CN114565203A - 一种基于大邻域搜索算法和K-means的多星多任务规划方法 - Google Patents

Abstract

本发明公开了一种基于大邻域搜索算法和K‑means的多星多任务规划方法，其特征在于，包括以下步骤：S1、将任务集合表示为有色图理论中需要上色的顶点；S2、基于上一步获得的任务集合进行模型构建，对模型进行优化及价值评估；S3、经过搜索算法对上一步构建的模型进行资源上色，而基于资源上色后进行任务分配；设计一种基于大邻域搜索和K‑means的多星多任务规划算法，本算法提出基于有色图理论的多星多任务多约束分配方法，以K‑means聚类获取同类型设备，其次利用有色图表示任务和资源的映射关系，再以启发式搜索方法为综合效率最优搜索方法，为每个卫星建立元任务序列。

Description

一种基于大邻域搜索算法和K-means的多星多任务规划方法

技术领域

本发明涉及遥感卫星任务规划领域，特别涉及一种基于大邻域搜索算法和K-means的多星多任务规划方法。

背景技术

本方案为遥感卫星星座多星多任务多约束规划提供了解决方案，基于大邻域搜索算法和K-means的多星多任务规划技术、具备高效规划、自动化运行与智能化处置能力、可为集成与专业软件系统。

发明内容

本发明的目的在于提供一种基于大邻域搜索算法和K-means的多星多任务规划方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于大邻域搜索算法和K-means的多星多任务规划方法，包括以下步骤：

S1、将任务集合表示为有色图理论中需要上色的顶点；

S2、基于上一步获得的任务集合进行模型构建，对模型进行优化及价值评估；

S3、经过搜索算法对上一步构建的模型进行资源上色，而基于资源上色后进行任务分配。

优选的，步骤S101中具体包括如下步骤：

S101、将任务在时间窗口上的冲突关系表示为链接两个任务所表示的顶点的连线；

S102、利用K-means获取卫星和地面站资源数据集，对数据进行聚类，并进行数据标准化处理；

S103、提取数据操作参数，获取样本同类型集合；

S104、将卫星和地面站划分到其所在的聚类，计算各聚类下各传感器的均值和标准差；

S105、对于每个传感器的测量值，减去“该聚类下该传感器的均值”，再除以“该聚类下该传感器的标准差”，得到标准化传感器数据；

S106、将不同类型的集合标记为不同颜色。

优选的，步骤S102中具体包括如下步骤：

S201、根据设计的启发式算法，搜索上色方案，使得每一个顶点都被填充上色；

S202、在每个顶点都被填充上色的同时，被连线连接的两个顶点不能为同一种颜色；

S203、搜索上色方案的启发式算法将根据不同的优化目标进行价值评估，例如以完成任务数量最大化为优化目标或以收益最大为优化目标等。

优选的，步骤S103的具体包括以下步骤：

S301、通过归集的方法，将S202获得的上色顶点进行归类，即同一种颜色覆盖的任务归类到一个集合中；

S302、基于每个归类获得集合本身的颜色，进行任务排序，从而可通过颜色可以获得卫星分配得到的任务序列，即元任务集合；

S303、通过上步获得的元任务集合再通过星间通信的方式，由当前星传递给执行星，继而完成任务的分配。

与现有技术相比，本发明的有益效果是：设计一种基于大邻域搜索和K-means的多星多任务规划算法，本算法提出基于有色图理论的多星多任务多约束分配方法，以K-means聚类获取同类型设备，其次利用有色图表示任务和资源的映射关系，再以启发式搜索方法为综合效率最优搜索方法，为每个卫星建立元任务序列。

说明书附图

图1为本发明的多星多任务多约束分配流程框图。

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。

实施例

请参阅图1，本发明提供一种技术方案：一种基于大邻域搜索算法和K-means的多星多任务规划方法，包括以下步骤：

S1、将任务集合表示为有色图理论中需要上色的顶点；

S2、基于上一步获得的任务集合进行模型构建，对模型进行优化及价值评估；

S3、经过搜索算法对上一步构建的模型进行资源上色，而基于资源上色后进行任务分配。

具体而言，步骤S101中具体包括如下步骤：

S101、将任务在时间窗口上的冲突关系表示为链接两个任务所表示的顶点的连线；

S102、利用K-means获取卫星和地面站资源数据集，对数据进行聚类，并进行数据标准化处理；

S103、提取数据操作参数，获取样本同类型集合；

S104、将卫星和地面站划分到其所在的聚类，计算各聚类下各传感器的均值和标准差；

S105、对于每个传感器的测量值，减去“该聚类下该传感器的均值”，再除以“该聚类下该传感器的标准差”，得到标准化传感器数据；

S106、将不同类型的集合标记为不同颜色。

具体而言，步骤S102中具体包括如下步骤：

S201、根据设计的启发式算法，搜索上色方案，使得每一个顶点都被填充上色；

S202、在每个顶点都被填充上色的同时，被连线连接的两个顶点不能为同一种颜色；

S203、搜索上色方案的启发式算法将根据不同的优化目标进行价值评估，例如以完成任务数量最大化为优化目标或以收益最大为优化目标等。

具体而言，步骤S103的具体包括以下步骤：

S301、通过归集的方法，将S202获得的上色顶点进行归类，即同一种颜色覆盖的任务归类到一个集合中；

S302、基于每个归类获得集合本身的颜色，进行任务排序，从而可通过颜色可以获得卫星分配得到的任务序列，即元任务集合；

S303、通过上步获得的元任务集合再通过星间通信的方式，由当前星传递给执行星，继而完成任务的分配。

在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

本发明使用到的标准零件均可以从市场上购买，异形件根据说明书和附图的记载均可以进行订制，各个零件的具体连接方式均采用现有技术中成熟的螺栓、铆钉、焊接等常规手段，机械、零件和设备均采用现有技术中，常规的型号，加上电路连接采用现有技术中常规的连接方式，在此不再详述。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (4)

1.一种基于大邻域搜索算法和K-means的多星多任务规划方法，其特征在于，包括以下步骤：

S1、将任务集合表示为有色图理论中需要上色的顶点；

S2、基于上一步获得的任务集合进行模型构建，对模型进行优化及价值评估；

S3、经过搜索算法对上一步构建的模型进行资源上色，而基于资源上色后进行任务分配。

2.根据权利要求1所述的一种基于大邻域搜索算法和K-means的多星多任务规划方法，其特征在于，步骤S1中具体包括如下步骤：

S101、将任务在时间窗口上的冲突关系表示为链接两个任务所表示的顶点的连线；

(一)利用有色图理论进行构图：

顶点集V表示任务集；每个资源，包括卫星及地面站可以视作一种颜色，即资源数量表示颜色数量k，在进行任务分配时，一个资源可以分配给一个任务，只要该任务与卫星任务序列中的其他任务不发生冲突，当用着色图理论来表示时，即对于同一颗星来说，当两个任务j₁,j₂的观测时间发生冲突时，则在由任务j₁,j₂表示的两个顶点之间添加一条连接线，那么在进行着色，即任务分配时，就不会将这两个任务由同一种颜色着色，分配给同一颗卫星；

利用有色图理论进行着色的原理：

给定一个图表G＝(V,E)，其中，V为顶点，E为连接线，同时给出整数k，表示颜色的数量，因此，可以得到一个k种颜色的G图着色问题模型，从而建立一个映射关系c:V→{1,...,k}。则有c(x)的值表示顶点x的颜色，当一个顶点被着以第i(1≤i≤k)种颜色后，则将其表示为c_i，在有色图理论中，两个相连的顶点如果有相同的着色，则被认为是相互冲突的，因此有色图理论可以构建一个由顶点及顶点间的连线相互连接而的一个网状模型；

S102、利用K-means获取卫星和地面站资源数据集，对数据进行聚类，并进行数据标准化处理；

S103、提取数据操作参数，获取样本同类型集合；

首先我们将卫星资源及地面站资源从一个维度比如内存，类型，性能等方面进行拆分，想象成空间分布的若干个点，这样以空间中k个点为中心进行聚类，对最靠近他们的对象归类，通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果：

(1)适当选择k个类的初始中心，最初一般为随机选取；

(2)在每次迭代中，对任意一个样本，分别求其到k个中心的欧式距离，将该样本归到距离最短的中心所在的类；

(3)利用均值方法更新该k个类的中心的值；

(4)对于所有的k个聚类中心，重复(2)(3)，类的中心值的移动距离满足一定条件时，则迭代结束，完成分类；

S104、将卫星和地面站划分到其所在的聚类，计算各聚类下各传感器的均值和标准差；

S105、对于每个传感器的测量值，减去“该聚类下该传感器的均值”，再除以“该聚类下该传感器的标准差”，得到标准化传感器数据；

S106、将不同类型的集合标记为不同颜色。

3.根据权利要求1所述的一种基于大邻域搜索算法和K-means的多星多任务规划方法，其特征在于，步骤S2中具体包括如下步骤：

(二)利用大邻域搜索算法进行任务规划：

在进行多敏捷卫星任务调度问题时，可以参考单星任务调度中采用的方法，不同卫星的可见时间窗可以统一处理，可以看作是一个单卫星多轨道调度问题，然而，单一的敏捷卫星调度方法由于求解空间较大，效率较低，理论分析见下段，数值计算见第4.2.1节：

针对单敏捷卫星调度，令l_ij为任务t_i的第j个可见时间窗口VTW的长度，d_i为任务t_i所要求的观测时长，假设卫星对一个任务有|W|个可见时间窗口VTWs，为了简单起见，在这部分我们假设所有任务有相同的观测时长d_i，并且每个卫星对每个任务的|W|个可见时间窗口VTWs具有相同的长度l_ij，如果步长是1s，那么对于一个任务的搜索空间则为

如果一个例子中，有|T|个任务，则可行解的数量将为

如果有|S|个卫星，则对任务t_i的可见窗数量则为|W|·|S|，则可行解的数量则有

对于正常情况，|T|的值可能非常大，通常是几百，因此，随着卫星数量的增加，多敏捷卫星调度问题的解空间明显增大，因此，有必要避免比较所有的|S|^|T|个任务分配方式，如果将此问题作为一个单卫星多轨道调度问题来处理，则每个任务将有太多的可见时间窗VTW可供选择，此外，由于无法同时调度多个任务，也会导致单卫星多轨道调度方法的效率损失，如果任务可以分配给不同的卫星，则每个卫星上要安排的任务数也将减少；

因此，需要一个基于启发式规则的任务分配过程来指导任务选择最合适的卫星，这样，复杂问题就可以分解成几个单卫星子问题，这种方法有两个优点，一是指导算法更有效地寻找最优解，第二，如果将任务分配给不同的卫星，则可以并行计算不同卫星的解，从而加速整个优化过程，这在实际工程项目中是必要的；

接下来介绍了多颗敏捷卫星调度问题的数学模型。

(1)假设：

由于多颗敏捷卫星的调度问题包含了大量的约束条件，因此对其进行了一些假设和简化：

1)所有卫星有足够的在轨能量；

2)不考虑图像下传；

3)所有任务为点成像或小区域成像，卫星均可在一次经过目标上方时完成；

(2)数学表达：

集合与参数：

1)T＝{t₁,...,t_|T|}表示用户需求中给出的任务集合，每一个t_i具有如下性质：

·d_i表示任务t_i的需求观测时长，观测过程应该持续时间d_i来保证成像的完整性；

·c_i表示任务t_i的需求最小成像质量；

·g_i表示任务t_i的的优先级，规定g_i∈[1,10]，优先级越高，成像任务越重要，任务调度的目标即使所有成像任务的优先级之和最高；

2)S＝{s₁,...,s_|S|}表示卫星集合，每一个s_j具有如下的性质：

·O_j表示卫星s_j的轨道结集合；

·o_jm表示卫星s_j的第m个轨道，o_jm∈O_j；

·M_j表示卫星s_j的总观测时间的最大值，αM_j表示卫星s_j每一轨的总观测时长上界，其中参数α为测量可用内存百分比的估计值；

·a₁,a₂,a₃和a₄表示四个不同转换角的转换角速度；

3)

表示卫星s_j对任务t_i的可见窗集合，w_ijk表示卫星s_j对任务t_i的第k个可见窗，每一个w_ijk具有以下性质：

·b_ijk，e_ijk表示可见窗w_ijk的起始和结束时间；

·

表示可见窗w_ijk中的最佳成像时段，普通成像卫星的最佳成像时段为可见时间窗口的中断；

(3)搜索流程

自适应大邻域搜索算法的主要流程如下图所示：

在大邻域搜索算法中，通过一系列的破坏和修复操作来获取新解。这些操作决定了新解在其邻域内的移动，并最终通过这些操作的交互作用产生新解；

1)初始化解

将任务随机分配给每颗卫星，并根据卫星对目标的可见窗口，按照可见窗先后的顺序，将任务排布到卫星的任务序列中。

2)破坏操作

从现有的卫星任务解序列中，通过一定的规则，移除一定的任务，使得当前卫星可以插入新的任务，从而生成新解。每一个移除操作选择q个任务，将其从原卫星的执行序列中移除，并且存放在矩阵Q中；

共设计了6种破坏操作：

a)随机移除；

b)基于优先级最小顺序的移除；

c)基于成像机会最大的移除；

d)基于可见窗冲突最大的移除；

e)簇状移除1：移除任务最少的轨道中的任务簇；

f)簇状移除2：移除任务总优先级最少的轨道中的任务簇。

3)任务调度操作

在经过μ次迭代，最优解的总收益保持不变时，自适应的任务调度将被触发。自适应的卫星层面的任务调度有以下4种操作：

a)随机任务调度；

b)按照冲突最小的原则进行任务调度；

c)按照机会最最大的原则进行任务调度；

d)基于经验值的任务调度。

4)修复操作

修复操作通过将候选任务集中的任务插入卫星已有成像序列，来产生新解；候选任务包括移除操作得到的任务集合Q，以及最初未成功分配的任务集合；

共设计了3种修复操作：

a)按照优先级由大到小的顺序依次进行任务插入；

b)按照机会最小的顺序依次进行任务插入；

c)按照冲突最小的顺序依次进行任务插入。

5)接受准则和搜索结束准则

接受准则：

a)如果新解的收益大于当前解的收益，则接受新解和新收益；

b)如果新解的收益小于当前解的收益，则采用模拟退火的方法，决定是否接受新解；

搜索结束准则：

a)当迭代次数达到预设上限；

b)所有可见窗的任务被成功分配；

c)当最优解经过BREAK_LAW次迭代后始终不变。

6)任务调度操作的权重更新

每一个任务调度操作均有其得分和权重。任务调度操作的权重决定了在进行调度操作选择时，每个调度操作被选择的概率。操作的得分取决于任务操作的表现。其得分直接与每次迭代后新解的收益有关，而权重取决于收益；

每进行ρ次任务调度操作后，则根据调度操作得分进行一次权重升级并重置所有操作得分。在每次迭代并产生新解后，需要计算一次调度操作的得分，其计算方法如下：

a)新解收益大于当前最优解时：

b)新解收益大于当前解，但小于当前最优解时：

c)新解收益小于当前解，但被接受时：

d)新解收益小于当前解，且未被接受时：

e)在累计经过次任务调度后，根据当前的调度操作得分，计算调度操作的权重，并重置调度操作得分均为0，同时将设为0。调度操作权重的更新公式如下：

其中，λ∈[0,1]决定历史信息的重要程度，为已知常量。

7)移除和插入操作的权重更新

和任务调度操作一样，每一个移除和修复操作均有其得分和权重。每进行

次迭代后，则根据操作得分进行一次权重升级并重置所有操作得分，在每次迭代并产生新解后，需要计算一次调度操作的得分，其操作得分和权重更新的计算方法与任务调度计算方法一样；

任务调度操作与移除和插入操作的区别在于只有在任务调度被累计执行ρ次后，才进行权重更新，而移除和修复操作在进行

次迭代后，便进行权重更新，但操作的得分均在每轮迭代中都进行计算更新；

8)各种操作的选择

采用轮盘赌的方式对任务调度操作、任务移除操作以及修复操作进行选择，第i个操作被选中的概率为：

S201、根据设计的启发式算法，搜索上色方案，使得每一个顶点都被填充上色；

S202、在每个顶点都被填充上色的同时，被连线连接的两个顶点不能为同一种颜色；

S203、搜索上色方案的启发式算法将根据不同的优化目标进行价值评估。

4.根据权利要求1所述的一种基于大邻域搜索算法和K-means的多星多任务规划方法，其特征在于，步骤S3的具体包括以下步骤：

S301、通过归集的方法，将S202获得的上色顶点进行归类，即同一种颜色覆盖的任务归类到一个集合中；

S302、基于每个归类获得集合本身的颜色，进行任务排序，从而可通过颜色可以获得卫星分配得到的任务序列，即元任务集合；

S303、通过上步获得的元任务集合再通过星间通信的方式，由当前星传递给执行星，继而完成任务的分配。

Images