CN112633334B - 一种基于卫星测运控资源规划调度的建模方法 - Google Patents
一种基于卫星测运控资源规划调度的建模方法 Download PDFInfo
- Publication number
- CN112633334B CN112633334B CN202011451679.8A CN202011451679A CN112633334B CN 112633334 B CN112633334 B CN 112633334B CN 202011451679 A CN202011451679 A CN 202011451679A CN 112633334 B CN112633334 B CN 112633334B
- Authority
- CN
- China
- Prior art keywords
- model
- function
- scale
- scheduling
- control resource
- 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
Links
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种基于卫星测运控资源规划调度的建模方法,包括以下步骤:S10、将卫星测运控资源规划与调度问题生成问题实例,将所有问题实例整合,构建实例库;S20、根据实例库建立三个尺度,由所述三个尺度确定表达单元;S30、根据所述实例库中的实例特征,确定问题特征;S40、根据所述表达单元及所述问题特征匹配问题模型,按照所述三个尺度的优先级进行匹配,得到建模结果。
Description
技术领域
本发明涉及资源规划与调度技术领域,具体涉及一种基于卫星测运控资源规划调度的建模方法。
背景技术
卫星测运控资源规划与调度是天地一体化信息网络的大脑和神经中枢,具有统筹用户需求、协同天地资源和控制任务实施的重要作用。卫星测运控资源规划与调度是根据用户需求,对多星、多站、多中心等天地资源及其信息获取、处理、传输等任务进行联合规划与优化调度,制定出卫星在轨工作、地面站接收、卫星测控等工作计划和模型,可有效解决需求多样统筹、资源异构协同、任务快速响应等难题,实现卫星系统从“数量优势”到“能力优势”的跃升。
申请人发现现有技术中需要解决如下问题:如何实现低时间消耗、低计算资源消耗、高安全性的建模方法。
发明内容
本发明实施例提供一种基于卫星测运控资源规划调度的建模方法,用以解决如何实现低时间消耗、低计算资源消耗、高安全性的建模方法的问题。
本发明实施例采用下述技术方案:
一种基于卫星测运控资源规划调度的建模方法,包括以下步骤:
S10、将卫星测运控资源规划与调度问题生成问题实例,将所有问题实例整合,构建实例库;
S20、根据实例库建立三个尺度,由所述三个尺度确定表达单元;
S30、根据所述实例库中的实例特征,确定问题特征;
S40、根据所述表达单元及所述问题特征匹配问题模型,按照所述三个尺度的优先级进行匹配,得到建模结果。
具体的,所述三个尺度包括尺度一、尺度二、尺度三,由尺度一得到典型核函数单元,所述尺度一为核函数单元尺度,即通过线性组合表达一个目标函数或约束条件的典型核函数单元;由尺度二得到典型函数单元,所述尺度二为函数尺度,即直接给出目标函数和约束条件的典型函数表达;由尺度三得到问题函数组单元,所述尺度三为问题函数组尺度,即直接给出一个问题模型表达式。
具体的,基于卫星测运控资源规划调度需求,利用所述实例库中的所述实例特征对监督学习分类器进行训练,建立所述实例特征与所述问题特征的映射,确定所述问题特征。
具体的,所述三个尺度的优先级为:尺度三高于尺度二,尺度二高于尺度一。
具体的,其中步骤S20具体包括:根据所述问题特征,按照尺度三,从所述问题函数组单元中匹配模板函数组;判断是否匹配,判断结果为是,得到问题模型,如果判断结果为否,按照尺度二,根据所述问题特征和所述典型函数单元给所述单个目标函数或所述约束条件匹配模板函数,判断是否匹配,判断结果为是,得到问题模型,如果判断结果为否,按照尺度一,则根据所述问题特征和典型核函数单元匹配核函数,判断是否匹配,判断结果为是,拟合出一个目标函数表达式或约束条件函数表达式,得到问题模型,判断结果为否,则采用高斯核函数的加权线性组合,拟合出目标函数表达式或约束条件函数表达式,得到问题模型。
具体的,还包括:得到问题模型之后,对所述问题模型进行校正,所述问题模型校正包括对问题模型的函数形式和对问题模型参数的校正。
具体的,校正所述问题模型的函数形式是与所述三个尺度对应的,即,针对不同尺度的知识库,分别实现知识库的补全和更新,最后实现整个多尺度知识库更新。
具体的,校正所述问题模型参数,在拥有实例特征的基础上,采用最小二乘损失来评价所建立的函数模型的准确程度。
具体的,将最小二乘损失作为优化目标,将所述问题模型参数调整的过程转换为一个最优化问题,进而优化模型的参数。
上述技术方案具有如下有益效果:通过建立三个尺度,节省实现建模时间,并且建模后实现对问题模型的更新和校正,准确、低消耗的建立卫星测运控资源规划调度的数学模型。从而降低成本、节省时间、提高效率。
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为本发明一种基于卫星测运控资源规划调度的建模方法流程图;
图2为本发明的一种基于卫星测运控资源规划调度的建模方法的第一种实施方式流程图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
在本发明实施例中,如图1,提供了一种基于卫星测运控资源规划调度的建模方法,其步骤包括:
S10、将卫星测运控资源规划与调度问题生成问题实例,将所有问题实例整合,构建实例库;
S20、根据实例库建立三个尺度,由所述三个尺度确定表达单元;
S30、根据所述实例库中的实例特征,确定问题特征;
S40、根据所述表达单元及所述问题特征匹配问题模型,按照所述三个尺度的优先级进行匹配,得到建模结果。
步骤S10包括:
所述实例库为:将卫星测运控资源规划与调度问题生成问题实例,将所有问题实例整合,构建实例库。在识别典型场景基础上,对资源规划与调度问题进行梳理和分类,通过问题分解及模块库构建形成实例库。实例库包含所有资源规划与调度问题及测试算例,可通过人机交互快速构建典型场景下的测试问题,为设计高性能、稳定性强的调度优化算法奠定基础。
步骤S20包括:
在表达卫星测运控资源规划与调度问题时,建立三个尺度,所述三个尺度包括尺度一、尺度二、尺度三,由尺度一得到典型核函数单元,所述尺度一为核函数单元尺度,即通过线性组合表达一个目标函数或约束条件的典型核函数单元;由尺度二得到典型函数单元,所述尺度二为函数尺度,即直接给出目标函数和约束条件的典型函数表达;由尺度三得到问题函数组单元,所述尺度三为问题函数组尺度,即直接给出一个问题模型表达式。
所示三个尺度的单元之间的关系,问题函数组单元可以根据目标条件或约束条件由一系列的典型函数单元组成,而典型函数单元则可由一系列典型核函数单元进行线性加权求和组成。本发明从典型核函数单元、典型函数单元以及问题函数组单元三个尺度上总结出一系列函数表达单元,并在此基础上实现后续的建模工作。
步骤S30包括:
基于卫星测运控资源规划调度需求,利用所述实例库中的所述实例特征对监督学习分类器进行训练,建立所述实例特征与所述问题特征的映射,确定所述问题特征。根据目标函数数量、是否包含约束条件及决策变量类型等条件,问题特征分为单目标无约束连续优化、单目标约束连续优化、多目标无约束连续优化、多目标约束连续优化等几类。而所要建立的卫星测运控资源规划与调度问题的模型所具有的问题特征与其建模场景、建模对象等实例特征息息相关。在已知实例特征情况下,借助人工智能方法总结以往建模经验,是可以推断出所建模型的问题特征的。在已经建立好的实例库的基础上,利用所述实例库中的数据对监督学习分类器进行训练,建立实例特征与问题特征的映射,最终达到根据所述实例特征确定问题特征目的。所述实例特征通常为离散变量,而对于离散变量,基于树结构的分类方法非常适用。因此,本发明拟借助人工智能领域中基于树结构的分类器,根据所述实例库中的数据,对树结构分类器进行训练并得到实例特征到问题特征的映射,利用所训练好的树结构分类器,根据所要建立调度模型的实例特征智能推荐出问题特征。
步骤S40包括:
所述三个尺度的优先级为:尺度三高于尺度二,尺度二高于尺度一。
根据所述问题特征,首先匹配优先级高的尺度(即所建问题模型属于常规模型),按照尺度三,从所述问题函数组单元中匹配模板函数组;判断是否匹配,判断结果为是,得到问题模型,如果判断结果为否(即所建问题模型并不属于常规模型),按照尺度二,根据所述问题特征和所述典型函数单元给所述单个目标函数或所述约束条件匹配模板函数,判断是否匹配,判断结果为是,得到问题模型,如果判断结果为否,按照尺度一,则根据所述问题特征和典型核函数单元匹配核函数,判断是否匹配,判断结果为是,拟合出一个目标函数表达式或约束条件函数表达式,得到问题模型,判断结果为否,则采用高斯核函数的加权线性组合,拟合出目标函数表达式或约束条件函数表达式,得到问题模型。
得到问题模型之后,对所述问题模型进行校正,所述问题模型校正包括对问题模型的函数形式和对问题模型参数的校正。
模型校正可归结为两个方面,一是对函数形式的校正,二是对模型参数的校正。针对这两个方面,本发明拟在拥有实例数据或测量数据的前提下设计数据驱动的卫星测运控资源规划与调度模型校正技术。本发明从单元知识库自更新和函数模型参数自校正两个方面校正模型。其中,基于实例数据的单元知识库自更新的主要任务是,对增量式建模过程中所利用到的典型核函数单元知识库、典型函数单元知识库和问题函数组单元知识库进行自主更新,丰富知识库中所拥有的典型模板函数,进而使得建模系统能够在遇到新问题时可自主建立新的更为适合的模型,从而间接实现对函数形式的校正;基于测量数据的函数模型参数自校正的目的则是根据测量数据或仿真数据,对所建模型的一些参数进行更新校正,使得函数模型能够更好地描述待建模问题。
本发明采用强适应性的知识库补全方法,对三个尺度上的单元知识库进行更新。首先,将问题实例的函数表达按问题函数组尺度、典型函数尺度和典型核函数尺度拆解为三个尺度的典型函数表达式。随后,针对不同尺度的知识库,分别采用适应性的知识库补全方法判断并实现知识库的补全和更新。
基于测量数据的函数模型参数自校正,在增量式建模的过程中,将从典型核函数单元知识库、典型函数单元知识库或问题函数组单元知识库中选择出一系列核函数模板、函数模板或问题函数组模板。在这些模板函数中可能存在一些无法准确确定的参数,而这些参数如果没有合适的取值,则可能导致所建立的模型不能对待建模问题进行准确描述,因此这些参数需要进行调整。本发明在拥有测量数据或仿真数据的基础上,采用最小二乘损失来评价所建立的函数模型的准确程度。进一步的,将最小二乘损失作为优化目标,将所述参数调整的过程转换为一个最优化问题,进而优化模型中所存在的参数。鉴于所述参数优化问题拥有高度非线性、高度非凸特性,采用进化算法设计一套专门的参数优化算法。
下面结合具体的应用实例对本发明实施例上述技术方案进行详细说明,实施过程中没有介绍到的技术细节,可以参考前文的相关描述。
实施例1:
提供了一种基于卫星测运控资源规划调度的建模方法,如图2所示,具体步骤如下:
(一)天地一体化卫星测运控资源规划与调度问题特征的多尺度表达。
为实现计算机对卫星测运控资源规划与调度问题的智能自主建模,申请人在对卫星测运控资源规划与调度问题进行建模时,首先会从两个方面考虑:所建立的卫星测运控资源规划与调度问题应具有的问题特征(如目标函数数量,是否包含约束条件,决策变量类型等);所建立的卫星测运控资源规划与调度问题的目标函数或约束条件具有的函数表达式。
申请人在问题特征和可能具有的函数表达的基础上,建立问题的函数模型。
(1)确定卫星测运控资源规划与调度问题的问题特征。
根据目标函数数量、是否包含约束条件及决策变量类型等条件,问题特征可分为单目标无约束连续优化、单目标约束连续优化、多目标无约束连续优化、多目标约束连续优化等几类。而所要建立的卫星测运控资源规划与调度问题的模型所具有的问题特征与其建模场景、建模对象等实例特征息息相关。在已知实例特征情况下,借助人工智能方法总结以往建模经验,是可以推断出所建模型的问题特征的。沿着这个思路,在已经建立好的实例库的基础上,利用实例库中的数据对监督学习分类器进行训练,建立实例特征与问题特征的映射,最终达到根据实例特征确定问题特征目的。实例特征通常为离散变量,而对于离散变量,基于树结构的分类方法非常适用。因此,本发明拟借助人工智能领域中基于树结构的分类器,根据发明一所建立的实例库中的数据,对树结构分类器进行训练并得到实例特征到问题特征的映射,利用所训练好的树结构分类器,根据所要建立调度模型的实例特征智能推荐出问题特征。
(2)确定军事资源规划与调度问题的目标函数及约束条件。尽管在建立卫星测运控资源规划与调度问题的目标函数/约束条件时需要经过申请人的缜密思考并分析机理,但是在通过对现有卫星测运控资源规划与调度问题模型进行研究可以发现,很多卫星测运控资源规划与调度问题的目标函数和约束条件都具有相似甚至相同的函数表达形式。我们希望从现有的卫星测运控资源规划与调度问题实例的基础上,抽取出一系列具备一定特点的、可描述某些机理的、能够表达出大多数卫星测运控资源规划与调度问题函数表达形式,并根据这些提取出的表达形式表示出所要建立的问题的函数模型。
在表达卫星测运控资源规划与调度问题时,建立三个尺度:问题函数组尺度,即直接给出一个包含一系列目标函数和约束条件的整个典型问题模型的数学表达;函数尺度,即直接给出一个目标函数和约束条件的典型函数表达;核函数单元尺度,可以通过线性组合表达一个目标函数或约束条件的一系列典型的核函数单元。
根据实例库,总结出一系列具有固定函数表达形式的典型问题,总结出可表达某系列典型问题的函数组单元;将实例库中的问题模型拆解为单独目标函数/约束条件,并总结出系列的可表达某类目标函数/约束条件的典型函数表达形式,最终整理出一系列典型的函数单元;将现有单独的目标函数/约束条件拆解为核函数加权和的形式,并总结出一系列常见的典型核函数单元。
问题函数组单元可以根据目标条件或约束条件由一系列的典型函数单元组成,而典型函数单元则可由一系列典型核函数单元进行线性加权求和组成。本发明拟从典型核函数单元、典型函数单元以及问题函数组单元三个尺度上总结出一系列函数表达单元,并在此基础上实现后续的建模工作。
(二)基于单元知识库的卫星测运控资源规划与调度问题增量式建模。在确立卫星测运控资源规划与调度问题的问题特征以及其目标函数和约束条件的多尺度表达单元后,本发明将继续研究如何在此基础上快速精准地建立函数模型。本发明拟分以下两种情况实现建模:所建问题模型属于常规模型(即可直接使用已有的问题函数组单元表达,或问题的目标函数/约束条件可以使用已有的典型函数单元表达);所建模型并不常见(即难以使用函数组单元或典型函数单元表达,只能依据数据采用典型核函数单元的线性组合表达)。对于这两种情况,本发明将采用不同的方式建立问题模型。
(1)所建问题模型属于常规模型。对于这种情况,最为有效的方法是根据当前卫星测运控资源规划与调度问题的实例特征,直接套用一个最为合适的问题函数组模板,或者针对其目标和约束条件分别套用合适的函数模板。为了能够找到针对于当前实例条件下最优的函数模板,拟在函数组单元尺度以及函数单元尺度下分别建立函数组单元知识库和典型函数单元知识库。在该知识库中,函数组单元节点/典型函数单元节点将与实例特征相关联。在建模时,首先根据卫星测运控资源规划与调度问题的实例特征,在知识库中寻找相匹配的函数组单元/典型函数单元,并将该函数组单元/典型函数单元作为模板函数,直接给出模型的函数表达式。
(2)所建问题模型并不常见。本发明拟在核函数单元的基础上,采用线性组合的方式,根据相关的测量数据或仿真数据对模型进行拟合建模。为了能够给出较为合适的函数表达,以便于提高模型的精度,我们同样建立了一个典型核函数单元知识库,依据问题的实例特征选择若干个典型核单元进行建模。如果没有找到相对合适的核函数单元,则在已有的测量数据或模拟数据的基础上,一律采用高斯核函数线性组合对问题进行拟合建模,此时所建立的模型将退化为一个径向基函数神经网络。
综合以上两种情况,本发明拟设计一套增量式建模技术。该技术拟采用从总体到局部、从框架到细节的思路,在已有的问题模板的基础上,逐步对模型进行完善,最终达到对卫星测运控资源规划与调度问题进行建模的目的。依据该思路,可以得到一个合理的卫星测运控资源规划与调度问题模型。
该建模过程拟采用以下步骤实现:首先根据实例特征,从问题函数组单元知识库中选择合适的模板函数组;如果没有找到合适的模板函数组,则以单独的目标函数/约束条件的形式,根据实例特征和典型函数单元知识库为每个目标函数/约束条件分别推荐合适的模板函数;对于没有找到合适的典型函数单元的目标函数/约束条件,则根据实例特征和典型核函数单元知识库推荐出若干个核函数单元,随后在测量数据或仿真数据的基础上拟合出一个较为理想的目标函数表达式或约束条件函数表达式;若无法找到合适的核函数单元,则采用若干个高斯核函数的加权线性组合,根据测量数据/仿真数据拟合出一个可以满足需求的目标函数表达式或约束条件函数表达式。
(三)数据驱动的卫星测运控资源规划与调度模型校正技术。
模型校正可归结为两个方面,一是对函数形式的校正,二是对模型参数的校正。针对这两个方面,本发明拟在拥有实例数据或测量数据的前提下设计数据驱动的卫星测运控资源规划与调度模型校正技术。本发明拟从单元知识库自更新和函数模型参数自校正两个方面校正模型。其中,基于实例数据的单元知识库自更新的主要任务是,对增量式建模过程中所利用到的典型核函数单元知识库、典型函数单元知识库和问题函数组单元知识库进行自主更新,丰富知识库中所拥有的典型模板函数,进而使得建模系统能够在遇到新问题时可自主建立新的更为适合的模型,从而间接实现对函数形式的校正;基于测量数据的函数模型参数自校正的目的则是根据测量数据或仿真数据,对所建模型的一些参数进行更新校正,使得函数模型能够更好地描述待建模问题。
(1)单元知识库自更新。本发明拟采用强适应性的知识库补全方法,对三个尺度上的单元知识库进行更新。首先,将问题实例的函数表达按问题函数组尺度、典型函数尺度和典型核函数尺度拆解为三个尺度的典型函数表达式。随后,针对不同尺度的知识库,分别采用适应性的知识库补全方法判断并实现知识库的补全和更新。
(2)基于测量数据的函数模型参数自校正。在增量式建模的过程中,将从典型核函数单元知识库、典型函数单元知识库或问题函数组单元知识库中选择出一系列核函数模板、函数模板或问题函数组模板。在这些模板函数中可能存在一些无法准确确定的参数,而这些参数如果没有合适的取值,则可能导致所建立的模型不能对待建模问题进行准确描述,因此这些参数需要进行调整。本发明拟在拥有测量数据或仿真数据的基础上,采用最小二乘损失来评价所建立的函数模型的准确程度。进一步的,将最小二乘损失作为优化目标,将该参数调整的过程转换为一个最优化问题,进而优化模型中所存在的参数。鉴于该参数优化问题拥有高度非线性、高度非凸特性,本发明拟采用进化算法设计出一套专门的参数优化算法。
(四)云-网-端模式下卫星测运控资源规划与调度问题建模方法。一般来说,实施建模时,战场所拥有的计算资源可以包括云、网、端三类计算资源。
云端计算资源具有较强计算能力,但传输时间较长,安全性较低;相反,终端计算资源计算能力较弱,但传输速度较快,且安全性较高;网端计算资源、传输速度和安全性则介于两者中间。而在实际进行建模时,根据战场的现场状况,需要考虑三个方面的因素。
计算资源受限。在实际作战时,无法得到稳定的计算资源,如在受到信息干扰的情况下,无法保证云端的计算资源能够稳定提供服务;而在本地能源供给有限时,则无法保证本地设备提供计算服务。
建模时间受限。在利用云-网-端技术进行建模时,数据传输的过程可能会消耗大量的时间;同时,采用不同的技术构建不同精度不同类型的模型时,所消耗的计算时间也各不相同。而在实际作战时,为了满足作战需求,所要求的总时间有所限制。
安全风险。在云-网建模时,需要将数据从本地上传到云-网服务器上,在这种情况下,就面临着数据被窃取的安全性问题。
本发明首先根据建模时所需要的模型问题特征、目标函数类型、约束条件类型等对每个目标函数、每个约束条件进行建模时所消耗的计算资源、计算时间、安全风险进行评价。拟通过建立数据库的方式来评价这些指标。在得到这些指标后,根据当前所拥有的计算资源建立针对计算资源的约束条件,根据当前时间要求建立针对建模时间约束条件,根据当前的安全性要求建立针对安全性的约束条件。在建立好这几个约束条件后,将待建立模型的精度作为目标函数,将每个目标函数、约束条件在不同端上实现建模的分配模式作为决策变量,实现在满足以上三方面要求的情况下,合理分配计算资源,建立具有足够精度的问题模型。如果在求解过程中,发现按照当前的建模方案,无论如何分配资源,都无法满足对建模时间、计算资源和安全性等三个方面的限制,则重新调整建模方案,并倾向于采用低时间消耗、低计算资源消耗、高安全性的方法建模(如直接从函数单元知识库选择模板函数并省略校正过程)。云-网-端计算资源分配是一个典型的约束优化问题,拟采用进化算法求解该问题,实现对云-网-端计算资源的合理分配,实现云-网-端环境下的快速建模。
应该明白,公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好,应该理解,过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素,并且不是要限于所述的特定顺序或层次。
在上述的详细描述中,各种特征一起组合在单个的实施方案中,以简化本公开。不应该将这种公开方法解释为反映了这样的意图,即,所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反,如所附的权利要求书所反映的那样,本发明处于比所公开的单个实施方案的全部特征少的状态。因此,所附的权利要求书特此清楚地被并入详细描述中,其中每项权利要求独自作为本发明单独的优选实施方案。
为使本领域内的任何技术人员能够实现或者使用本发明,上面对所公开实施例进行了描述。对于本领域技术人员来说;这些实施例的各种修改方式都是显而易见的,并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此,本公开并不限于本文给出的实施例,而是与本申请公开的原理和新颖性特征的最广范围相一致。
上文的描述包括一个或多个实施例的举例。当然,为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的,但是本领域普通技术人员应该认识到,各个实施例可以做进一步的组合和排列。因此,本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外,就说明书或权利要求书中使用的术语“包含”,该词的涵盖方式类似于术语“包括”,就如同“包括,”在权利要求中用作衔接词所解释的那样。此外,使用在权利要求书的说明书中的任何一个术语“或者”是要表示“非排它性的或者”。
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block),单元,和步骤可以通过电子硬件、电脑软件,或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability),上述的各种说明性部件(illustrative components),单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用,可以使用各种方法实现所述的功能,但这种实现不应被理解为超出本发明实施例保护的范围。
本发明实施例中所描述的各种说明性的逻辑块,或单元都可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于用户终端中。可选地,处理器和存储媒介也可以设置于用户终端中的不同的部件中。
在一个或多个示例性的设计中,本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现,这些功能可以存储与电脑可读的媒介上,或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如,这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置,或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外,任何连接都可以被适当地定义为电脑可读媒介,例如,如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘,磁盘通常以磁性复制数据,而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于卫星测运控资源规划调度的建模方法,其特征在于,包括以下步骤:
S10、将卫星测运控资源规划与调度问题生成问题实例,将所有问题实例整合,构建实例库;
S20、根据实例库建立三个尺度,由所述三个尺度确定表达单元;
S30、根据所述实例库中的实例特征,确定问题特征;
S40、根据所述表达单元及所述问题特征匹配问题模型,按照所述三个尺度的优先级进行匹配,得到建模结果;
所述三个尺度包括尺度一、尺度二、尺度三,由尺度一得到典型核函数单元,所述尺度一为核函数单元尺度,即通过线性组合表达一个目标函数或约束条件的典型核函数单元;由尺度二得到典型函数单元,所述尺度二为函数尺度,即直接给出目标函数和约束条件的典型函数表达;由尺度三得到问题函数组单元,所述尺度三为问题函数组尺度,即直接给出一个问题模型表达式;
基于卫星测运控资源规划调度需求,利用所述实例库中的所述实例特征对监督学习分类器进行训练,建立所述实例特征与所述问题特征的映射,确定所述问题特征;
其中步骤S20具体包括:根据所述问题特征,按照尺度三,从所述问题函数组单元中匹配模板函数组;判断是否匹配,判断结果为是,得到问题模型,如果判断结果为否,按照尺度二,根据所述问题特征和所述典型函数单元给所述单个目标函数或所述约束条件匹配模板函数,判断是否匹配,判断结果为是,得到问题模型,如果判断结果为否,按照尺度一,则根据所述问题特征和典型核函数单元匹配核函数,判断是否匹配,判断结果为是,拟合出一个目标函数表达式或约束条件函数表达式,得到问题模型,判断结果为否,则采用高斯核函数的加权线性组合,拟合出目标函数表达式或约束条件函数表达式,得到问题模型。
2.根据权利要求1所述的一种基于卫星测运控资源规划调度的建模方法,其特征在于,所述三个尺度的优先级为:尺度三高于尺度二,尺度二高于尺度一。
3.根据权利要求1所述的一种基于卫星测运控资源规划调度的建模方法,其特征在于,还包括:得到问题模型之后,对所述问题模型进行校正,所述问题模型校正包括对问题模型的函数形式和对问题模型参数的校正。
4.根据权利要求3所述的一种基于卫星测运控资源规划调度的建模方法,其特征在于,校正所述问题模型的函数形式是与所述三个尺度对应的,即,针对不同尺度的知识库,分别实现知识库的补全和更新,最后实现整个多尺度知识库更新。
5.根据权利要求3所述的一种基于卫星测运控资源规划调度的建模方法,其特征在于,校正所述问题模型参数,在拥有实例特征的基础上,采用最小二乘损失来评价所建立的函数模型的准确程度。
6.根据权利要求5所述的一种基于卫星测运控资源规划调度的建模方法,其特征在于,将最小二乘损失作为优化目标,将所述问题模型参数调整的过程转换为一个最优化问题,进而优化模型的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011451679.8A CN112633334B (zh) | 2020-12-09 | 2020-12-09 | 一种基于卫星测运控资源规划调度的建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011451679.8A CN112633334B (zh) | 2020-12-09 | 2020-12-09 | 一种基于卫星测运控资源规划调度的建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112633334A CN112633334A (zh) | 2021-04-09 |
CN112633334B true CN112633334B (zh) | 2023-08-11 |
Family
ID=75309771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011451679.8A Active CN112633334B (zh) | 2020-12-09 | 2020-12-09 | 一种基于卫星测运控资源规划调度的建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633334B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114819765B (zh) * | 2022-06-27 | 2022-10-18 | 中国人民解放军国防科技大学 | 卫星测控资源调度方法及相关设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933516A (zh) * | 2015-05-27 | 2015-09-23 | 华南理工大学 | 一种多时间尺度的电力系统鲁棒调度系统设计方法 |
WO2015179778A1 (en) * | 2014-05-23 | 2015-11-26 | Datarobot | Systems and techniques for predictive data analytics |
CN108052759A (zh) * | 2017-12-25 | 2018-05-18 | 航天恒星科技有限公司 | 一种基于遗传算法的敏捷多星任务观测计划求解方法及系统 |
CN110363356A (zh) * | 2019-07-17 | 2019-10-22 | 长安大学 | 一种面向生态的水土资源时空优化配置方法 |
CN110825513A (zh) * | 2019-12-02 | 2020-02-21 | 西安航天天绘数据技术有限公司 | 敏捷单星多约束任务优化调度方法 |
CN111641450A (zh) * | 2020-06-02 | 2020-09-08 | 西安电子科技大学 | 星地一体化网络通信与缓存资源联合调度方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200019435A1 (en) * | 2018-07-13 | 2020-01-16 | Raytheon Company | Dynamic optimizing task scheduling |
-
2020
- 2020-12-09 CN CN202011451679.8A patent/CN112633334B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015179778A1 (en) * | 2014-05-23 | 2015-11-26 | Datarobot | Systems and techniques for predictive data analytics |
CN104933516A (zh) * | 2015-05-27 | 2015-09-23 | 华南理工大学 | 一种多时间尺度的电力系统鲁棒调度系统设计方法 |
CN108052759A (zh) * | 2017-12-25 | 2018-05-18 | 航天恒星科技有限公司 | 一种基于遗传算法的敏捷多星任务观测计划求解方法及系统 |
CN110363356A (zh) * | 2019-07-17 | 2019-10-22 | 长安大学 | 一种面向生态的水土资源时空优化配置方法 |
CN110825513A (zh) * | 2019-12-02 | 2020-02-21 | 西安航天天绘数据技术有限公司 | 敏捷单星多约束任务优化调度方法 |
CN111641450A (zh) * | 2020-06-02 | 2020-09-08 | 西安电子科技大学 | 星地一体化网络通信与缓存资源联合调度方法 |
Non-Patent Citations (1)
Title |
---|
航天任务模型到规划模型转换的映射方法研究;马满好;罗雪山;范志良;;系统仿真学报(第21期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112633334A (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110334814B (zh) | 用于构建风险控制模型的方法和系统 | |
US20210133536A1 (en) | Load prediction method and apparatus based on neural network | |
CN110766212A (zh) | 用于历史数据缺失电场的超短期光伏功率预测方法 | |
CN101782743A (zh) | 神经网络建模方法及系统 | |
Li et al. | A meta-learning based distribution system load forecasting model selection framework | |
US20240054020A1 (en) | Computing resource configuration methods and apparatuses | |
CN109740965A (zh) | 一种工程验证分析方法及装置 | |
DE112020002684T5 (de) | Ein Mehrfachverfahrenssystem für optimale Vorhersagemodellauswahl | |
CN112633334B (zh) | 一种基于卫星测运控资源规划调度的建模方法 | |
CN116562514B (zh) | 基于神经网络的企业生产状况即时分析方法及系统 | |
CN117575663A (zh) | 基于深度学习的装修成本估算方法及系统 | |
US20200050982A1 (en) | Method and System for Predictive Modeling for Dynamically Scheduling Resource Allocation | |
AU2015203754B2 (en) | System and method for prescriptive analytics | |
CN117787569B (zh) | 一种智能辅助评标方法及系统 | |
CN114548350A (zh) | 一种基于樽海鞘群和bp神经网络的电力负荷预测方法 | |
Jie | RETRACTED ARTICLE: Precision and intelligent agricultural decision support system based on big data analysis | |
CN108829846A (zh) | 一种基于用户特征的业务推荐平台数据聚类优化系统及方法 | |
Choi et al. | Analysis of electricity consumption at home using K-means clustering algorithm | |
CN114338416A (zh) | 一种时空多指标预测方法、装置和存储介质 | |
CN116912016A (zh) | 一种账单稽核方法和装置 | |
CN108615091A (zh) | 基于聚类筛选和神经网络的电力气象负荷数据预测方法 | |
CN113656707A (zh) | 一种理财产品推荐方法、系统、存储介质及设备 | |
CN113762687A (zh) | 一种仓库内的人员排班调度方法和装置 | |
Chen et al. | [Retracted] Tracking Control of the Dynamic Input‐Output Economic System Based on Data Fusion | |
CN112926952A (zh) | 结合云计算的大数据办公业务处理方法及大数据服务器 |
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 |