CN108038600A - 一种敏捷对地卫星的任务规划方法 - Google Patents
一种敏捷对地卫星的任务规划方法 Download PDFInfo
- Publication number
- CN108038600A CN108038600A CN201711252574.8A CN201711252574A CN108038600A CN 108038600 A CN108038600 A CN 108038600A CN 201711252574 A CN201711252574 A CN 201711252574A CN 108038600 A CN108038600 A CN 108038600A
- Authority
- CN
- China
- Prior art keywords
- task
- mrow
- sequence
- observation
- mission
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种敏捷对地卫星的任务规划方法,该方法包括如下步骤:Step1,选择目标函数;Step2,根据Step1中的目标函数生成初始解x,并将x作为局部搜索的起点;Step3,参数初始化,参数包括:邻域个数kmax,用于判定是否陷入局部最优的迭代搜索次数lmin,用于判定算法是否终止的最大迭代搜索次数lmax,迭代计数器m和n,邻域计数器k;令k=1,m=0,n=0;Step4,在解x的第k邻域结构中随机确定一个可行解y,且n=n+1;Step5,如果y优于x,则x=y且m=0,否则m=m+1;Step6,如果n==lmax,则转Step9;Step7,如果m==lmin,则说明已经陷入局部最优,k=k+1,否则Step4;Step8,如果k≤kmax,则m=0,并且转Step4;Step9,算法结束,输出x。本发明能够合理地为每一个观测任务或数据回传任务分配资源和时间,在满足任务约束,资源约束的前提下,最大化观测收益。
Description
技术领域
本发明涉及观测卫星技术领域,特别是涉及一种敏捷对地卫星的任务规 划方法。
背景技术
绝大多数对地观测卫星所执行的规划方案,都是由地面任务规划***生 成的,然后通过星地链路上注至卫星。这种“天地大回路”的管控模式从需求 搜集到数据采集,再到产品生成,整个过程需要很长的时间,根本无法满足未 来对地观测***对时效性的要求。与“天地大回路”相比,星上自主规划技术 在提高卫星对于动态观测需求的快速响应能力、提高多星协同能力、减少对地 面测控***的依赖等方面都具有巨大的优势,因此非常适合解决动态观测需求 常态化下的规划问题。
未来对地观测***能够面向动态观测需求常态化提供服务,能够随时接 受用户提出的观测需求,并且能够快速准确的回答什么时间、什么地点、什么 目标发生了什么样的变化。但正是这种高效便捷的用户体验,却给对地观测组 织过程带来了极大的挑战,尤其是对观测任务的规划方式提出了更高的要求。
任务规划不但是自主规划过程的第一个阶段,而且任务规划结果还是动 作规划的输入。因此对星上任务规划问题的求解,直接影响着整个自主规划模 块的工作效益。本章首先对星上任务规划问题进行了描述,然后采用约束满足 模型对问题进行建模。最后在问题模型的基础上提供了变邻域搜索算法,并通 过实验验证了算法的适用性和有效性。
发明内容
本发明的目的在于提供一种敏捷对地卫星的任务规划方法来克服或至少 减轻现有技术的上述缺陷中的至少一个。
为实现上述目的,本发明提供一种敏捷对地卫星的任务规划方法,其中, 所述敏捷对地卫星的任务规划方法包括如下步骤:
Step1,选择目标函数;
Step2,根据Step1中的目标函数生成初始解x,并将x作为局部搜索的 起点;
Step3,参数初始化,参数包括:邻域个数kmax,用于判定是否陷入局部 最优的迭代搜索次数lmin,用于判定算法是否终止的最大迭代搜索次数lmax,迭 代计数器m和n,邻域计数器k;令k=1,m=0,n=0;
Step4,在解x的第k邻域结构中随机确定一个可行解y,且n=n+1;
Step5,如果y优于x,则x=y且m=0,否则m=m+1;
Step6,如果n==lmax,则转Step9;
Step7,如果m==lmin,则说明已经陷入局部最优,k=k+1,否则Step4;
Step8,如果k≤kmax,则m=0,并且转Step4;
Step9,算法结束,输出x。
本发明能够合理地为每一个观测任务或数据回传任务分配资源和时间, 在满足任务约束,资源约束的前提下,最大化观测收益。
附图说明
图1是本发明提供的SVNS算法中的编码结构示意图。
图2是本发明提供的时间窗口裁剪示意图。
图3是本发明提供的初始解集生成算法流程。
图4是本发明提供的末位***邻域。
图5是本发明提供的首位***邻域。
图6是本发明提供的交换邻域。
图7是本发明提供的SVNS算法局部搜索策略流程图。
具体实施方式
在附图中,使用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。下面结合附图对本发明的实施例进行详细说明。
星上任务规划问题可以概括为:面对资源上相互竞争的观测任务、数据 回传任务,科学合理地为每一个任务分配资源和时间,确定卫星在什么时刻执 行哪个观测任务或数据回传任务,在满足任务约束,资源约束的前提下,最大 化观测收益。
星上任务规划问题的基本输入信息包括任务规划滚动窗口ScheduleWin(t) 内的任务信息和资源信息,下面分别对任务信息和资源信息进行说明。
任务信息包括观测时间窗口、优先级、观测精度和图像类型和观测持续 时间,其中:
(1)观测时间窗口。每个任务的观测时间窗口由观测目标地理位置和卫 星轨道共同决定,由任务管理子模块通过任务处理得到。另外任务管理子模块 还要根据有效观测时间段和云量等级和太阳高度角对观测任务可见时间窗口 进行裁剪,有效观测时间段以外的部分可见时间窗将被去掉。
(2)优先级。优先级代表观测任务的重要程度,如果观测任务越重要, 那么优先级就会越高,观测价值也就越大。任务优先级由任务管理子模块在任 务处理过程中,根据用户需求设置。
(3)观测精度和图像类型。观测精度一般用图像分辨率表示,分辨率要 求越高,成像数据量越大。图像类型受传感器类型限制,可以分为可见光图像、 多光谱图像、红外图像等等。通常卫星照片的分辨率只有不小于观测任务所要 求的观测精度时,且图像类型符合用户要求,任务需求才能够得到满足。
(4)观测持续时间。观测持续时间决定了图像条带的长度,观测持续时 间越短,图像条带的长度就越短,观测持续时间越长,图像条带的长度就越长。 相对于点目标而言,区域目标的观测持续时间会比较长。
资源信息包括星载存储器参数、数据回传参数和数据回传时间窗口,其 中:
(1)星载存储器参数。星载存储器参数主要包括最大存储容量。
(2)数据回传参数。主要指卫星回传信道的回传码速率。
(3)数据回传时间窗口。用于回传观测数据的时间段,即对地面站可见 的时间区间。
星上任务规划问题的基本输出信息包括如下要素:
(1)观测任务编号:观测任务的唯一编号。
(2)观测开始时间:每个观测任务的执行开始时间。
(3)观测结束时间:每个观测任务的执行结束时间。
(4)数据回传任务编号:数据回传任务的唯一编号。
(5)数据回传开始时间:每个数据回传任务的执行开始时间。
(6)数据回传结束时间:每个数据回传任务的执行结束时间。
在一个实施例中,星上任务规划问题的建模方法包括如下内容:
一、符号描述
首先对星上任务规划问题所涉及的观测任务、数据回传任务以及星上资 源进行统一的符号描述:
1、普通变量
p:规划开始时间,该时间为规划开始时刻。
q:规划结束时间,该时间为规划结束时刻。
t:规划过程中的任意时刻,p≤t≤q。
J:任务规划滚动窗口内的任务集合,该集合由观测任务和数据回传任 务构成。
j:任务规划滚动窗口内的观测任务,j∈J。
j′:任务规划滚动窗口内的观测任务,j′∈J且j′≠j。
j″:任务规划滚动窗口内的数据回传任务,j″∈J。
j″′:任务规划滚动窗口内的数据回传任务,j″′∈J且j″′≠j″。
wj:观测任务j的优先级。
wj″:数据回传任务j″所对应的观测任务的优先级。
cj:观测任务j占用卫星固存的大小。
oj:观测任务j的观测持续时间。
dj:回传观测任务j的观测数据所需要的持续时间。
Mj:可以对观测任务j进行观测的卫星轨道圈次的集合。
sj,k:第k个轨道圈次上对任务j进行观测的观测时间窗口的开始时间。
ej,k:第k个轨道圈次上对任务j进行观测的观测时间窗口的结束时间。
TSj,j′:表示观测任务j与j′之间的姿态转换持续时间,在模型中假设 TSj,j′为固定值。
I:数据回传时间窗口集合。
bi:第i个数据回传窗口的开始时间。
ri:第i个数据回传窗口的结束时间。
C:卫星固存最大值。
Ct:时刻t卫星固存大小。
2、决策变量
决策变量分为派遣决策变量和规划决策变量。派遣决策变量表示的是哪 些观测任务和数据回传任务可以执行。规划决策变量表示的是执行所有任务的 具体起止时间。派遣决策变量包括xj,k、yj,i和yj″,i。规划决策变量包括s′j,k, e′j,k,bj,i、rj,i、bj″,i和rj″,i。这些决策变量共同构成了对星上任务规划问题未 知数的完整表示。
xj,k:如果在圈次k对观测任务j进行观测,则xj,k=1,否则xj,k=0。
yj,i:如果观测任务j的观测数据在回传窗口i中被回传,则yj,i=1,否则 yj,i=0。
yj″,i:如果数据回传任务j″的观测数据在回传窗口i中被回传,则 yj″,i=1,否则yj″,i=0。
s′j,k:观测任务j的观测开始时间。
e′j,k:观测任务j的观测结束时间。
bj,i:在数据回传窗口i中回传观测任务j的观测数据的回传开始时间。
rj,i:在数据回传窗口i中回传观测任务j的观测数据的回传结束时间。
bj″,i:数据回传任务j″在数据回传窗口i中的回传开始时间。
rj″,i:数据回传任务j″在数据回传窗口i中的回传结束时间。
二、约束条件
星上任务规划问题的约束条件众多且非常复杂,本文从如下几个角度对 约束条件进行分析:
1、时间约束
C1:观测时间窗口约束。每个观测任务必须在其观测时间窗口内被观测:
sj,k≤s′j,k<e′j,k≤ej,k (4.1)
C2:回传时间窗口约束。每个数据回传任务必须在回传时间窗口内被回 传:
bi≤bj,i<rj,i≤ri (4.2)
bi≤bj″,i<rj″,i≤ri (4.3)
C3:观测与回传的时间顺序约束。观测数据的回传开始时间不能早于该 目标的观测结束时间:
e′j,k<bj,i (4.4)
C4:姿态转换时间约束。当任务j与j′在第k个轨道圈次上先后连续执行, 那么两个任务之间必须有足够的时间间隔,以保证星载遥感器有充足的时间完 成姿态转换:
e′j,k+TSj,j′≤sj″,k (4.5)
2、资源约束
C5:卫星存储约束。表示任意时刻的卫星固存都不能超出卫星最大固存 限制。
0≤Ct≤C (4.6)
3、任务约束
C6:观测机会约束。每个目标最多只能被观测一次:
C7:回传机会约束。每个观测任务的数据最多只能被回传一次:
C8:观测与回传的逻辑关系约束。只有完成观测的任务,其观测数据才 会被回传:
xj,k≥yj,i (4.10)
C9:任务不间断约束。任意两个任务不能同时执行:
[s′j,k,e′j,k]∩[s′j′,k,e′j′,k]∩[bj,i,rj,i]∩[bj″,i,rj″,i]=φ (4.11)
三、星上任务规划问题模型
由星上任务规划问题的描述可知,星上任务规划的最终目的是最大限度 地利用卫星资源,并且使收益回报最大。这里的收益不但指观测收益,而且还 包括数据回传收益。因为观测再多的目标,完成再多的观测任务,如果不能将 数据回传至地面,那么用户的需求是无法得到满足的。因此在任务规划中选择 以下目标函数:
综合上述,星上任务规划问题可以形式化描述为一个四元组:
式中:
Inputs={p,q,J,wj,cj,oj,dj,sj,k,ej,k,I,C}。
Constrints={C1,C2,C3,C4,C5,C6,C7,C8,C9}。
Outputs为星上任务规划问题的求解结果,即一个由观测任务和数据回传 任务构成的按照执行先后顺序排列的任务序列。
在一个实施例中,变邻域搜索算法(Variable Neighborhood Search, VNS)于上个世纪90年代被提出,是一种现代启发式算法。VNS算法不但思想 简单、参数较少非常易于实现,而且算法具有较高的性能和执行效率。VNS算 法其实只是为求解组合优化问题提供了一个通用的算法框架,针对具体问题必 须根据实际情况对算法进行适当裁剪。本实施例根据星上任务规划问题特点提 出了求解星上任务规划问题的变邻域算法SVNS,并提供了相关的启发式规则, 实现了算法的高效性能。下面将从初始解生成方法、邻域结构和局部搜索策略 三个方面,***讨论SVNS算法的基本结构。
搜索起点和邻域结构是变邻域搜索算法的关键,其中搜索起点其实就是 初始解,而邻域结构是构造新解的主要手段,也是优化领域中一个非常重要的 概念。对于组合优化问题(S,F,f),其中S代表所有解组成的状态空间,F代 表S的可行域,f代表目标函数,邻域可以描述为一种映射:
N:s∈S→N(s)∈2s,s∈N(s) (4.14)
其中2s代表S所有子集组成的集合,N(s)被称为解s的邻域,s′∈N(s)称 为s的一个邻域解。
起点和邻域结构共同决定了最终解,即便同一个起点,如果邻域结构不 同,那么最终的结果也会不同。如果起点不同,那么即使邻域结构相同,也无 法得到相同的结果。也就是说如果有足够多的起点和邻域结构可以选择,那么 是可以找到全局最优解的。但是在求解过程中,是不可能有太多的起点和邻域 结构可以选择的,因此需要通过比较不同的邻域结构和不同的初始点,以便得 到更好的解。
VNS算法属于近似算法,由初始解构造、领域结构和局部搜索三部分组成。 算法不对所有的可行解进行一一比较,只在解空间中选择一部分空间进行寻找 而排出了其他的空间,因此能够在合理时间内找到次优解。算法利用启发式规 则生成一定数量的初始解,然后以最优的初始解作为搜索的起点,每当不能继 续改进解时,算法都将围绕当前解有规律的重新调整邻域结构从而通过拓展搜 索范围去寻找新的局部最优解,因此能够较好的跳出局部最优解,从而实现对 当前解较远的邻域结构的探索,直至算法结束条件得到满足。
在一个实施例中,初始解集作为搜索的起点,高质量的初始解通常可以 让算法快速收敛到最优。如果采用随机生成方式产生初始解,那么初始解的质 量往往很差,从而导致算法很难在有限时间内寻找到比较好的可行解。为减小 初始解对算法性能的影响,本实施例提供了一个基于启发式规则的启发式算法 来完成初始解集的初始化操作。
在算法中如何描述问题的可行解,即把一个问题的可行解从其解空间转 换到算法所能处理的搜索空间的转换方法就称为编码。编码是应用算法进行求 解时要解决的首要问题,也是提供算法时的一个关键步骤。由于星上任务调度 问题本身存在复杂的约束关系,因此在提供编码方法时也会比较复杂,需要考 虑编码的合法性、完备性。其中,编码的合法性是要保证每个编码都能解释为 一个规划方案,而完备性是要保证每个规划方案都对应一个编码。可以说有效 的编码方法是求解星上任务规划问题的关键之一。
目前在进化算法领域关于问题编码的研究比较多,常用的编码方式有二 进制编码、实数编码、置换编码等等。在车间作业调度领域,常用的编码方式 有基于工序的编码、基于工件的编码、基于工件对关系的编码、基于完成时间 的编码等等。由于不同的编码方式直接影响了算法的效率和性能,因此在实际 应用中的编码提供,要根据实际情况的差异而进行提供。
本实施例针对星上任务规划问题的特点,提出了二维矩阵编码方法。二 维矩阵编码由两部分信息构成,分别是已知编码信息和未知编码信息。二维矩 阵编码的编码结构如图1所示,其中每一列称之为一个编码位。已知编码信息 由前两行数据构成,未知编码信息由后两行数据构成。第一行由观测任务和数 据回传任务的任务编号组成,代表了观测任务和数据回传任务的一种排列顺序。 其中数据回传任务的编号与其所对应的观测任务的编号相同。第二行由任务标 志位flag构成,flag用于区分观测任务和数据回传任务,如果flag=0说明该 编码位对应的是一个观测任务,如果flag=1说明该编码位对应的是一个数据 回传任务。第三行由派遣决策变量构成。第四行由规划决策变量构成。显然, 这是一种针对星上任务规划问题的最自然的编码方式,不但稳定性强,而且便 于直观地表示解。
在一个实施例的任务序列排序规则中,SVNS算法以任务规划滚动窗口ScheduleWin(t)内的任务为输入,在生成初始解时,需要根据ScheduleWin(t)中的 任务顺序为每个任务分配资源和时间。因此算法可以通过改变ScheduleWin(t)中 任务顺序的方式生成多个初始解。为此,本实施例提供了9种观测任务排序规 则和1种任务序列组合规则。所谓任务序列组合,指的是观测任务序列和数据 回传任务序列如何组合在一起的规则。另外,由于在建立任务规划滚动窗口时, 数据回传任务已经按照任务优先级从高到底从前至后进行过排序,因此在算法 求解过程中不再对其进行重新排序。
1、观测任务排序规则
优先级规则(Rule1):观测任务按照优先级由大到小,从前至后依次排 列,其中相同优先级的观测任务按观测时间窗口开始时间先后顺序排列,如果 观测时间窗口开始时间也相同则按随机规则确定任务的前后关系。
观测时间优先规则(Rule2):观测任务按照观测时间窗口开始时间的先 后顺序,从前至后依次排列。其中观测时间窗口开始时间相同的观测任务,按 优先级规则排列。
随机规则(Rule3):随机确定观测任务的前后顺序。
单位成像时间优先级规则(Rule4):观测任务按照优先级与观测持续时 间的比值由大到小,从前至后依次排列。比值相同的观测任务按优先级规则排 列。
单位固存优先级规则(Rule5):观测任务按照优先级与固存占用值的比 值由大到小,从前至后依次排列。比值相同的观测任务按优先级规则排列。
短时间窗口优先规则(Rule6):观测任务按照时间窗口长度由小到大, 从前至后依次排列。时间窗口长度相同的观测任务按优先级规则排列。
长时间窗口优先规则(Rule7):观测任务按照时间窗口长度由大到小, 从前至后依次排列。时间窗口长度相同的观测任务按优先级规则排列。
短观测持续时间优先规则(Rule8):观测任务按照观测持续时间由小到 大,从前至后依次排列。观测持续时间相同的观测任务按优先级规则排列。
长观测持续时间优先规则(Rule9):观测任务按照观测持续时间由大到 小,从前至后依次排列。观测持续时间相同的观测任务按优先级规则排列。
2、序列组合规则
当观测任务完成任务排序之后,首先确定当前最早可用数据回传时间窗 口的开始时间,然后在观测任务序列中从前至后寻找第一个观测时间窗口开始 时间大于该时间的观测任务,如果存在,将数据回传任务序列***该任务之前, 如果观测任务不存在,则将数据回传任务序列***到观测任务末尾,从而组合 成最终的任务序列。由于任务序列组合规则只有一种,所以每一种观测任务排 序规则只对应一个任务序列。
在一个实施例的规划决策变量计算方法中,由二维矩阵编码可知,要想 得到一个完整解,就要为每个任务确定它的规划决策变量,而这正是本实施例 的主要内容。本实施例介绍的决策变量计算方法是一种基于规则的启发式方法, 由时间窗口裁剪和启发式规则两部分构成。本方法将排序处理后的任务序列作 为输入,然后按照任务序列的先后顺序,从前至后依次计算每个任务的决策变 量。计算过程中首先要对任务进行时间窗口裁剪,然后再利用启发式规则确定 该任务的决策变量。
1、时间窗口裁剪
时间窗口裁剪的目的是将已经被占用的时间段从各个观测时间窗口或数 据回传时间窗口中裁剪掉。通过缩小时间窗口范围来避免不同任务在时间上发 生重叠。因此时间窗口裁剪是运作启发式规则确定每个任务的规划决策变量前 的首要步骤。
假设已占用时段为[Ts,Te],待裁剪的时间窗口为[Ws,We],那么就有以下4 种情况需要考虑,如图2所示。时间窗口裁剪方法的伪代码如下算法所示,WIN 表示已经被占用的时间窗口集合,WINj表示任务j可以使用的时间窗口集合, Start和End分别表示WIN中各时间窗口的开始和结束时间。Startj和Endj分别 表示WINj中各时间窗口的开始和结束时间。
2、任务执行时间计算启发式规则
观测开始时间确定规则:首先将可以使用的观测时间窗口按开始时间的 先后顺序进行排序,然后从前至后依次选择时间窗口与任务的观测持续时间进 行比对,如果时间窗口长度满足观测持续时间要求,则将该观测时间窗口的最 早开始时间作为观测任务的开始时间。否则选择下一个时间窗口进行比对。如 果没有合适的时间窗口,则说明该任务无法确定观测开始时间。
数据回传开始时间确定规则:首先将可以使用的数据回传时间窗口按开 始时间的先后顺序进行排序,然后从前至后依次选择时间窗口与任务的数据回 传持续时间进行比对,如果时间窗口长度满足数据回传持续时间要求,则将该 数据回传时间窗口的最早开始时间作为数据回传任务的开始时间。否则选择下 一个时间窗口进行比对。如果没有合适的时间窗口,则说明该任务无法确定数 据回传开始时间。
在一个实施例的初始解集生成方法中,SVNS算法首先采用启发式策略生 成初始解集,然后在初始解集中选择最优解作为变邻域搜索的起点。用于生成 初始解集的启发式算法流程如图3所示:
Step21,初始化参数,i=1,j=1;
Step22,如果任务规划滚动窗口为空,转步骤210;
Step23,如果i≤9,选择第i种排序规则对任务规划滚动窗口内的任务进 行排序,并构成任务序列Sequence,否则转Step210;
Step24,选择Sequence中第j个任务Sequencej,然后对该任务的时间窗口 进行裁剪;
Step25,按照任务执行时间计算启发式规则确定Sequencej的执行时间;
Step26,如果Sequencje存在执行时间并且满足各项约束条件,则保存 Sequencej的决策变量,否则转Step28;
Step27,如果Sequencej是观测任务,则在Sequence中的Sequencej之后添加 一个Sequencej所对应的数据回传任务;
Step28,j=j+1,如果j小于等于Sequence中任务数量,则转Step24;
Step29,将Sequence中的每个任务对应的决策变量保存为一个初始解xi, i=i+1,转Step23;
Step210,算法结束,输出初始解集x1...x9。
在一个实施例的邻域结构中,SVNS算法的基本思想是在局部搜索范围内, ***化地改变多个邻域结构,从而提高求解效率和质量。因此邻域结构的提供 是决定变邻域搜索效果的关键,有效的邻域结构提供对算法的搜索能力具有重 要的影响。在实际应用中关于邻域结构的提供依赖于问题的特征及解的表示方 式,这给予了使用者很大的自由提供的空间。在星上任务规划问题中,解的一 个邻域对应的就是任务的某种排列方式,改变任务的排列方式,即执行次序, 就是在改变邻域。不同的任务执行次序,将导致任务被执行的机会发生变化, 进而目标函数值也会发生变化,因此通过改变邻域,可以得到更优的解。为克服算法对单一邻域的过分依赖,本文构造了3种邻域结构。
1、末位***邻域
首先在解的二维矩阵编码中,任意选择k个派遣决策变量为1,且
flag=0的编码位,然后在任务序列Sequence中找到这些编码位所对应的 任务,将这k个任务转移至任务序列Sequence的末尾,如图4所示。所选择的k 个任务用x1,x2...xk表示。因为任务序列Sequence中观测任务的顺序被调整,因此 还需要根据序列组合规则,将Sequence中的观测任务序列和数据回传任务序列 进行重新组合,从而得到一个全新的任务序列Sequence′,即解的末位***邻域。 一般来说,如果将某些观测任务移至序列末尾,那么这些任务能够被执行的可 能会变得很小,但从优化的角度来看,可以通过末位***,增大完成其它更多 任务的机会,从而提高解的质量。如果解的二维矩阵编码中,派遣决策变量为 1,且
flag=0的编码位数量为m,那么k的大小为1至0.1·m之间的随机整数。
2、首位***邻域
首先在解的二维矩阵编码中,任意选择k个派遣决策变量为0,且
flag=0的编码位,然后在任务序列Sequence中找到这些编码位所对应的 任务,并将这些任务转移至任务序列Sequence的首位,如图5所示。所选择的 k个任务用x1,x2...xk表示。因为任务序列Sequence中观测任务的顺序被调整,因 此还需要根据序列组合规则,将Sequence中的观测任务序列和数据回传任务序 列进行重新组合,从而得到一个全新的任务序列Sequence′,即解的首位***邻 域。一般来说,如果将某些观测任务移至序列首位,那么这些任务能够被执行 的可能会很大,从而有机会提高解的质量。如果解的二维矩阵编码中,派遣决 策变量为0,且
flag=0的编码位数量为n,那么k的大小为1至0.1·n之间的随机整数。
3、交换邻域
首先在解的二维矩阵编码中,任意选择k个派遣决策变量为1,且
flag=0的编码位,并在任务序列Sequence中找到这些编码位所对应的任 务。这些任务用x1,x2...xk表示。然后在解的二维矩阵编码中,任意选择k个派 遣决策变量为0,且
flag=0的编码位,并在任务序列Sequence中找到这些编码位所对应的任 务,并用y1,y2...yk表示这些任务。先后将x1与y1,x2与y2的位置进行交换,直 到最后将xk与yk的位置进行交换,如图6所示。因为任务序列Sequence中观测 任务的顺序被调整,因此还需要根据序列组合规则,将Sequence中的观测任务 序列和数据回传任务序列进行重新组合,从而得到一个全新的任务序列 Sequenc′e,即解的交换邻域。如果解的二维矩阵编码中,派遣决策变量为1, 且flag=0的编码位数量为m,而派遣决策变量为0,且
flag=0的编码位数量为n,那么k的大小为1至min(m,n)·0.1之间的随机 整数。
在一个实施例的局部搜索策略中,局部搜索策略决定了当前邻域结构内 对局部最优解的搜索方式。局部搜索策略主要有两种搜索方式,一种是最佳优 化更新,另一种是首次优化更新。最佳优化更新方式要求算法在当前邻域内搜 索所有优化解,并且选择其中的最优解替换原来的结构。首次优化更新方式不 要求找到当前邻域内的最优解,只要在当前邻域内找到一个比初始解更好的解 时,便用其将原来的结构替换掉。本策略综合考虑了上述两种方式,该方法只 接受比当前解更优的解作为下一次搜索的初始解,并对每一个邻域内的搜索次 数做了限制,当搜索次数达到了限制lmin,才会改变邻域结构,此时视为已经陷入局部最优。搜索过程中,如果搜索到一个更优的解,说明该邻域有利于解 的改进,并且用新的邻域解取代当前解,继续在该邻域内搜索,同时将此邻域 结构内的搜索次数归零重新计数。
SVNS算法流程如图7所示,具体步骤如下:
步骤一,生成初始解x,并将x作为局部搜索的起点。
步骤二,参数初始化。参数包括邻域个数kmax,用于判定是否陷入局部最 优的迭代搜索次数lmin,用于判定算法是否终止的最大迭代搜索次数lmax,迭代 计数器m和n,邻域计数器k。令k=1,m=0,n=0。
步骤三,在解x的第k邻域结构中随机确定一个可行解y,且n=n+1。
步骤四,如果y优于x,则x=y且m=0,否则m=m+1。
步骤五,如果n==lmax,则转步骤八。
步骤六,如果m==lmin,则说明已经陷入局部最优,k=k+1,否则步骤三。
步骤七,如果k≤kmax,则m=0,并且转步骤三。
步骤八,算法结束,输出x。
下面是利用本发明方法进行实验验证,实验的验证内容主要包括以下3 个方面:
1、验证不同排序规则对初始解的影响。
2、验证不同排序规则对算法最终结果的影响。
3、通过不同算法之间的性能比较,验证模型的合理性和SVNS算法的有 效性。
实验以收益值、任务完成率和高优先级任务完成率作为主要评价指标, 并采用测试实例的平均实验结果作为最终的实验结果。其中收益值指结果的目 标函数值。任务完成率指纳入调度方案的观测任务数量占全部观测任务数量的 百分比。高优先级任务完成率指调度方案中优先级为9和10的观测任务数量 占全部观测任务中优先级为9和10的观测任务数量的百分比。
实验方案具体包括:
在实验之前,首先构建了一个由2000个地面目标组成的观测目标集合。 而每一个观测目标都对应了一个观测任务。实验中的观测任务从上述观测目标 对应的观测任务集中选择。根据参与规划的观测任务数量,可以将实验分为4 组,第1组观测任务数量是50,第2组观测任务数量是70,第3组观测任务 数量是100,第4组观测任务数量是150。
在观测目标集合中选择观测任务时,首先要确定一个时间区间,比如 2017-5-30-00:00:00至2017-5-30-04:00:00,然后按照实验需要的数量 选择观测时间窗口在该时间区间内的观测任务。确定观测任务以后,不仅要考 虑每个观测任务在该时间区间内的观测时间窗口,还要考虑每个观测任务在时 间区间以外的全部观测时间窗口。在保证时间区间长度和观测任务数量的情况 下,时间区间的开始时间是任意选择的。每组的时间区间均是20分钟,每组 都只有一个数据回传时间窗口。通过时间区间来选择观测任务的目的是控制不 同观测任务的观测时间窗口之间能够存在一定的重叠,从而增加任务之间的冲 突,促使算法能够在观测任务的多个观测时间窗口中选择一个最佳的观测时刻。 卫星固存方面,如果卫星固存太大,那么卫星固存约束很难对调度过程产生影 响,所以实验中卫星固存应该根据每组观测任务总共需要占用固存大小进行设 置。实验中假设卫星固存的最大值为实验中参与调度的观测任务的固存占用值 之和的50%,即卫星如果不能将观测数据进行回传,那么无法完成全部观测任 务。观测任务的优先级和观测持续时间随机确定,优先级的范围是1至10, 观测持续时间的范围是5至30秒,且各个优先级的观测任务数量相同。最后 将各组观测任务中10%的任务设置为数据回传任务,用于模拟任务规划滚动窗 口中可能存在的数据回传任务。
针对第1个验证内容,利用9种排序规则,分别针对每种规模的任务集 生成初始解。每种规模的任务集各生成10个。在不同任务规模下,通过比较 10次实验结果,分析排序规则对初始解的影响。
针对第2个验证内容,利用9种排序规则,分别针对每种规模的任务集 生成初始解,然后利用SVNS算法根据不同的初始解进行搜索求解。每种规模 的任务集各生成10个。在不同任务规模下,通过比较10次实验结果,分析排 序规则对SVNS算法结果的影响,选择一个最佳的初始解生成规则,作为SVNS 算法的使用规则。
针对第3个验证内容,利用SVNS算法中的LS算法分别针对每种规模的 任务集进行求解。每种规模的任务集各生成10个。在不同任务规模下,通过 比较10次实验结果,分析不同算法的算法性能表现。
由于在星上计算能力有限,如果迭代次数太多,将会占用大量时间,无 法满足时效性要求,因此实验中将lmax设置为100,将lmin设置为lmax/3。实验计 算机配置为Intel(R)Core(TM)i5-7200U [email protected],内存为8G,操作 ***为Windows10,编程环境为MATLAB。
下面是实验结果与分析
第1个验证内容的验证结果显示,针对不同的任务规模,Rule4和Rule5 都可以得到较其它排序规则更优的初始解。而Rule1较Rule4和Rule5稍差。 而且随着任务规模的不断扩大,不同规则生成的初始解在收益值上的差别也越 来越大。因此可以认为排序规则对算法初始解收益值的影响是非常大的,并且 确实存在像Rule4和Rule5这种,适合各种任务规模的排序规则。因此如果算 法的迭代的次数十分有限,那么应该选择Rule4或Rule5生成初始解。Rule4 和Rule5生成的初始解的收益值之所以非常接近,主要是因为Rule4是按照优 先级与观测持续时间的比值由大到小,从前至后对观测任务依次排列。而 Rule5是按照优先级与固存占用值的比值由大到小,从前至后对观测任务依次 排列。两个规则的唯一区别在于计算比值的分母不同,而观测持续时间与固存 占用值又成正比关系,观测持续时间决定了固存占用值的大小,因此Rule4 和Rule5生成的初始解的收益值非常接近。
最后需要指出的是:以上实施例仅用以说明本发明的技术方案,而非对 其限制。本领域的普通技术人员应当理解:可以对前述各实施例所记载的技术 方案进行修改,或者对其中部分技术特征进行等同替换;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精神和范围。
Claims (4)
1.一种敏捷对地卫星的任务规划方法,其特征在于,包括如下步骤:
Step1,选择目标函数;
Step2,根据Step1中的目标函数生成初始解x,并将x作为局部搜索的起点;
Step3,初始化参数,参数包括:邻域个数kmax,用于判定是否陷入局部最优的迭代搜索次数lmin,用于判定算法是否终止的最大迭代搜索次数lmax,迭代计数器m和n,邻域计数器k;令k=1,m=0,n=0;
Step4,在解x的第k邻域结构中随机确定一个可行解y,且n=n+1;
Step5,如果y优于x,则x=y且m=0,否则m=m+1;
Step6,如果n==lmax,则转Step9;
Step7,如果m==lmin,则说明已经陷入局部最优,k=k+1,否则Step4;
Step8,如果k≤kmax,则m=0,并且转Step4;
Step9,算法结束,输出x。
2.如权利要求1所述的敏捷对地卫星的任务规划方法,其特征在于,Step1中,目标函数为:
<mrow>
<mi>O</mi>
<mi>b</mi>
<mi>j</mi>
<mi>e</mi>
<mi>c</mi>
<mi>t</mi>
<mi>i</mi>
<mi>v</mi>
<mi>e</mi>
<mo>=</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>,</mo>
<msup>
<mi>j</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>&Element;</mo>
<mi>J</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>&Element;</mo>
<msub>
<mi>M</mi>
<mi>j</mi>
</msub>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>I</mi>
</mrow>
</munder>
<msub>
<mi>w</mi>
<mi>j</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>w</mi>
<mi>j</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>w</mi>
<msup>
<mi>j</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>y</mi>
<mrow>
<msup>
<mi>j</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
</mrow>
将星上任务规划问题描述为一个四元组:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>T</mi>
<mi>S</mi>
<mi>P</mi>
<mi>M</mi>
<mo>=</mo>
<mo>{</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>I</mi>
<mi>n</mi>
<mi>p</mi>
<mi>u</mi>
<mi>t</mi>
<mi>s</mi>
<mo>;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>O</mi>
<mi>b</mi>
<mi>j</mi>
<mi>e</mi>
<mi>c</mi>
<mi>t</mi>
<mi>i</mi>
<mi>v</mi>
<mi>e</mi>
<mo>;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>C</mi>
<mi>o</mi>
<mi>n</mi>
<mi>s</mi>
<mi>t</mi>
<mi>r</mi>
<mi>int</mi>
<mi>s</mi>
<mo>;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>O</mi>
<mi>u</mi>
<mi>t</mi>
<mi>p</mi>
<mi>u</mi>
<mi>t</mi>
<mi>s</mi>
<mo>;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>}</mo>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4.13</mn>
<mo>)</mo>
</mrow>
</mrow>
式中:
Inputs={p,q,J,wj,cj,oj,dj,sj,k,ej,k,I,C};
Constrints={C1,C2,C3,C4,C5,C6,C7,C8,C9};
Outputs为星上任务规划问题的求解结果,即一个由观测任务和数据回传任务构成的按照执行先后顺序排列的任务序列;
p:规划开始时间,该时间为规划开始时刻
q:规划结束时间,该时间为规划结束时刻
J:任务规划滚动窗口内的任务集合,该集合由观测任务和数据回传任务构成;
j:任务规划滚动窗口内的观测任务,j∈J;
wj:观测任务j的优先级;
cj:观测任务j占用卫星固存的大小;
oj:观测任务j的观测持续时间;
dj:回传观测任务j的观测数据所需要的持续时间;
sj,k:第k个轨道圈次上对任务j进行观测的观测时间窗口的开始时间;
ej,k:第k个轨道圈次上对任务j进行观测的观测时间窗口的结束时间;
I:数据回传时间窗口集合;
C:卫星固存最大值;
C1:观测时间窗口约束,每个观测任务必须在其观测时间窗口内被观测:
sj,k≤s′j,k<e′j,k≤ej,k (4.1)
C2:回传时间窗口约束,每个数据回传任务必须在回传时间窗口内被回传:
bi≤bj,i<rj,i≤ri (4.2)
bi≤bj″,i<rj″,i≤ri (4.3)
C3:观测与回传的时间顺序约束,观测数据的回传开始时间不能早于该目标的观测结束时间:
e′j,k<bj,i (4.4)
C4:姿态转换时间约束,当任务j与j′在第k个轨道圈次上先后连续执行,那么两个任务之间必须有足够的时间间隔,以保证星载遥感器有充足的时间完成姿态转换:
e′j,k+TSj,j′≤s′j′,k (4.5)
C5:卫星存储约束,表示任意时刻的卫星固存都不能超出卫星最大固存限制。
0≤Ct≤C (4.6)
C6:观测机会约束,每个目标最多只能被观测一次:
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>&Element;</mo>
<msub>
<mi>M</mi>
<mi>j</mi>
</msub>
</mrow>
</munder>
<msub>
<mi>x</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>&le;</mo>
<mn>1</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4.7</mn>
<mo>)</mo>
</mrow>
</mrow>
C7:回传机会约束,每个观测任务的数据最多只能被回传一次:
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>T</mi>
</mrow>
</munder>
<msub>
<mi>y</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>&le;</mo>
<mn>1</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4.8</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>I</mi>
</mrow>
</munder>
<msub>
<mi>y</mi>
<mrow>
<msup>
<mi>j</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msup>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>&le;</mo>
<mn>1</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4.9</mn>
<mo>)</mo>
</mrow>
</mrow>
C8:观测与回传的逻辑关系约束,只有完成观测的任务,其观测数据才会被回传:
xj,k≥yj,i (4.10)
C9:任务不间断约束,任意两个任务不能同时执行:
[s′j,k,e′j,k]∩[s′j′,k,e′j′,k]∩[bj,i,rj,i]∩[bj″,i,rj″,i]=φ (4.11);
xj,k:如果在圈次k对观测任务j进行观测,则xj,k=1,否则xj,k=0;
yj,i:如果观测任务j的观测数据在回传窗口i中被回传,则yj,i=1,否则yj,i=0;
yj″,i:如果数据回传任务j″的观测数据在回传窗口i中被回传,则yj″,i=1,否则yj″,i=0;
wj″:数据回传任务j″所对应的观测任务的优先级。
3.如权利要求1或2所述的敏捷对地卫星的任务规划方法,其特征在于,Step2中,采用启发式策略生成初始解集,然后在初始解集中选择最优解作为变邻域搜索的起点,用于生成初始解集的启发式算法流程包括如下步骤:
Step21,初始化参数,i=1,j=1;
Step22,如果任务规划滚动窗口为空,转步骤210;
Step23,如果i≤9,选择第i种排序规则对任务规划滚动窗口内的任务进行排序,并构成任务序列Sequence,否则转Step210;
Step24,选择Sequence中第j个任务Sequencej,然后对该任务的时间窗口进行裁剪;
Step25,按照任务执行时间计算启发式规则确定Sequencej的执行时间;
Step26,如果Sequencej存在执行时间并且满足各项约束条件,则保存Sequencej的决策变量,否则转Step28;
Step27,如果Sequencej是观测任务,则在Sequence中的Sequencej之后添加一个Sequencej所对应的数据回传任务;
Step28,j=j+1,如果j小于等于Sequence中任务数量,则转Step24;
Step29,将Sequence中的每个任务对应的决策变量保存为一个初始解xi,i=i+1,转Step23;
Step210,算法结束,输出初始解集x1…x9。
4.如权利要求1或2所述的敏捷对地卫星的任务规划方法,其特征在于,Step4中,邻域结构包括末位***邻域、首位***邻域和交换邻域,其中:
末位***邻域为:首先,在解的二维矩阵编码中,任意选择k个派遣决策变量为1,且flag=0的编码位;然后,在任务序列Sequence中找到这些编码位所对应的任务,将这k个任务转移至任务序列Sequence的末尾,所选择的k个任务用x1,x2...xk表示;因为任务序列Sequence中观测任务的顺序被调整,因此还需要根据序列组合规则,将Sequence中的观测任务序列和数据回传任务序列进行重新组合,从而得到一个全新的任务序列Sequence′,即解的末位***邻域;如果将某些观测任务移至序列末尾,那么这些任务能够被执行的可能会变得很小,但从优化的角度来看,可以通过末位***,增大完成其它更多任务的机会,从而提高解的质量;如果解的二维矩阵编码中,派遣决策变量为1,且
flag=0的编码位数量为m,那么k的大小为1至0.1·m之间的随机整数;
首位***邻域为:首先,在解的二维矩阵编码中,任意选择k个派遣决策变量为0,且flag=0的编码位;然后,在任务序列Sequence中找到这些编码位所对应的任务,并将这些任务转移至任务序列Sequence的首位,所选择的k个任务用x1,x2...xk表示;因为任务序列Sequence中观测任务的顺序被调整,因此还需要根据序列组合规则,将Sequence中的观测任务序列和数据回传任务序列进行重新组合,从而得到一个全新的任务序列Sequence′,即解的首位***邻域;如果将某些观测任务移至序列首位,那么这些任务能够被执行的可能会很大,从而有机会提高解的质量;如果解的二维矩阵编码中,派遣决策变量为0,且flag=0的编码位数量为n,那么k的大小为1至0.1·n之间的随机整数;
交换邻域为:首先,在解的二维矩阵编码中,任意选择k个派遣决策变量为1,且flag=0
的编码位,并在任务序列Sequence中找到这些编码位所对应的任务,该任务用x1,x2...xk表示;然后,在解的二维矩阵编码中,任意选择k个派遣决策变量为0,且flag=0
的编码位,并在任务序列Sequence中找到这些编码位所对应的任务,并用y1,y2...yk表示这些任务;先后将x1与y1,x2与y2的位置进行交换,直到最后将xk与yk的位置进行交换;因为任务序列Sequence中观测任务的顺序被调整,因此还需要根据序列组合规则,将Sequence中的观测任务序列和数据回传任务序列进行重新组合,从而得到一个全新的任务序列Sequence′,即解的交换邻域;如果解的二维矩阵编码中,派遣决策变量为1,且flag=0的编码位数量为m,而派遣决策变量为0,且flag=0的编码位数量为n,那么k的大小为1至min(m,n)·0.1之间的随机整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711252574.8A CN108038600A (zh) | 2017-12-01 | 2017-12-01 | 一种敏捷对地卫星的任务规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711252574.8A CN108038600A (zh) | 2017-12-01 | 2017-12-01 | 一种敏捷对地卫星的任务规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108038600A true CN108038600A (zh) | 2018-05-15 |
Family
ID=62095330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711252574.8A Withdrawn CN108038600A (zh) | 2017-12-01 | 2017-12-01 | 一种敏捷对地卫星的任务规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108038600A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109728845A (zh) * | 2018-11-07 | 2019-05-07 | 长沙天仪空间科技研究院有限公司 | 一种卫星高效调度星座及调度方法 |
CN109948944A (zh) * | 2019-03-27 | 2019-06-28 | 中南林业科技大学 | 一种卫星任务调度方法及*** |
CN111178419A (zh) * | 2019-12-24 | 2020-05-19 | 上海交通大学 | 一种基于任务聚类的敏捷遥感卫星多目标任务规划方法 |
CN114819765A (zh) * | 2022-06-27 | 2022-07-29 | 中国人民解放军国防科技大学 | 卫星测控资源调度方法及相关设备 |
CN115103410A (zh) * | 2022-08-22 | 2022-09-23 | 中国人民解放军国防科技大学 | 一种测控数传资源调度方法、***及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105157712A (zh) * | 2015-08-18 | 2015-12-16 | 浙江工商大学 | 一种车辆路径的规划方法和规划*** |
CN107169671A (zh) * | 2017-06-05 | 2017-09-15 | 合肥工业大学 | 多星对地观测任务规划问题的处理方法及装置 |
-
2017
- 2017-12-01 CN CN201711252574.8A patent/CN108038600A/zh not_active Withdrawn
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105157712A (zh) * | 2015-08-18 | 2015-12-16 | 浙江工商大学 | 一种车辆路径的规划方法和规划*** |
CN107169671A (zh) * | 2017-06-05 | 2017-09-15 | 合肥工业大学 | 多星对地观测任务规划问题的处理方法及装置 |
Non-Patent Citations (2)
Title |
---|
刘嵩、陈英武、邢立宁、孙凯: "敏捷成像卫星自主任务规划方法", 《计算机集成制造***》 * |
李志亮、李小将、孙伟: "考虑成像质量的敏捷卫星任务调度模型与算法", 《宇航学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109728845A (zh) * | 2018-11-07 | 2019-05-07 | 长沙天仪空间科技研究院有限公司 | 一种卫星高效调度星座及调度方法 |
CN109948944A (zh) * | 2019-03-27 | 2019-06-28 | 中南林业科技大学 | 一种卫星任务调度方法及*** |
CN111178419A (zh) * | 2019-12-24 | 2020-05-19 | 上海交通大学 | 一种基于任务聚类的敏捷遥感卫星多目标任务规划方法 |
CN111178419B (zh) * | 2019-12-24 | 2023-05-19 | 上海交通大学 | 一种基于任务聚类的敏捷遥感卫星多目标任务规划方法 |
CN114819765A (zh) * | 2022-06-27 | 2022-07-29 | 中国人民解放军国防科技大学 | 卫星测控资源调度方法及相关设备 |
CN115103410A (zh) * | 2022-08-22 | 2022-09-23 | 中国人民解放军国防科技大学 | 一种测控数传资源调度方法、***及装置 |
CN115103410B (zh) * | 2022-08-22 | 2022-11-08 | 中国人民解放军国防科技大学 | 一种测控数传资源调度方法、***及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108038600A (zh) | 一种敏捷对地卫星的任务规划方法 | |
Katagiri et al. | Interactive multiobjective fuzzy random linear programming: Maximization of possibility and probability | |
Meehan et al. | SupportingDesign for Re-use'with modular design | |
Ning et al. | An improved quantum genetic algorithm based on MAGTD for dynamic FJSP | |
CN104680238A (zh) | 多卫星对地协同观测的待观测任务确定方法 | |
Boschetti et al. | Matheuristics: using mathematics for heuristic design | |
CN105205052A (zh) | 一种数据挖掘方法及装置 | |
Bouraima et al. | An integrated intelligent decision support framework for the development of photovoltaic solar power | |
Iranfar et al. | Multiagent reinforcement learning for hyperparameter optimization of convolutional neural networks | |
Tahami et al. | A literature review on combining heuristics and exact algorithms in combinatorial optimization | |
El-Sherbeny | Imprecision and flexible constraints in fuzzy vehicle routing problem | |
Chu et al. | A data-driven meta-learning recommendation model for multi-mode resource constrained project scheduling problem | |
Sarkar | Fuzzy decision making and its applications in cotton fibre grading | |
CN102624782A (zh) | 互联网ich / ict 信息融合基础 | |
Gruler et al. | A simulation-optimization approach for the two-echelon location routing problem arising in the creation of urban consolidation centres | |
Wang et al. | A tailored NSGA-III for multi-objective flexible job shop scheduling | |
CN107977746A (zh) | 一种敏捷对地卫星的动作规划方法 | |
Xun et al. | Distributed tasks-platforms scheduling method to holonic-C2 organization | |
Pelikan et al. | Learn from the past: Improving model-directed optimization by transfer learning based on distance-based bias | |
US20230086612A1 (en) | Deep intelligence for decentralized finance | |
CN102710732A (zh) | 互联网全息协同***信息融合基础 | |
Wei et al. | Deep Reinforcement Learning for Quantitative Portfolio Management | |
Zgurovsky | The scenario analysis platform as a methodological base of the national foresight program of Ukraine | |
Zhang | Key technologies of confrontational intelligent decision support for multi-agent systems | |
Khorramfar | Computational Optimization for Hierarchical Decision Making Problems |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180515 |