CN111913787A - 基于遗传算法的成像卫星调度方法和系统 - Google Patents
基于遗传算法的成像卫星调度方法和系统 Download PDFInfo
- Publication number
- CN111913787A CN111913787A CN202010567886.3A CN202010567886A CN111913787A CN 111913787 A CN111913787 A CN 111913787A CN 202010567886 A CN202010567886 A CN 202010567886A CN 111913787 A CN111913787 A CN 111913787A
- Authority
- CN
- China
- Prior art keywords
- satellite
- task
- population
- observation
- individuals
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/485—Task life-cycle, e.g. stopping, restarting, resuming execution
-
- 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
- G06Q10/0633—Workflow analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/48—Indexing scheme relating to G06F9/48
- G06F2209/486—Scheduler internals
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (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)
Abstract
本发明提供一种基于遗传算法的成像卫星调度方法和系统,涉及卫星观测领域。包括:获取卫星资源和卫星任务;基于卫星资源和卫星任务获取卫星任务观测收益和卫星任务优先级;基于卫星任务观测收益和卫星任务优先级设定目标函数,并设定约束条件;基于目标函数和约束条件构建卫星任务观测模型;对卫星任务观测模型求取初始解,并将初始解作为卫星任务种群;基于预设的遗传算法对卫星任务种群求取最优解,得到卫星任务调度方案。本发明对卫星调度的效率高。
Description
技术领域
本发明涉及卫星观测技术领域,具体涉及一种基于遗传算法的成像卫星调度方法和系统。
背景技术
随着科技的发展,人们对于航空航天领域不断的进行探索和开发,各种飞行器和卫星被制造并广泛应用于各种领域,例如通过卫星对地面进行监测。用户向地面站提出观测任务需求,地面站将任务上注给卫星,围绕地面,并对任务目标进行观测,从而得到用户需要的信息。因此利用卫星实现任务观测是当前的一大研究热点。
随着卫星科技不断发展,成像卫星随之问世并被广泛应用,成像卫星调度主要是在多星多任务的情况下规划任务集开展对地目标的成像任务。在成像卫星进行任务调度的过程中,需要为卫星合理分配任务集,现有技术通常采用人工智能的方法,如蚁群算法、贪婪算法、人工神经网络来对其求解,以获取任务分配方案。
然而本申请的发明人发现,多星任务的规划为复杂组合优化问题,任务方面,需要处理的观测任务数较多,观测任务需求有差异;资源方面,观测计划的制定需要考虑存储、传感器和轨道的限制等因素,致使解空间显示出不规则的特征,获取最优解的难度增大。而现有技术的方法存在收敛速度慢、局部搜索能力较差和易陷入局部最优的缺点,导致无法对卫星资源进行较好的利用,因此,现有技术存在卫星调度效率低的缺点
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于遗传算法的成像卫星调度方法和系统,解决了现有技术在对卫星进行调度时效率低的技术问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
本发明解决其技术问题所提供的一种基于遗传算法的成像卫星调度方法,所述方法有计算机执行,包括以下步骤:
S1、获取卫星资源和卫星任务;
S2、基于所述卫星资源和所述卫星任务获取卫星任务观测收益和卫星任务优先级;
S3、基于所述卫星任务观测收益和所述卫星任务优先级设定目标函数,并设定约束条件;
S4、基于所述目标函数和所述约束条件构建卫星任务观测模型;
S5、对所述卫星任务观测模型求取初始解,并将所述初始解作为卫星任务种群;
S6、基于预设的遗传算法对所述卫星任务种群求取最优解,得到卫星任务调度方案。
优选的,所述目标函数为:
其中:
ei表示第i个卫星任务的观测收益;
oi表示第i个卫星任务是否被安排观测,当oi=1时,第i个卫星被安排观测,当oi=0时,第i个卫星不被安排观测;
所述约束条件至少包括以下一项:
Tb≤TbWinlg≤TeWinlg≤Te
TbWinlg≤Ob≤Oe≤TeWinlg
Tope+Tclo+Tsle≤TbWinki-TeWinlg
Timemax≥Timeope
其中:
TbWinlg表示第l个任务的第g个窗口Winlg的开始时间;
TeWinlg表示第l个任务的第g个窗口Winlg的结束时间;
TbWinki表示第k个任务的第i个窗口Winki的开始时间;
[Tb,Te]表示第l个任务的调度时间窗;
[Ob,Oe]表示第l个任务的观测活动时间窗;
Tope表示卫星sats的开机稳定时间;
Tclo表示卫星sats的关机稳定时间;
Tsle表示卫星sats的侧摆时间;
Timeope表示卫星的开机工作时间;
Timemax表示卫星的最大工作时间;
优选的,步骤S6具体包括以下步骤:
S601、初始化遗传算法参数,构建禁忌表;
S602、基于实数排列编码方法对所述卫星任务种群进行编码处理;
S603、基于预设的适应度函数对编码后的卫星任务种群个体求取适应度值,并根据所述适应度值更新禁忌表;
S604、依次对种群个体进行一次变异操作、交叉操作、二次变异操作和选择操作,得到任务观测序列;
S605、判断此时是否达到迭代终止条件,若是,则跳转到S606;若否,则跳转到S603;
S606、输出最优解,作为卫星任务调度方案。
优选的,在步骤S6中,将迭代过程中产生的较优个体以及适应度值存入禁忌表中,且存放个体的数量由禁忌表的长度决定,禁忌表中个体按照适应度值由大到小进行排列;当迭代产生个体的适应度值大于禁忌表中已有个体的适应度值时对禁忌表进行更新。
优选的,在S602中,所述实数排列编码方法包括:
对于所述卫星任务种群,种群的每条染色体代表一个调度方案,将每条染色体上的任务按照卫星观测时间窗先后顺序进行排列,并在染色体中加入虚拟卫星,用于存放暂时不能被观测的任务,使得染色体长度保持一致。
优选的,在S603中,所述预设的适应度函数为:
其中:
fl为任务tl的优先级;
Tt为任务tl的所需时间;
Ct为任务tl占用卫星容量;
Wt为任务tl的可用时间窗的数目;
el为任务tl的观测收益;
优选的,在S604中,所述一次变异操作包括:
计算种群个体的适应度值,对于低于平均适应度值的种群个体进行变异;
对于卫星任务A来说,若卫星任务A执行的开始时间在变异时间点之前,且变异时间点在卫星任务A的执行期间,则:将卫星任务A 的下一个任务B进行变异操作,并将任务B移除,移动至虚拟卫星任务序列中;
变异结束后,将虚拟卫星任务序列中放置的卫星任务随机插入到染色体中;
所述交叉操作包括:
随机在父代染色体中产生两个个体,比较适应度值,保留较大的适应度值的个体;进行两次上述操作,得到两个父代染色体个体,将两个父代染色体个体依据自适应交叉概率进行交叉;
所述二次变异操作包括:
采用轮盘赌选择机制,计算交叉操作后每个染色体个体的适应度值,依据轮盘赌选择保留染色体个体;
所述选择操作包括:
保留父代染色体与子代染色体中适应度值最大的个体;
对于此时的种群,除开适应度值最大的个体不做处理,在剩余全部个体中随机选择两个个体进行两两竞争选择操作,并保留适应度值较大的个体至下一代种群;
重复上述操作,直至剩余全部个体都进行了两两竞争竞争选择,得到下一代种群。
优选的,所述自适应交叉概率的获取方法包括:
其中:
FITc为交叉个体适应度值;
FITavg为种群平均适应度值;
FITmax为种群中最大的适应度值;
FITmin为种群中最小的适应度值。
本发明解决其技术问题所提供的一种基于遗传算法的成像卫星调度系统,所述系统包括计算机,所述计算机包括:
至少一个存储单元;
至少一个处理单元;
其中,所述至少一个存储单元中存储有至少一条指令,所述至少一条指令由所述至少一个处理单元加载并执行以实现以下步骤:
S1、获取卫星资源和卫星任务;
S2、基于所述卫星资源和所述卫星任务获取卫星任务观测收益和卫星任务优先级;
S3、基于所述卫星任务观测收益和所述卫星任务优先级设定目标函数,并设定约束条件;
S4、基于所述目标函数和所述约束条件构建卫星任务观测模型;
S5、对所述卫星任务观测模型求取初始解,并将所述初始解作为卫星任务种群;
S6、基于预设的遗传算法对所述卫星任务种群求取最优解,得到卫星任务调度方案。
(三)有益效果
本发明提供了一种基于遗传算法的成像卫星调度方法和系统。与现有技术相比,具备以下有益效果:
本发明通过获取卫星资源和卫星任务;基于卫星资源和卫星任务获取卫星任务观测收益和卫星任务优先级;基于卫星任务观测收益和卫星任务优先级设定目标函数,并设定约束条件;基于目标函数和约束条件构建卫星任务观测模型;对卫星任务观测模型求取初始解,并将初始解作为卫星任务种群;基于预设的遗传算法对卫星任务种群求取最优解,得到卫星任务调度方案。本发明结合卫星任务的观测收益和优先级构建了任务观测模型,提高了卫星观测任务的效率,同时针对现有技术的缺点对遗传算法进行了改进,优化了卫星任务调度方案。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于遗传算法的成像卫星调度方法的整体流程图;
图2为本发明实施例提供的一条染色体的示意图;
图3为本发明实施例提供的一条染色体执行一次变异操作前的示意图;
图4为本发明实施例提供的一条染色体执行一次变异操作后的示意图;
图5为本发明实施例提供的两条父代染色体执行交叉操作前的示意图;
图6为本发明实施例提供的两条父代染色体执行交叉操作后的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请实施例通过提供一种基于遗传算法的成像卫星调度方法和系统,解决了现有技术在对卫星进行调度时效率低的技术问题,实现卫星调度时效率的提高。
本申请实施例中的技术方案为解决上述技术问题,总体思路如下:
本发明实施例通过获取卫星资源和卫星任务;基于卫星资源和卫星任务获取卫星任务观测收益和卫星任务优先级;基于卫星任务观测收益和卫星任务优先级设定目标函数,并设定约束条件;基于目标函数和约束条件构建卫星任务观测模型;对卫星任务观测模型求取初始解,并将初始解作为卫星任务种群;基于预设的遗传算法对卫星任务种群求取最优解,得到卫星任务调度方案。本发明实施例结合卫星任务的观测收益和优先级构建了任务观测模型,提高了卫星观测任务的效率,同时针对现有技术的缺点对遗传算法进行了改进,优化了卫星任务调度方案。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本发明实施例提供了一种基于遗传算法的成像卫星调度方法,该方法由计算机执行,如图1所示,包括以下步骤:
S1、获取卫星资源和卫星任务;
S2、基于上述卫星资源和上述卫星任务获取卫星任务观测收益和卫星任务优先级;
S3、基于上述卫星任务观测收益和上述卫星任务优先级设定目标函数,并设定约束条件;
S4、基于上述目标函数和上述约束条件构建卫星任务观测模型;
S5、对上述卫星任务观测模型求取初始解,并将上述初始解作为卫星任务种群;
S6、基于预设的遗传算法对上述卫星任务种群求取最优解,得到卫星任务调度方案。
本发明实施例通过获取卫星资源和卫星任务;基于卫星资源和卫星任务获取卫星任务观测收益和卫星任务优先级;基于卫星任务观测收益和卫星任务优先级设定目标函数,并设定约束条件;基于目标函数和约束条件构建卫星任务观测模型;对卫星任务观测模型求取初始解,并将初始解作为卫星任务种群;基于预设的遗传算法对卫星任务种群求取最优解,得到卫星任务调度方案。本发明实施例结合卫星任务的观测收益和优先级构建了任务观测模型,提高了卫星观测任务的效率,同时针对现有技术的缺点对遗传算法进行了改进,优化了卫星任务调度方案。
需要说明的是,本发明实施例在具体实施时,将相关问题在不影响成像卫星调度问题的前提条件下进行适当的简化。卫星运行轨道及其所携带的传感器的差异不进行考虑,假设所有卫星具有同质性;所有任务均为点目标,任务一次性可以完成观测;对于天气、昼夜或云层等气象条件影响目标观测的情况不进行考虑。
下面对各步骤进行具体分析。
在步骤S1中,获取卫星资源和卫星任务。
具体的,卫星资源集SAT={sat1,sat2,...,satj,...,satm}(共m颗卫星,satj表示第j颗卫星)和任务集T={t1,t2,...,tl,...,tr}(共r个任务,tl表示第l 个任务)。
在步骤S2中,基于上述卫星资源和上述卫星任务获取卫星任务观测收益和卫星任务优先级。
具体的,本发明实施例设定每个任务tr被成功的进行观测后,就会有一定的收益er获得,则任务集T对应的观测收益集为E={e1,e2,...,er},任务集对应的优先级集合为F={f1,f2,...,fr}。
任务是否观测的决策变量集合为O={o1,o2,...,or},若任务tr被安排观测,则or=1;否则or=0。
在步骤S3中,基于上述卫星任务观测收益和上述卫星任务优先级设定目标函数,并设定约束条件。
具体的,目标函数为:
其中:
ei表示第i个卫星任务的观测收益;
oi表示第i个卫星任务是否被安排观测,当oi=1时,第i个卫星被安排观测,当oi=0时,第i个卫星不被安排观测。
约束条件至少包括以下一项:
(1)同一时间段每个卫星只能观测一个任务,且每个任务一次性完成。设数组SATIndex(j)表示卫星j是否被占用,若SATIndex(j)=1,则说明卫星j可用,否则SATIndex(j)=0,表示卫星不可用。
(2)设任务tl共有n个观测窗口{Winl1,Winl2,...,Winln},窗口Winlg的开始时间为TbWinlg,结束时间为TeWinlg,规划调度时间窗为[Tb,Te],执行观测活动时间窗为[Ob,Oe]。
若对任务tl采用时间窗口Winlg进行观测,则须满足:
Tb≤TbWinlg≤TeWinlg≤Te
满足其中观测活动在某一时间窗内:TbWinlg≤Ob≤Oe≤TeWinlg。
(3)设卫星sats对任务tl和tk进行观测连续利用时间窗Winlg和 Winki,卫星固有属性开机稳定时间为Tope,关机稳定时间为Tclo,侧摆时间为Tsle,则须满足:
Tope+Tclo+Tsle≤TbWinki-TeWinlg
(4)卫星完成所有观测任务的开机工作时间不大于卫星最大工作时间。开机工作时间Timeope,卫星最大工作时间Timemax,则须满足:
Timemax≥Timeope
其中:
TbWinlg表示第l个任务的第g个窗口Winlg的开始时间;
TeWinlg表示第l个任务的第g个窗口Winlg的结束时间;
TbWinki表示第k个任务的第i个窗口Winki的开始时间;
[Tb,Te]表示第l个任务的调度时间窗;
[Ob,Oe]表示第l个任务的观测活动时间窗;
Tope表示卫星sats的开机稳定时间;
Tclo表示卫星sats的关机稳定时间;
Tsle表示卫星sats的侧摆时间;
Timeope表示卫星的开机工作时间;
Timemax表示卫星的最大工作时间;
在步骤S4中,基于上述目标函数和上述约束条件构建卫星任务观测模型。
在步骤S5中,基于上述卫星任务观测模型求取初始解,并将上述初始解作为卫星任务种群。
在步骤S6中,基于预设的遗传算法对上述卫星任务种群求取最优解,得到卫星任务调度方案。
具体的,包括以下步骤:
S601、初始化遗传算法参数,构建禁忌表。
具体的,对任务信息及遗传算法参数初始化。构建禁忌表tubam,设置表长为L。
对于禁忌表,将迭代过程中产生的较优个体及其适应度值存入禁忌表tubam中,存放个体的数量由禁忌表tubam长度L决定,禁忌表tubam中个体按照适应度值由大到小排列。当迭代产生个体的适应度值大于禁忌表tubam中已有个体的适应度值时禁忌表tubam更新。
S602、基于实数排列编码方法对上述卫星任务种群进行编码处理。
在本发明实施例中,初始化遗传种群规模为S。即随机按照观测任务优先级分配时间窗,生成编码个体Q组。
具体的,实数排列编码方法包括:
对于卫星任务种群,种群的每条染色体代表一个调度方案,将每条染色体上的任务按照卫星观测时间窗先后顺序进行排列,并在染色体中加入虚拟卫星,用于存放暂时不能被观测的任务,使得染色体长度保持一致。
以实例分析:
设定染色体中共有13个观测任务(用t1-t13表示),两颗卫星 (sat1,sat2),一颗虚拟卫星(放置不能被观测的任务),如图2所示,为本发明实施例中一条染色体的示意图。
其中,卫星sat1执行观测任务t1、t4、t5、t9、t2、t3,卫星sat2执行观测任务t7、t12、t11、t6、t13,虚拟卫星中存放不能被观测的任务t8、t10。
S603、基于预设的适应度函数对编码后的卫星任务种群个体求取适应度值,并根据上述适应度值更新禁忌表。
预设的适应度函数为:
其中:
fl为任务tl的优先级;
Tt为任务tl的所需时间;
Ct为任务tl占用卫星容量;
Wt为任务tl的可用时间窗的数目;
el为任务tl的观测收益;
具体的,优先级越高、时间和空间资源越小、可用时间窗越少的任务的适应度值越高。
更新禁忌表tubam,具体为:
种群中每条染色体表示一个调度方案,即任务观测序列。在迭代过程中,产生个体并计算其适应度值。当产生的个体的适应度值大于禁忌表tubam中已有个体的适应度时,将产生的个体及其适应度值加入到禁忌表tubam中,并删除禁忌表tubam中适应度值最小的个体。禁忌表 tubam存放个体的数量由禁忌表tubam长度L决定,禁忌表tubam中个体按照适应度值由大到小排列
S604、依次对种群个体进行一次变异操作、交叉操作、二次变异操作和选择操作,得到任务观测序列。
具体的,包括以下步骤:
S6041、复制操作。将父代个体全部复制,并保留与子代同时进行选择操作。减少因为遗传操作导致较好的个体被破坏的情况。
S6042、一次变异操作,包括:
计算种群个体的适应度值,对于低于平均适应度值的的个体染色体进行变异,以改善遗传算法的局部搜索能力。
对于卫星任务A来说,若卫星任务A执行的开始时间在变异时间点之前,且变异时间点在卫星任务A的执行期间,则:将卫星任务A 的下一个卫星任务B进行变异操作(此时视为卫星任务B为最接近变异时间点的任务),并将卫星任务B移除,移动至虚拟卫星任务序列中。
以实例分析,如图3所示,为一条染色体执行一次变异操作前的示意图。
执行任务tl的开始时间早于变异的时间点,与变异的时间点距离最接近的任务tl+1进行变异操作,将此任务移除,移动至虚拟卫星任务序列中。
如图4所示,为这条染色体执行一次变异操作后的示意图。
变异结束后,为保证卫星能够完成观测任务获得观测收益,将虚拟卫星任务序列中放置的卫星任务随机的重新插入到染色体中。
S6043、交叉操作,包括:
随机在父代染色体中产生两个个体,比较适应度值,保留较大的适应度值的个体;进行两次上述操作,得到两个父代染色体个体,将两个父代染色体个体依据自适应交叉概率进行交叉。
自适应交叉概率的获取方法包括:
其中:
FITc为交叉个体适应度值;
FITavg为种群平均适应度值;
FITmax为种群中最大的适应度值;
FITmin为种群中最小的适应度值。
如图5所示,为两条父代染色体执行交叉操作前的示意图,如图6 所示,为两条父代染色体执行交叉操作后的示意图。
交叉策略基于时间窗的交换,依据交叉概率选择时间点,对于每颗卫星在选择的时间点之后的观测序列进行交叉。在交叉过程中,原染色体与交叉来的观测任务出现重复,将重复观测任务移到虚拟卫星中。
交叉结束后,为保证完成卫星观测任务的收益,对每条染色体上虚拟卫星中放置的观测任务随机重新进行插入。
S6044、二次变异操作,包括:
采用轮盘赌选择机制,计算交叉操作后每个染色体个体的适应度值,依据轮盘赌选择保留染色体个体。
具体的,轮盘赌选择为现有技术,表示每个个体进入下一代的概率等于它的适应度值与整个种群中个体适应度值和的比例。
轮盘赌选择有较大概率保留较优的观测任务序列,加速种群的收敛,从而提高算法的运行效率。
S6045、选择操作,包括:
保留父代染色体与子代染色体中适应度值最大的个体;
对于此时的种群,除开适应度值最大的个体不做处理,在剩余全部个体中随机选择两个个体进行两两竞争选择操作,并保留适应度值较大的个体至下一代种群;
重复上述操作,直至剩余全部个体都进行了两两竞争竞争选择,得到下一代种群。
S605、判断此时是否达到迭代终止条件,若是,则跳转到S606;若否,则跳转到S603;
具体的,本发明实施例设置的迭代终止条件为种群稳定。设定最大迭代次数,若种群在迭代过程中出现连续迭代10次,且这10代中种群的最大适应度值与平均适应度值的差值小于10-5或者迭代达到设定的最大迭代次数则迭代终止。
S606、输出最优解,作为卫星任务调度方案。
具体的,根据上述遗传算法得到的最优解即为最优任务观测序列,作为卫星任务调度方案用于实施。
本发明实施例还提供了一种基于遗传算法的成像卫星调度系统,上述系统包括计算机,上述计算机包括:
至少一个存储单元;
至少一个处理单元;
其中,上述至少一个存储单元中存储有至少一条指令,上述至少一条指令由上述至少一个处理单元加载并执行以实现以下步骤:
S1、获取卫星资源和卫星任务;
S2、基于上述卫星资源和上述卫星任务获取卫星任务观测收益和卫星任务优先级;
S3、基于上述卫星任务观测收益和上述卫星任务优先级设定目标函数,并设定约束条件;
S4、基于上述目标函数和上述约束条件构建卫星任务观测模型;
S5、对上述卫星任务观测模型求取初始解,并将上述初始解作为卫星任务种群;
S6、基于预设的遗传算法对上述卫星任务种群求取最优解,得到卫星任务调度方案。
可理解的是,本发明实施例提供的上述调度系统与上述调度方法相对应,其有关内容的解释、举例、有益效果等部分可以参考基于遗传算法的成像卫星调度方法中的相应内容,此处不再赘述。
综上所述,与现有技术相比,具备以下有益效果:
本发明实施例通过获取卫星资源和卫星任务;基于卫星资源和卫星任务获取卫星任务观测收益和卫星任务优先级;基于卫星任务观测收益和卫星任务优先级设定目标函数,并设定约束条件;基于目标函数和约束条件构建卫星任务观测模型;对卫星任务观测模型求取初始解,并将初始解作为卫星任务种群;基于预设的遗传算法对卫星任务种群求取最优解,得到卫星任务调度方案。本发明实施例结合卫星任务的观测收益和优先级构建了任务观测模型,提高了卫星观测任务的效率,同时针对现有技术的缺点对遗传算法进行了改进,优化了卫星任务调度方案。
本发明实施例提出改进的遗传算法,首先采用采用实数编码方式便于将解映射到问题上,交叉算子采用自适应概率,提高算法的效率;同时选择操作中选用两代竞争的方法,避免出现“早熟”的现象,使改进的遗传算法收敛于全局最优。与传统的遗传算法求解成像卫星调度问题对比,改进后算法求解效率更优。
需要说明的是,通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于遗传算法的成像卫星调度方法,其特征在于,所述方法有计算机执行,包括以下步骤:
S1、获取卫星资源和卫星任务;
S2、基于所述卫星资源和所述卫星任务获取卫星任务观测收益和卫星任务优先级;
S3、基于所述卫星任务观测收益和所述卫星任务优先级设定目标函数,并设定约束条件;
S4、基于所述目标函数和所述约束条件构建卫星任务观测模型;
S5、对所述卫星任务观测模型求取初始解,并将所述初始解作为卫星任务种群;
S6、基于预设的遗传算法对所述卫星任务种群求取最优解,得到卫星任务调度方案。
2.如权利要求1所述的调度方法,其特征在于,所述目标函数为:
其中:
ei表示第i个卫星任务的观测收益;
oi表示第i个卫星任务是否被安排观测,当oi=1时,第i个卫星被安排观测,当oi=0时,第i个卫星不被安排观测;
所述约束条件至少包括以下一项:
Tb≤TbWinlg≤TeWinlg≤Te
TbWinlg≤Ob≤Oe≤TeWinlg
Tope+Tclo+Tsle≤TbWinki-TeWinlg
Timemax≥Timeope
其中:
TbWinlg表示第l个任务的第g个窗口Winlg的开始时间;
TeWinlg表示第l个任务的第g个窗口Winlg的结束时间;
TbWinki表示第k个任务的第i个窗口Winki的开始时间;
[Tb,Te]表示第l个任务的调度时间窗;
[Ob,Oe]表示第l个任务的观测活动时间窗;
Tope表示卫星sats的开机稳定时间;
Tclo表示卫星sats的关机稳定时间;
Tsle表示卫星sats的侧摆时间;
Timeope表示卫星的开机工作时间;
Timemax表示卫星的最大工作时间;
3.如权利要求1所述的调度方法,其特征在于,步骤S6具体包括以下步骤:
S601、初始化遗传算法参数,构建禁忌表;
S602、基于实数排列编码方法对所述卫星任务种群进行编码处理;
S603、基于预设的适应度函数对编码后的卫星任务种群个体求取适应度值,并根据所述适应度值更新禁忌表;
S604、依次对种群个体进行一次变异操作、交叉操作、二次变异操作和选择操作,得到任务观测序列;
S605、判断此时是否达到迭代终止条件,若是,则跳转到S606;若否,则跳转到S603;
S606、输出最优解,作为卫星任务调度方案。
4.如权利要求3所述的调度方法,其特征在于,在步骤S6中,将迭代过程中产生的较优个体以及适应度值存入禁忌表中,且存放个体的数量由禁忌表的长度决定,禁忌表中个体按照适应度值由大到小进行排列;当迭代产生个体的适应度值大于禁忌表中已有个体的适应度值时对禁忌表进行更新。
5.如权利要求3所述的调度方法,其特征在于,在S602中,所述实数排列编码方法包括:
对于所述卫星任务种群,种群的每条染色体代表一个调度方案,将每条染色体上的任务按照卫星观测时间窗先后顺序进行排列,并在染色体中加入虚拟卫星,用于存放暂时不能被观测的任务,使得染色体长度保持一致。
7.如权利要求5所述的调度方法,其特征在于,在S604中,所述一次变异操作包括:
计算种群个体的适应度值,对于低于平均适应度值的种群个体进行变异;
对于卫星任务A来说,若卫星任务A执行的开始时间在变异时间点之前,且变异时间点在卫星任务A的执行期间,则:将卫星任务A的下一个任务B进行变异操作,并将任务B移除,移动至虚拟卫星任务序列中;
变异结束后,将虚拟卫星任务序列中放置的卫星任务随机插入到染色体中;
所述交叉操作包括:
随机在父代染色体中产生两个个体,比较适应度值,保留较大的适应度值的个体;进行两次上述操作,得到两个父代染色体个体,将两个父代染色体个体依据自适应交叉概率进行交叉;
所述二次变异操作包括:
采用轮盘赌选择机制,计算交叉操作后每个染色体个体的适应度值,依据轮盘赌选择保留染色体个体;
所述选择操作包括:
保留父代染色体与子代染色体中适应度值最大的个体;
对于此时的种群,除开适应度值最大的个体不做处理,在剩余全部个体中随机选择两个个体进行两两竞争选择操作,并保留适应度值较大的个体至下一代种群;
重复上述操作,直至剩余全部个体都进行了两两竞争竞争选择,得到下一代种群。
9.一种基于遗传算法的成像卫星调度系统,其特征在于,所述系统包括计算机,所述计算机包括:
至少一个存储单元;
至少一个处理单元;
其中,所述至少一个存储单元中存储有至少一条指令,所述至少一条指令由所述至少一个处理单元加载并执行以实现以下步骤:
S1、获取卫星资源和卫星任务;
S2、基于所述卫星资源和所述卫星任务获取卫星任务观测收益和卫星任务优先级;
S3、基于所述卫星任务观测收益和所述卫星任务优先级设定目标函数,并设定约束条件;
S4、基于所述目标函数和所述约束条件构建卫星任务观测模型;
S5、对所述卫星任务观测模型求取初始解,并将所述初始解作为卫星任务种群;
S6、基于预设的遗传算法对所述卫星任务种群求取最优解,得到卫星任务调度方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010567886.3A CN111913787B (zh) | 2020-06-19 | 2020-06-19 | 基于遗传算法的成像卫星调度方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010567886.3A CN111913787B (zh) | 2020-06-19 | 2020-06-19 | 基于遗传算法的成像卫星调度方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111913787A true CN111913787A (zh) | 2020-11-10 |
CN111913787B CN111913787B (zh) | 2022-10-18 |
Family
ID=73237832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010567886.3A Active CN111913787B (zh) | 2020-06-19 | 2020-06-19 | 基于遗传算法的成像卫星调度方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111913787B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112434436A (zh) * | 2020-12-01 | 2021-03-02 | 中国人民解放军国防科技大学 | 一种北斗导航卫星系统星间链路调度方法及系统 |
CN112529437A (zh) * | 2020-12-17 | 2021-03-19 | 中国科学院空天信息创新研究院 | 多目标卫星成像规划方法 |
CN112583470A (zh) * | 2020-12-15 | 2021-03-30 | 西安寰宇卫星测控与数据应用有限公司 | 一种基于最优匹配的卫星测控规划调度方法 |
CN112667379A (zh) * | 2020-12-29 | 2021-04-16 | 深圳Tcl新技术有限公司 | 任务调度方法及服务器 |
CN113240226A (zh) * | 2021-03-05 | 2021-08-10 | 中国人民解放军61096部队 | 一种卫星地面站间的资源分配方法及装置 |
CN113269324A (zh) * | 2021-05-31 | 2021-08-17 | 重庆两江卫星移动通信有限公司 | 一种基于遗传算法的低轨卫星时间窗规划方法及系统 |
CN113515360A (zh) * | 2021-06-11 | 2021-10-19 | 武汉大学 | 卫星观测在线调度方法、装置、设备及存储介质 |
CN113706050A (zh) * | 2021-09-07 | 2021-11-26 | 合肥工业大学 | 基于自适应遗传算法的多卫星区域观测规划方法 |
CN113760506A (zh) * | 2021-07-23 | 2021-12-07 | 合肥工业大学 | 改进遗传算法求解多星协同对地观测任务调度方法与装置 |
CN114239986A (zh) * | 2021-12-23 | 2022-03-25 | 湖南云箭智能科技有限公司 | 一种卫星时间窗调配方法、装置、设备及可读存储介质 |
CN115081343A (zh) * | 2022-07-27 | 2022-09-20 | 南京航空航天大学 | 一种基于神经网络结合遗传算法的天基无源探测定轨方法 |
CN116611505A (zh) * | 2023-07-17 | 2023-08-18 | 中南大学 | 一种卫星集群观测任务调度方法、系统、设备及存储介质 |
CN116915311A (zh) * | 2023-07-14 | 2023-10-20 | 中国人民解放军战略支援部队航天工程大学 | 基于协同进化算法的卫星任务调度方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102646061A (zh) * | 2012-02-27 | 2012-08-22 | 北京航空航天大学 | 一种基于遗传算法的卫星并行测试资源配置方法 |
CN107025363A (zh) * | 2017-05-08 | 2017-08-08 | 中国人民解放军国防科学技术大学 | 一种面向敏捷卫星调度的自适应大邻域搜索方法 |
CN108804220A (zh) * | 2018-01-31 | 2018-11-13 | 中国地质大学(武汉) | 一种基于并行计算的卫星任务规划算法研究的方法 |
US20180341894A1 (en) * | 2017-05-24 | 2018-11-29 | Telespazio S.P.A. | Innovative satellite scheduling method based on genetic algorithms and simulated annealing and related mission planner |
CN109933842A (zh) * | 2019-01-23 | 2019-06-25 | 北京航空航天大学 | 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 |
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 |
CN110210700A (zh) * | 2019-04-19 | 2019-09-06 | 中国科学院遥感与数字地球研究所 | 面向应急响应的基于任务优先级的多星动态任务规划方法 |
CN110515708A (zh) * | 2019-07-17 | 2019-11-29 | 赛德雷特(珠海)航天科技有限公司 | 卫星在轨自主任务规划方法及系统 |
-
2020
- 2020-06-19 CN CN202010567886.3A patent/CN111913787B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102646061A (zh) * | 2012-02-27 | 2012-08-22 | 北京航空航天大学 | 一种基于遗传算法的卫星并行测试资源配置方法 |
CN107025363A (zh) * | 2017-05-08 | 2017-08-08 | 中国人民解放军国防科学技术大学 | 一种面向敏捷卫星调度的自适应大邻域搜索方法 |
US20180341894A1 (en) * | 2017-05-24 | 2018-11-29 | Telespazio S.P.A. | Innovative satellite scheduling method based on genetic algorithms and simulated annealing and related mission planner |
CN108960483A (zh) * | 2017-05-24 | 2018-12-07 | 电视广播有限公司 | 卫星调度方法、处理系统以及软件程序产品 |
CN108804220A (zh) * | 2018-01-31 | 2018-11-13 | 中国地质大学(武汉) | 一种基于并行计算的卫星任务规划算法研究的方法 |
CN109933842A (zh) * | 2019-01-23 | 2019-06-25 | 北京航空航天大学 | 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 |
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 |
CN110210700A (zh) * | 2019-04-19 | 2019-09-06 | 中国科学院遥感与数字地球研究所 | 面向应急响应的基于任务优先级的多星动态任务规划方法 |
CN110515708A (zh) * | 2019-07-17 | 2019-11-29 | 赛德雷特(珠海)航天科技有限公司 | 卫星在轨自主任务规划方法及系统 |
Non-Patent Citations (2)
Title |
---|
孙凯等: "基于分解优化策略的多敏捷卫星联合对地观测调度", 《计算机集成制造系统》 * |
赵萍等: "应用于卫星自主任务调度的改进遗传算法", 《中国空间科学技术》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112434436B (zh) * | 2020-12-01 | 2022-05-20 | 中国人民解放军国防科技大学 | 一种北斗导航卫星系统星间链路调度方法及系统 |
CN112434436A (zh) * | 2020-12-01 | 2021-03-02 | 中国人民解放军国防科技大学 | 一种北斗导航卫星系统星间链路调度方法及系统 |
CN112583470A (zh) * | 2020-12-15 | 2021-03-30 | 西安寰宇卫星测控与数据应用有限公司 | 一种基于最优匹配的卫星测控规划调度方法 |
CN112529437A (zh) * | 2020-12-17 | 2021-03-19 | 中国科学院空天信息创新研究院 | 多目标卫星成像规划方法 |
CN112529437B (zh) * | 2020-12-17 | 2024-02-09 | 中国科学院空天信息创新研究院 | 多目标卫星成像规划方法 |
CN112667379A (zh) * | 2020-12-29 | 2021-04-16 | 深圳Tcl新技术有限公司 | 任务调度方法及服务器 |
CN112667379B (zh) * | 2020-12-29 | 2024-06-07 | 深圳Tcl新技术有限公司 | 任务调度方法及服务器 |
CN113240226A (zh) * | 2021-03-05 | 2021-08-10 | 中国人民解放军61096部队 | 一种卫星地面站间的资源分配方法及装置 |
CN113269324A (zh) * | 2021-05-31 | 2021-08-17 | 重庆两江卫星移动通信有限公司 | 一种基于遗传算法的低轨卫星时间窗规划方法及系统 |
CN113269324B (zh) * | 2021-05-31 | 2022-09-06 | 重庆两江卫星移动通信有限公司 | 一种基于遗传算法的低轨卫星时间窗规划方法及系统 |
CN113515360A (zh) * | 2021-06-11 | 2021-10-19 | 武汉大学 | 卫星观测在线调度方法、装置、设备及存储介质 |
CN113515360B (zh) * | 2021-06-11 | 2023-08-15 | 武汉大学 | 卫星观测在线调度方法、装置、设备及存储介质 |
CN113760506A (zh) * | 2021-07-23 | 2021-12-07 | 合肥工业大学 | 改进遗传算法求解多星协同对地观测任务调度方法与装置 |
CN113706050A (zh) * | 2021-09-07 | 2021-11-26 | 合肥工业大学 | 基于自适应遗传算法的多卫星区域观测规划方法 |
CN113706050B (zh) * | 2021-09-07 | 2023-06-27 | 合肥工业大学 | 基于自适应遗传算法的多卫星区域观测规划方法 |
CN114239986A (zh) * | 2021-12-23 | 2022-03-25 | 湖南云箭智能科技有限公司 | 一种卫星时间窗调配方法、装置、设备及可读存储介质 |
CN115081343A (zh) * | 2022-07-27 | 2022-09-20 | 南京航空航天大学 | 一种基于神经网络结合遗传算法的天基无源探测定轨方法 |
CN115081343B (zh) * | 2022-07-27 | 2023-01-10 | 南京航空航天大学 | 一种基于神经网络结合遗传算法的天基无源探测定轨方法 |
CN116915311A (zh) * | 2023-07-14 | 2023-10-20 | 中国人民解放军战略支援部队航天工程大学 | 基于协同进化算法的卫星任务调度方法 |
CN116915311B (zh) * | 2023-07-14 | 2024-04-30 | 中国人民解放军战略支援部队航天工程大学 | 基于协同进化算法的卫星任务调度方法 |
CN116611505B (zh) * | 2023-07-17 | 2023-09-29 | 中南大学 | 一种卫星集群观测任务调度方法、系统、设备及存储介质 |
CN116611505A (zh) * | 2023-07-17 | 2023-08-18 | 中南大学 | 一种卫星集群观测任务调度方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111913787B (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111913787B (zh) | 基于遗传算法的成像卫星调度方法和系统 | |
CN108388958B (zh) | 一种二维姿态机动卫星任务规划技术研究的方法及装置 | |
CN111913788B (zh) | 成像卫星的任务调度方法和系统 | |
CN108880663B (zh) | 基于改进遗传算法的天地一体化网络资源分配方法 | |
CN111176807A (zh) | 一种多星协同任务规划方法 | |
CN112434435B (zh) | 基于任务合成的成像卫星密集任务调度方法 | |
CN109165808A (zh) | 一种电力通信网现场运维工单派发方法 | |
CN113852405B (zh) | 多波束中继卫星任务调度模型的构建方法及装置 | |
CN111913785B (zh) | 多星任务调度方法和系统 | |
CN113313355B (zh) | 基于遗传算法的遥感卫星对地观测任务规划方法与装置 | |
CN112734014A (zh) | 基于置信上界思想的经验回放采样强化学习方法及系统 | |
CN111612384B (zh) | 一种具有时间分辨率约束的多星接力任务规划方法 | |
CN113885555A (zh) | 面向输电线路密集通道巡检的多机任务分配方法和系统 | |
CN111913786B (zh) | 基于时间窗分割的卫星任务调度方法和系统 | |
CN110321217A (zh) | 一种多目标的云资源调度方法、装置、设备及存储介质 | |
CN109255513A (zh) | 一种电力通信网现场运维工单调度方法 | |
CN114997611A (zh) | 考虑最大收益和负载均衡的分布式多星任务规划方法 | |
CN116938323B (zh) | 一种基于强化学习的卫星转发器资源分配方法 | |
CN111062561B (zh) | 面向多目标卫星任务规划的ahp理想目标点求解方法及系统 | |
CN116345578B (zh) | 基于深度确定性策略梯度的微电网运行优化调度方法 | |
CN116450366A (zh) | 卫星测运控资源多目标优化调度方法、设备及介质 | |
CN111126709A (zh) | 调度出力的确定方法、装置、计算机设备和存储介质 | |
CN112308195B (zh) | 模拟局部代价来求解DCOPs的方法 | |
CN114091754A (zh) | 一种多无人机移动基站协同部署及调度方法 | |
Wei et al. | Knowledge-transfer based genetic programming algorithm for multi-objective dynamic agile earth observation satellite scheduling problem |
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 |