CN112418719A - 一种基于解集构造和信息素沉积的卫星资源动态调度方法 - Google Patents

Abstract

本发明公开了一种基于解集构造和信息素沉积的卫星资源动态调度方法，包括以下步骤：以卫星资源、信道资源以及时隙资源为调度对象，以时间窗口、卫星能耗、信道数量、地面用户优先级以及通信突发性等条件为约束，建立系统资源调度模型和低轨卫星资源调度模型；判断任务集合是否为空集，如果为空集，则任务调度结束，输出最优的资源调度结果；否则，在任务集合中随机选择一个任务，判断可视范围内是否有低轨卫星存在，如果有则选择一颗可视范围内的低轨卫星用于资源调度；否则，任务传输失败。本发明提供的资源调度模型更适用于大规模密集组网条件下的低轨卫星资源调度，具有控制简单、兼容性强、对硬件要求不高以及易于编程实现等特点。

Description

一种基于解集构造和信息素沉积的卫星资源动态调度方法

技术领域

本发明涉及卫星通信网络技术领域，尤其涉及一种基于解集构造和信息素沉积的卫星资源动态调度方法。

背景技术

随着太空空间探索的逐步深入，国内外就卫星互联网纷纷展开部署，在该领域国外起步较早并且已经发展成熟，其代表性的卫星系统包括OneWeb、O3b、Starlink等。目前，国内已经首次把卫星互联网建设纳入“新基建”范畴，并且将其上升成为国家战略性工程，代表性的卫星系统包括鸿雁星座、行云工程、虹云工程、天象星座等。作为卫星互联网的重要组成部分，低轨卫星系统具有广覆盖、低延时、宽带化、低成本等特点，正在朝着空间密集组网的方向发展，然而，空间轨位与频谱资源的竞争愈演愈烈并伴随着空间业务量的爆发式增长，导致低轨卫星系统面临的压力巨大，因此需要在满足用户需求的前提下，对有限的低轨卫星资源进行合理调度，这对于实现星地之间高效协同、统筹组网具有十分重要的现实意义。

在密集组网的环境条件下进行低轨卫星资源调度时，会面临星地动态变化、星上资源受限等挑战，需要在一定的时间窗口内对有限的星上资源进行全局规划。资源调度的核心是资源调度算法，常用的有遗传算法、蚁群算法、粒子群算法以及它们的组合，这些算法对于一般规模网络的资源调度能够达到很好的优化效果，但在密集组网的条件下，算法的复杂度会急剧上升，因此需要在算法的优化性能和复杂度之间进行折中，对于卫星资源调度来说，还需要考虑实现的难易程度，蚁群算法(Ant Colony Optimization,ACO)作为一种启发式寻优搜索算法，常用于求解路由最短路径以及多目标资源优化问题，具有控制简单、兼容性强、对硬件要求不高以及易于编程实现等特点，对于解决低轨卫星资源调度问题具有一定优势。然而，初始阶段信息素匮乏导致的搜索速度过慢以及局部搜索能力较弱等特点严重制约该算法在实时、高效的低轨卫星调度过程中的应用。

本发明分析了低轨卫星资源调度的约束条件，建立了多目标资源调度模型，综合考虑了现有蚁群算法的优缺点，针对存在的缺点对蚁群算法进行改进用来求解低轨卫星资源调度问题。

发明内容

针对现有低轨卫星资源调度方法存在的实现复杂度高和规划速度慢的问题，本发明以时间窗口、卫星能耗、信道数量、用户优先级以及突发性为约束，建立了低轨卫星资源调度模型，公开了一种基于解集构造和信息素沉积的卫星资源动态调度方法。

本发明公开了一种基于解集构造和信息素沉积的卫星资源动态调度方法，包括以下步骤：

S1，以卫星资源、信道资源以及时隙资源为资源调度对象，以时间窗口约束、卫星能耗约束、信道数量约束、地面用户优先级以及通信突发性等条件为约束，建立系统资源调度模型；一个时间窗口包含若干个时隙；

S2，在系统资源调度模型的基础上，以地面任务服务质量以及低轨卫星系统的总能耗为目标，建立低轨卫星资源调度模型；

S3，初始化可视低轨卫星集合以及低轨卫星与地面任务区域的覆盖关系，初始化任务集合以及任务调度窗口；

S4，判断任务集合是否为空集，如果任务集合为空集，则任务调度结束，输出最优的资源调度结果；否则，转至步骤S5继续执行；

S5，在任务集合中随机选择一个任务，结合该任务需求以及现有的低轨卫星资源，进入步骤S6做进一步判断；

S6，判断可视范围内是否有低轨卫星存在，如果有，则将该卫星编号添加至可视低轨卫星集合中，并且选择一颗可视范围内的低轨卫星用于资源调度，转至步骤S7；否则，任务传输失败，并且从任务集合中删除这个任务，转至步骤S5继续执行；

S7，判断该可视卫星下是否存在任务调度窗口，如果有，转至步骤S8；否则，卫星选择失败，并且从可视低轨卫星集合中删除这个卫星编号，转至步骤S6继续执行；

S8，判断是否存在信道资源，如果存在，则选择一个任务调度窗口，并且分配一个信道进行调度；否则，卫星选择失败，并且从可视低轨卫星集合中删除这个卫星编号，转至步骤S6继续执行。

步骤S1中所述的时间窗口约束，具体为：

其中TW_i表示第i个时间窗口，ST_i表示第i个时间窗口开始的时刻，ET_i表示第i个时间窗口结束的时刻，i＝1表示当前时间窗口，i＝2表示下一个时间窗口，每个时间窗口总共包含K个时隙，

表示第i个时间窗口中第k个任务调度窗口开始的时刻，

表示第i个时间窗口中第k个任务调度窗口结束的时刻，n_k表示每个时间窗口所含的第k个任务调度窗口的个数。

步骤S1中所述的建立系统资源调度模型，包含通信任务描述过程，其具体为：

对于N个地面区域，M个卫星，第i个时间窗口的通信任务集合表示为：

其中，

表示第i个时间窗口内第n个区域的通信任务。

第i个时间窗口内第n个区域的通信任务表示为一个五元数组：

其中，

表示第i个时间窗口下第n个区域的第p个任务开始时刻；

表示完成第i个时间窗口下第n个区域的第p个任务所需要的时隙数；

表示第i个时间窗口下第n个区域使用的信道数，C_total表示信道总数；

表示第i个时间窗口下第n个区域的第p个任务的优先级，其值越大，所表示的优先级就越高；

表示为第i个时间窗口下第n个区域的第p个任务提供服务所需要的功率大小，

表示第m颗卫星所需要的总功率值，

表示第i个时间窗口内第n个区域的通信任务数目。

步骤S1中所述的建立系统资源调度模型，通过二进制变量集合来描述资源调度过程中的时间窗口、资源以及任务之间的关系，二进制变量集合为：

其中，

为第i个时间窗口下、第m颗卫星为第n个区域提供服务的卫星调度标识，当第i个时间窗口下、第m颗卫星为第n个区域提供服务，则

否则

为第i个时间窗口下为第n个区域分配第w个信道的分配标识，当第i个时间窗口下为第n个区域分配第w个信道时，则

否则

为第i个时间窗口下、第n个区域的第p个任务的任务传输完成标识，当第n个区域的第p个任务已经被安排调度完成，则

否则

为第p个任务在第k个时间窗口的调度标识，当第p个任务在第k个时间窗口进行调度，则

否则

步骤S2中所述的低轨卫星资源调度模型，低轨卫星资源调度模型为一个多约束下的多目标函数，具体为：

在该模型中，目标

表示在两个时间窗口内低轨卫星系统完成尽可能多的高优先级的任务传输，即调度完成的高优先级业务的总数量的倒数最小，其对应的目标函数f₁为优先级目标函数；目标

表示两个时间窗口内低轨卫星系统总的能耗最小，其对应的目标函数f₂为能耗目标函数，两个时间窗口内低轨卫星系统总的能耗包括任务传输能耗和切换能耗。n_p为总的任务数量，

为单位时间进行卫星切换所需要的功率大小，T_ms为连续执行调度任务需要的最大切换时间，只有当

且

时，不需要进行卫星切换，即

为第i个时隙的第n个区域任务传输需要的总时隙数，θ_b为需要时隙数目的调整量，θ为时隙变量的总称，

为优先级的调整量，

为优先级变量的总称；式中，

分别为优先级变化和时隙数变化的表达式，如果下一个时间窗口的优先级或时隙增加，则其中的±取+，否则其中的±取为-。

在该模型的约束条件中，C₁为时间窗口起始时刻约束，目的是为了确保两个时间窗口不发生重叠；C₂表示任务有效执行时间约束，即只有当任务的起止时刻包含于时间调度窗口内时，才能够有效地执行任务传输；C₃为信道数量约束，即为每个区域分配的信道数量总和应该小于总的信道数量；C₄为任务状态更新方程，考虑到任务随时间的连续变化性，下一个时间窗口出现优先级较高的热点任务、突发性较强的重负载任务或低优先级、轻负载的任务时，需要对网络资源进行重新调度；C₅为卫星与地面任务的功耗关系约束，对于每一颗低轨卫星来讲，其所能提供的功率等于其覆盖区域内所有任务功耗的总和；C₆为能耗约束，即覆盖区域内所有任务的传输能耗与卫星的切换能耗之和不能超过卫星在当前时间窗口和下一个时间窗口内的能耗总和。

对于基于解集构造和信息素沉积的卫星资源动态调度方法，两个时间窗口的任务传输与资源调度过程相互独立，任务传输具有连续性，并且只在时间窗口内进行，如果任务传输的终止时间超过了时间窗口的终止时间，则判定任务传输失败；第一个时间窗口结束后，需要对任务集合进行更新，下一个时间窗口不同区域的突发性大小影响任务传输所需要的时隙数，任务热点性强弱影响任务的优先级；信道分配取决于任务需求，信道分配的前提是所分配的信道数目不能超过信道总数，在进行任务传输的时候，忽略信道损耗对功耗的影响。

本发明采用改进的蚁群算法对整个资源调度过程进行优化，优化的对象为二进制变量集合

具体包括：

S101：定义迭代次数以及蚂蚁数目，初始化时间窗口以及任务集；

S102：根据下一个时间窗口内任务负载的轻重以及任务的优先级，更新时隙数以及优先级，得到下一个时间窗口的任务集；

S103：通过蒙特卡洛仿真构造初始解集，并且计算每一个解集所对应的信息素浓度值；

S104：确定信息素浓度值的上下界，从而确定初始解集的范围；

S105：计算每个蚂蚁的状态转移概率，并且更新本地的信息素浓度值；

S106：通过适应函数计算每个蚂蚁的适应值，根据计算得到的适应值选择优秀的个体构造质量域，并且进行额外的信息素浓度值沉积；

S107：判断迭代次数是否达到最大，如果迭代次数达到最大，则输出优化的资源调度结果；否则，更新全局信息素浓度，并且转至步骤S105继续执行。

所述的采用改进的蚁群算法对整个资源调度过程进行优化，具体包括：

初始解集构造并更新信息素浓度，对于第i个时间窗口下每一个初始化解元素集合

其中，α为卫星调度标识的初始化解元素，β为信道分配标识的初始化解元素，γ为任务传输完成标识的初始化解元素，

时间窗口标识的初始化解元素，每一个初始化解元素集合Γⁱ都有一个信息素浓度值τ_i与之对应，信息素浓度值的更新公式为：

其中τ_i+1为下一个信息素浓度值，ρ代表的是挥发速率，ω_Γ是解元素集合Γⁱ的权重因子；通过蒙特卡洛方法产生初始解集空间，然后将解集与任务集合中的变量进行一一对应，对于解集合Γ，定义质量函数F(Γ)，其目标是确保调度完成的任务的优先级尽可能高。任务按照优先级的高低依次传输，如果任务的传输时间不能满足时间窗口约束，则视为无法传输，把这些任务所对应的解元素从解集空间中删掉，进而确定了初始的解集范围。

对于每个蚂蚁的状态转移概率的计算，对于时间窗口TW_i，假设τ_m,n,w(TW_i)为第m颗卫星通过信道w完成对区域n中的调度任务的信息素浓度值，则对于第e个蚂蚁，其对应的第m颗卫星通过信道w完成对区域n中的调度任务的状态转移概率

表示为：

κ_m,n,w(TW_i)＝[κα_m,n,w(TW_i)]^b[κβ_m,n,w(TW_i)]^c[κγ_m,n,w(TW_i)]^d，其中，a为信息素启发值权重，用来描述信息素浓度对于调度任务的影响程度，其值越大，该蚂蚁对走过路径的选择概率越大；κ_m,n,w(TW_i)为时间窗口TW_i中，第m颗卫星通过信道w完成对区域n中的调度任务的启发值，κ_x,n,y(TW_i)为第x颗卫星通过信道y完成对区域n中的调度任务的启发值，κα_m,n,w(TW_i)为第m颗卫星通过信道w完成对区域n中的卫星调度的子启发值，b为κα_m,n,w(TW_i)对应的启发值权重，κβ_m,n,w(TW_i)为第m颗卫星通过信道w完成对区域n中的信道分配的子启发值，c为κβ_m,n,w(TW_i)对应的启发值权重，κγ_m,n,w(TW_i)为第m颗卫星通过信道w完成对区域n中的任务调度的子启发值，d为κγ_m,n,w(TW_i)对应的启发值权重。

对于信息素浓度值上下界的确定，在每次迭代的过程中，假定τ₀是初始的信息素浓度值，L_F和U_F分别表示质量函数的下界和上界，在N₀次迭代后计算出信息素浓度值的上界U_τ和下界L_τ，其具体计算方法为：

η＝η_u+η_v/ρ，

其中，

表示τ_i经过N₀次迭代后计算得到的值,η_v表示与初始挥发速率成比例的权重值，η_u表示与挥发速率变化量成比例的权重值，η为这些权重的归一化值。当迭代次数N₀较大时，

因此信息素浓度值上下界表示为：

对于适应函数的确定，对低轨卫星资源调度的多目标函数采用线性加权的方式得到适应函数F^*，具体为：

F^*＝χ₁f₁+χ₂f₂，

其中，χ₁和χ₂分别为目标函数f₁和f₂对应的权值，χ₁+χ₂＝1，在计算适应度值之前，将优先级目标函数和能耗目标函数进行归一化，根据优先级目标函数和能耗目标函数的重要程度来确定相应的权值大小。

对于额外的信息素浓度值沉积，在每次迭代中将更新扩展到有限元素，以便更多的解元素能够更新它们的信息素浓度值；采用自适应信息素浓度值更新方法，在所有选中的解集方案中，选择部分解元素进行额外的信息素浓度值沉积，构建一个质量域BQ，质量域BQ是部分次优解的质量与最优解的质量差值不超过δ(也叫半径)的解元素所构成的集合，其表达式为：

在质量域中，CH_so-far表示目前迭代得到的解集，其中ch,ch^*∈CH_so-far是CH_so-far中的解元素，F(ch_best-so-far)是最优解的质量值，F(ch)是解元素ch的质量值，δ为质量域的半径，当半径δ的值较小时，质量域是由目前最优解构成的集合，即ch_v＝ch_best-so-far。在每次优化迭代过程中，首先构建质量域BQ，其次，

在质量域中搜索得到优化解ch_v{Γⁱ}，具体为：

如果在质量域中存在多于一个的优化解，则选取一个质量值最大的优化解作为ch_v{Γⁱ}，F(ch_v{Γⁱ})为ch_v{Γⁱ}的质量值，最终，进行一次额外的信息素浓度值更新，具体为：

本发明具有如下优点：

1、与现有方法相比，本发明提供的资源调度模型更适用于大规模密集组网条件下的低轨卫星资源调度，并且通过对现有蚁群算法进行改进用于求解资源调度问题。

2、本发明方法具有控制简单、兼容性强、对硬件要求不高以及易于编程实现等特点，并且具有较快的收敛速度，与同类型优化方法相比，该算法具有较高的调度效率，适用于解决低轨卫星资源调度问题。

附图说明

图1为基于解集构造和信息素沉积的卫星资源动态调度方法流程图；

图2为资源调度实施过程的流程图。

具体实施方式

为了更好的了解本发明内容，这里给出一个实施例。

本实施例公开了一种基于解集构造和信息素沉积的卫星资源动态调度方法，图1为本方法的流程图，包括以下步骤：

S1，以卫星资源、信道资源以及时隙资源为资源调度对象，以时间窗口约束、卫星能耗约束、信道数量约束、地面用户优先级以及通信突发性等条件为约束，建立系统资源调度模型；一个时间窗口包含若干个时隙；

S2，在系统资源调度模型的基础上，以地面任务服务质量以及低轨卫星系统的总能耗为目标，建立低轨卫星资源调度模型；

S3，初始化可视低轨卫星集合以及低轨卫星与地面任务区域的覆盖关系，初始化任务集合以及任务调度窗口；

S4，判断任务集合是否为空集，如果任务集合为空集，则任务调度结束，输出最优的资源调度结果；否则，转至步骤S5继续执行；

S5，在任务集合中随机选择一个任务，结合该任务需求以及现有的低轨卫星资源，进入步骤S6做进一步判断；

S6，判断可视范围内是否有低轨卫星存在，如果有，则将该卫星编号添加至可视低轨卫星集合中，并且选择一颗可视范围内的低轨卫星用于资源调度，转至步骤S7；否则，任务传输失败，并且从任务集合中删除这个任务，转至步骤S5继续执行；

S7，判断该可视卫星下是否存在任务调度窗口，如果有，转至步骤S8；否则，卫星选择失败，并且从可视低轨卫星集合中删除这个卫星编号，转至步骤S6继续执行；

S8，判断是否存在信道资源，如果存在，则选择一个任务调度窗口，并且分配一个信道进行调度；否则，卫星选择失败，并且从可视低轨卫星集合中删除这个卫星编号，转至步骤S6继续执行。

图2为资源调度实施过程的流程图。

步骤S1中所述的时间窗口约束，具体为：

其中TW_i表示第i个时间窗口，ST_i表示第i个时间窗口开始的时刻，ET_i表示第i个时间窗口结束的时刻，i＝1表示当前时间窗口，i＝2表示下一个时间窗口，每个时间窗口总共包含K个时隙，

表示第i个时间窗口中第k个任务调度窗口开始的时刻，

表示第i个时间窗口中第k个任务调度窗口结束的时刻，n_k表示每个时间窗口所含的第k个任务调度窗口的个数。

步骤S1中所述的建立系统资源调度模型，包含通信任务描述过程，其具体为：

对于N个地面区域，M个卫星，第i个时间窗口的通信任务集合表示为：

其中，

表示第i个时间窗口内第n个区域的通信任务。

第i个时间窗口内第n个区域的通信任务表示为一个五元数组：

其中，

表示第i个时间窗口下第n个区域的第p个任务开始时刻；

表示完成第i个时间窗口下第n个区域的第p个任务所需要的时隙数；

表示第i个时间窗口下第n个区域使用的信道数，C_total表示信道总数；

表示第i个时间窗口下第n个区域的第p个任务的优先级，其值越大，所表示的优先级就越高；

表示为第i个时间窗口下第n个区域的第p个任务提供服务所需要的功率大小，

表示第m颗卫星所需要的总功率值，

表示第i个时间窗口内第n个区域的通信任务数目。

步骤S1中所述的建立系统资源调度模型，通过二进制变量集合来描述资源调度过程中的时间窗口、资源以及任务之间的关系，二进制变量集合为：

其中，

为第i个时间窗口下、第m颗卫星为第n个区域提供服务的卫星调度标识，当第i个时间窗口下、第m颗卫星为第n个区域提供服务，则

否则

为第i个时间窗口下为第n个区域分配第w个信道的分配标识，当第i个时间窗口下为第n个区域分配第w个信道时，则

否则

为第i个时间窗口下、第n个区域的第p个任务的任务传输完成标识，当第n个区域的第p个任务已经被安排调度完成，则

否则

为第p个任务在第k个时间窗口的调度标识，当第p个任务在第k个时间窗口进行调度，则

否则

步骤S2中所述的低轨卫星资源调度模型，低轨卫星资源调度模型为一个多约束下的多目标函数，具体为：

在该模型中，目标

表示在两个时间窗口内低轨卫星系统完成尽可能多的高优先级的任务传输，即调度完成的高优先级业务的总数量的倒数最小，其对应的目标函数f₁为优先级目标函数；目标

表示两个时间窗口内低轨卫星系统总的能耗最小，其对应的目标函数f₂为能耗目标函数，两个时间窗口内低轨卫星系统总的能耗包括任务传输能耗和切换能耗。n_p为总的任务数量，

为单位时间进行卫星切换所需要的功率大小，T_ms为连续执行调度任务需要的最大切换时间，只有当

且

时，不需要进行卫星切换，即

为第i个时隙的第n个区域任务传输需要的总时隙数，θ_b为需要时隙数目的调整量，θ为时隙变量的总称，

为优先级的调整量，

为优先级变量的总称；式中，

分别为优先级变化和时隙数变化的表达式，如果下一个时间窗口的优先级或时隙增加，则其中的±取+，否则其中的±取为-。

在该模型的约束条件中，C₁为时间窗口起始时刻约束，目的是为了确保两个时间窗口不发生重叠；C₂表示任务有效执行时间约束，即只有当任务的起止时刻包含于时间调度窗口内时，才能够有效地执行任务传输；C₃为信道数量约束，即为每个区域分配的信道数量总和应该小于总的信道数量；C₄为任务状态更新方程，考虑到任务随时间的连续变化性，下一个时间窗口出现优先级较高的热点任务、突发性较强的重负载任务或低优先级、轻负载的任务时，需要对网络资源进行重新调度；C₅为卫星与地面任务的功耗关系约束，对于每一颗低轨卫星来讲，其所能提供的功率等于其覆盖区域内所有任务功耗的总和；C₆为能耗约束，即覆盖区域内所有任务的传输能耗与卫星的切换能耗之和不能超过卫星在当前时间窗口和下一个时间窗口内的能耗总和。

对于基于解集构造和信息素沉积的卫星资源动态调度方法，两个时间窗口的任务传输与资源调度过程相互独立，任务传输具有连续性，并且只在时间窗口内进行，如果任务传输的终止时间超过了时间窗口的终止时间，则判定任务传输失败；第一个时间窗口结束后，需要对任务集合进行更新，下一个时间窗口不同区域的突发性大小影响任务传输所需要的时隙数，任务热点性强弱影响任务的优先级；信道分配取决于任务需求，信道分配的前提是所分配的信道数目不能超过信道总数，在进行任务传输的时候，忽略信道损耗对功耗的影响。

本发明采用改进的蚁群算法对整个资源调度过程进行优化，优化的对象为二进制变量集合

具体包括：

S101：定义迭代次数以及蚂蚁数目，初始化时间窗口以及任务集；

S102：根据下一个时间窗口内任务负载的轻重以及任务的优先级，更新时隙数以及优先级，得到下一个时间窗口的任务集；

S103：通过蒙特卡洛仿真构造初始解集，并且计算每一个解集所对应的信息素浓度值；

S104：确定信息素浓度值的上下界，从而确定初始解集的范围；

S105：计算每个蚂蚁的状态转移概率，并且更新本地的信息素浓度值；

S106：通过适应函数计算每个蚂蚁的适应值，根据计算得到的适应值选择优秀的个体构造质量域，并且进行额外的信息素浓度值沉积；

S107：判断迭代次数是否达到最大，如果迭代次数达到最大，则输出优化的资源调度结果；否则，更新全局信息素浓度，并且转至步骤S105继续执行。

本方法对蚁群算法优缺点进行了综合考虑，主要针对初期搜索速度过慢以及局部搜索能力较弱等缺点进行改进，所述的采用改进的蚁群算法对整个资源调度过程进行优化，具体包括：

初始解集构造并更新信息素浓度，对于第i个时间窗口下每一个初始化解元素集合

其中，α为卫星调度标识的初始化解元素，β为信道分配标识的初始化解元素，γ为任务传输完成标识的初始化解元素，

时间窗口标识的初始化解元素，每一个初始化解元素集合Γⁱ都有一个信息素浓度值τ_i与之对应，信息素浓度值的更新公式为：

其中τ_i+1为下一个信息素浓度值，ρ代表的是挥发速率，ω_Γ是解元素集合Γⁱ的权重因子；通过蒙特卡洛方法产生初始解集空间，然后将解集与任务集合中的变量进行一一对应，为了提高算法初期的搜索速度，对于解集合Γ，定义质量函数F(Γ)，其目标是确保调度完成的任务的优先级尽可能高。任务按照优先级的高低依次传输，如果任务的传输时间不能满足时间窗口约束，则视为无法传输，把这些任务所对应的解元素从解集空间中删掉，进而确定了初始的解集范围。

对于每个蚂蚁的状态转移概率的计算，对于时间窗口TW_i，假设τ_m,n,w(TW_i)为第m颗卫星通过信道w完成对区域n中的调度任务的信息素浓度值，则对于第e个蚂蚁，其对应的第m颗卫星通过信道w完成对区域n中的调度任务的状态转移概率

表示为：

κ_m,n,w(TW_i)＝[κα_m,n,w(TW_i)]^b[κβ_m,n,w(TW_i)]^c[κγ_m,n,w(TW_i)]^d，其中，a为信息素启发值权重，用来描述信息素浓度对于调度任务的影响程度，其值越大，该蚂蚁对走过路径的选择概率越大；κ_m,n,w(TW_i)为时间窗口TW_i中，第m颗卫星通过信道w完成对区域n中的调度任务的启发值，κ_x,n,y(TW_i)为第x颗卫星通过信道y完成对区域n中的调度任务的启发值，κα_m,n,w(TW_i)为第m颗卫星通过信道w完成对区域n中的卫星调度的子启发值，b为κα_m,n,w(TW_i)对应的启发值权重，κβ_m,n,w(TW_i)为第m颗卫星通过信道w完成对区域n中的信道分配的子启发值，c为κβ_m,n,w(TW_i)对应的启发值权重，κγ_m,n,w(TW_i)为第m颗卫星通过信道w完成对区域n中的任务调度的子启发值，d为κγ_m,n,w(TW_i)对应的启发值权重。b，c，d值的选取决定了算法的局部搜索能力。

在实际优化场景中，为了在有限次数的迭代之后找到最优解，我们需要确定信息素浓度值的上下界。对于信息素浓度值上下界的确定，在每次迭代的过程中，解集的更新必定会导致信息素浓度值的更新，假定τ₀是初始的信息素浓度值，L_F和U_F分别表示质量函数的下界和上界，在N₀次迭代后计算出信息素浓度值的上界U_τ和下界L_τ，其具体计算方法为：

η＝η_u+η_v/ρ，

其中，

表示τ_i经过N₀次迭代后计算得到的值,η_v表示与初始挥发速率成比例的权重值，η_u表示与挥发速率变化量成比例的权重值，η为这些权重的归一化值。当迭代次数N₀较大时，

因此信息素浓度值上下界表示为：

对于适应函数的确定，对低轨卫星资源调度的多目标函数采用线性加权的方式得到适应函数F^*，具体为：

F^*＝χ₁f₁+χ₂f₂，

其中，χ₁和χ₂分别为目标函数f₁和f₂对应的权值，χ₁+χ₂＝1，在计算适应度值之前，将优先级目标函数和能耗目标函数进行归一化，根据优先级目标函数和能耗目标函数的重要程度来确定相应的权值大小，在偏好关系上，f₁远比f₂更加重要，因此对应的权值关系为χ₁＞χ₂。

对于额外的信息素浓度值沉积，为了进一步提高收敛速度，在每次迭代中将更新扩展到有限元素，以便更多的解元素能够更新它们的信息素浓度值；采用自适应信息素浓度值更新方法，在所有选中的解集方案中，选择部分解元素进行额外的信息素浓度值沉积，构建一个质量域BQ，质量域BQ是部分次优解的质量与最优解的质量差值不超过δ(也叫半径)的解元素所构成的集合，其表达式为：

在质量域中，CH_so-far表示目前迭代得到的解集，其中ch,ch^*∈CH_so-far是CH_so-far中的解元素，F(ch_best-so-far)是最优解的质量值，F(ch)是解元素ch的质量值，δ为质量域的半径，当半径δ的值较小时，质量域是由目前最优解构成的集合，即ch_v＝ch_best-so-far。在每次优化迭代过程中，首先构建质量域BQ，其次，

在质量域中搜索得到优化解ch_v{Γⁱ}，具体为：

如果在质量域中存在多于一个的优化解，则选取一个质量值最大的优化解作为ch_v{Γⁱ}，F(ch_v{Γⁱ})为ch_v{Γⁱ}的质量值，最终，进行一次额外的信息素浓度值更新，具体为：

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (5)

1.一种基于解集构造和信息素沉积的卫星资源动态调度方法，其特征在于，包括以下步骤：

S1，以卫星资源、信道资源以及时隙资源为资源调度对象，以时间窗口约束、卫星能耗约束、信道数量约束、地面用户优先级以及通信突发性条件为约束，建立系统资源调度模型；一个时间窗口包含若干个时隙；

S2，在系统资源调度模型的基础上，以地面任务服务质量以及低轨卫星系统的总能耗为目标，建立低轨卫星资源调度模型；

S3，初始化可视低轨卫星集合以及低轨卫星与地面任务区域的覆盖关系，初始化任务集合以及任务调度窗口；

S4，判断任务集合是否为空集，如果任务集合为空集，则任务调度结束，输出最优的资源调度结果；否则，转至步骤S5继续执行；

S5，在任务集合中随机选择一个任务，结合该任务需求以及现有的低轨卫星资源，进入步骤S6做进一步判断；

S6，判断可视范围内是否有低轨卫星存在，如果有，则将该卫星编号添加至可视低轨卫星集合中，并且选择一颗可视范围内的低轨卫星用于资源调度，转至步骤S7；否则，任务传输失败，并且从任务集合中删除这个任务，转至步骤S5继续执行；

S7，判断该可视卫星下是否存在任务调度窗口，如果有，转至步骤S8；否则，卫星选择失败，并且从可视低轨卫星集合中删除这个卫星编号，转至步骤S6继续执行；

S8，判断是否存在信道资源，如果存在，则选择一个任务调度窗口，并且分配一个信道进行调度；否则，卫星选择失败，并且从可视低轨卫星集合中删除这个卫星编号，转至步骤S6继续执行；

本方法中，两个时间窗口的任务传输与资源调度过程相互独立，任务传输具有连续性，并且只在时间窗口内进行，如果任务传输的终止时间超过了时间窗口的终止时间，则判定任务传输失败；第一个时间窗口结束后，需要对任务集合进行更新，下一个时间窗口不同区域的突发性大小影响任务传输所需要的时隙数，任务热点性强弱影响任务的优先级；信道分配取决于任务需求，信道分配的前提是所分配的信道数目不能超过信道总数，在进行任务传输的时候，忽略信道损耗对功耗的影响。

2.一种如权利要求1所述的基于解集构造和信息素沉积的卫星资源动态调度方法，其特征在于，步骤S1中所述的时间窗口约束，具体为：

其中TW_i表示第i个时间窗口，ST_i表示第i个时间窗口开始的时刻，ET_i表示第i个时间窗口结束的时刻，i＝1表示当前时间窗口，i＝2表示下一个时间窗口，每个时间窗口总共包含K个时隙，

表示第i个时间窗口中第k个任务调度窗口开始的时刻，

表示第i个时间窗口中第k个任务调度窗口结束的时刻，n_k表示每个时间窗口所含的第k个任务调度窗口的个数；

步骤S1中所述的建立系统资源调度模型，包含通信任务描述过程，其具体为：

对于N个地面区域，M个卫星，第i个时间窗口的通信任务集合表示为：

其中，

表示第i个时间窗口内第n个区域的通信任务；

第i个时间窗口内第n个区域的通信任务表示为一个五元数组：

其中，

表示第i个时间窗口下第n个区域的第p个任务开始时刻；

表示完成第i个时间窗口下第n个区域的第p个任务所需要的时隙数；

表示第i个时间窗口下第n个区域使用的信道数，C_total表示信道总数；

表示第i个时间窗口下第n个区域的第p个任务的优先级，其值越大，所表示的优先级就越高；

表示为第i个时间窗口下第n个区域的第p个任务提供服务所需要的功率大小，

表示第m颗卫星所需要的总功率值，

表示第i个时间窗口内第n个区域的通信任务数目；

步骤S1中所述的建立系统资源调度模型，通过二进制变量集合来描述资源调度过程中的时间窗口、资源以及任务之间的关系，二进制变量集合为：

其中，

为第i个时间窗口下、第m颗卫星为第n个区域提供服务的卫星调度标识，当第i个时间窗口下、第m颗卫星为第n个区域提供服务，则

否则

为第i个时间窗口下为第n个区域分配第w个信道的分配标识，当第i个时间窗口下为第n个区域分配第w个信道时，则

否则

为第i个时间窗口下、第n个区域的第p个任务的任务传输完成标识，当第n个区域的第p个任务已经被安排调度完成，则

否则

为第p个任务在第k个时间窗口的调度标识，当第p个任务在第k个时间窗口进行调度，则

否则

3.一种如权利要求2所述的基于解集构造和信息素沉积的卫星资源动态调度方法，其特征在于，

步骤S2中所述的低轨卫星资源调度模型，低轨卫星资源调度模型为一个多约束下的多目标函数，具体为：

在该模型中，目标

表示在两个时间窗口内低轨卫星系统完成尽可能多的高优先级的任务传输，即调度完成的高优先级业务的总数量的倒数最小，其对应的目标函数f₁为优先级目标函数；目标

表示两个时间窗口内低轨卫星系统总的能耗最小，其对应的目标函数f₂为能耗目标函数，两个时间窗口内低轨卫星系统总的能耗包括任务传输能耗和切换能耗；n_p为总的任务数量，

为单位时间进行卫星切换所需要的功率大小，T_ms为连续执行调度任务需要的最大切换时间，只有当

且

时，不需要进行卫星切换，即

为第i个时隙的第n个区域任务传输需要的总时隙数，θ_b为需要时隙数目的调整量，θ为时隙变量的总称，

为优先级的调整量，

为优先级变量的总称；式中，

分别为优先级变化和时隙数变化的表达式，如果下一个时间窗口的优先级或时隙增加，则其中的±取+，否则其中的±取为-；

在该模型的约束条件中，C₁为时间窗口起始时刻约束，目的是为了确保两个时间窗口不发生重叠；C₂表示任务有效执行时间约束，即只有当任务的起止时刻包含于时间调度窗口内时，才能够有效地执行任务传输；C₃为信道数量约束，即为每个区域分配的信道数量总和应该小于总的信道数量；C₄为任务状态更新方程，考虑到任务随时间的连续变化性，下一个时间窗口出现优先级较高的热点任务、突发性较强的重负载任务或低优先级、轻负载的任务时，需要对网络资源进行重新调度；C₅为卫星与地面任务的功耗关系约束，对于每一颗低轨卫星来讲，其所能提供的功率等于其覆盖区域内所有任务功耗的总和；C₆为能耗约束，即覆盖区域内所有任务的传输能耗与卫星的切换能耗之和不能超过卫星在当前时间窗口和下一个时间窗口内的能耗总和。

4.一种如权利要求3所述的基于解集构造和信息素沉积的卫星资源动态调度方法，其特征在于，

采用改进的蚁群算法对整个资源调度过程进行优化，优化的对象为二进制变量集合

具体包括：

S101：定义迭代次数以及蚂蚁数目，初始化时间窗口以及任务集；

S102：根据下一个时间窗口内任务负载的轻重以及任务的优先级，更新时隙数以及优先级，得到下一个时间窗口的任务集；

S103：通过蒙特卡洛仿真构造初始解集，并且计算每一个解集所对应的信息素浓度值；

S104：确定信息素浓度值的上下界，从而确定初始解集的范围；

S105：计算每个蚂蚁的状态转移概率，并且更新本地的信息素浓度值；

S106：通过适应函数计算每个蚂蚁的适应值，根据计算得到的适应值选择优秀的个体构造质量域，并且进行额外的信息素浓度值沉积；

S107：判断迭代次数是否达到最大，如果迭代次数达到最大，则输出优化的资源调度结果；否则，更新全局信息素浓度，并且转至步骤S105继续执行。

5.一种如权利要求4所述的基于解集构造和信息素沉积的卫星资源动态调度方法，其特征在于，

所述的采用改进的蚁群算法对整个资源调度过程进行优化，具体包括：

初始解集构造并更新信息素浓度，对于第i个时间窗口下每一个初始化解元素集合

其中，α为卫星调度标识的初始化解元素，β为信道分配标识的初始化解元素，γ为任务传输完成标识的初始化解元素，

时间窗口标识的初始化解元素，每一个初始化解元素集合Γⁱ都有一个信息素浓度值τ_i与之对应，信息素浓度值的更新公式为：

其中τ_i+1为下一个信息素浓度值，ρ代表的是挥发速率，ω_Γ是解元素集合Γⁱ的权重因子；通过蒙特卡洛方法产生初始解集空间，然后将解集与任务集合中的变量进行一一对应，对于解集合Γ，定义质量函数F(Γ)，其目标是确保调度完成的任务的优先级尽可能高；任务按照优先级的高低依次传输，如果任务的传输时间不能满足时间窗口约束，则视为无法传输，把这些任务所对应的解元素从解集空间中删掉，进而确定了初始的解集范围；

对于每个蚂蚁的状态转移概率的计算，对于时间窗口TW_i，假设τ_m,n,w(TW_i)为第m颗卫星通过信道w完成对区域n中的调度任务的信息素浓度值，则对于第e个蚂蚁，其对应的第m颗卫星通过信道w完成对区域n中的调度任务的状态转移概率

表示为：

κ_m,n,w(TW_i)＝[κα_m,n,w(TW_i)]^b[κβ_m,n,w(TW_i)]^c[κγ_m,n,w(TW_i)]^d，

其中，a为信息素启发值权重，用来描述信息素浓度对于调度任务的影响程度，其值越大，该蚂蚁对走过路径的选择概率越大；κ_m,n,w(TW_i)为时间窗口TW_i中，第m颗卫星通过信道w完成对区域n中的调度任务的启发值，κ_x,n,y(TW_i)为第x颗卫星通过信道y完成对区域n中的调度任务的启发值，κα_m,n,w(TW_i)为第m颗卫星通过信道w完成对区域n中的卫星调度的子启发值，b为κα_m,n,w(TW_i)对应的启发值权重，κβ_m,n,w(TW_i)为第m颗卫星通过信道w完成对区域n中的信道分配的子启发值，c为κβ_m,n,w(TW_i)对应的启发值权重，κγ_m,n,w(TW_i)为第m颗卫星通过信道w完成对区域n中的任务调度的子启发值，d为κγ_m,n,w(TW_i)对应的启发值权重；

对于信息素浓度值上下界的确定，在每次迭代的过程中，假定τ₀是初始的信息素浓度值，L_F和U_F分别表示质量函数的下界和上界，在N₀次迭代后计算出信息素浓度值的上界U_τ和下界L_τ，其具体计算方法为：

η＝η_u+η_v/ρ，

其中，

表示τ_i经过N₀次迭代后计算得到的值,η_v表示与初始挥发速率成比例的权重值，η_u表示与挥发速率变化量成比例的权重值，η为这些权重的归一化值；当迭代次数N₀较大时，

因此信息素浓度值上下界表示为：

对于适应函数的确定，对低轨卫星资源调度的多目标函数采用线性加权的方式得到适应函数F^*，具体为：

F^*＝χ₁f₁+χ₂f₂，

其中，χ₁和χ₂分别为目标函数f₁和f₂对应的权值，χ₁+χ₂＝1，在计算适应度值之前，将优先级目标函数和能耗目标函数进行归一化，根据优先级目标函数和能耗目标函数的重要程度来确定相应的权值大小；

对于额外的信息素浓度值沉积，在每次迭代中将更新扩展到有限元素，以便更多的解元素能够更新它们的信息素浓度值；采用自适应信息素浓度值更新方法，在所有选中的解集方案中，选择部分解元素进行额外的信息素浓度值沉积，构建一个质量域BQ，质量域BQ是部分次优解的质量与最优解的质量差值不超过δ(也叫半径)的解元素所构成的集合，其表达式为：

在质量域中，CH_so-far表示目前迭代得到的解集，其中ch,ch^*∈CH_so-far是CH_so-far中的解元素，F(ch_best-so-far)是最优解的质量值，F(ch)是解元素ch的质量值，δ为质量域的半径，当半径δ的值较小时，质量域是由目前最优解构成的集合，即ch_v＝ch_best-so-far；在每次优化迭代过程中，首先构建质量域BQ，其次，

在质量域中搜索得到优化解ch_v{Γⁱ}，具体为：

如果在质量域中存在多于一个的优化解，则选取一个质量值最大的优化解作为ch_v{Γⁱ}，F(ch_v{Γⁱ})为ch_v{Γⁱ}的质量值，最终，进行一次额外的信息素浓度值更新，具体为：

Images