CN117829277B - 面向多类型卫星的应急观测任务调度方法、系统及装置 - Google Patents
面向多类型卫星的应急观测任务调度方法、系统及装置 Download PDFInfo
- Publication number
- CN117829277B CN117829277B CN202410243974.6A CN202410243974A CN117829277B CN 117829277 B CN117829277 B CN 117829277B CN 202410243974 A CN202410243974 A CN 202410243974A CN 117829277 B CN117829277 B CN 117829277B
- Authority
- CN
- China
- Prior art keywords
- satellite
- task
- observation
- tasks
- satellites
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000008901 benefit Effects 0.000 claims abstract description 45
- 238000006243 chemical reaction Methods 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims description 28
- 230000007704 transition Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 13
- 238000012217 deletion Methods 0.000 claims description 8
- 230000037430 deletion Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000006978 adaptation Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 7
- 239000002243 precursor Substances 0.000 claims description 5
- 238000003780 insertion Methods 0.000 claims description 4
- 230000037431 insertion Effects 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 4
- 238000002922 simulated annealing Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 description 27
- 238000009826 distribution Methods 0.000 description 23
- 238000003384 imaging method Methods 0.000 description 12
- 230000008713 feedback mechanism Effects 0.000 description 11
- 230000007246 mechanism Effects 0.000 description 7
- 238000010845 search algorithm Methods 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Radio Relay Systems (AREA)
Abstract
本发明提供了一种面向多类型卫星的应急观测任务调度方法、系统及装置,涉及卫星观测技术领域,方法主要包括:构建卫星类型匹配模型、卫星转换时间模型及混合整数规划模型;将日常观测任务分配至卫星,将应急观测任务基于卫星类型匹配模型匹配至卫星;每个卫星迭代进行单星任务寻优规划;基于混合整数规划模型,迭代应急观测任务匹配方案寻优计算总收益,将总收益最大的各卫星任务列表作为调度方案。本发明可以将应急观测任务快速、智能地匹配至适配的卫星资源,并有效计算得到总收益最优的卫星任务调度方案,最终提升了卫星总体的观测效率及效益,同时也确保了应急观测任务的观测质量。
Description
技术领域
本发明涉及卫星观测技术领域,尤其是涉及一种面向多类型卫星的应急观测任务调度方法、系统及装置。
背景技术
观测任务可分为日常观测任务与应急观测任务,以灾害应急观测目标为例,其对卫星载荷的成像要求普遍高于日常观测目标,故需要为不同类型的观测任务选择合适的卫星资源,同时还要兼顾日常观测任务需求。敏捷卫星由于具有滚动、俯仰及偏航三个方向上角度的调整能力,从而延长了观测任务可见时间窗口(Visible Time Window,VTW),同时也需要考虑相邻任务之间的转换时间(Transition Time),进一步增大了任务调度难度。
多星规划调度问题往往从任务融合和任务分配两个角度入手,如图1所示:前者是将卫星可同时观测的任务进行聚类、融合,从而减少任务数量,增大任务被观测的概率;后者通过优化算法首先将任务分配给合适的卫星,再利用单星调度算法进行寻优,实现单星观测收益最大化,且兼顾各卫星之间的负载均衡。
其中,自适应大邻域搜索算法(Adaptive Large Neighborhood SearchAlgorithm,ALNS)为解决单颗卫星的协调调度问题提供了框架基础,如图2所示,ALNS由两层循环组成,内层循环是一个局部搜索过程,包括破坏领域和修复领域两种操作。破坏操作负责从当前已安排的任务列表中移除部分任务,修复操作负责将未调度的任务部分插入列表中。两种操作均包含一些特殊设计的邻域算子,用于选取移除或插入的任务。外层循环用于判断经邻域操作后的新解是否被接受,如果新解的收益高于当前解,则接受,并开启新一轮迭代;否则,按照模拟退火的准则决定是否接受。设为温度系数,如果新解/>小于当前解/>,则/>依如下概率接受:
;
每一轮迭代中,使用降温系数为线性降温函数,即:
;
为确保退火过程缓慢平坦,初始温度设置为:
;
在局部搜索中,自适应层用于从邻域操作中按一定条件选择不同算子。每种算子都对应一组得分和权重,得分取决于算子对应新解的质量,在每一轮迭代中更新;权重则根据得分每隔一定的轮次进行更新,同时初始化得分,并根据轮盘赌机制按概率对算子的选择产生影响。设为算子得分,/>为算子权重,它们的更新规则为:
,如果/>为新的全局最优解;
,如果/>但不是全局最优解;
,如果/>但该劣解最终被接受;
,如果/>且该劣解最终没有被接受;
,其中,参数/>决定了历史信息的重要程度。
根据轮盘赌机制,算子被选中的概率为:
;
算法的结束条件:达到最大迭代次数或所有拥有可见时间窗口的任务均已被调度。
但是,目前仍缺少面向多类型卫星的应急观测任务调度研究,比如如何安排雷达卫星观测洪涝灾害目标、如何规划可见光成像卫星观测火灾目标等,这就造成了在多类型卫星中应急观测任务与日常观测任务规划效率低、规划效益差的现状。
发明内容
本发明的目的在于提供一种面向多类型卫星的应急观测任务调度方法、系统及装置,以解决现有技术中存在的至少一种上述技术问题。
第一方面,为解决上述技术问题,本发明提供一种面向多类型卫星的应急观测任务调度方法,包括:
步骤1、定义变量及假设条件,构建卫星类型匹配模型及卫星转换时间模型;所述卫星类型匹配模型,基于不同类型卫星对于应急观测任务的优选级,将应急观测任务匹配至卫星并计算收益;所述卫星转换时间模型,用于计算敏捷卫星上相邻任务间的转换时间;
步骤2、基于所述卫星类型匹配模型及所述卫星转换时间模型,构建混合整数规划模型,用于计算观测任务在多类型卫星之间进行协同调度的总收益;
步骤3、接收日常观测任务和/或应急观测任务;
步骤4、将日常观测任务分配至卫星,将应急观测任务基于所述卫星类型匹配模型匹配至卫星;每个卫星迭代进行单星任务寻优规划,直至所有卫星达到结束条件;基于所述混合整数规划模型,迭代应急观测任务匹配方案寻优计算总收益,将总收益最大的各卫星任务列表作为调度方案。
通过上述步骤,可以将应急观测任务快速、智能地匹配至适配的卫星资源,并计算得到总收益最优的观测任务调度方案。
在一种可行的实施方式中,所述步骤1中的变量包括:
任务集,对于第/>个任务/>的持续时间为/>及观测收益为/>;
卫星集,对于第/>个卫星/>对任务/>进行观测的可见时间窗口集为/>,其中/>代表相应第/>个时间窗口,每个时间窗口的开始时间为/>、结束时间为/>;
每个任务的观测窗口,在每个可见时间窗口集/>内,/>可在一定范围内滑动;
任务前后继关系变量,当且仅当任务/>是/>直接前驱任务时值为1,否则值为0;
任务观测时间窗口的决策变量,当且仅当任务/>在卫星/>的时间窗口/>内进行观测时值为1,否则值为0;
任务的观测窗口开始时间变量/>;
任务的观测窗口结束时间的变量/>,具体公式可以为:
;
相邻任务间卫星进行姿态调整的角度总和,且/>是/>的直接前驱任务;
相邻任务间的转换时间。
通过上述变量及集合,可便于后序进行计算。
在一种可行的实施方式中,所述步骤1中的假设条件包括:
假设1、每颗观测卫星仅携带一种载荷,因此仅属于一种类型;
假设2、所有的观测目标均为点目标,且一次观测就可覆盖整个目标区域;否则,可将目标看作多个点目标分别进行观测;
假设3、所有目标只需被观测一次;
假设4、不考虑卫星能量以及存储容量的限制;
假设5、不考虑云层遮挡、资源变更以及人为干扰因素;
假设6、观测收益的变动仅由类型匹配的结果决定。特别的,虽然观测角度的不同会影响成像质量,而且观测收益也是时间依赖的,但可提前对可见时间窗口(Visible TimeWindow,VTW)进行剪枝,使成像质量满足需求即可。
通过上述假设条件,可以忽略一些非关键因素,对后序计算进行有效简化。
在一种可行的实施方式中,所述步骤1中的卫星类型匹配模型包括:
卫星类型集,其中,/>表示第/>个卫星类型;
任务类型集,其中,/>表示第/>个任务类型;
对于日常观测任务,由于其对成像要求不高,故将其看作同一类型,也就不涉及卫星类型匹配过程,其收益为固定值,取值范围可以为:;
对于应急观测任务,其收益的初始值为,基于优先级进行卫星类型匹配后,计算更新收益/>;以便后序计算该观测任务与不同类型卫星进行匹配后,调度方案变化导致的收益变化。
进一步地,依据任务类型与卫星类型的适配程度设置匹配的优先级,例如,对任务类型,其最适配于使用卫星类型/>进行成像,故优先级最高,可设为1;对/>的适配程度次之,优先级可设为2;以此类推,匹配到每种卫星类型的优先级为分别3、4……/>;这样便于通过优先级反映出卫星类型对任务类型的适配程度,并优先选择最适配的卫星类型进行匹配,以便保证观测质量满足应急任务要求。
优选地,卫星类型设为四种,即;这样符合目前普遍的卫星类型分类数。
进一步地,更新收益的公式可以为:;通过该公式,可以基于四种卫星类型,计算出更新收益值。
在一种可行的实施方式中,所述步骤1中的卫星转换时间模型包括相邻任务间的转换时间计算公式,具体可以为:
;
其中,,/>,/>和/>分别表示不同转换角度的角速度;/>,/>,/>和分别表示与角速度相对应的常数项;/>,表示敏捷卫星在滚动、俯仰及偏航三个方向上角度调整量的总和,该值可由相邻两个任务的开始时间计算求得。
在一种可行的实施方式中,所述步骤2中的混合整数规划模型包括目标函数及约束条件:
所述目标函数为观测任务的总收益,具体公式可以为:
;
所述约束条件包括:
约束1、每个任务最多可被观测一次,具体公式可以为:
;
约束2、时间窗口约束,每个任务的观测窗口必须在可见时间窗口/>内,具体公式可以为:
;
约束3、相邻任务的时间间隔必须大于敏捷卫星用于姿态机动的转换时间,其中M为一个足够大的预设常数,具体公式可以为:
;
约束4、任务观测时间窗口的决策变量的取值范围,具体可以为:;
约束5、相邻任务间卫星进行姿态调整的角度总和的取值范围,具体可以为:;
约束6、相邻任务间的转换时间的取值范围,具体可以为:/>。
在一种可行的实施方式中,所述步骤4包括:
步骤41、将日常观测任务直接分配至卫星;将应急观测任务,基于所述卫星类型匹配模型,依概率匹配至卫星,亦可以将该步骤看作是分配层,从而完成任务的分配;
步骤42、每个卫星迭代进行单星任务寻优规划,包括局部搜索过程及新解接受过程:所述局部搜索过程包括删除算子和插入算子,所述删除算子,用于从当前已安排的任务列表中移除部分任务;所述插入算子,用于将未安排的任务部分插入至任务列表中;所述新解接受过程,用于判断经局部搜索操作后的新解是否被接受,若新解的收益高于当前解,则接受,并开启新一轮迭代直至达到结束条件;否则,按照模拟退火的准则决定是否接受;
步骤43、基于所述混合整数规划模型,计算总收益在迭代次后是否增加:若是,则将当前解作为最优解,将最优解的各卫星任务列表作为调度方案;若否,则将没有被安排的任务重新进行步骤41,亦可以将该步骤看作是规划层,同时也实现了规划层向分配层的反馈机制。
通过上述步骤,将ALNS算法进行了改进,设计了基于任务职能匹配的自适应大邻域搜索算法(TIM-ALNS),内层的两个循环仍为局部搜索过程与单星规划解的接受过程,除此之外增设了带有反馈机制的任务智能匹配层作为外层循环,自上而下对多星协同问题进行求解,在任务智能匹配层完成任务分配后,各卫星单独进行规划,直到所有卫星达到结束条件,其中的反馈机制会对每颗卫星解的邻域进行更新,避免陷入局部最优。
在一种可行的实施方式中,所述结束条件为达到最大迭代次数或所有拥有可见时间窗口的观测任务均已被调度。
在一种可行的实施方式中,所述步骤41包括:
步骤411、将日常观测任务直接随机分配至卫星;
步骤412、基于所述卫星类型匹配模型定义匹配算子,所述匹配算子包括将应急观测任务匹配至不同卫星类型的概率,所述概率按照优先级的顺序递减,任务匹配概率函数的具体公式可以为:
,
其中,匹配算子,/>表示优先级,随着/>增大,匹配的概率会逐渐减小;当/>时,规定任务匹配到不同类型卫星的概率相等,均为0.25;
当然,还可以引入转换参数,具体公式可以为:
;
这样,可以将映射至/>区间,以便简化计算,任务匹配概率函数公式由此变换为:
;
步骤413、基于轮盘赌机制,计算得到应急观测任务匹配方案,特别的,若可匹配的同一优先级的卫星有多个,则随机选取一个作为匹配方案。
通过上述步骤,可以将应急观测任务智能地匹配至卫星,得到匹配方案,便于根据反馈机制,依据概率快速生成新的匹配方案进行后序处理。
第二方面,基于相同的发明构思,本申请还提供了一种面向多类型卫星的应急观测任务调度系统,包括数据接收模块、数据处理模块及结果生成模块:
所述数据接收模块,用于接收日常观测任务和/或应急观测任务;
所述数据处理模块,包括模型单元、匹配单元及规划单元;
所述模型单元,用于存储卫星类型匹配模型、卫星转换时间模型及混合整数规划模型;所述卫星类型匹配模型,基于不同类型卫星对于应急观测任务的优选级,将应急观测任务匹配至卫星并计算收益;所述卫星转换时间模型,用于计算敏捷卫星上相邻任务间的转换时间;所述混合整数规划模型,用于计算观测任务在多类型卫星之间进行协同调度的总收益;
所述匹配单元,用于将日常观测任务分配至卫星,将应急观测任务基于所述卫星类型匹配模型匹配至卫星;
所述规划单元,用于将每个卫星迭代进行单星任务寻优规划,直至所有卫星达到结束条件,并基于所述混合整数规划模型,迭代应急观测任务匹配方案寻优计算总收益,将总收益最大的各卫星任务列表作为调度方案;
所述结果生成模块,用于将调度方案外发。
第三方面,基于相同的发明构思,本申请还提供了一种面向多类型卫星的应急观测任务调度装置,包括处理器、存储器及总线,所述存储器存储可由处理器读取的指令及数据,所述处理器用于调用所述存储器中的指令及数据,以执行如上任一所述的面向多类型卫星的应急观测任务调度方法,所述总线连接各功能部件之间传送信息。
采用上述技术方案,本发明具有如下有益效果:
本发明提供的一种面向多类型卫星的应急观测任务调度方法、系统及装置,可以将应急观测任务快速、智能地匹配至适配的卫星资源,并有效计算得到总收益最优的卫星任务调度方案,最终提升了卫星总体的观测效率及效益,同时也确保了应急观测任务的观测质量。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,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为多星调度方法框架图;
图2为基础ALNS算法框架图;
图3为本发明实施例提供的面向多类型卫星的应急观测任务调度方法流程图;
图4为本发明实施例提供的TIM-ALNS算法框架图;
图5为本发明实施例提供的TIM-ALNS算法的一种伪代码;
图6为本发明实施例提供的步骤41的一种伪代码;
图7为本发明实施例提供的面向多类型卫星的应急观测任务调度系统图;
图8为本发明实施例提供的不同应急任务比例运行时间折线图;
图9为本发明实施例提供的6颗卫星各场景下不同值与应急任务调度率折线图;
图10为本发明实施例提供的8颗卫星各场景下不同值与应急任务调度率折线图;
图11为本发明实施例提供的12颗卫星各场景下不同值与应急任务调度率折线图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
为了便于理解本发明各实施例内容,现就本发明主要构思阐述如下:
为解决背景技术中存在的问题,本发明建立了应急观测任务与卫星类型进行匹配的数学模型,使得应急观测任务可以按照优先级匹配至适配的卫星中;本发明建立了卫星转换时间模型,这样可以兼顾敏捷卫星带来的转换时间问题;并进一步建立了混合整数规划模型,量化计算总收益观测任务在多类型卫星之间进行协同调度的总收益;本发明通过将应急任务依据概率及优先级匹配至卫星,实现了任务智能匹配机制;本发明在ALNS算法的基础上,融入了任务智能匹配机制,提出了基于任务智能匹配的ALNS算法(TaskIntelligent Match Based Adaptive Large Neighborhood Search Algorithm,TIM-ALNS)对模型进行寻优求解,该算法中内层的两个循环仍为局部搜索过程与单星规划解的接受过程,除此之外增设了带有反馈机制的任务智能匹配层作为外层循环,基本思想是自上而下对多星协同问题进行求解,在任务智能匹配层完成任务分配后,各卫星单独进行规划,直到所有卫星达到结束条件,其中的反馈机制会对每颗卫星解的邻域进行更新,避免陷入局部最优。
下面结合具体的实施方式对本发明做进一步的解释说明。
还需要说明的是,下述具体实施例或具体实施方式,是本发明为进一步解释具体的发明内容而列举的一系列优化的设置方式,而该些设置方式之间均是可以相互结合或者相互关联使用的。
实施例一:
如图3所示,本实施例提供的一种面向多类型卫星的应急观测任务调度方法,包括:
步骤1、定义变量及假设条件,构建卫星类型匹配模型及卫星转换时间模型;所述卫星类型匹配模型,基于不同类型卫星对于应急观测任务的优选级,将应急观测任务匹配至卫星并计算收益;所述卫星转换时间模型,用于计算敏捷卫星上相邻任务间的转换时间;
步骤2、基于所述卫星类型匹配模型及所述卫星转换时间模型,构建混合整数规划模型,用于计算观测任务在多类型卫星之间进行协同调度的总收益;
步骤3、接收日常观测任务和/或应急观测任务;
步骤4、将日常观测任务分配至卫星,将应急观测任务基于所述卫星类型匹配模型匹配至卫星;每个卫星迭代进行单星任务寻优规划,直至所有卫星达到结束条件;基于所述混合整数规划模型,迭代应急观测任务匹配方案寻优计算总收益,将总收益最大的各卫星任务列表作为调度方案。
通过上述步骤,可以将应急观测任务快速、智能地匹配至适配的卫星资源,并计算得到总收益最优的观测任务调度方案。
进一步地,所述步骤1中的变量包括:
任务集,对于第/>个任务/>的持续时间为/>及观测收益为/>;
卫星集,对于第/>个卫星/>对任务/>进行观测的可见时间窗口集为/>,其中/>代表相应第/>个时间窗口,每个时间窗口的开始时间为/>、结束时间为/>;
每个任务的观测窗口,在每个可见时间窗口集/>内,/>可在一定范围内滑动;
任务前后继关系变量,当且仅当任务/>是/>直接前驱任务时值为1,否则值为0;
任务观测时间窗口的决策变量,当且仅当任务/>在卫星/>的时间窗口/>内进行观测时值为1,否则值为0;
任务的观测窗口开始时间变量/>;
任务的观测窗口结束时间的变量/>,具体公式可以为:
;
相邻任务间卫星进行姿态调整的角度总和,且/>是/>的直接前驱任务;
相邻任务间的转换时间。
通过上述变量及集合,可便于后序进行计算。
进一步地,所述步骤1中的假设条件包括:
假设1、每颗观测卫星仅携带一种载荷,因此仅属于一种类型;
假设2、所有的观测目标均为点目标,且一次观测就可覆盖整个目标区域;否则,可将目标看作多个点目标分别进行观测;
假设3、所有目标只需被观测一次;
假设4、不考虑卫星能量以及存储容量的限制;
假设5、不考虑云层遮挡、资源变更以及人为干扰因素;
假设6、观测收益的变动仅由类型匹配的结果决定。特别的,虽然观测角度的不同会影响成像质量,而且观测收益也是时间依赖的,但可提前对可见时间窗口(Visible TimeWindow,VTW)进行剪枝,使成像质量满足需求即可。
通过上述假设条件,可以忽略一些非关键因素,对后序计算进行有效简化。
进一步地,所述步骤1中的卫星类型匹配模型包括:
卫星类型集,其中,/>表示第/>个卫星类型;
任务类型集,其中,/>表示第/>个任务类型;
对于日常观测任务,由于其对成像要求不高,故将其看作同一类型,也就不涉及卫星类型匹配过程,其收益为固定值,取值范围可以为:;
对于应急观测任务,其收益的初始值为,基于优先级进行卫星类型匹配后,计算更新收益/>;以便后序计算该观测任务与不同类型卫星进行匹配后,调度方案变化导致的收益变化。
进一步地,依据任务类型与卫星类型的适配程度设置匹配的优先级,例如,对任务类型,其最适配于使用卫星类型/>进行成像,故优先级最高,可设为1;对/>的适配程度次之,优先级可设为2;以此类推,匹配到每种卫星类型的优先级为分别3、4……/>;这样便于通过优先级反映出卫星类型对任务类型的适配程度,并优先选择最适配的卫星类型进行匹配,以便保证观测质量满足应急任务要求。
优选地,卫星类型设为四种,即;这样符合目前普遍的卫星类型分类数。
进一步地,更新收益的公式可以为:;通过该公式,可以基于四种卫星类型,计算出更新收益值。
进一步地,所述步骤1中的卫星转换时间模型包括相邻任务间的转换时间计算公式,具体可以为:
;
其中,,/>,/>和/>分别表示不同转换角度的角速度;/>,/>,/>和分别表示与角速度相对应的常数项;/>,表示敏捷卫星在滚动、俯仰及偏航三个方向上角度调整量的总和,该值可由相邻两个任务的开始时间计算求得。
进一步地,所述步骤2中的混合整数规划模型包括目标函数及约束条件:
所述目标函数为观测任务的总收益,具体公式可以为:
;
所述约束条件包括:
约束1、每个任务最多可被观测一次,具体公式可以为:
;
约束2、时间窗口约束,每个任务的观测窗口必须在可见时间窗口/>内,具体公式可以为:
;
约束3、相邻任务的时间间隔必须大于敏捷卫星用于姿态机动的转换时间,其中M为一个足够大的预设常数,具体公式可以为:
;
约束4、任务观测时间窗口的决策变量的取值范围,具体可以为:;
约束5、相邻任务间卫星进行姿态调整的角度总和的取值范围,具体可以为:;
约束6、相邻任务间的转换时间的取值范围,具体可以为:/>。
进一步地,如图4所示,所述步骤4包括:
步骤41、将日常观测任务直接分配至卫星;将应急观测任务,基于所述卫星类型匹配模型,依概率匹配至卫星,亦可以将该步骤看作是分配层,从而完成任务的分配;
步骤42、每个卫星迭代进行单星任务寻优规划,包括局部搜索过程及新解接受过程:所述局部搜索过程包括删除算子和插入算子,所述删除算子,用于从当前已安排的任务列表中移除部分任务;所述插入算子,用于将未安排的任务部分插入至任务列表中;所述新解接受过程,用于判断经局部搜索操作后的新解是否被接受,若新解的收益高于当前解,则接受,并开启新一轮迭代直至达到结束条件;否则,按照模拟退火的准则决定是否接受;
步骤43、基于所述混合整数规划模型,计算总收益在迭代次后是否增加:若是,则将当前解作为最优解,将最优解的各卫星任务列表作为调度方案;若否,则将没有被安排的任务重新进行步骤41,亦可以将该步骤看作是规划层,同时也实现了规划层向分配层的反馈机制。
通过上述步骤,将ALNS算法进行了改进,设计了基于任务职能匹配的自适应大邻域搜索算法(TIM-ALNS),内层的两个循环仍为局部搜索过程与单星规划解的接受过程,除此之外增设了带有反馈机制的任务智能匹配层作为外层循环,自上而下对多星协同问题进行求解,在任务智能匹配层完成任务分配后,各卫星单独进行规划,直到所有卫星达到结束条件,其中的反馈机制会对每颗卫星解的邻域进行更新,避免陷入局部最优。
该算法的伪代码可以如图5所示;
其中,第1行表示参数初始化,第2-6行表示首次任务分配以及生成初始解的过程;第9-12行表示单星规划中的局部搜索过程,通过选择删除与插入算子实现解的邻域变换;第13-21行表示解的接受过程;第22-26行表示各操作算子得分与权重的更新过程,与ALNS算法一致;第28-31行表示分配层与规划层之间的反馈机制,如果总收益超过μ代没有改进,则将暂时未被调度的任务重新进行一次分配,实现不同层之间的通信;第30行表示再次的任务智能匹配过程。
进一步地,所述结束条件为达到最大迭代次数或所有拥有可见时间窗口的观测任务均已被调度。
进一步地,所述步骤41包括:
步骤411、将日常观测任务直接随机分配至卫星;
步骤412、基于所述卫星类型匹配模型定义匹配算子,所述匹配算子包括将应急观测任务匹配至不同卫星类型的概率,所述概率按照优先级的顺序递减,任务匹配概率函数的具体公式可以为:
,
其中,匹配算子,/>表示优先级,随着/>增大,匹配的概率会逐渐减小;当/>时,规定任务匹配到不同类型卫星的概率相等,均为0.25;
当然,还可以引入转换参数,具体公式可以为:
;
这样,可以将映射至/>区间,以便简化计算,任务匹配概率函数公式由此变换为:
;
步骤413、基于轮盘赌机制,计算得到应急观测任务匹配方案,特别的,若可匹配的同一优先级的卫星有多个,则随机选取一个作为匹配方案。
上述步骤的伪代码可以如图6所示;
其中,第3行表示针对日常任务的常规分配策略(例如随机分配等);第5-6行表示应急任务的匹配过程,基于给定超参数q的值,计算得到各优先级卫星的匹配概率,再根据概率进行匹配。
通过上述步骤,可以将应急观测任务智能地匹配至卫星,得到匹配方案,便于根据反馈机制,依据概率快速生成新的匹配方案进行后序处理。
实施例二:
如图7所示,本实施例提供了一种面向多类型卫星的应急观测任务调度系统,包括数据接收模块、数据处理模块及结果生成模块:
所述数据接收模块,用于接收日常观测任务和/或应急观测任务;
所述数据处理模块,包括模型单元、匹配单元及规划单元;
所述模型单元,用于存储卫星类型匹配模型、卫星转换时间模型及混合整数规划模型;所述卫星类型匹配模型,基于不同类型卫星对于应急观测任务的优选级,将应急观测任务匹配至卫星并计算收益;所述卫星转换时间模型,用于计算敏捷卫星上相邻任务间的转换时间;所述混合整数规划模型,用于计算观测任务在多类型卫星之间进行协同调度的总收益;
所述匹配单元,用于将日常观测任务分配至卫星,将应急观测任务基于所述卫星类型匹配模型匹配至卫星;
所述规划单元,用于将每个卫星迭代进行单星任务寻优规划,直至所有卫星达到结束条件,并基于所述混合整数规划模型,迭代应急观测任务匹配方案寻优计算总收益,将总收益最大的各卫星任务列表作为调度方案;
所述结果生成模块,用于将调度方案外发。
实施例三:
本实施例提供了一种面向多类型卫星的应急观测任务调度装置,包括处理器、存储器及总线,所述存储器存储可由处理器读取的指令及数据,所述处理器用于调用所述存储器中的指令及数据,以执行如上任一所述的面向多类型卫星的应急观测任务调度方法,所述总线连接各功能部件之间传送信息。
本方案在又一种实施方式下,可以通过设备的方式来实现,该设备可以包括执行上述各个实施方式中各个或几个步骤的相应模块。模块可以是专门被配置为执行相应步骤的一个或多个硬件模块、或者由被配置为执行相应步骤的处理器来实现、或者存储在计算机可读介质内用于由处理器来实现、或者通过某种组合来实现。
处理器执行上文所描述的各个方法和处理。例如,本方案中的方法实施方式可以被实现为软件程序,其被有形地包含于机器可读介质,例如存储器。在一些实施方式中,软件程序的部分或者全部可以经由存储器和/或通信接口而被载入和/或安装。当软件程序加载到存储器并由处理器执行时,可以执行上文描述的方法中的一个或多个步骤。备选地,在其它实施方式中,处理器可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行上述方法之一。
该设备可以利用总线架构来实现。总线架构可以包括任何数量的互连总线和桥接器,这取决于硬件的特定应用和总体设计约束。总线将包括一个或多个处理器、存储器和/或硬件模块的各种电路连接到一起。总线还可以将诸如外围设备、电压调节器、功率管理电路、外部天线等的各种其它电路连接。
总线可以是工业标准体系结构(ISA,Industry Standard Architecture)总线、外部设备互连(PCI,Peripheral Component)总线或扩展工业标准体系结构(EISA,ExtendedIndustry Standard Component)总线等,总线可以分为地址总线、数据总线、控制总线等。
实施例四:
仿真模拟实验:
运行环境:Intel(R) Core(TM) i5-8265U CPU 1.6GHz;Win10操作系统;8GB RAM;
系统语言:C#;
工具:Microsoft Visual Studio2012编译器;
算法参数设置:
删除任务的比例:10%;
角速度及对应常数项:,/>,/>,/>,/>,,/>,/>;
最大迭代次数:1000;
更新参数的最大轮次:;
降温系数;
得分增量;
权重;
数据集:
卫星类型:SAR、可见光卫星、红外卫星及近红外卫星;
卫星数量:12颗;
卫星调度时间范围:1天;
卫星轨道参数通过STK仿真软件生成,包括轨道半长轴、偏心率/>、倾角/>、近地点角/>、升交点赤经/>、真近点角/>,详见下表:
观测任务的目标数量分别取800、1000、1200和1600,其中有两种特定场景:场景一中的任务集中在中国区域内,称为区域分布,主要在3°N-53°N和74°E-133°E的经纬度范围内均匀分布;场景二在世界范围内随机生成,称为全球分布。
任务类型数据以及任务与卫星类型匹配关系的获取方式来自于“空间和重大灾害国际宪章”(CHARTER)及关联规则算法:所述CHARTER是一个国际契约性的合作机制,积累了大量卫星观测历史数据,其中包括灾害类型与卫星类型之间的匹配程度等信息,并且该机制目前以人工调度为主,针对不同任务做出的调度安排符合不同卫星载荷特点,数据分析的结果有着较高的可信度;所述关联规则算法是反映事物之间的内在相关性的现有算法,通常用于在大数据集中寻找两个数据项之间的关联关系。
在生成任务类型时,考虑了具有代表性的几类灾害,如洪灾、火灾、地震等,并通过关联规则算法得出这些应急观测任务与卫星类型之间的适配关系。据此,假设10种类型的应急观测任务,其适配的卫星优先级如下表所示:
算例1:
选择8颗卫星、1000个任务的实验场景(命名为“8_1000”),采用本方案的TIM-ALNS算法进行运算;并将应急观测任务在所有观测任务(日常观测任务及应急观测任务)中的占比设置为10%、20%、30%、40%和50%五种情况,并固定超参数q=0.5,通过观测收益、应急任务观测情况、优先级匹配情况、运行时间等主要指标对比算法的有效性和效率进行分析,每次实验重复10轮;并定义收益率为实际收益与总收益的比值,应急任务调度率为被观测的应急观测任务数量与所有应急观测任务数量的比值,得到运算数据如下表所示:
其中,在观测收益方面,全球分布的任务调度结果整体高于区域分布,同时平均观测收益均随着应急任务占比的增加而降低,但区域分布的观测目标在应急观测任务比例为40%时,平均收益略有回升。对于应急任务调度率,区域分布的观测目标随应急观测任务比例呈递减趋势,而全球分布的情况则为先增后减,并在比例为40%时达到最高,比例为20%时次之。
程序运行时间如图8所示,全球分布的观测任务在应急观测任务比例为30%时耗时明显高于其他情形,而在其他比例之间的差距较小;区域分布的观测任务则在应急观测任务比例为40%时耗时最少。
综上所述,TIM-ALNS算法可以有效且快速地计算出应急观测任务的最优调度方案。并考虑运行时间、平均收益率和应急任务调度率等因素,结合观测实际,在后续算例中,将全球分布和区域分布的目标中应急观测任务比例分别固定为20%和40%。
算例2:
根据前述TIM-ALNS算法中的任务匹配概率函数可知,当转换参数q=1时,算法实际表现为一种贪婪匹配策略,即对每一任务,只将其匹配给对应优先级为1的卫星进行观测;当q=0时,算法实际表现为随机匹配策略,即任务随机匹配到观测卫星。因此,q可以看作控制任务匹配策略的超参数。对超参数q赋予不同的值,对比分析在这些情况下算法的调度结果。选取6颗卫星、8颗卫星和12颗卫星三种场景,任务数量分别为800、1000、1200以及1200、1400、1600两种情况进行实验,q分别取0、0.2、0.5、0.8、1.0,对比指标为平均收益率和平均运行时间,每个实验重复10轮,得到区域分布情况下,不同任务匹配策略的对比结果如下表所示:
以及全球分布情况下,不同任务匹配策略的对比结果如下表所示:
从上述两表中可见,在平均收益率指标方面,对于全球分布和区域分布的观测目标,在大部分场景中当超参数q=1时算法表现最好,而q=0效果最差,而且随着q的增大,平均收益率也在不断提高;而只有场景“6_800”中超参数q=0.8时取得了更优的结果。在运行时间方面,从整体上看各个场景下采用不同q值造成的差距不大,全球分布与区域分布下各场景耗时的极差的平均值分别为17.00秒和14.27秒;对于区域分布的目标,随机匹配策略在5个场景中运行时间最少,贪婪匹配策略在场景“6_800”取得最小值;对于全球分布的观测目标,运行时间最短的情况集中出现在超参数q分别取0、0.8和1时。
6颗卫星各场景下,取不同q值时的应急任务调度率情况,如图9所示,其中(a)为全球分布的应急任务调度率,(b)为区域分布的应急任务调度率;8颗卫星各场景下,取不同q值时的应急任务调度率情况,如图10所示,其中(a)为全球分布的应急任务调度率,(b)为区域分布的应急任务调度率;12颗卫星各场景下,取不同q值时的应急任务调度率情况,如图11所示,其中(a)为全球分布的应急任务调度率,(b)为区域分布的应急任务调度率;其中,当超参数相同时,全球分布的观测目标调度率从整体上高于区域分布。此外,卫星数量为6颗与12颗的所有实验场景以及8颗卫星的部分场景中,任务调度率在q=0.8时达到最大值,且高于q=1的情况。
综上所述,从平均收益和运行效率的对比结果显示,超参数q=1时,算法的调度效果最好;从应急任务调度率的对比结果显示,q∈(0,1)时效果最优。
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 (5)
1.一种面向多类型卫星的应急观测任务调度方法,其特征在于,包括:
步骤1、定义变量及假设条件,构建卫星类型匹配模型及卫星转换时间模型;所述卫星类型匹配模型,基于不同类型卫星对于应急观测任务的优选级,将应急观测任务匹配至卫星并计算收益;所述卫星转换时间模型,用于计算敏捷卫星上相邻任务间的转换时间;所述变量包括:
任务集,对于第/>个任务/>的持续时间为/>、观测收益为/>;/>表示任务集/>中任务的总数;
卫星集,/>表示卫星集/>中卫星的总数;对于第/>个卫星/>对任务/>进行观测的可见时间窗口集为/>,其中/>代表相应第/>个时间窗口,每个时间窗口的开始时间为/>、结束时间为/>;/>表示可见时间窗口集/>中可见时间窗口的总数;
每个任务的观测窗口;
任务前后继关系变量,当且仅当任务/>是/>直接前驱任务时值为1,否则值为0;
任务观测时间窗口的决策变量,当且仅当任务/>在卫星/>的时间窗口/>内进行观测时值为1,否则值为0;
任务的观测窗口开始时间变量/>;
任务的观测窗口结束时间变量/>,具体公式为:
;
相邻任务间卫星进行姿态调整的角度总和;
相邻任务间的转换时间;
所述假设条件包括:
假设1、每颗观测卫星仅属于一种类型;
假设2、所有的观测目标均为点目标,且一次观测就可覆盖整个目标区域;
假设3、所有目标只需被观测一次;
假设4、不考虑卫星能量以及存储容量的限制;
假设5、不考虑云层遮挡、资源变更以及人为干扰因素;
假设6、观测收益的变动仅由类型匹配的结果决定;
所述卫星类型匹配模型包括:
卫星类型集,其中,/>表示第/>个卫星类型,/>表示卫星类型集/>中卫星类型的总数;
任务类型集,其中,/>表示第/>个任务类型,/>表示任务类型集/>中任务类型的总数;
对于日常观测任务,其收益为固定值,取值范围为:;
对于应急观测任务,其收益的初始值为,基于优先级进行卫星类型匹配后,计算更新收益/>;
所述卫星转换时间模型包括相邻任务间的转换时间计算公式,具体为:
;
其中,,/>,/>和/>分别表示不同转换角度的角速度;/>,/>,/>和/>分别表示与角速度相对应的常数项;/>,表示敏捷卫星在滚动、俯仰及偏航三个方向上角度调整量的总和;
步骤2、基于所述卫星类型匹配模型及所述卫星转换时间模型,构建混合整数规划模型,用于计算观测任务在多类型卫星之间进行协同调度的总收益;
所述混合整数规划模型包括目标函数及约束条件:
所述目标函数为观测任务的总收益最大化,具体公式为:
;
所述约束条件包括:
约束1、每个任务最多可被观测一次,具体公式为:
;
约束2、时间窗口约束,每个任务的观测窗口必须在可见时间窗口/>内,具体公式为:
;
约束3、相邻任务的时间间隔必须大于敏捷卫星用于姿态机动的转换时间,其中M为预设常数,具体公式为:
;
约束4、任务观测时间窗口的决策变量的取值范围具体为:;
约束5、相邻任务间卫星进行姿态调整的角度总和的取值范围具体为:/>;
约束6、相邻任务间的转换时间的取值范围具体为:/>;
步骤3、接收日常观测任务和/或应急观测任务;
步骤4、将日常观测任务分配至卫星,将应急观测任务基于所述卫星类型匹配模型匹配至卫星;每个卫星迭代进行单星任务寻优规划,直至所有卫星达到结束条件;基于所述混合整数规划模型,迭代应急观测任务匹配方案寻优计算总收益,将总收益最大的各卫星任务列表作为调度方案。
2.根据权利要求1所述的方法,其特征在于,依据任务类型与卫星类型的适配程度设置所述优先级。
3.根据权利要求1所述的方法,其特征在于,所述步骤4包括:
步骤41、将日常观测任务直接分配至卫星;将应急观测任务,基于所述卫星类型匹配模型,依概率匹配至卫星;
步骤42、每个卫星迭代进行单星任务寻优规划,包括局部搜索过程及新解接受过程:所述局部搜索过程包括删除算子和插入算子,所述删除算子,用于从当前已安排的任务列表中移除部分任务;所述插入算子,用于将未安排的任务部分插入至任务列表中;所述新解接受过程,用于判断经局部搜索操作后的新解是否被接受,若新解的收益高于当前解,则接受,并开启新一轮迭代直至达到结束条件;否则,按照模拟退火的准则决定是否接受;
步骤43、基于所述混合整数规划模型,计算总收益在迭代次后是否增加:若是,则将当前解作为最优解,将最优解的各卫星任务列表作为调度方案;若否,则将没有被安排的任务重新进行步骤41。
4.一种采用如权利要求1~3中任一所述方法的面向多类型卫星的应急观测任务调度系统,其特征在于,包括数据接收模块、数据处理模块及结果生成模块:
所述数据接收模块,用于接收日常观测任务和/或应急观测任务;
所述数据处理模块,包括模型单元、匹配单元及规划单元;
所述模型单元,用于存储卫星类型匹配模型、卫星转换时间模型及混合整数规划模型;所述卫星类型匹配模型,基于不同类型卫星对于应急观测任务的优选级,将应急观测任务匹配至卫星并计算收益;所述卫星转换时间模型,用于计算敏捷卫星上相邻任务间的转换时间;所述混合整数规划模型,用于计算观测任务在多类型卫星之间进行协同调度的总收益;
所述匹配单元,用于将日常观测任务分配至卫星,将应急观测任务基于所述卫星类型匹配模型匹配至卫星;
所述规划单元,用于将每个卫星迭代进行单星任务寻优规划,直至所有卫星达到结束条件,并基于所述混合整数规划模型,迭代应急观测任务匹配方案寻优计算总收益,将总收益最大的各卫星任务列表作为调度方案;
所述结果生成模块,用于将调度方案外发。
5.一种面向多类型卫星的应急观测任务调度装置,其特征在于,包括处理器、存储器及总线,所述存储器存储可由处理器读取的指令及数据,所述处理器用于调用所述存储器中的指令及数据,以执行如权利要求1~3中任一所述的方法,所述总线连接各功能部件之间传送信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410243974.6A CN117829277B (zh) | 2024-03-04 | 2024-03-04 | 面向多类型卫星的应急观测任务调度方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410243974.6A CN117829277B (zh) | 2024-03-04 | 2024-03-04 | 面向多类型卫星的应急观测任务调度方法、系统及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117829277A CN117829277A (zh) | 2024-04-05 |
CN117829277B true CN117829277B (zh) | 2024-05-31 |
Family
ID=90511807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410243974.6A Active CN117829277B (zh) | 2024-03-04 | 2024-03-04 | 面向多类型卫星的应急观测任务调度方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117829277B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118095800B (zh) * | 2024-04-26 | 2024-06-25 | 中国电子科技集团公司第五十四研究所 | 一种面向多个离散任务地域的航天观测任务均衡安排方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345504A (zh) * | 2013-07-03 | 2013-10-09 | 邢立宁 | 单星调度的算子构建方法 |
CN107957895A (zh) * | 2017-12-01 | 2018-04-24 | 中国人民解放军国防科技大学 | 敏捷对地卫星的协调控制策略 |
CN108055067A (zh) * | 2017-12-01 | 2018-05-18 | 中国人民解放军国防科技大学 | 一种多星在线协同调度方法 |
CN109829636A (zh) * | 2019-01-22 | 2019-05-31 | 中国人民解放军国防科技大学 | 基于动态优先级的应急任务调度规划方法 |
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 |
CN115017814A (zh) * | 2022-06-15 | 2022-09-06 | 中国人民解放军国防科技大学 | 一种面向卫星任务调度的通用化智能调度引擎及设备 |
WO2023245835A1 (zh) * | 2022-06-20 | 2023-12-28 | 南京邮电大学 | 一种基于栅格时延预测的卫星传输优化方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8893130B2 (en) * | 2007-03-26 | 2014-11-18 | Raytheon Company | Task scheduling method and system |
IT201700056428A1 (it) * | 2017-05-24 | 2018-11-24 | Telespazio Spa | Innovativo metodo di scheduling satellitare basato su algoritmi genetici e simulated annealing e relativo pianificatore di missione |
-
2024
- 2024-03-04 CN CN202410243974.6A patent/CN117829277B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345504A (zh) * | 2013-07-03 | 2013-10-09 | 邢立宁 | 单星调度的算子构建方法 |
CN107957895A (zh) * | 2017-12-01 | 2018-04-24 | 中国人民解放军国防科技大学 | 敏捷对地卫星的协调控制策略 |
CN108055067A (zh) * | 2017-12-01 | 2018-05-18 | 中国人民解放军国防科技大学 | 一种多星在线协同调度方法 |
CN109829636A (zh) * | 2019-01-22 | 2019-05-31 | 中国人民解放军国防科技大学 | 基于动态优先级的应急任务调度规划方法 |
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 |
CN115017814A (zh) * | 2022-06-15 | 2022-09-06 | 中国人民解放军国防科技大学 | 一种面向卫星任务调度的通用化智能调度引擎及设备 |
WO2023245835A1 (zh) * | 2022-06-20 | 2023-12-28 | 南京邮电大学 | 一种基于栅格时延预测的卫星传输优化方法 |
Non-Patent Citations (1)
Title |
---|
"基于 ESWO 的敏捷对地观测卫星任务调度算法";李海 等;《航空学报》;20231025;第1-16页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117829277A (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117829277B (zh) | 面向多类型卫星的应急观测任务调度方法、系统及装置 | |
CN112580906B (zh) | 卫星遥感任务规划与地面资源调度联合求解方法 | |
CN109409775B (zh) | 一种卫星联合观测任务规划方法 | |
CN110210700A (zh) | 面向应急响应的基于任务优先级的多星动态任务规划方法 | |
CN109087023B (zh) | 一种基于分治策略的多星观测分层调度方法及系统 | |
CN109948944B (zh) | 一种卫星任务调度方法及系统 | |
CN112766813A (zh) | 一种空天协同观测复杂任务调度方法及系统 | |
CN112134614B (zh) | 一种多波束通信卫星的下行载波资源分配方法及系统 | |
CN107025363A (zh) | 一种面向敏捷卫星调度的自适应大邻域搜索方法 | |
CN110515708A (zh) | 卫星在轨自主任务规划方法及系统 | |
CN109039428B (zh) | 基于冲突消解的中继卫星单址天线调度随机搜索方法 | |
CN114781950B (zh) | 基于蚁群算法的雷达资源调度方法、装置以及电子设备 | |
Dai et al. | Dynamic scheduling for emergency tasks in space data relay network | |
CN115103410A (zh) | 一种测控数传资源调度方法、系统及装置 | |
CN114638155A (zh) | 一种基于智能机场的无人机任务分配与路径规划方法 | |
CN116245243A (zh) | 一种格网驱动的卫星观测与数传任务解耦规划方法 | |
Wei et al. | Dynamic beam scheduling of multibeam low earth orbit satellites based on an enhanced artificial bee colony algorithm | |
Lin et al. | Computing assistance from the sky: Decentralized computation efficiency optimization for air-ground integrated MEC networks | |
CN118228961A (zh) | 面向点目标的多超敏捷卫星协同任务调度方法 | |
Liu et al. | Research on a heterogeneous multi-satellite mission scheduling model for earth observation based on adaptive genetic-tabu hybrid search algorithm | |
CN116611630A (zh) | 基于全球地理板块的遥感卫星自主任务规划方法及系统 | |
CN116187637A (zh) | 多星测控资源调度方法、装置及计算机可读储存介质 | |
CN111555794B (zh) | 一种用于天基信息系统的资源分配方法 | |
CN109670678B (zh) | 虚拟星座动态环境下的任务分配方法和系统 | |
Rui et al. | Research of Improved Genetic Algorithm for Resource Allocation in Space-based Information Network |
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 |