第k行的集合为Pk，k表示第k个观测平台；
步骤3.4.3：对于每一个集合，计算集合Pk中每一个子任务编码序列与其它子任务编码序列的位均差，如公式(10)所示，序列A和序列B的位均差为LMD(A,B)k，其中L为子任务编码序列长度，A[i]是A中第i位的序号，i[A]是序号i在A中的位置；
Figure FDA0002504406190000042
步骤3.4.4：将所有集合的每一个个体的不同行的位均差求解平均值，
Figure FDA0002504406190000043
将E(LMD)m作为种群中两个个体的相似度距离，得到所有个体的距离矩阵，M为观测平台数量；
步骤3.4.5：采用k-medoids方法根据距离矩阵将种群分为K个子种群，本方法中K的取值为int(m/10)；
步骤3.4.6：对K个子种群计算各子种群的相似度，其中相似度的计算方式为，先按照公式(11)计算子种群内的距离矩阵，取该矩阵的上三角矩阵计算所有数值的标准差，将该标准差作为子种群的相似度；
步骤3.4.7：输出K个子种群和各自的相似度。
8.根据权利要求5所述的方法，其特征在于：步骤3.5中所述多样性增强方法为：
步骤3.5.1：判断子种群是否满足相似度阈值；
步骤3.5.2：将子种群中的个体按照进行收益排序，记录子种群中所有个体的排序序号，将子种群中的个体按照平均相似度进行排序，记录子种群中所有个体的平均相似度排序序号；
步骤3.5.3：以个体的收益序号与相似度序号之和作为轮盘赌方法的概率，对种群采用轮盘赌的方式选择个体按照步骤3.3.3的方法进行变异。
9.根据权利要求5所述的方法，其特征在于：步骤3.2中训练神经网络的具体方法为：
步骤3.2.1：获取子任务-平台组合与收益标记集合的所有数据，每条数据特征包括：各观测平台可用资源量，各观测平台地理位置，卫星平台任务观测角度，各观测平台基地与任务的距离，任务的资源消耗量、任务的最早可见时间、任务的最晚可见时间、任务与其他任务的重叠度、任务的开始时间和结束时间，用每条数据的收益作为数据标记；
步骤3.2.2：将子任务-平台组合与收益标记集合中的所有数据及数据标记作为训练样本，输入神经网络进行训练；
步骤3.2.3：将训练好的神经网络模型输出。
10.根据权利要求9所述的方法，其特征在于：所述子任务-平台组合与收益标记集合中的数据来源于：计算步骤3.6中通过局部搜索产生的新种群中每个个体的收益值，将个体中每个子任务与观测平台进行组合，并将个体收益值作为每一个子任务与观测平台组合的收益。
CN202010441686.3A 2020-05-22 2020-05-22 面向复杂观测任务的多平台联合任务规划方法 Active CN111598473B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010441686.3A CN111598473B (zh) 2020-05-22 2020-05-22 面向复杂观测任务的多平台联合任务规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010441686.3A CN111598473B (zh) 2020-05-22 2020-05-22 面向复杂观测任务的多平台联合任务规划方法

Publications (2)

Publication Number Publication Date
CN111598473A true CN111598473A (zh) 2020-08-28
CN111598473B CN111598473B (zh) 2023-07-11

Family

ID=72189171

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010441686.3A Active CN111598473B (zh) 2020-05-22 2020-05-22 面向复杂观测任务的多平台联合任务规划方法

Country Status (1)

Country Link
CN (1) CN111598473B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112633295A (zh) * 2020-12-22 2021-04-09 深圳集智数字科技有限公司 面向循环任务的预测方法、装置、电子设备及存储介质
CN112766813A (zh) * 2021-02-05 2021-05-07 中国人民解放军国防科技大学 一种空天协同观测复杂任务调度方法及系统
CN112783210A (zh) * 2021-01-04 2021-05-11 中国人民解放军国防科技大学 无人机集群控制系统的多目标控制参数调优方法
CN113268893A (zh) * 2021-07-19 2021-08-17 中国科学院自动化研究所 基于连通保持约束的群体围捕方法及装置
CN114879745A (zh) * 2022-07-12 2022-08-09 成都戎星科技有限公司 基于预规划和禁忌搜索算法的多无人机协同任务规划方法
CN115103410A (zh) * 2022-08-22 2022-09-23 中国人民解放军国防科技大学 一种测控数传资源调度方法、系统及装置
CN116611675A (zh) * 2023-07-20 2023-08-18 广东省信息工程有限公司 一种多源多中心节点的督查督办管理方法和系统
CN117634858A (zh) * 2024-01-26 2024-03-01 中国人民解放军军事科学院国防科技创新研究院 基于即时优势窗口的人机混合方案生成方法和装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105654220A (zh) * 2014-11-27 2016-06-08 航天恒星科技有限公司 一种多卫星联合观测方法及系统
CN106529826A (zh) * 2016-11-30 2017-03-22 中国电子科技集团公司第五十四研究所 一种基于超启发式算法的多星对地观测任务规划调度方法
CN108256671A (zh) * 2017-12-26 2018-07-06 佛山科学技术学院 一种基于学习型遗传算法的多任务多资源滚动分配方法
CN109409775A (zh) * 2018-11-14 2019-03-01 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
CN109636214A (zh) * 2018-12-19 2019-04-16 航天恒星科技有限公司 一种面向多源对地观测卫星的快速任务规划方法
CN109711702A (zh) * 2018-12-20 2019-05-03 西安电子科技大学 面向多管理平台的对地观测任务分布式协同规划方法
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

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105654220A (zh) * 2014-11-27 2016-06-08 航天恒星科技有限公司 一种多卫星联合观测方法及系统
CN106529826A (zh) * 2016-11-30 2017-03-22 中国电子科技集团公司第五十四研究所 一种基于超启发式算法的多星对地观测任务规划调度方法
CN108256671A (zh) * 2017-12-26 2018-07-06 佛山科学技术学院 一种基于学习型遗传算法的多任务多资源滚动分配方法
CN109409775A (zh) * 2018-11-14 2019-03-01 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
CN109636214A (zh) * 2018-12-19 2019-04-16 航天恒星科技有限公司 一种面向多源对地观测卫星的快速任务规划方法
CN109711702A (zh) * 2018-12-20 2019-05-03 西安电子科技大学 面向多管理平台的对地观测任务分布式协同规划方法
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 (4)

* Cited by examiner, † Cited by third party
Title
李军;李军;钟志农;景宁;胡卫东;: "异构MAS结构下的空天资源多阶段协同任务规划方法", 航空学报 *
李军;郭玉华;王钧;景宁;: "基于分层控制免疫遗传算法的多卫星联合任务规划方法", 航空学报 *
李军;郭玉华;王钧;景宁;: "基于贪婪随机自适应过程的多类型卫星联合任务规划技术", 系统工程与电子技术 *
王慧林;伍国华;马满好;: "多类异构对地观测平台协同任务规划方法", 航空学报 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112633295A (zh) * 2020-12-22 2021-04-09 深圳集智数字科技有限公司 面向循环任务的预测方法、装置、电子设备及存储介质
CN112783210A (zh) * 2021-01-04 2021-05-11 中国人民解放军国防科技大学 无人机集群控制系统的多目标控制参数调优方法
CN112783210B (zh) * 2021-01-04 2022-03-25 中国人民解放军国防科技大学 无人机集群控制系统的多目标控制参数调优方法
CN112766813B (zh) * 2021-02-05 2023-06-20 中国人民解放军国防科技大学 一种空天协同观测复杂任务调度方法
CN112766813A (zh) * 2021-02-05 2021-05-07 中国人民解放军国防科技大学 一种空天协同观测复杂任务调度方法及系统
CN113268893A (zh) * 2021-07-19 2021-08-17 中国科学院自动化研究所 基于连通保持约束的群体围捕方法及装置
CN114879745B (zh) * 2022-07-12 2022-09-16 成都戎星科技有限公司 基于预规划和禁忌搜索算法的多无人机协同任务规划方法
CN114879745A (zh) * 2022-07-12 2022-08-09 成都戎星科技有限公司 基于预规划和禁忌搜索算法的多无人机协同任务规划方法
CN115103410A (zh) * 2022-08-22 2022-09-23 中国人民解放军国防科技大学 一种测控数传资源调度方法、系统及装置
CN115103410B (zh) * 2022-08-22 2022-11-08 中国人民解放军国防科技大学 一种测控数传资源调度方法、系统及装置
CN116611675A (zh) * 2023-07-20 2023-08-18 广东省信息工程有限公司 一种多源多中心节点的督查督办管理方法和系统
CN116611675B (zh) * 2023-07-20 2024-01-12 广东省信息工程有限公司 一种多源多中心节点的督查督办管理方法和系统
CN117634858A (zh) * 2024-01-26 2024-03-01 中国人民解放军军事科学院国防科技创新研究院 基于即时优势窗口的人机混合方案生成方法和装置

Also Published As

Publication number Publication date
CN111598473B (zh) 2023-07-11

Similar Documents

Publication Publication Date Title
CN111598473B (zh) 面向复杂观测任务的多平台联合任务规划方法
Hamurcu et al. Selection of unmanned aerial vehicles by using multicriteria decision-making for defence
CN108229719B (zh) 无人机编队任务分配与航迹规划的多目标优化方法及装置
CA2829169C (en) Aerial forest inventory system
CN107168380B (zh) 一种基于蚁群算法的无人机群区域覆盖的多步寻优方法
CN107807665B (zh) 无人机编队探测任务协同分配方法及装置
CN109711087B (zh) 一种uuv动态威胁态势评估方法
US9117185B2 (en) Forestry management system
CN107977743B (zh) 多无人机协同任务分配方法及装置
CN107886201B (zh) 多无人机任务分配的多目标优化方法及装置
CN110428111A (zh) Uav/ugv协同长时多任务作业轨迹规划方法
CN109933842A (zh) 一种基于约束满足遗传算法的移动目标单星任务规划方法
Groba et al. Integrating forecasting in metaheuristic methods to solve dynamic routing problems: Evidence from the logistic processes of tuna vessels
Kapoor et al. Airplanes aloft as a sensor network for wind forecasting
CN109885082B (zh) 一种基于任务驱动下的无人机航迹规划的方法
CN114169066A (zh) 基于微纳星群抵近侦察的空间目标特性测量、侦察方法
CN112733251B (zh) 一种多无人飞行器协同航迹规划方法
CN115840463B (zh) 一种用于无人机集群协同侦察的数据处理方法及装置
CN112668930A (zh) 基于改进教学优化方法的多星任务调度规划方法
Glad et al. Assessing the performance of object‐oriented Li DAR predictors for forest bird habitat suitability modeling
Zheng et al. Robustness of the planning algorithm for ocean observation tasks
Medeiros et al. Computational modeling for automatic path planning based on evaluations of the effects of impacts of UAVs on the ground
CN113496103A (zh) 基于多重原则与链条组合的敏捷卫星多目标协同观测方法
CN116820121A (zh) 一种无人机群体联合侦查策略生成方法及终端
Dong et al. Coordinated Planning Research on Distributed Command and Control System based on UAV

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