CN116450366B - 卫星测运控资源多目标优化调度方法、设备及介质 - Google Patents

Abstract

本发明提供了一种卫星测运控资源多目标优化调度方法、设备及介质，涉及测运控资源调度技术领域，用于解决进化算法的随机搜索机制面临着效率低下的问题，方法包括：通过任务请求集合、地面站天线集合、卫星集合以及可见时间窗集合，确定卫星测运控资源多目标优化调度问题的描述；以任务失败率和天线负载不均衡度为资源评价指标构建测运控资源调度多目标优化模型；基于预先设置的知识进化算法求解测运控资源调度多目标优化模型，获取卫星测控资源多目标调度方案，通过本发明，有效增强了知识进化算法对测运控资源调度问题的求解效率，并提升测运控任务需求完成率以及地面站网测运控资源负载的均衡性。

Description

卫星测运控资源多目标优化调度方法、设备及介质

技术领域

本文件涉及测运控资源调度技术领域，尤其涉及一种卫星测运控资源多目标优化调度方法、设备及介质。

背景技术

测运控资源调度问题是保障卫星稳定运行和完成使命任务的关键问题。多数现有的测运控资源调度方法大多聚焦问题的组合和超额订阅特性，通过对模型和算法策略改进以提升任务满足率。从资源使用、任务满足角度设置一两个优化目标，如任务满足率、任务优先级、资源使用率，所选优化调度目标往往比较片面，难以综合地反映测运控资源调度的系统效能。

进化算法是一类元启发式搜索算法，能够实现可靠有效的全局寻优。与传统基于数学规划的方法相比，进化多目标优化算法能够一次运行中获得一组非支配解供决策者选择。但在测运控资源调度问题组合优化和强约束特性下，进化算法的随机搜索机制面临着效率低下的问题。

发明内容

本发明提供一种卫星测运控资源多目标优化调度方法、设备及介质，旨在解决上述问题。

本发明提供一种卫星测运控资源多目标优化调度方法，包括：

S1、通过获取任务请求集合、地面站天线集合、卫星集合以及可见时间窗集合，确定卫星测运控资源多目标优化调度问题的描述；

S2、根据卫星测运控资源多目标优化调度问题的描述，以任务失败率和天线负载不均衡度为资源多目标调度方案性能评价指标构建测运控资源调度多目标优化模型；

S3、基于预先设置的知识进化算法求解所述测运控资源调度多目标优化模型，获取卫星测控资源多目标调度方案，其中，预先设置的知识进化算法中的子代生成阶段基于父代的资源调度方案引导生成。

本发明实施例提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如卫星测运控资源多目标优化调度方法的步骤。

本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如卫星测运控资源多目标优化调度方法的步骤。

采用本发明实施例，通过从父代方案中学习请求满足和资源占用知识信息引导子代生成，以提高不同类型进化算法在求解多目标测运控资源调度问题时的性能，且无需修改原始算法框架和搜索策略，具有良好通用性。本发明面向卫星管控用户和测运控资源管控方对测运控资源调度的要求，进行测运控资源的多目标优化调度，以更合理的资源管控效益来满足卫星用户需求。

附图说明

为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的卫星测运控资源多目标优化调度方法的流程图；

图2为本发明实施例采用预先设置的知识进化算法求解所述多目标优化模型的示意图；

图3为本发明实施例的编码示例的示意图；

图4为本发明实施例的变异操作的示意图；

图5为本发明实施例的交叉操作的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个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说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本文件的保护范围。

方法实施例

本发明实施例提供了一种卫星测运控资源多目标优化调度方法，图1为本发明实施例的卫星测运控资源多目标优化调度方法的流程图，根据图1所示，本发明实施例的卫星测运控资源多目标优化调度方法具体包括：

S1、通过获取任务请求集合、地面站天线集合、卫星集合以及可见时间窗集合，确定卫星测运控资源多目标优化调度问题的描述。步骤S1具体包括：

将测运控资源多目标优化调度问题描述为：

其中，为规模为/>的任务请求集合。每个任务r= {s _ID,erst,duet,dur,p}由目标卫星编号s _ID，任务最早开始时间erst，任务最晚截止时间duet，任务持续时间dur和任务优先级p定义；

表示/>个地面站天线。各天线/>由天线编号/>和天线切换时间swi定义；/>为卫星集合；

为/>个可见时间窗集合。具体而言，对于任务r，地面站天线存在K个可用时间窗/>，/>，/>，表征在第k个时间窗的开始时间st和结束时间et之间，天线/>能够执行任务r。

S2、根据卫星测运控资源多目标优化调度问题的描述，以任务失败率和天线负载不均衡度为资源多目标调度方案性能评价指标构建测运控资源调度多目标优化模型。步骤S2具体包括：

综合考虑卫星管控用户和资源管控方的测运控任务调度需求，选择任务失败率和天线不负载均衡度作为资源调度方案性能评价指标，构建测运控资源调度多目标优化模型：

其中，f ₁为任务失败率，p _r为任务r的优先级，=1表示任务r在第k个可见时间窗被执行，其占用天线为/>，否则为0；f ₂为天线负载不均衡度，/>和/>分别为天线/>的负载和天线平均负载，/>表示天线总数。

S3、基于预先设置的知识进化算法求解所述测运控资源调度多目标优化模型，获取卫星测控资源多目标调度方案，其中，预先设置的知识进化算法中的子代生成阶段基于父代的资源调度方案引导生成。步骤S3具体包括：

S31、根据预设编码规则构建卫星测控资源多目标调度方案的初始种群；

S32、根据父代个体对应解决方案中任务执行和资源利用知识信息引导初始子代个体生成；

S33、基于三阶段解码策略确定任务执行的最终时间窗口和开始时间，得到资源调度方案，根据算法环境选择策略更新种群。

图2为本发明实施例采用预先设置的知识进化算法求解所述多目标优化模型的示意图，根据图2可知，基于进化算法求解上述测运控资源多目标优化模型，并在进化算法框架下，在子代生成阶段从父代方案中学习请求满足和资源占用知识信息引导子代生成，以提高不同类型进化算法在求解多目标测运控资源调度问题时的性能，具体包括如下步骤：

1、根据预设编码规则构建卫星测控资源多目标调度方案的初始种群。

资源调度方案需要决策两个变量：

，是否在任务r的第k个可用时间窗/>上执行该任务，st _r，执行任务r的开始时间。

任务可用时间窗口越长，其执行机会和潜在冲突越多，增加了问题搜索空间和求解复杂度。为缩减搜索空间，本发明将测运控资源调度决策分为时间窗资源分配和任务开始时间确定两阶段进行决策。其中时间窗资源在每个解的基因位进行编码，而任务开始执行时间最终个体生成中基于解码策略根据时间窗和当前资源占用情况自适应决策。

种群中的解x采用如下的整数编码：

解的每个基因位对应一个任务请求，其总长度等于任务请求总数。x _r= 0表示任务r将在所对应调度方案中被取消（图3中的请求5）。否则，x _r表示所选时间窗口。在所提编码方式中，每个任务所占用时间窗不超过一个。因此执行唯一性约束和卫星唯一性约束能够始终被满足，从而降低优化进程中需要检测的约束数量。

图3给出了有6个待调度任务的编码示例。请求1~4和6被分配第4、第1、第4、2和第3个时间窗口，而请求5在本调度方案中未被满足。需要说明的是，中的a表示提供时间窗口资源的天线编号，而不是该任务的第a个可用天线。

2、根据父代个体对应解决方案中任务执行和资源利用知识信息引导初始子代个体生成。

基于从父代解中学习与任务执行和资源利用相关的知识信息设计变异和交叉算子，实现初始子代个体生成，得到子代个体中各任务所分配初始时间窗口。变异和交叉后的子代个体共同构成子代种群。

2.1变异算子

变异算子能够随机更新多个基因位值，从而增加种群多样性。各基因位变异概率为pm/D，其中pm和D分别是预设变异概率和决策变量维数，并采用多项式变异确定所选变异位点的更新值。变异算子基于从父代解中学习两种类型的知识信息引导变异：

基于任务的变异：在父代解中未调度的任务ur所对应基因位的变异概率为pm;

基于天线的变异：优先变异与高负载不均衡度天线相关的任务。首先，天线的负载不均衡度为：

其中，为天线/>的负载，/>为天线集合A的平均工作负载，/>描述了父调度方案中各天线的负载不均衡度。

然后，选择与lid值最高的两个天线（负载最高的天线和负载最低的天线/>）相关的任务所对应基因位并设置其变异概率为pm。具体而言，分别是在父代方案中负载最高天线/>所属任务，以及可用天线包括负载最低天线/>但未在该天线上调度的任务。

图4所示为同一父代解在不同变异策略下所产生子代示例。假设所有任务都在分配的时间窗口上成功执行，且请任务持续时长相同。箭头标记的基因位点表示给定较高突变概率的请求，绿色方块表示最终产生突变的基因位。在基于任务的变异中，未调度的任务5有更大概率在下一次迭代中被服务，而其他请求（如请求2）在随机性因素作用下依旧存在变异可能性。

假设所有请求持续时间为10分钟。各天线工作负载为[10,0,10,30]。可得各天线负载不均衡度为0.07、0.36、0.07和0.5。因此，可以在天线2和4上服务的任务将以更高的概率产生变异。

本发明将变异操作放在交叉之前进行，且变异所产生的解与后续交叉操作所产生个体共同构成子代种群，作为从父代解出发的局部搜索。

2.2交叉算子

交叉操作是防止种群陷入局部最优，增强种群多样性，从而提升算法全局搜索能力的有效机制。个体中各基因位在第t代的交叉概率为：

其中和/>分别为预设交叉概率的下界和上界；Gen为算法最大优化代数。与变异算子相似，父代解中未调度任务所对应基因位被赋予更大的交叉概率，为2pc。

如图5所示，在确定各基因位交叉概率后，父代个体间随机选取的多个基因将交换基因位。

基于知识引导的变化算子引入优化目标相关的领域知识和当前种群对目标空间探索的知识信息，即父代个体的任务请求满足情况和天线工作负载信息，以提高搜索效率。另一方面，从原始进化算法的重组机制中保留的随机性也有利于在一定程度上避免局部最优。

根据基因位变化情况和父代解中任务执行情况确定基因r变化标识符vf _r：

其中，表示任务r在父代解i中未被调度；vx _i’,r标记任务r所对应基因位在子代解i ^’中是否产生变化，若变化则vx _i’,r= 1，否则vx _i’,r= 0；未变化基因位的/>=3，对于发生变化的基因位，若该任务在父代解中未被分配资源，则/>=1，否则/>=2。

3、基于三阶段解码策略确定执行任务的最终时间窗口和开始时间，得到个体所对应资源调度方案。

种群中每个个体的编码决策了为各任务所分配时间窗口资源，因此每个解的初始编码代表初始时间窗分配调度方案。在重组操作生成新的测运控资源调度方案之后，接下来基于三级解码策略决策执行测运控任务的最终时间窗口和实际开始时间并得到最终资源调度方案，具体包括：

3.1各基因位解码次序按照1-3依次进行。各任务开始执行时间被随机初始化在所分配时间窗口资源的顶部、中间和最后。将时间窗口进行离散化，并依据任务开始时间初始位置和天线剩余可用资源滑动任务执行时间窗口，直至满足约束。逐一解码基因位直至得到最终可行的资源调度方案；

3.2依据所生成资源调度方案和目标函数计算个体适应度值，循环上述步骤直至逐一遍历亲代种群，实现由基因编码初始种群到最终可行子代种群的生成；

3.3基于环境选择策略更新种群，实现对测运控资源调度方案的选择与优化。

3.4经过循环子代的生成和种群更新，实现最终Pareto最优测运控资源调度方案的生成；完成测运控资源多目标优化调度流程。

通过采用本发明实施例，具备如下有益效果：

1、本发明面向卫星管控用户和测运控资源管控方对测运控资源调度的要求，进行测运控资源的多目标优化调度，以更合理的资源管控效益来满足卫星用户需求。

2、不同于以往方法基于特定的算法框架进行改进，本方法作用于种群生成阶段，从父代方案中学习请求满足和资源占用知识信息引导子代生成，以提高不同类型进化算法在求解多目标测运控资源调度问题时的性能，且无需修改原始算法框架和搜索策略，具有良好通用性。

装置实施例一

本发明实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上述方法实施例所述的步骤。

装置实施例二

本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述方法实施例所述的步骤。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部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发明各实施例技术方案的范围。

Claims (6)

1.一种卫星测运控资源多目标优化调度方法，其特征在于，包括：

S1、通过获取任务请求集合、地面站天线集合、卫星集合以及可见时间窗集合，确定卫星测运控资源多目标优化调度问题的描述；

S2、根据所述卫星测运控资源多目标优化调度问题的描述，以任务失败率和天线负载不均衡度为资源多目标调度方案性能评价指标构建测运控资源调度多目标优化模型；

S3、基于预先设置的知识进化算法求解所述测运控资源调度多目标优化模型，获取卫星测控资源多目标调度方案，其中，所述预先设置的知识进化算法中的子代生成阶段基于父代的资源调度方案引导生成；

所述基于预先设置的知识进化算法求解所述测运控资源调度多目标优化模型，获取卫星测控资源多目标调度方案具体包括：

S31、根据预设编码规则构建卫星测控资源多目标调度方案的初始种群；

S32、根据父代个体对应解决方案中任务执行和资源利用知识信息引导初始子代个体生成；

S33、基于三阶段解码策略确定任务执行的最终时间窗口和开始时间，得到资源调度方案，根据算法环境选择策略更新种群；

所述根据预设编码规则构建卫星测控资源多目标调度方案的初始种群，具体包括：

获取知识进化算法的初始种群中的解；

通过公式3对所述初始种群中的解x进行整数编码；

公式3；

其中表示是否在任务r的第k个可用时间窗/>上执行该任务，解的每个基因位对应一个任务请求，其总长度等于任务请求总数，x _r =0表示任务r将在所对应调度方案中被取消，否则，x _r表示所选时间窗口；

所述根据父代个体对应解决方案中任务执行和资源利用知识信息引导初始子代个体生成，具体包括：

获取父代解所对应资源调度方案中未被执行任务和高负载不均衡度天线所属任务，将其对应基因位赋予更高的交叉和变异概率，并基于多项式变异和多点交叉确定所选基因变化位点的更新值，从而得到子代个体中各任务所分配的初始时间窗口；

根据基因位变化情况和父代解中任务执行情况确定基因r变化标识符vf _r：

公式4；

其中，表示任务r在父代解i中未被调度；vx _i’,r标记任务r所对应基因位在子代解i ^’中是否产生变化，若变化则vx _i’,r= 1，否则vx _i’,r= 0；未变化基因位的/>= 3，对于发生变化的基因位，若该任务在父代解中未被分配资源，则/>=1，否则/>=2；

所述获取在父代解所对应资源调度方案中未被执行任务和高负载不均衡度天线所属任务，将其对应基因位赋予更高的交叉和变异概率具体包括：

通过变异算子随机更新多个基因位值，变异算子基于从父代解中学习两种类型的知识信息引导变异，包括：

基于任务的变异：在父代解中未调度的任务ur所对应基因位的变异概率为pm；

基于天线的变异：优先变异与高负载不均衡度天线相关的任务，通过公式5获取天线的负载不均衡度为：

公式5；

其中，为天线/>的负载，/>为天线集合A的平均工作负载，/>描述了父调度方案中各天线的负载不均衡度，

选择与lid值最高的两个天线相关的任务所对应基因位并设置其变异概率为pm，其中lid值最高的两个天线为负载最高的天线和负载最低的天线/>；

获取个体中各基因位在第t代的交叉概率：

公式6；

其中，和/>分别为预设交叉概率的下界和上界，Gen为算法最大优化代数，父代解中未调度任务所对应基因位被赋予更大的交叉概率2pc。

2.根据权利要求1所述的方法，其特征在于，所述通过获取任务请求集合、地面站天线集合、卫星集合以及可见时间窗集合，确定卫星测运控资源多目标优化调度问题的描述，具体包括：

通过公式1确定卫星测运控资源多目标优化调度问题的描述；

公式1；

其中，为规模为/>的任务请求集合，每个任务r={s _ID,erst,duet,dur,p}，s _ID表示目标卫星编号，erst表示任务最早开始时间，duet表示任务最晚截止时间，dur表示任务持续时间，p表示任务优先级；

A={1,2,...,|A|}表示个地面站天线，各天线/>由天线编号/>和天线切换时间swi定义；

为卫星集合；

为/>个可见时间窗集合，对于任务r，地面站天线存在K个可用时间窗/>，/>，/>，表征在第k个时间窗的开始时间st和结束时间et之间，天线/>能够执行任务r。

3.根据权利要求2所述的方法，其特征在于，所述根据所述卫星测运控资源多目标优化调度问题的描述，以任务失败率和天线负载不均衡度为资源多目标调度方案性能评价指标构建测运控资源调度多目标优化模型，具体包括：

通过公式2构建测运控资源调度多目标优化模型；

公式2；

其中，f ₁为任务失败率，p _r为任务r的优先级，=1表示任务r在第k个可见时间窗被执行，其占用天线为/>，否则为0；f ₂为天线负载不均衡度，/>和/>分别为天线/>的负载和天线平均负载，/>表示天线总数。

4.根据权利要求1所述的方法，其特征在于，所述基于三阶段解码策略确定任务执行的最终时间窗口和开始时间，得到个体所对应资源调度方案，根据算法环境选择策略更新种群，具体包括：

对所述基因位进行解码时，解码次序按照的值从1到3依次进行，各任务开始执行时间被随机初始化在所分配时间窗口资源的顶部、中间和最后，将时间窗口进行离散化，并依据任务开始时间初始位置和天线剩余可用资源滑动任务执行时间窗口，直至满足约束，逐一解码基因位直至得到可行的资源调度方案；

依据所述可行的资源调度方案和测运控资源调度多目标优化模型计算个体适应度值，循环上述步骤直至逐一遍历父代种群，实现由基因编码初始种群到最终可行子代种群的生成；

基于环境选择策略对所述最终可行子代种群进行更新，实现对测运控资源调度方案的选择与优化；

经过循环子代的生成和种群更新，实现最终Pareto最优测运控资源调度方案的生成。

5.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-4中任意一项卫星测运控资源多目标优化调度方法的步骤。

6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-4中任意一项卫星测运控资源多目标优化调度方法的步骤。