CN113238873A - 一种用于航天器资源优化配置的方法 - Google Patents

Abstract

本发明实施例提供了一种用于航天器资源优化配置的方法，包括：建立航天器计算节点模型；依据航天器任务约束建立航天器任务约束模型；依据所述航天器计算节点模型与航天器任务约束模型，得到航天器资源配置模型；依据所述航天器资源配置模型，使用一种依次确定决策变量取值的启发式构造策略得到航天器资源优化配置的初步优化任务序列；依据所述航天器资源配置模型和航天器资源优化配置的初步优化任务序列，使用改进的粒子群算法得到航天器资源优化配置的任务序列。本发明实施例提供的技术方案综合考虑计算节点的情况和航天器任务约束，更加准确地描述航天器资源配置过程，生成航天器资源优化配置的任务序列，实现航天器资源优化配置。

Description

一种用于航天器资源优化配置的方法

【技术领域】

本发明涉及一种用于航天器资源优化配置的方法，属于资源优化配置领域。

【背景技术】

自上世纪中叶开启对空间探索的脚步后，人类对空间的探索越来越频繁，太空探索在军事、政治、民生等领域也体现出越来越高的开发价值。随着人类对太空环境的开发利用越来越深入，空间探索任务也变得愈发繁琐。面对愈加繁琐的空间任务和有限的计算资源，为了高质量地完成空间探索任务，航天器需具备资源优化配置的能力。

通过分析现有的航天器系统，可发现其存在的问题为资源综合调度水平差。现有航天器系统虽然配备了星务计算机，但其只负责完成遥控、遥测、时间管理等任务，并不具备对整个航天器系统的统一调度能力。而目前对航天器不同分系统的调度主要是通过人工简单的设计任务执行优先级的方法，当存在多任务调度的需求时，只能通过单任务的简单顺序叠加，容易造成资源分配不均，影响任务的完成质量。

【发明内容】

有鉴于此，本发明实施例提供了一种用于航天器资源优化配置的方法，首先建立航天器计算节点模型，并依据航天器任务约束建立航天器任务约束模型，在此基础上得到航天器资源配置模型，并使用依次确定决策变量取值的启发式构造策略得到航天器资源优化配置的初步优化任务序列，然后使用改进的粒子群算法得到航天器资源优化配置的任务序列，以实现航天器资源优化配置。

本发明实施例提供了一种用于航天器资源优化配置的方法，包括：

建立航天器计算节点模型；

依据航天器任务约束建立航天器任务约束模型；

依据所述航天器计算节点模型与航天器任务约束模型，得到航天器资源配置模型；

依据所述航天器资源配置模型，使用一种依次确定决策变量取值的启发式构造策略得到航天器资源优化配置的初步优化任务序列；

依据所述航天器资源配置模型和航天器资源优化配置的初步优化任务序列，使用改进的粒子群算法得到航天器资源优化配置的任务序列。

上述方法中，所述建立航天器计算节点模型，包括：

航天器包括m个计算节点，使用计算裕度、剩余存储能力和能耗三个指标来表征各计算节点的当前工作状态；

用占空比μ_f(0≤μ_f≤1)描述当前时刻计算节点f的计算裕度，占空比是单位时间内计算节点的中央处理器(CPU，central processing unit)进行任务计算的时间所占的比例，占空比直接描述的是CPU当前的负载情况；

剩余存储能力是指计算节点本地空闲动态存储器的大小，单位为兆字节(MB，MegaBytes)；

第f个计算节点在时间T内的能耗表示为

其中，计算节点的功率记为P，P＝qP_max+μ_f(1-q)P_max，而占空比随时间变化而变化，是一个与时间有关的函数，可记为μ_f(T)，P_max是计算节点满负荷运转时的功率，q是计算节点空载时消耗功率所占的部分。

上述方法中，所述依据航天器任务约束建立航天器任务约束模型，包括：

首先，给出几个定义：

运控任务：为实现航天器使命任务和任务数据的回传，由航天器运控部门针对任务目标或数据接收目标制定的一类航天器工作任务；

测控任务：为保障航天器正常运行，满足航天器日常工作需要，由航天器测控部门针对在轨航天器制定的一类星地通讯任务；

星上任务：由航天器载荷独立完成的一类任务(OE，Onboard Event)；

星地任务：由航天器载荷和地面管控资源共同完成的一类任务(DE，DownlinkEvent)；

任务可执行时机：针对某一航天器任务，在调度周期内该任务可以被执行的某一段时间；

航天器任务约束包括：

可见时间窗口约束：星地通讯任务必须在其可见时间窗口内完成才有效；

任务执行唯一性约束：任意航天器任务至多只能被执行一次；

时序约束：任意被执行航天器任务的逻辑约束或时间约束必须满足，任意被执行运控任务的星地任务不得早于其星上任务；

航天器转换时间约束：同一载荷执行完一个任务后，需要有足够的设备切换时间，才能执行下一任务，航天器转换时间包括星上任务转换时间ΔO、星地任务转换时间ΔD和不同工作模式下任务转换时间ΔM，执行任务的航天器转换时间需满足一定要求；

星载固存约束：航天器在两次星载固存擦除间隔内执行任务的固存占用总量不能超过星载固存的阈值G；

计算负荷约束：每个计算节点的CPU占空比μ不能超过1，即不能超负荷计算；

记航天器任务集合为R，其中运控任务集合为R_O，测控任务集合为R_T，且R＝R_O∪R_T；

任务可执行时机又可分为星上任务可执行时机(OEO，Onboard ExecutableOpportunity,)和星地任务可执行时机(DEO，Downlink Executable Opportunity)，对任意航天器任务r_i∈R，将航天器资源优化配置问题的决策变量统一表示为：

其中：u_ij反映了航天器任务的星地任务是否在其可执行时机deo_ij∈DEO_i执行；y_ij反映了运控任务的星上任务是否在其可执行时机oeo_ij∈OEO_i执行；z_i反映了在运控任务完成后，航天器是否对星载固存进行擦除；

记

和

分别为R_O和R_T中被执行的任务集合，并记

记S为航天器集合；

将航天器任务约束进行数学描述可得到航天器任务约束模型如下：

可见时间窗口约束：

执行唯一性约束：

时序约束：

航天器转换时间约束：

b_O,i′-e_O,i≥Δ_O(r_i,r_i′),

b_D,i′-e_D,i≥Δ_D(r_i,r_i′),

b_O,i′-e_D,i≥Δ_M,

b_D,i′-e_O,i≥Δ_M,

星载固存约束：

计算负荷约束：

0≤μ_i(t)≤1

其中：

和

分别为任务r_i可见时间窗口的开始时间和结束时间；b_O/D,i和e_O/D,i分别表示任务r_i的星上任务以及星地任务的开始时刻和结束时刻；Δ_O、Δ_D以及Δ_M分别表示航天器星上任务转换时间、星地任务转换时间以及工作模式转换时间(即星上任务与星地任务的转换时间)；s(r_i)为执行任务r_i的航天器；t_θ(s_j)为由决策变量z_i决定的航天器s_j的第θ个星载固存擦除时刻，m_i为执行该任务所需占用的星载固存容量，G_j为航天器s_j的星载固存阈值。

上述方法中，所述得到航天器资源配置模型，包括：

在建立航天器计算节点模型和航天器任务约束模型的基础上，得到航天器资源配置模型如下：

(1)任务模型

将航天器任务中不可再分解的任务单元称为元任务，一个航天器任务可分解为一个或多个元任务；用一个航天器任务可分解成的元任务个数、任务长度和所占存储空间来描述该任务，记第g个航天器任务为task_g，则有：

task_g＝{h,l,s}

其中，h为航天器任务可分解成的元任务个数；l为任务长度，单位为百万条指令(MI，million instructions)；s为所占存储空间，单位为兆字节；

(2)优化目标

航天器资源优化配置有执行任务时间最短、能耗最低和负载均衡三个优化目标；

以执行任务时间、能耗、负载均衡度为坐标构建一个空间直角坐标系，解集中存在至多三个解，分别使执行任务时间最短、能耗最低、负载最为均衡，选取这几个解对应的单项最优值为三个坐标，产生一个虚拟最理想解，然后计算各解与虚拟最理想解的距离，距离最短者就是所求解。

上述方法中，所述使用一种依次确定决策变量取值的启发式构造策略得到航天器资源优化配置的初步优化任务序列，包括：

启发式构造策略基于直观或经验构造，在可接受的花费下给出待优化问题的一个可行解，这里给出一种依次确定决策变量取值的启发式构造策略，得到航天器资源优化配置的初步优化任务序列；

设计策略A和策略B，依据航天器任务的属性对航天器任务进行排序；

首先，依据策略A对所有航天器任务进行排序；然后，依据策略B依次对星上任务可执行时机内的星上任务和星地任务可执行时机内的星地任务进行排序，同时兼顾星载固存擦除与航天器任务执行之间的逻辑关系，得到航天器资源优化配置的初步优化任务序列K；

其中，策略A：首先依据优先级降序进行排序，在优先级相同的情况下依据可见窗口数量降序进行排序，在可见窗口数量相同的情况下依据最早可见时间窗口时刻升序进行排序；

策略B：首先依据成像质量降序进行排序，在成像质量相同的情况下依据成像时间升序进行排序。

上述方法中，所述使用改进的粒子群算法得到航天器资源优化配置的任务序列，包括：

粒子群算法适用于连续域中的极值搜索，将离散的计算节点选择问题处理为连续型的问题，方可进行粒子群算法的迭代：

设粒子群中包含k个粒子，对于其中的第i个粒子(i＝1,2,…,k)，定义n维位置向量

n为任务个数，位置向量

中第j维元素x_ij的取值表示第i个粒子上，第j个任务分配由第x_ij号计算节点执行，x_ij∈{1,2,…,m}；

基本粒子群的速度和位置公式如下：

式中，

是当前粒子的位置；

是当前粒子的速度；ω为惯性权重，表示粒子对当前速度继承程度；

为当前时刻粒子的最优位置向量；

为当前时刻所有粒子的全局最优位置向量；c₁和c₂是学习因子；a₁和a₂为[0,1]之间均匀分布的随机数；

对惯性权重ω进行动态调整，初期选取较大的惯性权重，扩大算法的全局搜索能力，随着迭代次数的增加线性递减，实现对迭代后期的局部搜索精度的提高，设预定最大迭代次数为t_max，ω∈[ω_min,ω_max]，则第t次迭代的惯性权重ω_t为：

粒子群算法的速度更新公式为：

对位置的更新做进一步的处理：

其中，

表示对

先取绝对值，然后向上取整，

表示

的绝对值对m进行取模运算；

将启发式构造策略生成的航天器资源优化配置的初步优化任务序列经过上述处理后，利用粒子群算法生成航天器资源优化配置的任务序列。

由以上技术方案可以看出，本发明实施例具有以下有益效果：

本发明实施例的技术方案中，综合考虑了计算节点的情况和航天器任务约束，在建立航天器计算节点模型和航天器任务约束模型的基础上，建立航天器资源配置模型，首先使用依次确定决策变量取值的启发式构造策略可快速生成航天器资源优化配置的初步优化任务序列，然后再使用改进的粒子群算法生成航天器资源优化配置的任务序列，实现航天器资源的优化配置，可缩短航天器任务的执行时间，并降低能耗，使各负载均衡。

【附图说明】

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单的介绍，显而易见的，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，在不付出创造性和劳动性的前提下，还可以根据这些附图获得其它附图。

图1是本发明实施例所提供的用于航天器资源优化配置的流程示意图；

图2是本发明实施例所提供的50个任务仿真后各计算节点存储空间占用百分比；

图3是本发明实施例所提供的500个任务仿真后各计算节点存储空间占用百分比。

【具体实施方式】

为了更好地理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。

应当明确，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它实施例，都属于本发明保护的范围。

本发明实施例给出一种用于航天器资源优化配置的方法，请参考图1。本发明实施例所提供的用于航天器资源优化配置的方法的流程示意图，如图1所示，该方法包括以下步骤：

步骤101，建立航天器计算节点模型。

设航天器上含有m个计算节点，为了对计算节点的状态进行描述，需要建立计算节点的模型，使用以下几个指标来表征当前计算节点的状态：

1)计算裕度

用占空比μ_f(0≤μ_f≤1)描述当前时刻计算节点f的计算裕度，占空比是单位时间内计算节点的CPU进行任务计算的时间所占的比例，占空比直接描述的是CPU当前的负载情况。

各计算节点通过检查自身占空比得到负载情况，用峰值计算能力减去当前负载即为此时计算节点的计算裕度。实际中为了延长计算节点的寿命，提高计算节点的可靠度，并不希望计算节点长期处于满负荷运行的状态，可以设置一个占空比的上限μ_max(0≤μ_f≤μ_max≤1)，用该上限减去当前负载即为计算节点此时的计算裕度。

2)剩余存储能力

剩余存储能力是指计算节点本地空闲动态存储器的大小，单位为兆字节(MB，MegaBytes)。计算节点在执行任务时需要对程序进行读取并将之复制到本计算节点的动态存储器的空闲分区，因此足够的剩余存储能力是计算节点执行任务的必要条件。

3)能耗

计算节点的能耗与负载是正相关的，负载情况可以由计算节点的CPU占空比μ来表示。CPU占空比与能耗存在线性相关的关系：

P＝qP_max+μ_f(1-q)P_max

式中，P_max是计算节点满负荷运转时的功率，q是计算节点空载时消耗功率所占的部分。CPU占空比会随着时间的变化而变化，是一个与时间有关的函数，第f个计算节点在时间T内的能耗可表示为

步骤102，依据航天器任务约束建立航天器任务约束模型。

首先，给出几个定义：

运控任务：为实现航天器使命任务和任务数据的回传，由航天器运控部门针对任务目标或数据接收目标制定的一类航天器工作任务；

测控任务：为保障航天器正常运行，满足航天器日常工作需要，由航天器测控部门针对在轨航天器制定的一类星地通讯任务；

星上任务：由航天器载荷独立完成的一类任务(OE，Onboard Event)；

星地任务：由航天器载荷和地面管控资源共同完成的一类任务(DE，DownlinkEvent)；

任务可执行时机：针对某一航天器任务，在调度周期内该任务可以被执行的某一段时间；

航天器任务约束包括：

可见时间窗口约束：星地通讯任务必须在其可见时间窗口内完成才有效；

任务执行唯一性约束：任意航天器任务至多只能被执行一次；

时序约束：任意被执行航天器任务的逻辑约束或时间约束必须满足，任意被执行运控任务的星地任务不得早于其星上任务；

航天器转换时间约束：同一载荷执行完一个任务后，需要有足够的设备切换时间，才能执行下一任务，航天器转换时间包括星上任务转换时间ΔO、星地任务转换时间ΔD和不同工作模式下任务转换时间ΔM，执行任务的航天器转换时间需满足一定要求；

星载固存约束：航天器在两次星载固存擦除间隔内执行任务的固存占用总量不能超过星载固存的阈值G；

计算负荷约束：每个计算节点的CPU占空比μ不能超过1，即不能超负荷计算；

记航天器任务集合为R，其中运控任务集合为R_O，测控任务集合为R_T，且R＝R_O∪R_T；

任务可执行时机又可分为星上任务可执行时机(OEO，Onboard ExecutableOpportunity,)和星地任务可执行时机(DEO，Downlink Executable Opportunity)，对任意航天器任务r_i∈R，将航天器资源优化配置问题的决策变量统一表示为：

其中：u_ij反映了航天器任务的星地任务是否在其可执行时机deo_ij∈DEO_i执行；y_ij反映了运控任务的星上任务是否在其可执行时机oeo_ij∈OEO_i执行；z_i反映了在运控任务完成后，航天器是否对星载固存进行擦除。

记

和

分别为R_O和R_T中被执行的任务集合，并记

记S为航天器集合；

将航天器任务约束进行数学描述可得到航天器任务约束模型如下：

可见时间窗口约束：

执行唯一性约束：

时序约束：

航天器转换时间约束：

b_O,i′-e_O,i≥Δ_O(r_i,r_i′),

b_D,i′-e_D,i≥Δ_D(r_i,r_i′),

b_O,i′-e_D,i≥Δ_M,

b_D,i′-e_O,i≥Δ_M,

星载固存约束：

计算负荷约束：

0≤μ_i(t)≤1

其中：

和

分别为任务r_i可见时间窗口的开始时间和结束时间；b_O/D,i和e_O/D,i分别表示任务r_i的星上任务以及星地任务的开始时刻和结束时刻；Δ_O、Δ_D以及Δ_M分别表示航天器星上任务转换时间、星地任务转换时间以及工作模式转换时间(即星上任务与星地任务的转换时间)；s(r_i)为执行任务r_i的航天器；t_θ(s_j)为由决策变量z_i决定的航天器s_j的第θ个星载固存擦除时刻，m_i为执行该任务所需占用的星载固存容量，G_j为航天器s_j的星载固存阈值。

步骤103，依据所述航天器计算节点模型与航天器任务约束模型，得到航天器资源配置模型。

在建立航天器计算节点模型和航天器任务约束模型的基础上，得到航天器资源配置模型如下：

(1)任务模型

将航天器任务中不可再分解的任务单元称为元任务，一个航天器任务可分解为一个或多个元任务。在航天器任务执行过程中，可将其分解为多个元任务并交由不同的计算节点来完成。用一个航天器任务可分解成的元任务个数、任务长度和所占存储空间来描述该任务，记第g个航天器任务为task_g，则有：

task_g＝{h,l,s}

其中，h为航天器任务可分解成的元任务个数；l为任务长度，单位为百万条指令(MI，million instructions)；s为所占存储空间，单位为兆字节。

(2)优化目标

航天器资源优化配置有执行任务时间最短、能耗最低和负载均衡三个优化目标。

1)执行任务时间

设E_ef为元任务e在节点f的运行时间，则有：

E_ef＝l_0e/b_f

其中，l_0e为元任务e的长度，单位为百万条指令，b_f为节点f的执行速度，单位是每秒处理百万条的指令数(MIPS，million instructions per second)。

设d_e为节点开始执行第e个元任务的时间，C_ef(e∈{1,2,…,h},f∈{1,2,…,m})为元任务e在节点f的期望完成时间，C_ef＝d_e+E_ef，则max{C_ef}为计算系统完成整个航天器任务的时间。

2)能耗

CPU是计算密集型任务中最主要的能耗部件，因此主要以CPU能耗为建模依据，其占空比与能耗存在一种线性相关的关系，第f个节点在时间T内的能耗可表示为

则系统的总能耗表示为：

3)负载均衡度

在运行过程中，期望所有的计算节点处于一种负载均衡的状态，即没有长期高负荷或负载过低的计算节点。

对于某种分配方案X，第f个计算节点完成其所有计算任务的预期时间为ST_f，定义整个任务的理想完成时间

为n个计算任务的总指令长度除以m个计算节点的计算速度之和，即

此种分配方案下计算体系的负载均衡度LB_x定义如：

以执行任务时间、能耗、负载均衡度为坐标构建一个空间直角坐标系，解集中存在至多三个解，分别使执行任务时间最短、能耗最低、负载最为均衡，选取这几个解对应的单项最优值为三个坐标，产生一个虚拟最理想解，然后计算各解与虚拟最理想解的距离，距离最短者就是所求解。

步骤104，依据所述航天器资源配置模型，使用一种依次确定决策变量取值的启发式构造策略得到航天器资源优化配置的初步优化任务序列。

启发式构造策略基于直观或经验构造，在可接受的花费下给出待优化问题的一个可行解，这里给出一种依次确定决策变量取值的启发式构造策略。

设计策略A和策略B，依据航天器任务的属性对航天器任务进行排序；

其中，策略A：首先依据优先级降序进行排序，在优先级相同的情况下依据可见窗口数量降序进行排序，在可见窗口数量相同的情况下依据最早可见时间窗口时刻升序进行排序；

策略B：首先依据成像质量降序进行排序，在成像质量相同的情况下依据成像时间升序进行排序。

Input：依据策略A对航天器任务集合R中的元素进行排序

Output：初步优化任务序列K

上述策略可以根据不同的用户需求和使用需求进行修改，以提升在不同场景下的调度合理性。步骤7和步骤8表示若航天器星载固存达到阈值无法再执行任务r_i时，则在其前一个任务执行后对星载固存进行格式化擦除并重新安排任务r_i的星上任务。步骤20—步骤22表示若遍历任务r_i的星地任务可执行时机仍无可行解，则取消，该任务调度失败。实践经验表明，启发式构造策略往往能在短时间内生成一个可行解，可以为进一步的迭代优化提供优质、可行的初始解。

步骤105，依据所述航天器资源配置模型和航天器资源优化配置的初步优化任务序列，使用改进的粒子群算法得到航天器资源优化配置的任务序列。

具体的，粒子群算法适用于连续域中的极值搜索，将离散的计算节点选择问题处理为连续型的问题，方可进行粒子群算法的迭代：

设粒子群中包含k个粒子，对于其中的第i个粒子(i＝1,2,…,k)，定义n维位置向量

n为任务个数，位置向量

中第j维元素x_ij的取值表示第i个粒子上，第j个任务分配由第x_ij号计算节点执行，x_ij∈{1,2,…,m}。

基本粒子群的速度和位置公式如下：

式中，

是当前粒子的位置；

是当前粒子的速度；ω为惯性权重，表示粒子对当前速度继承程度；

为当前时刻粒子的最优位置向量；

为当前时刻所有粒子的全局最优位置向量；c₁和c₂是学习因子；a₁和a₂为[0,1]之间均匀分布的随机数。

对惯性权重ω进行动态调整，初期选取较大的惯性权重，扩大算法的全局搜索能力，随着迭代次数的增加线性递减，实现对迭代后期的局部搜索精度的提高，设预定最大迭代次数为t_max，ω∈[ω_min,ω_max]，则第t次迭代的惯性权重ω_t为：

粒子群算法的速度更新公式为：

对位置的更新做进一步的处理：

其中，

表示对

先取绝对值，然后向上取整，

表示

的绝对值对m进行取模运算。

将启发式构造策略生成航天器资源优化配置的初步优化任务序列经过上述处理后，利用粒子群算法生成航天器资源优化配置的任务序列。

依据本发明实施例提供的上述方法，对航天器资源优化配置的方法进行了仿真。

选取5个计算节点，计算能力分别为{400MIPS,600MIPS,800MIPS,1000MIPS,1200MIPS}，存储能力均为5×10⁵MI。分别在50个长度在[5000MI,10000MI]之间的任务调度规模和500个长度在[5000MI,10000MI]之间的任务调度规模下，使用上述算法进行优化。同一计算节点执行的相邻两个任务之间的转换时间为：星上任务转换至星上任务—1s，星地任务转换至星地任务—2s，星上任务与星地任务之间的转换—3s，同一计算节点内的任务之间必须有转换时间足。粒子群算法的参数为：ω_max＝0.9，ω_min＝0.4，c₁＝c₂＝1.5，种群规模为200，变异百分比为50％，精英种群规模上限与种群规模相同，迭代次数为100次。P_max＝30W，CPU空载能耗占比q＝0.6。

使用启发式构造策略对任务进行排序后，采用粒子群算法针对50个任务进行优化，将三个目标函数值统一数量级后，采用距离评价指标法求解的最优解为[186.6,8.3×10³,5.287]，即完成所有任务的时间为C₁＝186.6s，总能耗W₁＝8.3×10³W·s，负载均衡度为LB₁＝5.3。对于优化前随机生成的初始粒子计算得到的目标函数均值为[235.7,9.2×10³,33.8]，优化后与优化前相比，任务完成时间降低20.8％，能耗降低9.7％，负载均衡度降低84.3％，可以看出优化效果十分显著。没有计算节点清空存储空间的记录，说明各计算节点的存储空间在执行任务过程中没有被任务指令占满，所有任务完成后各计算节点存储空间占用百分比如图2所示，表明任务执行过程中满足星载固存约束。

针对500个任务进行优化，将三个目标函数值统一数量级后，采用距离评价指标法求解的最优解为[1.76×10³,8.87×10⁴,32.44]，即完成所有任务的时间为C₂＝1.76×10³s，总能耗W₂＝8.87×10⁴W·s，负载均衡度为LB₂＝32.44。对于优化前随机生成的初始粒子计算得到的目标函数均值为[2.51×10³,8.95×10⁴,486.61]，优化后与优化前相比，任务完成时间降低29.9％，能耗降低0.9％，负载均衡度降低93.3％，可以看出优化效果十分显著。计算节点清空存储空间的记录为[0,1,1,1,2]，说明计算节点2、3、4各执行了一次擦除内存操作，计算节点5擦除了2次，所有任务完成后各计算节点存储空间占用百分比如图3所示，表明任务执行过程中星载固存约束的满足。

本发明实施例的技术方案具有以下有益效果：

综合考虑了计算节点的情况和航天器任务约束，在建立航天器计算节点模型和航天器任务约束模型的基础上，建立航天器资源配置模型，首先使用依次确定决策变量取值的启发式构造策略生成航天器资源优化配置的初步优化任务序列，再使用改进的粒子群算法得到航天器资源优化配置的任务序列。根据本发明实施例提供的技术方案，可实现航天器资源优化配置，使航天器资源得到充分利用，提高航天器任务完成质量。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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，均应包含在本发明保护的范围之内。

本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。

Claims (6)

1.一种用于航天器资源优化配置的方法，其特征在于，所述方法包括：

建立航天器计算节点模型；

依据航天器任务约束建立航天器任务约束模型；

依据所述航天器计算节点模型与航天器任务约束模型，得到航天器资源配置模型；

依据所述航天器资源配置模型，使用一种依次确定决策变量取值的启发式构造策略得到航天器资源优化配置的初步优化任务序列；

依据所述航天器资源配置模型和航天器资源优化配置的初步优化任务序列，使用改进的粒子群算法得到航天器资源优化配置的任务序列。

2.依据权利要求1所述的方法，其特征在于，所述建立航天器计算节点模型，包括：

航天器包括m个计算节点，使用计算裕度、剩余存储能力和能耗三个指标来表征各计算节点的当前工作状态；

用占空比μ_f(0≤μ_f≤1)描述当前时刻计算节点f的计算裕度，占空比是单位时间内计算节点的中央处理器(CPU，central processing unit)进行任务计算的时间所占的比例，占空比直接描述的是CPU当前的负载情况；

剩余存储能力是指计算节点本地空闲动态存储器的大小，单位为兆字节(MB，MegaBytes)；

第f个计算节点在时间T内的能耗表示为

其中，计算节点的功率记为P，P＝qP_max+μ_f(1-q)P_max，而占空比随时间变化而变化，是一个与时间有关的函数，可记为μ_f(T)，P_max是计算节点满负荷运转时的功率，q是计算节点空载时消耗功率所占的部分。

3.依据权利要求1所述的方法，其特征在于，所述依据航天器任务约束建立航天器任务约束模型，包括：

首先，给出几个定义：

运控任务：为实现航天器使命任务和任务数据的回传，由航天器运控部门针对任务目标或数据接收目标制定的一类航天器工作任务；

测控任务：为保障航天器正常运行，满足航天器日常工作需要，由航天器测控部门针对在轨航天器制定的一类星地通讯任务；

星上任务：由航天器载荷独立完成的一类任务(OE，Onboard Event)；

星地任务：由航天器载荷和地面管控资源共同完成的一类任务(DE，Downlink Event)；

任务可执行时机：针对某一航天器任务，在调度周期内该任务可以被执行的某一段时间；

航天器任务约束包括：

可见时间窗口约束：星地通讯任务必须在其可见时间窗口内完成才有效；

任务执行唯一性约束：任意航天器任务至多只能被执行一次；

时序约束：任意被执行航天器任务的逻辑约束或时间约束必须满足，任意被执行运控任务的星地任务不得早于其星上任务；

航天器转换时间约束：同一载荷执行完一个任务后，需要有足够的设备切换时间，才能执行下一任务，航天器转换时间包括星上任务转换时间ΔO、星地任务转换时间ΔD和不同工作模式下任务转换时间ΔM，执行任务的航天器转换时间需满足一定要求；

星载固存约束：航天器在两次星载固存擦除间隔内执行任务的固存占用总量不能超过星载固存的阈值G；

计算负荷约束：每个计算节点的CPU占空比μ不能超过1，即不能超负荷计算；

记航天器任务集合为R，其中运控任务集合为R_O，测控任务集合为R_T，且R＝R_O∪R_T；

任务可执行时机又可分为星上任务可执行时机(OEO，Onboard ExecutableOpportunity,)和星地任务可执行时机(DEO，Downlink Executable Opportunity)，对任意航天器任务r_i∈R，将航天器资源优化配置问题的决策变量统一表示为：

其中：u_ij反映了航天器任务的星地任务是否在其可执行时机deo_ij∈DEO_i执行；y_ij反映了运控任务的星上任务是否在其可执行时机oeo_ij∈OEO_i执行；z_i反映了在运控任务完成后，航天器是否对星载固存进行擦除；

记

和

分别为R_O和R_T中被执行的任务集合，并记

航天器集合；

将航天器任务约束进行数学描述可得到航天器任务约束模型如下：

可见时间窗口约束：

执行唯一性约束：

时序约束：

航天器转换时间约束：

b_O,i′-e_O,i≥Δ_O(r_i,r_i′),

b_D,i′-e_D,i≥Δ_D(r_i,r_i′),

b_O,i′-e_D,i≥Δ_M，

b_D,i′-e_O,i≥Δ_M,

星载固存约束：

计算负荷约束：

0≤μ_i(t)≤1

其中：

和

分别为任务r_i可见时间窗口的开始时间和结束时间；b_O/D,i和e_O/D,i分别表示任务r_i的星上任务以及星地任务的开始时刻和结束时刻；Δ_O、Δ_D以及Δ_M分别表示航天器星上任务转换时间、星地任务转换时间以及工作模式转换时间(即星上任务与星地任务的转换时间)；s(r_i)为执行任务r_i的航天器；t_θ(s_j)为由决策变量z_i决定的航天器s_j的第θ个星载固存擦除时刻，m_i为执行该任务所需占用的星载固存容量，G_j为航天器s_j的星载固存阈值。

4.依据权利要求1所述的方法，其特征在于，所述得到航天器资源配置模型，包括：

在建立航天器计算节点模型和航天器任务约束模型的基础上，得到航天器资源配置模型如下：

(1)任务模型

将航天器任务中不可再分解的任务单元称为元任务，一个航天器任务可分解为一个或多个元任务；用一个航天器任务可分解成的元任务个数、任务长度和所占存储空间来描述该任务，记第g个航天器任务为task_g，则有：

task_g＝{h,l,s}

其中，h为航天器任务可分解成的元任务个数；l为任务长度，单位为百万条指令(MI，million instructions)；s为所占存储空间，单位为兆字节；

(2)优化目标

航天器资源优化配置有执行任务时间最短、能耗最低和负载均衡三个优化目标；

以执行任务时间、能耗、负载均衡度为坐标构建一个空间直角坐标系，解集中存在至多三个解，分别使执行任务时间最短、能耗最低、负载最为均衡，选取这几个解对应的单项最优值为三个坐标，产生一个虚拟最理想解，然后计算各解与虚拟最理想解的距离，距离最短者就是所求解。

5.依据权利要求1所述的方法，其特征在于，所述使用一种依次确定决策变量取值的启发式构造策略得到航天器资源优化配置的初步优化任务序列，包括：

启发式构造策略基于直观或经验构造，在可接受的花费下给出待优化问题的一个可行解，这里给出一种依次确定决策变量取值的启发式构造策略，得到航天器资源优化配置的初步优化任务序列；

设计策略A和策略B，依据航天器任务的属性对航天器任务进行排序；

首先，依据策略A对所有航天器任务进行排序；然后，依据策略B依次对星上任务可执行时机内的星上任务和星地任务可执行时机内的星地任务进行排序，同时兼顾星载固存擦除与航天器任务执行之间的逻辑关系，得到航天器资源优化配置的初步优化任务序列K；

其中，策略A：首先依据优先级降序进行排序，在优先级相同的情况下依据可见窗口数量降序进行排序，在可见窗口数量相同的情况下依据最早可见时间窗口时刻升序进行排序；

策略B：首先依据成像质量降序进行排序，在成像质量相同的情况下依据成像时间升序进行排序。

6.依据权利要求1所述的方法，其特征在于，所述使用改进的粒子群算法得到航天器资源优化配置的任务序列，包括：

粒子群算法适用于连续域中的极值搜索，将离散的计算节点选择问题处理为连续型的问题，方可进行粒子群算法的迭代：

设粒子群中包含k个粒子，对于其中的第i个粒子(i＝1,2,…,k)，定义n维位置向量

n为任务个数，位置向量

中第j维元素x_ij的取值表示第i个粒子上，第j个任务分配由第x_ij号计算节点执行，x_ij∈{1,2,…,m}；

基本粒子群的速度和位置公式如下：

式中，

是当前粒子的位置；

是当前粒子的速度；ω为惯性权重，表示粒子对当前速度继承程度；

为当前时刻粒子的最优位置向量；

为当前时刻所有粒子的全局最优位置向量；c₁和c₂是学习因子；a₁和a₂为[0,1]之间均匀分布的随机数；

对惯性权重ω进行动态调整，初期选取较大的惯性权重，扩大算法的全局搜索能力，随着迭代次数的增加线性递减，实现对迭代后期的局部搜索精度的提高，设预定最大迭代次数为t_max，ω∈[ω_min,ω_max]，则第t次迭代的惯性权重ω_t为：

粒子群算法的速度更新公式为：

对位置的更新做进一步的处理：

其中，

表示对

先取绝对值，然后向上取整，

表示

的绝对值对m进行取模运算；

将启发式构造策略生成的航天器资源优化配置的初步优化任务序列经过上述处理后，利用粒子群算法生成航天器资源优化配置的任务序列。

Images