CN115616902B - 基于鲁棒拍卖算法的集群航天器任务分配方法及装置 - Google Patents
基于鲁棒拍卖算法的集群航天器任务分配方法及装置 Download PDFInfo
- Publication number
- CN115616902B CN115616902B CN202211386729.8A CN202211386729A CN115616902B CN 115616902 B CN115616902 B CN 115616902B CN 202211386729 A CN202211386729 A CN 202211386729A CN 115616902 B CN115616902 B CN 115616902B
- Authority
- CN
- China
- Prior art keywords
- spacecraft
- task
- matrix
- allocation
- cluster
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
- G05B13/024—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种基于鲁棒拍卖算法的集群航天器任务分配方法及装置。所述方法包括:利用观测收益矩阵和燃料消耗矩阵构建任务总收益矩阵,根据任务总收益矩阵对集群航天器任务分配问题进行建模,根据任务总收益矩阵构建虚拟收益矩阵和虚拟分配方案,将集群航天器任务分配问题转化为任务数与航天器数一致的分配问题,利用航天器集与任务集之间的不匹配程度自适应调整报价增量,根据调整后的报价增量对分布式拍卖算法进行优化,得到鲁棒拍卖算法;利用鲁棒拍卖算法对集群航天器任务分配问题进行求解,得到任务分配方案。采用本方法能够提高集群航天器任务分配效率。
Description
技术领域
本申请涉及航天器技术领域,特别是涉及一种基于鲁棒拍卖算法的集群航天器任务分配方法、装置、计算机设备和存储介质。
背景技术
随着网络技术的飞速发展和空间任务的日趋成熟,航天领域逐渐呈现出从单一、大型航天器到分布式空间系统的新趋势。集群航天器因灵活性、鲁棒性、自适应性等优点受到学者们的广泛关注。作为一项关键基础性技术,集群航天器任务分配可表示为多约束条件下的离散空间组合优化问题,其目的在于建立航天器和任务之间的映射关系,以保证每个航天器在对应的时间窗口内执行特定的活动。受通信能力、任务需求、机载存储能力、计算能力和轨道特性等诸多因素限制,集群航天器的在线任务分配是一项极具挑战的工作。
目前拍卖算法是一种常见的分布式分配算法,其原理简单直接,适用于大规模航天器集群任务分配。但是该方法仅适用于智能体与任务数目一致的场景,若智能体数大于任务数,会导致同一任务被分配给多个智能体,存在效率低下和浪费资源等问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高集群航天器任务分配效率的基于鲁棒拍卖算法的集群航天器任务分配方法、装置、计算机设备和存储介质。
一种基于鲁棒拍卖算法的集群航天器任务分配方法,所述方法包括:
获取集群航天器的绕飞轨道参数;
根据绕飞轨道参数构建相对运动边界条件约束,结合相对运动动力学约束和控制饱和约束,设置相对运动最优轨迹规划问题的约束条件;以及根据航天器机动至观测点消耗的燃料设置相对运动最优轨迹规划问题的目标函数;
对相对运动最优轨迹规划问题进行求解,得到燃料消耗矩阵;
根据集群航天器进行观测时的光照角约束构建观测收益矩阵,利用观测收益矩阵和燃料消耗矩阵构建任务总收益矩阵,根据任务总收益矩阵对集群航天器任务分配问题进行建模;
根据任务总收益矩阵构建虚拟收益矩阵和虚拟分配方案,将集群航天器任务分配问题转化为任务数与航天器数一致的分配问题,利用航天器集与任务集之间的不匹配程度自适应调整报价增量,得到调整后的报价增量;
将失效航天器的收益和报价信息置零并根据调整后的报价增量对分布式拍卖算法进行优化,得到鲁棒拍卖算法;
利用鲁棒拍卖算法对集群航天器任务分配问题进行求解,得到任务分配方案。
在其中一个实施例中,相对运动最优轨迹规划问题为
其中,表示航天器i第k步的相对状态,和分别表示离散的相对运动方程系数,表示行航天器i第k步的相对控制向量。为集群中航天器数,表示观测点总数,表示航天器i的初始状态,表示第j个观测点的相对状态,为推进器最大推力值,表示航天器i到第j个观测点的消耗的燃料,N表示总离散步数。
在其中一个实施例中,根据集群航天器进行观测时的光照角约束构建观测收益矩阵,包括:
在其中一个实施例中,利用观测收益矩阵和燃料消耗矩阵构建任务总收益矩阵,包括:
利用观测收益矩阵和燃料消耗矩阵构建任务总收益矩阵为
其中,O为观测收益矩阵,F为燃料消耗矩阵,ω 1和ω 2为分别为观测收益矩阵和燃料消耗矩阵的收益系数。
在其中一个实施例中,根据任务总收益矩阵对集群航天器任务分配问题进行建模,包括:
根据任务总收益矩阵对集群航天器任务分配问题进行建模为
其中,J ij 表示航天器i执行任务j的实际收益,c ij =1表示第i个航天器在终端时刻部署在第j个观测点。
利用航天器集与任务集之间的不匹配程度自适应调整报价增量,得到调整后的报价增量为
在其中一个实施例中,根据任务总收益矩阵构建虚拟收益矩阵和虚拟分配方案,包括:
在一个实施例中,将失效航天器的收益和报价信息置零,若任务数大于航天器数,则不给失效航天器分配实际任务;若任务数等于航天器数,则将收益最低的任务分配给失效航天器。
在其中一个实施例中,利用鲁棒拍卖算法对集群航天器任务分配问题进行求解,得到任务分配方案,包括
步骤五:如果航天器i对目标任务的上轮报价小于等于此轮报价,且目标任务的最高出价者不是航天器i,则将净收益最高的任务分配给航天器i,同时在上轮报价的基础上增加报价增量,其中表示航天器i执行所有任务的最大净收益和第二净收益之差再加上报价增量;
一种基于鲁棒拍卖算法的集群航天器任务分配装置,所述装置包括:
最优轨迹规划模块,用于获取集群航天器的绕飞轨道参数;根据所述绕飞轨道参数构建相对运动边界条件约束,结合相对运动动力学约束和控制饱和约束,设置相对运动最优轨迹规划问题的约束条件;以及根据航天器机动至观测点消耗的燃料设置相对运动最优轨迹规划问题的目标函数;
构建任务总收益矩阵模块,用于对相对运动最优轨迹规划问题进行求解,得到燃料消耗矩阵;根据集群航天器进行观测时的光照角约束构建观测收益矩阵,利用观测收益矩阵和燃料消耗矩阵构建任务总收益矩阵,根据任务总收益矩阵对集群航天器任务分配问题进行建模;
调整报价增量模块,用于根据任务总收益矩阵构建虚拟收益矩阵和虚拟分配方案,将集群航天器任务分配问题转化为任务数与航天器数一致的分配问题,利用航天器集与任务集之间的不匹配程度自适应调整报价增量,得到调整后的报价增量;
任务分配模块,用于将失效航天器的收益和报价信息置零并根据调整后的报价增量对分布式拍卖算法进行优化,得到鲁棒拍卖算法;利用鲁棒拍卖算法对集群航天器任务分配问题进行求解,得到任务分配方案。
上述基于鲁棒拍卖算法的集群航天器任务分配方法、装置、计算机设备和存储介质,本文通过构造任务总收益矩阵和虚拟分配方案的策略,将原问题转化为任务数与航天器数一致的分配问题,利用航天器集与任务集之间的不匹配程度自适应调整报价增量,根据调整后的报价增量对分布式拍卖算法进行优化,提高拍卖算法的鲁棒性,利用鲁棒拍卖算法对待分配的集群航天器进行任务分配时进而提高集群航天器任务分配的效率。
附图说明
图1为一个实施例中一种基于鲁棒拍卖算法的集群航天器任务分配方法的流程示意图;
图2为一个实施例中一种基于鲁棒拍卖算法的集群航天器任务分配装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种基于鲁棒拍卖算法的集群航天器任务分配方法,包括以下步骤:
步骤102,获取集群航天器的绕飞轨道参数;根据绕飞轨道参数构建相对运动边界条件约束,结合相对运动动力学约束和控制饱和约束,设置相对运动最优轨迹规划问题的约束条件;以及根据航天器机动至观测点消耗的燃料设置相对运动最优轨迹规划问题的目标函数。
绕飞轨道参数包括b,c,y c ,和,其中b为绕飞轨迹在轨道面内投影椭圆的半短轴,c为绕飞轨迹在z轴方向的最大值,y c为绕飞中心在y轴方向的偏移量,和分别为轨道面内和面外相位角,其中决定航天器在绕飞轨迹上的相对位置。对于等相位分布的集群航天器,定义首个观测点的面内相位角为,则第j个航天器的面内相位角为
步骤104,对相对运动最优轨迹规划问题进行求解,得到燃料消耗矩阵;根据集群航天器进行观测时的光照角约束构建观测收益矩阵,利用观测收益矩阵和燃料消耗矩阵构建任务总收益矩阵,根据任务总收益矩阵对集群航天器任务分配问题进行建模。
将相对运动最优轨迹规划问题转化为凸优化问题,利用MATLAB的凸优化工具箱对多个凸优化问题进行求解,得到燃料消耗指标。
集群航天器执行协同观测任务时,需要同时考虑观测收益和转移轨迹的燃料消耗。如果航天器相机视场内出现强烈光源,电荷耦合器件会发生浮散现象,导致成像不清晰。因此,当观测航天器进行成像观测时,需满足光照角约束式中:和分别表示地球惯性坐标系下观测航天器指向目标航天器和太阳的矢量。若小于预设的,表示此时成像质量不满足要求。此外,当目标航天器进入地球阴影区时,观测航天器也无法对其成像。因此,航天器i在观测点j的观测收益可表示为式中:表示观测时长。当且目标航天器不处于地球阴影区时,。否则,。
步骤106,根据任务总收益矩阵构建虚拟收益矩阵和虚拟分配方案,将集群航天器任务分配问题转化为任务数与航天器数一致的分配问题,利用航天器集与任务集之间的不匹配程度自适应调整报价增量,得到调整后的报价增量。
步骤108,将失效航天器的收益和报价信息置零并根据调整后的报价增量对分布式拍卖算法进行优化,得到鲁棒拍卖算法;利用鲁棒拍卖算法对集群航天器任务分配问题进行求解,得到任务分配方案。
根据传统的分布式拍卖算法对待分配的集群航天器进行任务分配时,当多个航天器竞争对其收益相等的任务时,算法可能陷入死循环。通过引入报价增量,航天器每一轮对任务的出价都必须提高以获得最喜欢的任务。如果所有航天器i对其分配的任务j都满足,则称分配方案和价格向量处于近似均衡状态,价格向量满足-互补松弛条件。
由于实际任务数与航天器数可能不相等,本申请通过构造虚拟收益矩阵和虚拟分配方案的策略,将原问题转化为任务数与航天器数一致的分配问题,以便于应用传统的分布式拍卖的算法。由于增量ε会影响拍卖算法计算效率和精度,本申请通过定义任务集和航天器集之间的不匹配度,使得ε在迭代过程中自适应调整,将报价增量增加到分布式拍卖算法中可提高对待分配的集群航天器进行任务分配的效率。同时,通过将失效航天器的收益和报价信息置零,可有效降低失效航天器的后续分配过程中的竞争力,进而提高算法鲁棒性。若任务数大于航天器数,则失效航天器将无法分配实际任务。若任务数等于航天器数,则失效航天器之只能分配到收益最低的任务,使整个集群收益最大,进而可以提高任务分配的效率。
上述基于鲁棒拍卖算法的集群航天器任务分配方法中,本文通过构造虚拟收益矩阵和虚拟分配方案的策略,将原问题转化为任务数与航天器数一致的分配问题,利用航天器集与任务集之间的不匹配程度自适应调整报价增量,根据调整后的报价增量对分布式拍卖算法进行优化,通过将失效航天器的收益和报价信息置零提高拍卖算法的鲁棒性,利用鲁棒拍卖算法对待分配的集群航天器进行任务分配时进而提高集群航天器任务分配的效率。
在其中一个实施例中,相对运动最优轨迹规划问题为
其中,表示航天器i第k步的相对状态,和分别表示离散的相对运动方程系数,表示行航天器i第k步的相对控制向量,为集群中航天器数,表示航天器i的初始状态,表示第j个观测点的相对状态,为推进器最大推力值,表示航天器i到第j个观测点的消耗的燃料,N表示总离散步数,表示观测点总数。
在其中一个实施例中,根据集群航天器进行观测时的光照角约束构建观测收益矩阵,包括:
在其中一个实施例中,利用观测收益矩阵和燃料消耗矩阵构建任务总收益矩阵,包括:
利用观测收益矩阵和燃料消耗矩阵构建任务总收益矩阵为
其中,O为观测收益矩阵,F为燃料消耗矩阵,ω 1和ω 2为分别为观测收益矩阵和燃料消耗矩阵的收益系数。
在其中一个实施例中,根据任务总收益矩阵对集群航天器任务分配问题进行建模,包括:
根据任务总收益矩阵对集群航天器任务分配问题进行建模为
其中,J ij 表示航天器i执行任务j的实际收益,c ij =1表示第i个航天器在终端时刻部署在第j个观测点。
利用航天器集与任务集之间的不匹配程度自适应调整报价增量,得到调整后的报价增量为
在具体实施例中,若执行所有任务的航天器数量均不等于1,则M=Nt,可取较大值以快速提高任务报价,增加航天器集与任务集间的匹配程度。随着不匹配度M值的减小,值可逐渐减小,使得算法收敛精度更高。因此,为实现增量随不匹配度M自适应调整,定义上述线性变化关系。
在其中一个实施例中,根据任务总收益矩阵构建虚拟收益矩阵和虚拟分配方案,包括:
在其中一个实施例中,利用鲁棒拍卖算法对集群航天器任务分配问题进行求解,得到任务分配方案,包括
步骤五:如果航天器i对目标任务的上轮报价小于等于此轮报价,且目标任务的最高出价者不是航天器i,则将净收益最高的任务分配给航天器i,同时在上轮报价的基础上增加报价增量,其中表示航天器i执行所有任务的最大净收益和第二净收益之差再加上报价增量;
在其中一个实施例中,将失效航天器的收益和报价信息置零,若任务数大于航天器数,则不给失效航天器分配实际任务;若任务数等于航天器数,则将收益最低的任务分配给失效航天器。
在具体实施例中,考虑到航天器发生故障失去任务能力、通信失联等不确定因素,需要针对不确定情况下任务分配展开研究。集中式分配方法根据已知全局信息为集群中所有航天器分配任务,若发生不确定事件,则需在初次分配结束后依据更新的状态信息重新分配。分布式分配方法在优化过程中每个航天器需要反复获取其他航天器的报价信息以调整自身报价,若某个航天器发生故障或通信失联,可以通过调整其收益和报价信息进行鲁棒规划。
定义通信矩阵,若在第k迭代中航天器i能接收到航天器j的报价信息,则G ij (k)=1。若航天器i无法接收到航天器j的报价信息,或收到航天器j的故障信息,则G ij (k)=0。由于航天器间采用双向通信,所以G ij (k)=G ji (k)。
在前k-1轮迭代中,其他航天器已经分配到相应的任务,为避免失效航天器j对其他航天器任务分配结果的影响,并将其第k-1轮报价置零,通过将失效航天器的收益和报价信息置零,可有效降低失效航天器的后续分配过程中的竞争力。若任务数大于航天器数,则失效航天器将无法分配实际任务。若任务数等于航天器数,则失效航天器之只能分配到收益最低的任务,使整个集群收益最大,进而可以提高任务分配的效率。
在一个实施例中,利用仿真实验验证本申请的有益效果,假设仿真开始时间为2022年6月16日0时0分0秒,目标航天器在地球惯性坐标系下的初始位置和速度分别为和。初始绕飞轨道参数为,,,,首星面内相位角为,其他卫星呈等相位分布。目标绕飞轨道参数为,,,。绕飞时长为24小时,观测收益系数ω 1=1/864,燃料消耗系数ω 2=1。集群航天器最大推力加速度为0.98m/s2,转移时间为800s。由于集群航天器间相对距离较近,假设所有航天器均能双向通信。数值仿真基于Matlab 2020b实现,仿真计算机处理器主频和内存分别为3.0GHz和16GB。令首个观测点面内相位角,其他观测点在绕飞轨道上等相位排列,利用凸优化算法求解燃料消耗矩阵。
首先,在观测点与航天器数不等的任务场景中测试通过构造虚拟分配矩阵策略的可行性,并与传统的遗传算法作对比。遗传算法的初始种群数目为50个,若目标函数值连续100代不变则认为算法收敛。拍卖算法和遗传算法的仿真结果如表1所示。
表1
仿真结果表明改进的分布式拍卖算法能有效解决航天器数与观测点数不等的分配问题。由表1中计算时间对比可知,拍卖算法的计算时间始终远低于遗传算法。由表1中任务收益对比可知,两种方法的收益值接近,其中拍卖算法的收益值整体略优于遗传算法。
其次,为验证ε自适应调整策略的性能,在不同规模的任务场景中展开仿真,在各个场景中观测点数与航天器数目一致。传统分布式拍卖的ε值分别取0.01、0.05、0.1,自适应拍卖的ε min=0.01,ε max=0.1,仿真结果如表2~3所示,表2为分布式拍卖算法取不同ε值的计算时间,表3为分布式拍卖算法取不同ε值时与遗传算法的收益差值。
表2
表3
由表2可知,随着分配问题规模变大,拍卖算法和遗传算法所需的计算时间都显著增加。传统拍卖算法的计算时间随ε的减小而增大。采用ε自适应调整策略的自适应拍卖算法所需计算时间约为ε=0.01对应的拍卖算法的一半。表3表示拍卖算法的收益值与遗传算法的差值。随着的减小,分布式拍卖算法的收益值逐渐增加。自适应拍卖的收益与拍卖算法ε=0.01时的收益极为接近。当时,分布式拍卖算法在上述仿真场景中收益值均大于遗传算法。
最后,针对集群任务分配过程可能存在航天器故障、通信失联等不确定情况展开仿真。假设航天器数和任务数均为100个,在分布式拍卖的迭代过程中,随机确定发生故障的航天器的编号和迭代轮数,采用任务重规划和鲁棒自适应拍卖进行任务再分配。任务重规划的思路是在发生故障后,根据更新的航天器信息重新采用分布式拍卖算法进行任务分配。鲁棒自适应拍卖是在原有的报价信息基础上,将故障航天器的收益和报价信息清零,继续规划,不确定条件下任务分配如表4所示。
表4
表4中第一行数据表示第34号航天器在第511轮迭代中出现故障,集群中剩余卫星根据更新的信息重新分配任务需迭代11964轮,则总迭代次数为12475,若采用鲁棒自适应拍卖算法则只需迭代11941次,两种分配方法的收益误差为0.009。由表4可知,发生不确定情况后两种任务重分配和鲁棒自适应拍卖方法都能有效完成任务分配,且分配结果收益几乎一致。由于鲁棒自适应拍卖能利用已有的分配信息,及时调整收益矩阵和报价信息,其总迭代次数在所有算例中均小于任务重分配策略。此外,若故障发生较早,则两种方法的迭代轮数相近,若故障发生较迟,则鲁棒自适应拍卖算法的迭代轮数远小于任务重分配策略。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图2所示,提供了一种基于鲁棒拍卖算法的集群航天器任务分配装置,包括:最优轨迹规划模块202、构建任务总收益矩阵模块204、调整报价增量模块206和任务分配模块208,其中:
最优轨迹规划模块202,用于获取集群航天器的绕飞轨道参数;根据所述绕飞轨道参数构建相对运动边界条件约束,结合相对运动动力学约束和控制饱和约束,设置相对运动最优轨迹规划问题的约束条件;以及根据航天器机动至观测点消耗的燃料设置相对运动最优轨迹规划问题的目标函数;
构建任务总收益矩阵模块204,用于对相对运动最优轨迹规划问题进行求解,得到燃料消耗矩阵;根据集群航天器进行观测时的光照角约束构建观测收益矩阵,利用观测收益矩阵和燃料消耗矩阵构建任务总收益矩阵,根据任务总收益矩阵对集群航天器任务分配问题进行建模;
调整报价增量模块206,用于根据任务总收益矩阵构建虚拟收益矩阵和虚拟分配方案,将集群航天器任务分配问题转化为任务数与航天器数一致的分配问题,利用航天器集与任务集之间的不匹配程度自适应调整报价增量,得到调整后的报价增量;
任务分配模块208,用于将失效航天器的收益和报价信息置零并根据调整后的报价增量对分布式拍卖算法进行优化,得到鲁棒拍卖算法;利用鲁棒拍卖算法对集群航天器任务分配问题进行求解,得到任务分配方案。
在其中一个实施例中,构建任务总收益矩阵模块204还用于根据集群航天器进行观测时的光照角约束构建观测收益矩阵,包括:
在其中一个实施例中,构建任务总收益矩阵模块204还用于利用观测收益矩阵和燃料消耗矩阵构建任务总收益矩阵,包括:
利用观测收益矩阵和燃料消耗矩阵构建任务总收益矩阵为
其中,O为观测收益矩阵,F为燃料消耗矩阵,ω 1和ω 2为分别为观测收益矩阵和燃料消耗矩阵的收益系数。
在其中一个实施例中,构建任务总收益矩阵模块204还用于根据任务总收益矩阵对集群航天器任务分配问题进行建模,包括:
根据任务总收益矩阵对集群航天器任务分配问题进行建模为
其中,J ij 表示航天器i执行任务j的实际收益,c ij =1表示第i个航天器在终端时刻部署在第j个观测点。
在其中一个实施例中,调整报价增量模块206还用于利用航天器集与任务集之间的不匹配程度自适应调整报价增量,得到调整后的报价增量,包括:
利用航天器集与任务集之间的不匹配程度自适应调整报价增量,得到调整后的报价增量为
在其中一个实施例中,调整报价增量模块206还用于根据任务总收益矩阵构建虚拟收益矩阵和虚拟分配方案,包括:
在其中一个实施例中,任务分配模块208还用于利用鲁棒拍卖算法对集群航天器任务分配问题进行求解,得到任务分配方案,包括
步骤五:如果航天器i对目标任务的上轮报价小于等于此轮报价,且目标任务的最高出价者不是航天器i,则将净收益最高的任务分配给航天器i,同时在上轮报价的基础上增加报价增量,其中表示航天器i执行所有任务的最大净收益和第二净收益之差再加上报价增量;
关于基于鲁棒拍卖算法的集群航天器任务分配装置的具体限定可以参见上文中对于基于鲁棒拍卖算法的集群航天器任务分配方法的限定,在此不再赘述。上述基于鲁棒拍卖算法的集群航天器任务分配装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于鲁棒拍卖算法的集群航天器任务分配方法,其特征在于,所述方法包括:
获取集群航天器的绕飞轨道参数;
根据所述绕飞轨道参数构建相对运动边界条件约束,结合相对运动动力学约束和控制饱和约束,设置相对运动最优轨迹规划问题的约束条件;以及根据航天器机动至观测点消耗的燃料设置相对运动最优轨迹规划问题的目标函数;
对所述相对运动最优轨迹规划问题进行求解,得到燃料消耗矩阵;
根据集群航天器进行观测时的光照角约束构建观测收益矩阵,利用所述观测收益矩阵和燃料消耗矩阵构建任务总收益矩阵,根据所述任务总收益矩阵对集群航天器任务分配问题进行建模;
根据所述任务总收益矩阵构建虚拟收益矩阵和虚拟分配方案,将集群航天器任务分配问题转化为任务数与航天器数一致的分配问题,利用航天器集与任务集之间的不匹配程度自适应调整报价增量,得到调整后的报价增量;
将失效航天器的收益和报价信息置零并根据所述调整后的报价增量对分布式拍卖算法进行优化,得到鲁棒拍卖算法;
利用所述鲁棒拍卖算法对所述集群航天器任务分配问题进行求解,得到任务分配方案。
4.根据权利要求3所述的方法,其特征在于,利用所述观测收益矩阵和燃料消耗矩阵构建任务总收益矩阵,包括:
利用所述观测收益矩阵和燃料消耗矩阵构建任务总收益矩阵为
J=ω 1 O-ω 2 F
其中,O为观测收益矩阵,F为燃料消耗矩阵,ω 1和ω 2分别为观测收益矩阵和燃料消耗矩阵的收益系数。
8.根据权利要求7所述的方法,其特征在于,将失效航天器的收益和报价信息置零,包括:
将失效航天器的收益和报价信息置零,若任务数大于航天器数,则不给失效航天器分配实际任务;若任务数等于航天器数,则将收益最低的任务分配给失效航天器。
9.根据权利要求8所述的方法,其特征在于,利用所述鲁棒拍卖算法对所述集群航天器任务分配问题进行求解,得到任务分配方案,包括:
步骤五:如果航天器i对目标任务的上轮报价小于等于此轮报价,且目标任务的最高出价者不是航天器i,则将净收益最高的任务分配给航天器i,同时在上轮报价的基础上增加报价增量,其中表示航天器i执行所有任务的最大净收益和第二净收益之差再加上报价增量;
10.一种基于鲁棒拍卖算法的集群航天器任务分配装置,其特征在于,所述装置包括:
最优轨迹规划模块,用于获取集群航天器的绕飞轨道参数;根据所述绕飞轨道参数构建相对运动边界条件约束,结合相对运动动力学约束和控制饱和约束,设置相对运动最优轨迹规划问题的约束条件;以及根据航天器机动至观测点消耗的燃料设置相对运动最优轨迹规划问题的目标函数;
构建任务总收益矩阵模块,用于对所述相对运动最优轨迹规划问题进行求解,得到燃料消耗矩阵;根据集群航天器进行观测时的光照角约束构建观测收益矩阵,利用所述观测收益矩阵和燃料消耗矩阵构建任务总收益矩阵,根据所述任务总收益矩阵对集群航天器任务分配问题进行建模;
调整报价增量模块,用于根据所述任务总收益矩阵构建虚拟收益矩阵和虚拟分配方案,将集群航天器任务分配问题转化为任务数与航天器数一致的分配问题,利用航天器集与任务集之间的不匹配程度自适应调整报价增量,得到调整后的报价增量;
任务分配模块,用于将失效航天器的收益和报价信息置零并根据所述调整后的报价增量对分布式拍卖算法进行优化,得到鲁棒拍卖算法;利用所述鲁棒拍卖算法对所述集群航天器任务分配问题进行求解,得到任务分配方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211386729.8A CN115616902B (zh) | 2022-11-07 | 2022-11-07 | 基于鲁棒拍卖算法的集群航天器任务分配方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211386729.8A CN115616902B (zh) | 2022-11-07 | 2022-11-07 | 基于鲁棒拍卖算法的集群航天器任务分配方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115616902A CN115616902A (zh) | 2023-01-17 |
CN115616902B true CN115616902B (zh) | 2023-03-07 |
Family
ID=84878578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211386729.8A Active CN115616902B (zh) | 2022-11-07 | 2022-11-07 | 基于鲁棒拍卖算法的集群航天器任务分配方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115616902B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2645196A1 (en) * | 2012-03-30 | 2013-10-02 | The Boeing Company | Network of unmanned vehicles |
CN108023637A (zh) * | 2017-12-06 | 2018-05-11 | 中国人民解放军国防科技大学 | 一种同构多星在线协同方法 |
CN108073185A (zh) * | 2017-11-30 | 2018-05-25 | 江西洪都航空工业集团有限责任公司 | 多无人机同时到达协同控制方法 |
CN108377163A (zh) * | 2017-12-06 | 2018-08-07 | 中国人民解放军国防科技大学 | 一种基于异步通信的多星在线协同方法 |
CN109409773A (zh) * | 2018-11-14 | 2019-03-01 | 中南大学 | 一种基于合同网机制的对地观测资源动态规划方法 |
CN109828594A (zh) * | 2019-01-28 | 2019-05-31 | 中国人民解放军国防科技大学 | 一种燃料消耗低与过程稳定的电磁航天器构型重构方法 |
CN111148252A (zh) * | 2019-12-30 | 2020-05-12 | 国网辽宁省电力有限公司电力科学研究院 | 基于拍卖的lte电力无线专网资源分配方法 |
CN111245905A (zh) * | 2019-12-31 | 2020-06-05 | 中国电子科技集团公司第五十四研究所 | 一种任务分配方法 |
CN111353179A (zh) * | 2018-12-21 | 2020-06-30 | 塔莱斯公司 | 共享航空领域数据的分布式账本 |
CN112598332A (zh) * | 2021-01-06 | 2021-04-02 | 中国人民解放军国防科技大学 | 空间在轨服务任务调度方法、装置和计算机设备 |
CN114269019A (zh) * | 2021-12-20 | 2022-04-01 | 北京邮电大学 | 空天信息网络中基于双拍卖博弈的资源分配方法 |
CN114493776A (zh) * | 2022-01-20 | 2022-05-13 | 重庆邮电大学 | 基于区块链的多租户分布式租赁卫星网络资源的方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6573858B1 (en) * | 2001-12-27 | 2003-06-03 | Institute For Information Industry | Tandem-cycle target/track assignment method in combined radar/ADS surveillance environment |
KR101355799B1 (ko) * | 2012-05-29 | 2014-01-29 | 아주대학교산학협력단 | 복제 패킷 전송을 제어하는 슬랏 예약 방식의 랜덤 액세스 기법을 이용하는 데이터 전송 방법 |
US20220004950A1 (en) * | 2020-07-02 | 2022-01-06 | Raytheon Company | Distributed orchestration for satellite groups and other groups |
-
2022
- 2022-11-07 CN CN202211386729.8A patent/CN115616902B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2645196A1 (en) * | 2012-03-30 | 2013-10-02 | The Boeing Company | Network of unmanned vehicles |
CN108073185A (zh) * | 2017-11-30 | 2018-05-25 | 江西洪都航空工业集团有限责任公司 | 多无人机同时到达协同控制方法 |
CN108023637A (zh) * | 2017-12-06 | 2018-05-11 | 中国人民解放军国防科技大学 | 一种同构多星在线协同方法 |
CN108377163A (zh) * | 2017-12-06 | 2018-08-07 | 中国人民解放军国防科技大学 | 一种基于异步通信的多星在线协同方法 |
CN109409773A (zh) * | 2018-11-14 | 2019-03-01 | 中南大学 | 一种基于合同网机制的对地观测资源动态规划方法 |
CN111353179A (zh) * | 2018-12-21 | 2020-06-30 | 塔莱斯公司 | 共享航空领域数据的分布式账本 |
CN109828594A (zh) * | 2019-01-28 | 2019-05-31 | 中国人民解放军国防科技大学 | 一种燃料消耗低与过程稳定的电磁航天器构型重构方法 |
CN111148252A (zh) * | 2019-12-30 | 2020-05-12 | 国网辽宁省电力有限公司电力科学研究院 | 基于拍卖的lte电力无线专网资源分配方法 |
CN111245905A (zh) * | 2019-12-31 | 2020-06-05 | 中国电子科技集团公司第五十四研究所 | 一种任务分配方法 |
CN112598332A (zh) * | 2021-01-06 | 2021-04-02 | 中国人民解放军国防科技大学 | 空间在轨服务任务调度方法、装置和计算机设备 |
CN114269019A (zh) * | 2021-12-20 | 2022-04-01 | 北京邮电大学 | 空天信息网络中基于双拍卖博弈的资源分配方法 |
CN114493776A (zh) * | 2022-01-20 | 2022-05-13 | 重庆邮电大学 | 基于区块链的多租户分布式租赁卫星网络资源的方法 |
Non-Patent Citations (3)
Title |
---|
Hu Jiaxin.Optimal reconfiguration of constellation using adaptive innovation driven multiobjective evolutionary algorithm.2021,第32卷(第6期),第1527-1538页. * |
于晓强.基于拓展CBBA算法的在轨装配航天器任务分配技术研究.2019,第2卷(第4期),第46-53页. * |
王厚鹏.多目标跟踪的飞行器集群协同实时任务分配策略.2020,2020年(第3期),第32-37页. * |
Also Published As
Publication number | Publication date |
---|---|
CN115616902A (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112766813A (zh) | 一种空天协同观测复杂任务调度方法及系统 | |
CN114545975B (zh) | 融合多目标进化算法和合同网算法的多无人机系统任务分配方法 | |
CN108897338B (zh) | 基于pio的圆轨道航天器编队重构型防碰撞路径规划方法 | |
CN109933078B (zh) | 鲁棒微分博弈控制的多微卫星姿态接管失效航天器方法 | |
CN116166048B (zh) | 一种无人机群容错任务规划方法 | |
CN113568426B (zh) | 一种基于多星多载荷的卫星集群协同规划方法 | |
CN113886460A (zh) | 低带宽分布式深度学习方法 | |
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 | |
CN111178419B (zh) | 一种基于任务聚类的敏捷遥感卫星多目标任务规划方法 | |
CN115616902B (zh) | 基于鲁棒拍卖算法的集群航天器任务分配方法及装置 | |
CN116090742A (zh) | 一种考虑时间窗约束的无人集群分布式任务分配算法 | |
CN113128749B (zh) | 一种卫星观测网络集中式在线规划方法 | |
CN113190038A (zh) | 一种无人机集群空中区域侦察任务的分配方法 | |
CN106845700B (zh) | 一种多碎片主动清除离线最优导引算法 | |
CN116088586A (zh) | 一种无人机作战过程中的临机任务规划的方法 | |
CN115689184A (zh) | 一种基于共识的捆绑算法的分布式任务分配方法 | |
CN115329595A (zh) | 一种基于知识与经验的无人机集群任务规划方法及系统 | |
CN115564374A (zh) | 协同多任务重分配方法、装置、设备及可读存储介质 | |
CN113504793B (zh) | 一种基于Voronoi图的无人机集群路径规划方法 | |
CN115758707A (zh) | 卫星东西保持策略模型的建模方法、模型、获取方法 | |
CN115167451A (zh) | 一种离散异构多自主体编队合围跟踪控制方法及系统 | |
CN112270435A (zh) | 一种基于深度强化学习的多星自主任务分配方法 | |
CN113238873A (zh) | 一种用于航天器资源优化配置的方法 | |
CN111506984A (zh) | 多层卫星系统可靠性建模方法及设计优化方法 | |
CN116750211B (zh) | 一种基于追踪目标分配与轨道规划的追踪防御方法 |
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 |