CN113313355A - 基于遗传算法的遥感卫星对地观测任务规划方法与装置 - Google Patents
基于遗传算法的遥感卫星对地观测任务规划方法与装置 Download PDFInfo
- Publication number
- CN113313355A CN113313355A CN202110480540.4A CN202110480540A CN113313355A CN 113313355 A CN113313355 A CN 113313355A CN 202110480540 A CN202110480540 A CN 202110480540A CN 113313355 A CN113313355 A CN 113313355A
- Authority
- CN
- China
- Prior art keywords
- task
- observed
- satellite
- observation
- chromosomes
- 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.)
- Granted
Links
Images
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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radio Relay Systems (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于遗传算法的遥感卫星对地观测任务规划方法和装置,涉及卫星任务规划技术领域。本发明从任务选择的观测时间窗不同造成任务观测收益不同的现实出发,分析任务的观测时间窗位置和任务实际观测收益的关系,依据时间分割收益方法确定任务实际观测收益的计算方式;设计改进遗传算法中初始种群的生成方法,在保证种群多样性的前提下,提高算法优化的起点,减少算法运行时间;设计自适应交叉概率计算方法和选择性变异方法,对种群实施有效扰动,避免算法陷入局部最优,从而获得问题高质量的解,完成多星任务规划;极大提高了卫星资源利用率和观测任务完成率。
Description
技术领域
本发明涉及卫星任务规划技术领域,具体涉及一种基于遗传算法的遥感卫星对地观测任务规划方法与装置。
背景技术
对地观测卫星是利用光学传感器对地面目标成像,获取图像信息的一种成像资源,已被广泛应用于资源勘查、灾害预警、军事侦探等领域。近年来,地面待观测任务数量持续增长,任务观测需求持续增加,但卫星资源有限,需要高效的任务规划方法完成多星任务规划。
对地观测卫星对地面目标成像需要满足姿态转换时间、时间窗等多方面约束,在任务观测需求远大于卫星资源数量的现实情况下,多星任务规划问题已经被证明是NP难问题,一般采用遗传算法等启发式算法解决该问题。
遗传算法是基于生物进化、自然选择规律的演化算法,由于其具有适用范围广泛、广域搜索能力强的特点,已经被广泛应用于解决组合优化问题。但遗传算法的种群数量大,个体间相似度较高,算法的收敛速度较慢,容易陷入局部最优,因此基于现有的遗传算法的多星任务规划方案卫星资源利用率和任务完成率较低。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于遗传算法的遥感卫星对地观测任务规划方法与装置,解决了卫星资源利用率和任务完成率较低的技术问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
一种基于遗传算法的遥感卫星对地观测任务规划方法,包括:
S1、获取卫星轨道信息和待观测任务信息;
S2、根据所述卫星轨道信息和待观测任务信息,构建基于时间分割收益的多星任务规划模型;
S3、根据所述多星任务规划模型,采用改进遗传算法,获取最优的多星任务规划方案。
优选的,所述步骤S3中的改进遗传算法具体包括:
S100、根据问题编码方式,初始化算法种群;
S200、依据染色体选择规则,选择参与交叉操作的父代染色体;
S300、应用自适应概率交叉算子,对两条所述父代染色体执行交叉操作,获取两条子代染色体,从子代染色体与父代染色体中选择两条适应度值较高染色体放回种群;
S400、应用选择性变异算子,从上一步骤得到的算法种群中随机选择染色体执行变异操作,获取变异后的算法种群;
S500、通过比较变异后的算法种群中各染色体适应度值,获得最优染色体。
优选的,所述步骤S2中基于时间分割收益的多星任务规划模型包括:
表示多星任务规划目标为最大化任务观测收益的适应度函数:
其中,所述待观测任务信息包括待观测任务集,所述待观测任务集表示为Task={task1,task2,…,taski,…,taskn},共有n个待观测任务taski;卫星轨道集表示为Orbit={orbit1,orbit2,…,orbitj,…,orbitm},所有卫星共存在m条轨道orbitj;
表示待观测任务taski是否在轨道orbitj上观测的二元变量;proi表示待观测任务taski的最佳观测收益;at_proi表示待观测任务taski的实际观收益;表示轨道orbitj上卫星传感器对待观测任务taski的可见时间窗开始时间;表示轨道orbitj上卫星传感器对待观测任务taski的可见时间窗结束时间;表示轨道orbitj上卫星传感器对待观测任务taski的观测时间窗开始时间;表示轨道orbitj上卫星传感器对待观测任务taski的观测时间窗结束时间。
优选的,所述基于时间分割收益的多星任务规划模型还包括约束条件:
其中,公式(4)表示一个待观测任务taski最多被观测一次;公式(5)表示卫星对待观测任务taski的观测时间窗一定是可见时间窗的子集;公式(6)表示待观测任务taski的观测时间窗与观测时长的关系,durai表示待观测任务taski的观测时长;公式(7)表示轨道orbitj上两连续观测任务之间应满足传感器的姿态转换时间约束,tri,i+1表示待观测任务taski和taski+1间的姿态转换时间;公式(8)表示传感器的姿态转换时间计算方式,表示待观测任务taski在轨道orbitj上的成像侧摆角度,vj表示轨道orbitj上卫星传感器的旋转速率。
优选的,所述步骤S3具体包括:
S31、根据所述多星任务规划模型,获取初始多星任务规划方案集,并将所述初始多星任务规划方案集作为所述改进遗传算法的初始算法种群,一条轨道对应一个组基因;
S32、将所述初始算法种群随机分为两部分,计算各部分中染色体对应的适应度值,分别选择最大适应度值对应的染色体作为父代染色体;
S33、应用自适应交叉概率算子,完成两条所述父代染色体基于所述组基因的单点交叉,获取两条子代染色体,从子代染色体与父代染色体中选择两条适应度值较高染色体放回种群;
S34、应用选择性变异算子,从交叉处理后的算法种群中随机选择染色体执行变异操作,获取变异后的算法种群;
S35、通过比较变异后的算法种群中各染色体适应度值,获得最优染色体,最优染色体对应的规划方案即为所述最优的多星任务规划方案。
优选的,所述步骤S31具体包括:
S311、根据所述卫星轨道信息和待观测任务属性,向各个轨道分配该轨道可观测的待观测任务子集;所述待观测任务信息包括待观测任务属性;
S312、在剩余轨道中随机选择轨道orbitj;
S313、将轨道orbitj对应的待观测任务子集中的候选任务按照最佳观测收益大小非升序排序;
S314、依次选择排序后的待观测任务,将选中任务应用选择最佳观测时间窗的位置或随机选择观测时间窗的位置两种时间窗安排方式中任一种,插入到轨道orbitj上;从第二个任务开始,执行任务间对姿态转化时间约束条件的检查;
S315、将除轨道orbitj外的轨道的待观测任务子集中已插入到轨道orbitj上的待观测任务删除;若各个轨道已遍历,得到多星任务规划方案,一条轨道对应一个组基因,转入S316;否则转入S312;
S316、根据多个所述多星任务规划方案,获取初始多星任务规划方案集,并将所述初始多星任务规划方案集作为所述改进遗传算法的初始算法种群。
优选的,所述步骤S33具体包括:
S331、计算所述初始算法种群中所有染色体的平均适应度函数值fitmean;
确定交叉概率:
S334、生成随机数r∈[0,1],当r<rcross时,基于所述组基因执行单点交叉操作,转入S335;否则,转入S32,重新选择父代染色体;
S335、随机选择轨道编号j∈{1,2,...,m};
S336、以选中轨道编号j为划分点,将F1划分为F11和F12,将F2划分为F21和F22;
S337、基于贪婪规则删除重复任务:在F22中删除F11中已经安排的任务,并依次连接F11和F22,获得子代z1,并从所述待观测任务集中删除z1中已插入的任务,获得z1对应的未完成任务集;在F12中删除F21中已经安排的任务,并依次连接F21和F12,获得子代z2,并从所述待观测任务集中删除z2中已插入的任务,获得z2对应的未完成任务集;
S338、将子代z1和z2对应的未完成任务集中的任务,在满足约束条件下,分别随机向染色体中插入,获得Z1和Z2;
优选的,所述步骤S34具体包括:
S341、若执行交叉处理后的算法种群中的染色体最大适应度值保持不变的代数比预设的k代小时,转入S342;否则转入S345;
S342、从上述算法种群中随机选择一条染色体上的一条轨道,并清空选中轨道的所有待观测任务,将清空的待观测任务放入该染色体的未完成任务集中;
S343、根据所述多星任务规划模型,将该染色体的未完成任务集中的待观测任务随机插入所有轨道中,获取局部变异后的染色体;
S344、比较所述局部变异后的染色体和所述随机选中的原染色体的适应度值,选择适应度值大的染色体放回种群中,判断此时是否达到迭代终止条件,若是,转入S349;若否,则转入S341;
S345、从上述算法种群中随机选择染色体,并清空所有待观测任务;
S346、根据所述卫星轨道信息和待观测任务属性,将所有待观测任务向各个轨道重新分配该轨道可观测的待观测任务子集;
S347、在剩余轨道中随机选择轨道,将所述该轨道可观测的待观测任务按照最佳观测收益大小非升序排序,依次选择排序后的待观测任务,将选中任务应用选择最佳观测时间窗的位置的时间窗安排方式,插入到该轨道上;
S348、判断此时是否遍历所有轨道,若是,获取全局变异后的染色体,若否,则转入S347;判断此时是否达到迭代终止条件,若是,转入S349;若否,则转入S341;
S349、将局部变异后选择的染色体或者全局变异后的染色体放回种群,获取变异后的算法种群。
优选的,所述迭代终止条件包括迭代优化达到设定最高迭代次数或者最佳染色体适应度值保持2k代持续不变。
一种基于遗传算法的遥感卫星对地观测任务规划装置,包括:
获取信息模块,用于获取卫星轨道信息和待观测任务信息;
构建模型模块,用于根据所述卫星轨道信息和待观测任务信息,构建基于时间分割收益的多星任务规划模型;
获取方案模块,用于根据所述多星任务规划模型,采用改进遗传算法,获取最优的多星任务规划方案。
(三)有益效果
本发明提供了一种基于遗传算法的遥感卫星对地观测任务规划方法和装置。与现有技术相比,具备以下有益效果:
本发明包括获取卫星轨道信息和待观测任务信息;根据所述卫星轨道信息和待观测任务信息,构建基于时间分割收益的多星任务规划模型;根据所述多星任务规划模型,采用改进遗传算法,获取最优的多星任务规划方案。本发明从任务选择的观测时间窗不同造成任务观测收益不同的现实出发,分析任务的观测时间窗位置和任务实际观测收益的关系,依据时间分割收益方法确定任务实际观测收益的计算方式;设计改进遗传算法中初始种群的生成方法,在保证种群多样性的前提下,提高算法优化的起点,减少算法运行时间;设计自适应交叉概率计算方法和选择性变异方法,对种群实施有效扰动,避免算法陷入局部最优,从而获得问题高质量的解,完成多星任务规划;极大提高了卫星资源利用率和观测任务完成率。
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为本发明实施例提供的一种基于遗传算法的遥感卫星对地观测任务规划方法的流程示意图;
图2为本发明实施例提供的一种改进遗传算法的编码方式的示意图;
图3为本发明实施例提供的一种染色体交叉过程的示意图;
图4为本发明实施例提供的一种染色体局部变异过程的示意图;
图5为发明实施例提供的一种基于遗传算法的遥感卫星对地观测任务规划装置的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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。
本申请实施例通过提供一种基于遗传算法的遥感卫星对地观测任务规划方法和装置,解决了卫星资源利用率和任务完成率较低的技术问题。
本申请实施例中的技术方案为解决上述技术问题,总体思路如下:
本发明实施例包括获取卫星轨道信息和待观测任务信息;根据所述卫星轨道信息和待观测任务信息,构建基于时间分割收益的多星任务规划模型;根据所述多星任务规划模型,采用改进遗传算法,获取最优的多星任务规划方案。本发明实施例从任务选择的观测时间窗不同造成任务观测收益不同的现实出发,分析任务的观测时间窗位置和任务实际观测收益的关系,依据时间分割收益方法确定任务实际观测收益的计算方式;设计改进遗传算法中初始种群的生成方法,在保证种群多样性的前提下,提高算法优化的起点,减少算法运行时间;设计自适应交叉概率计算方法和选择性变异方法,对种群实施有效扰动,避免算法陷入局部最优,从而获得问题高质量的解,完成多星任务规划;极大提高了卫星资源利用率和观测任务完成率。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例:
第一方面,如图1~4所示,本发明实施例提供了一种基于遗传算法的遥感卫星对地观测任务规划方法,包括:
S1、获取卫星轨道信息和待观测任务信息;
S2、根据所述卫星轨道信息和待观测任务信息,构建基于时间分割收益的多星任务规划模型;
S3、根据所述多星任务规划模型,采用改进遗传算法,获取最优的多星任务规划方案。
所述步骤S3中的改进遗传算法具体包括:
S100、根据问题编码方式,初始化算法种群;
S200、依据染色体选择规则,选择参与交叉操作的父代染色体;
S300、应用自适应概率交叉算子,对两条所述父代染色体执行交叉操作,获取两条子代染色体,从子代染色体与父代染色体中选择两条适应度值较高染色体放回种群;
S400、应用选择性变异算子,从上一步骤得到的算法种群中随机选择染色体执行变异操作,获取变异后的算法种群;
S500、通过比较变异后的算法种群中各染色体适应度值,获得最优染色体。
本发明实施例从任务选择的观测时间窗不同造成任务观测收益不同的现实出发,分析任务的观测时间窗位置和任务实际观测收益的关系,依据时间分割收益方法确定任务实际观测收益的计算方式;设计改进遗传算法中初始种群的生成方法,在保证种群多样性的前提下,提高算法优化的起点,减少算法运行时间;设计自适应交叉概率计算方法和选择性变异方法,对种群实施有效扰动,避免算法陷入局部最优,从而获得问题高质量的解,完成多星任务规划;极大提高了卫星资源利用率和观测任务完成率。
下面对本发明实施例的实现过程进行详细说明:
S1、获取卫星轨道信息和待观测任务信息。
所述待观测任务信息包括待观测任务集和待观测任务属性,所述待观测任务集表示为Task={task1,task2,…,taski,…,taskn},共有n个待观测任务taski;所述待观测任务属性包含所述待观测任务在轨道上是否存在观测时间窗。
卫星对待观测任务可见的一段时间间隔称为卫星对任务的可见时间窗(Visibletime window,VTW);待观测任务从观测开始到观测结束的一段时间间隔称为卫星对任务的观测时间窗(Observation time window,OTW)。
当OTW在VTW最中间位置对任务执行观测时,任务成像质量最好,获得的观测收益最高;当观测时间窗偏离中间位置时(向前偏或向后偏),成像逐渐发生畸形,清晰度和分辨率逐渐降低,获得的观测收益逐渐下降。
为方便计算,本发明实施例假设任务观测收益随着观测时间窗偏离可见时间窗中间位置的程度而均匀下降。以VTW的长度划分任务的最佳观测收益,可获得单位时间段的收益消耗量,根据OTW偏离VTW中间位置的时间长度,即可获得由于时间窗选择的不同造成的总收益消耗量。
所述卫星轨道信息包括卫星轨道集,所述卫星轨道集表示为Orbit={orbit1,orbit2,…,orbitj,…,orbitm},所有卫星共存在m条轨道orbitj。
S2、根据所述卫星轨道信息和待观测任务信息,构建基于时间分割收益的多星任务规划模型。
本发明实施例除考虑任务的实际观测收益外,考虑任务观测唯一性约束、时间窗约束和姿态转换约束等,以最大化任务观测收益为目标,建立基于时间分割收益的多星任务规划模型(Multi-satellite task scheduling model based on time-segmentationrevenue,M-TSR)。
所述基于时间分割收益的多星任务规划模型包括:
表示多星任务规划目标为最大化任务观测收益的适应度函数:
其中,表示待观测任务taski是否在轨道orbitj上观测的二元变量;proi表示待观测任务taski的最佳观测收益;at_proi表示待观测任务taski的实际观收益;表示轨道orbitj上卫星传感器对待观测任务taski的可见时间窗开始时间;表示轨道orbitj上卫星传感器对待观测任务taski的可见时间窗结束时间;表示轨道orbitj上卫星传感器对待观测任务taski的观测时间窗开始时间;表示轨道orbitj上卫星传感器对待观测任务taski的观测时间窗结束时间。
所述基于时间分割收益的多星任务规划模型还包括约束条件:
其中,公式(4)表示一个待观测任务taski最多被观测一次;公式(5)表示卫星对待观测任务taski的观测时间窗一定是可见时间窗的子集;公式(6)表示待观测任务taski的观测时间窗与观测时长的关系,durai表示待观测任务taski的观测时长;公式(7)表示轨道orbitj上两连续观测任务之间应满足传感器的姿态转换时间约束,tri,i+1表示待观测任务taski和taski+1间的姿态转换时间;公式(8)表示传感器的姿态转换时间计算方式,表示待观测任务taski在轨道orbitj上的成像侧摆角度,vj表示轨道orbitj上卫星传感器的旋转速率。
S3、根据所述多星任务规划模型,采用上述改进遗传算法,获取最优的多星任务规划方案。
首先明确本发明实施例提供的改进遗传算法的编码方式:采用十进制的编码方式。以卫星轨道为描述对象,在轨道上依次存放要观测的任务,一条轨道构成一个组基因。所有组基因组成一条染色体,即为多星任务规划问题的一个解。如图2所示,根据规划周期即调度周期和卫星属性划分轨道,在每个轨道圈次上依次存放该圈次要执行的任务,如在轨道2上最先执行任务16,最后执行任务47;在轨道4上依次执行任务18,任务19和任务39。
所述步骤S3具体包括:
S31、根据所述多星任务规划模型,获取初始多星任务规划方案集,并将所述初始多星任务规划方案集作为所述改进遗传算法的初始算法种群,一条轨道对应一个组基因。
为提高遗传算法爬山起点,不采用随机方式生成初始解,本发明实施例设计混合种群生成法(Mixed population generation method,MPGM)生成算法初始解。
待观测任务在可见时间窗内的不同时段成像会获得不同的观测收益,且观测时间窗在可见时间窗最中间时获得最佳观测收益,此时的成像时间窗称为最佳观测时间窗。设种群规模为n,为保证种群多样性,在生成算法初始解时,存在两种时间窗位置的选择方式:选择最佳观测时间窗的位置或随机选择观测时间窗的位置。
首先按照卫星对任务的可见时间窗将任务分配到各个轨道上等待安排,实现任务按轨道的聚类。如:任务1在轨道2、5、8上都存在时间窗,则任务1被分配到三条轨道上,轨道2、5、8都是任务1的候选轨道。其次,随机选择轨道,将轨道上的任务按照最佳收益大小非升序排序后,根据两种时间窗选择规则依次在轨道上安排任务,并在其他轨道待安排任务中删除选中轨道已安排任务。如:首先选中轨道5,并且在轨道5上已经为任务1安排观测时间窗,则在轨道2和轨道8上删除待观测任务1。重复此过程,最终获得初始算法种群。
所述步骤S31具体包括:
S311、根据所述卫星轨道信息和待观测任务属性,向各个轨道分配该轨道可观测的待观测任务子集;
S312、在剩余轨道中随机选择轨道orbitj;
S313、将轨道orbitj对应的待观测任务子集中的候选任务按照最佳观测收益大小非升序排序;
S314、依次选择排序后的待观测任务,将选中任务应用选择最佳观测时间窗的位置或随机选择观测时间窗的位置两种时间窗安排方式中任一种,插入到轨道orbitj上;从第二个任务开始,执行任务间对姿态转化时间约束条件,即约束条件(7)的检查,确保生成解的可行性;
S315、将除轨道orbitj外的轨道的待观测任务子集中已插入到轨道orbitj上的待观测任务删除;若各个轨道已遍历,得到多星任务规划方案,一条轨道对应一个组基因,转入S316;否则转入S312;
S316、根据多个所述多星任务规划方案,获取初始多星任务规划方案集,并将所述初始多星任务规划方案集作为所述改进遗传算法的初始算法种群。
S32、将所述初始算法种群随机分为两部分,计算各部分中染色体对应的适应度值,分别选择最大适应度值对应的染色体作为父代染色体,包括:
S321、将初始算法种群中染色体随机分为两部分,各自为两个小种群P1和P2;
S322、计算P1和P2中染色体的适应度函数值;
S323、将P1和P2中的染色体按照适应度函数值非升序排序;
S324、分别选择P1和P2中适应度函数值最高的染色体作为父代染色体。
S33、应用自适应交叉概率算子,完成两条所述父代染色体基于所述组基因的单点交叉,获取两条子代染色体,从子代染色体与父代染色体中选择两条适应度值较高染色体放回种群。
本发明实施例提供的基于组基因的单点交叉方式如图3所示,选择两条父代染色体,随机确定交叉轨道编号,并以所确定的轨道号分别将两条染色体分割成两部分,并互相交换第二部分染色体,之后进行重复任务的删除和未完成任务的插入。
所述步骤S33具体包括:
S331、计算所述初始算法种群中所有染色体的平均适应度函数值fitmean;
确定交叉概率:
S334、生成随机数r∈[0,1],当r<rcross时,基于所述组基因执行单点交叉操作,转入S335;否则,转入S32,重新选择父代染色体;
S335、随机选择轨道编号j∈{1,2,...,m};
S336、以选中轨道编号j为划分点,将F1划分为F11和F12,将F2划分为F21和F22;
S337、基于贪婪规则删除重复任务:在F22中删除F11中已经安排的任务,并依次连接F11和F22,获得子代z1,并从所述待观测任务集中删除z1中已插入的任务,获得z1对应的未完成任务集;在F12中删除F21中已经安排的任务,并依次连接F21和F12,获得子代z2,并从所述待观测任务集中删除z2中已插入的任务,获得z2对应的未完成任务集;
S338、将子代z1和z2对应的未完成任务集中的任务,在满足约束条件下,分别随机向染色体中插入,获得Z1和Z2;
以上交叉概率计算方法的设计,满足自适应交叉概率的设计要求。与初始算法种群的平均适应度函数值相比,当选中的染色体适应度值较高时,采用较小交叉概率,尽量保证该染色体不被破坏;当选中的染色体的适应度值较低时,采用较大交叉概率,淘汰该染色体。
S34、应用选择性变异算子,从交叉处理后的算法种群中随机选择染色体执行变异操作,获取变异后的算法种群。
本发明实施提供的染色体变异采用组基因上任务突变的方式进行,有局部变异和全局变异两种方式,两种变异方式的选择以染色体最高适应度值保持不变的代数决定。
其中,局部变异如图4所示,随机选择染色体和轨道编号,将选中轨道上的任务全部清空,再将该染色体上未完成任务在满足约束条件下重新插入,完成局部变异。
局部变异对染色体状态改变较小,当染色体的最高适应度值连续保持预设k代不变时,执行全局变异。全局变异可以描述为:将选中染色体的全部轨道上的任务清空,应用初始解中染色体生成方法,只选择最佳观测时间窗重新插入任务,完成染色体更新。
所述步骤S34具体包括:
S341、若执行交叉处理后的算法种群中的染色体最大适应度值保持不变的代数比预设的k代小时,转入S342;否则转入S345;
S342、从上述算法种群中随机选择一条染色体上的一条轨道,并清空选中轨道的所有待观测任务,将清空的待观测任务放入该染色体的未完成任务集中;
S343、根据所述多星任务规划模型,将该染色体的未完成任务集中的待观测任务随机插入所有轨道中,获取局部变异后的染色体;
S344、比较所述局部变异后的染色体和所述随机选中的原染色体的适应度值,选择适应度值大的染色体放回种群中,判断此时是否达到迭代终止条件,若是,转入S349;若否,则转入S341;
S345、从上述算法种群中随机选择染色体,并清空所有待观测任务;
S346、根据所述卫星轨道信息和待观测任务属性,将所有待观测任务向各个轨道重新分配该轨道可观测的待观测任务子集;
S347、在剩余轨道中随机选择轨道,将所述该轨道可观测的待观测任务按照最佳观测收益大小非升序排序,依次选择排序后的待观测任务,将选中任务应用选择最佳观测时间窗的位置的时间窗安排方式,插入到该轨道上;
S348、判断此时是否遍历所有轨道,若是,获取全局变异后的染色体,若否,则转入S347;判断此时是否达到迭代终止条件,若是,转入S349;若否,则转入S341;
S349、将局部变异后选择的染色体或者全局变异后的染色体放回种群,获取变异后的算法种群。
特别的,所述迭代终止条件包括迭代优化达到设定最高迭代次数或者最佳染色体适应度值保持2k代持续不变。
S35、通过比较变异后的算法种群中各染色体适应度值,获得最优染色体,最优染色体对应的规划方案即为所述最优的多星任务规划方案。
第二方面,如图5所示,本发明实施例还提供了一种基于遗传算法的遥感卫星对地观测任务规划装置,包括:
获取信息模块,用于获取卫星轨道信息和待观测任务信息;
构建模型模块,用于根据所述卫星轨道信息和待观测任务信息,构建基于时间分割收益的多星任务规划模型;
获取方案模块,用于根据所述多星任务规划模型,采用改进遗传算法,获取最优的多星任务规划方案。
可理解的是,本发明实施例提供的基于遗传算法的遥感卫星对地观测任务规划装置与上述基于遗传算法的遥感卫星对地观测任务规划方法相对应,其有关内容的解释、举例、有益效果等部分可以参考基于遗传算法的遥感卫星对地观测任务规划方法中的相应内容,此处不再赘述。
综上所述,与现有技术相比,具备以下有益效果:
本发明实施例从任务选择的观测时间窗不同造成任务观测收益不同的现实出发,分析任务的观测时间窗位置和任务实际观测收益的关系,依据时间分割收益方法确定任务实际观测收益的计算方式;设计改进遗传算法中初始种群的生成方法,在保证种群多样性的前提下,提高算法优化的起点,减少算法运行时间;设计自适应交叉概率计算方法和选择性变异方法,对种群实施有效扰动,避免算法陷入局部最优,从而获得问题高质量的解,完成多星任务规划;极大提高了卫星资源利用率和观测任务完成率。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上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精神和范围。
Claims (10)
1.一种基于遗传算法的遥感卫星对地观测任务规划方法,其特征在于,包括:
S1、获取卫星轨道信息和待观测任务信息;
S2、根据所述卫星轨道信息和待观测任务信息,构建基于时间分割收益的多星任务规划模型;
S3、根据所述多星任务规划模型,采用改进遗传算法,获取最优的多星任务规划方案。
2.如权利要求1所述的基于遗传算法的遥感卫星对地观测任务规划方法,其特征在于,所述步骤S3中的改进遗传算法具体包括:
S100、根据问题编码方式,初始化算法种群;
S200、依据染色体选择规则,选择参与交叉操作的父代染色体;
S300、应用自适应概率交叉算子,对两条所述父代染色体执行交叉操作,获取两条子代染色体,从子代染色体与父代染色体中选择两条适应度值较高染色体放回种群;
S400、应用选择性变异算子,从上一步骤得到的算法种群中随机选择染色体执行变异操作,获取变异后的算法种群;
S500、通过比较变异后的算法种群中各染色体适应度值,获得最优染色体。
3.如权利要求2所述的基于遗传算法的遥感卫星对地观测任务规划方法,其特征在于,所述步骤S2中基于时间分割收益的多星任务规划模型包括:
表示多星任务规划目标为最大化任务观测收益的适应度函数:
其中,所述待观测任务信息包括待观测任务集,所述待观测任务集表示为Task={task1,task2,…,taski,…,taskn},共有n个待观测任务taski;卫星轨道集表示为Orbit={orbit1,orbit2,…,orbitj,…,orbitm},所有卫星共存在m条轨道orbitj;
4.如权利要求3所述的基于遗传算法的遥感卫星对地观测任务规划方法,其特征在于,所述基于时间分割收益的多星任务规划模型还包括约束条件:
5.如权利要求4所述的基于遗传算法的遥感卫星对地观测任务规划方法,其特征在于,所述步骤S3具体包括:
S31、根据所述多星任务规划模型,获取初始多星任务规划方案集,并将所述初始多星任务规划方案集作为所述改进遗传算法的初始算法种群,一条轨道对应一个组基因;
S32、将所述初始算法种群随机分为两部分,计算各部分中染色体对应的适应度值,分别选择最大适应度值对应的染色体作为父代染色体;
S33、应用自适应交叉概率算子,完成两条所述父代染色体基于所述组基因的单点交叉,获取两条子代染色体,从子代染色体与父代染色体中选择两条适应度值较高染色体放回种群;
S34、应用选择性变异算子,从交叉处理后的算法种群中随机选择染色体执行变异操作,获取变异后的算法种群;
S35、通过比较变异后的算法种群中各染色体适应度值,获得最优染色体,最优染色体对应的规划方案即为所述最优的多星任务规划方案。
6.如权利要求5所述的基于遗传算法的遥感卫星对地观测任务规划方法,其特征在于,所述步骤S31具体包括:
S311、根据所述卫星轨道信息和待观测任务属性,向各个轨道分配该轨道可观测的待观测任务子集;所述待观测任务信息包括待观测任务属性;
S312、在剩余轨道中随机选择轨道orbitj;
S313、将轨道orbitj对应的待观测任务子集中的候选任务按照最佳观测收益大小非升序排序;
S314、依次选择排序后的待观测任务,将选中任务应用选择最佳观测时间窗的位置或随机选择观测时间窗的位置两种时间窗安排方式中任一种,插入到轨道orbitj上;从第二个任务开始,执行任务间对姿态转化时间约束条件的检查;
S315、将除轨道orbitj外的轨道的待观测任务子集中已插入到轨道orbitj上的待观测任务删除;若各个轨道已遍历,得到多星任务规划方案,一条轨道对应一个组基因,转入S316;否则转入S312;
S316、根据多个所述多星任务规划方案,获取初始多星任务规划方案集,并将所述初始多星任务规划方案集作为所述改进遗传算法的初始算法种群。
7.如权利要求6所述的基于遗传算法的遥感卫星对地观测任务规划方法,其特征在于,所述步骤S33具体包括:
S331、计算所述初始算法种群中所有染色体的平均适应度函数值fitmean;
确定交叉概率:
S334、生成随机数r∈[0,1],当r<rcross时,基于所述组基因执行单点交叉操作,转入S335;否则,转入S32,重新选择父代染色体;
S335、随机选择轨道编号j∈{1,2,...,m};
S336、以选中轨道编号j为划分点,将F1划分为F11和F12,将F2划分为F21和F22;
S337、基于贪婪规则删除重复任务:在F22中删除F11中已经安排的任务,并依次连接F11和F22,获得子代z1,并从所述待观测任务集中删除z1中已插入的任务,获得z1对应的未完成任务集;在F12中删除F21中已经安排的任务,并依次连接F21和F12,获得子代z2,并从所述待观测任务集中删除z2中已插入的任务,获得z2对应的未完成任务集;
S338、将子代z1和z2对应的未完成任务集中的任务,在满足约束条件下,分别随机向染色体中插入,获得Z1和Z2;
8.如权利要求7所述的基于遗传算法的遥感卫星对地观测任务规划方法,其特征在于,所述步骤S34具体包括:
S341、若执行交叉处理后的算法种群中的染色体最大适应度值保持不变的代数比预设的k代小时,转入S342;否则转入S345;
S342、从上述算法种群中随机选择一条染色体上的一条轨道,并清空选中轨道的所有待观测任务,将清空的待观测任务放入该染色体的未完成任务集中;
S343、根据所述多星任务规划模型,将该染色体的未完成任务集中的待观测任务随机插入所有轨道中,获取局部变异后的染色体;
S344、比较所述局部变异后的染色体和所述随机选中的原染色体的适应度值,选择适应度值大的染色体放回种群中,判断此时是否达到迭代终止条件,若是,转入S349;若否,则转入S341;
S345、从上述算法种群中随机选择染色体,并清空所有待观测任务;
S346、根据所述卫星轨道信息和待观测任务属性,将所有待观测任务向各个轨道重新分配该轨道可观测的待观测任务子集;
S347、在剩余轨道中随机选择轨道,将所述该轨道可观测的待观测任务按照最佳观测收益大小非升序排序,依次选择排序后的待观测任务,将选中任务应用选择最佳观测时间窗的位置的时间窗安排方式,插入到该轨道上;
S348、判断此时是否遍历所有轨道,若是,获取全局变异后的染色体,若否,转入步骤S347;判断此时是否达到迭代终止条件,若是,转入S349;若否,则转入S341;
S349、将局部变异后选择的染色体或者全局变异后的染色体放回种群,获取变异后的算法种群。
9.如权利要求8所述的基于遗传算法的遥感卫星对地观测任务规划方法,其特征在于,所述迭代终止条件包括迭代优化达到设定最高迭代次数或者最佳染色体适应度值保持2k代持续不变。
10.一种基于遗传算法的遥感卫星对地观测任务规划装置,其特征在于,包括:
获取信息模块,用于获取卫星轨道信息和待观测任务信息;
构建模型模块,用于根据所述卫星轨道信息和待观测任务信息,构建基于时间分割收益的多星任务规划模型;
获取方案模块,用于根据所述多星任务规划模型,采用改进遗传算法,获取最优的多星任务规划方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110480540.4A CN113313355B (zh) | 2021-04-30 | 2021-04-30 | 基于遗传算法的遥感卫星对地观测任务规划方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110480540.4A CN113313355B (zh) | 2021-04-30 | 2021-04-30 | 基于遗传算法的遥感卫星对地观测任务规划方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113313355A true CN113313355A (zh) | 2021-08-27 |
CN113313355B CN113313355B (zh) | 2022-09-30 |
Family
ID=77371363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110480540.4A Active CN113313355B (zh) | 2021-04-30 | 2021-04-30 | 基于遗传算法的遥感卫星对地观测任务规划方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113313355B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706050A (zh) * | 2021-09-07 | 2021-11-26 | 合肥工业大学 | 基于自适应遗传算法的多卫星区域观测规划方法 |
CN113902277A (zh) * | 2021-09-29 | 2022-01-07 | 广东电网有限责任公司 | 输电线路任务规划方法、装置、终端设备及存储介质 |
CN114239986A (zh) * | 2021-12-23 | 2022-03-25 | 湖南云箭智能科技有限公司 | 一种卫星时间窗调配方法、装置、设备及可读存储介质 |
CN115620167A (zh) * | 2022-11-16 | 2023-01-17 | 北京轨道未来空间科技有限公司 | 卫星遥感图像分析方法 |
CN116449859A (zh) * | 2023-04-28 | 2023-07-18 | 中交一公局第七工程有限公司 | 一种基于无人机技术的复杂山区便道规划方法及系统 |
CN118153671A (zh) * | 2024-05-09 | 2024-06-07 | 中国人民解放军国防科技大学 | 基于遗传算法的固定站卫星观测方法、系统、设备和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160009425A1 (en) * | 2014-07-10 | 2016-01-14 | The Aerospace Corporation | Systems and Methods for Optimizing Satellite Constellation Deployment |
CN106951312A (zh) * | 2016-08-31 | 2017-07-14 | 合肥工业大学 | 多星任务的调度方法及系统 |
CN108880663A (zh) * | 2018-07-20 | 2018-11-23 | 大连大学 | 基于改进遗传算法的天地一体化网络资源分配方法 |
CN111913785A (zh) * | 2020-06-10 | 2020-11-10 | 合肥工业大学 | 多星任务调度方法和系统 |
-
2021
- 2021-04-30 CN CN202110480540.4A patent/CN113313355B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160009425A1 (en) * | 2014-07-10 | 2016-01-14 | The Aerospace Corporation | Systems and Methods for Optimizing Satellite Constellation Deployment |
CN106951312A (zh) * | 2016-08-31 | 2017-07-14 | 合肥工业大学 | 多星任务的调度方法及系统 |
CN108880663A (zh) * | 2018-07-20 | 2018-11-23 | 大连大学 | 基于改进遗传算法的天地一体化网络资源分配方法 |
CN111913785A (zh) * | 2020-06-10 | 2020-11-10 | 合肥工业大学 | 多星任务调度方法和系统 |
Non-Patent Citations (4)
Title |
---|
YINTAO HOU等: "Research on Dynamic Assignment of Satellite Communication Tasks Based on GA Algorithm", 《2020 IEEE 5TH INFORMATION TECHNOLOGY AND MECHATRONICS ENGINEERING CONFERENCE (ITOEC)》 * |
刘翔等: "基于贪婪策略的遗传算法求解多星观测任务优化", 《无线电工程》 * |
张超等: "多敏捷卫星协同任务规划调度方法", 《科学技术与工程》 * |
靳鹏等: "卫星目标资源综合优化调度仿真研究", 《计算机仿真》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706050A (zh) * | 2021-09-07 | 2021-11-26 | 合肥工业大学 | 基于自适应遗传算法的多卫星区域观测规划方法 |
CN113706050B (zh) * | 2021-09-07 | 2023-06-27 | 合肥工业大学 | 基于自适应遗传算法的多卫星区域观测规划方法 |
CN113902277A (zh) * | 2021-09-29 | 2022-01-07 | 广东电网有限责任公司 | 输电线路任务规划方法、装置、终端设备及存储介质 |
CN114239986A (zh) * | 2021-12-23 | 2022-03-25 | 湖南云箭智能科技有限公司 | 一种卫星时间窗调配方法、装置、设备及可读存储介质 |
CN115620167A (zh) * | 2022-11-16 | 2023-01-17 | 北京轨道未来空间科技有限公司 | 卫星遥感图像分析方法 |
CN116449859A (zh) * | 2023-04-28 | 2023-07-18 | 中交一公局第七工程有限公司 | 一种基于无人机技术的复杂山区便道规划方法及系统 |
CN116449859B (zh) * | 2023-04-28 | 2024-03-26 | 中交一公局第七工程有限公司 | 一种基于无人机技术的复杂山区便道规划方法及系统 |
CN118153671A (zh) * | 2024-05-09 | 2024-06-07 | 中国人民解放军国防科技大学 | 基于遗传算法的固定站卫星观测方法、系统、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113313355B (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113313355B (zh) | 基于遗传算法的遥感卫星对地观测任务规划方法与装置 | |
CN111913787B (zh) | 基于遗传算法的成像卫星调度方法和系统 | |
EP3406531B1 (en) | Innovative satellite scheduling method based on genetic algorithms and simulated annealing and related mission planner | |
CN109409775B (zh) | 一种卫星联合观测任务规划方法 | |
US8250007B2 (en) | Method of generating precedence-preserving crossover and mutation operations in genetic algorithms | |
CN109960544B (zh) | 基于数据驱动型敏捷卫星任务并行调度方法 | |
CN109933842A (zh) | 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 | |
CN116307535B (zh) | 一种基于改进差分进化算法的多星协作成像任务规划方法 | |
CN110400002A (zh) | 一种多星成像任务规划方法 | |
CN111913786B (zh) | 基于时间窗分割的卫星任务调度方法和系统 | |
CN110515708A (zh) | 卫星在轨自主任务规划方法及系统 | |
CN111612384B (zh) | 一种具有时间分辨率约束的多星接力任务规划方法 | |
CN110941261A (zh) | 一种自主式水下航行器多区域遍历路径规划方法 | |
CN113568426B (zh) | 一种基于多星多载荷的卫星集群协同规划方法 | |
CN111832934A (zh) | 面向突发需求的模拟退火多星应急任务规划方法 | |
CN112529317A (zh) | 卫星成像任务规划方法、装置、电子设备及存储介质 | |
Yang et al. | The bi-objective active-scan agile earth observation satellite scheduling problem: Modeling and solution approach | |
CN117611974B (zh) | 基于多种群交替进化神经结构搜索的图像识别方法及系统 | |
CN117349732A (zh) | 基于人工智能的高流量湿化治疗仪管理方法及系统 | |
CN115203631A (zh) | 一种基于改进遗传算法的多模态数据分析方法、系统 | |
CN115186807A (zh) | 利用乐观映射提升值分解多智能体强化学习算法性能的方法 | |
CN108037986A (zh) | 一种双星星簇的目标观测方法 | |
CN115034557A (zh) | 一种敏捷卫星应急任务规划方法 | |
CN115562835A (zh) | 基于数据驱动的敏捷卫星成像任务调度方法及系统 | |
CN114565203A (zh) | 一种基于大邻域搜索算法和K-means的多星多任务规划方法 |
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 |