CN113706050A - 基于自适应遗传算法的多卫星区域观测规划方法 - Google Patents

基于自适应遗传算法的多卫星区域观测规划方法 Download PDF

Info

Publication number
CN113706050A
CN113706050A CN202111047498.3A CN202111047498A CN113706050A CN 113706050 A CN113706050 A CN 113706050A CN 202111047498 A CN202111047498 A CN 202111047498A CN 113706050 A CN113706050 A CN 113706050A
Authority
CN
China
Prior art keywords
chromosome
observation
population
iteration
ith
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
Application number
CN202111047498.3A
Other languages
English (en)
Other versions
CN113706050B (zh
Inventor
胡笑旋
伍艺
夏维
孙海权
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202111047498.3A priority Critical patent/CN113706050B/zh
Publication of CN113706050A publication Critical patent/CN113706050A/zh
Application granted granted Critical
Publication of CN113706050B publication Critical patent/CN113706050B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于自适应遗传算法的多卫星区域观测规划方法，其步骤包括：1、将局部网格嵌套方法与遗传算法结合起来，通过查找群体存储的网格及条带信息减少不必要的冗余和重复计算；2、提出了一种双层遗传编码方式，有效表示从不同层次选择的条带构成的观测方案；3、提出一种自适应概率函数，根据已有解的信息自适应地决定局部区域是否需要进行嵌套；4、通过变异和交叉操作获得新的可行观测方案，提升种群多样性。本发明能仅占用较少的计算资源快速得到覆盖率较高的多卫星区域观测条带方案，提高卫星资源的利用效率。

Description

基于自适应遗传算法的多卫星区域观测规划方法
技术领域
本发明属于卫星任务规划领域，具体的说是一种基于自适应遗传算法的多卫星区域观测规划方法。
背景技术
地球观测卫星(EOS：Earth Observation Satellite)，或称为成像卫星(以下简称为“卫星”)，其主要功能之一是通过星载传感器(如可见光相机、多光谱相机)对陆地、海洋、大气等进行观测。观测的需求由来自农业、林业、海洋、国土、环保、气象等各个领域、各个部门的用户提出，在卫星的地面管控中心汇总，管控中心根据观测需求，结合卫星资源使用情况，综合制定各个卫星的成像观测计划，并生成测控指令，经由地面测控站上传给卫星，卫星在接收到指令后作出相应的动作，对指定的区域进行成像，所成影像数据暂时保存在星载硬盘上，当行至与地面站可通信时，将影像数据下传至地面站。在该过程中，地面管控中心制定卫星成像计划的环节称为卫星任务规划，是整个卫星使用管理过程中的关键环节之一。
由于卫星的运行受轨道限制，单颗卫星一次过境只能拍摄一个有限长度和宽度的条带区域，如果待观测的区域较大，则单颗卫星多次过境也难以完整观测整个区域。在这种情况下，必须调动多颗卫星同时规划以提供协同观测。但卫星资源有限，为了更好的利用现有的卫星观测资源，应当制定一个合理的计划，需要根据目标区域信息和卫星的参数来规划卫星在运行到达目标区域上空时的观测姿态、观测的起始时间以及结束时间，使得多颗卫星的协同观测范围对目标区域的覆盖率尽可能大。这是一类典型的运筹优化问题，存在迫切的现实需求。
在多卫星区域观测问题的处理中，网格离散化方法是目前区域处理的常用手段。然而，网格离散法在使用中很难直接确定最佳网格粒度，关于网格粒度的确定，在大多数实际应用中都是凭借经验确定的。当网格划分的粒度较大时，在此基础上构造出的条带会比较稀疏，不利于方案的组合；当网格划分的粒度较小时，会产生数量较大的网格，随之产生的条带不仅数量较大，在位置上的排列也非常密集，会造成较大的计算负担和搜索负担。
发明内容
本发明是为了解决上述现有技术存在的不足之处，提出一种基于自适应遗传算法的多卫星区域观测规划方法，以期能以合适的计算资源得到较好的多卫星协同观测方案，从而能在实际环境下充分利用卫星资源，提升卫星利用效率。
本发明为达到上述发明目的，采用如下技术方案：
本发明一种基于自适应遗传算法的多卫星区域观测规划方法的特点在于，是应用于多颗卫星共同观测一个目标区域R的观测任务中，假设所有卫星的观测时间窗口集合为C＝{c1,c2,...,ci,...,cn}，ci表示第i个观测机会，n表示观测机会总数；用|R|表示目标区域R的面积；用
Figure BDA0003250012750000021
表示第i个观测机会ci对应的局部区域；用K表示当前网格层级，并设定最大嵌套层级数为Kmax；用
Figure BDA0003250012750000022
表示第i个观测机会ci在第K层网格上构成条带的集合，其中，
Figure BDA0003250012750000023
表示第i个观测机会ci在第K层构造出的第j个条带，
Figure BDA0003250012750000024
表示第i个观测机会ci在第K层构造出的条带的数量；
步骤1、初始化K＝1，将目标区域R进行初始网格划分，得到第K层网格；
步骤2、在第K层网格上为第i个观测机会ci构造出对应的备选条带，从而得到第i个观测机会ci的第K层条带集合
Figure BDA0003250012750000025
步骤3、初始化遗传算法的各个参数，包括：种群规模Z、当前种群规模z、当前进化次数G、最大进化代数Gmax；
步骤4、使用2行n列的双层染色体记录选中的条带，其中，n为染色体的长度，即观测机会的数量；双层染色体的第一行记录选中条带的所在层级K，第二行记录所选条带在其所在条带集合中的编号；双层染色体中位于长度的第i个位置上的层级K和编号j所构成的一对数表示第i个观测机会ci选择第j个条带
Figure BDA0003250012750000026
步骤5、构造初始种群：
步骤5.1、令z＝1；
步骤5.2、令i＝1；
步骤5.3、从集合Si K中随机选择一个条带作为第i个观测机会ci在第K层网格上的条带；
步骤5.4、令i+1赋值给i，重复步骤5.3，直到i＝n为止，从而得到一个初始解；
步骤5.5、令z+1赋值给z，重复步骤5.3步骤5.4，直到z＝Z为止，从而构造初始种群；
步骤6、令G＝1，将初始种群作为当前第G次迭代的种群，直到G＝Gmax为止，从而得到第Gmax次迭代的种群，并选择适应度值最大的染色体作为遥感卫星区域观测方案：
步骤6.1、从当前第G次迭代的种群中随机选择一个染色体，作为变异父染色体F，并对变异父染色体F进行变异后得到新的染色体O：
步骤6.1.1、从变异父染色体F中随机选择一个观测机会ci及其对应的一个条带
Figure BDA0003250012750000031
步骤6.1.2、如果K＜Kmax，计算条带
Figure BDA0003250012750000032
发生嵌套变异的概率
Figure BDA0003250012750000033
步骤6.1.3、随机生成一个0到1的数p′∈(0,1)，如果
Figure BDA0003250012750000034
则转步骤6.1.4；否则，令条带
Figure BDA0003250012750000035
所在的条带集合
Figure BDA0003250012750000036
为当前第G次迭代的条带集合，并转步骤6.1.6；
步骤6.1.4、判断观测机会ci是否是第一次从第K层网格到第K+1层网格进行变异，若是，则对局部区域
Figure BDA0003250012750000037
里的每个单元格进行划分，构造出观测机会ci在第K+1层上的条带集合
Figure BDA0003250012750000038
并作为当前第G次迭代的条带集合后保存，否则，直接查找到条带集合
Figure BDA0003250012750000039
并作为第G次迭代的当前条带集合；
步骤6.1.5、从当前第G次迭代的条带集合中随机选择一个条带，与变异父染色体F中剩余的条带组合成一个新的解，即为变异父染色体F变异后得到的新的染色体O；
步骤6.2、从当前第G次迭代的种群中随机选则两个染色体FA和FB并进行交叉操作，得到交叉后的染色体OA和OB：
步骤6.2.1、计算发生交换的条带数量
Figure BDA00032500127500000310
步骤6.2.2、随机选择α个发生交叉的观测机会，并从染色体FA中删除这α个观测机会对应的条带，并替换成染色体FB中对应观测机会的条带，从而得到交叉后的新染色体OA；
步骤6.2.3、从染色体FB中删除α个观测机会对应的条带，并替换成染色体FA中对应观测机会的条带，从而得到交叉后的新染色体OB；
步骤6.3、将新的染色体O，交叉后的新染色体OA和OB加入当前第G次迭代的种群中；
步骤6.4、令双层染色体的适应度值为所有条带的共同有效覆盖面积与目标区域的面积|R|的比值；
步骤6.5、对当前第G次迭代的种群中的所有染色体按照适应度值降序排列，删除第G次迭代的种群中适应度值较低的3个个体，使第G次迭代的群规模恢复到Z。
本发明所述的基于自适应遗传算法的多卫星区域观测规划方法的特点也在于，所述步骤6.1.2中，是按如下步骤计算发生变异的概率
Figure BDA00032500127500000311
步骤6.1.2.1、计算选中条带
Figure BDA0003250012750000041
的面积
Figure BDA0003250012750000042
计算在变异父染色体F中仅被条带
Figure BDA0003250012750000043
覆盖的区域r，计算区域r的面积|r|，计算条带有效率
Figure BDA0003250012750000044
步骤6.1.2.2、计算实际覆盖率
Figure BDA0003250012750000045
步骤6.1.2.3、将第i个观测机会ci在K层上的条带集合中的条带数量表示为
Figure BDA0003250012750000046
计算规模扩大系数
Figure BDA0003250012750000047
当K＝1时，令
Figure BDA0003250012750000048
步骤6.1.2.4、利用式(1)计算第i个机会发生嵌套的概率
Figure BDA0003250012750000049
Figure BDA00032500127500000410
式(1)中，α,β,γ表示三个参数，且α+β+γ＝1。
与现有技术相比，本发明的有益效果在于：
本发明将局部区域和遗传算法结合起来，采用“因地制宜”的思想自适应地判断局部区域的嵌套层次，并借鉴了“他山之石，可以攻玉”的理念利用遗传算法的种群迭代特点，在不同个体的相同位置进行类似的嵌套变异时，调用种群中其他个体变异所得的信息，从而避免了重复同样的操作，在大大降低了冗余计算同时保证了观测方案搜索的效果。
附图说明
图1为本发明基于自适应遗传算法的多卫星区域观测规划方法的流程图；
图2为本发明多卫星区域目标协同观测示意图；
图3为本发明双层染色体示意图；
图4为本发明染色体变异示意图；
图5为本发明染色体交叉示意图。
具体实施方式
本实施例中，如图2所示，一种基于自适应遗传算法的多卫星区域观测规划方法，是应用于多颗卫星共同观测一个目标区域R的观测任务中，假设所有卫星的观测时间窗口集合为C＝{c1,c2,...,ci,...,cn}，ci表示第i个观测机会，n表示观测机会总数；用|R|表示目标区域R的面积；用
Figure BDA00032500127500000411
表示第i个观测机会ci对应的局部区域；用K表示当前网格层级，并设定最大嵌套层级数为Kmax；用
Figure BDA0003250012750000051
表示第i个观测机会ci在第K层网格上构成条带的集合，其中，
Figure BDA0003250012750000052
表示第i个观测机会ci在第K层构造出的第j个条带，
Figure BDA0003250012750000053
表示第i个观测机会ci在第K层构造出的条带的数量；如图1所示，该多卫星区域观测规划方法是按如下步骤进行：
步骤1、初始化K＝1，将目标区域R进行初始网格划分，得到第K层网格；
步骤2、在第K层网格上为第i个观测机会ci构造出对应的备选条带，从而得到第i个观测机会ci的第K层条带集合
Figure BDA0003250012750000054
步骤3、初始化遗传算法的各个参数，包括：种群规模Z、当前种群规模z、当前进化次数G、最大进化代数Gmax；
步骤4、如图3所示，使用2行n列的双层染色体记录选中的条带，其中，n为染色体的长度，即观测机会的数量；双层染色体的第一行记录选中条带的所在层级K，第二行记录所选条带在其所在条带集合中的编号；双层染色体中位于长度的第i个位置上的层级K和编号j所构成的一对数表示第i个观测机会ci选择第j个条带
Figure BDA0003250012750000055
步骤5、构造初始种群：
步骤5.1、令z＝1；
步骤5.2、令i＝1；
步骤5.3、从集合
Figure BDA0003250012750000056
中随机选择一个条带作为第i个观测机会ci在第K层网格上的条带；
步骤5.4、令i+1赋值给i，重复步骤5.3，直到i＝n为止，从而得到一个初始解；
步骤5.5、令z+1赋值给z，重复步骤5.3步骤5.4，直到z＝Z为止，从而构造初始种群；
步骤6、令G＝1，将初始种群作为当前第G次迭代的种群，直到G＝Gmax为止，从而得到第Gmax次迭代的种群，并选择适应度值最大的染色体作为遥感卫星区域观测方案：
步骤6.1、如图4所示，从当前第G次迭代的种群中随机选择一个染色体，作为变异父染色体F，并对变异父染色体F进行变异后得到新的染色体O：
步骤6.1.1、从变异父染色体F中随机选择一个观测机会ci及其对应的一个条带
Figure BDA0003250012750000057
步骤6.1.2、如果K＜Kmax，计算条带
Figure BDA0003250012750000058
发生嵌套变异的概率
Figure BDA0003250012750000059
步骤6.1.2.1、计算选中条带
Figure BDA0003250012750000061
的面积
Figure BDA0003250012750000062
计算在变异父染色体F中仅被条带
Figure BDA0003250012750000063
覆盖的区域r，计算区域r的面积|r|，计算条带有效率
Figure BDA0003250012750000064
步骤6.1.2.2、计算实际覆盖率
Figure BDA0003250012750000065
步骤6.1.2.3、将第i个观测机会ci在K层上的条带集合中的条带数量表示为
Figure BDA0003250012750000066
计算规模扩大系数
Figure BDA0003250012750000067
当K＝1时，令
Figure BDA0003250012750000068
步骤6.1.2.4、利用式(1)计算第i个机会发生嵌套的概率
Figure BDA0003250012750000069
Figure BDA00032500127500000610
式(1)中，α,β,γ表示三个参数，α,β,γ∈(0,1)且α+β+γ＝1。
步骤6.1.3、随机生成一个0到1的数p′∈(0,1)，如果
Figure BDA00032500127500000611
则转步骤6.1.4；否则，令条带
Figure BDA00032500127500000612
所在的条带集合
Figure BDA00032500127500000613
为当前第G次迭代的条带集合，并转步骤6.1.6；
步骤6.1.4、判断观测机会ci是否是第一次从第K层网格到第K+1层网格进行变异，若是，则对局部区域
Figure BDA00032500127500000614
里的每个单元格进行划分，构造出观测机会ci在第K+1层上的条带集合
Figure BDA00032500127500000615
并作为当前第G次迭代的条带集合后保存下来，否则，直接查找到条带集合
Figure BDA00032500127500000616
并作为第G次迭代的当前条带集合；
步骤6.1.5、从当前第G次迭代的条带集合中随机选择一个条带，与变异父染色体F中剩余的条带组合成一个新的解，即为变异父染色体F变异后得到的新的染色体O；
步骤6.2、如图5所示，从当前第G次迭代的种群中随机选则两个染色体FA和FB并进行交叉操作，得到交叉后的染色体OA和OB：
步骤6.2.1、计算发生交换的条带数量
Figure BDA00032500127500000617
步骤6.2.2、随机选择α个发生交叉的观测机会，并从染色体FA中删除这α个观测机会对应的条带，并替换成染色体FB中对应观测机会的条带，从而得到交叉后的新染色体OA；
步骤6.2.3、从染色体FB中删除α个观测机会对应的条带，并替换成染色体FA中对应观测机会的条带，从而得到交叉后的新染色体OB；
步骤6.3、将新的染色体O，交叉后的新染色体OA和OB加入当前第G次迭代的种群中；
步骤6.4、令双层染色体的适应度值为所有条带的共同有效覆盖面积与目标区域的面积|R|的比值；
步骤6.5、对当前第G次迭代的种群中的所有染色体按照适应度值降序排列，删除第G次迭代的种群中适应度值较低的3个个体，使第G次迭代的群规模恢复到Z。

Claims (2)

1.一种基于自适应遗传算法的多卫星区域观测规划方法，其特征在于，是应用于多颗卫星共同观测一个目标区域R的观测任务中，假设所有卫星的观测时间窗口集合为C＝{c1,c2,...,ci,...,cn}，ci表示第i个观测机会，n表示观测机会总数；用|R|表示目标区域R的面积；用
Figure FDA0003250012740000017
表示第i个观测机会ci对应的局部区域；用K表示当前网格层级，并设定最大嵌套层级数为Kmax；用
Figure FDA0003250012740000011
表示第i个观测机会ci在第K层网格上构成条带的集合，其中，
Figure FDA0003250012740000012
表示第i个观测机会ci在第K层构造出的第j个条带，
Figure FDA0003250012740000013
表示第i个观测机会ci在第K层构造出的条带的数量；
步骤1、初始化K＝1，将目标区域R进行初始网格划分，得到第K层网格；
步骤2、在第K层网格上为第i个观测机会ci构造出对应的备选条带，从而得到第i个观测机会ci的第K层条带集合
Figure FDA0003250012740000014
步骤3、初始化遗传算法的各个参数，包括：种群规模Z、当前种群规模z、当前进化次数G、最大进化代数Gmax；
步骤4、使用2行n列的双层染色体记录选中的条带，其中，n为染色体的长度，即观测机会的数量；双层染色体的第一行记录选中条带的所在层级K，第二行记录所选条带在其所在条带集合中的编号；双层染色体中位于长度的第i个位置上的层级K和编号j所构成的一对数表示第i个观测机会ci选择第j个条带
Figure FDA0003250012740000015
步骤5、构造初始种群：
步骤5.1、令z＝1；
步骤5.2、令i＝1；
步骤5.3、从集合
Figure FDA0003250012740000016
中随机选择一个条带作为第i个观测机会ci在第K层网格上的条带；
步骤5.4、令i+1赋值给i，重复步骤5.3，直到i＝n为止，从而得到一个初始解；
步骤5.5、令z+1赋值给z，重复步骤5.3步骤5.4，直到z＝Z为止，从而构造初始种群；
步骤6、令G＝1，将初始种群作为当前第G次迭代的种群，直到G＝Gmax为止，从而得到第Gmax次迭代的种群，并选择适应度值最大的染色体作为遥感卫星区域观测方案：
步骤6.1、从当前第G次迭代的种群中随机选择一个染色体，作为变异父染色体F，并对变异父染色体F进行变异后得到新的染色体O：
步骤6.1.1、从变异父染色体F中随机选择一个观测机会ci及其对应的一个条带
Figure FDA0003250012740000021
步骤6.1.2、如果K＜Kmax，计算条带
Figure FDA0003250012740000022
发生嵌套变异的概率
Figure FDA0003250012740000023
步骤6.1.3、随机生成一个0到1的数p′∈(0,1)，如果
Figure FDA0003250012740000024
则转步骤6.1.4；否则，令条带
Figure FDA0003250012740000025
所在的条带集合
Figure FDA0003250012740000026
为当前第G次迭代的条带集合，并转步骤6.1.6；
步骤6.1.4、判断观测机会ci是否是第一次从第K层网格到第K+1层网格进行变异，若是，则对局部区域
Figure FDA0003250012740000027
里的每个单元格进行划分，构造出观测机会ci在第K+1层上的条带集合
Figure FDA0003250012740000028
并作为当前第G次迭代的条带集合后保存，否则，直接查找到条带集合
Figure FDA0003250012740000029
并作为第G次迭代的当前条带集合；
步骤6.1.5、从当前第G次迭代的条带集合中随机选择一个条带，与变异父染色体F中剩余的条带组合成一个新的解，即为变异父染色体F变异后得到的新的染色体O；
步骤6.2、从当前第G次迭代的种群中随机选则两个染色体FA和FB并进行交叉操作，得到交叉后的染色体OA和OB：
步骤6.2.1、计算发生交换的条带数量
Figure FDA00032500127400000210
步骤6.2.2、随机选择α个发生交叉的观测机会，并从染色体FA中删除这α个观测机会对应的条带，并替换成染色体FB中对应观测机会的条带，从而得到交叉后的新染色体OA；
步骤6.2.3、从染色体FB中删除α个观测机会对应的条带，并替换成染色体FA中对应观测机会的条带，从而得到交叉后的新染色体OB；
步骤6.3、将新的染色体O，交叉后的新染色体OA和OB加入当前第G次迭代的种群中；
步骤6.4、令双层染色体的适应度值为所有条带的共同有效覆盖面积与目标区域的面积|R|的比值；
步骤6.5、对当前第G次迭代的种群中的所有染色体按照适应度值降序排列，删除第G次迭代的种群中适应度值较低的3个个体，使第G次迭代的群规模恢复到Z。
2.根据权利要求1所述的基于自适应遗传算法的多卫星区域观测规划方法，其特征在于，所述步骤6.1.2中，是按如下步骤计算发生变异的概率
Figure FDA0003250012740000031
步骤6.1.2.1、计算选中条带
Figure FDA0003250012740000032
的面积
Figure FDA0003250012740000033
计算在变异父染色体F中仅被条带
Figure FDA0003250012740000034
覆盖的区域r，计算区域r的面积|r|，计算条带有效率
Figure FDA0003250012740000035
步骤6.1.2.2、计算实际覆盖率
Figure FDA0003250012740000036
步骤6.1.2.3、将第i个观测机会ci在K层上的条带集合中的条带数量表示为
Figure FDA0003250012740000037
计算规模扩大系数
Figure FDA0003250012740000038
当K＝1时，令
Figure FDA0003250012740000039
步骤6.1.2.4、利用式(1)计算第i个机会发生嵌套的概率
Figure FDA00032500127400000310
Figure FDA00032500127400000311
式(1)中，α,β,γ表示三个参数，且α+β+γ＝1。
CN202111047498.3A 2021-09-07 2021-09-07 基于自适应遗传算法的多卫星区域观测规划方法 Active CN113706050B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111047498.3A CN113706050B (zh) 2021-09-07 2021-09-07 基于自适应遗传算法的多卫星区域观测规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111047498.3A CN113706050B (zh) 2021-09-07 2021-09-07 基于自适应遗传算法的多卫星区域观测规划方法

Publications (2)

Publication Number Publication Date
CN113706050A true CN113706050A (zh) 2021-11-26
CN113706050B CN113706050B (zh) 2023-06-27

Family

ID=78660872

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111047498.3A Active CN113706050B (zh) 2021-09-07 2021-09-07 基于自适应遗传算法的多卫星区域观测规划方法

Country Status (1)

Country Link
CN (1) CN113706050B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116109036A (zh) * 2023-01-12 2023-05-12 中国科学院软件研究所 区域网格化的多星观测规划方法、装置及设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130138682A1 (en) * 2011-11-29 2013-05-30 Oracle International Corporation Hierarchical grid for spatial querying
US8831598B1 (en) * 2012-06-08 2014-09-09 Vt Idirect, Inc. Method and apparatus for satellite communication
GB201717125D0 (en) * 2016-11-28 2017-11-29 National Univ Of Defense Technology Differential evolution method oriented to agile satellite multi-target task planning
CN110717673A (zh) * 2019-10-10 2020-01-21 合肥工业大学 一种资源充足情形下最小观测成本的卫星任务规划方法
CN110727903A (zh) * 2019-10-10 2020-01-24 合肥工业大学 一种有限覆盖资源实现最大观测面积的卫星任务规划方法
CN111477034A (zh) * 2020-03-16 2020-07-31 中国电子科技集团公司第二十八研究所 基于栅格模型的大规模空域使用计划冲突检测与解脱方法
CN111476197A (zh) * 2020-04-24 2020-07-31 中科天盛卫星技术服务有限公司 基于多源卫星遥感影像油棕识别及面积提取的方法和系统
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
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
CN113313355A (zh) * 2021-04-30 2021-08-27 合肥工业大学 基于遗传算法的遥感卫星对地观测任务规划方法与装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130138682A1 (en) * 2011-11-29 2013-05-30 Oracle International Corporation Hierarchical grid for spatial querying
US8831598B1 (en) * 2012-06-08 2014-09-09 Vt Idirect, Inc. Method and apparatus for satellite communication
GB201717125D0 (en) * 2016-11-28 2017-11-29 National Univ Of Defense Technology Differential evolution method oriented to agile satellite multi-target task planning
CN110717673A (zh) * 2019-10-10 2020-01-21 合肥工业大学 一种资源充足情形下最小观测成本的卫星任务规划方法
CN110727903A (zh) * 2019-10-10 2020-01-24 合肥工业大学 一种有限覆盖资源实现最大观测面积的卫星任务规划方法
CN111477034A (zh) * 2020-03-16 2020-07-31 中国电子科技集团公司第二十八研究所 基于栅格模型的大规模空域使用计划冲突检测与解脱方法
CN111476197A (zh) * 2020-04-24 2020-07-31 中科天盛卫星技术服务有限公司 基于多源卫星遥感影像油棕识别及面积提取的方法和系统
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
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
CN113313355A (zh) * 2021-04-30 2021-08-27 合肥工业大学 基于遗传算法的遥感卫星对地观测任务规划方法与装置

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
HU, XIAOXUANZHU 等: "Orientational variable-length strip covering problem: A branch-and-price-based algorithm", EUROPEAN JOURNAL OF OPERATIONAL RESEARCH *
PRICE A R 等: "Multiobjective Tuning of Grid-Enabled Earth System Models Using a Non-dominated Sorting Genetic Algorithm", IEEE 2006 *
WAIMING Z 等: "A two-phase genetic annealing method for integrated Earth observation satellite scheduling problems", SOFT COMPUTING *
张曼利;章文毅;马广彬;樊慧晶;: "应用改进多种群遗传算法的多星成像目标规划方法", 航天器工程, no. 04 *
张海龙 等: "面向多障碍物海面卫星搜索动目标方法", 系统工程与电子技术 *
朱外明: "面向多星协同观测的区域覆盖优化方法", 中国优秀硕士论文全文数据库基础科学辑 *
李耀东 等: "多区域多维覆盖联合优化卫星任务规划", 太赫兹科学与电子信息学报 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116109036A (zh) * 2023-01-12 2023-05-12 中国科学院软件研究所 区域网格化的多星观测规划方法、装置及设备
CN116109036B (zh) * 2023-01-12 2023-11-07 中国科学院软件研究所 区域网格化的多星观测规划方法、装置及设备

Also Published As

Publication number Publication date
CN113706050B (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
CN112766813B (zh) 一种空天协同观测复杂任务调度方法
CN107977743B (zh) 多无人机协同任务分配方法及装置
Bradley Assessing ecosystem threats from global and regional change: hierarchical modeling of risk to sagebrush ecosystems from climate change, land use and invasive species in Nevada, USA
CN111859800A (zh) 用于pm2.5浓度分布的时空估算和预测的方法
CN111861230B (zh) 一种面向灾害应急的多星协同观测任务规划方法及装置
Datta et al. Multi-objective evolutionary algorithm for land-use management problem
US20220158719A1 (en) Managing satellite bearer resources
CN111612384B (zh) 一种具有时间分辨率约束的多星接力任务规划方法
CN113259950B (zh) 一种基于业务预测的低轨卫星点波束关闭方法
CN103839118A (zh) 一种选址方法和装置
CN110135585B (zh) 一种南方红壤区小流域水土保持生态服务功能优化方法
CN112434435B (zh) 基于任务合成的成像卫星密集任务调度方法
CN110069885B (zh) 一种基于外部生态功能定位的“三生”空间优化方法
CN110727903B (zh) 一种有限覆盖资源实现最大观测面积的卫星任务规划方法
CN113706050A (zh) 基于自适应遗传算法的多卫星区域观测规划方法
CN115759669A (zh) 一种基于复合功能的城市蓝绿生态网络构建方法
CN116126493A (zh) 一种基于sa-ga的异质多星协同任务规划方法
CN106940830A (zh) 未来气候变化对生物多样性影响与风险综合评估技术
Ruiz‐Cárdenas et al. Stochastic search algorithms for optimal design of monitoring networks
CN116562466B (zh) 一种高轨卫星观测任务的规划方法
CN114580892A (zh) 基于变邻域搜索的多卫星区域观测规划方法
Kabanda Land use/cover changes and prediction of Dodoma, Tanzania
CN106919783A (zh) 一种浮标数据的多目标关联度划分处理方法
CN114418243B (zh) 分布式新能源云端网格预测方法与系统
CN115167502A (zh) 基于免疫克隆算法的无人机协同航迹规划方法及装置

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