CN116883704A - 巨型星座的协同对地观测任务规划优化方法、设备及介质 - Google Patents

巨型星座的协同对地观测任务规划优化方法、设备及介质 Download PDF

Info

Publication number
CN116883704A
CN116883704A CN202310769791.3A CN202310769791A CN116883704A CN 116883704 A CN116883704 A CN 116883704A CN 202310769791 A CN202310769791 A CN 202310769791A CN 116883704 A CN116883704 A CN 116883704A
Authority
CN
China
Prior art keywords
task
planning
clustering
satellite
constellation
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.)
Granted
Application number
CN202310769791.3A
Other languages
English (en)
Other versions
CN116883704B (zh
Inventor
乔凯
张永贺
魏楚奇
高扬
于海琰
刘建勋
殷建丰
王倩
姜宏佳
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.)
China Academy of Space Technology CAST
Original Assignee
China Academy of Space Technology CAST
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 China Academy of Space Technology CAST filed Critical China Academy of Space Technology CAST
Priority to CN202310769791.3A priority Critical patent/CN116883704B/zh
Publication of CN116883704A publication Critical patent/CN116883704A/zh
Application granted granted Critical
Publication of CN116883704B publication Critical patent/CN116883704B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30244—Camera pose
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Radio Relay Systems (AREA)

Abstract

本发明涉及一种巨型星座的协同对地观测任务规划优化方法、设备及存储介质，巨型星座的协同对地观测任务规划优化方法包括：步骤S1、基于星座轨道平面数量、每个轨道平面卫星数量以及轨道相位参数，完成星座任务分解与筹划；步骤S2、进行目标聚类处理，完成成像任务规划解空间降维；步骤S3、基于星座内卫星的组网关系，进行快速路由协同；步骤S4、完成轻度冗余处理。本发明，能够通过目标聚类处理、快速路由协同和轻度冗余设计等核心方法，实现成像任务规划解空间降维、协同关系快速生成、多重覆盖和缺失替代补网等功能；实现复杂计算的并行处理，有利于实现大规模卫星任务规划方案的快速生成与迭代优化。

Description

巨型星座的协同对地观测任务规划优化方法、设备及介质
技术领域
本发明涉及智能传感网络规划技术领域，尤其涉及一种巨型星座的协同对地观测任务规划优化方法、设备及介质。
背景技术
近年来，随着可重复使用运载技术、商业航天技术的发展，全球低轨卫星星座发展迅速。SpaceX已经发射2000余颗Starlink低轨互联网通信卫星，未来计划发射的卫星总数目高达42000颗。巨型星座是空间信息系统构型的发展趋势之一，具有规模大、因素多、结构关系复杂、状态多维等特点，对其进行资源统筹和任务规划调度的难度很大。随着卫星和目标的数量提升，虽然卫星对目标的可见窗口计算耗时只是线性增加，但是规划算法的难度却是非线性提升。规划算法解空间将以超过立方速度增长，使用常规规划算法将无法满足快速计算卫星任务规划的需求。
传统的任务规划都是由地面节点处理所有卫星在一定时间内的所有观测序列任务安排，物理压力集中于地面处理节点，计算压力则是集中于多星协同任务规划部分。
发明内容
为解决上述现有技术中存在的技术问题，本发明的目的在于提供一种的巨型星座的协同对地观测任务规划优化方法、设备及存储介质，能够实现复杂计算的并行处理，将卫星集中式规划的计算压力分解到若干个节点，通过分组处理节点约束来减少每一个解空间的搜索范围，实现大规模卫星任务规划方案的快速生成与迭代优化。
为实现上述发明目的，本发明提供一种巨型星座的协同对地观测任务规划优化方法，包括以下步骤：
步骤S1、基于星座轨道平面数量、每个轨道平面卫星数量以及轨道相位参数，完成星座任务分解与筹划；
步骤S2、进行目标聚类处理，完成成像任务规划解空间降维；
步骤S3、基于星座内卫星的组网关系，进行快速路由协同；
步骤S4、完成轻度冗余处理。
根据本发明的一个技术方案，在所述步骤S1中，具体包括：
步骤S11、根据星座轨道平面数量、每个轨道平面卫星数量以及轨道相位参数，确定该星座的基本构型；
步骤S12、根据卫星升交点赤经的不同划分相应的轨道平面，将统一轨道平面的卫星当做一个集合；
步骤S13、根据任务目标对观测手段的需求以及同轨卫星的相位分布，在同一集合中划分不同的卫星组；
步骤S14、将每个卫星组作为一个节点，将全局任务需求分解到每一个节点，为后续的节点任务规划做准备。
根据本发明的一个技术方案，在所述步骤S2中，具体包括：
步骤S21、利用启发式算法完成非敏捷卫星聚类计算；
步骤S22、利用无监督学习的聚类方法完成敏捷卫星聚类计算。
根据本发明的一个技术方案，在所述步骤S21中，具体包括：
步骤S211、聚类前预处理，将可见计算生成的卫星对观测目标可见窗口按照一定的优先策略进行约束处理；
步骤S212、聚类集合计算，通过可见时间、载荷视场能力以及聚类中心选取准则，计算观测目标所属的聚类集合，为聚类元任务生成做准备；
步骤S213、聚类元任务生成，根据卫星的滚转机动能力以及聚类集合的权重进行姿态机动能力约束处理，获得聚类元任务。
根据本发明的一个技术方案，在所述步骤S22中，具体包括：
步骤S221、聚类前预处理，通过可见时间、载荷视场能力以及观测目标分布信息，计算待聚类目标所属的聚类集合，为聚类元任务生成做准备；
步骤S222、聚类集合计算，成像分辨率随着卫星进行姿态机动而改变，与卫星及观测目标的距离正相关；
步骤S223、完聚类元任务生成，结合聚类集合的权重进行姿态机动能力约束处理，获得聚类元任务。
根据本发明的一个技术方案，在所述步骤S3中，具体包括：
步骤S31、结合星座轨道特征和轨道平面内的卫星相位分布，划分最小网络通信路径规划单元；
步骤S32、根据传输可用的链路关系，建立每一卫星组之间的网络传输关系；
步骤S33、根据任务数据量和星间传输速率，对每个卫星组间的通信路径进行规划计算；
步骤S34、将所有卫星组的传输规划方案进行综合，形成整个星座的网络流转方案。
根据本发明的一个技术方案，所述步骤S4中，通过任务目标优先级和剩余卫星资源重规划，实现观测多重覆盖以及缺失替代补网，完成轻度冗余处理，具体包括：
步骤S41、生成需求方案，按照任务目标权重进行升序排序，根据任务需求选取相应比例的目标，生成轻度冗余需求方案，其中，任务分解与筹划方法与所述步骤S1相同；
步骤S42、对卫星资源进行重规划，根据所述步骤S41得到的需求方案，调用所述步骤S2和所述步骤S3的任务聚类和规划方法，结合剩余卫星资源生成轻度冗余规划结果，并入所述步骤S3生成的全局规划方案。
根据本发明的一个技术方案，所述步骤S32中，具体包括：
步骤S321、根据任务的持续时间选取对应的时间片拓扑，获得的当前网络节点间的连通关系；
步骤S322、针对任务目标不同优先级以及传输需求，采取差异化路由的方式进行路径规划；
步骤S323、利用Dijsktra算法计算得出可满足任务传输条件的最小开销路径。
根据本发明的一个方面，提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行如上述技术方案中任一项所述的一种巨型星座的协同对地观测任务规划优化方法。
根据本发明的一个方面，提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，实现如上述技术方案中任一项所述一种巨型星座的协同对地观测任务规划优化方法。
本发明与现有技术相比，具有以下有益效果：
本发明提出了一种巨型星座的协同对地观测任务规划优化方法、设备及存储介质，通过快速路由协同设计来解决星间传感关系快速建立的问题，目标聚类处理来实现成像任务规划解空间降维，轻度冗余设计来解决观测多重覆盖以及缺失替代补网的问题，最终生成巨型星座的任务规划方案，将巨型星座中数量众多、种类复杂、协同困难的任务问题分解到每一个分布式节点，对每个节点的任务规划实施进行解耦算法设计，能够实现复杂计算的并行处理，将卫星集中式规划的计算压力分解到若干个节点，通过分组处理节点约束来减少每一个解空间的搜索范围，实现大规模卫星任务规划方案的快速生成与迭代优化。
进一步地，本发明提供一种动态最短通信路径规划方法，结合星座轨道特征和轨道平面内的卫星相位分布，划分最小网络通信路径规划单元；再根据传输可用的链路关系(根据每轨可见窗口和任务需求)，建立每一卫星组之间的网络传输关系；然后，根据任务数据量和星间传输速率，对每个卫星组间的通信路径进行规划计算；最终将所有卫星组的传输规划方案进行综合，形成整个星座的网络流转方案。
同时，提供一种任务聚类规划方法，基于成像卫星的载荷视场和姿态机动能力，成像卫星能够使用更少的开机次数和更少的姿态机动次数完成对密集观测目标的成像任务，提高整体任务的完成率，显著缩小优化问题的解空间，减轻计算资源的消耗。
附图说明
为了更清楚地说明本发明实施方式或现有技术中的技术方案，下面将对实施方式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发明的一些实施方式，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示意性表示根据本发明一个实施例中提供的巨型星座的协同对地观测任务规划优化方法流程图；
图2示意性表示本发明一种实施方式的步骤S1的具体流程图；
图3示意性表示本发明一种实施方式的步骤S2的具体流程图；
图4示意性表示本发明一种实施方式的步骤S3的具体流程图；
图5示意性表示本发明一种实施方式的步骤S4的具体流程图。
具体实施方式
此说明书实施方式的描述应与相应的附图相结合，附图应作为完整的说明书的一部分。在附图中，实施例的形状或是厚度可扩大，并以简化或是方便标示。再者，附图中各结构的部分将以分别描述进行说明，值得注意的是，图中未示出或未通过文字进行说明的元件，为所属技术领域中的普通技术人员所知的形式。
此处实施例的描述，有关方向和方位的任何参考，均仅是为了便于描述，而不能理解为对本发明保护范围的任何限制。以下对于优选实施方式的说明会涉及到特征的组合，这些特征可能独立存在或者组合存在，本发明并不特别地限定于优选的实施方式。本发明的范围由权利要求书所界定。
如图1至图5所示，本发明的一种巨型星座的协同对地观测任务规划优化方法，包括以下步骤：
步骤S1、基于星座轨道平面数量、每个轨道平面卫星数量以及轨道相位参数，完成星座任务分解与筹划；
步骤S2、进行目标聚类处理，完成成像任务规划解空间降维；
步骤S3、基于星座内卫星的组网关系，进行快速路由协同；
步骤S4、完成轻度冗余处理。
如图2所示，在本发明的一个实施例中，优选地，在所述步骤S1中，具体包括：
步骤S11、根据星星座轨道平面数量Pn、每个轨道平面卫星数量Sn以及轨道相位参数F，确定该星座的基本构型，具体步骤如下：
星座内的卫星总数目Tn可以由下式获得：
Tn＝Pn×Sn
相位差△φ：当第i个平面的一个卫星正位于升交点(纬度幅角u＝0)时第i+1个平面的最近卫星有纬度幅角u＝△φ。相位差△φ与相位参数F的关系是
△φ＝F×(360/Tn)；
F的可能值是0到Pn-1，升交点赤经的间隔是△Ω＝360/Sn，轨道平面内卫星位置的间隔是△θ＝360/Sn；
步骤S12、根据卫星升交点赤经的不同划分相应的轨道平面，将统一轨道平面的卫星当做一个集合；
步骤S13、根据任务目标对观测手段的需求以及同轨卫星的相位分布，在同一集合中划分不同的卫星组；
步骤S14、将每个卫星组作为一个节点，将全局任务需求分解到每一个节点，为后续的节点任务规划做准备。
如图3所示，在本发明的一个实施例中，优选地，在所述步骤S2中，具体包括：
步骤S21、利用启发式算法完成非敏捷卫星聚类计算，分为聚类前预处理、聚类集合计算和聚类元任务生成三个部分；
步骤S22、利用无监督学习的聚类方法完成敏捷卫星聚类计算。
在本发明的一个实施例中，优选地，在所述步骤S21中，具体包括：
步骤S211、聚类前预处理，将可见计算生成的卫星对观测目标可见窗口按照一定的优先策略进行约束处理，任务聚类的预处理划分包含以下步骤：
(1)目标权重计算
将可见计算性得到的可见观测目标匹配录入观测目标权重信息表，并根据聚类权重公式计算目标权重属性。
(2)载荷类型和观测频次约束
根据载荷类型约束和观测频次约束模型，对待聚类目标的载荷类型和观测次数进行约束处理，排除不同载荷类型以及已完成观测频次需求的观测目标可见窗口。
(3)基于时间和权重的优先排序
由于可见窗口计算得到的卫星对目标可见窗口在时间和权重上是无序的，为了确保聚类满足动力学的时间约束并达到收益最大，需要对观测目标窗口进行以观测起始时间升序为第一准则、权重降序为第二准则进行可见窗口排序。
(4)时间窗口分组
聚类集合中每个目标的可见起始时间和结束时间可能不完全相同，但是一个聚类集合中的最早可见目标的起始时间tsmin和最晚可见目标的起始时间tsmax相距需要满足下式才能划分入组：
tsmax-tsmin<Tsmax
其中，Tsmax为单次成像允许的最大时长。
将满足上面时间约束的目标划分为同一待聚类分组，能够减少聚类的不可行解集，提高程序的运行效率；
步骤S212、聚类集合计算，通过可见时间、载荷视场能力以及聚类中心选取准则，计算观测目标所属的聚类集合，为聚类元任务生成做准备，主要步骤如下：
(1)根据可见时间约束初步划分聚类集合
根据上文介绍的可见时间约束模型，相同卫星的不同观测目标可见窗口起始时间差若在卫星单次最大成像时长范围内，则目标能够并入同一聚类集合中。初步划分聚类集合的伪代码如下：
初步划分的目的是获得聚类集合的最大观测目标集，此后的工作将对最大观测目标集进行约束处理，剔除集合中无法满足其他约束的观测目标。
(2)聚类中心选取准则
完成任务聚类后，卫星将以聚类集合的聚类中心为新的目标进行观测元任务生成。因此，聚类中心的选取能够对任务聚类的结果产生较大影响，也是任务聚类的优化方法。本说明采取最大权重点准则和平均分布准则进行聚类中心的计算，下面介绍两种聚类中心选取准则。
1)最大权重准则
最大权重准则是指：以当前聚类集合中，权重值最大的观测目标为聚类中心进行任务聚类，这种准则适用于待聚类目标权重差异较大的聚类集合。
若最大权重目标唯一，则以该目标作为当前集合的聚类中心。
若最大权重目标不唯一，则计算这些相同权重目标的几何中心，以满足视场约束，并将几何中心作为当前几何的聚类中心。经过以下步骤可以计算得到最大权重点不唯一的聚类中心：
a)以权重降序作为第一准则、滚转角升序作为第二准则进行排序，排序原则函数的伪代码如下：
b)选取相同最大权重的目标，按照滚转角递增最大视场角的方式分组，分组原则的伪代码如下：
其中，rolli为当前目标对应的卫星姿态机动滚转角，roll0为分组中最小的卫星姿态机动滚转角，hav为卫星载荷在垂直于星下点轨迹方向的视场半角能力。
随后，再求出每个分组目标滚转角的算术平均值，获得每个分组的聚类中心，从而完成在最大权重目标不唯一情况下的聚类中心选取。
2)平均分布准则
平均分布准则是指：以聚类集合中所有目标点的几何中心作为聚类中心进行任务聚类。这种准则适用于权重差别较小的聚类集合，能够在保持聚类收敛的同时提高程序的执行效率。
平均分布准则的聚类中心可以通过以下步骤获得：
a)以滚转角升序为准则进行排序，排序原则伪代码如下：
b)按照滚转角递增最大视场角的方式分组，再将每组的几何中心分别作为每组的聚类中心，分组原则的伪代码如下：
其中，rolli为当前目标对应的卫星姿态机动滚转角，roll0为分组中最小的卫星姿态机动滚转角，hav为卫星载荷在垂直于星下点轨迹方向的视场半角能力。
随后，再求出每个分组所有目标滚转角的算术平均值，获得每个分组的聚类中心，从而完成平均分布准则的聚类中心选取。
c)根据聚类中心构建聚类集合
通过上述步骤计算得到聚类中心后，按照任务聚类约束模型计算聚类集合的视场约束，剔除当前聚类集合中无法满足约束的目标并将其归入新的集合，从而完成聚类集合的计算。
步骤S213、聚类元任务生成，根据卫星的滚转机动能力以及聚类集合的权重进行姿态机动能力约束处理，获得聚类元任务，包含以下步骤：
(1)时间窗口覆盖处理
完成聚类集合计算后，每个集合的时间窗口需要涵盖集合中所有目标的可见弧段，聚类集合的观测起始时间和结束时间满足以下约束：
tset_start＝t0_start,
if tn_end<tn_start+Tsmax
tset_end＝tn_end
else
tset_end＝tn_start+Tsmax
其中，t0_start为聚类集合中最早观测目标的起始时间，tn_start为聚类集合中最晚观测目标的起始时间，tn_end为聚类集合中最晚观测目标的结束时间，Tsmax为卫星的单次最大成像时长。
(2)聚类集合排序
聚类集合的权重为当前集合中所有目标的权重之和。对聚类集合以集合观测起始时间顺序为第一准则，集合权重降序为第二准则进行排序，排序原则伪代码如下：
(3)姿态机动能力约束
完成排序后，根据任务规划常规算法中的姿态机动能力约束模型计算相邻两个聚类集合的姿态机动时间。当相邻的聚类集合发生冲突时，保留权重较大的聚类集合，聚类集合的时间冲突消解伪代码如下：
其中，set_starti+1为第i+1个聚类集合的观测起始时间，set_endi为第i个聚类集合的观测结束时间，t_mvri为卫星从第i个聚类集合姿态机动到第i+1个聚类集合所需时间，set_weighti和set_weighti+1分别为第i个和第i+1个聚类集合的权重值，n为聚类集合的个数。
在本发明的一个实施例中，优选地，在所述步骤S22中，具体包括：
步骤S221、聚类前预处理，通过可见时间、载荷视场能力以及观测目标分布信息，计算待聚类目标所属的聚类集合，为聚类元任务生成做准备，包含以下步骤：
(1)目标权重计算
将可见计算性得到的可见观测目标匹配录入观测目标权重信息表，并根据聚类权重公式计算目标权重属性。
(2)载荷类型和观测频次约束
根据任务规划常规算法工程约束中的载荷类型约束和观测频次约束模型，对待聚类目标的载荷类型和观测次数进行约束处理，按照不同载荷类型分组并排除已完成观测频次需求的观测目标可见窗口。
(3)基于观测起始时间的优先排序
由于可见窗口计算得到的卫星对目标可见窗口在时间上是无序的，为了确保敏捷卫星聚类启发式算法满足动力学的时间约束，并为后续步骤的时间分组做准备，因此需要对观测目标窗口进行以观测起始时间升序为准则的可见窗口排序。排序原则函数的伪代码如下：
此处的排序准则不同于非敏捷卫星聚类前预处理，原因在于后续聚类中心计算采用的方法能够体现聚类中的权重收益，这里不必重复计算。
(4)时间窗口分组
由于敏捷卫星具有俯仰机动能力，对观测目标的可见窗口较非敏捷卫星更多、更长，需要采用不同于非敏捷卫星聚类的时间窗口分组策略。敏捷卫星聚类目标的观测时间受动力学因素影响，同一聚类集合中的目标应当处于同一轨道周期内。因此，聚类集合中的最早可见目标的起始时间tsmin和最晚可见目标的起始时间tsmax需要满足下式：
tsmax-tsmin<Tsat
其中，Tsat为当前卫星的轨道周期。
将满足上面时间约束的目标划分为同一待聚类分组，能够减少聚类的不可行解集，提高程序的运行效率。
步骤S222、聚类集合计算，成像分辨率随着卫星进行姿态机动而改变，与卫星及观测目标的距离正相关，主要步骤如下：
(1)准备聚类目标信息
根据卫星载荷的视场能力和卫星的轨道高度能够计算卫星对地表的覆盖能力(单位为弧度或度)，匹配卫星载荷对应的预处理聚类分组。完成匹配的聚类分组信息包含：卫星载荷对地表的覆盖能力，每个待聚类目标的编号、地理经纬度坐标以及权重值。
该步骤能够获得敏捷卫星的最大观测目标集，此后的工作将对最大观测目标集进行聚类约束处理，按照聚类分组信息划分单次成像聚类集合。
(2)对目标进行中心聚类
聚类是一种无监督学习的算法，在数据科学中常见的聚类方法有基于划分方法K-means算法、基于密度方法DBSCAN算法和基于概率分布的EM算法等。由于任务规划的观测目标严格受到载荷视场能力的约束，对中心分布误差有精确限制，DBSCAN算法和EM算法在此方面有一定缺陷，因此本说明采用K-means算法对待聚类目标进行中心聚类。
K-means聚类算法是一种基于划分方法的迭代聚类求解算法，该算法的主要流程如下：
1)将所有目标分为K组，随机选取K个目标的坐标作为初始聚类中心；
2)计算每个目标和各个聚类中心之间的距离，将每个目标分配到距离其最近的聚类中心，聚类中心和被分配的目标构成一个聚类分组；
3)每完成一个目标的分配，则根据聚类分组中现有的目标更新一次聚类中心，该过程将循环迭代直至满足终止条件。
K-means聚类的终止条件通常是以下几种：
a)所有目标的所属聚类分组不再变化；
b)聚类中心个数不再发生变化；
c)误差(或误差平方和)达到局部最小。
本说明采用目标与中心的欧式距离作为误差计算的准则，误差上限设置为卫星载荷的最大视场角能力，因此能够获得满足视场约束的收敛解集。
由于K-means算法的聚类结果受初始聚类中心选取的影响较大，需要对K-means算法在初始中心的选取上进行一定改进，使得各个聚类中心相距较远，这样的改进能够避免初始聚类中心过于集中，在一定程度上减少聚类算法陷入局部最优的情况。
二分K-means(Bisecting K-means)算法采用了上述对K-means的改进方法，其主要步骤如下：
a)所有目标作为一个集合，并将该集合一分为二；
b)将能最大限度降低误差平方和的集合划分为两个集合。以此循环下去，直到集合的数目等于给定的数目K为止。
聚类的误差平方和能够衡量聚类效率，该值越小表示目标越接近于其聚类中心。由于误差平方和越大，表示该集合的聚类效果越差，多个集合被分配为一个集合的可能越大。因此，需要对误差平方和最大的集合进行二次划分。
二分K-means算法解决了K-means算法对初值过于敏感的问题，但是该算法仍然需要人为指定K值(聚类中心个数)。对于本说明研究的任务规划密集点聚类问题，K的初值一般是无法人为确定的。因此，本说明改进了二分K-means算法，使其能够根据载荷视场能力和观测目标分布情况，自动确定K的初值。此外，本说明将改进二分K-means算法的终止条件设置为：所有目标与其所属聚类中心的欧氏距离小于载荷对地覆盖能力。
本说明改进二分K-means算法的伪代码如下：
(3)根据聚类中心构建聚类集合
通过改进二分K-means算法计算得到聚类集合后，按照任务聚类约束模型计算聚类集合的视场约束、姿态机动角度以及聚类集合的权重，从而完成聚类集合的计算流程。
步骤S223、完聚类元任务生成，结合聚类集合的权重进行姿态机动能力约束处理，获得聚类元任务，包含以下步骤：
(1)时间窗口处理
完成聚类集合计算后，每个集合的时间窗口需要涵盖集合中所有目标的可见弧段，聚类集合的观测起始时间tset_start和结束时间tset_end满足以下约束：
tset_start＝t0_start,
if tn_end<tn_start+Tobsv
tset_end＝tn_end
else
tset_end＝tn_start+Tobsv
其中，t0_start为聚类集合中最早观测目标的起始时间，tn_start为聚类集合中最晚观测目标的起始时间，tn_end为聚类集合中最晚观测目标的结束时间，Tobsv为用户指定的最小观测时长。
(2)聚类集合排序
聚类集合的权重为当前集合中所有目标的权重之和。对聚类集合以观测起始时间顺序为第一准则，集合权重降序为第二准则进行排序，排序原则伪代码如下：
(3)姿态机动能力约束
完成排序后，根据任务规划常规算法中的姿态机动能力约束模型计算相邻两个聚类集合的姿态机动时间。当相邻的聚类集合发生冲突时，保留权重较大的聚类集合，聚类集合的时间冲突消解伪代码如下：
其中，set_starti+1为第i+1个聚类集合的观测起始时间，set_endi为第i个聚类集合的观测结束时间，t_mvri为卫星从第i个聚类集合姿态机动到第i+1个聚类集合所需时间，set_weighti和set_weighti+1分别为第i个和第i+1个聚类集合的权重值，n为聚类集合的个数。
在本发明的一个实施例中，优选地，本发明的动态最短通信路径规划流程主要如图4所示。首先，结合星座轨道特征和轨道平面内的卫星相位分布，划分最小网络通信路径规划单元；再根据传输可用的链路关系(根据每轨可见窗口和任务需求)，建立每一卫星组之间的网络传输关系；然后，根据任务数据量和星间传输速率，对每个卫星组间的通信路径进行规划计算；最终将所有卫星组的传输规划方案进行综合，形成整个星座的网络流转方案。具体包括：
步骤S31、结合星座轨道特征和轨道平面内的卫星相位分布，划分最小网络通信路径规划单元，
其中，动态规划最短通信路径采用的思路与传统的分治算法类似，也是先独立构建每个路径节点规划的子问题，再将若干节点的子问题综合，最终生成可以实现的全局规划方案。但是，最短路径动态规划与分治算法之间也存在不同之处。
分治算法的核心思路是寻找规模远小于初始问题的子问题。例如，归并排序的基本原理是通过每一步将问题规模减半从而实现分治。然而，动态规划方法往往解决的子问题规模只是略微少于全局问题。例如，计算第n-1个斐波那契数的规模，并不比计算第n个斐波那契数的问题规模小太多。
本说明以不同的轨道倾角和升交点赤经作为卫星轨道面的划分因素，若某一星座有n个轨道倾角{incli|i＝1,2,...,n}，每种轨道倾角的升交点赤经有mi种，则卫星的轨道平面数量orbnum可以依照下式划分得到：
根据每个轨道平面内的卫星信息传输关系，若依据传输距离和耦合度可以划分为cluj组，则所有最短通信路径规划单元数量pathnum可以通过下式获得：
由此，可以建立动态规划的最短通信路径规划单元；通过分治算法原理能够实现每一单元的最短路径，通过动态规划方法能够合并结构类似的规划单元，减少重复计算量。
步骤S32、根据传输可用的链路关系，建立每一卫星组之间的网络传输关系；
由上一步骤已经得到短通信路径规划单元，即需要分别规划的每个卫星组节点。节点内的信息传输关系较为固定，彼此之间的交互较少，可以通过自主规划得到传输方案；因此，本说明关注的是卫星组节点之间的路径规划，根据任务要求输入(如任务目标类型、传输数据量等)以及当前网络状态(节点连通关系、传输速率和带宽余量等)，为相关数据的传输规划合适的传输路径。
首先，根据任务的持续时间选取对应的时间片拓扑，以获得的当前网络节点间的连通关系；其次，针对任务目标不同优先级以及传输需求，采取差异化路由的方式进行路径规划，即根据不同类型任务特点设置链路归一化权重，并给予源-目的节点对、当前网络运行情况(相邻节点间的数据发送时延、传输时延、链路负载等)，最后通过调用Dijsktra算法计算得出可满足任务传输条件的最小开销路径。
步骤S33、根据任务数据量和星间传输速率，对每个卫星组间的通信路径进行规划计算；
具体而言，根据时延和带宽需求，将任务类型进行分类和优先级顺序。本说明主要实现了“时间开销最少”应用、“数据量优先”应用以及“传输任务最多”应用3类。假设任意一对源-目的节点间的传输数据需求为fu,v，其产生上述三种类型应用的比例c1,c2,c3满足下式：
c1+c2+c3＝1
卫星网络可被建模为一个无向图(V,E,B,P)，其中V由N个通信节点组成，可表示为E为网络节点间的链路集合，可表示为/>B为链路的传输速率，可表示为/>P为M对源-目的节点对的集合，可表示为
在任意节点间的时延主要考虑传输速率与传输数据量。假设链路距离为dis(vi,vj)，传输速率为v，则链路传输时延可以表示为设L为传输数据量大小，链路传输速率为/>则一项传输任务的时延可以表示为/>因此，对于任意链路的时延开销可以由下式获得：
其中，k1、k2分别为链路时延和剩余带宽的权重因子，fu,v为节点u和v之间的传输数据量。
为了避免增加“时间开销最少”应用的端到端时延，该应用总是沿着最短时延路径传输此种类型的业务传输数据。因此，该应用的优化目标和约束可以表示为以下公式：
fd(s,d)≥Cd(s,d)
其中，fd(s,d)表示源节点s与目的节点d之间的可行通信路径，rd(s,d)表示当前节点对间的最优路径。链路的剩余带宽等于标称带宽减去“时间开销最少”应用预留的带宽，可以由以下公式获得。
“数据量优先”应用的传输数据应经由较大可用带宽的链路进行传输，以满足其高带宽的占用需求。因而该种应用的优化目标及约束可表示为以下公式：
CHT(s,d)≥Ct(s,d)
其中，fd(s,d)表示在源节点s到目的节点d间高通量应用的可行路径，rd(s,d)表示当前节点对间的最大可用带宽路径。
分别表示节点vi和链路ei,j在所有节点对间不同类型应用的可达路径上出现的频次，可以被表示为以下公式：
其中，[vi∈rx(pk)]＝1、[ei.j∈rx(pk)]＝1分别表示第k个源-目的对之间的路径经过节点vi和链路ei,j，反之[vi∈rd(pk)]＝0、[ei.j∈rd(pk)]＝0。
介数中心度通常用来衡量节点和边在图中的重要性。因此，边介数中心度节点介数中心度分别被简化以测量经过给定边和节点的最短路径数量，可以结合下面的公式获得：
为了避免不同类型应用间的资源抢占，每条链路及每个节点的占用数量不能超过它们各自的最大值。“传输任务最多”应用由于没有明确需求，可以跳数作为链路权重由此优化目标及约束条件可以表示为：
其中，表示节点对s,d间“传输任务最多”应用的可行路径，/>分别表示的边和节点的介数中心度阈值。由此，“传输任务最多”应用的传输数据将被绕行到其他负载较低的链路，以避免与高优先级应用抢占有限的传输带宽。
根据上述三种应用的不同需求，本说明定义了一个联合考虑三个优化目标的增益函数，公式如下：
其中，a,b,c分别表示三个目标的权重因子。因此，差异化路由规划问题可以由下面的公式表示：
由于上述问题是NP难问题，本说明拟采用启发式算法进行求解。基于当前网络负载状态、不同传输目标的需求，按照应用优先级依次为每种应用计算最优的通信路径。之后，采用DSP(Dijsktra Shortest Path)算法为所有源-目的节点对的“时间开销最少”应用计算最短时延路径。当给定任意一对源-目的节点时，从源节点所有相邻节点中选择时延最短的节点作为下一跳，并且更新这一节点作为新的源节点，通过重复上述过程直到找到目的节点为止。
更新链路剩余带宽并基于链路可用带宽为“数据量优先”应用计算最大可用带宽路径。如果任意链路的可用带宽大于“数据量优先”应用的带宽需求，则更新相应的剩余带宽；反之，则从拓扑中移除中间节点及其相邻链路。当更新后网络不可达时，需将删除的中间节点重新添加回拓扑中，并修改其链路权重为，从而确保任意节点对间总是存在可达路径。基于可用带宽权重，采用DSP算法依次为各节点对计算最优路径。
步骤S34、将所有卫星组的传输规划方案进行综合，形成整个星座的网络流转方案。
具体地，统计全网节点/链路占用情况，并为任意节点对间的“传输任务最多”应用计算最小跳数路径，这里剩余空闲的节点和链路将更大可能被选择用于数据传输。基于前两种应用的路由配置计算节点和链路的占用等级，超出、的节点和链路将从网络中移除后，基于DSP算法为“传输任务最多”的应用寻找可达路径。
通过综合星座内每个轨道平面的节点规划方案以及节点内的卫星自主规划结果，分别从任务目标、观测卫星、任务时间等维度，对全局规划方案进行数据治理，形成星座网络流转方案。
如图5所示，在本发明的一个实施例中，优选地，所述步骤S4中，通过任务目标优先级和剩余卫星资源重规划，实现观测多重覆盖以及缺失替代补网，完成轻度冗余处理，具体包括：
步骤S41、生成需求方案，按照任务目标权重进行升序排序，根据任务需求选取相应比例的目标，生成轻度冗余需求方案，其中，任务分解与筹划方法与所述步骤S1相同；
步骤S42、对卫星资源进行重规划，根据所述步骤S41得到的需求方案，调用所述步骤S2和所述步骤S3的任务聚类和规划方法，结合剩余卫星资源生成轻度冗余规划结果，并入所述步骤S3生成的全局规划方案。
在本发明的一个实施例中，优选地，所述步骤S32中，具体包括：
步骤S321、根据任务的持续时间选取对应的时间片拓扑，获得的当前网络节点间的连通关系；
步骤S322、针对任务目标不同优先级以及传输需求，采取差异化路由的方式进行路径规划；
步骤S323、利用Dijsktra算法计算得出可满足任务传输条件的最小开销路径。
根据本发明的一个方面，提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行如上述技术方案中任一项的一种巨型星座的协同对地观测任务规划优化方法。
根据本发明的一个方面，提供了一种计算机可读存储介质，用于存储计算机指令，计算机指令被处理器执行时，实现如上述技术方案中任一项一种巨型星座的协同对地观测任务规划优化方法。
本发明的一种巨型星座的协同对地观测任务规划优化方法、设备及存储介质，巨型星座的协同对地观测任务规划优化方法包括：步骤S1、基于星座轨道平面数量、每个轨道平面卫星数量以及轨道相位参数，完成星座任务分解与筹划；步骤S2、进行目标聚类处理，完成成像任务规划解空间降维；步骤S3、基于星座内卫星的组网关系，进行快速路由协同；步骤S4、完成轻度冗余处理；通过快速路由协同设计来解决星间传感关系快速建立的问题，目标聚类处理来实现成像任务规划解空间降维，轻度冗余设计来解决观测多重覆盖以及缺失替代补网的问题，最终生成巨型星座的任务规划方案，将巨型星座中数量众多、种类复杂、协同困难的任务问题分解到每一个分布式节点，对每个节点的任务规划实施进行解耦算法设计，能够实现复杂计算的并行处理，将卫星集中式规划的计算压力分解到若干个节点，通过分组处理节点约束来减少每一个解空间的搜索范围，实现大规模卫星任务规划方案的快速生成与迭代优化。
进一步地，本发明提供一种动态最短通信路径规划方法，结合星座轨道特征和轨道平面内的卫星相位分布，划分最小网络通信路径规划单元；再根据传输可用的链路关系(根据每轨可见窗口和任务需求)，建立每一卫星组之间的网络传输关系；然后，根据任务数据量和星间传输速率，对每个卫星组间的通信路径进行规划计算；最终将所有卫星组的传输规划方案进行综合，形成整个星座的网络流转方案。
同时，提供一种任务聚类规划方法，基于成像卫星的载荷视场和姿态机动能力，成像卫星能够使用更少的开机次数和更少的姿态机动次数完成对密集观测目标的成像任务，提高整体任务的完成率，显著缩小优化问题的解空间，减轻计算资源的消耗。
此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
最后需要说明的是，以上所述是本发明优选实施方式，应当指出，尽管已描述了本发明优选实施例，但对于本技术领域的技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

Claims (10)

1.一种巨型星座的协同对地观测任务规划优化方法，其特征在于，包括以下步骤：
步骤S1、基于星座轨道平面数量、每个轨道平面卫星数量以及轨道相位参数，完成星座任务分解与筹划；
步骤S2、进行目标聚类处理，完成成像任务规划解空间降维；
步骤S3、基于星座内卫星的组网关系，进行快速路由协同；
步骤S4、完成轻度冗余处理。
2.根据权利要求1所述的巨型星座的协同对地观测任务规划优化方法，其特征在于，在所述步骤S1中，具体包括：
步骤S11、根据星座轨道平面数量、每个轨道平面卫星数量以及轨道相位参数，确定该星座的基本构型；
步骤S12、根据卫星升交点赤经的不同划分相应的轨道平面，将统一轨道平面的卫星当做一个集合；
步骤S13、根据任务目标对观测手段的需求以及同轨卫星的相位分布，在同一集合中划分不同的卫星组；
步骤S14、将每个卫星组作为一个节点，将全局任务需求分解到每一个节点，为后续的节点任务规划做准备。
3.根据权利要求1所述的巨型星座的协同对地观测任务规划优化方法，其特征在于，在所述步骤S2中，具体包括：
步骤S21、利用启发式算法完成非敏捷卫星聚类计算；
步骤S22、利用无监督学习的聚类方法完成敏捷卫星聚类计算。
4.根据权利要求3所述的巨型星座的协同对地观测任务规划优化方法，其特征在于，在所述步骤S21中，具体包括：
步骤S211、聚类前预处理，将可见计算生成的卫星对观测目标可见窗口按照一定的优先策略进行约束处理；
步骤S212、聚类集合计算，通过可见时间、载荷视场能力以及聚类中心选取准则，计算观测目标所属的聚类集合，为聚类元任务生成做准备；
步骤S213、聚类元任务生成，根据卫星的滚转机动能力以及聚类集合的权重进行姿态机动能力约束处理，获得聚类元任务。
5.根据权利要求3所述的巨型星座的协同对地观测任务规划优化方法，其特征在于，在所述步骤S22中，具体包括：
步骤S221、聚类前预处理，通过可见时间、载荷视场能力以及观测目标分布信息，计算待聚类目标所属的聚类集合，为聚类元任务生成做准备；
步骤S222、聚类集合计算，成像分辨率随着卫星进行姿态机动而改变，与卫星及观测目标的距离正相关；
步骤S223、完聚类元任务生成，结合聚类集合的权重进行姿态机动能力约束处理，获得聚类元任务。
6.根据权利要求1所述的巨型星座的协同对地观测任务规划优化方法，其特征在于，在所述步骤S3中，具体包括：
步骤S31、结合星座轨道特征和轨道平面内的卫星相位分布，划分最小网络通信路径规划单元；
步骤S32、根据传输可用的链路关系，建立每一卫星组之间的网络传输关系；
步骤S33、根据任务数据量和星间传输速率，对每个卫星组间的通信路径进行规划计算；
步骤S34、将所有卫星组的传输规划方案进行综合，形成整个星座的网络流转方案。
7.根据权利要求1所述的巨型星座的协同对地观测任务规划优化方法，其特征在于，所述步骤S4中，通过任务目标优先级和剩余卫星资源重规划，实现观测多重覆盖以及缺失替代补网，完成轻度冗余处理，具体包括：
步骤S41、生成需求方案，按照任务目标权重进行升序排序，根据任务需求选取相应比例的目标，生成轻度冗余需求方案，其中，任务分解与筹划方法与所述步骤S1相同；
步骤S42、对卫星资源进行重规划，根据所述步骤S41得到的需求方案，调用所述步骤S2和所述步骤S3的任务聚类和规划方法，结合剩余卫星资源生成轻度冗余规划结果，并入所述步骤S3生成的全局规划方案。
8.根据权利要求6所述的巨型星座的协同对地观测任务规划优化方法，其特征在于，所述步骤S32中，具体包括：
步骤S321、根据任务的持续时间选取对应的时间片拓扑，获得的当前网络节点间的连通关系；
步骤S322、针对任务目标不同优先级以及传输需求，采取差异化路由的方式进行路径规划；
步骤S323、利用Dijsktra算法计算得出可满足任务传输条件的最小开销路径。
9.一种电子设备，其特征在于，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行如权利要求1至8中任一项所述的巨型星座的协同对地观测任务规划优化方法。
10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，实现如权利要求1至8中任一项所述的巨型星座的协同对地观测任务规划优化方法。
CN202310769791.3A 2023-06-27 2023-06-27 巨型星座的协同对地观测任务规划优化方法、设备及介质 Active CN116883704B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310769791.3A CN116883704B (zh) 2023-06-27 2023-06-27 巨型星座的协同对地观测任务规划优化方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310769791.3A CN116883704B (zh) 2023-06-27 2023-06-27 巨型星座的协同对地观测任务规划优化方法、设备及介质

Publications (2)

Publication Number Publication Date
CN116883704A true CN116883704A (zh) 2023-10-13
CN116883704B CN116883704B (zh) 2024-05-03

Family

ID=88263535

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310769791.3A Active CN116883704B (zh) 2023-06-27 2023-06-27 巨型星座的协同对地观测任务规划优化方法、设备及介质

Country Status (1)

Country Link
CN (1) CN116883704B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160037434A1 (en) * 2014-08-03 2016-02-04 Hughes Network Systems, Llc Centralized ground-based route determination and traffic engineering for software defined satellite communications networks
CN112434435A (zh) * 2020-12-01 2021-03-02 中国人民解放军国防科技大学 基于任务合成的成像卫星密集任务调度方法
CN112668930A (zh) * 2021-01-12 2021-04-16 中国科学院微小卫星创新研究院 基于改进教学优化方法的多星任务调度规划方法
CN114884565A (zh) * 2022-05-30 2022-08-09 南京大学 一种基于通信性能约束的大规模低轨卫星网络拓扑优化方法
CN114943421A (zh) * 2022-04-25 2022-08-26 航天宏图信息技术股份有限公司 多类卫星协同任务筹划方法、装置、电子设备及存储介质
CN115118323A (zh) * 2022-05-20 2022-09-27 哈尔滨工业大学 空天地网络中最小化传输时延的预判决路由方法
CN115577923A (zh) * 2022-09-28 2023-01-06 中国电子科技集团公司第五十四研究所 一种面向对地观测空间云服务的星地协同任务管控方法
CN116094569A (zh) * 2022-12-16 2023-05-09 南京航空航天大学 基于时空网格的巨型星座任务路径规划方法、装置及介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160037434A1 (en) * 2014-08-03 2016-02-04 Hughes Network Systems, Llc Centralized ground-based route determination and traffic engineering for software defined satellite communications networks
CN112434435A (zh) * 2020-12-01 2021-03-02 中国人民解放军国防科技大学 基于任务合成的成像卫星密集任务调度方法
CN112668930A (zh) * 2021-01-12 2021-04-16 中国科学院微小卫星创新研究院 基于改进教学优化方法的多星任务调度规划方法
CN114943421A (zh) * 2022-04-25 2022-08-26 航天宏图信息技术股份有限公司 多类卫星协同任务筹划方法、装置、电子设备及存储介质
CN115118323A (zh) * 2022-05-20 2022-09-27 哈尔滨工业大学 空天地网络中最小化传输时延的预判决路由方法
CN114884565A (zh) * 2022-05-30 2022-08-09 南京大学 一种基于通信性能约束的大规模低轨卫星网络拓扑优化方法
CN115577923A (zh) * 2022-09-28 2023-01-06 中国电子科技集团公司第五十四研究所 一种面向对地观测空间云服务的星地协同任务管控方法
CN116094569A (zh) * 2022-12-16 2023-05-09 南京航空航天大学 基于时空网格的巨型星座任务路径规划方法、装置及介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
周旭 等: "基于边缘智能协同的天地一体化信息网络研究", 电信科学, no. 07, 20 July 2020 (2020-07-20) *
巫兆聪 等: "基于满足度评估的遥感应用需求聚类算法", 应用科学学报, no. 04 *
巫兆聪 等: "基于满足度评估的遥感应用需求聚类算法", 应用科学学报, no. 04, 30 July 2018 (2018-07-30) *
李志亮 等: "敏捷卫星任务规划问题研究现状与展望", 装备学院学报, no. 01 *
李志亮 等: "敏捷卫星任务规划问题研究现状与展望", 装备学院学报, no. 01, 28 February 2016 (2016-02-28) *

Also Published As

Publication number Publication date
CN116883704B (zh) 2024-05-03

Similar Documents

Publication Publication Date Title
Chen et al. A distributed method for dynamic multi-robot task allocation problems with critical time constraints
Zhao et al. A heuristic distributed task allocation method for multivehicle multitask problems and its application to search and rescue scenario
CN112016812B (zh) 多无人机任务调度方法、系统及存储介质
CN111862579A (zh) 一种基于深度强化学习的出租车调度方法及系统
Ray et al. The multi-depot split-delivery vehicle routing problem: Model and solution algorithm
CN112925350B (zh) 一种多无人机分布式协同目标搜索方法
CN112766813A (zh) 一种空天协同观测复杂任务调度方法及系统
Yao et al. Task allocation strategies for cooperative task planning of multi-autonomous satellite constellation
CN112561395A (zh) 无人机协同方法、系统、装置、电子设备及存储介质
Shahzaad et al. Resilient composition of drone services for delivery
CN113051815A (zh) 一种基于独立指针网络的敏捷成像卫星任务规划方法
CN109711702B (zh) 面向多管理平台的对地观测任务分布式协同规划方法
Dhuheir et al. Deep reinforcement learning for trajectory path planning and distributed inference in resource-constrained UAV swarms
Rahili et al. Optimal routing for autonomous taxis using distributed reinforcement learning
Liu et al. Multi-agent reinforcement learning-based coordinated dynamic task allocation for heterogenous UAVs
Wu et al. Coordinated scheduling of air and space observation resources via divide-and-conquer framework and iterative optimization
CN116883704B (zh) 巨型星座的协同对地观测任务规划优化方法、设备及介质
CN116185035B (zh) 基于改进仿生狼群的无人集群动态任务分配方法及系统
CN114115342B (zh) 一种基于冲突处理的无人集群多域协同系统及方法
Li et al. Optimal online dispatch for high-capacity shared autonomous mobility-on-demand systems
CN110662272A (zh) 一种基于蜂群无人机的最少数量领航者选取方法
Qiao et al. A service function chain deployment scheme of the software defined satellite network
Sun et al. FT-MSTC*: An efficient fault tolerance algorithm for multi-robot coverage path planning
Chang et al. Multi-strip observation scheduling problem for active-imaging agile earth observation satellites
Hu et al. Energy-Balanced Optimization on Flying Ferry Placement for Data Gathering in Wireless Sensor Networks

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