CN117952026A - 多任务多用户的卫星任务规划方法、系统及存储介质 - Google Patents

多任务多用户的卫星任务规划方法、系统及存储介质 Download PDF

Info

Publication number
CN117952026A
CN117952026A CN202410360617.8A CN202410360617A CN117952026A CN 117952026 A CN117952026 A CN 117952026A CN 202410360617 A CN202410360617 A CN 202410360617A CN 117952026 A CN117952026 A CN 117952026A
Authority
CN
China
Prior art keywords
objective
satellite
task
lagrangian
constraint
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
CN202410360617.8A
Other languages
English (en)
Other versions
CN117952026B (zh
Inventor
李达
王硕
张珂菲
亢瑞晟
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.)
Beijing Creatunion Information Technology Group Co Ltd
Original Assignee
Beijing Creatunion Information Technology Group Co Ltd
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 Beijing Creatunion Information Technology Group Co Ltd filed Critical Beijing Creatunion Information Technology Group Co Ltd
Priority to CN202410360617.8A priority Critical patent/CN117952026B/zh
Publication of CN117952026A publication Critical patent/CN117952026A/zh
Application granted granted Critical
Publication of CN117952026B publication Critical patent/CN117952026B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Physiology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Genetics & Genomics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Radio Relay Systems (AREA)

Abstract

本发明公开了多任务多用户的卫星任务规划方法、系统及存储介质，涉及卫星任务规划技术领域，本发明采用二进制变量表示任务是否分配给卫星以及频段是否分配给卫星，定义决策变量，采用Pareto多目标优化方法，实现多目标优化的目标，能够同时优化系统效率、通信延迟和频谱利用率多个性能指标采用分布式计算方法解决问题，使用拉格朗日对偶性将多目标问题转化为等价的单目标凸优化问题，将问题分解为多个子问题，其中每个子问题对应于一个卫星群，从而实现分布式计算，在每个卫星群内，采用局部凸优化方法解决子问题，最大程度地提高效率，待各卫星群解决子问题后，将卫星群的解合并以获得全局性能的解决方案。

Description

多任务多用户的卫星任务规划方法、系统及存储介质
技术领域
本发明涉及卫星任务规划技术领域，具体为多任务多用户的卫星任务规划方法、系统及存储介质。
背景技术
卫星是复杂的技术设备，其设计和装备用于在轨道上执行特定任务，卫星的任务和轨道高度决定了机载所需设备的能力，每种类型的任务都需要特定的设备。
然而传统的卫星任务规划方法主要是将任务规划简化为单一目标优化问题，通常仅关注特定性能指标的最大化或最小化，而忽略了其他可能与该目标相冲突的性能指标，在追求极小的通信延迟会牺牲带宽利用率，而追求最大带宽利用率可能会增加通信延迟，难以考虑多个目标之间的权衡，无法提供全面的性能优化，同时由于不同卫星或频段可能具有不同的性能特点和资源可用性，传统方法难以适应这种不均匀性，导致资源浪费或效率不佳，因此亟需一种基于协作性的分布式方法的多任务多用户的卫星任务规划方法来解决此类问题。
发明内容
（一）解决的技术问题
针对现有技术的不足，本发明提供了多任务多用户的卫星任务规划方法、系统及存储介质，解决现有技术中存在的无法全面考虑多个目标之间的权衡，难以应对卫星资源分布不均匀的情况的问题。
（二）技术方案
为实现以上目的，本发明通过以下技术方案予以实现，本发明提供了多任务多用户的卫星任务规划方法，包括：
步骤1.进行多目标多约束优化建模，定义多目标函数平衡性能，包括最大化系统效率、最小化通信延迟和最大化频谱利用率，对频段限制、功耗限制、通信质量进行约束，将多个目标函数组合成整体的多目标优化问题；
步骤2.进行凸优化和分布式计算，基于凸优化理论将多目标多约束问题转化为凸优化问题，同时采用分布式计算，将问题分解为多个子问题，通过拉格朗日对偶性和分布式优化方法将卫星集合为卫星群，每个卫星群负责解决部分任务；
步骤3.任务计划自适应调整，基于步骤2中的解决方案进行动态规划任务调度。
本发明进一步地设置为：所述步骤1中，进行多目标多约束优化建模步骤包括：
将最大化系统效率、最小化通信延迟和最大化频谱利用率问题转化为目标模型，并定义决策变量，包括任务分配和频段分配；
为每个目标模型制定目标函数，确定约束条件；
将多个目标函数和约束条件组合成一个多目标优化问题；
采用多目标模拟Pareto解决建立的多目标多约束优化问题；
本发明进一步地设置为：所述步骤1中，将最大化系统效率、最小化通信延迟和最大化频谱利用率问题转化为目标模型步骤具体包括：
采用二进制变量表示任务是否分配给卫星，以及频段是否分配给卫星，具体为：
，表示任务i是否分配给卫星j，/>为二进制变量；
，表示频段f是否分配给卫星k，/>同样为二进制变量；
为每个目标系统效率、通信延迟和频谱利用率定义，表达式为：
，
其中E表示系统效率，为决策变量，/>表示系统性能度量，即任务i和卫星j之间的性能关联；
，
其中D表示通信延迟，表示通信时间，即任务i和卫星j之间的通信时间，
，
其中表示频谱利用率，/>分别表示所有带宽以及所有卫星k，/>表示频段f是否分配给卫星k，/>表示消耗带宽，/>表示总带宽；
本发明进一步地设置为：所述步骤1中，定义决策变量方法为：
对于，/>,
对于，/>，
同时决策变量、/>的约束条件为：
任务分配中，，限制每个任务只能被分配给一个卫星；
频段分配中，，限制每个频段只能被分配给一个卫星；
本发明进一步地设置为：所述步骤1中，采用Pareto多目标优化方法包括：
将多个目标函数，分别重新定义为，/>，/>，分别表示系统效率、通信延迟和频谱利用率：
，
，
，
Pareto前沿采用F(x)表示，定义Pareto支配关系，设所得解为和/>，若对于所有目标函数/>不劣于/>，则/>Pareto支配/>，即/>；
使用多目标Pareto模拟退火法搜索Pareto前沿：
a.在每一代生成一组解，然后根据Pareto支配关系筛选出非支配解；
b.对非支配解采用进化算子，以生成下一代解；
重复a和b过程，直到满足终止条件；
本发明进一步地设置为：所述步骤2中，进行凸优化和分布式计算步骤包括：
使用拉格朗日对偶性，将多目标问题转化为等价的单目标凸优化问题；
构建新的目标函数包括原始目标函数和拉格朗日乘子的线性组合；
将问题分解为多个子问题，其中每个子问题对应于一个卫星群；
在每个卫星群内，采用局部凸优化方法解决子问题；
各卫星群解决子问题后，将卫星群解合并获得全局性能的解决方案；
本发明进一步地设置为：所述步骤2中，使用拉格朗日对偶性将多目标问题转化为等价的单目标凸优化问题步骤包括：
为每个约束条件引入对应的拉格朗日乘子，设有m个约束条件，引入m个拉格朗日乘子，则乘子构成拉格朗日向量；
构建拉格朗日函数，表示为：
，
其中表示决策变量向量，包括任务分配和频段分配，/>即拉格朗日乘子向量，表示原始多目标问题的目标函数，即多目标函数的线性组合，/>为约束条件向量，包含原始约束条件；
基于拉格朗日函数，构建拉格朗日对偶问题，其中目标函数是拉格朗日函数L的最小化，而约束条件是拉格朗日乘子的非负性，则拉格朗日对偶问题表示为：
，
,
采用凸规划算法求解拉格朗日对偶问题，产生拉格朗日对偶问题的最优解和最小值/>；
本发明进一步地设置为：所述步骤2中，使用拉格朗日对偶性将多目标问题转化为等价的单目标凸优化问题步骤还包括：
基于拉格朗日对偶问题的最优解和最小值/>，构建等价的单目标凸优化问题；
在每个卫星群内，使用局部凸优化方法解决单目标凸优化问题，每个卫星群独立处理其分配的任务；
本发明还提供一种终端系统，该系统包括：存储器、处理器及存储在存储器上并可在处理器上运行的多任务多用户的卫星任务规划方法的控制程序，所述多任务多用户的卫星任务规划方法的控制程序被所述处理器执行时实现上述的多任务多用户的卫星任务规划方法；
本发明还提供一种存储介质，该介质应用于计算机，所述存储介质上存储有多任务多用户的卫星任务规划方法的控制程序，所述多任务多用户的卫星任务规划方法的控制程序被所述处理器执行时实现上述的多任务多用户的卫星任务规划方法。
（三）有益效果
本发明提供了多任务多用户的卫星任务规划方法、系统及存储介质。具备以下有益效果：
本申请所提供的多任务多用户的卫星任务规划方法首先进行多目标优化建模，采用二进制变量表示任务是否分配给卫星以及频段是否分配给卫星，为每个目标函数系统效率、通信延迟和频谱利用率进行定义，对其性能进行量化，同时定义决策变量，包括任务分配和频段分配，并设置约束条件，采用Pareto多目标优化方法，以搜索Pareto前沿，即非劣解的集合，实现多目标优化的目标，能够同时优化系统效率、通信延迟和频谱利用率多个性能指标。
此外将多目标多约束问题转化为等价的单目标凸优化问题，并采用分布式计算方法解决问题，使用拉格朗日对偶性将多目标问题转化为等价的单目标凸优化问题，引入拉格朗日乘子，构建拉格朗日函数，将问题分解为多个子问题，其中每个子问题对应于一个卫星群，从而实现分布式计算，在每个卫星群内，采用局部凸优化方法解决子问题，最大程度地提高效率，待各卫星群解决子问题后，将卫星群的解合并以获得全局性能的解决方案，使不同卫星群能够独立处理任务，从而更好地适应资源不均匀的情况，协作性的分布式方法能够更有效地利用资源，提高整体效率。
解决了现有技术中存在的无法全面考虑多个目标之间的权衡，难以应对卫星资源分布不均匀的情况的问题。
附图说明
图1为本发明多任务多用户的卫星任务规划方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅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。
实施例
请参阅图1，本发明提供多任务多用户的卫星任务规划方法、系统及存储介质，包括：
步骤1.进行多目标多约束优化建模，定义多目标函数平衡性能，包括最大化系统效率、最小化通信延迟和最大化频谱利用率，对频段限制、功耗限制、通信质量进行约束，将多个目标函数组合成整体的多目标优化问题；
步骤1中，进行多目标多约束优化建模步骤包括：
将最大化系统效率、最小化通信延迟和最大化频谱利用率问题转化为目标模型，并定义决策变量，包括任务分配和频段分配；
为每个目标模型制定目标函数，确定约束条件；
将多个目标函数和约束条件组合成一个多目标优化问题；
采用多目标模拟Pareto解决建立的多目标多约束优化问题；
步骤1中，将最大化系统效率、最小化通信延迟和最大化频谱利用率问题转化为目标模型步骤具体包括：
采用二进制变量表示任务是否分配给卫星，以及频段是否分配给卫星，具体为：
，表示任务i是否分配给卫星j，/>为二进制变量；
，表示频段f是否分配给卫星k，/>同样为二进制变量；
为每个目标系统效率、通信延迟和频谱利用率定义，表达式为：
，
其中E表示系统效率，为决策变量，/>表示系统性能度量，即任务i和卫星j之间的性能关联；
，
其中D表示通信延迟，表示通信时间，即任务i和卫星j之间的通信时间，
，
其中表示频谱利用率，/>分别表示所有带宽以及所有卫星k，/>表示频段f是否分配给卫星k，/>表示消耗带宽，/>表示总带宽；
步骤1中，定义决策变量方法为：
对于，/>,
对于，/>，
同时决策变量、/>的约束条件为：
任务分配中，，限制每个任务只能被分配给一个卫星；
频段分配中，，限制每个频段只能被分配给一个卫星；
步骤1中，采用Pareto多目标优化方法包括：
将多个目标函数，分别重新定义为，/>，/>，分别表示系统效率、通信延迟和频谱利用率：
，
，
，
Pareto前沿采用F(x)表示，定义Pareto支配关系，设所得解为和/>，若对于所有目标函数/>不劣于/>，则/>Pareto支配/>，即/>；
使用多目标Pareto模拟退火法搜索Pareto前沿：
a.在每一代生成一组解，然后根据Pareto支配关系筛选出非支配解；
b.对非支配解采用进化算子，以生成下一代解；
重复a和b过程，直到满足终止条件；
步骤2.进行凸优化和分布式计算，基于凸优化理论将多目标多约束问题转化为凸优化问题，同时采用分布式计算，将问题分解为多个子问题，通过拉格朗日对偶性和分布式优化方法将卫星集合为卫星群，每个卫星群负责解决部分任务；
步骤2中，进行凸优化和分布式计算步骤包括：
使用拉格朗日对偶性，将多目标问题转化为等价的单目标凸优化问题；
构建新的目标函数包括原始目标函数和拉格朗日乘子的线性组合；
将问题分解为多个子问题，其中每个子问题对应于一个卫星群；
在每个卫星群内，采用局部凸优化方法解决子问题；
各卫星群解决子问题后，将卫星群解合并获得全局性能的解决方案；
步骤2中，使用拉格朗日对偶性将多目标问题转化为等价的单目标凸优化问题步骤包括：
为每个约束条件引入对应的拉格朗日乘子，设有m个约束条件，引入m个拉格朗日乘子，则乘子构成拉格朗日向量；
构建拉格朗日函数，表示为：
，
其中表示决策变量向量，包括任务分配和频段分配，/>即拉格朗日乘子向量，表示原始多目标问题的目标函数，即多目标函数的线性组合，/>为约束条件向量，包含原始约束条件；
基于拉格朗日函数，构建拉格朗日对偶问题，其中目标函数是拉格朗日函数L的最小化，而约束条件是拉格朗日乘子的非负性，则拉格朗日对偶问题表示为：
，
,
采用凸规划算法求解拉格朗日对偶问题，产生拉格朗日对偶问题的最优解和最小值/>；
步骤2中，使用拉格朗日对偶性将多目标问题转化为等价的单目标凸优化问题步骤还包括：
基于拉格朗日对偶问题的最优解和最小值/>，构建等价的单目标凸优化问题；
在每个卫星群内，使用局部凸优化方法解决单目标凸优化问题，每个卫星群独立处理其分配的任务；
步骤3.任务计划自适应调整，基于步骤2中的解决方案进行动态规划任务调度。
本发明还提供一种终端系统，该系统包括：存储器、处理器及存储在存储器上并可在处理器上运行的多任务多用户的卫星任务规划方法的控制程序，多任务多用户的卫星任务规划方法的控制程序被处理器执行时实现上述的多任务多用户的卫星任务规划方法；
本发明还提供一种存储介质，该介质应用于计算机，存储介质上存储有多任务多用户的卫星任务规划方法的控制程序，多任务多用户的卫星任务规划方法的控制程序被处理器执行时实现上述的多任务多用户的卫星任务规划方法
综合以上内容，在本申请中：
本申请所提供的多任务多用户的卫星任务规划方法首先进行多目标优化建模，采用二进制变量表示任务是否分配给卫星以及频段是否分配给卫星，为每个目标函数系统效率、通信延迟和频谱利用率进行定义，对其性能进行量化，同时定义决策变量，包括任务分配和频段分配，并设置约束条件，采用Pareto多目标优化方法，以搜索Pareto前沿，即非劣解的集合，实现多目标优化的目标，能够同时优化系统效率、通信延迟和频谱利用率多个性能指标。
此外将多目标多约束问题转化为等价的单目标凸优化问题，并采用分布式计算方法解决问题，使用拉格朗日对偶性将多目标问题转化为等价的单目标凸优化问题，引入拉格朗日乘子，构建拉格朗日函数，将问题分解为多个子问题，其中每个子问题对应于一个卫星群，从而实现分布式计算，在每个卫星群内，采用局部凸优化方法解决子问题，最大程度地提高效率，待各卫星群解决子问题后，将卫星群的解合并以获得全局性能的解决方案，使不同卫星群能够独立处理任务，从而更好地适应资源不均匀的情况，协作性的分布式方法能够更有效地利用资源，提高整体效率。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.多任务多用户的卫星任务规划方法，其特征在于，包括：
步骤1.进行多目标多约束优化建模，定义多目标函数平衡性能，包括最大化系统效率、最小化通信延迟和最大化频谱利用率，对频段限制、功耗限制、通信质量进行约束，将多个目标函数组合成整体的多目标优化问题；
步骤2.进行凸优化和分布式计算，基于凸优化理论将多目标多约束问题转化为凸优化问题，同时采用分布式计算，将问题分解为多个子问题，通过拉格朗日对偶性和分布式优化方法将卫星集合为卫星群，每个卫星群负责解决部分任务；
步骤3.任务计划自适应调整，基于步骤2中的解决方案进行动态规划任务调度。
2.根据权利要求1所述的多任务多用户的卫星任务规划方法，其特征在于，所述步骤1中，进行多目标多约束优化建模步骤包括：
将最大化系统效率、最小化通信延迟和最大化频谱利用率问题转化为目标模型，并定义决策变量，包括任务分配和频段分配；
为每个目标模型制定目标函数，确定约束条件；
将多个目标函数和约束条件组合成一个多目标优化问题；
采用多目标模拟Pareto解决建立的多目标多约束优化问题。
3.根据权利要求2所述的多任务多用户的卫星任务规划方法，其特征在于，所述步骤1中，将最大化系统效率、最小化通信延迟和最大化频谱利用率问题转化为目标模型步骤具体包括：
采用二进制变量表示任务是否分配给卫星，以及频段是否分配给卫星，具体为：
，表示任务i是否分配给卫星j，/>为二进制变量；
，表示频段f是否分配给卫星k，/>同样为二进制变量；
为每个目标系统效率、通信延迟和频谱利用率定义，表达式为：
，
其中E表示系统效率，为决策变量，/>表示系统性能度量，即任务i和卫星j之间的性能关联；
，
其中D表示通信延迟，表示通信时间，即任务i和卫星j之间的通信时间，
，
其中表示频谱利用率，/>分别表示所有带宽以及所有卫星k，/>表示频段f是否分配给卫星k，/>表示消耗带宽，/>表示总带宽。
4.根据权利要求3所述的多任务多用户的卫星任务规划方法，其特征在于，所述步骤1中，定义决策变量方法为：
对于，/>,
对于，/>，
同时决策变量、/>的约束条件为：
任务分配中，，限制每个任务只能被分配给一个卫星；
频段分配中，，限制每个频段只能被分配给一个卫星。
5.根据权利要求4所述的多任务多用户的卫星任务规划方法，其特征在于，所述步骤1中，采用Pareto多目标优化方法包括：
将多个目标函数，分别重新定义为，/>，/>，分别表示系统效率、通信延迟和频谱利用率：
，
，
，
Pareto前沿采用F(x)表示，定义Pareto支配关系，设所得解为和/>，若对于所有目标函数/>不劣于/>，则/>Pareto支配/>，即/>；
使用多目标Pareto模拟退火法搜索Pareto前沿：
a.在每一代生成一组解，然后根据Pareto支配关系筛选出非支配解；
b.对非支配解采用进化算子，以生成下一代解；
重复a和b过程，直到满足终止条件。
6.根据权利要求5所述的多任务多用户的卫星任务规划方法，其特征在于，所述步骤2中，进行凸优化和分布式计算步骤包括：
使用拉格朗日对偶性，将多目标问题转化为等价的单目标凸优化问题；
构建新的目标函数包括原始目标函数和拉格朗日乘子的线性组合；
将问题分解为多个子问题，其中每个子问题对应于一个卫星群；
在每个卫星群内，采用局部凸优化方法解决子问题；
各卫星群解决子问题后，将卫星群解合并获得全局性能的解决方案。
7.根据权利要求6所述的多任务多用户的卫星任务规划方法，其特征在于，所述步骤2中，使用拉格朗日对偶性将多目标问题转化为等价的单目标凸优化问题步骤包括：
为每个约束条件引入对应的拉格朗日乘子，设有m个约束条件，引入m个拉格朗日乘子，则乘子构成拉格朗日向量；
构建拉格朗日函数，表示为：
，
其中表示决策变量向量，包括任务分配和频段分配，/>即拉格朗日乘子向量，/>表示原始多目标问题的目标函数，即多目标函数的线性组合，/>为约束条件向量，包含原始约束条件；
基于拉格朗日函数，构建拉格朗日对偶问题，其中目标函数是拉格朗日函数L的最小化，而约束条件是拉格朗日乘子的非负性，则拉格朗日对偶问题表示为：
，
,
采用凸规划算法求解拉格朗日对偶问题，产生拉格朗日对偶问题的最优解和最小值/>。
8.根据权利要求7所述的多任务多用户的卫星任务规划方法，其特征在于，所述步骤2中，使用拉格朗日对偶性将多目标问题转化为等价的单目标凸优化问题步骤还包括：
基于拉格朗日对偶问题的最优解和最小值/>，构建等价的单目标凸优化问题；
在每个卫星群内，使用局部凸优化方法解决单目标凸优化问题，每个卫星群独立处理其分配的任务。
9.一种终端系统，其特征在于，该系统包括：存储器、处理器及存储在存储器上并可在处理器上运行的多任务多用户的卫星任务规划方法的控制程序，所述多任务多用户的卫星任务规划方法的控制程序被所述处理器执行时实现如权利要求1-8中任一项所述的多任务多用户的卫星任务规划方法。
10.一种存储介质，其特征在于，该介质应用于计算机，所述存储介质上存储有多任务多用户的卫星任务规划方法的控制程序，所述多任务多用户的卫星任务规划方法的控制程序被处理器执行时实现如权利要求1-8中任一项所述的多任务多用户的卫星任务规划方法。
CN202410360617.8A 2024-03-27 2024-03-27 多任务多用户的卫星任务规划方法、系统及存储介质 Active CN117952026B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410360617.8A CN117952026B (zh) 2024-03-27 2024-03-27 多任务多用户的卫星任务规划方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410360617.8A CN117952026B (zh) 2024-03-27 2024-03-27 多任务多用户的卫星任务规划方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN117952026A true CN117952026A (zh) 2024-04-30
CN117952026B CN117952026B (zh) 2024-06-28

Family

ID=90801958

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410360617.8A Active CN117952026B (zh) 2024-03-27 2024-03-27 多任务多用户的卫星任务规划方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN117952026B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3017007A1 (en) * 2018-09-10 2020-03-10 Telesat Canada Resource deployment optimizer for non-geostationary communications satellites
CN114612019A (zh) * 2022-05-12 2022-06-10 北京开运联合信息技术集团股份有限公司 一种多卫星任务统筹规划方法及装置
CN115021793A (zh) * 2022-04-27 2022-09-06 哈尔滨工业大学（威海） 基于网络编码的卫星网络星间链路规划与功率分配方法
CN115396952A (zh) * 2022-07-26 2022-11-25 西安空间无线电技术研究所 一种基于传算资源联合分配的多波束卫星业务计算方法及系统
CN116634443A (zh) * 2023-05-30 2023-08-22 北京理工大学 面向空天地物联网的权衡能效和谱效的多目标优化方法
CN116886172A (zh) * 2023-08-15 2023-10-13 重庆邮电大学 基于机器学习的多波束卫星通信用户选择和频谱划分方法
CN117200857A (zh) * 2023-08-24 2023-12-08 西北工业大学深圳研究院 认知星地网络下基于互相关函数的跳波束资源分配方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3017007A1 (en) * 2018-09-10 2020-03-10 Telesat Canada Resource deployment optimizer for non-geostationary communications satellites
CN115021793A (zh) * 2022-04-27 2022-09-06 哈尔滨工业大学（威海） 基于网络编码的卫星网络星间链路规划与功率分配方法
CN114612019A (zh) * 2022-05-12 2022-06-10 北京开运联合信息技术集团股份有限公司 一种多卫星任务统筹规划方法及装置
CN115396952A (zh) * 2022-07-26 2022-11-25 西安空间无线电技术研究所 一种基于传算资源联合分配的多波束卫星业务计算方法及系统
CN116634443A (zh) * 2023-05-30 2023-08-22 北京理工大学 面向空天地物联网的权衡能效和谱效的多目标优化方法
CN116886172A (zh) * 2023-08-15 2023-10-13 重庆邮电大学 基于机器学习的多波束卫星通信用户选择和频谱划分方法
CN117200857A (zh) * 2023-08-24 2023-12-08 西北工业大学深圳研究院 认知星地网络下基于互相关函数的跳波束资源分配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
阚茜;许小东;: "一种能量和频谱效率兼顾的多波束卫星系统功率分配策略", 中国科学技术大学学报, no. 02, 15 February 2016 (2016-02-15), pages 138 - 147 *

Also Published As

Publication number Publication date
CN117952026B (zh) 2024-06-28

Similar Documents

Publication Publication Date Title
Shen et al. Fractional programming for communication systems—Part I: Power control and beamforming
CN111475301B (zh) 卫星资源分配方法、装置和电子设备
Pachler et al. Allocating power and bandwidth in multibeam satellite systems using particle swarm optimization
CN113010282B (zh) 一种基于深度强化学习的边云协同串行任务卸载方法
Wang et al. Unmanned-aerial-vehicle-assisted computation offloading for mobile edge computing based on deep reinforcement learning
CN107682935B (zh) 一种基于系统稳定性的无线自回传资源调度方法
CN110233755B (zh) 一种物联网中雾计算的计算资源和频谱资源分配方法
CN113115459B (zh) 一种面向电力物联网海量终端的多尺度多维资源分配方法
CN114885420A (zh) 一种noma-mec系统中的用户分组和资源分配方法及装置
CN111565380B (zh) 车联网中基于noma-mec混合卸载方法
CN113573363A (zh) 基于深度强化学习的mec计算卸载与资源分配方法
Cang et al. Fair computation efficiency for OFDMA-based multiaccess edge computing systems
Chen et al. Joint optimization of task offloading and resource allocation via deep reinforcement learning for augmented reality in mobile edge network
CN116939866A (zh) 一种基于协同计算和资源分配联合优化的无线联邦学习效率提升方法
CN117952026B (zh) 多任务多用户的卫星任务规划方法、系统及存储介质
CN117119486B (zh) 一种保障多小区蜂窝网长期用户速率的深度无监督学习资源分配方法
CN114980216B (zh) 基于移动边缘计算的依赖型任务卸载系统及方法
CN113676917B (zh) 基于博弈论的无人机分层移动边缘计算网络的能耗优化方法
CN116722905A (zh) 面向动态任务的卫星网络实时递阶资源调度方法
CN114501504B (zh) 一种基于无蜂窝网络的联合优化方法及系统
Besser et al. Deep learning based resource allocation: How much training data is needed?
CN110475230B (zh) 蜂窝网络中d2d用户的资源分配方法、存储介质和终端
CN113342514A (zh) 一种基于近地轨道的边缘计算模型及其服务放置方法
Liu et al. Research on Satellite Communication Resource Scheduling Method Based on Adaptive Genetic Algorithm
Ma et al. Joint subchannel allocation and beamforming for multicast in ultra-dense leo backbone 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