CN112434435B - 基于任务合成的成像卫星密集任务调度方法 - Google Patents

基于任务合成的成像卫星密集任务调度方法 Download PDF

Info

Publication number
CN112434435B
CN112434435B CN202011382446.7A CN202011382446A CN112434435B CN 112434435 B CN112434435 B CN 112434435B CN 202011382446 A CN202011382446 A CN 202011382446A CN 112434435 B CN112434435 B CN 112434435B
Authority
CN
China
Prior art keywords
task
satellite
synthesis
observation
tasks
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
CN202011382446.7A
Other languages
English (en)
Other versions
CN112434435A (zh
Inventor
沈大勇
于静
何磊
姚锋
陈盈果
刘晓路
吕济民
陈宇宁
王涛
张忠山
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 CN202011382446.7A priority Critical patent/CN112434435B/zh
Publication of CN112434435A publication Critical patent/CN112434435A/zh
Application granted granted Critical
Publication of CN112434435B publication Critical patent/CN112434435B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation
    • 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
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

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

Abstract

本发明提供了一种基于任务合成的成像卫星密集任务调度方法，包括以下步骤：提取卫星任务集；对卫星任务集中的任务进行合成处理，形成可观测的合成任务集；建立合成观测任务的多星任务调度模型；对所述多星任务调度模型进行求解，得到合成任务调度方案。通过对任务进行合成，可以最大限度地将满足约束条件要求的任务合成在一起，不仅可以通过减少传感器的打开次数节约卫星能耗，还可以将原本互相冲突的任务进行一起观测。使用本发明方法不仅可以大大提高卫星的任务观测收益，在问题求解阶段还可以加快算法的求解速度，从而可以对较大规模密集任务调度问题实现快速求解响应，满足应急需要。

Description

基于任务合成的成像卫星密集任务调度方法
技术领域
本发明属于卫星任务调度规划领域，尤其涉及一种基于任务合成的成像卫星密集任务调度方法。
背景技术
成像卫星是目前世界上应用范围最广的一类卫星，在卫星观测活动中，经常会有一些在观测区域任务比较密集的情况，诸如抗洪救灾等任务较密集且时效性较强的活动，怎样及时快速的给出卫星任务调度方案就显得尤为重要。
对于此类密集任务，如果使用传统方式进行观测，往往很多任务间会互相冲突，两个任务间互相冲突是指该两个任务之间的时间太短不足以完成卫星在该两任务间的姿态转换，从而导致卫星观测效率低.但由于成像卫星有一定视场，在一次成像过程中可以同时覆盖地面上相邻近的任务，此时需调整卫星的成像角度来更好的同时覆盖多个任务，如文献1“白保存,贺仁杰,李菊芳,et al.考虑任务合成的成像卫星调度问题[J].航空学报,2009(11):169-175.”所述。这些可同时被观测的任务作为一个观测活动，即一个合成观测活动.如图1所示，任务Tm和Tn被成像卫星同一观测条带覆盖，可以合成观测。任务合成观测不仅可以通过减少传感器的打开次数，节约卫星存储和能量资源，而且还可以一起观测原本相互排斥的任务。
对于卫星任务合成调度问题，文献1针对卫星单个轨道圈次，研究了任务间的最优合成问题并对单个卫星，提出了有效的快速模拟退火算法.。文献2“许语拉,徐培德,王慧林等.基于团划分的成像侦察任务聚类方法研究[J].运筹与管理,2010,19(004):000143-149.”用图论中的团划分理论对成像侦察任务进行合成。文献3“王钧,李军,陈慧中,et al.一种应急条件对地观测卫星成像调度方法[J].电子学报,2008,36(009):1715-1722.”等考虑了基于时间窗口上相邻任务间的合成。文献4“Cohen R.Automated spacecraftscheduling-the ASTER example[EB/OL].(技术性报告)2002”考虑了当卫星的角度固定时对多个任务的覆盖问题，没考虑合成任务间时间窗口约束。文献5“KIMSM.Population ofpublic Web services[EB/OL].[2017-12-09].http://nclab.kaist.ca.kr/～smkim/wsurvey/index.html.”针对单个卫星，建立了其团划分模型并给出问题的相关求解算法。文献6“白保存,陈英武,贺仁杰,etal.基于分解优化的多星合成观测调度算法[J].自动化学报,2009,35(005):596-604.”针对多星联合对地观测的任务合成观测调度问题，提出了将原问题分解为任务分配与任务合成的分解优化思路。文献7“张铭,王晋东,卫波.基于改进烟花算法的密集任务成像卫星调度方法[J].计算机应用,2018(9):2712-2719.”基于一种改进的烟花算法，解决了密集任务成像卫星调度问题，先对任务间所有可能进行合成分析，然后基于合成任务建立基于任务合成的任务调度模型，并给出相关求解算法。但对于时效性较强且大规模的任务问题，时间代价相对较大，计算时间长，效率低，不能及时快速的给出调度方案。
发明内容
本发明要解决的技术问题是对于在观测区域任务比较密集的情况下，怎样快速高效的给出任务调度方案，提出了一种基于任务合成的成像卫星密集任务调度方法。
为解决该问题，本发明所采用的技术方案是：
一种基于任务合成的成像卫星密集任务调度方法，包括以下步骤：
步骤1：提取卫星任务集；
步骤2：对卫星任务集中的任务进行合成处理，得到合成任务的观测集合；
步骤3：建立合成观测任务的多星任务调度模型；
步骤4：对所述多星任务调度模型进行求解，得到合成任务的观测方案。
进一步地，步骤2中对任务进行合成处理的方法是基于MeanShift任务合成方法。
进一步地，所述基于MeanShift的卫星任务聚类合成方法是指：
步骤2.1：从任务集中筛选出每颗卫星每轨上的任务信息；
步骤2.2：随机选取一可行轨道，并在属于该轨道的任务中随机选取一个任务作为该簇的中心点Center；
步骤2.3：计算漂移向量Mab，
Figure BDA0002809862930000031
得到新的中心点CenterNew＝Center+Mab，随着中心点位置(x*,y*)的不断更新、权重因子
Figure BDA0002809862930000032
得到更新，漂移向量Mab不断地更新，权重因子wi表示任务Ti对中心点位置(x*,y*)的重要程度，使得椭圆区域内覆盖的任务集合不断更新，最终得到椭圆区域内覆盖的点任务集合Sab为：
Figure BDA0002809862930000033
Time(Ti)与Angle(Ti)分别为元任务Ti在当前时间窗下的观测时间与观测角度；a为合成任务的观测时长限制参数，b为合成任务的观测角度限制参数，所述椭圆区域内覆盖的点集合Sab是一组同时满足某一合成约束条件的元任务集合。
步骤2.4：如果||Center-CenterNew||≤Stopthresh，则判断Sab中覆盖的任务数量是否大于1，若大于1，则表示聚类成功，标记Sab中覆盖的任务已访问，其所覆盖的任务为一个合成任务；若覆盖的任务数量为1，则将Sab中覆盖的任务继续尝试在其他的轨道中能否聚类，如果没有后续观测机会则标记已访问，Sab中覆盖的元任务为一个合成任务；否则,将CenterNew赋值给Center，返回步骤2.2；
步骤2.5：依次遍历其他轨道信息，直至所有任务都被访问，输出合成任务集合。
进一步地，步骤3中所述多星任务调度模型为：
目标函数为：
Figure BDA0002809862930000041
表示目标函数为对被观测的元任务收益进行求和，使卫星的总收益最大，pi为Ti的优先级，Ti为任务集合T中的第i个任务；NS表示参与调度的卫星的总数量，NT表示任务集合T中的任务数量，xij表示决策变量，指第i个任务Ti是否被第j个卫星所观测，
约束条件为：
Figure BDA0002809862930000042
cwsci,j≤cweci,j (3)
cweci,j-cwsci,j≤Δtj (4)
cweci,j+trans(ci,ci+1)≤cwsci+1,j (5)
Figure BDA0002809862930000043
Figure BDA0002809862930000044
Figure BDA0002809862930000045
Figure BDA0002809862930000046
决策变量：
Figure BDA0002809862930000047
Figure BDA0002809862930000048
公式(2)表示任务的唯一性约束，每个Ti任务至多被观测一次；
公式(3)与(4)代表合成任务的观测时间约束，每个合成任务时间窗口的起始时间不能大于其终止时间，且每个合成任务的观测时段不能超过卫星的最大开机时间，cwsci,j,cweci,j为第ci个合成任务CTci在第j个卫星的观测时间窗口的起止时间，Δtj表示第j个卫星的最大开机时间，
Figure BDA0002809862930000051
表示合成任务的集合，NC表示合成任务的总个数；
公式(5)表示被观测的两个观测活动之间的卫星转换时间的约束，前一观测任务的终止时间加上转换时间trans(ci,ci+1)不能超过下一个被观测任务的开始时间，trans(ci,ci+1)表示第ci个观测任务向第ci+1个观测任务的卫星转换时间；
公式(6)为卫星的能量约束，βj为第j颗卫星单位时间内拍摄所消耗的能量，ρj为第j颗卫星单位时间内遥感器角度转换所消耗的能量单位能量的消耗，Pj表示第j个卫星单个轨道上的能量存储量；cgci,j为CTci时间窗口在第j个卫星上的观测角度；
公式(7)为卫星的固存约束；α表示单位时间内的固存消耗量，Mj表示第j个卫星的内存，
Figure BDA0002809862930000052
为决策变量，表示CTci是否被观测，
公式(8)表示任务的不可间断性约束，dci,j为CTci由第j个卫星Sj观测的持续观测时间。公式(9)表示卫星Sj从第ci观测活动到第ci+1观测活动之间的转换时间，Spanj为第j个卫星Sj开机稳定时间，λj表示卫星遥感器的角速率。
公式(10)和(11)为决策变量。
进一步地，步骤4中对所述多星任务调度模型进行求解的方法是改进的蚁群算法。
进一步地，改进的蚁群算法是指：
步骤4.1：根据每个合成任务的任务需求度来构造信息素矩阵，初始时刻信息素矩阵中的元素为：
Figure BDA0002809862930000061
其中，CNeedci、CNeedcj分别为第ci个合成任务CTci和第cj个合成任务CTcj的任务需求度，ci、cj＝1,...,NC，CNeed为合成任务的需求度向量，max(CNeed)为合成任务中的最大需求度；
Figure BDA0002809862930000062
pi为元任务Ti的优先级，|Oi|为元任务Ti的可见窗口数量；
步骤4.2：多只蚂蚁随机选择一个合成任务作为初始点；
步骤4.3：每只蚂蚁根据约束条件及状态转移规则选择下一个合成任务，直至没有满足约束条件的合成任务可以选择，得到一条可行解，蚂蚁在选择完一个节点后，执行局部信息素更新；
步骤4.4：当所有蚂蚁都完成一条可行解的搜索后，挑选M个精英解执行Insert搜索得到当前最优解，然后进行全局信息素更新。
进一步地，步骤4.3中的状态转移规则是，
Figure BDA0002809862930000063
其中τci,cl表示边(ci,cl)上的信息素浓度；ηci,cl为启发式因子，代表蚂蚁从ci转移cl到的期望程度；α是信息素在概率选择公式中的权重；β是启发因子在概率选择公式中所占的权重；Jk(ci)为第k只蚂蚁访问完第ci个合成任务后的后续可访问集合，q为系统随机产生的0-1之间的随机数，q0为预先设定的阈值，
Figure BDA0002809862930000064
表示根据下面的概率选择公式选择的合成任务：
Figure BDA0002809862930000065
进一步地，步骤4.3中局部信息素更新的方法是指蚂蚁在选择完下一个可观测任务CTcl后，执行边(ci,cl)上的信息素更新：
τci,cl←(1-ρlocal)τci,cl+ρlocalτ0 (14)
ρlocal是局部信息素挥发因子；τ0为初始信息素浓度。
进一步地，步骤4.4中Insert搜索方法具体为：
步骤4.3.1：选择当前迭代M只精英蚂蚁解；
步骤4.3.2：随机选择一个精英解中的第P个合成任务，并计算与第P个合成任务同轨道的后续可访问集合J(P)，若J(P)非空，转步骤4.3.3；若J(P)空，转步骤4.3.4；
步骤4.3.3：在J(P)中随机选择一个合成任务作为该解中的第P+1个位置处的合成任务，并判断原解P位置后的合成任务与新加入的合成任务与之间是否有冲突，如果没有冲突，后续任务依次顺延，得到新解；如果有冲突，则删除原解中冲突的合成任务，补全解序列直至没有可插入合成任务，所述冲突指的是不满足任务合成的约束条件；
步骤4.3.4：选择不同轨道的可行合成任务安插在P+1位置，补全解序列直至没有可以插入的合成任务，输出新解。
进一步地，步骤4.4中全局信息素更新的方法是：
τu,v←(1-ρglobal)τu,v+ρglobalΔτu,v (15)
其中信息素增量为：
Figure BDA0002809862930000071
Sbest为当前最优路径；Q为全局信息素增量因子；ρglobal为全局信息素挥发系数，u,v表示最优路径Sbest中的各节点。
与现有技术相比，本发明所取得的有益效果是：
本发明一种基于任务合成的成像卫星密集任务调度方法，通过对任务进行基于MeanShift任务合成方法的合成处理，得到一组局部密度最大的合成任务集合，包含在每一个椭圆内的元任务集合就构成一个合成任务；通过使用MeanShift任务合成方法，可以最大限度的将满足合成约束条件的任务合成在一起，不仅可以通过减少传感器的打开次数节约卫星能耗，还可以将原本互相冲突的任务进行一起观测。通过大量实验分析可知，采用基于MeanShift任务合成方法不仅可以大大提高卫星的任务观测收益，在问题求解阶段还可以大大加快算法的求解速度，从而可以对较大规模密集任务调度问题实现快速求解响应，满足应急需要。
附图说明
图1为成像卫星合成观测示意图；
图2为本发明系统流程图；
图3为具体实施例中Insert搜索算法示意图；
图4为一颗卫星观测下任务规模为100的任务观测收益情况示意图；
图5为一颗卫星观测下任务规模为300的任务观测收益情况示意图；
图6为三颗卫星观测下任务规模为400时任务观测收益情况示意图；
图7为三颗卫星观测下任务规模为600时任务观测收益情况示意图；
图8为一颗观测卫星时考虑任务合成与非合成两种模式下的平均实验时间；
图9为三颗观测卫星时考虑任务合成与非合成两种模式下的平均实验时间。
具体实施方式
下面将结合附图对本发明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做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。
本发明中成像卫星的合成任务规划问题可以描述为：在满足卫星资源约束、任务需求的情况下，首先对目标任务进行聚类合成约束，然后合成任务进行调度规划，为已经合成的任务分配观测时间窗口和卫星相关资源，制定合成任务的观测方案。问题的规划目标为最大化观测收益，本发明中的观测任务只包含点目标，点目标在调度前需进行任务合成。
设
Figure BDA0002809862930000091
表示NS个卫星资源，Sj表示第j个卫星资源；
Figure BDA0002809862930000092
表示NT个观测任务，Ti表示第i个观测任务；Ti的时间窗口集合表示为
Figure BDA0002809862930000093
Nij＝|Oij|为Ti在卫星Sj中的时间窗口数量.Oijk＝[<wsijk,weijk>,gijk]为任务Ti在卫星Sj观测下的第k个时间窗口，其中wsijk,weijk分别为时间窗口Oijk的起止时间，gijk为其观测角度。
对于卫星Sj，其视场角为Δgj；单次最长开机时间Δtj；遥感器侧摆速率λj；单位时间内观测所需存储空间和能量分别为αj和βj，遥感器侧摆能耗为ρj；最大存储容量及能量分别为Mj和Pj。
本发明中定义1：成像卫星在一次过境过程可以观测的任务称为元任务，如文献8“cheng chen,XiaoluL,Baocun B,Yingwu C,et al.Multi satellites schedulingalgorithm based on task merging mechanism[J].Applied Mathematics&Computation,2014,230:687-700.”所述，本发明中的元任务为一个点目标。
定义2：观测活动同时覆盖了若干个按时序排列且满足合成约束条件的元任务Ti,…,Tl，则称元任务Ti,…,Tl组成了一个合成任务Obs(i,l).一个合成任务为一观测活动，包括至少一个元任务。
对于是否能够合成约束的条件有：
1)角度约束：
对于卫星Sj，由其视场角Δgj定义其视场范围。设卫星Sj对任务Ti的时间窗口数量为Nij,Oijk为任务Ti的第k个时间窗口，其起止时间分别为wsijk和weijk，任务Ti在Oijk中的观测角为gijk.对于时间窗口Oijk下的合成任务Obs(i,l)，包含元任务Ti,…Tl，那么它们的观测角度gijk,…gljk必须满足：
max(gijk,…gljk)-min(gijk,…gljk)≤Δgj
2)观测时间约束：
设卫星Sj的单次最长开机时间为Δtj。对于时间窗口Oijk下合成任务Obs(i,l)，任务Ti,…Tl需要满足的时间约束为：
max(weijk,…weljk)-min(wsijk,…wsljk)≤Δtj
特别的，当一个合成任务包含两个元任务时，如Obs(m,n)中只包含Tm与Tn两个任务，那么Obs(m,n)的时间窗与观测角分别为：
TWcom＝<min(wsmjk,wsnjk),max(wemjk,wenjk)>
Figure BDA0002809862930000101
刘在文献9“Xiaolu L,Baocun B,Yingwu C,et al.Multi satellitesscheduling algorithm based on task merging mechanism[J].Applied Mathematics&Computation,2014,230:687-700.”中给出了单轨下合成任务的最优观测角度算法，合成任务观测角度满足如下性质：
性质1.若Obs(i,l)成立，合成任务观测角度为cgil，则wei-wsl≤Δt，|gi-gl|≤Δg，且gi,gl∈[cgil-Δg/2,cgil+Δg/2]成立。
性质2.若Obs(i,l)成立，Ti,…,Tl的任务观测中最大观测角为gmax，最小观测角为gmin，则cgil的取值区间为[gmax-Δg/2,gmin+Δg/2].
图1至图9示出了本发明一种基于任务合成的成像卫星密集任务调度方法的具体实施例，如图2所示，包括以下步骤：
步骤1：提取卫星任务集；
步骤2：对卫星任务集中的任务进行合成处理，得到合成任务的观测集合；
本实施例中对任务进行合成处理的的方法是基于MeanShift的任务合成方法。
所述基于MeanShift的任务合成方法是指：
步骤2.1：从预处理后的任务集中筛选出每颗卫星每轨上的任务信息；
步骤2.2：随机选取一可行轨道，并在属于该轨道的任务中随机选取一个任务作为该簇的中心点Center；
步骤2.3：根据所述中心点与同轨道上的任务信息计算漂移向量Mab，
Figure BDA0002809862930000111
使新的中心点CenterNew＝Center+Mab，随着中心点位置(x*,y*)的不断更新，权重因子
Figure BDA0002809862930000112
得到更新，漂移向量Mab不断地更新，权重因子wi表示任务Ti对中心点Center的位置(x*,y*)的重要程度，使得椭圆区域所覆盖的任务集合不断更新，最终得到椭圆区域内覆盖的点任务集合Sab为：
Figure BDA0002809862930000113
Time(Ti)与Angle(Ti)分别为元任务Ti在当前时间窗下的观测时间与观测角度；a为合成任务的观测时长限制参数，b为合成任务的观测角度限制参数，所述椭圆区域内覆盖的点集合Sab是一组同时满足某一合成约束条件的元任务集合。
步骤2.4：如果||Center-CenterNew||≤Stopthresh，则判断Sab中覆盖的任务数量是否大于1，若大于1，则表示合成成功，标记Sab中覆盖的任务已访问，其所覆盖的任务为一个合成任务；若覆盖的任务数量为1，则将Sab中覆盖的任务继续尝试在其他的轨道中能否进行任务合成，如果在其他轨道中没有后续观测机会就标记已访问，Sab中覆盖的元任务为一个合成任务；否则将CenterNew赋值给Center，返回步骤2.2；
步骤2.5：依次遍历其他轨道信息，直至所有任务都被访问，输出合成任务集合。
本发明通过将密集任务进行合成，得到能够包含椭球区域内密度最大的合成任务，在合成完成后，包含在每一个椭球内的元任务集合就构成一个合成任务；通过对所有元任务的访问完成所有元任务的任务合成，通过使用合成进行任务合成，可以最大限度地将满足约束条件要求的任务合成在一起，不仅可以通过减少传感器的打开次数节约卫星能耗，还可以将原本互相冲突的任务进行一起观测。而且任务合成后，可以使得在问题求解阶段大大加快算法的求解速度，从而对较大规模密集任务调度问题实现快速求解响应，满足应急需要。
步骤3：建立合成观测任务的多星任务调度模型；
目标函数为：
Figure BDA0002809862930000121
表示目标函数为对被观测的元任务收益进行求和，使卫星的总收益最大，pi为Ti的优先级，Ti为任务集合T中的第i个任务；NS表示参与调度的卫星的总数量，NT表示任务集合T中的任务数量，xij表示决策变量，指第i个任务Ti是否被第j个卫星所观测，
约束条件为：
Figure BDA0002809862930000122
cwsci,j≤cweci,j (3)
cweci,j-cwsci,j≤Δtj (4)
cweci,j+trans(ci,ci+1)≤cwsci+1,j (5)
Figure BDA0002809862930000131
Figure BDA0002809862930000132
Figure BDA0002809862930000133
Figure BDA0002809862930000134
决策变量：
Figure BDA0002809862930000135
Figure BDA0002809862930000136
公式(2)表示任务的唯一性约束，每个Ti任务至多被观测一次；
公式(3)与(4)代表合成任务的观测时间约束，每个合成任务时间窗口的起始时间不能大于其终止时间，且每个合成任务的观测时段不能超过卫星的最大开机时间，cwsci,j,cweci,j为第ci个合成任务CTci在第j个卫星的观测时间窗口的起止时间，Δtj表示第j个卫星的最大开机时间，
Figure BDA0002809862930000137
表示合成任务的集合，NC表示合成任务的总个数；
公式(5)表示被观测的两个观测活动之间的卫星转换时间的约束，前一观测任务的终止时间加上转换时间trans(ci,ci+1)不能超过下一个被观测任务的开始时间，trans(ci,ci+1)表示第ci个观测任务向第ci+1个观测任务的卫星转换时间；
公式(6)为卫星的能量约束，βj为第j颗卫星单位时间内拍摄所消耗的能量，ρj为第j颗卫星单位时间内遥感器角度转换所消耗的能量单位能量的消耗，Pj表示第j个卫星单个轨道上的能量存储量；cgci,j为CTci时间窗口在第j个卫星上的观测角度；
公式(7)为卫星的固存约束；α表示单位时间内的固存消耗量，Mj表示第j个卫星的内存，
Figure BDA0002809862930000141
为决策变量，表示CTci是否被观测；
公式(8)表示任务的不可间断性约束，dci,j为CTci由第j个卫星Sj观测的持续观测时间；
公式(9)表示卫星Sj从第ci观测活动到第ci+1观测活动之间的转换时间，Spanj为第j个卫星Sj开机稳定时间，λj表示卫星遥感器的角速率。
步骤4：对所述多星任务调度模型进行求解，得到观测任务调度方案。
本实施例中对所述多星任务调度模型进行求解的方法是改进的蚁群算法。蚁群优化算法是模拟现实世界蚂蚁觅食行为的一种仿生搜索算法，如文献10“Dorigo M,Birattari M,Thomas St ü tzle.Ant colony optimization[J].IEEE ComputationalIntelligence Magazine,2007,1(4):28-39.”、文献11“Blum C.Ant colonyoptimization:Introduction and recent trends[J].Physics of Life Reviews,2005,2(4):353-373.”和文献12“邢立宁,陈英武.知识型智能优化方法研究[M].国防科技大学出版社,2010.”所述的仿生搜索方法。考虑到蚁群算法的随机搜索功能与其反馈机制，以及MeanShift的聚类机理，本发明构造了基于MeanShift任务聚类合成的蚁群求解算法来解决本文中的任务规划问题.先利用基于MeanShift的卫星任务合成算法生成合成任务序列；然后利用改进蚁群算法对其求解，首先，多只蚂蚁随机选择一个合成任务作为初始点，依据状态转移规则选择下一个合成任务，直至形成一条可行解.蚂蚁选择完一个节点后，执行局部信息素更新；当所有蚂蚁完成一条可行解的搜索后，执行Insert搜索，而后全局信息素更新.
改进的蚁群算法具体为：
步骤4.1：根据每个合成任务的任务需求度来构造信息素矩阵，初始时刻信息素矩阵中的元素为：
Figure BDA0002809862930000151
其中，CNeedci、CNeedcj为合成任务分别为第ci个合成任务CTci和第cj个合成任务CTcj的任务需求度，ci、cj＝1,...,NC，CNeed为合成任务的需求度向量，max(CNeed)为合成任务中的最大需求度；
Figure BDA0002809862930000152
pi为元任务Ti的优先级，|Oi|为元任务Ti的可见窗口数量；
步骤4.2：多只蚂蚁随机选择一个合成任务作为初始点；
步骤4.3：每只蚂蚁根据约束条件及状态转移规则选择下一个可观测的合成任务，直至没有满足约束条件的合成任务可以选择，得到一条可行解，蚂蚁在选择完一个节点后，执行局部信息素更新；
本实施例中的状态转移规则是，
Figure BDA0002809862930000153
其中τci,cl表示边(ci,cl)上的信息素浓度；ηci,cl为启发式因子，代表蚂蚁从ci转移cl到的期望程度；α是信息素在概率选择公式中的权重；β是启发因子在概率选择公式中所占的权重；Jk(ci)为第k只蚂蚁访问完第ci个合成任务后的后续可访问集合，q为系统随机产生的0-1之间的随机数，q0为预先设定的阈值，
Figure BDA0002809862930000154
表示根据下面的概率选择公式选择的合成任务：
Figure BDA0002809862930000161
本实施例中局部信息素更新的方法是指蚂蚁在选择完下一个可观测任务CTcl后，执行边(ci,cl)上的信息素更新：
τci,cl←(1-ρlocal)τci,cl+ρlocalτ0 (14)
ρlocal是局部信息素挥发因子；τ0为初始信息素浓度。
步骤4.4：当所有蚂蚁都完成一条可行解的搜索后，挑选M个精英解执行Insert搜索得到当前最优解，并进行全局信息素更新。
本实施例中Insert搜索方法具体为：
步骤4.4.1：选择当前迭代M只精英蚂蚁解，依次遍历寻优；
步骤4.4.2：随机选择一个精英解中的第P个合成任务，并计算与第P个合成任务同轨道的后续可访问集合J(P)，若J(P)非空，转步骤4.4.3；若J(P)为空，转步骤4.4.4；
步骤4.4.3：在J(P)中随机选择一个合成任务作为该解中的第P+1个位置处的合成任务，并判断原解P位置后的合成任务与新加入的合成任务与之间是否有冲突，如果没有冲突，后续任务依次顺延，得到新解；如果有冲突，则删除原解中冲突的合成任务，补全解序列直至没有可插入合成任务，所述冲突指的是不满足任务合成的约束条件；
步骤4.4.4：选择不同轨道的可行合成任务安插在P+1位置，补全解序列直至没有可以插入的合成任务输出新解。
从图3中可以看出，Insert搜索算子主要分为三个步骤，选择并加入可行的合成任务、冲突判断以及新解的生成三个阶段。在第一阶段中，首先在目标解中随机的选择一个位置P，然后计算与第P个合成任务相同轨道中的可访问集合J(P)，若J(P)非空随机选择一个合成任务Tv插入到TP之后，若相同轨中的J(P)为空，则计算异轨的可行任务集合J(P)并随机选择一个合成任务Tv。然后，首先判断新插入的任务Tv与目标解中P位置之后的解序列TP+1—TN之间是否存在冲突，若不存在冲突就直接加入新解的序列(如第p+1的位置为Tv)，若存在冲突的任务TN-1，则删除冲突任务TN-1并重新选择新的可行任务插入到当前解的位置，直至完成新解的重构。
本实施例中对全局信息素更新的方法是：
τu,v←(1-ρglobal)τu,v+ρglobalΔτu,v (15)
其中信息素增量为：
Figure BDA0002809862930000171
Sbest为当前最优路径；Q为全局信息素增量因子；ρglobal为全局信息素挥发系数，u,v表示最优路径Sbest中的各节点。
下面通过实验来验证本发明所取得的有益效果。
仿真实验的测试算例参考文献10“Liu X,Laporte G,Chen Y,et al.An adaptivelarge neighborhood search metaheuristic for agile satellite scheduling withtime-dependent transition time[J].Computers&Operations Research,2017,86(oct.):41-53.”的配置生成算例，任务目标是在中国区域内随机生成。共生成21组算例，这些算例包含100-700个任务，增量步长为100，观测时间为5-7秒，卫星数量为3。卫星的视场角度分别为3°，5°和8°；单次开机时间分别为200s,150s和180s；侧摆角范围为45°；开机稳定时间为10s；卫星单轨的固存为100，能量为100。测试的实验环境为Windows 10,2.0GhzCPU,1GB内存的计算机上运行，采用Matlab R2014a实现编程。
本发明主要考虑基于MeanShift任务合成方法与未考虑任务合成条件的两种观测模式下的改进蚁群算法的性能对比。蚁群算法的实验参数设计为：迭代次数IterMax＝60；信息素参数α＝1；期望因子β＝2；全局信息素挥发系数ρ＝0.6；局部信息素挥发系数ρlocal＝0.2；任务数量分别为100-300，400-600及700时，蚂蚁数量分别为10,15及20。
为避免赘述，本文只列出部分实验结果.如图4所示，一颗卫星观测下下任务规模为100，如图5所示一颗卫星观测下任务规模为300的任务观测收益情况，图5说明采用基于MeanShift任务合成算法的任务观测收益值要比未考虑任务合成的观测收益高.但图4未考虑任务合成的观测收益反而较高，因任务规模相对较小，分布相对稀疏，卫星资源相对充足，所以可以满足约束条件的任务目标基本都被观测到。所以在资源充足的条件下，对元任务的观测更加灵活；但通过任务合成后，合成任务的观测机会可能会减少，对合成任务的观测也不象元任务那样灵活.所以在资源充足条件下通过任务合成而缩小解的搜索空间的方法是不明智的。
三颗卫星观测下下任务规模为400，600的任务观测收益情况具体见图6和图7，从实验结果可知，当问题规模较大，任务较密集时，观测问题受卫星资源约束的影响较大，此时基于MeanShift任务合成算法的任务观测收益明显优于未经任务合成的算法，在此种情况下，通过任务合成能有效避免任务间的冲突以及节约卫星资源能耗来提高对任务的观测率。
图8列出了在卫星数量为1时考虑任务合成与非合成两种模式下随机10次实验的平均实验时间。图9列出了在卫星数量为3时考虑任务合成与非合成两种模式下随机10次实验的平均实验时间。不难发现卫星数量为1时考虑任务合成花费时间比未考虑任务合成时的时间整体多10s左右；在卫星数量为3时，从任务数量500开始考虑任务合成的实验时间逐渐低于未考虑任务合成的实验时间.虽然任务合成后问题的搜索空间会相对缩小，原则上会缩短实验时间，但其求解过程会变复杂，而且任务合成过程需要一定的时间。
综上实验结果，对于规模较大且任务密集的卫星任务规划问题，考虑基于MeanShift进行任务聚类合成的求解算法还是非常有效的。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。

Claims (8)

1.一种基于任务合成的成像卫星密集任务调度方法，其特征在于，包括以下步骤：
步骤1：提取卫星任务集；
步骤2：对卫星任务集中的任务进行合成处理，得到合成任务观测集合；
步骤3：建立合成观测任务的多星任务调度模型；
步骤4：对所述多星任务调度模型进行求解，得到合成任务的观测方案；
步骤2中进行合成处理的方法是基于MeanShift任务合成方法；
所述基于MeanShift任务合成方法是指：
步骤2.1：从任务集中筛选出每颗卫星每轨上的任务信息；
步骤2.2：随机选取一可行轨道，并在属于该轨道的任务中随机选取一个任务作为合成任务的中心点Center；
步骤2.3：根据中心点Center与同轨道上的任务信息计算漂移向量Mab，
Figure FDA0003673578940000011
得到新的中心点CenterNew＝Center+Mab，随着中心点位置(x*,y*)、权重因子
Figure FDA0003673578940000012
的不断更新，权重因子wi表示任务Ti对中心点Center的位置(x*,y*)的重要程度，漂移向量Mab不断地更新，使得椭圆区域所覆盖的任务集合不断更新，最终得到椭圆区域内的覆盖点任务集合Sab：
Figure FDA0003673578940000013
Time(Ti)与Angle(Ti)分别为元任务Ti在当前时间窗下的观测时间与观测角度；a为合成任务的观测时长限制参数，b为合成任务的观测角度限制参数，所述椭圆区域内覆盖的点集合Sab是一组同时满足某一合成约束条件的元任务集合；
步骤2.4：如果||Center-CenterNew||≤Stopthresh，则判断Sab中覆盖的任务数量是否大于1，若大于1，则表示合成成功，标记Sab中覆盖的任务已访问，其所覆盖的任务为一个合成任务；若覆盖的任务数量为1，则将Sab中覆盖的任务继续尝试在其他的轨道中能否进行任务合成，如果在其他轨道中没有后续观测机会就标记已访问，Sab中覆盖的元任务为一个合成任务；否则将CenterNew赋值给Center，返回步骤2.2；
步骤2.5：依次遍历其他轨道信息，直至所有任务都被访问，输出合成任务集合。
2.根据权利要求1所述的调度方法，其特征在于，步骤3中所述多星任务调度模型为：
目标函数为：
Figure FDA0003673578940000021
表示目标函数为对被观测的元任务收益进行求和，使卫星的总收益最大，pi为Ti的优先级，Ti为任务集合T中的第i个元任务；NS表示参与调度的卫星数量，NT表示任务集合T中的任务数量，xij表示决策变量，指第i个任务Ti是否被第j个卫星所观测，
约束条件为：
Figure FDA0003673578940000022
cwsci,j≤cweci,j (3)
cweci,j-cwsci,j≤Δtj (4)
cweci,j+trans(ci,ci+1)≤cwsci+1,j (5)
Figure FDA0003673578940000023
Figure FDA0003673578940000024
Figure FDA0003673578940000031
Figure FDA0003673578940000032
决策变量：
Figure FDA0003673578940000033
Figure FDA0003673578940000034
公式(2)表示任务的唯一性约束，每个Ti任务至多被观测一次；
公式(3)与(4)代表合成任务的观测时间约束，每个合成任务时间窗口的起始时间不能大于其终止时间，且每个合成任务的观测时段不能超过卫星的最大开机时间，cwsci,j,cweci,j为第ci个合成任务CTci在第j个卫星的观测时间窗口的起止时间，αtj表示第j个卫星的最大开机时间，
Figure FDA0003673578940000036
表示合成任务的集合，NC表示合成任务的总个数；
公式(5)表示被观测的两个观测活动之间的卫星转换时间的约束，前一观测任务的终止时间加上转换时间trans(ci,ci+1)不能超过下一个被观测任务的开始时间，trans(ci,ci+1)表示第ci个观测任务向第ci+1个观测任务的卫星转换时间；
公式(6)为卫星的能量约束，βj为第j颗卫星单位时间内拍摄所消耗的能量，ρj为第j颗卫星单位时间内遥感器角度转换所消耗的能量单位能量的消耗，Pj表示第j个卫星单个轨道上的能量存储量；cgci,j为CTci时间窗口在第j个卫星上的观测角度；
公式(7)为卫星的固存约束；α表示单位时间内的固存消耗量，Mj表示第j个卫星的内存，
Figure FDA0003673578940000035
为决策变量，表示合成任务CTci是否被观测；
公式(8)表示任务的不可间断性约束，dci,j为CTci由第j个卫星Sj观测的持续观测时间；
公式(9)表示卫星Sj从第ci合成任务到第ci+1合成任务之间的转换时间，Spanj为第j个卫星Sj开机稳定时间，λj表示卫星遥感器的角速率。
3.根据权利要求2所述的调度方法，其特征在于，步骤4中对所述多星任务调度模型进行求解的方法是改进蚁群算法。
4.根据权利要求3所述的调度方法，其特征在于，所述改进的蚁群算法具体为：
步骤4.1：根据每个合成任务的任务需求度来构造信息素矩阵，初始时刻信息素矩阵中的元素为：
Figure FDA0003673578940000041
其中，CNeedci、CNeedcj为第ci个合成任务CTci和第cj个合成任务CTcj的任务需求度，ci、cj＝1,...,NC，CNeed为合成任务的需求度向量；
Figure FDA0003673578940000042
pi为元任务Ti的优先级，|Oi|为元任务Ti的可见窗口数量，max(CNeed)为合成任务中的最大需求度；
步骤4.2：多只蚂蚁随机选择一个合成任务作为初始点；
步骤4.3：每只蚂蚁根据约束条件及状态转移规则选择下一个可观测的合成任务，直至没有满足约束条件的合成任务可以选择，得到一条可行解，蚂蚁在选择完一个节点后，执行局部信息素更新；
步骤4.4：当所有蚂蚁都完成一条可行解的搜索后，挑选M个精英解执行Insert搜索并得到最优解，然后进行全局信息素更新。
5.根据权利要求4所述的调度方法，其特征在于，步骤4.3中的状态转移规则是，
Figure FDA0003673578940000043
其中τci,cl表示边(ci,cl)上的信息素浓度；ηci,cl为启发式因子，代表蚂蚁从ci转移cl到的期望程度；α是信息素在概率选择公式中的权重；β是启发因子在概率选择公式中所占的权重；Jk(ci)为第k只蚂蚁访问完第ci个合成任务后的后续可访问集合，q为系统随机产生的0-1之间的随机数，q0为预先设定的阈值，
Figure FDA0003673578940000051
表示根据下面的概率选择公式选择的合成任务：
Figure FDA0003673578940000052
6.根据权利要求5所述的调度方法，其特征在于，步骤4.3中局部信息素更新的方法是指蚂蚁在选择完下一个可观测任务CTcl后，执行边(ci,cl)上的信息素更新：
τci,cl←(1-ρlocal)τci,cl+ρlocalτ0 (14)
ρlocal是局部信息素挥发因子；τ0为初始信息素浓度。
7.根据权利要求4所述的调度方法，其特征在于，步骤4.4中Insert搜索方法具体为：
步骤4.4.1：选择当前迭代M只精英蚂蚁解，依次遍历寻优；
步骤4.4.2：随机选择一个精英解中的第P个合成任务，并计算与第P个合成任务同轨道的后续可访问集合J(P)，若J(P)非空，转步骤4.4.3；若J(P)空，转步骤4.4.4；
步骤4.4.3：在J(P)中随机选择一个合成任务作为该解中的第P+1个位置处的合成任务，并判断原解P位置后的合成任务与新加入的合成任务与之间是否有冲突，如果没有冲突，后续任务依次顺延，得到新解；如果有冲突，则删除原解中冲突的合成任务，补全解序列直至没有可插入合成任务，所述冲突指的是不满足任务合成的约束条件；
步骤4.3.4：选择不同轨道的可行合成任务安插在P+1位置，补全解序列直至没有可以插入的合成任务输出新解。
8.根据权利要求5所述的调度方法，其特征在于，步骤4.4中全局信息素更新的方法是：
τu,v←(1-ρglobal)τu,v+ρglobalΔτu,v (15)
其中信息素增量为：
Figure FDA0003673578940000061
Sbest为当前最优路径；Q为全局信息素增量因子；ρglobal为全局信息素挥发系数，u,v表示最优路径Sbest中的各节点，CNeedv表示第v个合成任务。
CN202011382446.7A 2020-12-01 2020-12-01 基于任务合成的成像卫星密集任务调度方法 Active CN112434435B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011382446.7A CN112434435B (zh) 2020-12-01 2020-12-01 基于任务合成的成像卫星密集任务调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011382446.7A CN112434435B (zh) 2020-12-01 2020-12-01 基于任务合成的成像卫星密集任务调度方法

Publications (2)

Publication Number Publication Date
CN112434435A CN112434435A (zh) 2021-03-02
CN112434435B true CN112434435B (zh) 2022-07-12

Family

ID=74698106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011382446.7A Active CN112434435B (zh) 2020-12-01 2020-12-01 基于任务合成的成像卫星密集任务调度方法

Country Status (1)

Country Link
CN (1) CN112434435B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113313348B (zh) * 2021-04-20 2022-09-30 合肥工业大学 卫星任务规划方法、装置、存储介质和电子设备
CN113313356B (zh) * 2021-04-30 2022-09-23 合肥工业大学 遥感卫星对地观测应急任务合成方法与装置
CN114926021B (zh) * 2022-05-20 2023-01-03 上海交通大学 基于成像分割与规划一体化的卫星时序最优任务规划方法
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
CN116883704B (zh) * 2023-06-27 2024-05-03 中国空间技术研究院 巨型星座的协同对地观测任务规划优化方法、设备及介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102867107B (zh) * 2012-08-16 2015-05-13 中国人民解放军国防科学技术大学 一种多成像卫星应急任务动态调度方法
CN106648852B (zh) * 2016-11-18 2018-08-14 合肥工业大学 基于双蚁群的多星任务调度方法和装置
US20200019435A1 (en) * 2018-07-13 2020-01-16 Raytheon Company Dynamic optimizing task scheduling
CN111311074B (zh) * 2020-01-20 2022-04-05 中国人民解放军国防科技大学 面向应急任务的多星分布式协同重调度方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Also Published As

Publication number Publication date
CN112434435A (zh) 2021-03-02

Similar Documents

Publication Publication Date Title
CN112434435B (zh) 基于任务合成的成像卫星密集任务调度方法
EP3406531B1 (en) Innovative satellite scheduling method based on genetic algorithms and simulated annealing and related mission planner
CN111913787B (zh) 基于遗传算法的成像卫星调度方法和系统
Xiaolu et al. Multi satellites scheduling algorithm based on task merging mechanism
WO2006080003A2 (en) Method and apparatus for distributing assignments
Lian et al. Performance prediction of an unmanned airborne vehicle multi-agent system
CN109039428B (zh) 基于冲突消解的中继卫星单址天线调度随机搜索方法
CN111612384B (zh) 一种具有时间分辨率约束的多星接力任务规划方法
Chou et al. Recent advances in use of bio-inspired jellyfish search algorithm for solving optimization problems
Beşkirli et al. A comparison of modified tree–seed algorithm for high-dimensional numerical functions
Petković et al. Machine learning for predicting thermal power consumption of the mars express spacecraft
Leroux et al. Structural uncertainty in models projecting the consequences of habitat loss and fragmentation on biodiversity
Abdou et al. Prediction and optimization of heating and cooling loads for low energy buildings in Morocco: An application of hybrid machine learning methods
Sun et al. A cooperative target search method based on intelligent water drops algorithm
CN113344174A (zh) 基于概率分布的高效神经网络结构搜索方法
Zhou et al. Multi-satellite scheduling problem with marginal decreasing imaging duration: An improved adaptive ant colony algorithm
Nicol et al. Adaptive management of migratory birds under sea level rise
Choi et al. Coordinated targeting of mobile sensor networks for ensemble forecast improvement
Su et al. A hybrid parallel Harris hawks optimization algorithm for reusable launch vehicle reentry trajectory optimization with no-fly zones
Barros et al. Assessing the complex relationship between landscape, gene flow, and range expansion of a Mediterranean carnivore
Acan An external partial permutations memory for ant colony optimization
Chen et al. Multiobjective orienteering problem with time windows: An ant colony optimization algorithm
Haight et al. Integer programming methods for reserve selection and design
Leinonen Improvements to short-term weather prediction with recurrent-convolutional networks
CN111191941A (zh) 一种基于人工蜂群算法解决sevm模型问题的方法

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