CN116109036B - 区域网格化的多星观测规划方法、装置及设备 - Google Patents

区域网格化的多星观测规划方法、装置及设备 Download PDF

Info

Publication number
CN116109036B
CN116109036B CN202310042099.0A CN202310042099A CN116109036B CN 116109036 B CN116109036 B CN 116109036B CN 202310042099 A CN202310042099 A CN 202310042099A CN 116109036 B CN116109036 B CN 116109036B
Authority
CN
China
Prior art keywords
grid
observation
strip
weight
satellite
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
Application number
CN202310042099.0A
Other languages
English (en)
Other versions
CN116109036A (zh
Inventor
王鹏
潘优美
李锦文
徐帆江
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.)
Institute of Software of CAS
Original Assignee
Institute of Software of CAS
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 Institute of Software of CAS filed Critical Institute of Software of CAS
Priority to CN202310042099.0A priority Critical patent/CN116109036B/zh
Publication of CN116109036A publication Critical patent/CN116109036A/zh
Application granted granted Critical
Publication of CN116109036B publication Critical patent/CN116109036B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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

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

Abstract

本发明公开了一种离散兴趣点网格化对地观测规划方法及装置，所述方法包括：根据设定的H3空间索引层级，对全球地理信息进行H3网格剖分和编码，以得到观测区域在H3空间索引层级下的网格权重值；根据卫星轨道计算卫星Satk对地观测的条带Skg，并针对条带Skg中的观察区域Rkg，基于网格Gridi的权重值计算观察区域Rkg的直方图向量；依据卫星Satk是否观察的条带Skg，得到条带Skg的决策变量的值xkg；基于决策变量的值xikg、网格Gridi的权重值以及条带Skg的直方图向量，最大化观测区域内对覆盖网格的权重总和且最大化卫星间的负载均衡，得到多星观测规划结果。本发明解决针对多颗卫星对某一特定地面区域协同观测的问题。

Description

区域网格化的多星观测规划方法、装置及设备
技术领域
本发明涉及一种区域网格化的多星观测规划方法、装置及设备，属于卫星区域目标规划技术领域。
背景技术
航天技术的快速发展使遥感卫星在轨运行数量不断上升，从而大大提升了卫星对地观测覆盖范围与覆盖精度，合理的多星任务规划方法是提高卫星资源利用率的关键，如何提供高精度和高效率的观测方案以满足观测需求，一直是卫星区域任务规划的研究热点问题。
面向地面区域的观测调度涉及区域分解、多星观测协同以及区域覆盖率计算。计算过程通常需将地面区域分解成多个可以由卫星单次完成的部分区域，并优化分配不同卫星对整个区域的观测活动，以实现对区域最大化覆盖的目的。但由于缺乏对地面区域规范和有效的划分方法，导致任务规划求解复杂，处理效率低。
发明内容
为解决上述问题，本发明公开了一种区域网格化的多星观测规划方法、装置及设备，以解决针对多颗卫星对某一特定地面区域协同观测的问题。
为实现上述目的，本发明采用如下技术方案。
一种区域网格化的多星观测规划方法，所述方法包括：
根据设定的H3空间索引层级，对全球地理信息进行H3网格剖分和编码，以得到观测区域在所述H3空间索引层级下的网格权重值；其中，所述网格权重值反应网格剖分后得到的各网格Gridi的重要性；
根据卫星轨道计算卫星Satk对地观测的条带Skg，并针对所述条带Skg中的观察区域Rkg，基于所述网格Gridi的网格权重值计算所述观察区域Rkg的直方图向量；
依据所述卫星Satk是否观察的所述条带Skg，得到所述条带Skg的决策变量的值xkg；
基于所述决策变量的值xikg、所述网格Gridi的网格权重值以及所述条带Skg的直方图向量，最大化所述观测区域内对覆盖网格的权重总和且最大化卫星间的负载均衡，得到多星观测规划结果。
进一步地，所述针对所述条带Skg中的观察区域Rkg，基于所述网格Gridi的网格权重值计算所述观察区域Rkg的直方图向量，包括：
针对所述条带Skg中的观察区域Rkg，获取对应的网格集合与网格权重集合
根据所述网格权重集合生成长度为L′的直方图向量，以记录不同权重对应的网格数量；其中，L′表示权重层级。
进一步地，所述依据所述卫星Satk是否观察的所述条带Skg，得到所述条带Skg的决策变量的值xkg，包括：
所述卫星Satk观察所述条带Skg的情况下，所述条带Skg的决策变量的值xkg＝1；
所述卫星Satk未观察所述条带Skg的情况下，所述条带Skg的决策变量的值xkg＝0。
进一步地，所述基于所述决策变量的值xikg、所述网格Gridi的网格权重值以及所述观察区域Rkg的直方图向量，最大化所述观测区域内对覆盖网格的权重总和且均衡卫星间的负载，得到多星观测规划结果，包括：
基于所述决策变量的值xikg和所述网格Gridi的网格权重值，构建目标函数 其中，所述目标函数Weight表示最大化所述观测区域内对覆盖网格的权重总和，S表示卫星总数量，G表示所述卫星Satk对应的条带总数量；
基于所述直方图向量，构建目标函数Load＝maxcosα；其中，所述目标函数Load表示最大化卫星间的负载均衡，所述卫星Satk的负载 表示所述观察区域Rkg的直方图向量；
设定所述目标函数Weight和目标函数Load的约束条件；
利用非支配排序遗传算法对所述目标函数Weight和目标函数Load进行优化，得到多星观测规划结果。
进一步地，所述目标函数Weight和目标函数Load的约束条件，包括：
所述卫星Satk在所述条带Skg的观测时间满足所述卫星Satk的成像时间要求；
和，
所述卫星Satk经过所述观测区域内一次只能选择一个侧摆角下的成像区域；
和，
所述卫星Satk的存储容量。
进一步地，所述利用非支配排序遗传算法对所述待优化的目标函数进行优化，得到对地观测规划结果，包括：
对所述卫星Satk与所述条带Skg进行初始化，设置目标区域调度时间以及所选卫星的可见时间窗、遗传算法参数；
将卫星数量和对应观测区域数量以及所述约束条件作为系统变量输入进行计算，对违背约束的变量进行修正，并计算最大化网格权重和、负载均衡作为个体适应度值；
根据所述目标函数Weight、目标函数Load以及约束条件，在多个目标函数下分别计算种群个体的适应度值；
对种群进行非支配排序，将最优的非支配解pareto存入外部存档集合，并清除非pareto解后，得到包含所选卫星与条带最优组合的对地观测规划结果。
一种区域网格化的多星观测规划装置，所述装置包括：
地理网格剖分模块，用于根据设定的H3空间索引层级，对全球地理信息进行H3网格剖分和编码，以得到观测区域在所述H3空间索引层级下的网格权重值；其中，所述网格权重值反应网格剖分后得到的网格Gridi的重要性；直方图计算模块，用于根据卫星轨道计算卫星Satk对地观测的条带Skg，并针对所述条带Skg中的观察区域Rkg，基于所述网格Gridi的网格权重值计算所述观察区域Rkg的直方图向量；
决策变量计算模块，用于依据所述卫星Satk是否观察的所述条带Skg，得到所述条带Skg的决策变量的值xkg；
规划结果预测模块，用于基于所述决策变量的值xikg、所述网格Gridi的网格权重值以及所述条带Skg的直方图向量，最大化所述观测区域内对覆盖网格的权重总和且最大化卫星间的负载均衡，得到多星观测规划结果。
一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被处理器执行时，实现上述任一所述方法。
一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一所述方法。
与现有技术相比，本发明提出的多星观测规划方法至少具有以下优点。
1、将地球空间划分为大小均匀的可识别的网格单元，大大提高了全球空间索引的效率，且H3空间索引可根据目标观测区域的规模选择合适的层级使用，在规划过程中将网格作为任务分配的最小计算单元，有效地提升了卫星观测任务规划的求解效率。
2、地面区域经网格化后，通过网格重要性热图的形式来体现整块区域内部局部区域的重要性，可以以一种简洁的方式反映复杂的区域重要性分布，便于对区域进行细化分割处理，突出特定局部区域的重要性。
3、综合了区域的重要性覆盖和多星任务负载均衡进行任务规划。本发明充分考虑待观测区域内部网格被观测带来的收益总和，并通过网格的权重进行量化，同时兼顾卫星与卫星间对区域任务分配的均衡性问题，在保证整体收益的同时，确保多星资源的协调使用。
附图说明
图1区域网格化的多星观测规划方法的流程图。
图2区域网格化的多星观测规划装置的框图。
具体实施方式
为使本发明的上述特征和优点能更明显易懂，下面通过具体实施例，对本发明的技术方案做进一步说明。
本发明的多星观测规划方法，首先采用全球网格划分算法，将待观测区域进行网格划分及编码；根据多颗卫星的轨道运动特征，将各自的可观测区域映射到前面划分完成的网格中，形成一系列在区域可见窗口内的可观测网格集合，从而由网格编码快速索引并定位到可观测网格；在此基础上多星对地面区域协同观测的需要，从区域覆盖率和多星负载均衡的角度，将地面区域的网格化观测问题转化为多目标数学优化问题进行求解。本发明利用非支配排序遗传算法(Non-dominating Sorting Genetic Algorithm,NSGA-II)，根据区域观测需求设定的目标函数以及约束条件，获得优化后的求解结果作为多星对地观测方案。
具体来说，如图1所示，本发明包括以下步骤1-步骤4。
步骤1：根据设定的H3空间索引层级，对全球地理信息进行H3网格剖分和编码，以得到观测区域中兴趣点在所述H3空间索引层级下的网格权重值。
本发明首先需要对全球地理信息进行H3网格剖分和编码，以便于根据经纬度快速定位至网格。H3空间索引设置了0～15共16个层级，每个层级用以剖分的网格数量不同，级别越高，网格表示的实际范围越小，索引区域范围越为精细。对于任意给定的观测矩形区域R，其包含四组经纬度{(long1,lat1),(long2,lat2),(long3,lat3),(long4,lat4)}，分别表示R四个顶点的经纬度坐标点位置；选定一个网格划分层级L，(0≤L≤15)，生成该层级下R的网格划分集合Grid，其中的每一个网格Gridi包含于R，1≤i≤N，N为网格划分集合Grid里包含的所有网格数。假设单个网格Gridi内有兴趣点集合Ui＝{ui1,…,uij,…}，其对应的兴趣层级是Li＝{li1,…,lij,…}，其中lij,代表单个点uij的兴趣级别，且lij∈[1,I]，I表示指定的最高兴趣级别。根据Li可统计任意兴趣级别l的频次fl，l∈[1,I]，此时频次fl表示网格Gridi中兴趣级别为l的兴趣点的个数。计算兴趣点在每个网格Gridi中的总和，并映射为网格的权重w＝l*fl。
基于上述，本发明可以得到H3网格剖分的网格集合Grid＝{Grid1,Grid2,…,GridN}，以及所有网格对应权重集合其中，1≤i≤N，总网格数量为N。
步骤2：根据卫星轨道计算卫星Satk对地观测的条带Skg，并针对所述条带Skg中的观察区域Rkg，基于网格Gridi的网格权重值计算观察区域Rkg的直方图向量。
步骤2.1：根据卫星轨道生成一段时间内卫星对地观测的可覆盖区域，并对区域应用网格划分。
(1)假设总的调度时间范围为[TS,TE]，TS、TE分别表示分析时间段内的起始时间、结束时间。
(2)假设卫星集合Satk，1≤k≤S，S表示对于区域R能产生观测的卫星数量，卫星沿固定轨道移动时的侧摆角β在[-B,B]可变，变化步长为Δβ，且在卫星单次经过区域R上方的时间范围内，侧摆角β保持不变。
(3)卫星Satk在[TS,TE]时间范围内沿固定轨道移动过程中，如果R对Satk可见，记Rkg为其中任意的一个连续观测区域，1≤g≤G，G表示卫星Satk对区域R所有可能的观测区域的数量，将Rkg表示为多边形，其顶点为R′kg(long,lat)，l′为顶点个数，1≤l′≤V，V表示观测区域多边形Rkg的顶点数；卫星Satk的观测开始时间与结束时间为wskg和wekg，最大存储容量为Ek，记ek为卫星Satk单位时间内所消耗的存储容量；采用步骤1中的网格划分方法，对观测区域Rkg生成L层级下的网格划分Gridkg。
步骤2.2：针对所述条带Skg中的观察区域Rkg，获取对应的网格集合与网格权重集合/>
根据实际问题的需要，对网格划分集合Gridi中的不同的网格指定权重以反映局部区域的重要性，网格划分集合Grid对应的权重集合为其中/>对应网格Gridi的权重。
步骤2.3：根据所述网格权重集合生成长度为L′的直方图向量，以记录不同权重对应的网格数量。
本发明将观测区域Rkg与网格集合Gridi中的部分网格进行对应，则Rkg内网格集合表示为对应网格权重集合/>根据Rkg内网格权重集合/>生成长度为L′的直方图向量记录不同权重对应的网格数量，其中L′为优先级或权重层级，该直方图向量/>
步骤3：依据所述卫星Satk是否观察的所述条带Skg，得到所述条带Skg的决策变量的值xkg。
本发明定义决策变量xkg的表示为：
步骤4：基于所述决策变量的值xikg、所述网格Gridi的网格权重值以及所述条带Skg的直方图向量，最大化所述观测区域内对覆盖网格的权重总和且最大化卫星间的负载均衡，得到多星观测规划结果。
本步骤构建待优化的多目标规划的目标函数和对应的约束条件，并采用非支配排序遗传算法进行优化求解，求解结果输出为规划方案。
步骤4.1：构建待优化的多目标规划的目标函数和对应的约束条件。
对于卫星任务规划的目标是在在满足卫星约束的前提下观测到的网格集合的权重之和尽可能大，同时希望各个卫星之间负载更加均衡，以平衡整个多星系统的整体性能，因此，该多目标优化问题的目标函数表述如下。
目标函数1：将待优化的目标函数表示为观测区域内对覆盖网格的权重的总和，并对其最大化：
目标函数2：尽可能使卫星间负载均衡，对于卫星间的负载均衡，使用余弦相似度对不同卫星所承担观测区域的网格优先级直方图的一致性进行量化，结果越大越相似：Load＝maxcosα，1≤k≤S，1≤g≤G。
步骤4.2：构建目标函数优化过程中需要满足的约束条件。
约束条件1：为了保证卫星运行在整个调度时间范围内，任意条带的观测时间必须满足成像时间要求。即，TS≤wskg≤wekg≤TE,1≤k≤S，1≤g≤G。
约束条件2：在规划时间区间内，卫星Satk在经过区域R内一次只能选择一个侧摆角下的成像区域。即，1≤≤S，-B≤β≤B。
约束条件3：卫星存储容量约束，即，1≤k≤S，1≤g≤G。
步骤4.3：针对构造的目标函数与相关约束，利用非支配排序遗传算法对该问题进行优化。非支配排序遗传算法针对卫星任务规划的主要流程如下。
(1)对卫星与条带进行初始化，设置目标区域调度时间[TS,TE]以及所选卫星的可见时间窗，遗传算法参数等。
(2)将卫星数量和对应观测区域数量以及相关约束作为系统变量输入计算，对违背约束的变量进行修正(例如每颗卫星在同一任务下只能选出一种侧摆角下对应的条带)，并计算系统的最大化网格权重、负载均衡作为个体适应度值(目标函数值)。
(3)根据需求设定多个目标函数以及约束条件，在多个目标函数下分别计算种群个体的适应度值，
(4)对种群中的个体进行非支配排序，计算个体的拥挤距离，并通过选择，交叉，变异策略进行更新，形成新的种群。最后获得非支配解，即所选卫星与条带的最优组合。
(5)返回步骤(3)，直至满足终止条件。取终止条件为最大迭代次数，输出全局最优的非劣解集。
综上所述，本发明将地球空间划分为大小均匀的可识别的网格单元，大大提高了全球空间索引的效率，且H3空间索引可根据目标观测区域的规模选择合适的层级使用，在规划过程中将网格作为任务分配的最小计算单元，有效地提升了卫星观测任务规划的求解效率。
本发明的地面区域经网格化后，通过网格重要性热图的形式来体现整块区域内部局部区域的重要性，可以以一种简洁的方式反映复杂的区域重要性分布，便于对区域进行细化分割处理，突出特定局部区域的重要性。
本发明充分考虑待观测区域内部网格被观测带来的收益总和，并通过网格的权重进行量化，同时兼顾卫星与卫星间对区域任务分配的均衡性问题，在保证整体收益的同时，确保多星资源的协调使用，从而综合了区域的重要性覆盖和多星任务负载均衡进行任务规划。
本发明还公开了一种区域网格化的多星观测规划装置，该装置可以为计算机设备，也可以设置在计算机设备中。如图2所示，包括：地理网格剖分模块210、直方图计算模块220、决策变量计算模块230和规划结果预测模块240。
地理网格剖分模块210，根据设定的H3空间索引层级，对全球地理信息进行H3网格剖分和编码，以得到观测区域在所述H3空间索引层级下的网格集合；其中，所述网格权重值反应网格剖分后得到的网格Gridi的重要性。
直方图计算模块220，用于根据卫星轨道计算卫星Satk对地观测的条带Skg，并针对所述条带Skg中的观察区域Rkg，基于所述网格Gridi的权重值计算所述观察区域Rkg的直方图向量。
决策变量计算模块230，用于依据所述卫星Satk是否观察的所述条带Skg，得到所述条带Skg的决策变量的值xkg。
规划结果预测模块240，用于基于所述决策变量的值xikg、所述网格Gridi的权重值以及所述条带Skg的直方图向量，最大化所述观测区域内对覆盖网格的权重总和且最大化卫星间的负载均衡，得到多星观测规划结果。
有关装置模块的具体执行过程、有益效果等阐述，请参见上述方法实施例的介绍说明，此处不多赘述。
在示例性实施例中，还提供了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行，以实现上述区域网格化的多星观测规划方法。
在示例性实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述区域网格化的多星观测规划方法。
在示例性实施例中，还提供了一种计算机程序产品，当所述计算机程序产品在计算机设备上运行时，使得计算机设备执行如上述区域网格化的多星观测规划方法。
最后应说明的是，以上实施例仅用以说明本申请的技术方案，而非对其限制。尽管参照上述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解，其依然可以对上述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申请各实施例技术方案的精神和范围。

Claims (8)

1.一种区域网格化的多星观测规划方法，其特征在于，所述方法包括：
根据设定的H3空间索引层级，对全球地理信息进行H3网格剖分和编码，以得到观测区域在所述H3空间索引层级下的网格权重值；其中，所述网格权重值反应网格剖分后得到的各网格Gridi的重要性，所述根据设定的H3空间索引层级，对全球地理信息进行H3网格剖分和编码，以得到观测区域在所述H3空间索引层级下的网格权重值，包括：
对全球地理信息进行H3空间索引的设置；
对于H3空间索引中的一网格划分层级，生成该网格划分层级下观测区域的网格划分集合Grid，所述网格划分集合Grid中的每一个网格Gridi包含于观测区域，1≤i≤N，N为所述网格划分集合Grid里包含的所有网格数；
获取所述网格Gridi内的兴趣点集合Ui＝{ui1,…,uij,…}对应的兴趣层级集合Li＝{li1,…,lij,…}，兴趣层级lij代表单个兴趣点uij的兴趣级别，lij∈[1,I]，I表示指定的最高兴趣级别；
根据兴趣层级集合Li统计兴趣级别l的频次fl，l∈[1,I]，所述频次fl表示网格Gridi中兴趣级别为l的兴趣点的个数；
计算兴趣点在所述网格Gridi中的总和，并映射为网格Gridi的网格权重值wi＝l*fl；
根据卫星轨道计算卫星Satk对地观测的条带Skg，并针对所述条带Skg中的观察区域Rkg，基于所述网格Gridi的网格权重值计算所述观察区域Rkg的直方图向量；
依据所述卫星Satk是否观察所述条带Skg，得到所述条带Skg的决策变量的值xkg；
基于所述决策变量的值xkg、所述网格Gridi的网格权重值以及条带Skg的直方图向量，最大化所述观测区域内覆盖网格的权重总和且最大化卫星间的负载均衡，得到多星观测规划结果；其中，所述基于所述决策变量的值xkg、所述网格Gridi的网格权重值以及所述条带Skg的直方图向量，最大化所述观测区域内覆盖网格的权重总和且最大化卫星间的负载均衡，得到多星观测规划结果，包括：
基于所述决策变量的值xkg和所述网格Gridi的网格权重值，构建目标函数 其中，所述目标函数Weight表示最大化所述观测区域内覆盖网格的权重总和，S表示卫星总数量，G表示所述卫星Satk对应的条带总数量；
基于所述直方图向量，构建目标函数Load＝max cosα；其中，所述目标函数Load表示最大化卫星间的负载均衡，所述卫星Satk的负载 表示所述观察区域Rkg的直方图向量；
设定所述目标函数Weight和目标函数Load的约束条件；
利用非支配排序遗传算法对所述目标函数Weight和目标函数Load进行优化求解，得到多星观测规划结果。
2.如权利要求1所述的方法，其特征在于，所述针对所述条带Skg中的观察区域Rkg，基于所述网格Gridi的网格权重值计算所述观察区域Rkg的直方图向量，包括：
针对所述条带Skg中的观察区域Rkg，获取对应的网格集合与网格权重集合/>
根据所述网格权重集合生成长度为L′的直方图向量，以记录不同权重对应的网格数量；其中，L′表示权重层级。
3.如权利要求1所述的方法，其特征在于，所述依据所述卫星Satk是否观察所述条带Skg，得到所述条带Skg的决策变量的值xkg，包括：
所述卫星Satk观察所述条带Skg的情况下，所述条带Skg的决策变量的值xkg＝1；
所述卫星Satk未观察所述条带Skg的情况下，所述条带Skg的决策变量的值xkg＝0。
4.如权利要求1所述的方法，其特征在于，所述目标函数Weight和目标函数Load的约束条件，包括：
所述卫星Satk在所述条带Skg的观测时间满足所述卫星Satk的成像时间要求；
和，
所述卫星Satk经过所述观测区域内一次只能选择一个侧摆角下的成像区域；
和，
所述卫星Satk的存储容量限制。
5.如权利要求1所述的方法，其特征在于，所述利用非支配排序遗传算法对待优化的目标函数进行优化求解，得到对地观测规划结果，包括：
对所述卫星Satk与所述条带Skg进行初始化，设置目标区域调度时间以及所选卫星的可见时间窗、遗传算法参数；
将卫星数量和对应观测区域数量以及所述约束条件作为系统变量输入进行计算，对违背约束的变量进行修正，并计算最大化网格权重和、负载均衡作为个体适应度值；
根据所述目标函数Weight、目标函数Load以及约束条件，在多个目标函数下分别计算种群个体的适应度值；
对种群进行非支配排序，将最优的非支配解pareto存入外部存档集合，并清除非pareto解后，得到包含所选卫星与条带最优组合的对地观测规划结果。
6.一种区域网格化的多星观测规划装置，其特征在于，所述装置包括：
地理网格剖分模块，用于根据设定的H3空间索引层级，对全球地理信息进行H3网格剖分和编码，以得到观测区域在所述H3空间索引层级下的网格权重值；其中，所述网格权重值反应网格剖分后得到的网格Gridi的重要性，所述根据设定的H3空间索引层级，对全球地理信息进行H3网格剖分和编码，以得到观测区域在所述H3空间索引层级下的网格权重值，包括：
对全球地理信息进行H3空间索引的设置；
对于H3空间索引中的一网格划分层级，生成该网格划分层级下观测区域的网格划分集合Grid，所述网格划分集合Grid中的每一个网格Gridi包含于观测区域，1≤i≤N，N为所述网格划分集合Grid里包含的所有网格数；
获取所述网格Gridi内的兴趣点集合Ui＝{ui1,…,uij,…}对应的兴趣层级集合Li＝{li1,…,lij,…}，兴趣层级lij代表单个兴趣点uij的兴趣级别，lij∈[1,l]，I表示指定的最高兴趣级别；
根据兴趣层级集合Li统计兴趣级别l的频次fl，l∈[1,I]，所述频次fl表示网格Gridi中兴趣级别为l的兴趣点的个数；
计算兴趣点在所述网格Gridi中的总和，并映射为网格Gridi的网格权重值wi＝l*fl；
直方图计算模块，用于根据卫星轨道计算卫星Satk对地观测的条带Skg，并针对所述条带Skg中的观察区域Rkg，基于所述网格Gridi的网格权重值计算所述观察区域Rkg的直方图向量；
决策变量计算模块，用于依据所述卫星Satk是否观察所述条带Skg，得到所述条带Skg的决策变量的值xkg；
规划结果预测模块，用于基于所述决策变量的值xkg、所述网格Gridi的网格权重值以及条带Skg的直方图向量，最大化所述观测区域内覆盖网格的权重总和且最大化卫星间的负载均衡，得到多星观测规划结果；其中，所述基于所述决策变量的值xkg、所述网格Gridi的网格权重值以及所述条带Skg的直方图向量，最大化所述观测区域内覆盖网格的权重总和且最大化卫星间的负载均衡，得到多星观测规划结果，包括：
基于所述决策变量的值xkg和所述网格Gridi的网格权重值，构建目标函数 其中，所述目标函数Weight表示最大化所述观测区域内覆盖网格的权重总和，S表示卫星总数量，G表示所述卫星Satk对应的条带总数量；
基于所述直方图向量，构建目标函数Load＝max cosα；其中，所述目标函数Load表示最大化卫星间的负载均衡，所述卫星Satk的负载 表示所述观察区域Rkg的直方图向量；
设定所述目标函数Weight和目标函数Load的约束条件；
利用非支配排序遗传算法对所述目标函数Weight和目标函数Load进行优化求解，得到多星观测规划结果。
7.一种存储介质，所述存储介质中存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1-5中任一所述方法。
8.一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行如权利要求1-5中任一所述方法。
CN202310042099.0A 2023-01-12 2023-01-12 区域网格化的多星观测规划方法、装置及设备 Active CN116109036B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310042099.0A CN116109036B (zh) 2023-01-12 2023-01-12 区域网格化的多星观测规划方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310042099.0A CN116109036B (zh) 2023-01-12 2023-01-12 区域网格化的多星观测规划方法、装置及设备

Publications (2)

Publication Number Publication Date
CN116109036A CN116109036A (zh) 2023-05-12
CN116109036B true CN116109036B (zh) 2023-11-07

Family

ID=86262249

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310042099.0A Active CN116109036B (zh) 2023-01-12 2023-01-12 区域网格化的多星观测规划方法、装置及设备

Country Status (1)

Country Link
CN (1) CN116109036B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118297352B (zh) * 2024-06-03 2024-09-24 中国科学院软件研究所 一种多星对地周期性观测及优先级更新方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101728137B1 (ko) * 2016-02-04 2017-04-19 (주)한라지리정보 위성 영상과 ｇｉｓ를 사용한 토지피복 항목별 영상분류 방법
CN109523025A (zh) * 2018-11-09 2019-03-26 北京理工大学 针对地面区域目标的多星连续观测规划调度方法
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
CN114997611A (zh) * 2022-05-18 2022-09-02 合肥工业大学 考虑最大收益和负载均衡的分布式多星任务规划方法
CN115204559A (zh) * 2022-05-06 2022-10-18 合肥工业大学 多星对地观测任务规划方法和系统
JP2022172503A (ja) * 2021-05-06 2022-11-17 日本電気株式会社 衛星観測計画立案システム、衛星観測計画立案方法、および衛星観測計画立案プログラム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101728137B1 (ko) * 2016-02-04 2017-04-19 (주)한라지리정보 위성 영상과 ｇｉｓ를 사용한 토지피복 항목별 영상분류 방법
CN109523025A (zh) * 2018-11-09 2019-03-26 北京理工大学 针对地面区域目标的多星连续观测规划调度方法
JP2022172503A (ja) * 2021-05-06 2022-11-17 日本電気株式会社 衛星観測計画立案システム、衛星観測計画立案方法、および衛星観測計画立案プログラム
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
CN115204559A (zh) * 2022-05-06 2022-10-18 合肥工业大学 多星对地观测任务规划方法和系统
CN114997611A (zh) * 2022-05-18 2022-09-02 合肥工业大学 考虑最大收益和负载均衡的分布式多星任务规划方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于北斗导航卫星的多角度双基地SAR成像与融合;曾涛等;《雷达学报》;第3卷(第06期);632-640 *
基于对地观测需求分析的多星协同任务规划研究;崔锦甜等;《传感技术学报》;第33卷(第03期);380-387 *
面向区域覆盖的电子侦察卫星规划方法研究;王慧林等;《兵工学报》;第32卷(第11期);1365-1372 *

Also Published As

Publication number Publication date
CN116109036A (zh) 2023-05-12

Similar Documents

Publication Publication Date Title
Chen et al. A mixed integer linear programming model for multi-satellite scheduling
US7788199B2 (en) Method and apparatus for distributing assignments
CN108388958B (zh) 一种二维姿态机动卫星任务规划技术研究的方法及装置
CN112766813B (zh) 一种空天协同观测复杂任务调度方法
Waiming et al. A two-phase genetic annealing method for integrated earth observation satellite scheduling problems
US20170228834A1 (en) Generating A Risk-Adjusted Probabilistic Forecast Of Renewable Power Production For A Fleet With The Aid Of A Digital Computer
CN104657795A (zh) 多卫星对地协同观测的待观测任务确定方法及装置
US20230350097A1 (en) System and method for estimating photovoltaic energy through empirical derivation with the aid of a digital computer
CN116109036B (zh) 区域网格化的多星观测规划方法、装置及设备
CN104680238A (zh) 多卫星对地协同观测的待观测任务确定方法
CN112529317A (zh) 卫星成像任务规划方法、装置、电子设备及存储介质
CN115659556A (zh) 一种面向大区域目标的多星任务规划方法及系统
CN111612384A (zh) 一种具有时间分辨率约束的多星接力任务规划方法
Ren et al. A competitive Markov decision process model and a recursive reinforcement-learning algorithm for fairness scheduling of agile satellites
CN111414006A (zh) 基于分布式顺次分配的无人机集群侦察任务规划方法
CN110008439A (zh) 基于矩阵分解的降雨数据时空一体化插值算法
Petković et al. Machine learning for predicting thermal power consumption of the mars express spacecraft
Coello et al. Multi-objective evolutionary algorithms: past, present, and future
CN111861017A (zh) 一种基于现网数据的充电站网络优化方法
Bisoi et al. An efficient robust optimized functional link broad learning system for solar irradiance prediction
CN112766609A (zh) 一种基于云计算的用电量预测方法
Sun et al. Satellites scheduling algorithm based on dynamic constraint satisfaction problem
CN115828983B (zh) 离散兴趣点网格化对地观测规划方法及装置
CN113706050A (zh) 基于自适应遗传算法的多卫星区域观测规划方法
Xu et al. A heat grid-driven method for generation of satellite observation tasks

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