CN113269324B - 一种基于遗传算法的低轨卫星时间窗规划方法及系统 - Google Patents
一种基于遗传算法的低轨卫星时间窗规划方法及系统 Download PDFInfo
- Publication number
- CN113269324B CN113269324B CN202110602810.4A CN202110602810A CN113269324B CN 113269324 B CN113269324 B CN 113269324B CN 202110602810 A CN202110602810 A CN 202110602810A CN 113269324 B CN113269324 B CN 113269324B
- Authority
- CN
- China
- Prior art keywords
- time window
- time
- sequence
- population
- sequences
- 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
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
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/40—Transformation of program code
- G06F8/52—Binary to binary
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Genetics & Genomics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Radio Relay Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于遗传算法的低轨卫星通讯时间窗规划方法及系统,包括创建初始种群、对种群进行编码、根据个体的适应度值对种群个体进行筛选、进行遗传操作、产生新一代种群;循环执行种群个体进行筛选、进行遗传操作、产生新一代种群,直到子代种群中的所有时间窗口子序列的适应度值小于阈值或循环次数达到预设上限,得到最佳适应度时间窗口序列。其中,遗传操作包括选择操作、交叉操作和变异操作。本发明在遗传算法的基础上,对时间窗口序列进行了二进制编码,将时间窗选择问题进行了简化,加入了自适应的迭代终止条件,避免了时间的浪费,以及通过调节约束条件的权重,来平衡时间覆盖率、时间总长度、去冲突度之间的效果。
Description
技术领域
本发明涉及时间窗规划技术领域,具体涉及一种基于遗传算法的低轨卫星时间窗规划方法及系统。
背景技术
在卫星数量日益增多、用户需求日益复杂的情况下,由于轨道及卫星处理任务的能力限制,一些卫星无法完成用户提交的复杂任务。但是,由于卫星之间是联合通信的,当单个卫星无法完成接收到的复杂任务时,该卫星可以先将接收到的复杂任务进行拆分,然后将拆分后的简单子任务分配给其他不同类型的卫星和地面站进行分别处理,如此提高卫星的利用率。因此,考虑多颗卫星的联合调度问题,即将可用的多颗不同类型的卫星作为一个整体,从系统的角度对其进行优化分配和利用。然而,考虑多颗卫星联合调度也会带来一系列新的问题,例如,如何保证多星多站之间高效有序地运作,如何充分有效地利用星地通讯的时间窗等。
星地通讯时间窗规划问题存在卫星和地面站数量不固定,以及时间窗数量和长度不固定的难点。多星多站任务调度具有组合优化难度大的特征,当任务数量以及卫星与地面站数量增多时,通过星地通讯时间窗规划得到的可能解的数量会呈指数倍增长,针对此类问题,通常只能得到近似解,无法得到精确解。并且,如何选择时间窗是一个NP-Hard问题。
现有的时间窗规划技术主要是针对遥感卫星的图像数据传输任务进行,该技术的核心点是在时间窗去掉冲突的前提下对高优先级数据传输任务进行执行,在这样的策略下会造成卫星与地面站的通讯时间窗的大量浪费,具有如下两个明显缺陷:一是无法保证星地间的通讯状态覆盖足够广的时间段范围,二是无法保证星地间足够长的通讯总时长。
发明内容
本发明所要解决的技术问题是:现有的时间窗规划无法保证星地间的通讯状态覆盖足够广的时间段范围,以及无法保证星地间足够长的通讯总时长。目的在于,提供一种基于遗传算法的低轨卫星时间窗规划方法及系统,解决现有的时间窗规划方法的缺陷。
本发明通过下述技术方案实现:
一种基于遗传算法的低轨卫星通讯时间窗规划方法,包括以下步骤:
步骤1:选择多个时间窗口序列,每一个时间窗口序列包括多个时间窗口;
步骤2:对所述多个时间窗口序列进行编码,得到初始种群;
步骤3:构造时间窗口序列的适应度函数模型;
步骤4:利用所述适应度函数模型获取所述初始种群中所有时间窗口序列的适应度值,得到初始种群的适应度值集合;
步骤5:根据所述适应度值集合对所述初始种群进行随机筛选,将筛选出的多个时间窗口序列组合成为父代种群,所述父代种群中包括n个时间窗口序列,n小于等于所述初始种群中的时间窗口序列总数;
步骤6:对所述父代种群中的n个时间窗口序列进行遗传操作,得到新一代种群,所述新一代种群中包括m个时间窗口遗传序列,m小于n,m为正整数;
步骤7:对所述新一代种群中的m个时间窗口遗传序列采用部分替换策略,得到子代种群,所述子代种群包括m个时间窗口子序列;
步骤8:利用所述适应度函数模型获取所述m个时间窗口子序列的适应度值,得到子代种群的适应度值集合;
步骤9:循环步骤5至步骤8,得到多个子代种群的适应度值集合,根据所述多个子代种群的适应度值集合,获取所述m个时间窗口子序列的适应度值变化率,直到所述m个时间窗口子序列的适应度值变化率小于阈值或循环次数达到预设上限,得到最佳适应度时间窗口序列,所述最佳适应度时间窗口序列为最终的时间窗规划方案。
与现有技术相比,本发明的发明点体现为:第一,在遗传算法的基础上,对卫星通讯时间窗的规划中引入了二进制编码的方式,即针对时间窗口序列中的每一个时间窗口,分别用1代表该时间窗口被选择使用,用0代表该时间窗口未被选择使用,相较于常规的数值编码方式,本发明用数学的方式直观表现了时间窗的使用与否,将时间窗口问题进行了简化;第二,本发明在遗传中加入了动态的自适应迭代终止条件,即当子代种群中的所有时间窗口子序列的适应度值连续多次小于阈值或循环次数达到预设上限时迭代终止,使迭代次数与时间窗口序列的时间窗口数量挂钩,在获得最优解的情况下保证了有效的迭代计算,从而减少了运行时间;第三,本发明构建的适应度目标函数采用了规划后时间窗的时间覆盖面、时间总长度以及时间窗去冲突度三个关键因素相结合的复杂约束条件,通过调节约束条件的权重因子叠加之和,来平衡时间覆盖率、时间总长度、去冲突度之间的效果,在完全规避了时间窗冲突的情况下,最大程度地保证了时间窗的利用总时长以及时间窗的覆盖面,最终计算得到了时间窗规划的最优解。
作为对本发明的进一步描述,步骤2的编码方法为:针对每一个时间窗口序列,从时间窗口序列中随机挑选出k个时间窗口,向挑选出的k个时间窗口中分别填入二进制数1,向其余所有未被挑选的时间窗口中分别填入二进制数0,二进制数1表示该时间窗口被选择使用,二进制数0表示该时间窗口未被选择使用,k小于等于时间窗口序列的时间窗口总数,k为正整数。
作为对本发明的进一步描述,步骤3的适应度函数模型的表达式为:
其中,TWCis表示被选择使用的时间窗口的开始时间,TWCie表示被选择使用的时间窗口的结束时间,CTW表示存在冲突的时间窗口数,ATW表示时间窗口总数,TWMS表示所有时间窗口的最早开始时间,TWME表示所有时间窗口的最早结束时间,UTWCis表示所有被选择使用的时间窗口组成的集合的开始时间,UTWCie表示所有被使用的时间窗口组成的集合的结束时间,TV表示编码前的时间窗口总时长,RF表示时间覆盖面权重参数,RL表示时间总长度权重参数,RC表示时间窗口序列去冲突度的权重参数。
作为对本发明的进一步描述,步骤5具体包括以下步骤:
步骤5.1:将所述适应度值集合中的所有适应度值按照从大到小的顺序降序排列,得到适应度值顺序集合;
步骤5.2:随机确定从所述适应度值顺序集合中筛选出前n个适应度值,根据所述前n个适应度值从所述初始种群中筛选出与所述前n个适应度值相对应的n个时间窗口序列,利用所述n个时间窗口序列组合成为父代种群。
作为对本发明的进一步描述,步骤6中的遗传操作具体包括以下步骤:
步骤6.1:选择操作。从所述父代种群中随机选取k个时间窗口序列,根据所述k个时间窗口序列分别对应的适应度值,按照适应度值从大到小的顺序,从所述k个时间窗口序列中筛选出m个时间窗口序列,k=0.7n,m=0.5n;
步骤6.2:交叉操作。从所述m个时间窗口序列中随机选取时间窗口序列W1和时间窗口序列W2,分别从所述时间窗口序列W1和所述时间窗口序列W2中选取多个交叉点;所述时间窗口序列W1和时间窗口序列W2中的交叉点数量相同,且所述时间窗口序列W1中的多个交叉点的位置与所述时间窗口序列W2中的多个交叉点的位置一一对应;针对每一个交叉点,将所述时间窗口序列W1中的二进制数与所述时间窗口序列W2中的二进制数进行互换,互换成功的概率为70%;
步骤6.3:变异操作。从所述m个时间窗口序列中随机选取时间窗口序列W3;从所述时间窗口序列W3中随机选取多个变异点;针对每一个变异点,将所述时间窗口序列W3中的二进制数进行局部随机扰动,局部随机扰动的成功概率为50%。
由于交叉操作的成功概率为70%,变异操作的成功概率为50%,根据遗传操作得到的新一代种群受交叉操作和变异操作的成功概率影响,从而多层遗传操作得到的多个新一代种群各不相同。
作为对本发明的进一步描述,步骤7中的部分替换策略具体为:按照适应度值由大到小的顺序,从所述新一代种群的所述m个时间窗口遗传序列中筛选出j个时间窗口遗传序列;按照适应度值由大到小的顺序,从所述父代种群中筛选出m-j个时间窗口序列,用于替换所述新一代种群中的其余m-j个时间窗口遗传序列,j小于初始种群的时间窗口序列总数减去新一代种群的时间窗口遗传序列总数m。
作为对本发明的进一步描述,步骤8中,循环次数的预设上限小于等于时间窗口序列所包含的时间窗口数的2倍。
一种基于遗传算法的低轨卫星通讯时间窗规划系统,包括:
输入模块,用于将选择出的多个时间窗口序列信息录入系统;
编码模块,用于对时间窗口序列进行编码;
模型构建模块,用于构建时间窗口序列的适应度函数模型;
初始种群计算模块,用于计算获得所述初始种群中所有时间窗口序列的适应度值,得到适应度值集合;
父代种群建立模块,用于根据所述适应度值集合对所述初始种群进行筛选,将筛选出的多个时间窗口序列组合成为父代种群;
遗传模块,用于对所述父代种群中的时间窗口序列进行遗传操作,得到新一代种群;
序列替换模块,用于对所述新一代种群中的时间窗口遗传序列采用部分替换策略,得到子代种群;
子代种群计算模块,用于计算获得所述子代种群中所有时间窗口子序列的适应度值,得到子代种群的适应度值集合;
循环调用模块,用于循环调用父代种群建立模块、遗传模块、序列替换模块和子代种群计算模块;
输出模块,用于输出最佳适应度时间窗口序列。
作为对本发明的进一步描述,
所述父代种群建立模块包括:
排序单元,用于将所述适应度值集合中的所有适应度值按照从大到小的顺序降序排列,得到适应度值顺序集合;
筛选单元,用于从所述适应度值顺序集合中筛选出前n个适应度值,n小于等于所述初始种群中的时间窗口序列总数,n为正整数;
组合单元,用于根据所述前n个适应度值从所述初始种群中筛选出与所述前n个适应度值相对应的n个时间窗口序列,利用所述n个时间窗口序列组合成为父代种群;
所述遗传模块包括:
选择单元,用于从所述父代种群中随机选取k个时间窗口序列,根据所述k个时间窗口序列分别对应的适应度值,按照适应度值从大到小的顺序,从所述k个时间窗口序列中筛选出m个时间窗口序列,k小于等于时间窗口序列的时间窗口总数,k为正整数,k=0.7n,m=0.5n;
交叉单元,用于从所述m个时间窗口序列中随机选取时间窗口序列W1和时间窗口序列W2,分别从所述时间窗口序列W1和所述时间窗口序列W2中选取多个交叉点,并针对每一个交叉点,将所述时间窗口序列W1中的二进制数与所述时间窗口序列W2中的二进制数进行互换;
变异单元,用于从所述m个时间窗口序列中随机选取时间窗口序列W3;从所述时间窗口序列W3中随机选取多个变异点;针对每一个变异点,将所述时间窗口序列W3中的二进制数进行局部随机扰动;
所述循环调用模块包括:适应度值变化率计算单元,用于根据多个子代种群的适应度值集合,获取所述子代种群中所有时间窗口子序列的适应度值变化率。
本发明与现有技术相比,具有如下的优点和有益效果:
1、本发明一种基于遗传算法的低轨卫星通讯时间窗规划方法及系统,在遗传算法的基础上,将常规的数值编码改为代表是或否的二进制编码,将时间窗选择问题进行了简化;
2、本发明一种基于遗传算法的低轨卫星通讯时间窗规划方法及系统,在遗传中加入了自适应的迭代终止条件,保证了有效的迭代计算,避免了时间的浪费;
3、本发明一种基于遗传算法的低轨卫星通讯时间窗规划方法及系统,在遗传中采用了时间覆盖率、时间总长度、去冲突度这三种因素相结合的复杂约束条件,通过调节约束条件的权重,来平衡时间覆盖率、时间总长度、去冲突度之间的效果。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明实施例1的一种基于遗传算法的低轨卫星通讯时间窗规划方法流程图。
图2为本发明实施例1的一种基于遗传算法的低轨卫星通讯时间窗规划方法的时间窗口序列编码示意图。
图3为本发明实施例1的一种基于遗传算法的低轨卫星通讯时间窗规划方法的交叉操作示意图。
图4为本发明实施例1的一种基于遗传算法的低轨卫星通讯时间窗规划方法的变异操作示意图。
图5为本发明实施例1的一种基于遗传算法的低轨卫星通讯时间窗规划方法的适应度函数曲线图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1:
为克服现有的时间窗规划技术无法保证星地间的通讯状态覆盖足够广的时间段范围,以及无法保证星地间足够长的通讯总时长的技术缺陷,本实施例提供了一种基于遗传算法的低轨卫星通讯时间窗规划方法,其方法流程如图1所示,包括以下步骤:
步骤1:选择多个时间窗口序列,每一个时间窗口序列包括多个时间窗口。本实施例选择了150个时间窗口序列,每个时间窗口序列包括33个时间窗口。
步骤2:分别对上述150个时间窗口序列进行编码,得到初始种群。编码过程如图2所示,针对每一个时间窗口序列,从时间窗口序列中随机挑选出k个时间窗口,向挑选出的k个时间窗口中分别填入二进制数1,向其余所有未被挑选的时间窗口中分别填入二进制数0,二进制数1表示该时间窗口被选择使用,二进制数0表示该时间窗口未被选择使用,k小于等于时间窗口序列的时间窗口总数,k为正整数。为便于说明编码原理,简化编码过程,本实施例选择了其中1个时间窗口序列,并截取了该时间窗口序列中的前5个时间窗口进行编码。从图2中可以得知,该时间窗口序列中,窗口1、窗口4和窗口5为被选择使用的时间窗口,窗口2和窗口3为未被选择使用的时间窗口。
步骤3:构造时间窗口序列的适应度函数模型,其函数模型表达式为:
其中,TWCis表示被选择使用的时间窗口的开始时间,TWCie表示被选择使用的时间窗口的结束时间,CTW表示存在冲突的时间窗口数,ATW表示时间窗口总数,TWMS表示所有时间窗口的最早开始时间,TWME表示所有时间窗口的最早结束时间,UTWCis表示所有被选择使用的时间窗口组成的集合的开始时间,UTWCie表示所有被使用的时间窗口组成的集合的结束时间,TV表示编码前的时间窗口总时长,RF表示时间覆盖面权重参数,RL表示时间总长度权重参数,RC表示时间窗口序列去冲突度的权重参数。
步骤4:利用所述适应度函数模型获取所述初始种群中所有时间窗口序列的适应度值,得到适应度值集合。计算中,分别取RF=0.2,RL=0.2,RC=0.4。
步骤5:根据初始种群和所述适应度值集合建立父代种群,所述父代种群中包括n个时间窗口序列,n小于等于初始种群中的时间窗口序列总数,n为正整数。具体包括以下步骤:
步骤5.1:将所述适应度值集合中的所有适应度值按照从大到小的顺序降序排列,得到适应度值顺序集合;
步骤5.2:从所述适应度值顺序集合中筛选出前n个适应度值,根据所述前n个适应度值从所述初始种群中筛选出与所述前n个适应度值相对应的n个时间窗口序列,利用所述n个时间窗口序列组合成为父代种群。
步骤6:对所述父代种群中的n个时间窗口序列进行遗传操作,得到新一代种群,所述新一代种群中包括m个时间窗口遗传序列,m小于n,m为正整数。其中,遗传操作具体包括以下步骤:
步骤6.1:选择操作。从所述父代种群中随机选取k个时间窗口序列,根据所述k个时间窗口序列分别对应的适应度值,按照适应度值从大到小的顺序,从所述k个时间窗口序列中筛选出m个时间窗口序列,k=0.7n,m=0.5n;
步骤6.2:交叉操作。从所述m个时间窗口序列中随机选取时间窗口序列W1和时间窗口序列W2,分别从所述时间窗口序列W1和所述时间窗口序列W2中选取多个交叉点;所述时间窗口序列W1和时间窗口序列W2中的交叉点数量相同,且所述时间窗口序列W1中的多个交叉点的位置与所述时间窗口序列W2中的多个交叉点的位置一一对应;针对每一个交叉点,将所述时间窗口序列W1中的二进制数与所述时间窗口序列W2中的二进制数进行互换,互换成功的概率为70%。交叉操作过程如图3所示。
步骤6.3:变异操作。从所述m个时间窗口序列中随机选取时间窗口序列W3;从所述时间窗口序列W3中随机选取多个变异点;针对每一个变异点,将所述时间窗口序列W3中的二进制数进行局部随机扰动,局部随机扰动的成功概率为50%。变异操作如图4所示。
步骤7:对所述新一代种群中的m个时间窗口遗传序列采用部分替换策略,得到子代种群,所述子代种群包括m个时间窗口子序列。部分替换策略具体为:按照适应度值由大到小的顺序,从所述新一代种群的所述m个时间窗口遗传序列中筛选出j个时间窗口遗传序列;按照适应度值由大到小的顺序,从所述父代种群中筛选出m-j个时间窗口序列,用于替换所述新一代种群中的其余m-j个时间窗口遗传序列,j小于初始种群的时间窗口序列总数减去新一代种群的时间窗口遗传序列总数m。
步骤8:利用所述适应度函数模型获取所述m个时间窗口子序列的适应度值,得到子代种群的适应度值集合。
步骤9:循环步骤5至步骤8,得到多个子代种群的适应度值集合,根据所述多个子代种群的适应度值集合,获取所述m个时间窗口子序列的适应度值变化率,直到所述m个时间窗口子序列的适应度值变化率小于阈值或循环次数达到预设上限,得到最佳适应度时间窗口序列,所述最佳适应度时间窗口序列为最终的时间窗规划方案。其中,循环次数的预设上限小于等于时间窗口序列所包含的时间窗口数的2倍。在本实施例中,时间窗口序列所包含33个时间窗口数,因此,循环次数的上限设置为66次。最终得到的低轨卫星通讯时间窗规划方法的适应度函数曲线图如图5所示。随着迭代次数的增加,种群最优个体适应度目标函数值和种群平均个体适应度目标函数值都在不断的上升,并且在接近迭代上限次数时稳定在了最大值,最后终止了遗传,寻找到了最优解。
实施例2:
一种基于遗传算法的低轨卫星通讯时间窗规划系统,包括:
输入模块,用于将选择出的多个时间窗口序列信息录入系统;
编码模块,用于对时间窗口序列进行编码;
模型构建模块,用于构建时间窗口序列的适应度函数模型;
初始种群计算模块,用于计算获得所述初始种群中所有时间窗口序列的适应度值,得到适应度值集合;
父代种群建立模块,用于根据所述适应度值集合对所述初始种群进行筛选,将筛选出的多个时间窗口序列组合成为父代种群;
遗传模块,用于对所述父代种群中的时间窗口序列进行遗传操作,得到新一代种群;
序列替换模块,用于对所述新一代种群中的时间窗口遗传序列采用部分替换策略,得到子代种群;
子代种群计算模块,用于计算获得所述子代种群中所有时间窗口子序列的适应度值,得到子代种群的适应度值集合;
循环调用模块,用于循环调用父代种群建立模块、遗传模块、序列替换模块和子代种群计算模块;
输出模块,用于输出最佳适应度时间窗口序列。
作为对本发明的进一步描述,
上述父代种群建立模块包括:
排序单元,用于将所述适应度值集合中的所有适应度值按照从大到小的顺序降序排列,得到适应度值顺序集合;
筛选单元,用于从所述适应度值顺序集合中筛选出前n个适应度值,n小于等于所述初始种群中的时间窗口序列总数,n为正整数;
组合单元,用于根据所述前n个适应度值从所述初始种群中筛选出与所述前n个适应度值相对应的n个时间窗口序列,利用所述n个时间窗口序列组合成为父代种群;
上述遗传模块包括:
选择单元,用于从所述父代种群中随机选取k个时间窗口序列,根据所述k个时间窗口序列分别对应的适应度值,按照适应度值从大到小的顺序,从所述k个时间窗口序列中筛选出m个时间窗口序列,k小于等于时间窗口序列的时间窗口总数,k为正整数,k=0.7n,m=0.5n;
交叉单元,用于从所述m个时间窗口序列中随机选取时间窗口序列W1和时间窗口序列W2,分别从所述时间窗口序列W1和所述时间窗口序列W2中选取多个交叉点,并针对每一个交叉点,将所述时间窗口序列W1中的二进制数与所述时间窗口序列W2中的二进制数进行互换;
变异单元,用于从所述m个时间窗口序列中随机选取时间窗口序列W3;从所述时间窗口序列W3中随机选取多个变异点;针对每一个变异点,将所述时间窗口序列W3中的二进制数进行局部随机扰动;
上述循环调用模块包括:适应度值变化率计算单元,用于根据多个子代种群的适应度值集合,获取所述子代种群中所有时间窗口子序列的适应度值变化率。
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 (7)
1.一种基于遗传算法的低轨卫星通讯时间窗规划方法,其特征在于,包括以下步骤:
步骤1:选择多个时间窗口序列,每一个时间窗口序列包括多个时间窗口;
步骤2:对所述多个时间窗口序列进行编码,得到初始种群;所述编码方法为:针对每一个时间窗口序列,从时间窗口序列中随机挑选出k个时间窗口,向挑选出的k个时间窗口中分别填入二进制数1,向其余所有未被挑选的时间窗口中分别填入二进制数0,二进制数1表示该时间窗口被选择使用,二进制数0表示该时间窗口未被选择使用,k小于等于时间窗口序列的时间窗口总数,k为正整数;
步骤3:构造时间窗口序列的适应度函数模型;所述适应度函数模型的表达式为:其中,TWCis表示被选择使用的时间窗口的开始时间,TWCie表示被选择使用的时间窗口的结束时间,CTW表示存在冲突的时间窗口数,ATW表示时间窗口总数,TWMS表示所有时间窗口的最早开始时间,TWME表示所有时间窗口的最早结束时间,UTWCis表示所有被选择使用的时间窗口组成的集合的开始时间,UTWCie表示所有被使用的时间窗口组成的集合的结束时间,TV表示编码前的时间窗口总时长,RF表示时间覆盖面权重参数,RL表示时间总长度权重参数,Rc表示时间窗口序列去冲突度的权重参数;
步骤4:利用所述适应度函数模型获取所述初始种群中所有时间窗口序列的适应度值,得到初始种群的适应度值集合;
步骤5:根据所述适应度值集合对所述初始种群进行筛选,将筛选出的多个时间窗口序列组合成为父代种群,所述父代种群中包括n个时间窗口序列,n小于等于所述初始种群中的时间窗口序列总数,n为正整数;
步骤6:对所述父代种群中的n个时间窗口序列进行遗传操作,得到新一代种群,所述新一代种群中包括m个时间窗口遗传序列,m小于n,m为正整数;
步骤7:对新一代种群中的m个时间窗口遗传序列采用部分替换策略,得到子代种群,所述子代种群包括m个时间窗口子序列;
步骤8:利用所述适应度函数模型获取所述m个时间窗口子序列的适应度值,得到子代种群的适应度值集合;
步骤9:循环步骤5至步骤8,得到多个子代种群的适应度值集合,根据所述多个子代种群的适应度值集合,获取所述m个时间窗口子序列的适应度值变化率,直到所述m个时间窗口子序列的适应度值变化率小于阈值或循环次数达到预设上限,得到最佳适应度时间窗口序列,所述最佳适应度时间窗口序列为最终的时间窗规划方案。
2.根据权利要求1所述的一种基于遗传算法的低轨卫星通讯时间窗规划方法,其特征在于,所述步骤5具体包括以下步骤:
步骤5.1:将所述适应度值集合中的所有适应度值按照从大到小的顺序降序排列,得到适应度值顺序集合;
步骤5.2:从所述适应度值顺序集合中筛选出前n个适应度值,根据所述前n个适应度值从所述初始种群中筛选出与所述前n个适应度值相对应的n个时间窗口序列,利用所述n个时间窗口序列组合成为父代种群。
3.根据权利要求1所述的一种基于遗传算法的低轨卫星通讯时间窗规划方法,其特征在于,所述遗传操作具体包括以下步骤:
步骤6.1:选择操作,从所述父代种群中随机选取k个时间窗口序列,根据所述k个时间窗口序列分别对应的适应度值,按照适应度值从大到小的顺序,从所述k个时间窗口序列中筛选出m个时间窗口序列,k=0.7n,m=0.5n;
步骤6.2:交叉操作,从所述m个时间窗口序列中随机选取时间窗口序列W1和时间窗口序列W2,分别从所述时间窗口序列W1和所述时间窗口序列W2中选取多个交叉点;所述时间窗口序列W1和时间窗口序列W2中的交叉点数量相同,且所述时间窗口序列W1中的多个交叉点的位置与所述时间窗口序列W2中的多个交叉点的位置一一对应;针对每一个交叉点,将所述时间窗口序列W1中的二进制数与所述时间窗口序列W2中的二进制数进行互换,互换成功的概率为70%;
步骤6.3:变异操作,从所述m个时间窗口序列中随机选取时间窗口序列W3;从所述时间窗口序列W3中随机选取多个变异点;针对每一个变异点,将所述时间窗口序列W3中的二进制数进行局部随机扰动,局部随机扰动的成功概率为50%。
4.根据权利要求1所述的一种基于遗传算法的低轨卫星通讯时间窗规划方法,其特征在于,所述部分替换策略具体为:按照适应度值由大到小的顺序,从所述新一代种群的所述m个时间窗口遗传序列中筛选出j个时间窗口遗传序列;按照适应度值由大到小的顺序,从所述父代种群中筛选出m-j个时间窗口序列,用于替换所述新一代种群中的其余m-j个时间窗口遗传序列,j小于初始种群的时间窗口序列总数减去新一代种群的时间窗口遗传序列总数m。
5.根据权利要求1所述的一种基于遗传算法的低轨卫星通讯时间窗规划方法,其特征在于,循环次数的预设上限小于等于时间窗口序列所包含的时间窗口数的2倍。
6.一种基于遗传算法的低轨卫星通讯时间窗规划系统,其特征在于,包括:
输入模块,用于将选择出的多个时间窗口序列信息录入系统;
编码模块,用于对时间窗口序列进行编码;所述编码方法为:针对每一个时间窗口序列,从时间窗口序列中随机挑选出k个时间窗口,向挑选出的k个时间窗口中分别填入二进制数1,向其余所有未被挑选的时间窗口中分别填入二进制数0,二进制数1表示该时间窗口被选择使用,二进制数0表示该时间窗口未被选择使用,k小于等于时间窗口序列的时间窗口总数,k为正整数;
模型构建模块,用于构建时间窗口序列的适应度函数模型;所述适应度函数模型的表达式为:其中,TWCis表示被选择使用的时间窗口的开始时间,TWCie表示被选择使用的时间窗口的结束时间,CTW表示存在冲突的时间窗口数,ATW表示时间窗口总数,TWMS表示所有时间窗口的最早开始时间,TWME表示所有时间窗口的最早结束时间,UTWCis表示所有被选择使用的时间窗口组成的集合的开始时间,UTWCie表示所有被使用的时间窗口组成的集合的结束时间,TV表示编码前的时间窗口总时长,RF表示时间覆盖面权重参数,RL表示时间总长度权重参数,Rc表示时间窗口序列去冲突度的权重参数
初始种群计算模块,用于计算获得所述初始种群中所有时间窗口序列的适应度值,得到适应度值集合;
父代种群建立模块,用于根据所述适应度值集合对所述初始种群进行筛选,将筛选出的多个时间窗口序列组合成为父代种群;
遗传模块,用于对所述父代种群中的时间窗口序列进行遗传操作,得到新一代种群;
序列替换模块,用于对所述新一代种群中的时间窗口遗传序列采用部分替换策略,得到子代种群;
子代种群计算模块,用于计算获得所述子代种群中所有时间窗口子序列的适应度值,得到子代种群的适应度值集合;
循环调用模块,用于循环调用父代种群建立模块、遗传模块、序列替换模块和子代种群计算模块;
输出模块,用于输出最佳适应度时间窗口序列。
7.根据权利要求6所述的一种基于遗传算法的低轨卫星通讯时间窗规划系统,其特征在于,
所述父代种群建立模块包括:
排序单元,用于将所述适应度值集合中的所有适应度值按照从大到小的顺序降序排列,得到适应度值顺序集合;
筛选单元,用于从所述适应度值顺序集合中筛选出前n个适应度值,n小于等于所述初始种群中的时间窗口序列总数,n为正整数;
组合单元,用于根据所述前n个适应度值从所述初始种群中筛选出与所述前n个适应度值相对应的n个时间窗口序列,利用所述n个时间窗口序列组合成为父代种群;
所述遗传模块包括:
选择单元,用于从所述父代种群中随机选取k个时间窗口序列,根据所述k个时间窗口序列分别对应的适应度值,按照适应度值从大到小的顺序,从所述k个时间窗口序列中筛选出m个时间窗口序列,k小于等于时间窗口序列的时间窗口总数,k为正整数,k=0.7n,m=0.5n;
交叉单元,用于从所述m个时间窗口序列中随机选取时间窗口序列W1和时间窗口序列W2,分别从所述时间窗口序列W1和所述时间窗口序列W2中选取多个交叉点,并针对每一个交叉点,将所述时间窗口序列W1中的二进制数与所述时间窗口序列W2中的二进制数进行互换;
变异单元,用于从所述m个时间窗口序列中随机选取时间窗口序列W3;从所述时间窗口序列W3中随机选取多个变异点;针对每一个变异点,将所述时间窗口序列W3中的二进制数进行局部随机扰动;
所述循环调用模块包括:适应度值变化率计算单元,用于根据多个子代种群的适应度值集合,获取所述子代种群中所有时间窗口子序列的适应度值变化率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110602810.4A CN113269324B (zh) | 2021-05-31 | 2021-05-31 | 一种基于遗传算法的低轨卫星时间窗规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110602810.4A CN113269324B (zh) | 2021-05-31 | 2021-05-31 | 一种基于遗传算法的低轨卫星时间窗规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113269324A CN113269324A (zh) | 2021-08-17 |
CN113269324B true CN113269324B (zh) | 2022-09-06 |
Family
ID=77233693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110602810.4A Active CN113269324B (zh) | 2021-05-31 | 2021-05-31 | 一种基于遗传算法的低轨卫星时间窗规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269324B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114777794B (zh) * | 2022-03-28 | 2024-04-30 | 中国人民解放军国防科技大学 | 一种航天器轨道机动逆向移动滑窗检测方法、装置和设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331627A (zh) * | 2014-11-11 | 2015-02-04 | 中国科学院空间科学与应用研究中心 | 硬x射线调制望远镜卫星任务规划处理方法 |
CN108090631A (zh) * | 2018-01-22 | 2018-05-29 | 合肥工业大学 | 卫星应急任务动态规划方法及装置 |
CN109933842A (zh) * | 2019-01-23 | 2019-06-25 | 北京航空航天大学 | 一种基于约束满足遗传算法的移动目标单星任务规划方法 |
CN111913787A (zh) * | 2020-06-19 | 2020-11-10 | 合肥工业大学 | 基于遗传算法的成像卫星调度方法和系统 |
CN112381344A (zh) * | 2020-10-10 | 2021-02-19 | 南京理工大学 | 一种基于云服务的卫星测控站天线自动控制方法 |
CN112766813A (zh) * | 2021-02-05 | 2021-05-07 | 中国人民解放军国防科技大学 | 一种空天协同观测复杂任务调度方法及系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2551467A1 (en) * | 2006-07-04 | 2008-01-04 | University Of New Brunswick | System and method for optimizing linehaul operations |
US8510241B2 (en) * | 2008-08-29 | 2013-08-13 | Empire Technology Development Llc | Approach for solving global optimization problem |
US20160055593A1 (en) * | 2014-08-21 | 2016-02-25 | David P. Groeneveld | System and Method to Predict Field Access and the Potential for Prevented Planting Claims for Use by Crop Insurers |
CN107239860B (zh) * | 2017-06-05 | 2018-02-23 | 合肥工业大学 | 一种成像卫星任务规划方法 |
CN107678850B (zh) * | 2017-10-17 | 2020-07-07 | 合肥工业大学 | 中继卫星任务调度方法及装置 |
CN111176807B (zh) * | 2019-12-09 | 2023-12-12 | 中国空间技术研究院 | 一种多星协同任务规划方法 |
CN111913786B (zh) * | 2020-06-10 | 2022-09-30 | 合肥工业大学 | 基于时间窗分割的卫星任务调度方法和系统 |
CN111913785B (zh) * | 2020-06-10 | 2022-09-30 | 合肥工业大学 | 多星任务调度方法和系统 |
-
2021
- 2021-05-31 CN CN202110602810.4A patent/CN113269324B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331627A (zh) * | 2014-11-11 | 2015-02-04 | 中国科学院空间科学与应用研究中心 | 硬x射线调制望远镜卫星任务规划处理方法 |
CN108090631A (zh) * | 2018-01-22 | 2018-05-29 | 合肥工业大学 | 卫星应急任务动态规划方法及装置 |
CN109933842A (zh) * | 2019-01-23 | 2019-06-25 | 北京航空航天大学 | 一种基于约束满足遗传算法的移动目标单星任务规划方法 |
CN111913787A (zh) * | 2020-06-19 | 2020-11-10 | 合肥工业大学 | 基于遗传算法的成像卫星调度方法和系统 |
CN112381344A (zh) * | 2020-10-10 | 2021-02-19 | 南京理工大学 | 一种基于云服务的卫星测控站天线自动控制方法 |
CN112766813A (zh) * | 2021-02-05 | 2021-05-07 | 中国人民解放军国防科技大学 | 一种空天协同观测复杂任务调度方法及系统 |
Non-Patent Citations (2)
Title |
---|
Resources Scheduling Algorithm for Multi-relay-Satellite System with Multi-restriction;Zhao Weihu等;《2019 International Conference on Intelligent Transportation, Big Data & Smart City (ICITBS)》;20190321;第451-455页 * |
基于遗传算法的多星调度方法;章密等;《合肥工业大学学报》;20170731;第40卷(第7期);第995-999页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113269324A (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109756378B (zh) | 一种车载网络下的智能计算卸载方法 | |
CN102063339B (zh) | 基于云计算系统的资源负载均衡的方法和设备 | |
CN111628855B (zh) | 基于深度强化学习的工业5g动态多优先级多接入方法 | |
CN104899100A (zh) | 一种用于云系统的资源调度方法 | |
CN113127193B (zh) | 一种边缘网络动态业务卸载和调度方法及装置 | |
CN109803292B (zh) | 一种基于强化学习的多次级用户移动边缘计算的方法 | |
CN112272102B (zh) | 边缘网络业务卸载和调度方法及装置 | |
CN104572297A (zh) | 一种基于遗传算法的Hadoop作业调度方法 | |
CN113269324B (zh) | 一种基于遗传算法的低轨卫星时间窗规划方法及系统 | |
CN111491382B (zh) | 卫星容量分配方法、装置和电子设备 | |
CN115686846A (zh) | 边缘计算中融合图神经网络和强化学习的容器集群在线部署方法 | |
CN114158105B (zh) | 应用于综合能源系统的无线传感器网络的路由方法及装置 | |
CN116938323B (zh) | 一种基于强化学习的卫星转发器资源分配方法 | |
CN117077981B (zh) | 融合邻域搜索变异和差分进化的停机位分配方法及装置 | |
CN114118832A (zh) | 一种基于历史数据预测的银行排班方法和系统 | |
CN116862206A (zh) | 一种自适应优化生产计划的分布式制造执行的方法和系统 | |
Vahidipour et al. | Priority assignment in queuing systems with unknown characteristics using learning automata and adaptive stochastic Petri nets | |
CN114614878B (zh) | 星地网络中基于矩阵-向量乘法任务的编码计算分配方法 | |
CN113127167B (zh) | 一种基于改进遗传算法的异构资源智能并行调度方法 | |
Polani et al. | Eugenic neuro-evolution for reinforcement learning | |
CN115169754A (zh) | 能源调度方法、装置、电子设备及存储介质 | |
CN115759672A (zh) | 客服排班方法及装置 | |
CN112506644B (zh) | 基于云边端混合计算模式系统的任务调度方法和系统 | |
CN114781508A (zh) | 基于聚类的卫星测控调度方法及系统 | |
Hou et al. | Research on dynamic assignment of satellite communication tasks based on GA algorithm |
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 |