CN116956716A - 低轨卫星目标天基观测星座轨道设计方法、设备、介质和产品 - Google Patents
低轨卫星目标天基观测星座轨道设计方法、设备、介质和产品 Download PDFInfo
- Publication number
- CN116956716A CN116956716A CN202310842984.7A CN202310842984A CN116956716A CN 116956716 A CN116956716 A CN 116956716A CN 202310842984 A CN202310842984 A CN 202310842984A CN 116956716 A CN116956716 A CN 116956716A
- Authority
- CN
- China
- Prior art keywords
- orbit
- track
- satellite
- constellation
- observation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013461 design Methods 0.000 title claims abstract description 36
- 238000005457 optimization Methods 0.000 claims abstract description 69
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 44
- 230000002068 genetic effect Effects 0.000 claims abstract description 40
- 230000001360 synchronised effect Effects 0.000 claims abstract description 24
- 238000005070 sampling Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 13
- 230000000630 rising effect Effects 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 5
- 238000010353 genetic engineering Methods 0.000 claims description 4
- 238000009827 uniform distribution Methods 0.000 claims description 4
- 206010061274 Malocclusion Diseases 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000009826 distribution Methods 0.000 description 6
- 230000035772 mutation Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000009396 hybridization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000010076 replication Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
低轨卫星目标天基观测星座轨道设计方法、设备、介质和产品，属于空间目标探测技术领域，解决现有观测星座的适用性不高问题。本发明的方法包括：基于在轨低轨空间目标进行轨道分析，针对低轨观测星座建立多星观测的关键性能指标覆盖率，提出了观测星群的轨道设计优化思路，确定使用太阳同步晨昏轨道作为观测轨道进行优化，并以分层随机抽样和自适应遗传算法相结合的优化方法进行轨道设计优化。本发明涉及一种针对低轨卫星目标的天基观测星座的轨道设计与优化技术以及可行方案，适用于空间目标探测。
Description
技术领域
本申请涉及空间目标探测技术领域，尤其涉及低轨卫星目标天基观测星座轨道设计。
背景技术
当前，美国和加拿大是发射空间目标远距离光学观测卫星最多的国家，其发射的观测卫星大部分都是低轨卫星，并且大部分是太阳同步轨道，其次是极轨道和一般倾斜轨道。其中，美国天基空间监视系统是4颗以上光学观测卫星组成的星座，2010年入轨了第一颗卫星SBSS-1。美国天基红外系统预计发射20～40颗低轨卫星组成星座，已于2009年发射了三颗先验卫星。总的来说，目前国外空间目标远距离光学观测经历了载荷试验阶段和单星入轨阶段，未来发展方向是多星组网，且这些观测卫星轨道类型以太阳同步轨道和低轨一般倾斜轨道为主。
对于低轨卫星目标的可见光观测，观测距离一般是几百公里。由于低轨目标速度快，分布在不同高度的整个球面空间，对所有低轨目标进行观测和重访具有很大的挑战性。
发明内容
本发明目的是为了解决现有观测星座的适用性不高的问题，尤其是对所有低轨目标进行观测和重访比较困难的问题，提供了低轨卫星目标天基观测星座轨道设计方法、设备、介质和产品。
本发明是通过以下技术方案实现的，本发明一方面，提供一种低轨卫星目标天基观测星座轨道设计方法，所述方法包括：
步骤1、分层抽样选取样本低轨卫星目标；
步骤2、利用多变异位自适应遗传算法，获取对目标覆盖率最大的星座轨道，具体包括：
步骤2.1、观测星轨道选用太阳同步晨昏轨道，确定优化变量；
步骤2.2、确定遗传算法优化约束条件；
步骤2.3、确定目标函数，所述目标函数为实现目标覆盖比最大化，具体为：
max J＝Pcov
Pcov为覆盖率，是指观测卫星(群)在指定的时间段内可以观测到的空间目标数量Nobs和目标总数Nall的比值；
步骤2.4、多变异位自适应遗传算法获取最优解；
步骤3、通过所述最优解，确定星座每颗卫星的轨道六根数，完成满足目标最大覆盖率的轨道设计。
进一步地，步骤1，具体包括：
步骤1.1、基于轨道特性进行分层，包括：
按照轨道倾角分类，确定太阳同步轨道层为第1层、极地轨道层为第2层、轨道倾角介于50到55度的一般轨道为第3层以及剩余其他轨道为第4层，并确定各层的样本总量；
步骤1.2、确定各层的样本容量，包括：根据各样本层总量之间的比例确定各层的样本容量。
进一步地，步骤2.1中的优化变量包括：第j个轨道面上的一颗卫星的轨道倾角、真近点角、升交点赤经、轨道个数和每一轨道卫星个数。
进一步地，步骤2.1中的优化变量包括：第j个轨道面上的一颗卫星的轨道倾角、真近点角和升交点赤经。
进一步地，步骤2.2，具体包括：
对于目标观测时间的约束为
t0≤t≤tf
式中，t0为观测开始时间，tf为观测结束时间，t为目标观测时间；
轨道根数约束和卫星数量约束为
式中，io，fo，Ωo为待优化的卫星的轨道倾角、真近点角以及升交点赤经，fo min，为优化时的轨道最小轨道倾角，真近点角以及升交点赤经；fo max，为优化时的轨道最大轨道倾角，真近点角以及升交点赤经；为优化时的最大卫星总数，k为轨道根数，n为每一轨道卫星数量。
进一步地，步骤2.4，具体包括：
步骤2.4.1、种群初始化，包括：根据优化变量以及遗传算法优化约束条件，利用随机生成的方式生成特定数量规模的满足要求的变量种群；
步骤2.4.2、适应度计算，包括：利用目标函数，计算出种群当中所有个体的适应度；
步骤2.4.3、遗传操作，包括：复制、交叉和变异，得到新的下一代种群个体；
步骤2.4.4、通过步骤2.4.2和步骤2.4.3过程不断迭代，将下一代个体重新计算适应度，迭代到所设置的最大进化代数后，迭代结束，得到适应度最大的个体即为遗传算法的最优解。
进一步地，步骤3，具体包括：
根据同一个轨道面上的卫星均匀分布，确定每一轨道上的n颗卫星的真近点角相差(360/n)°；
根据一颗卫星的真近点角，获取同一轨道上所有卫星的真近点角；
根据星座轨道选取太阳同步晨昏轨道，确定所有卫星轨道的偏心率e均为0，近地点角距ω也为0，轨道半长轴a与轨道倾角i之间的确定关系；
通过最优解，确定星座每颗卫星的轨道六根数，获取观测星座中所有观测卫星的轨道数据，完成满足目标最大覆盖率的轨道设计。
第二方面，本发明提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时执行如上文所述的一种低轨卫星目标天基观测星座轨道设计方法的步骤。
第三方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质中存储有多条计算机指令，所述多条计算机指令用于使计算机执行如上文所述的一种低轨卫星目标天基观测星座轨道设计方法。
第四方面，本发明提供一种计算机程序产品，所述计算机程序被处理器执行时实现如上文所述的一种低轨卫星目标天基观测星座轨道设计方法。
本发明的有益效果：
本发明为增强观测星座的适用性，重点放在对所有空间目标的覆盖率的提高，研究设计了更进一步考虑提高对重点目标的可观测率的观测星座的设计技术以及可行方案。
对低轨目标进行天基观测可以通过仅测角的方式来进行目标定轨，天基目标观测相比于地基探测，具有覆盖范围广和无地域限制等优势，同时通过观测星轨道的调整可以提高重访特性。
本发明基于在轨低轨空间目标进行轨道分析，针对低轨观测星座建立多星观测的关键性能指标覆盖率，提出了观测星群的轨道设计优化思路，确定使用太阳同步晨昏轨道作为观测轨道进行优化，并以分层随机抽样和自适应遗传算法相结合的优化方法进行轨道设计优化。
在轨道设计优化的过程中，能够以小计算量的计算负担实现对目标的高覆盖率的轨道设计并证明了该算法的有效性，得到两种轨道面分布的设计方案，其中双轨道面的方案适用于单星观测，更利于单星观测收敛；三轨道面方案更适用于多星观测，可以提供更高的二重覆盖率。
本发明涉及一种针对低轨卫星目标的天基观测星座的轨道设计与优化技术以及可行方案，适用于空间目标探测技术领域。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，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为本发明的两轨道面遗传算法计算过程示意图；
图2为本发明的三轨道面遗传算法计算过程示意图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
具体实施方式一、一种低轨卫星目标天基观测星座轨道设计方法，所述方法包括：
步骤1、分层抽样选取样本低轨卫星目标；
步骤2、利用多变异位自适应遗传算法，获取对目标覆盖率最大的星座轨道，具体包括：
步骤2.1、观测星轨道选用太阳同步晨昏轨道，确定优化变量；
步骤2.2、确定遗传算法优化约束条件；
步骤2.3、确定目标函数，所述目标函数为实现目标覆盖比最大化，具体为：
max J＝Pcov
Pcov为覆盖率，是指观测卫星(群)在指定的时间段内可以观测到的空间目标数量Nobs和目标总数Nall的比值；
步骤2.4、多变异位自适应遗传算法获取最优解；
步骤3、通过所述最优解，确定星座每颗卫星的轨道六根数，完成满足目标最大覆盖率的轨道设计。
本实施方式中，基于在轨低轨空间目标进行轨道分析，针对低轨观测星座建立多星观测的关键性能指标覆盖率，提出了观测星群的轨道设计优化思路，确定使用太阳同步晨昏轨道作为观测轨道进行优化，并以分层随机抽样和自适应遗传算法相结合的优化方法进行轨道设计优化。
具体实施方式二，本实施方式是对实施方式一所述的一种低轨卫星目标天基观测星座轨道设计方法的进一步限定，本实施方式中，对步骤1，做了进一步限定，具体包括：
步骤1，具体包括：
步骤1.1、基于轨道特性进行分层，包括：
按照轨道倾角分类，确定太阳同步轨道层为第1层、极地轨道层为第2层、轨道倾角介于50到55度的一般轨道为第3层以及剩余其他轨道为第4层，并确定各层的样本总量；
本实施方式中，步骤1.1可以有效地抑制抽样总体中参数的不均匀分布，从而减少各单元之间的差异，且可以通过独立的随机抽样来提高抽样的准确性。
步骤1.2、确定各层的样本容量，包括：根据各样本层总量之间的比例确定各层的样本容量。
本实施方式中，步骤1.2根据低轨目标轨道的特点，估计精度要求使用相对误差限，分配策略使用比例分配更加合适。
具体实施方式三，本实施方式是对实施方式一所述的一种低轨卫星目标天基观测星座轨道设计方法的进一步限定，本实施方式中，对步骤2.1中的优化变量，做了进一步限定，具体包括：
步骤2.1中的优化变量包括：第j个轨道面上的一颗卫星的轨道倾角、真近点角、升交点赤经、轨道个数和每一轨道卫星个数。
本实施方式中，为了确保整个任务期间，对目标的观测能满足太阳角约束条件和尽量保持相同的太阳照射条件，观测星的最佳候选轨道是太阳同步晨昏轨道，这些特殊轨道利用了地球扁率的影响(即J2效应)，以便轨道进动和一年中太阳方向在赤道上的旋转同步。
使用太阳同步晨昏轨道实际上已经确定了偏心率，所以对于每个卫星来说优化变量为卫星轨道倾角和真近点角。而对于整个星群来说，借鉴Walker星座的设计方法，每个轨道面上卫星均匀分布且卫星数量相同，故优化变量为每一轨道卫星个数和轨道个数。
具体实施方式四，本实施方式是对实施方式一所述的一种低轨卫星目标天基观测星座轨道设计方法的进一步限定，本实施方式中，对步骤2.1中的优化变量，做了进一步限定，具体包括：
步骤2.1中的优化变量包括：第j个轨道面上的一颗卫星的轨道倾角、真近点角和升交点赤经。
本实施方式中，使用遗传算法需要优化变量的维数确定，所以需要将轨道个数确定。确定好轨道个数和卫星总数以后，优化变量最终简化确定为每轨轨道倾角、升交点赤经和卫星初始相位分布。通常情况下，在星座设计时会预先决定好轨道个数k以及每一轨道卫星个数n。可以确保整个任务期间，对目标的观测能满足太阳角约束条件和尽量保持相同的太阳照射条件。
具体实施方式五，本实施方式是对实施方式四所述的一种低轨卫星目标天基观测星座轨道设计方法的进一步限定，本实施方式中，对步骤2.2，做了进一步限定，具体包括：
步骤2.2，具体包括：
对于目标观测时间的约束为
t0≤t≤tf
式中，t0为观测开始时间，tf为观测结束时间，t为目标观测时间；
轨道根数约束和卫星数量约束为
式中，io，fo，Ωo为待优化的卫星的轨道倾角、真近点角以及升交点赤经，fo min，为优化时的轨道最小轨道倾角，真近点角以及升交点赤经；fo max，为优化时的轨道最大轨道倾角，真近点角以及升交点赤经；为优化时的最大卫星总数，k为轨道根数，n为每一轨道卫星数量。
具体实施方式六，本实施方式是对实施方式一所述的一种低轨卫星目标天基观测星座轨道设计方法的进一步限定，本实施方式中，对步骤2.4，做了进一步限定，具体包括：
步骤2.4，具体包括：
步骤2.4.1、种群初始化，包括：根据优化变量以及遗传算法优化约束条件，利用随机生成的方式生成特定数量规模的满足要求的变量种群；
步骤2.4.2、适应度计算，包括：利用目标函数，计算出种群当中所有个体的适应度；
步骤2.4.3、遗传操作，包括：复制、交叉和变异，得到新的下一代种群个体；
步骤2.4.4、通过步骤2.4.2和步骤2.4.3过程不断迭代，将下一代个体重新计算适应度，迭代到所设置的最大进化代数后，迭代结束，得到适应度最大的个体即为遗传算法的最优解。
本实施方式中，使用遗传算法需要优化变量的维数确定，所以需要将轨道个数确定，例如可以设计两种优化方案，其中一种优化方案为双轨道面，另一种方案为三轨道面；同时确定好观测星的最大数量，两种方案的最大卫星数量均为12颗。使用遗传算法最显著的优点就是全局最优，这意味着遗传算法可以尽量避免使用其他优化算法求得的最优解仅为局部最优的局限性，使用一组候选解也就是种群并且通过交叉变异等手段维持种群的多样性可以避免整个种群过早“趋同”，更容易达到全局最优。
具体实施方式七，本实施方式是对实施方式一所述的一种低轨卫星目标天基观测星座轨道设计方法的进一步限定，本实施方式中，对步骤3，做了进一步限定，具体包括：
步骤3，具体包括：
根据同一个轨道面上的卫星均匀分布，确定每一轨道上的n颗卫星的真近点角相差(360/n)°；
根据一颗卫星的真近点角，获取同一轨道上所有卫星的真近点角；
根据星座轨道选取太阳同步晨昏轨道，确定所有卫星轨道的偏心率e均为0，近地点角距ω也为0，轨道半长轴a与轨道倾角i之间的确定关系；
通过最优解，确定星座每颗卫星的轨道六根数，获取观测星座中所有观测卫星的轨道数据，完成满足目标最大覆盖率的轨道设计。
本实施方式中，得到最优解后，根据太阳同步晨昏轨道中卫星轨道根数的关系和同一轨道面上卫星均匀分布的特性，得到观测行座中所有观测卫星的轨道。
具体实施方式八，本实施方式是对如上文所述的一种低轨卫星目标天基观测星座轨道设计方法的实施例1，具体包括：
1.分层抽样选取样本低轨卫星目标
分层抽样可以得到数量远小于总样本的分层抽样样本，并且可以有效地抑制抽样总体中参数的不均匀分布，从而减少各单元之间的差异，且可以通过独立的随机抽样来提高抽样的准确性。通过分层抽样得到的样本低轨卫星目标进行观测卫星星座的设计与优化。
基于轨道特性进行分层：
基于已知的低轨目标的轨道特性，将空间目标进行分层，本发明按照轨道倾角分类，分成太阳同步轨道层(第1层)、极地轨道层(第2层)、轨道倾角介于50到55度的一般轨道(第3层)和剩余其他轨道(第4层)。
确定各层的样本容量；
根据低轨目标轨道的特点，估计精度要求使用相对误差限，分配策略使用比例分配更加合适，即根据各样本层总量之间的比例确定各层的样本容量。
2.多变异位自适应遗传算法
优化变量确定：
为了确保整个任务期间，对目标的观测能满足太阳角约束条件和尽量保持相同的太阳照射条件，观测星的最佳候选轨道是太阳同步晨昏轨道，这些特殊轨道利用了地球扁率的影响(即J2效应)，以便轨道进动和一年中太阳方向在赤道上的旋转同步。
使用太阳同步晨昏轨道实际上已经确定了偏心率，所以对于每个卫星来说优化变量为卫星轨道倾角和真近点角。而对于整个星群来说，借鉴Walker星座的设计方法，每个轨道面上卫星均匀分布且卫星数量相同，故优化变量为每一轨道卫星个数和轨道个数。
使用遗传算法需要优化变量的维数确定，所以需要将轨道个数确定。确定好轨道个数和卫星总数以后，优化变量最终简化确定为每轨轨道倾角、升交点赤经和卫星初始相位分布。
遗传算法计算：
使用多变异位自适应遗传算法进行计算，得到优化变量的最优解，根据最优解可以解出最优星座的轨道参数，即完成星座的轨道设计与优化。
针对单星观测和多星观测，分别设计优化了两种星座轨道，两种星座的观测卫星数量均为12颗，分别分布于两个轨道面和三个轨道面。
具体实施方式九，本实施方式是对如上文所述的一种低轨卫星目标天基观测星座轨道设计方法的实施例2，具体包括：
步骤一：基于轨道特性进行分层
基于已知的低轨目标的轨道特性，将空间目标进行分层，本发明按照轨道倾角分类，分成太阳同步轨道层(第1层)、极地轨道层(第2层)、轨道倾角介于50到55度的一般轨道(第3层)和剩余其他轨道(第4层)，并确定各层的样本总量。如下目标分层表所示：
目标分层表
| 层序号(h) | 轨道类型 | 第h层的样本总量(Nh) |
| 1 | 太阳同步轨道 | 1790 |
| 2 | 极地轨道 | 717 |
| 3 | 50＜i＜55(deg)的一般轨道 | 3146 |
| 4 | 其他一般轨道 | 1117 |
步骤二：确定各层的样本容量
根据低轨目标轨道的特点，估计精度要求使用相对误差限，分配策略使用比例分配更加合适，即根据各样本层总量之间的比例确定各层的样本容量。
对目标进行分层抽样，确定样本总量为100，采用比例分配的方式确定各层样本量，则按照表3的样本总量，各层目标的样本量分别为26，11，46和17，各层中选用随机抽样的方式确定目标的轨道。
步骤三：优化变量确定
为了确保整个任务期间，对目标的观测能满足太阳角约束条件和尽量保持相同的太阳照射条件，观测星轨道选用太阳同步晨昏轨道。该轨道的轨道六根数间有一定的关系：：
e＝0
式中，H是轨道高度，是太阳相对于ECI坐标系的旋转角速度(的取值为-1.99×10-7rad/s)，μe是地球引力常数(μe取398600.4415km3/s2)，a、e和i分别是轨道半长轴、偏心率和轨道倾角，Re为地球半径，J2为二阶带谐系数。
根据太阳同步晨昏轨道中轨道六根数之间的关系，轨道半长轴a可以由轨道倾角i得出，而轨道偏心率e为常数0，因此近地点角距ω也为0。于是，对于每个卫星轨道而言，只需要确定卫星轨道倾角i，真近点角f和升交点赤经Ω即可确定卫星的轨道。而对于整个星群来说，还需要对除了对每颗卫星的轨道变量进行优化以外，还需要对每一轨道卫星个数n和轨道个数k进行优化，但是由于每个轨道面上的卫星是均匀分布的，因此只需要确定每个轨道面上一颗卫星的轨道，即可确定该轨道面上其余所有卫星的轨道。
因此，整个星座的优化向量可以表示为其中j＝k。分别为第j个轨道面上的一颗卫星的轨道倾角，真近点角以及升交点赤经。通常情况下，在星座设计时会预先决定好轨道个数k以及每一轨道卫星个数n，因此优化向量可以简化为步骤四：确定遗传算法优化约束条件
对于目标观测时间的约束为
t0≤t≤tf
式中，t0为观测开始时间，tf为观测结束时间；
轨道根数约束和卫星数量约束为
式中，fo min，为优化时的轨道最小轨道倾角，真近点角以及升交点赤经；fo max，为优化时的轨道最大轨道倾角，真近点角以及升交点赤经；为优化时的最大卫星总数。
步骤五：目标函数确定
目标函数是所有可能目标覆盖比实现最大化。
max J＝Pcov
Pcov：覆盖率，是指观测卫星(群)在指定的时间段内可以观测到的空间目标数量Nobs和目标总数Nall的比值。
步骤六：多变异位自适应遗传算法计算最优解
使用遗传算法需要优化变量的维数确定，所以需要将轨道个数确定，设计两种优化方案，其中一种优化方案为双轨道面，另一种方案为三轨道面；同时确定好观测星的最大数量，两种方案的最大卫星数量均为12颗。
设置好约束条件后，利用遗传算法进行计算，。
遗传算法计算过程简介如下：
1)种群初始化。根据优化变量以及遗传算法优化约束条件，利用随机生成的方式生成特定数量规模的满足要求的变量种群。
2)适应度计算。利用目标函数maxJ，计算出种群当中所有个体的适应度。
3)遗传操作。包括复制、交叉和变异。复制是将适应度高的个体从当前种群中选择出来直接遗传到下一代个体；交叉是用一定的设置好的杂交常数来控制生成新的交叉个体；而变异是将随机产生的变异点根据变异常数将变异点的原有基因取反，得到新个体的操作。通过以上三种操作，即得到了新的下一代种群个体。
将下一代个体重新计算适应度，即2)、3)过程不断迭代，迭代到所设置的最大进化代数后，迭代结束，得到的适应度最大的个体即为遗传算法的最优解，即对目标覆盖率最大的星座轨道。
步骤七：通过最优解得出符合条件的观测星座
得到最优解后，根据太阳同步晨昏轨道中卫星轨道根数的关系和同一轨道面上卫星均匀分布的特性，得到观测行座中所有观测卫星的轨道。
遗传算法得到的最优解是以优化变量的形式呈现出来，即对目标覆盖率最大的星座每一个轨道面上一颗卫星的轨道倾角、真近点角以及升交点赤经。由于同一个轨道面上的卫星均匀分布，因此每一轨道上的n颗卫星的真近点角相差(360/n)°，已知一颗卫星的真近点角即可知道同一轨道上所有卫星的真近点角；并且由于星座轨道选取太阳同步晨昏轨道，因此所有卫星轨道的偏心率e均为0，近地点角距ω也为0，轨道半长轴a又与轨道倾角i有确定关系(见优化变量确定步骤)，因此通过最优解，可以确定星座每颗卫星的轨道六根数，即完成满足目标最大覆盖率的轨道设计优化。
(1)、两轨道面实施例：
两轨道面条件下，取12，每个轨道面6颗观测星，优化变量为其余约束条件如下表1：
表1两轨道面约束参数设置
使用多变异位自适应遗传算法，算法参数设置如下表2：
表2遗传算法参数设置
| 参数 | 值 |
| 编码类型 | 实数 |
| 种群规模 | 30 |
| 最大进化代数 | 30 |
| 杂交常数1 | 0.6 |
| 杂交常数2 | 0.9 |
| 变异常数1 | 0.01 |
| 变异常数2 | 0.06 |
| 变量离散精度 | 0.1 |
遗传算法计算过程如图1，计算得到最优解为：
x＝[97.27,0.25,101.152401499558,97.08,45.51,93.52]
对抽样目标的目标覆盖率为88％。根据最优解，得到的两轨道面星座所有卫星的轨道参数如下表3。
表3：两轨道面观测星座轨道
(2)、三轨道面实施例：
采用三轨道面的观测卫星设计方案，取12，每轨道面4颗观测星，仍采用均匀分布的方式，优化每轨轨道倾角、升交点赤经和卫星真近点角，即剩余约束条件的常数值选取如下表4：
表4三轨道面星座约束参数设置
在以上约束条件下，使用多变异位自适应遗传算法，算法参数设置如表2，计算过程如图2，得到的最优解为：
x＝[97.63,51.09,36.06,98.53,9.12,108.23,97.20,56.98,253.27]
最优解对应的目标覆盖率为88％。根据最优解，得到的三轨道面星座所有卫星的轨道参数如表5。
表5：三轨道面观测星座轨道
Claims (10)
1.一种低轨卫星目标天基观测星座轨道设计方法，其特征在于，所述方法包括：
步骤1、分层抽样选取样本低轨卫星目标；
步骤2、利用多变异位自适应遗传算法，获取对目标覆盖率最大的星座轨道，具体包括：
步骤2.1、观测星轨道选用太阳同步晨昏轨道，确定优化变量；
步骤2.2、确定遗传算法优化约束条件；
步骤2.3、确定目标函数，所述目标函数为实现目标覆盖比最大化，具体为：
max J＝Pcov
Pcov为覆盖率，是指观测卫星(群)在指定的时间段内可以观测到的空间目标数量Nobs和目标总数Nall的比值；
步骤2.4、多变异位自适应遗传算法获取最优解；
步骤3、通过所述最优解，确定星座每颗卫星的轨道六根数，完成满足目标最大覆盖率的轨道设计。
2.根据权利要求1所述的一种低轨卫星目标天基观测星座轨道设计方法，其特征在于，步骤1，具体包括：
步骤1.1、基于轨道特性进行分层，包括：
按照轨道倾角分类，确定太阳同步轨道层为第1层、极地轨道层为第2层、轨道倾角介于50到55度的一般轨道为第3层以及剩余其他轨道为第4层，并确定各层的样本总量；
步骤1.2、确定各层的样本容量，包括：根据各样本层总量之间的比例确定各层的样本容量。
3.根据权利要求1所述的一种低轨卫星目标天基观测星座轨道设计方法，其特征在于，步骤2.1中的优化变量包括：第j个轨道面上的一颗卫星的轨道倾角、真近点角、升交点赤经、轨道个数和每一轨道卫星个数。
4.根据权利要求1所述的一种低轨卫星目标天基观测星座轨道设计方法，其特征在于，步骤2.1中的优化变量包括：第j个轨道面上的一颗卫星的轨道倾角、真近点角和升交点赤经。
5.根据权利要求4所述的一种低轨卫星目标天基观测星座轨道设计方法，其特征在于，步骤2.2，具体包括：
对于目标观测时间的约束为
t0≤t≤tf
式中，t0为观测开始时间，tf为观测结束时间，t为目标观测时间；
轨道根数约束和卫星数量约束为
式中，io，fo，Ωo为待优化的卫星的轨道倾角、真近点角以及升交点赤经， 为优化时的轨道最小轨道倾角，真近点角以及升交点赤经；为优化时的轨道最大轨道倾角，真近点角以及升交点赤经；为优化时的最大卫星总数，k为轨道根数，n为每一轨道卫星数量。
6.根据权利要求1所述的一种低轨卫星目标天基观测星座轨道设计方法，其特征在于，步骤2.4，具体包括：
步骤2.4.1、种群初始化，包括：根据优化变量以及遗传算法优化约束条件，利用随机生成的方式生成特定数量规模的满足要求的变量种群；
步骤2.4.2、适应度计算，包括：利用目标函数，计算出种群当中所有个体的适应度；
步骤2.4.3、遗传操作，包括：复制、交叉和变异，得到新的下一代种群个体；
步骤2.4.4、通过步骤2.4.2和步骤2.4.3过程不断迭代，将下一代个体重新计算适应度，迭代到所设置的最大进化代数后，迭代结束，得到适应度最大的个体即为遗传算法的最优解。
7.根据权利要求1-6中任一项所述的一种低轨卫星目标天基观测星座轨道设计方法，其特征在于，步骤3，具体包括：
根据同一个轨道面上的卫星均匀分布，确定每一轨道上的n颗卫星的真近点角相差(360/n)°；
根据一颗卫星的真近点角，获取同一轨道上所有卫星的真近点角；
根据星座轨道选取太阳同步晨昏轨道，确定所有卫星轨道的偏心率e均为0，近地点角距ω也为0，轨道半长轴a与轨道倾角i之间的确定关系；
通过最优解，确定星座每颗卫星的轨道六根数，获取观测星座中所有观测卫星的轨道数据，完成满足目标最大覆盖率的轨道设计。
8.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，当所述处理器运行所述存储器存储的计算机程序时执行权利要求1至7中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有多条计算机指令，所述多条计算机指令用于使计算机执行权利要求1至7中任一项所述的方法。
10.一种计算机程序产品，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至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310842984.7A CN116956716A (zh) | 2023-07-11 | 2023-07-11 | 低轨卫星目标天基观测星座轨道设计方法、设备、介质和产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310842984.7A CN116956716A (zh) | 2023-07-11 | 2023-07-11 | 低轨卫星目标天基观测星座轨道设计方法、设备、介质和产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116956716A true CN116956716A (zh) | 2023-10-27 |
Family
ID=88457652
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310842984.7A Pending CN116956716A (zh) | 2023-07-11 | 2023-07-11 | 低轨卫星目标天基观测星座轨道设计方法、设备、介质和产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116956716A (zh) |
-
2023
- 2023-07-11 CN CN202310842984.7A patent/CN116956716A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111680354B (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 | |
| CN110203422B (zh) | 针对面目标区域探测的快速响应卫星轨道设计方法 | |
| CN110096069B (zh) | 基于nsga ii超幅宽成像卫星编队构型的优化方法 | |
| CN109656133B (zh) | 一种针对空间走廊跟踪观测的分布式卫星群优化设计方法 | |
| CN111783233B (zh) | 一种中轨道Walker导航星座在轨备份方案优化设计方法 | |
| CN112797989B (zh) | 一种脉冲星频率参数的快速搜索方法 | |
| CN108875244B (zh) | 一种基于随机森林的轨道预报精度改进方法 | |
| CN109639338B (zh) | 一种适用于通导遥一体化应用的全球覆盖星座的设计方法 | |
| CN110017832A (zh) | 一种基于Gauss解群优选的短弧初轨确定方法 | |
| CN113761809B (zh) | 一种基于深度神经网络的无源探测定轨方法 | |
| CN112230219B (zh) | 基于全方位角观测的轨道参数及星座构型设计方法 | |
| Vananti et al. | Tracklet-tracklet correlation method for radar and angle observations | |
| Chen et al. | Optimization for multitarget, multispacecraft impulsive rendezvous considering J 2 perturbation | |
| CN113408063A (zh) | 面向多星多侦察目标的轨道机动优化方法 | |
| CN115143955B (zh) | 基于天文测角数据确定地球同步轨道带航天器初轨的方法 | |
| CN115081343B (zh) | 一种基于神经网络结合遗传算法的天基无源探测定轨方法 | |
| CN113093246B (zh) | 地面多目标点成像快速判定及任务参数计算方法 | |
| CN116956716A (zh) | 低轨卫星目标天基观测星座轨道设计方法、设备、介质和产品 | |
| CN116125503A (zh) | 一种高精度卫星轨道确定及预报算法 | |
| CN116424576B (zh) | 基于基准构型动态确定策略的星座构型保持方法及系统 | |
| CN106384152B (zh) | 基于萤火虫群优化的pf空间非合作目标轨道预测方法 | |
| RU2376213C1 (ru) | Способ ориентации и автономной навигации космического аппарата системы мониторинга земли и околоземного пространства | |
| CN112179355A (zh) | 针对光度曲线典型特征的姿态估计方法 | |
| CN109977456A (zh) | 面向观测任务的卫星组网方案辅助设计系统 | |
| CN115270643A (zh) | 基于观测能效最优的光测设备空间目标测量站址选取系统及方法 |
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 |