CN114997613A - 一种空间多飞行器多目标协同调度方法 - Google Patents
一种空间多飞行器多目标协同调度方法 Download PDFInfo
- Publication number
- CN114997613A CN114997613A CN202210546421.9A CN202210546421A CN114997613A CN 114997613 A CN114997613 A CN 114997613A CN 202210546421 A CN202210546421 A CN 202210546421A CN 114997613 A CN114997613 A CN 114997613A
- Authority
- CN
- China
- Prior art keywords
- target
- task
- orbit
- satellite
- algorithm
- 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.)
- Pending
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
- G06Q10/06316—Sequencing of tasks or work
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Strategic Management (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Educational Administration (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Genetics & Genomics (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
Abstract
本发明公开了一种空间多飞行器多目标协同调度方法,S1、初始化我方高轨和低轨在轨卫星,并利用轨道六根数原理,建立高轨和低轨在轨卫星的数学模型;S2、采用基于遗传操作的粒子群优化算法,在数学模型中根据目标威胁、资源约束、工作时段约束条件,对多装备联合观测下的多目标进行最优分配;S3、配置资源抢夺优化并进行修复;S4、判断当前状态是否达到探测预期,若是,持续跟踪目标,若否,则返回S2,最终达到对目标的跟踪。本发明引入高低轨卫星进行目标探测与调度设计,提升了在轨卫星探测利用率以及目标探测的准确性,协同调度算法的正确性、合理性以及在已知目标航迹的情况下对目标进行全流程调度的完整性。
Description
技术领域
本发明涉及预警卫星目标探测技术领域,尤其涉及一种空间多飞行器多目标协同调度方法。
背景技术
传统的基于同步轨道卫星探测技术已逐渐成熟,研究热点已从同步轨道预警卫星研究向星链技术方向发展。随着目标探测应用任务场景的复杂化,多样化,预警系统需要在导弹飞行过程中实现快速跟踪与定位。传统的同步轨道卫星技术与星链技术对于轨道卫星的资源消耗较大,无法实现空间资源的有效利用。
例如专利CN113760506A提供了一种改进型遗传算法的多星协同调度对地观测方法,该方法虽提出了算法,但是不适用于工程实际,并没有对于方法的准确性与高效性提供仿真与数据支持,并且只采用了单一的卫星数学模型与单一的探测方法。
专利CN112288289A提供了一种面向区域目标的多星协同覆盖快速规划方法, 综合考虑解的优选性需求和计算的快速性需求,采用了一种化繁为简思路,通过把“尽可能早地完成区域全覆盖”这一求解问题分成“每颗卫星尽可能早地观察到区域的全部范围”这样的若干个子问题,对每一子问题求局部最优解,从而快速得到一个全局合法解,在该合法解的基础上,通过循环迭代,最终找到一个全局较优解。该方法计算过程较大,并且不适用于战场的复杂多变的情况。上述两种方法的缺点是没有对在轨卫星资源进行有效利用。存在一定的问题,一是在系统任务复杂的情况下,无法对目标进行及时有效的探测,会出现目标丢失,跟踪状态不佳的情况。二是面向区域目标的多星协同覆盖快速规划方法,能够有效解决探测效率的问题,跟踪状态也有较大的提升,但所需的卫星数量较多,会出现资源浪费的情况,整体卫星利用率不高。目标跟踪的整体效率与资源利用率不高。因此,如何提供一种空间多飞行器多目标协同调度方法是本领域技术人员亟需解决的问题。
发明内容
本发明的一个目的在于提出一种空间多飞行器多目标协同调度方法,本发明引入高低轨卫星进行目标探测与调度设计,提升了在轨卫星探测利用率以及目标探测的准确性,协同调度算法的正确性、合理性以及在已知目标航迹的情况下对目标进行全流程调度的完整性。
根据本发明实施例的一种空间多飞行器多目标协同调度方法,其特征在于,包括如下方法步骤:
S1、初始化我方高轨和低轨在轨卫星,并利用轨道六根数原理,建立高轨和低轨在轨卫星的数学模型;
S2、采用基于遗传操作的粒子群优化算法,在数学模型中根据目标威胁、资源约束、工作时段约束条件,对多装备联合观测下的多目标进行最优分配,对多目标发生异动时的任务动态重规划,并根据给定的观测区域、观测时长要求,分析各卫星可视范围及重返频率,计算得到各卫星最优调度计划;
S3、配置资源抢夺优化并进行修复,将可用的卫星资源进行资源配置,并合理的应用于实际场景中;
S4、判断当前状态是否达到探测预期,若是,持续跟踪目标,若否,则返回 S2,最终达到对目标的跟踪。
优选的,所述S1中的数学模型包括地探测模型算法和临边探测模型算法,所述高轨支持对地探测模型,所述低轨支持对地探测和临边探测两种模式。
优选的,所述S1中的基于轨道六根数的数学模型包括建立卫星轨道动力学模型,并对空间环境摄动因素进行分析,包括卫星在地球非球形摄动、第三体摄动、太阳辐射压摄动、大气阻力摄动和地影影响下的变化规律,完成高轨、低轨、静止轨道三类卫星的轨道动力与运动学建模;
其中,经典轨道根数描述下的卫星轨道动力学方程为:
春分点轨道根数动力学方程为:
其中,对于静止轨道的卫星,有a≈rGEO,n≈ωe,E≈f,M≈f,e=1,i=1,上式可进一步简化为:
式中,rGEO、vGEO分别是静止轨道卫星的地心距和速度大小,ωe为地球自转角速度大小。
优选的,所述S1中对地探测模型是以探测器能扫描和观测到的地表区域范围为基准,覆盖范围为描述导弹预警卫星探测器视场对地的覆盖特性以及星座组网特性,用全球覆盖率和重点区域多重覆盖率等指标进行度量。
优选的,所述S2中对静态周期协同调度包括对目标函数的设置和多变量多约束优化问题的求解,其中目标函数设置包括如下四部分:
观测目标个数及其威胁度的目标函数:
目标函数对应设计准则一和准则二,其中函数表达式如下:
式中,NTSUC表示某分配子周期内成功跟踪目标个数,NTALL表示该子周期系统中存在的目标总个数,xi,j表示第i个目标在第j个分配子周期内是否被成功观测跟踪,若是则xi,j=1,否则xi,j=0,STprior,i,j为第i个目标在第j个分配子周期内威胁度的值;
关于系统空闲装备数量的目标函数:
目标函数对应设计准则三,函数表达式如下:
LOI2=NSAVA/NSALL
式中,NSAVA为空闲装备个数,NSALL为装备总个数;
关于装备组合跟踪总弧长的目标函数:
目标函数对应设计准则四,函数表达式如下:
式中,Timecur为系统当前时刻,CoverTimei为从当前时刻开始,装备组合能连续观测到目标i的总时长,EndTimei为目标落地时刻或目标移出系统时刻;
关于传感器切换次数的目标函数:
目标函数对应设计准则五,函数表达式如下:
式中,NSswitch表示静态周期调度前后两个子周期所有工作传感器的切换次数,NSswitchmax表示所有分配方案中传感器切换次数的最大值;
由上四式综合可知,静态周期调度算法的总目标函数为:
优选的,所述多变量多约束优化问题的求解为粒子群中的一个粒子对应于解空间中一个问题的解,并且每个粒子都有自己的位置、速度以及代价评价指标 Ji。在进行迭代更新时,根据粒子本身的最优解pbestid和粒子群中全体粒子的最优解gbestd来更新每个粒子的位置和速度;
其中,迭代更新方程为:
式中,i∈N(1,m),m为粒子群中粒子个数;d∈N(1,n),n为解向量的维数;k为迭代次数;c1、c2是学习因子;ω是权重;r1、r2是[0,1]之间的随机数。优选的,针对高低轨卫星间的引导问题,需要采用离散分群粒子群算法,描述如下:
粒子编码机制:
现将粒子的编码形式确定为:
X=[x1,x2,...,xNS]
式中,NS表示当前系统装备传感器个数;元素xi,i=1,2,...NS表示传感器观测的目标编号,例如,若编号为1的传感器观测目标1,则x1=1,若编号为 1的传感器处于空闲状态,则x1=0;
粒子群初始化机制;
粒子位置更新机制:
利用遗传算法将遗传算法的相关操作引入到粒子群算法中,以遗传操作为粒子更新算子,采用基于遗传操作的粒子群优化算法
粒子自身的动态变异算子F1:
式中,r1为[0,1]上均匀分布的随机数;ω为执行变异操作的概率;F1表示与遗传算法中一样的变异操作;
粒子与个体极值交叉算子F2:
式中,r2为[0,1]上均匀分布的随机数;c1为加速度常数;F2表示与遗传算法中一样的交叉操作;
粒子与全局极值交叉算子F3:
粒子以给定概率与全局极值Gbt进行交叉,其形式化描述如式所示:
式中,r3为[0,1]上均匀分布的随机数;c2为加速度常数;F3表示与遗传算法中一样的交叉操作;
综合上式可得到粒子位置公式为:
优选的,所述粒子群初始化机制为基于优先权的粒子群初始化机制,其具体过程如下:
Step1、为调度窗口内所有子任务STi,j计算器优先权值;
Step2、依据子任务的优先权值大小为之分配优先选中概率,优先权值越大的子任务具有更高的优先被选中概率;
Step3、针对每一个子任务STi,j,计算器值域V={0}∪Rseti,j;
Step4、依据Rseti,j中元素对STi,j的执行效果,为其分配被选中概率;
Step5、从子任务集合中按概率大小选择一个子任务进行资源分配,;
Step6、将所选中子任务所选择的资源,从同该子任务具有冲突的所有子任务的可用集合中剔除。判断如果还有未处理子任务,则返回Step5,否则进入 Step7;
Step7、结束。
优选的,所述S2中对动态周期协同调度包括建立抢占算法,当一个导弹目标被探测确认后,需要对周期调度序列进行调整,响应新任务,具体步骤如下:
Step1、任务分解:
将对目标的跟踪探测任务分解成相应的探测原子任务;
Step2、计算各原子任务的参数:
根据预测的导弹弹道轨迹,计算卫星与导弹的可见时间窗口、各原子任务的优先级,设置各原子任务的备选资源集;
Step3、设置任务队列:
将执行时间处于当前调度周期内的原子任务依序放入任务队列中,任务序列小的原子任务排在队列前面;
Step4、判断任务队列是否为空,如果队列为空,则调整结束,退出;否则进入Step5;
Step5、从任务序列中取出第一个原子任务(记为taski[j]),判断taski[j]的备选资源集是否为空,如果为空,则回到Step4,否则进入Step6;
Step6、判断taski[j]的备选资源集中是否有空闲资源,如果有,则从成功探测概率、目标跟踪效果、资源利用和切换等因素对空闲资源进行选择,从中挑选出一个最佳资源分配给taski[j],之后回到Step4;否则进入Step7;
Step7、找出可抢夺的资源。在taski[j]的备选资源集中选出一个资源,记为 rsci1,rsci1所执行的原子任务,记为taski1[j1],优先级在备选资源集中所有资源所执行的任务中时最低的,rsci1即为原子任务taski[j]可抢夺的最佳资源;
Step8、判断可抢夺的最佳资源是否真能被抢夺:
如果rsci1所执行的原子任务taski1[j1]的优先级高于taski[j]的任务优先级,则taski[j]不能抢夺资源rsci1,任务taski[j]将不能被执行,整个调整过程结束,退出,由于任务taski[j]不能抢夺资源rsci1,其后续的原子任务也将被取消,否则将rsci1分配给任务taski[j],并将原子任务taski1[j1]的后续任务所分配得到的资源释放由于任务taski1[j1]不能执行,其后续的原子任务也将被取消,回到Step4。
优选的,在抢占算法解算完后,需要对被抢占的目标进行修复,修复的过程其实也是一个抢占的过程,待修复的目标在抢占其他目标的观测装备时,该目标的观测装备是有冗余的,否则待修复目标在该子周期修复失败,需等到下一子周期再进行事件性修复或者周期性调度。
本发明的有益效果是:
(1)本发明利用多星协同技术提出一种新的目标探测体系架构,引入高低轨卫星进行目标探测与调度设计,提升了在轨卫星探测利用率以及目标探测的准确性,协同调度算法的正确性、合理性以及在已知目标航迹的情况下对目标进行全流程调度的完整性;
(2)本发明实现了利用多星协同技术作为目标探测的主要载体,在复杂任务环境下能够根据任务的改变实时调度在轨卫星数量与跟踪卫星个数,另外,在探测任务场景发生变化时只需要短时间计算就能够适应新的探测环境。
附图说明
图1为本发明提出的一种空间多飞行器多目标协同调度方法的方法流程图;
图2为本发明提出的一种空间多飞行器多目标协同调度方法中高轨卫星矩形探测示意图;
图3为本发明提出的一种空间多飞行器多目标协同调度方法中几何可见示意图;
图4为本发明提出的一种空间多飞行器多目标协同调度方法中低轨卫星临边探测几何构型图;
图5为本发明提出的一种空间多飞行器多目标协同调度方法中低轨预警卫星覆盖范围图;
图6为本发明提出的一种空间多飞行器多目标协同调度方法中基于遗传操作的离散粒子群算法流程图;
图7为本发明提出的一种空间多飞行器多目标协同调度方法中新目标出现时抢占算法流程图;
图8为本发明提出的一种空间多飞行器多目标协同调度方法实施例1中高轨卫星的运行轨迹图;
图9为本发明提出的一种空间多飞行器多目标协同调度方法实施例1中低轨卫星的运行轨迹图;
图10为本发明提出的一种空间多飞行器多目标协同调度方法实施例1中低轨卫星的星下点轨迹图;
图11为本发明提出的一种空间多飞行器多目标协同调度方法实施例1中半通径p变化情况曲线图;
图12为本发明提出的一种空间多飞行器多目标协同调度方法实施例1中偏心率e变化情况曲线图;
图13为本发明提出的一种空间多飞行器多目标协同调度方法实施例1中轨道倾角i变化情况曲线图;
图14为本发明提出的一种空间多飞行器多目标协同调度方法实施例1中对地探测T/S曲线图;
图15为本发明提出的一种空间多飞行器多目标协同调度方法实施例1中对地探测子周期曲线图;
图16为本发明提出的一种空间多飞行器多目标协同调度方法实施例1中临边探测T/S曲线图;
图17为本发明提出的一种空间多飞行器多目标协同调度方法实施例1中临边探测子周期曲线图;
图18为本发明提出的一种空间多飞行器多目标协同调度方法实施例1中高轨卫星探测示意图;
图19为本发明提出的一种空间多飞行器多目标协同调度方法实施例1中目标全流程分配示意图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。参考图1,一种空间多飞行器多目标协同调度方法,其特征在于,包括如下方法步骤:
S1、获取目标信息;初始化我方高低轨在轨卫星;
S2、建立多星的数学模型,以达到基本的多星正常运行要求;
S3、建立多星调度探测能力模型,选取合理的探测方法对目标进行探测;
S4、采用基于遗传操作的粒子群优化算法,对探测过程中的卫星使用个数和使用周期进行优化计算,以达到资源配置最优。配置的原则是用最少的卫星数量达到探测的最长周期;
S5、配置资源抢夺优化并进行修复,将可用的卫星资源进行资源配置,并合理的应用于实际场景中;
S6、判断对于目标的探测跟踪是否达到预期效果:若是,进行持续跟踪,结束,若不是,返回S3。
所述基于遗传操作粒子群优化算法包括根据目标信息,基于低轨卫星的约束条件而进行的一种周期静态预测式引导调度。即基于目标可预测性和传感器所在卫星平台的运动特性的可预测,通过高轨卫星在区间内对传感器和目标的状态进行预测,建立静态预测式调度模型,然后通过特定的寻优算法,对调度区间内目标和传感器进行预分配,产生低轨卫星调度方案,达到观测最优的目标。
所述基于配置资源抢夺优化并修复包括当一个导弹目标被探测确认后,需要对周期调度序列进行调整,响应新任务。需要对被抢占的目标进行修复,修复的过程其实也是一个抢占的过程,其算法与抢占算法基本一致,区别在于待修复的目标在抢占其他目标的观测装备时,该目标的观测装备是有冗余的,否则待修复目标在该子周期修复失败,需等到下一子周期再进行事件性修复或者周期性调度。
数学模型包括地探测模型算法和临边探测模型算法,所述高轨支持对地探测模型,所述低轨支持对地探测和临边探测两种模式。
基于轨道六根数的数学模型包括建立卫星轨道动力学模型,并对空间环境摄动因素进行分析,包括卫星在地球非球形摄动、第三体摄动、太阳辐射压摄动、大气阻力摄动和地影影响下的变化规律,完成高轨、低轨、静止轨道三类卫星的轨道动力与运动学建模;
其中,经典轨道根数描述下的卫星轨道动力学方程为:
春分点轨道根数动力学方程为:
其中,对于静止轨道的卫星,有a≈rGEO,n≈ωe,E≈f,M≈f,e=1,i=1,上式可进一步简化为:
式中,rGEO、vGEO分别是静止轨道卫星的地心距和速度大小,ωe为地球自转角速度大小。
基于多星调度的探测能力建模:
探测能力的建模算法主要包括对地探测模型算法和临边探测模型算法,其中高轨支持对地探测模型,低轨支持对地探测和临边探测两种模式。
对地探测模式是以探测器能扫描和观测到的地表区域范围为基准,理论上,处于探测器覆盖范围内的目标都可以被探测到。
覆盖范围主要描述导弹预警卫星探测器视场对地的覆盖特性以及星座组网特性,可用全球覆盖率和重点区域多重覆盖率等指标进行度量。
考虑高轨卫星对目标的设备可见以及几何可见:
设备可见:参考图2,将高轨卫星对地面的覆盖范围视为矩形,在确定的坐标系中,探测器简化为一自坐标系原点出发的矩形视锥(简称视锥),视锥的标量和矢量分别表征其大小和方向,其中,α为水平半视角,又称方位角,表征了探测器在垂直于卫星轨道平面方向的左右摆动角度;β为垂直半视角,又称俯仰角,表征了探测器在卫星轨道平面内的以光轴指向为中心的上下摆动角度。当目标处于探测器的矩形探测范围内时,则认为高轨卫星对目标设备可见。
几何可见:参考图3,假设目标处于T点,两颗卫星处于S1、S2点。易知,当θ>pi/2时,目标与观测卫星之间几何可见;当θ>pi/2时(即对应卫星 S2的情况),若满足|OeP|>Re,则认为目标与观测卫星之间不被地球阻挡,几何可见。
低轨卫星还支持临边探测模式,参考图4,所示的低轨预警卫星临边探测几何构型图,其中,S为预警卫星,高度为HS,SE和SB分别是传感器波束临边探测范围边界,虚线表示传感器的最大探测距离。S1为地球表面,S2为预警卫星波束覆盖的某个高度面(与传感器波束相切于点D),S3为预警卫星波束覆盖最高点对应的高度面(与传感器波束相切于点E)。A、B两点为传感器波束与地表切线和S2层的两个交点,F为卫星传感器探测距离边界与S2层的交点。
图中,SO为某时刻卫星的星下点轨迹,θ1、θ2分别是内圆、外圆对应的地心角,计算公式如下:
式中,(x,y,z)为某时刻卫星在惯性系下的坐标,S0为初始时刻格林威治的恒星时角,ωe为地球自旋转速,ωe=7.2921158×10-5rad/s。
则可认为目标j在卫星i的探测覆盖范围内。
对地探测模型是以探测器能扫描和观测到的地表区域范围为基准,覆盖范围为描述导弹预警卫星探测器视场对地的覆盖特性以及星座组网特性,用全球覆盖率和重点区域多重覆盖率等指标进行度量。
对静态周期协同调度包括对目标函数的设置和多变量多约束优化问题的求解,其中目标函数设置包括如下四部分:
观测目标个数及其威胁度的目标函数:
目标函数对应设计准则一和准则二,其中函数表达式如下:
式中,NTSUC表示某分配子周期内成功跟踪目标个数,NTALL表示该子周期系统中存在的目标总个数,xi,j表示第i个目标在第j个分配子周期内是否被成功观测跟踪,若是则xi,j=1,否则xi,j=0,STprior,i,j为第i个目标在第j个分配子周期内威胁度的值;
关于系统空闲装备数量的目标函数:
目标函数对应设计准则三,函数表达式如下:
LOI2=NSAVA/NSALL
式中,NSAVA为空闲装备个数,NSALL为装备总个数;
关于装备组合跟踪总弧长的目标函数:
目标函数对应设计准则四,函数表达式如下:
式中,Timecur为系统当前时刻,CoverTimei为从当前时刻开始,装备组合能连续观测到目标i的总时长,EndTimei为目标落地时刻或目标移出系统时刻;
关于传感器切换次数的目标函数:
目标函数对应设计准则五,函数表达式如下:
式中,NSswitch表示静态周期调度前后两个子周期所有工作传感器的切换次数,NSswitchmax表示所有分配方案中传感器切换次数的最大值;
由上四式综合可知,静态周期调度算法的总目标函数为:
所述多变量多约束优化问题的求解为粒子群中的一个粒子对应于解空间中一个问题的解,并且每个粒子都有自己的位置、速度以及代价评价指标Ji。在进行迭代更新时,根据粒子本身的最优解pbestid和粒子群中全体粒子的最优解 gbestd来更新每个粒子的位置和速度;
其中,迭代更新方程为:
式中,i∈N(1,m),m为粒子群中粒子个数;d∈N(1,n),n为解向量的维数;k为迭代次数;c1、c2是学习因子;ω是权重;r1、r2是[0,1]之间的随机数。优选的,针对高低轨卫星间的引导问题,需要采用离散分群粒子群算法,描述如下:
粒子编码机制:
现将粒子的编码形式确定为:
X=[x1,x2,...,xNS]
式中,NS表示当前系统装备传感器个数;元素xi,i=1,2,...NS表示传感器观测的目标编号,例如,若编号为1的传感器观测目标1,则x1=1,若编号为 1的传感器处于空闲状态,则x1=0;
粒子群初始化机制;
粒子位置更新机制:
利用遗传算法将遗传算法的相关操作引入到粒子群算法中,以遗传操作为粒子更新算子,采用基于遗传操作的粒子群优化算法
粒子自身的动态变异算子F1:
式中,r1为[0,1]上均匀分布的随机数;ω为执行变异操作的概率;F1表示与遗传算法中一样的变异操作;
粒子与个体极值交叉算子F2:
式中,r2为[0,1]上均匀分布的随机数;c1为加速度常数;F2表示与遗传算法中一样的交叉操作;
粒子与全局极值交叉算子F3:
粒子以给定概率与全局极值Gbt进行交叉,其形式化描述如式所示:
式中,r3为[0,1]上均匀分布的随机数;c2为加速度常数;F3表示与遗传算法中一样的交叉操作;
综合上式可得到粒子位置公式为:
所述粒子群初始化机制为基于优先权的粒子群初始化机制,其具体过程如下:
Step1、为调度窗口内所有子任务STi,j计算器优先权值;
Step2、依据子任务的优先权值大小为之分配优先选中概率,优先权值越大的子任务具有更高的优先被选中概率;
Step3、针对每一个子任务STi,j,计算器值域V={0}∪Rseti,j;
Step4、依据Rseti,j中元素对STi,j的执行效果,为其分配被选中概率;
Step5、从子任务集合中按概率大小选择一个子任务进行资源分配,;
Step6、将所选中子任务所选择的资源,从同该子任务具有冲突的所有子任务的可用集合中剔除。判断如果还有未处理子任务,则返回Step5,否则进入 Step7;
Step7、结束。
所述S2中对动态周期协同调度包括建立抢占算法,当一个导弹目标被探测确认后,需要对周期调度序列进行调整,响应新任务,具体步骤如下:
Step1、任务分解:
将对目标的跟踪探测任务分解成相应的探测原子任务;
Step2、计算各原子任务的参数:
根据预测的导弹弹道轨迹,计算卫星与导弹的可见时间窗口、各原子任务的优先级,设置各原子任务的备选资源集;
Step3、设置任务队列:
将执行时间处于当前调度周期内的原子任务依序放入任务队列中,任务序列小的原子任务排在队列前面;
Step4、判断任务队列是否为空,如果队列为空,则调整结束,退出;否则进入Step5;
Step5、从任务序列中取出第一个原子任务(记为taski[j]),判断taski[j]的备选资源集是否为空,如果为空,则回到Step4,否则进入Step6;
Step6、判断taski[j]的备选资源集中是否有空闲资源,如果有,则从成功探测概率、目标跟踪效果、资源利用和切换等因素对空闲资源进行选择,从中挑选出一个最佳资源分配给taski[j],之后回到Step4;否则进入Step7;
Step7、找出可抢夺的资源。在taski[j]的备选资源集中选出一个资源,记为rsci1,rsci1所执行的原子任务,记为taski1[j1],优先级在备选资源集中所有资源所执行的任务中时最低的,rsci1即为原子任务taski[j]可抢夺的最佳资源;
Step8、判断可抢夺的最佳资源是否真能被抢夺:
如果rsci1所执行的原子任务taski1[j1]的优先级高于taski[j]的任务优先级,则taski[j]不能抢夺资源rsci1,任务taski[j]将不能被执行,整个调整过程结束,退出,由于任务taski[j]不能抢夺资源rsci1,其后续的原子任务也将被取消,否则将rsci1分配给任务taski[j],并将原子任务taski1[j1]的后续任务所分配得到的资源释放由于任务taski1[j1]不能执行,其后续的原子任务也将被取消,回到Step4。
在抢占算法解算完后,需要对被抢占的目标进行修复,修复的过程其实也是一个抢占的过程,待修复的目标在抢占其他目标的观测装备时,该目标的观测装备是有冗余的,否则待修复目标在该子周期修复失败,需等到下一子周期再进行事件性修复或者周期性调度。
实施例1
S1、按照技术要求对北美、西太、印度洋方向三种想定场景下的卫星协同调度全流程进行分析,验证模型算法的合理性。
模拟场景设置:
(1)卫星部署信息如表1-1-1-3所示,包括24颗低轨卫星(LEO),4颗静止轨道卫星(GEO)以及4颗大椭圆轨道卫星(HEO);
表1-1LEO卫星部署信息
表1-2HEO卫星部署信息
表1-3GEO卫星部署信息
代号 | GEO1 | GEO2 | GEO3 | GEO4 |
经度 | 10°E | 110°E | 70°W | -160°W |
(2)目标信息如表2所示,三枚弹道导弹分别从北美方向的A基地、西太 方向的B基地以及印度洋C基地发射,意图三个某城市进行攻击;
表2目标想定表
(3)高轨卫星对地观测方位角:10°;俯仰角:8°;
(4)低轨卫星采用临边探测,探测器最远距离为7000km。
S2、参考图8-9,设置大椭圆轨道卫星的初始六根数、地球静止轨道的初始经度以及卫星的工作时间,可以得到高轨卫星的位置变化和高轨卫星的星下点轨迹变化。
参考图10-11,设置低轨卫星的初始六根数、以及卫星的工作时间,可以得到低轨卫星的位置变化和低轨卫星的星下点轨迹变化。
参考图12-14,在卫星在运行过程中会受到摄动力的影响,轨道六根数也会产生相应的变化;编号为LEO1的低轨卫星在此次运行过程中输出的半通径p、偏心率e以及轨道倾角i的变化情况。
S3、参考图15-18,分别采用直接对地探测和临边探测的方法进行分析验证:
对地探测模式,LEO对地探测角度:方位角:45°;俯仰角:45°;
临边探测模式,LEO卫星最大探测距离:8000km。
由上可知,采用对地探测模式时目标可观测卫星数目较少,无法有效完成对目标的全程观测以及任务调度算法分配,因为LEO卫星轨道较低,为1600km;远程弹道导弹最高点较高,采用对地探测模式的LEO卫星较难有效保持对目标的长时间观测跟踪。
S4、同时得到解决方案,采用临边探测模式,同时增大LEO卫星的对地的探测角度,采用临边+对地的探测模式。
S5、以Target2为例,以下简称T2,对其进行协同调度全流程分析说明。系统运行至10s时,目标T2先后被高轨的GEO2、GEO4和HEO4的扫描探测器发现,协同调度开始,高轨卫星随即调用凝视探测器进行凝视跟踪并进行多星定位,同时触发事件调度算法,地面站根据目标位置以及装备位置计算可观测装备后发现此刻仅有LEO1能观测到T2,事件调度算法分配LEO1对T2进行跟踪观测。系统运行至47s时,装备LEO23对T2可见,因此被事件调度算法直接调用,此时,已有LEO1、LEO23对T2进行观测跟踪,可进行双星定位并进行轨迹预报。系统运行至60s时,LEO16也加入到对T2的跟踪观测当中,以保持对 T2的观测精度约束。
当系统运行至180s,到了第二个周期调度点,触发静态周期调度算法多系统内现有目标进行多目标分配,为T2分配了两个观测装备LEO1和LEO16进行双星定位以及持续的观测跟踪。在第11个子周期结束后,LEO1对T2不可见,此时系统内也无其他装备能观测T2,因此直至第24子周期开始都只有LEO16对其进行单星观测。在第24子周期至第30子周期,有LEO16、LEO21、LEO22 三个装备对T2进行持续观测;第30子周期至第41周期,LEO21、LEO22两个装备对T2进行持续观测;第41子周期至第51子周期,LEO15、LEO21两个装备对T2进行持续观测;第51子周期至第53子周期,LEO15一个装备对T2进行持续观测。
在第53子周期结束后,已无装备对T2可见,针对T2的多星协同调度全流程结束,下面移交目标给地面雷达站进行后续观测及处理。
通过典型场景的分析,验证了协同调度算法的正确性、合理性以及在已知目标航迹的情况下对目标进行全流程调度的完整性。
本发明利用多星协同技术提出一种新的目标探测体系架构,引入高低轨卫星进行目标探测与调度设计,提升了在轨卫星探测利用率以及目标探测的准确性,协同调度算法的正确性、合理性以及在已知目标航迹的情况下对目标进行全流程调度的完整性;
本发明实现了利用多星协同技术作为目标探测的主要载体,在复杂任务环境下能够根据任务的改变实时调度在轨卫星数量与跟踪卫星个数。另外,在探测任务场景发生变化时只需要短时间计算就能够适应新的探测环境。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种空间多飞行器多目标协同调度方法,其特征在于,包括如下方法步骤:
S1、初始化我方高轨和低轨在轨卫星,并利用轨道六根数原理,建立高轨和低轨在轨卫星的数学模型;
S2、采用基于遗传操作的粒子群优化算法,在数学模型中根据目标威胁、资源约束、工作时段约束条件,对多装备联合观测下的多目标进行最优分配,对多目标发生异动时的任务动态重规划,并根据给定的观测区域、观测时长要求,分析各卫星可视范围及重返频率,计算得到各卫星最优调度计划;
S3、配置资源抢夺优化并进行修复,将可用的卫星资源进行资源配置,并合理的应用于实际场景中;
S4、判断当前状态是否达到探测预期,若是,持续跟踪目标,若否,则返回S2,最终达到对目标的跟踪。
2.根据权利要求1所述的一种空间多飞行器多目标协同调度方法,其特征在于,所述S1中的数学模型包括地探测模型算法和临边探测模型算法,所述高轨支持对地探测模型,所述低轨支持对地探测和临边探测两种模式。
4.根据权利要求2所述的一种空间多飞行器多目标协同调度方法,其特征在于,所述S1中对地探测模型是以探测器能扫描和观测到的地表区域范围为基准,覆盖范围为描述导弹预警卫星探测器视场对地的覆盖特性以及星座组网特性,用全球覆盖率和重点区域多重覆盖率等指标进行度量。
5.根据权利要求1所述的一种空间多飞行器多目标协同调度方法,其特征在于,所述S2中对静态周期协同调度包括对目标函数的设置和多变量多约束优化问题的求解,其中目标函数设置包括如下四部分:
观测目标个数及其威胁度的目标函数,其中函数表达式如下:
式中,NTSUC表示某分配子周期内成功跟踪目标个数,NTALL表示该子周期系统中存在的目标总个数,xi,j表示第i个目标在第j个分配子周期内是否被成功观测跟踪,若是则xi,j=1,否则xi,j=0,STprior,i,j为第i个目标在第j个分配子周期内威胁度的值;
关于系统空闲装备数量的目标函数,函数表达式如下:
LOI2=NSAVA/NSALL
式中,NSAVA为空闲装备个数,NSALL为装备总个数;
关于装备组合跟踪总弧长的目标函数,函数表达式如下:
式中,Timecur为系统当前时刻,CoverTimei为从当前时刻开始,装备组合能连续观测到目标i的总时长,EndTimei为目标落地时刻或目标移出系统时刻;
关于传感器切换次数的目标函数,函数表达式如下:
式中,NSswitch表示静态周期调度前后两个子周期所有工作传感器的切换次数,NSswitchmax表示所有分配方案中传感器切换次数的最大值;
由上四式综合可知,静态周期调度算法的总目标函数为:
7.根据权利要求6所述的一种空间多飞行器多目标协同调度方法,其特征在于,针对高低轨卫星间的引导问题,需要采用离散分群粒子群算法,描述如下:
粒子编码机制:
现将粒子的编码形式确定为:
X=[x1,x2,...,xNS]
式中,NS表示当前系统装备传感器个数;元素xi,i=1,2,...NS表示传感器观测的目标编号,例如,若编号为1的传感器观测目标1,则x1=1,若编号为1的传感器处于空闲状态,则x1=0;
粒子群初始化机制;
粒子位置更新机制:
利用遗传算法将遗传算法的相关操作引入到粒子群算法中,以遗传操作为粒子更新算子,采用基于遗传操作的粒子群优化算法
粒子自身的动态变异算子F1:
式中,r1为[0,1]上均匀分布的随机数;ω为执行变异操作的概率;F1表示与遗传算法中一样的变异操作;
粒子与个体极值交叉算子F2:
式中,r2为[0,1]上均匀分布的随机数;c1为加速度常数;F2表示与遗传算法中一样的交叉操作;
粒子与全局极值交叉算子F3:
粒子以给定概率与全局极值Gbt进行交叉,其形式化描述如式所示:
式中,r3为[0,1]上均匀分布的随机数;c2为加速度常数;F3表示与遗传算法中一样的交叉操作;
综合上式可得到粒子位置公式为:
8.根据权利要求7所述的一种空间多飞行器多目标协同调度方法,其特征在于,所述粒子群初始化机制为基于优先权的粒子群初始化机制,其具体过程如下:
Step1、为调度窗口内所有子任务STi,j计算器优先权值;
Step2、依据子任务的优先权值大小为之分配优先选中概率,优先权值越大的子任务具有更高的优先被选中概率;
Step3、针对每一个子任务STi,j,计算器值域V={0}∪Rseti,j;
Step4、依据Rseti,j中元素对STi,j的执行效果,为其分配被选中概率;
Step5、从子任务集合中按概率大小选择一个子任务进行资源分配,;
Step6、将所选中子任务所选择的资源,从同该子任务具有冲突的所有子任务的可用集合中剔除。判断如果还有未处理子任务,则返回Step5,否则进入Step7;
Step7、结束。
9.根据权利要求1所述的一种空间多飞行器多目标协同调度方法,其特征在于,所述S2中对动态周期协同调度包括建立抢占算法,当一个导弹目标被探测确认后,需要对周期调度序列进行调整,响应新任务,具体步骤如下:
Step1、任务分解:
将对目标的跟踪探测任务分解成相应的探测原子任务;
Step2、计算各原子任务的参数:
根据预测的导弹弹道轨迹,计算卫星与导弹的可见时间窗口、各原子任务的优先级,设置各原子任务的备选资源集;
Step3、设置任务队列:
将执行时间处于当前调度周期内的原子任务依序放入任务队列中,任务序列小的原子任务排在队列前面;
Step4、判断任务队列是否为空,如果队列为空,则调整结束,退出;否则进入Step5;
Step5、从任务序列中取出第一个原子任务(记为taski[j]),判断taski[j]的备选资源集是否为空,如果为空,则回到Step4,否则进入Step6;
Step6、判断taski[j]的备选资源集中是否有空闲资源,如果有,则从成功探测概率、目标跟踪效果、资源利用和切换等因素对空闲资源进行选择,从中挑选出一个最佳资源分配给taski[j],之后回到Step4;否则进入Step7;
Step7、找出可抢夺的资源。在taski[j]的备选资源集中选出一个资源,记为rsci1,rsci1所执行的原子任务,记为taski1[j1],优先级在备选资源集中所有资源所执行的任务中时最低的,rsci1即为原子任务taski[j]可抢夺的最佳资源;
Step8、判断可抢夺的最佳资源是否真能被抢夺:
如果rsci1所执行的原子任务taski1[j1]的优先级高于taski[j]的任务优先级,则taski[j]不能抢夺资源rsci1,任务taski[j]将不能被执行,整个调整过程结束,退出,由于任务taski[j]不能抢夺资源rsci1,其后续的原子任务也将被取消,否则将rsci1分配给任务taski[j],并将原子任务taski1[j1]的后续任务所分配得到的资源释放由于任务taski1[j1]不能执行,其后续的原子任务也将被取消,回到Step4。
10.根据权利要求9所述的一种空间多飞行器多目标协同调度方法,其特征在于,在抢占算法解算完后,需要对被抢占的目标进行修复,修复的过程其实也是一个抢占的过程,待修复的目标在抢占其他目标的观测装备时,该目标的观测装备是有冗余的,否则待修复目标在该子周期修复失败,需等到下一子周期再进行事件性修复或者周期性调度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210546421.9A CN114997613A (zh) | 2022-05-18 | 2022-05-18 | 一种空间多飞行器多目标协同调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210546421.9A CN114997613A (zh) | 2022-05-18 | 2022-05-18 | 一种空间多飞行器多目标协同调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114997613A true CN114997613A (zh) | 2022-09-02 |
Family
ID=83027246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210546421.9A Pending CN114997613A (zh) | 2022-05-18 | 2022-05-18 | 一种空间多飞行器多目标协同调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114997613A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070062A (zh) * | 2023-03-08 | 2023-05-05 | 中国西安卫星测控中心 | 一种航天测运控网覆盖能力分析计算方法 |
CN116432993A (zh) * | 2023-06-15 | 2023-07-14 | 南京北斗创新应用科技研究院有限公司 | 一种空天地一体化观测资源协同调度方法与系统 |
CN117320026A (zh) * | 2023-11-28 | 2023-12-29 | 广东建科交通工程质量检测中心有限公司 | 一种桥梁智能检测作业空间组网方法及系统 |
CN118095800A (zh) * | 2024-04-26 | 2024-05-28 | 中国电子科技集团公司第五十四研究所 | 一种面向多个离散任务地域的航天观测任务均衡安排方法 |
-
2022
- 2022-05-18 CN CN202210546421.9A patent/CN114997613A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070062A (zh) * | 2023-03-08 | 2023-05-05 | 中国西安卫星测控中心 | 一种航天测运控网覆盖能力分析计算方法 |
CN116070062B (zh) * | 2023-03-08 | 2023-07-07 | 中国西安卫星测控中心 | 一种航天测运控网覆盖能力分析计算方法 |
CN116432993A (zh) * | 2023-06-15 | 2023-07-14 | 南京北斗创新应用科技研究院有限公司 | 一种空天地一体化观测资源协同调度方法与系统 |
CN116432993B (zh) * | 2023-06-15 | 2023-11-03 | 南京北斗创新应用科技研究院有限公司 | 一种空天地一体化观测资源协同调度方法与系统 |
CN117320026A (zh) * | 2023-11-28 | 2023-12-29 | 广东建科交通工程质量检测中心有限公司 | 一种桥梁智能检测作业空间组网方法及系统 |
CN117320026B (zh) * | 2023-11-28 | 2024-02-02 | 广东建科交通工程质量检测中心有限公司 | 一种桥梁智能检测作业空间组网方法及系统 |
CN118095800A (zh) * | 2024-04-26 | 2024-05-28 | 中国电子科技集团公司第五十四研究所 | 一种面向多个离散任务地域的航天观测任务均衡安排方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114997613A (zh) | 一种空间多飞行器多目标协同调度方法 | |
CN107329146B (zh) | 一种导航卫星低轨监测星座的优化设计方法 | |
Ljungberg et al. | The OASIS air-tra c management system | |
CN111680354A (zh) | 近地回归轨道卫星星下点和摄影点轨迹自交点的计算方法 | |
CN108820260A (zh) | 低轨航天器的中期轨道预报方法、装置、存储介质 | |
CN111680455B (zh) | 基于搭载形式的撞击探测轨道设计方法和系统 | |
Legge Jr | Optimization and valuation of recongurable satellite constellations under uncertainty | |
CN113190333B (zh) | 多星多目标跟踪区域分组协同系统 | |
CN113408063B (zh) | 面向多星多侦察目标的轨道机动优化方法 | |
Ashman et al. | Rosetta science operations in support of the Philae mission | |
CN116611630A (zh) | 基于全球地理板块的遥感卫星自主任务规划方法及系统 | |
Hobson et al. | Sensor-scheduling simulation of disparate sensors for Space Situational Awareness | |
Dorrington et al. | A location-routing problem for the design of an asteroid mining supply chain network | |
Liu et al. | A conflict avoidance algorithm for space-based collaborative stereo observation mission scheduling of space debris | |
Hagenau et al. | Introducing the lunar autonomous pnt system (laps) simulator | |
CN113128749B (zh) | 一种卫星观测网络集中式在线规划方法 | |
CN118239008A (zh) | 一种大规模异构星座连续观测目标的控制方法及装置 | |
CN118145019A (zh) | 卫星数据处理方法、装置、设备和计算机存储介质 | |
Adams et al. | An Overview of Distributed Spacecraft Autonomy at NASA Ames | |
CN113359159A (zh) | 一种天基空间目标监视的多星定位定轨精度快速分析方法 | |
Vongsantivanich et al. | Mission planning for non-homogeneous Earth observation satellites constellation for disaster response | |
Chien et al. | Agile Science for Primitive Bodies and Deep Space Exploration | |
CN116341873A (zh) | 一种多星资源调度与任务规划方法、系统及存储介质 | |
Qin et al. | Multi-Satellite Scheduling for Moving Targets Using Enhanced Hybrid Genetic Simulated Annealing Algorithm and Observation Strip Selection | |
CN114492175A (zh) | 一种基于智能优化算法的多目标卫星巡视方案规划方法 |
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 |