CN112633458A - 一种解决卫星测运控资源规划调度问题的匹配方法及装置 - Google Patents
一种解决卫星测运控资源规划调度问题的匹配方法及装置 Download PDFInfo
- Publication number
- CN112633458A CN112633458A CN202011451926.4A CN202011451926A CN112633458A CN 112633458 A CN112633458 A CN 112633458A CN 202011451926 A CN202011451926 A CN 202011451926A CN 112633458 A CN112633458 A CN 112633458A
- Authority
- CN
- China
- Prior art keywords
- domain
- satellite measurement
- scheduling
- control resource
- resource planning
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种解决卫星测运控资源规划调度问题的匹配方法,包括以下步骤:根据已知的卫星测运控资源规划调度问题,形成问题域;根据已知的解决卫星测运控资源规划调度问题的解决方法,形成方法域;将所述问题域与所述方法域进行映射,得到映射函数;根据新的卫星测运控资源规划调度问题在所述问题域中所处的位置,按照所述映射函数映射回所述方法域中,得到解决所述新的卫星测运控资源规划调度问题的方法。
Description
技术领域
本发明涉及资源规划与调度技术领域,具体涉及一种解决卫星测运控资源规划调度问题的匹配方法及装置。
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解决卫星测运控资源规划调度问题的匹配方法,包括以下步骤:
根据已知的卫星测运控资源规划调度问题,形成问题域;
根据已知的解决卫星测运控资源规划调度问题的解决方法,形成方法域;
将所述问题域与所述方法域进行映射,得到映射函数;
根据新的卫星测运控资源规划调度问题在所述问题域中所处的位置,按照所述映射函数映射回所述方法域中,得到解决所述新的卫星测运控资源规划调度问题的方法。
本发明实施例还提供一种解决卫星测运控资源规划调度问题的匹配装置,包括:
问题域模块,用于利用已知的卫星测运控资源规划调度问题,形成问题域;
方法域模块,用于利用已知的解决卫星测运控资源规划调度问题的解决方法,形成方法域;
建立函数模块,用于将所述问题域与所述方法域进行映射,得到映射函数;
映射模块,用于根据新的卫星测运控资源规划调度问题在所述问题域中所处的位置,按照所述映射函数映射回所述方法域中,得到解决所述新的卫星测运控资源规划调度问题的方法。
上述技术方案具有如下有益效果:由于神经网络权值和节点大幅减少,推理过程将大大提速,使得模型规模大幅降低而精度保持不变。如果采用直接通过神经网络架构搜索方式,在训练过程直接获得一个准确度更高而网络规模更小的神经网络。准确度和网络规模本质上是两个互相矛盾的指标,因此不存在单一全局最优解使得两个目标同时达到最优,所以神经网络架构搜索求解的是一组权衡解。
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为本发明的一种解决卫星测运控资源规划调度问题的匹配方法流程图;
图2为本发明的一种解决卫星测运控资源规划调度问题的匹配装置结构示意图。
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,提供了一种解决卫星测运控资源规划调度问题的匹配方法,其步骤包括:
S10:根据已知的卫星测运控资源规划调度问题,形成问题域;
S20:根据已知的解决卫星测运控资源规划调度问题的解决方法,形成方法域;
S30:将所述问题域与所述方法域进行映射,得到映射函数;
S40:根据新的卫星测运控资源规划调度问题在所述问题域中所处的位置,按照所述映射函数映射回所述方法域中,得到解决所述新的卫星测运控资源规划调度问题的方法。
由于卫星测运控资源规划与调度算法是基于云计算平台运行的,当新的卫星测运控资源规划调度问题(以下简称新问题)产生后,需为其快速匹配或推荐一个最佳智能优化算法。首先将问题域与方法域进行映射,得到映射函数;根据新问题在问题域中所处位置,映射回方法域中,最后得到的对应算法。
所述问题域是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,形成所述问题域。
所述方法域是将解决卫星测运控资源规划与调度问题的方法生成方法实例,将所有方法实例整合,形成所述方法域。
所述映射函数是通过对域进行采样,建立函数对所有问题和方法进行映射,采用神经网络来对所述映射的过程进行建模,得到所述映射函数。
要建立问题域与方法域的映射关系,需要对问题域和方法域分别进行通用化表示,使得在所述问题域中,任何一个所述问题实例都是所述问题域中的一个采样,任何一个所述方法实例都是所述方法域中的一个采样,因为只有能够对域进行采样,才可能设计统一机制对所有问题和算法进行映射及自动化选取算法,采用神经网络(人工智能的建模方法)来对该映射过程进行建模,对所述神经网络进行离线训练,得到算法推荐系统;利用所述算法推荐系统,得到所述映射函数。
优选的,神经网络的输入是一个问题在通用化表示下的具体形式(如向量),而输出则是针对该问题已知最佳智能优化算法。通过问题域与方法域中的大量实例,对该神经网络进行离线训练,即可得到一个算法推荐系统。当一个新问题涌现后,将该问题通用化表示输入神经网络,即可通过推理过程快速输出一个对应算法。
上述过程中,训练过程是离线过程,可以在闲时进行。而推理过程是在线过程,需要达到近实时甚至是实时速度,如何加快神经网络推理过程是一个需要研究的重要问题。一种方式是对训练好的神经网络进行裁剪和量化,使得该模型规模大幅降低而精度保持不变。由于神经网络权值和节点大幅减少,推理过程将大大提速。另一种方式是直接通过神经网络架构搜索方式,在训练过程直接获得一个准确度更高而网络规模更小的神经网络。准确度和网络规模本质上是两个互相矛盾的指标,因此不存在单一全局最优解使得两个目标同时达到最优,所以神经网络架构搜索一般求解的是一组权衡解。
在本发明实施例中,如图2,还提供了一种解决卫星测运控资源规划调度问题的匹配装置,包括:
问题域模块21,用于利用已知的卫星测运控资源规划调度问题,形成问题域;
方法域模块22,用于利用已知的解决卫星测运控资源规划调度问题的解决方法,形成方法域;
建立函数模块23,用于将所述问题域与所述方法域进行映射,得到映射函数;
映射模块24,用于根据新的卫星测运控资源规划调度问题在所述问题域中所处的位置,按照所述映射函数映射回所述方法域中,得到解决所述新的卫星测运控资源规划调度问题的方法。
在所述建立函数模块23中,要建立问题域与方法域的映射关系,需要对问题域和方法域分别进行通用化表示,使得在所述问题域中,任何一个所述问题实例都是所述问题域中的一个采样,任何一个所述方法实例都是所述方法域中的一个采样,因为只有能够对域进行采样,才可能设计统一机制对所有问题和算法进行映射及自动化选取算法,采用神经网络来对该映射过程进行建模,对所述神经网络进行离线训练,得到算法推荐系统;利用所述算法推荐系统,得到所述映射函数。
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:
当新问题涌现后,需为其快速匹配/推荐一个最佳智能优化算法。算法匹配与推荐可分成如下几个步骤:首先将问题域与方法域进行映射,根据新问题在问题域中所处位置,映射回方法域中,最后将对应算法从算法库中推荐出去。
要建立问题域与方法域的映射关系,需要对问题域和方法域分别进行通用化表示,使得任何具体的问题/方法都是问题域/方法域中的一个采样,通用化表示非常重要。因为只有能够对域进行采样,才可能设计统一机制对所有问题和算法进行映射及自动化选取算法,拟采用神经网络来对该映射过程进行建模。具体来说,神经网络的输入是一个问题在通用化表示下的具体形式(如向量),而输出则是针对该问题已知最佳智能优化算法。通过问题域与方法域中的大量实例,对该神经网络进行离线训练,即可得到一个算法推荐系统。当一个新问题涌现后,将该问题通用化表示输入神经网络,即可通过推理过程快速输出一个对应算法。
上述过程中,训练过程是离线过程,可以在闲时进行。而推理过程是在线过程,需要达到近实时甚至是实时速度,如何加快神经网络推理过程是一个需要研究的重要问题。一种方式是对训练好的神经网络进行裁剪和量化,使得该模型规模大幅降低而精度保持不变。由于神经网络权值和节点大幅减少,推理过程将大大提速。另一种方式是直接通过神经网络架构搜索方式,在训练过程直接获得一个准确度更高而网络规模更小的神经网络。准确度和网络规模本质上是两个互相矛盾的指标,因此不存在单一全局最优解使得两个目标同时达到最优,所以神经网络架构搜索一般求解的是一组权衡解。
为了利用智能多目标优化高效地求得一组多样化网络架构,拟将深度神经网络架构搜索问题建模为多目标优化问题。基于智能多目标优化的深度神经网络架构搜索方法研究拟结合智能多目标优化的优点,初步建立一套深度神经网络架构搜索的智能系统,研究重点包括:智能多目标算法框架、遗传算子、多目标决策。传统智能多目标算法框架主要分为三大类:基于帕累托占优关系的框架、基于分解技术的框架、基于性能指标的框架。
以上三种框架适用范围不同,在求解不同类型多目标优化问题时各有利弊。如基于帕累托占优关系的框架在两三目标的低维多目标问题上有较好的鲁棒性;而当目标数增加时,基于分解技术的框架与基于性能指标的框架表现更优秀。因此,拟分别对三种不同算法框架进行实验研究及理论分析,并在此基础上融合不同现有框架优势,初步建立一套针对深度神经网络架构搜索的智能多目标优化算法框架。遗传算子是智能多目标算法的重要组成部分(如交叉算子、变异算子、分布估计算子),用于在智能搜索过程中产生新的候选解。传统遗传算子可分为实数编码算子与离散编码算子两大类,分别用于求解连续优化与离散优化问题。由于深度神经网络的编码较为复杂,对遗传算子提出了较高的要求,而传统遗传算子无法满足需求。因此,拟对深度神经网络架构的混合编码,研究并提出新遗传算子,用于处理连续与离散的混合变量;研究如何将深度神经网络设计中的经验知识融入遗传算子的具体操作逻辑中,以高效地产生有效的候选解。
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 (10)
1.一种解决卫星测运控资源规划调度问题的匹配方法,其特征在于,包括以下步骤:
根据已知的卫星测运控资源规划调度问题,形成问题域;
根据已知的解决卫星测运控资源规划调度问题的解决方法,形成方法域;
将所述问题域与所述方法域进行映射,得到映射函数;
根据新的卫星测运控资源规划调度问题在所述问题域中所处的位置,按照所述映射函数映射回所述方法域中,得到解决所述新的卫星测运控资源规划调度问题的方法。
2.根据权利要求1所述的一种卫星测运控资源规划调度问题的匹配方法,其特征在于,所述问题域是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,形成所述问题域。
3.根据权利要求1所述的一种卫星测运控资源规划调度问题的匹配方法,其特征在于,所述方法域是将解决卫星测运控资源规划与调度问题的方法生成方法实例,将所有方法实例整合,形成所述方法域。
4.根据权利要求1所述的一种卫星测运控资源规划调度问题的匹配方法,其特征在于,所述映射函数是通过对域进行采样,建立函数对所有问题和方法进行映射,采用神经网络来对所述映射的过程进行建模,对所述神经网络进行离线训练,得到算法推荐系统。
5.根据权利要求4所述的一种卫星测运控资源规划调度问题的匹配方法,其特征在于,利用所述算法推荐系统,得到所述映射函数。
6.根据权利要求4所述的一种卫星测运控资源规划调度问题的匹配方法,其特征在于,根据所述映射函数输出一个解决所述新的卫星测运控资源规划调度问题的方法。
7.一种解决卫星测运控资源规划调度问题的匹配装置,其特征在于,包括:
问题域模块,用于利用已知的卫星测运控资源规划调度问题,形成问题域;
方法域模块,用于利用已知的解决卫星测运控资源规划调度问题的解决方法,形成方法域;
建立函数模块,用于将所述问题域与所述方法域进行映射,得到映射函数;
映射模块,用于根据新的卫星测运控资源规划调度问题在所述问题域中所处的位置,按照所述映射函数映射回所述方法域中,得到解决所述新的卫星测运控资源规划调度问题的方法。
8.根据权利要求7所述的一种解决卫星测运控资源规划调度问题的匹配装置,其特征在于,所述建立函数模块用于对域进行采样,建立函数对所有问题和方法进行映射,采用神经网络来对所述映射的过程进行建模,对所述神经网络进行离线训练,得到算法推荐系统。
9.根据权利要求8所述的一种解决卫星测运控资源规划调度问题的匹配装置,其特征在于,利用所述算法推荐系统,得到所述映射函数。
10.根据权利要求9所述的一种解决卫星测运控资源规划调度问题的匹配装置,其特征在于,所述映射模块用于利用所述映射函数,输出一个解决所述新的卫星测运控资源规划调度问题的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011451926.4A CN112633458A (zh) | 2020-12-09 | 2020-12-09 | 一种解决卫星测运控资源规划调度问题的匹配方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011451926.4A CN112633458A (zh) | 2020-12-09 | 2020-12-09 | 一种解决卫星测运控资源规划调度问题的匹配方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112633458A true CN112633458A (zh) | 2021-04-09 |
Family
ID=75310257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011451926.4A Pending CN112633458A (zh) | 2020-12-09 | 2020-12-09 | 一种解决卫星测运控资源规划调度问题的匹配方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633458A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103744733A (zh) * | 2013-07-03 | 2014-04-23 | 邢立宁 | 成像卫星资源调用配置方法 |
CN104063749A (zh) * | 2014-06-28 | 2014-09-24 | 中国人民解放军国防科学技术大学 | 一种基于滚动时域控制的成像卫星自主任务规划算法 |
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 |
CN108335012A (zh) * | 2017-12-26 | 2018-07-27 | 佛山科学技术学院 | 一种智能遥感卫星层次化分布式自主协同任务规划系统 |
CN108388958A (zh) * | 2018-01-31 | 2018-08-10 | 中国地质大学(武汉) | 一种二维姿态机动卫星任务规划技术研究的方法及装置 |
EP3406531A1 (en) * | 2017-05-24 | 2018-11-28 | Telespazio S.p.A. | Innovative satellite scheduling method based on genetic algorithms and simulated annealing and related mission planner |
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 |
-
2020
- 2020-12-09 CN CN202011451926.4A patent/CN112633458A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103744733A (zh) * | 2013-07-03 | 2014-04-23 | 邢立宁 | 成像卫星资源调用配置方法 |
CN104063749A (zh) * | 2014-06-28 | 2014-09-24 | 中国人民解放军国防科学技术大学 | 一种基于滚动时域控制的成像卫星自主任务规划算法 |
EP3406531A1 (en) * | 2017-05-24 | 2018-11-28 | Telespazio S.p.A. | Innovative satellite scheduling method based on genetic algorithms and simulated annealing and related mission planner |
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 |
CN108335012A (zh) * | 2017-12-26 | 2018-07-27 | 佛山科学技术学院 | 一种智能遥感卫星层次化分布式自主协同任务规划系统 |
CN108388958A (zh) * | 2018-01-31 | 2018-08-10 | 中国地质大学(武汉) | 一种二维姿态机动卫星任务规划技术研究的方法及装置 |
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 |
Non-Patent Citations (2)
Title |
---|
孟慧馨;王晋东;武小悦;: "基于RBFNN的卫星地面站系统建模方法", 计算机仿真, no. 03 * |
徐伯健;李昌哲;卜德锋;符京杨;: "基于多目标规划的GNSS地面站任务资源优化", 无线电工程, no. 07 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zappone et al. | Model-aided wireless artificial intelligence: Embedding expert knowledge in deep neural networks for wireless system optimization | |
Gupta et al. | Half a dozen real-world applications of evolutionary multitasking, and more | |
Ribeiro et al. | Mlaas: Machine learning as a service | |
CN113282368B (zh) | 一种用于变电站巡视的边缘计算资源调度方法 | |
Russell et al. | Q-decomposition for reinforcement learning agents | |
CN112949472A (zh) | 一种基于多传感器信息融合的协同感知方法 | |
Pascarella et al. | Parallel and distributed computing for UAVs trajectory planning | |
Wang et al. | Network meets chatgpt: Intent autonomous management, control and operation | |
Zhao et al. | Foundation models for transportation intelligence: ITS convergence in TransVerse | |
Sun | Cloud edge computing for socialization robot based on intelligent data envelopment | |
Mahmoud Zadeh et al. | An autonomous reactive architecture for efficient AUV mission time management in realistic dynamic ocean environment | |
Huang et al. | Delay constrained sfc orchestration for edge intelligence-enabled iiot: A drl approach | |
CN112633458A (zh) | 一种解决卫星测运控资源规划调度问题的匹配方法及装置 | |
Qin et al. | Management-oriented operating systems: Harnessing the power of DAOs and foundation models | |
Liu | Coordinated control of networked nonlinear multiagent systems using variable horizon learning predictors via cloud edge computing | |
Wang et al. | Systematic knowledge-based product redesign: An empirical study of solar power system for unmanned transport ship | |
Fan et al. | Framework and key technologies of human-machine hybrid-augmented intelligence system for large-scale power grid dispatching and control | |
Tang et al. | Deep sparse representation via deep dictionary learning for reinforcement learning | |
Hao et al. | Improved algorithms to plan missions for agile earth observation satellites | |
Yuanyuan et al. | Artificial intelligence and learning techniques in intelligent fault diagnosis | |
Wiener et al. | Fogsy: Towards holistic industrial AI management in fog and edge environments | |
Schatten et al. | Towards an Orchestrated Game Development Approach to Digital Twinning in Autonomous Vehicles | |
Tian et al. | Construction of enterprise innovation performance model using knowledge base and edge computing | |
Hosseini et al. | Application of genetic programming for electrical engineering predictive modeling: a review | |
Castiello et al. | Computational intelligence for meta-learning: A promising avenue of research |
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 |