CN108960483A - 卫星调度方法、处理***以及软件程序产品 - Google Patents

卫星调度方法、处理***以及软件程序产品 Download PDF

Info

Publication number
CN108960483A
CN108960483A CN201810527426.0A CN201810527426A CN108960483A CN 108960483 A CN108960483 A CN 108960483A CN 201810527426 A CN201810527426 A CN 201810527426A CN 108960483 A CN108960483 A CN 108960483A
Authority
CN
China
Prior art keywords
task
planning
satellite
genetic algorithm
scheduling
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
Application number
CN201810527426.0A
Other languages
English (en)
Inventor
费德里科·邦克海拉
克里斯蒂安·奇尔奇
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.)
TELEVISION SpA
Telespazio SpA
Original Assignee
TELEVISION SpA
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 TELEVISION SpA filed Critical TELEVISION SpA
Publication of CN108960483A publication Critical patent/CN108960483A/zh
Pending legal-status Critical Current

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64G—COSMONAUTICS; VEHICLES OR EQUIPMENT THEREFOR
    • B64G1/00—Cosmonautic vehicles
    • B64G1/10—Artificial satellites; Systems of such satellites; Interplanetary vehicles
    • B64G1/1021—Earth observation satellites
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64G—COSMONAUTICS; VEHICLES OR EQUIPMENT THEREFOR
    • B64G3/00—Observing or tracking cosmonautic vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • 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
    • 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
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Astronomy & Astrophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Educational Administration (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Radar, Positioning & Navigation (AREA)

Abstract

本发明涉及卫星调度方法、处理***以及软件程序产品。卫星调度方法包括：a)基于与一个或更多个遥感卫星在给定时间段内要执行的任务有关的输入请求来产生初始调度规划；b)将基于遗传算法的处理应用于初始调度规划，以产生基于遗传算法的调度规划，该基于遗传算法的调度规划针对给定的任务目标进行优化，并且符合与卫星资源、要执行的任务以及给定时间段有关的给定约束；以及c)将基于模拟退火的处理应用于基于遗传算法的调度规划，以产生基于模拟退火的调度规划，该基于模拟退火的调度规划适合特定任务目标，符合给定约束，并且在该基于模拟退火的调度规划中比在基于遗传算法的调度规划中调度更多的任务。

Description

卫星调度方法、处理***以及软件程序产品
相关申请的交叉引用
本申请要求于2017年5月24日提交的意大利专利申请第102017000056428号的优先权，其公开内容通过引用并入本文。
技术领域
本发明涉及基于卫星遥感***的地球观测(EO)。特别地，本发明提供了对于源自经典的“资源受限项目调度问题”(RCPSP)的所谓的“卫星调度问题”(SSP)的优化解决方案。
背景技术
如已知的，卫星遥感主要基于两种类型的传感器的使用：
·无源传感器，例如光学传感器和红外传感器，其通常感测由地球的表面发射和反射的电磁辐射(特别是反射的太阳电磁辐射)；以及
·有源传感器，例如合成孔径雷达(SAR)和光探测和测距(LiDAR)，其通常通过发射预先限定的电磁辐射并且然后感测反向散射电磁辐射来照亮地球表面。
在这方面，值得注意的是，在下文中，为了描述简单起见，通用术语“获取图像”、“获取任务”以及甚至仅仅是“获取”(以及相关同义词例如“扫描”)将被用于表示基于对机载有源或无源传感器(例如SAR或光学传感器)的使用来获得地球的表面上的图像所需的卫星活动(例如用于扫描地球表面的给定区域的指向和获取操纵)。
目前，对EO卫星的地面段的设计是通过寻找过程的自动化来执行的，以便使它们更高效、更实惠和性能更好。特别地，用于满足所要求的获取任务而对卫星资源的自动调度将允许实现基本的任务目标。在这方面，主要要求涉及操作性能的满意度以及符合操作的年表。出于这个原因，可以以令人满意的方式执行自动化的方式是目前在航空航天领域深入研究的刺激任务。
在过去，基于具有固定姿态的卫星的遥感任务通常被设计成利用以给定重访时间(通常等于预定数目的地球节点天数)为特征的重复地面轨迹。为了降低这一限制，目前采用以较高可操纵性和准确指向为特征的所谓敏捷卫星，以为需要快速恢复图像的任务提供更好的结果。实际上，在每个轨道通行处，相比传统卫星，敏捷卫星潜在具有获取地球表面的更广区域的图像的能力。另一方面，优势被以下方面抵消：获取任务的管理复杂度的增加，以及需要引入优化过程以满足任务目标并且避免延迟和损失。在对新一代卫星的地面段的现代卫星任务规划器(MP)的设计中应考虑所有这些方面。
如已知的，SSP(如前面所说明的，源自经典的RCPSP)在规划获取活动的必需任务时要求适当地搜索最优解，这是由困难组合优化问题的组合所导致的。
参照计算复杂度理论，RCPSP是一些公知的强非确定性多项式困难(NP-Hard)问题的推广。这意味着：
·可能不存在用于最优地求解RCPSP的高效(即多项式)算法；并且
·不利用RCPSP的特定组合结构并且未考虑其解决策略内的复杂度的通用求解器无法处理大型实例。
对于与SSP和RCPSP有关的技术现状的详细描述，下面将参考以下文献：
·C.S.Sharma，Review：Practical Handbook of Genetic Algorithms by LanceChambers，数学公报，第81卷，第491期，第346页至348页，1997年7月，doi：10.2307/3619253(在下文中称为Ref1)；
·A.Sadegheih，Scheduling problem using genetic algorithm,SimulatedAnnealing and the effects of parameter values on GA performance，应用数学建模，第30卷，第2期，第147页至154页，2006年2月，doi：10.1016/j.apm.2005.03.017(在下文中称为Ref2)；
·M.B.Wall，A Genetic Algorithm for Resource-Constrained Scheduling，麻省理工学院(MIT)机械工程哲学博士的博士学位论文，1996年(在下文中称为Ref3)；
·G.Syswerda，A Study of Reproduction in Generational and Steady-StateGenetic Algorithms，遗传算法基础，第94页至101页，1991年，doi：10.1016/b978-0-08-050684-5.50009-4(在下文中称为REF4)；
·D.E.Goldberg，Making Genetic Algorithms Fly，创新设计，遗传算法和进化计算系列的第7卷，第11页至24页，2002年，doi：10.1007/978-1-4757-3643-4_2(在下文中称为Ref5)；
·R.J.Mitchell，B.Chambers，A.P.Anderson，Array pattern synthesis in thecomplex plane optimised by a genetic algorithm，电子快报，第32卷，第20期，第1843页至1845页，1996年，doi：10.1049/el：19961255(在下文中称为Ref6)；
·J.H.Holland，Genetic Algorithms，科学美国人，第267卷，第1期，第66页至72页，1992年，doi：10.1038/scientificamerican0792-66(在下文中称为Ref7)；
·E.D.de Jong，A.Bucci，DECA：Dimension Extracting CoevolutionaryAlgorithm，第八届遗传和进化计算年会论文集-GECCO'06，第313页至320页，美国华盛顿州西雅图，2006年7月8日至12日，doi：10.1145/1143997.1144056(在下文中称为Ref8)；
·T.Murata，H.Ishibuchi，H.Tanaka，Genetic algorithms for flowshopscheduling problems，计算机与工业工程，第30卷，第4期，第1061页至1071页，1996年，doi：10.1016/0360-8352(96)00053-8(在下文中称为Ref9)；
·J.F.J.J.deMendes，M.G.C.Resende，A hybridgenetic algorithm for the job shop scheduling problem，欧洲运筹学期刊，第167卷，第1期，第77页至95页，2005年，doi：10.1016/j.ejor.2004.03.012(在下文中称为Ref10)；
·A.Globus，J.Crawford，J.Lohn，A.Pryor，A comparison of techniques forscheduling earth observing satellites，第16次人工智能创新应用会议论文集-IAAI'04，第836至843页，加利福尼亚州圣何塞，2004年7月25日至29日，(在下文中称为Ref11)；
·H.Yu，H.Fang，P.Yao，Y.Yuan，A combined genetic algorithm/SimulatedAnnealing algorithm for large scale system energy integration，计算机和化学工程，第24卷，第8期，第2023页至2035页，2000年，doi：10.1016/s0098-1354(00)00601-3(在下文中称为Ref12)；
·A.M.Zain，H.Haron，S.Sharif，Integration of Simulated Annealing andgenetic algorithm to estimate optimal solutions for minimising surfaceroughness in end milling Ti-6AL-4V，计算机集成制造国际期刊，第24卷，第6期，第574页至592页，2011年，doi：10.1080/0951192x.2011.566629(在下文中称为Ref13)；
·K.Lian，C.Zhang，X.Li，L.Gao，An Effective Hybrid Genetic SimulatedAnnealing Algorithm for Process Planning Problem，第五届自然计算国际会议论文集-ICNC'09，第5卷，第367页至373页，2009年8月14至16日，doi：10.1109/icnc.2009.689(在下文中称为Ref14)；
·C.Liu，W.Wan，Y.Wu，Image based reconstruction using hybridoptimization of simulated annealing and genetic algorithm，关于遗传和进化计算的第一次ACM/SIGEVO峰会的论文集-GEC'09，第875页至878页，中国上海，2009年6月12日至14日，doi：10.1145/1543834.1543964(在下文中称为Ref15)；
·A.Tamilarasi，T.A.Kumar，An enhanced genetic algorithm with simulatedannealing for job-shop scheduling，工程、科学和技术国际期刊，第2卷，第1期，第144页至151页，2010年，doi：10.4314/ijest.v2i1.59105(在下文中称为Ref16)；
·R.Thamilselvan，P.Balasubramanie，Integrating Genetic Algorithm,TabuSearch and Simulated Annealing For Job Shop Scheduling Problem，计算机应用国际期刊，第48卷，第5期，第42页至54页，2012年6月，doi：10.5120/7348-0283(在下文中称为Ref17)；以及
·V.Kolici，X.Herrero，F.Xhafa，L.Barolli，Local Search and GeneticAlgorithms for Satellite Scheduling Problems，第八届宽带和无线计算、通信和应用(BWCCA)国际会议，2013年10月28日至30日，doi：10.1109/bwcca.2013.58(在下文中称为Ref18)。
如已知的，许多决策问题以及和RCPSP类似的问题可以被表述为双层规划模型(单目标或多目标)，双层规划模型在本质上是非凸的并且因此很难找到全局最优。与先前的启发式算法相比，进化算法(EA)在原理上更简单并且在应用上更高效。事实上，许多应用涉及将启发式算法与多目标优化相结合，以便找出一组最优解(至少一个解)。借助于EA而不是多目标爬山策略，这甚至可以更简单地完成，因为EA作用于一群解而不是单个解。多目标方法本身高效地且同时返回多个解，这可以归因于EA的并行性和全局性(在这方面可以参考例如Ref1)，并且这样的特征与在多目标代价函数中采用的方法种类(是否是帕雷托最优)无关。
最近，EA已经被应用于尝试解决调度问题，给出不一致的结果。例如，在Ref2中，使用遗传算法(GA)来优化生产调度为调度问题提供了通用的解决方案，其中，在不干扰标准优化例程的逻辑的情况下，在代价函数中考虑任何特定情况的特性。
然而，正如Ref3所述，在资源受到严格约束的问题上GA表现不佳。事实上，EA未强到足以满足所要求的最优性能。这由以下事实来说明：较小的种群规模倾向于在进化中相对较快地集中在较高质量的解决方案上，并且然后GA倾向于遭受轻度的过早收敛情况(在这方面，可以参考例如Ref4)。因此，GA被认为不足以收敛于SSP的令人满意的解决方案，从而导致需要改进以弥补这种缺陷并且需要基于概率算法的不同特征来增强全局调度。
由于GA可能收敛缓慢，GA与其他启发式算法的结合可以改进结果，例如，GA可以与其他元启发式算法结合，用于邻域搜索。为此，荷兰(Holland)关于遗传规划的理论工作(在这方面，可以参考Ref7)被视为寻找对GA的适应能力的解释的明显地方。荷兰和他的学生简化了这项工作，并且提供了命名为积木块假设(BBH)的公知解释(在这方面，可以参考例如Ref5、Ref6和Ref7)。
此外，从Ref8中可以看出GA为鲁棒自适应搜索过程，它如全局启发式搜索那样具有惊人的有效性。
BBH基于两个基本假设：
1.当GA解决了问题时，存在具有高于平均适应度的一些低阶低限定长度模式(所谓的积木块)；
2.假设改进的GA通过隐含地和有效地实现内部启发式方法来执行调整。
该假设指出，可以将展现出高于平均性能的小解进行组合和重新整合，以创建较大的更高平均质量。通过简单的GA模式，解决方案逐步地组合，以形成更大并且更好的串，而通过使用根据BBH的启发式方法而不是测试任何可能的二分配置，可以有效地降低问题的复杂度。
事实上，GA可能具有向问题的局部最优或甚至任意点而不是全局最优收敛的趋向，因为名义上的遗传技术不尝试对块重新组合以逃出死锁。另外，GA的规模与复杂度不能很好地成比例，在暴露于突变的元素数目很大的情况下，搜索空间大小通常会呈指数级增长。因此，单个元素的突变与块的重组之间的折衷将会克服该缺点，并且作为支持全局优化的启发式/元启发式方法是有益的。
在Ref9中，通过计算机***明了基于GA、局部搜索和模拟退火(SA)的混合方法的较高性能，而在Ref10中，在通过GA获得调度之后，应用局部搜索来改进解决方案。这种改进归因于如下事实：EA普遍复制自然进化的行为并且将解决方案候选视为在虚拟环境中竞争的个体，而元启发式算法则使用邻域解作为探索局部解决方案空间的方法。此外，虽然元启发式算法优选更好的邻近解决方案，但是他们也接受较差的邻近解决方案，以避免陷入局部最优。因此，如果算法在无限时间量下运行，则将找到全局最优解。
例如，元启发式算法SA根据凝固金属熔体的原子配置的玻尔兹曼(Boltzmann)概率因子来决定接下来要评估哪个候选解。特别地，至少对于无限缓慢的冷却调度而言，SA从对性能最优的证明中受益，并且比爬山算法技术更好，并且不容易受到局部最小值的影响(在这方面，可以参考Ref11)，其深度随着规划复杂度的增加而增加。SA已经成功地适用于给出对SSP的近似解，基本上是允许随着负增益移动的随机局部搜索的引导算法。
已经在不同领域中对GA与SA的组合进行了讨论。例如，在Ref12中，改进的GA与SA算法结合，以避免用于解决大规模***能量集成问题的过早收敛的常见缺陷。数值计算表明，新算法可以比单独的SA算法或GA算法更快收敛，并且对于定位全局最优解具有更大的概率。
另外，Ref13教导了对SA和GA进行集成，以用于制造特定金属合金，并且示出：分别与常规GA和SA相比，这种集成减少了搜索最优解的迭代次数。
类似地，为了最小化制造代价已经开发出混合遗传SA(在这方面，可以参考Ref14)，其中GA作为主要方法被执行，而SA被用作局部搜索策略以帮助GA跳出局部最优。
在Ref15中呈现GA和SA用于统计图像重构的另外的应用，其中两种算法都通过一系列迭代状态来检索解。特别地，Ref15指出，虽然GA迅速地发现搜索空间，但是很难找到最优解，而SA能够通过避开局部最优来在邻域中找到高质量解，因为SA每次作用于单个解。
再次参考调度问题，在Ref16中，连同SA使用混合GA引入了局部搜索和全局搜索的合理组合，以解决作业车间调度问题。
此外，在Ref17中，SA有利地用于使GA加速，以通过将其应用于种群成员来获得解。
另外，关于SSP，在Ref18中，使用组合的启发式和元启发式方法来解决SSP提供了满足预期要求的高质量解。
此外，US 5,850,617A涉及用于在多个约束下进行路线规划的***和方法，其公开了一种路线规划机制，该路线规划机制接收：表示可获得目标的集合的目标集、用于装仓目标参数的目标参数阈值集、任务目标集以及用于装仓任务参数的相应的任务阈值集。根据US 5,850,617A的路线规划机制还可以接收表示要避开的障碍物的避开对象集。任务目标限定了许多不同的目标参数优先级排序，每个排序都与相应的任务状态相关联。选择连续的最优的下一个目标并且将其添加到所选择的目标顺序列表中，直至满足任务完成标准为止。通过根据先前选择的目标确定任务状态并且确定相应的目标参数优先级排序来选择每个最优的下一个目标。根据每个可获得目标的目标参数的相应目标阈值将每个可获得目标的目标参数映射成相应的仓值，并且针对每个可获得目标计算代价函数值。选择具有最优代价函数值的可获得目标的子集。该子集依次缩小，直到子集包含仅一个目标，并且然后选择该一个目标作为最优的下一个目标。使用在基于当前任务状态的目标参数优先级排序中应用的目标参数的仓值来执行子集缩小。然后将选择目标的所得序列传递给路线利用***，例如卫星控制***。
此外，US 6,405,186 B1涉及通过约束模拟退火(SA)来规划卫星请求的方法的，其公开了使得能够针对观测卫星建立请求规划的迭代方法。规划包括与用于满足所述请求的多个时机相关联的连续请求。规划还必须符合多个约束。根据US 6,405,186 B1的迭代方法的每次迭代k由以下步骤组成：选择新机会；根据从前一迭代k-1中计算的前一规划k-1并且根据新的机会得出临时规划；验证临时规划是否符合所述多个约束；评估所述临时规划的质量；以及根据所述临时规划的质量和所述前一规划k-1的质量来确定临时规划是否应被确定为规划k。在根据US 6,405,186 B1的方法中，通过SA类型的概率元启发式算法并且通过用于根据新选择的时机构造临时规划的规则来决定是否确认临时规划。
定义
对本发明的以下描述将涉及与卫星任务有关的若干任务规划元素。因此，为了清楚地描述，下文中提供了所述任务规划元素的常规定义：
·“调度会话”表示根据现有约束针对获取和下载任务的最优调度由任务规划器(MP)利用的可用时间间隔；
·“任务期”(MH)表示调度活动的感兴趣的时间段(标称地为24小时或48小时)；
·“操作窗口”(OW)是MH的子部分，并且是针对获取和/或上行链路和下载活动分配的连续时间间隔；OW可以包括用于获取图像数据的“规划窗口”(PW)、“上行链路/下行链路窗口”(UW或DW)，或者它们的组合；
·“规划请求”(PR)表示输入用户请求，其包括在“感兴趣区域”(AoI)方面的获取参数以及要在指定的有效时间段内满足的获取约束(例如光学约束)；
·“获取请求”(AR)是适当构建的PR AoI的几何子部分，以使得能够从卫星轨道角度实现其扫描；根据卫星“指导概要”及其有效载荷特征对AR进行成形、确定大小和取向；
·“等级”表示相对于与要根据用户的需求和重要性调度的MH有关的AR集，AR的相对获取优先级，该值从调度会话之前执行的排序过程产生；
·“数据采集时机”(DTO)表示在卫星轨道通过其区域期间可获取AR的时间连续包络；
·“整合操纵时机”(RMO)表示在其中可以关于参考姿态(例如最小阻力的姿态)规划整合操纵以执行对AR的扫描并且在结束时返回的理论时间包络；
·“数据采集获取”(DTA)表示有效用于AR获取的DTO的子部分；
·“整合操纵活动”(RMA)表示在DTA开始时达到卫星姿态所需的时间量；
·“下载活动”(DLA)表示将AR图像下载到可用任务地面站所需的时间量；
·“任务”在此通常定义为完成AR的扫描或下载所需的活动集。
发明内容
在启发式问题中，搜索鲁棒的和一致的解集通常占据算法设计的重要部分。优化问题取决于用于解收敛的可用时间段和时间复杂度，时间复杂度表示对于每个可能的输入长度该算法解决该大小的问题实例需要的最大时间量。
考虑到SSP的优化范围，在此仅应用于获取任务的子集，时间复杂度与规划复杂度相关联，规划复杂度识别在一个并且相同的任务规划中可执行的任务之中要解决的扫描中的最大冲突量。规划复杂度不容易被先验地估计，因为它依赖于完全利用与任务目标相一致的全部卫星资源集合。然而，假设可以基于组合理论获得优化过程期间期望的可能冲突量。
一旦识别出问题研究空间，对冲突次数的评估对于获得实现令人满意的解的组合可能性而言肯定是至关重要的。如理论所述，可以在N！种不同方法中探索一个非限制搜索树，但是一些约束通常将搜索限于更受限数目的解决方案，甚至强烈地依赖于与同一研究空间有关的任务数(N)。对于特定SSP，在对资源能力方面设计良好的卫星的假设下，PW可以表示全研究空间，在该研究空间中可以通过消耗卫星资源量潜在地完成获取任务。
因此，考虑到与同一PW相关的N个扫描任务，导致理论上等于
的最多次数的冲突(C)的解的最大数目是nSOL＝Cmax！，而迭代步骤的最大次数通过将树级别所需的所有假设步骤相加来获得，树级别可以被限制为无穷大，迭代步骤的最大次数为：
该结果证明，规划复杂度主要由冲突中涉及的任务的数目主导。通过计算，最大迭代次数可以通过如下关系与冲突任务的数目相关联：
其中f(i)(其中i＝2,...,N)是i数目的冲突任务分别涉及的事件数。
更实际地，可以在等于冲突所允许的排列数的多个不同模式中顺序地扫描冲突的AR集。在某个时间域下要探索的完整解集取决于在相关DTO之间产生的每个冲突(i＝1,...,C)中涉及的AR任务的数目(nCi)，如：
图1中示出了DTO之间的多个冲突的示例，其中，对于3个冲突的示例需要探索72个不同的解。
如前所述，由调度管理的复杂度严格取决于由规划中的可能冲突的最大数目给出的组合可能性，在最坏的情况下，该规划应在同一PW内进行管理。根据这些假设，SSP的规划复杂度在统计上取决于PW内的冲突任务数目之间产生的组合数目(cPW)：
其中f(n)是n个任务之间的冲突的频率，其中
根据组合基础，来自n个任务的冲突的排列(n！)可以被容易地表示为每次选取2个任务的排列集合乘以2，因此得出：
由于这些假设，可以将每个多冲突归结为两个任务之间的单个冲突f(2)。
假设通常施加于DTO和PW间隔的标准范围，图2中示出了针对随机分布的N个任务集的单个冲突的频率分布。特别地，图2示出了在平均PW(1200s)-每个105次迭代的20≤n≤50个DTO(每个平均持续100秒)之间的冲突频率f(2)的概率分布。
根据图2中示出的结果，冲突的高斯分布示出随着任务数目的增加，与单个冲突的频率相关的函数在更大的平均值上扩展。
通过对平均量f(2)应用式(4)，该分析确定出：对于20个任务的cn＝292组合至对于50个任务的约cn≈1015组合的最小值。由此产生的冲突次数理论上覆盖了必须通过精确算法进行研究的完整搜索空间，以保证精确的最优解。
明显的是，如果应用于调度会话的标称时间段内的大量任务，那么需要至少探究冲突分支的相关部分的确定性分析是不可行的，而且对于最高效的确切算法为O(2n)。这意味着，对于大研究空间以及对于如SSP的NP难题，要获得问题的精确解非常困难。
此外，尽管对规划复杂度的分析是分析SSP的重要方面，但是识别可能影响最优解的研究的所有关键方面并不容易。
因此，本发明的一般目标是至少部分地减轻当前用于解决卫星调度问题(SSP)的方法的技术缺陷。
特别地，本发明的第一特定目的是提供使得能在令人满意的时间间隔内解决SSP的方法。
此外，本发明的第二特定目的是提供使得能通过以下来避免持续停留在局部最优解中的方法：频繁地扩大对解研究空间的调查以及确定具有较大内部差异的初始解集，这允许覆盖研究空间的宽区域。
这些目的和其他目的通过本发明来实现，因为它涉及如所附权利要求限定的卫星调度方法。
特别地，根据本发明的卫星调度方法包括：
a)基于与一个或更多个遥感卫星在给定时间段内要执行的任务有关的输入请求来产生初始调度规划；其中，在初始调度规划中的每一个中，调度在时间上以及在对遥感卫星的卫星资源的使用上相互不冲突的各个任务；并且其中，在初始调度规划中的至少一个中调度要执行的每个任务；
b)将基于遗传算法的处理应用于初始调度规划，以产生基于遗传算法的调度规划，所述基于遗传算法的调度规划
-针对给定任务目标进行全局优化，并且
-符合与卫星资源、要执行的任务以及给定的时间段有关的给定约束；以及
c)从基于遗传算法的调度规划开始应用基于模拟退火的处理，以产生基于模拟退火的调度规划，所述基于模拟退火的调度规划
-适合给定的任务目标，
-符合给定约束，并且
-在基于模拟退火的调度规划中比在基于遗传算法的调度规划中调度更多的任务。
特别地，步骤b)包括执行基于遗传算法的迭代过程，所述基于遗传算法的迭代过程包括：
·在第一次基于遗传算法的迭代中，
-基于给定的任务目标来选择初始调度规划的子集，以及
-基于相应的预定义遗传进化因子将交叉、突变和精英主义(elitism)技术应用于所选择的初始调度规划的子集，以产生符合给定约束的进化调度规划；
·在第一次基于遗传算法的迭代之后的每次基于遗传算法的迭代中，
-基于给定的任务目标来选择在前一次基于遗传算法的迭代中产生的进化调度规划的子集，以及
-将交叉、突变和精英主义技术应用于所选择的在前一次基于遗传算法的迭代中产生的进化调度规划的子集，以产生符合给定约束的新进化调度规划。
此外，所述步骤b)还包括：
·当满足给定的与遗传算法有关的停止标准时，停止执行基于遗传算法的迭代过程；以及
·在执行最后一次基于遗传算法的迭代时产生的进化调度规划中自动选择最适合给定任务目标的进化调度规划。
此外，卫星调度方法还包括：
·计算相交矩阵，该相交矩阵表示在给定时间段内要执行的任务的在时间上以及在对卫星资源的使用上的冲突；
·基于相交矩阵来计算规划复杂度；以及
·基于相交矩阵来计算给定的与遗传算法有关的停止标准；其中，基于相交矩阵来产生初始调度规划。
优选地，步骤c)包括执行基于模拟退火的迭代过程，所述迭代过程包括：
·在第一次基于模拟退火的迭代中，
-根据一个或更多个预定义概率函数来选择在基于遗传算法的调度规划中未被调度的任务，
-识别所选择任务的邻域，其中，所识别的邻域包括在基于遗传算法的调度规划中未被调度的冲突任务集，
-对所识别的邻域中的冲突任务执行排列，
-将模拟退火技术应用于所执行的排列的结果，以找出以下任务，所述任务
-在基于遗传算法的调度规划中未被调度，
-可以与在基于遗传算法的调度规划中已经调度的任务一起被调度，
-适合给定的任务目标，并且
-符合给定约束，以及
-产生包括所找出的任务的调度规划；
·在第一次基于模拟退火的迭代之后的每次基于模拟退火的迭代中，
-根据预定义概率函数来选择在前一次基于模拟退火的迭代中产生的调度规划中未被调度的另外的任务，
-识别所选择的另外的任务的邻域，其中，所识别的邻域包括在前一次基于模拟退火的迭代中产生的调度规划中未被调度的冲突任务集，
-对所识别的领域的冲突任务执行排列，
-将模拟退火技术应用于所执行的排列的结果以找出以下任务，所述任务
-在前一次基于模拟退火的迭代中产生的调度规划中未被调度，
-可以与在前一次基于模拟退火的迭代中产生的调度规划中已经调度的任务一起被调度，
-适合给定的任务目标，并且
-符合给定约束，以及
-产生包括所找出的任务的新调度规划。
此外，所述步骤c)优选地包括：当满足给定的与模拟退火有关的停止标准时，停止执行基于模拟退火的迭代过程；其中，基于模拟退火的调度规划是在执行最后一次基于模拟退火的迭代时产生的调度规划。
便利地，卫星调度方法还包括：基于相交矩阵来计算给定的与模拟退火有关的停止标准。
此外，本发明还涉及用于地球观测(EO)***的处理***，地球观测***包括一个或更多个遥感卫星，该处理***被编程为执行根据本发明的卫星调度方法(从而使得所述处理***被配置成作为用于所述EO***的任务规划器(MP)来操作)。
附图说明
为了更好地理解本发明，现在将参照附图(均未按比例绘制)描述优选实施方式，优选实施方式旨在纯粹作为非限制性示例，在附图中：
·图1示意性示出了DTO之间的多个冲突的示例；
·图2示出了随机分布的N个任务集的单个冲突的频率分布；
·图3示意性示出了根据本发明的优选实施方式的卫星调度方法；
·图4示意性地示出了根据本发明的优选实施方式的任务规划器；
·图5示意性地示出了用于初始化五任务情况的相交矩阵的模式的示例；
·图6示意性地示出了五任务情况中的DTO之间的冲突的示例；
·图7示意性地示出了针对五任务情况计算的所谓无冲突解的示例；
·图8示意性地示出了根据输入任务的数目(具体地，对于900s的PW，从10到50)的无冲突解的所谓广泛初始化；
·图9示意性地示出了收集五个可行DTA的PW的解的示例；
·图10示意性示出了根据本发明的优选实施方式的图3的卫星调度方法的基于GA的处理步骤；
·图11示意性示出了根据本发明的优选实施方式的图3的卫星调度方法的基于SA的处理步骤；
·图12示出了根据任务的数目的规划复杂度的趋势；
·图13示出了根据解接受概率的适应度进化；
·图14示出确定性广度深度搜索(BDS)算法、纯模拟退火以及本发明在真实测试场景的应用中的比较；
·图15示出了纯模拟退火和本发明在所述真实测试场景中的应用之间的另一比较；
·图16示出了在所述真实测试场景中借助于本发明规划的任务的数目的标准差和平均值之间的比较；以及
·图17示出了在所述真实测试场景中借助于本发明规划的任务的数目的平均数目和最小/最大差。
具体实施方式
呈现以下讨论以使本领域技术人员能够实现和使用本发明。在不脱离如所要求保护的本发明的范围的情况下，对于本领域技术人员而言，对实施方式的各种修改将是容易看出的。因此，本发明并不旨在受限于所示出和描述的实施方式，而是应被赋予与在本文中公开的和在所附权利要求中限定的原理和特征一致的最广范围。
一般地，本发明涉及启发式算法的创新应用，以与特定任务要求一致地圆满解决卫星调度问题(SSP)。
特别地，本发明涉及适当地组合遗传算法和模拟退火的混合策略(GASA)，以便优化对要获取的给定规划请求(PR)集的调度，每一个规划请求在获取请求(AR)中，根据在预定义的卫星规划窗口(PW)集中，命名为DTO的预先计算获取时机内，卫星的获取特征而适当定大小，所述卫星规划窗口(PW)是如先前所定义的用于求解SSP的任务期(MH)的子部分。
特别地，遗传算法(GA)根据由与特定卫星有关的定制卫星模型(SM)给出的基本约束保证了定性的大规模收敛并且允许在邻域内规划主要的扫描集。GA探索整个MH域，并且对关于代价函数收敛成很好的解决方案的、要规划的任务的机会的组合进行全局分析。可以在不在获取上付出很大努力的情况下调度的所有AR被设置成与适应度函数结果相一致。为此，在有限次数的迭代之后以足够的准确度获得GA的最优解决方案。另一方面，由于算法特征，模拟退火(SA)继续参与局部优化步骤，以便适当地解决扫描针对剩余AR任务的冲突。归因于退火收敛性质，在预计的时间间隔内获得能获得的最优解决方案。
因此，根据本发明，为了利用两个突出显示的优化特征，连续利用GA和SA的综合启发式策略(GASA)由申请人开发并且应用于全局调度。启发式过程基于对适当调整的GA和SA的顺序使用，以便利用各自的优势。与通过将适当的确定性方法应用于具有不同复杂度的真实任务场景所获得的结果相比，GASA允许获得对解决方案的质量的改进以及对执行时间的缩短。
在下文中，将通过非限制性示例的方式详细描述具体涉及光学卫星(即配备有光学传感器的卫星)的本发明的优选实施方式，仍然理解，可以在没有任何实质性的修改的情况下还将本发明有利地应用于设置有其他类型的传感器例如SAR和LiDAR传感器的卫星。
图3借助于流程图示意性地示出了根据本发明的优选实施方式的卫星调度方法(作为整体用1表示)，其中，所述卫星调度方法被便利地用于(如前面通过非限制性示例的方式所解释的)由光学卫星执行的调度获取。为了通用性，通用OW在此被认为是正在研究的调度间隔。
特别地，一旦感兴趣时段的太阳局部位置为已知的，卫星调度方法1的全局调度策略基于可用的轨道数据集并且被应用于感兴趣的MH的每个OW。执行高效的过程以便根据任务目标识别与最优AR集有关的最优DTA的开始时间和停止时间。该过程使得能够对卫星模型(SM)(在图3中用21表示)的查询次数最小化，所述查询是验证每个规划的扫描和整合操纵以及最后的最终规划所需的。
详细地，对于正在调查的每个MH，卫星调度方法1包括：
·在列表中设置下一个OW(图3中的块101)并且基于从先前的OW调度中产生的卫星资源状态来初始化该规划(图3中的块102)；
·计算OW的规划复杂度(图3中的块103)以便设置与以下处理步骤有关的参数数据(块104)，其中，所述参数数据优选地包括迭代次数和超时设定、启发式种子、遗传因子和退火因子；特别地，通过计算和分析获取任务之间的适当限定的相交矩阵来执行卫星调度方法1的处理步骤103；对于与卫星调度方法1的处理步骤103有关的另外的细节，可以参考下文中的第2段；
·建立初始无冲突解决方案集(图3中的块105)，对于所述初始无冲突解决方案，所有可行的AR已经被规划在至少一个解决方案中；特别地，基于SM 21和与光学卫星有关的轨道数据(具体地为其位置和速度)(图3中的块106)来执行卫星调度方法1的处理步骤105，所述SM 21和轨道数据从相应的短期轨道数据集(图3中的块107)中获得，而短期轨道数据集又根据卫星的星历表产生(图3中的块22)；对于与卫星调度方法1的处理步骤105有关的另外的细节，可以参考下文中的第3段；
·从初始无冲突解决方案集开始执行基于遗传算法(基于GA)的处理(图3中的块108)；特别地，如下文中第4段所描述的，在卫星调度方法1的基于GA的处理步骤108中，根据相关的概率因素，解决方案通过与SM 21一致地处理适当交叉、突变和精英主义技术而进化，并且被比较和选择以满足任务目标(对与任务目标有关的另外的细节，可以参考下文中的第1段)；
·从关于任务目标的最优解决方案开始，执行基于模拟退火(基于SA)的处理(图3中的块109)；特别地，如下文第5段中所描述的，在卫星调度方法1的基于SA的处理步骤109中，按照对任务的选择和排列的特定方法使解决方案在符合由SM操纵规则给出的约束的情况下进化，并且根据任务目标，针对典型的SA标准对每个解决方案进行最终评估，以被接受用于下一次迭代(同样，对于与任务目标有关的另外的细节，可以参考下文中的第1段)；
·优化获取参考时间，以改善要在预先定义的DW内连续下载的规划图像(在存在的情况下)的质量，并且确认最终解决方案与SM确认规则的一致性(图3中的块110)；以及
·在规划数据库(在图3中用23表示)中产生并存储(图3中的块111)最优调度，并且然后返回到方法步骤101以用于下一OW。
本发明的另一方面涉及用于EO卫星***的地面段的任务规划器(MP)，该MP被设计成执行卫星调度方法1。
优选地，MP基于OSGI(开放服务网关倡议)JAVA体系架构，由此MP是实现完整和动态的组件模型并且在客户端/服务器环境中操作的模块化***和服务平台，其中按照由其生命周期相互无关的特定模块(也称为包)的要求执行不同的调度服务。
在这方面，图4示出了根据本发明的优选实施方式的表示MP的功能架构(作为整体用4表示)的框图。
特别地，MP 4包括：
·规划初始化模块(或包)(在图4中命名为规划初始化器并且用401表示)，其可操作成执行卫星调度方法1的处理步骤102、103和105，即可操作成执行规划初始化，以计算和分析规划复杂度和相交矩阵，并且建立(即计算)初始无冲突解决方案集；
·GA处理模块(或包)(在图4中命名为GA执行器并且用402表示)，其可操作成执行卫星调度方法1的基于GA的处理步骤108；
·SA处理模块(或包)(在图4中命名为SA执行器并且用403表示)，其可操作成执行卫星调度方法1的基于SA的处理步骤109；
·计算模块(或包)(在图4中命名为基本功能计算器并且用404表示)，其可操作成向GA执行器402和SA执行器403提供基本计算资源；
·规划验证模块(或包)(在图4中命名为规划验证器并且用405表示)，其可操作成执行卫星调度方法1的处理步骤110，即可操作成执行最终规划确认；
·轨道数据处理模块(或包)(在图4中命名为轨道数据处理器并且用406表示)，其可操作成从连接至飞行动力学***(FDS)51的动态数据数据库407中提供卫星的星历表和OW数据；
·静态数据数据库408，存储卫星参数以及地球和太阳数据；
·用于收集从请求管理器(RM)52接收到的规划请求(PR)的模块(或包)(在图4中命名为PRList收集器并且用409表示)；以及
·主包(在图4中命名为任务规划处理器并且用410表示)，其可操作成控制和协调其他包的激活和终止。
详细地，一旦由RM 52调用，MP 4收集PR的列表(借助于PRList收集器409)、与正在研究的MH有关的轨道数据和OW数据(借助于动态数据数据库407)并且针对要调度的PR的子集激活全局调度策略(即卫星调度方法1)。任务规划处理器410负责这些活动的同步，根据内部超时设定(图4中示出的定时器411)来调用特定服务的开始和停止。
由于任务规划器4关于特定任务的模块化和独立性，可以使针对不同应用的定制最小化。为此，卫星模型(SM)21表示在需要时从模块调用的外部元素。优选地通过采用特定SM包装器(SMW)(在图4中用53表示)来执行与SM 21的交互，SM包装器根据特定模型特征来处理不同的查询。
基于卫星模型21的硬件环境和性能，可以便利地执行算法参数的调整，以便优化应用的鲁棒性和准确性。在这方面，可以参考下文中的第6段。
下面将详细描述由MP 4实现的卫星调度方法1的不同方面。
1.任务目标
在SSP优化中，通过由加权多目标函数建模的要实现的多个目标来引导启发式过程，其中目标函数f:X→Y是进行优化的数学函数。目标函数的到达域Y及其范围是实数的子集而f的域X在此称为SSP研究空间。
调度优化包括可以被用于相对于这样的目标标准f∈F找出X中的最优元素x*的所有技术。因此，优化目标是通过在预定义的调度时间段中优化目标来找出将资源分配给任务以便满足约束的最优策略x*。
对于复杂的多目标SSP，可能不存在同时优化每个目标的单个解决方案。在这种情况下，目标函数被认为是冲突的，并且导致多个帕雷托(Pareto)最优解决方案。如果没有一个目标函数能够在不使一些其他目标值劣化的情况下改进目标值，则解决方案被称为非主导、帕雷托最优、帕雷托有效或非劣性的。在没有额外的主观偏好信息的情况下，所有帕雷托最优解决方案都被认为是同样好的。出于这个原因，由于固有的帕雷托方法特性，“最优解决方案”的定义是不适用的。
因此，对于正在研究的SSP，有必要检索将具有多个目标的原始问题转换为单目标优化问题的方法。这被称为标量问题。如果仔细地进行标量化，则可以保证获得的解决方案的帕雷托最优性(在这方面，可以参考Y.-R.Lee，A.Stam，P.-L.Yu，Dominance Concepts inRandom Outcomes，P.Serafini的第2章(第23页至43页)，多目标优化数学，国际机械科学中心系列第289卷，doi：10.1007/978-3-7091-2822-0_2)。
限定单个目标的最有效和最简单的方法是将线性标量F(x)计算为所有函数fi(x)∈F的总和。每个目标fi乘以表示其在NObj目标集中的相对价值的权重wi。使用带符号的权重还使得能够使一个目标最小化以及使另一目标最大化。无论哪种方式，多目标问题都被简化为单目标问题：
其中，命名为适应度函数F的最优值导致x*∈X*的最优值，该最优值允许使F(x*)≤F(x)最小化。
对于调度优化目标，根据任务需求并且考虑所有的全部卫星特征对代价函数进行建模。特别地，对称为任务代价函数(MCF)的fi(x)∈F建模，并根据至少以下与通常相互冲突的约束的可再生资源和不可再生资源相一致地进行调整：
·任务优先级(pT)，其通过可调度PW中的相对优先级排序来限定并且对NT规划任务集施加先验(通常通过请求管理器子***52的排序器)，其中较低的索引意味着较高的优先权；这意味着在冲突情况下和相同条件下，根据特定MCF，MP 4对优先级任务的调度给予优先权；
·操纵时间(tM)消耗，其与任务i和任务j之间的操纵时间tMij成比例；该MCF针对AR的获取给与较快的而不是较慢的RMA更多的相关性；
·操纵功率(WM)消耗，其与任务i和任务j之间的操纵功率WMij成比例；该MCF倾向于使用于实现获取的RMA的功耗最小化；
·机载记录存储(SOBR)，其与即时机载存储SOBR成比例；该MCF倾向于限制机载记录(OBR)上存储的图像的大小；
·在平均获取地面采样距离(GSD)方面的图像质量；该MCF倾向于给以较高几何质量获取的图像更多的相关性。
资源参数的参考值被施加用于相关MCF的归一化0≤fi(x)≤1。特别地：
·NTTot是PW内要处理的任务的总数；
·是通过采用最小操纵速度VMMin在具有距离L的两个地面任务点之间操纵所需的最大操纵时间，L由SM 21给出；
·SOBRMax＝SOBR*fSOrb，其中fSOrb＜1是设计成要分配用于一次轨道通行的OBR尺寸的最大部分；
·WMMax＝WMOrb，其中WMOrb是分配用于一次轨道通行的功率预算，其由SM 21给出；
·GSDMin＝GSDN/cos(αMax)是可用于在最大获取角度αMax下获取AR的最差GSD，其由SM 21给出。
通过这种方式，根据NObj任务目标，称为任务适应度FT(x)的加权局部代价函数可以与每个调度任务(Tj)相关联：
其中，对于加权因子存在结果
此时，引导调度的主要标准是全局代价函数，命名为解决方案适应度FS(x)，它使MCF与在PW内调度的任务集Tj∈NTSched相联系，并且计算如下：
其中，变量x现在与已经规划的任务的全局集对应。
然而，MCF的建模不足以引导向令人满意的解决方案的优化。以关于SSP优化意愿相反的方式，FS的最小化将导致找到具有其中没有调度任何任务的空规划的最优解决方案。
因此，施加与未调度任务集成比例的所谓的惩罚代价函数(PCF)很重要。这对于最大化要调度的任务数目很重要。目标是确保在最差的获取条件下完成的每个任务的代价要比在根本没有调度的情况下的代价低。因此，具有等于NObj的值的PCF被替换为在每个优化步骤中未被调度的第j个任务。
针对所有涉及的AR集产生MCF和PCF的组合限定了要在优化过程期间最小化的最终的多目标适应度函数。因此，与要被调度的每个PW相关联的优化目标导致：
2.复杂度分析
如前所述，卫星调度方法1的处理步骤103包括借助于所谓的相交矩阵来计算和分析规划复杂度。
特别地，DTO表示在其中DTA的开始可行的整个间隔。高效的初始化过程预见了对相交矩阵(MatInt)的构建，该相交矩阵涉及正在研究的MH的DTO间隔。相交矩阵从对AR任务的V DTO之间的二元交叉点的(V)x(V-1)分析得出。
具体地，MatInt的元素mij(i≠j)包含：
·-1，如果DTOi完全在DTOj之前；
·1，如果DTOi完全在DTOj之后；
·0，如果DTOi与DTOj相交。
这种初始化允许得出冲突AR之间的相交数目，并且然后得出规划的复杂度。
图5中示出了用于调度1个PW的参考MH中的5个任务的规划初始化的示例。在这种情况下，AR任务按优先级(p#)排序。根据MatInt信息，借助于曲线图在图6中示出DTO任务之间的冲突依赖关系，该曲线图由具有单箭头(如果不存在冲突)或双箭头(如果发生冲突)的每对任务之间的弧线组成。
上面限定的相交矩阵允许对规划复杂度函数(CP)进行建模，该规划复杂度函数与MH的给定PW内的DTO之间的冲突相关联。因此它与从MatInt的系数mij产生的“0”的总和有关：
其中
根据对冲突的初步检查可以实现进一步的改进。特别地，根据相交矩阵，当证明没有机会对两个相继冲突DTO的DTA进行组合时，可以简化图的复杂度。然而，为了获得这种优势，要求在对SM 21的查询方面进行初始(N-1)2次计算。根据卫星敏捷特征考虑最小交叠。特别地，如果一对DTO之间的相交时间低于给定阈值(即10秒)，则可以忽略冲突。
在本文档中，扫描任务的“领域”(任务Nghd)被定义为在某个任务集中不与其他DTO冲突的相关DTO时间间隔的一部分。换句话说，它表示可以明确扫描的影响的间隔。
事实上，只有在相对于与在前和在后DTA的获取有关的预定姿态进行的操纵是相应有效的情况下，规划的DTA才可行。因此，更宽的任务Nghd在统计上意味着相关DTA被规划的概率更高。作为限制，无冲突解决方案表示每个任务Nghd与完整DTO间隔对应的轨迹。
以这种方式，建立了任务Nghd的具有延长间隔的低密度解决方案，由于要分析的DTO冲突的数目有限，所以对它们的调度中所需的努力较低。该特征允许在后续的优化步骤中改进有益的解决方案集的初始快速设计。
3.解初始化
规划的初始化是根据特定的任务约束对在调度活动开始时可用的卫星资源集的状态进行实例化所需的过程。
特别地，对于感兴趣的任务期(MH)的要求是，卫星的状态符合适用于该规划的所有任务规则，以避免先验性任务失败。
根据特定卫星模型(SM)21执行初始化，并且为了完成此任务，有必要评估：
·可用OW的集合；
·机载电源的电平；
·可用的机载存储器；
·要从先前的调度中下载的存储图像集。
为了符合指向性能，需要加载由飞行动力学***51在短期感兴趣时间段(图3中的块107)新预测的卫星星历表集(图3中的块22和图4中的块407)，以保证卫星定位中的误差的最小化。太阳星历表和UTC-TAI(协调世界时间-国际原子时间)偏移可便利地用于参考坐标系之间的转换和太阳角度约束的计算。
所有数据集都被存储并且使得每当针对给定任务的执行询问SM 21时是可访问的。为了满足任务要求(其要求保证与PW相关的每个AR应当被分析)，通过利用SM 21建立无冲突解(图3中的块105)。
特别地，卫星调度方法1的处理步骤105对于每个PW便利地包括：
1.根据相交矩阵，从任务Nghd集中选择首先在时间上冲突的DTO(即来自MatInt中的“0”的DTO)；
2.通过使用SM 21的扫描操纵接口(图3中的块112a)，在冲突集中随机选择DTO并且找到从DTO开始时间开始的相关DTA；
3.按时间顺序进行并且识别下一个冲突DTO集；
4.通过使用SM 21的扫描操纵接口(图3中的块图112a)，在冲突集中随机选择DTO并且找到从DTO开始时间开始的相关DTA；
5.通过使用SM 21的整合操纵接口(图3中的块112b)来验证第一DTA和第二DTA之间的RMA；如果RMA无效，则第二DTA被推迟直到RMA可行；
6.将所选择的DTA放入解中；
7.重复以上子步骤3、子步骤4和子步骤5直到到达PW的结束日期；
8.根据式(8)建立无冲突解，然后将解适应度与其相关联。
该过程允许使要执行的检查在针对解决方案的验证对SM 21的查询次数方面最小化。在这方面，图7示意性地示出了通过针对上述图6的5个任务示例实现以上处理步骤105而计算出的解，其中，已经考虑了任务之间的最小交叠。
在达到某些标准之前，将实现多个解。由于需要使解集的差异最大化以便在解研究空间中传播胚原基(germ)，因此通常需要在至少一个解中包括每个任务。这种情况被命名为广泛初始化。实际上，这意味着在由初始化过程提供的无冲突解集中每个可行任务被调度至少一次。
图8中报告的统计模拟示出，为了满足广泛初始化范围所需的解的数目具有良好近似性，根据输入任务的数目线性增加。
方便地，对无冲突解的数量的调整还应考虑到：
·其进化所需的解种群Spop方面的GA要求；
·调度会话的最终阈值时间。
通过这种方式，强制实现了一种权衡，其考虑到通过组合标准限定的约束。
最后，基于计算假设，通过考虑获得每个PW的N个任务扫描的广泛初始化的必要的95％概率，来得出用于取得恰当的初始解的初始化超时设定。这种情况在一定程度上取决于卫星采集性能和PW时段的延长；事实上，随机分析表明，对于固定数量的输入任务，构建少量较长解集(忙于扫描)与构建较大但较短集相比需要相似的计算时间。换句话说，在卫星模型(SM)21的等效性能条件下，计算量被认为根据输入的任务的数量而变化。
4.遗传算法
众所周知，在人工智能的计算机科学领域，EA族中的遗传算法(GA)是启发式搜索，其基于达尔文的适者生存理论解决方案来模拟自然选择过程。已经联系调度优化问题对GA进行了长时间的研究，例如由H.Bremermann进行的研究(参见例如A method ofunconstrained global optimization，数理生物科学，第9卷，第1页至15页，1970年，doi：10.1016/0025-5564(70)90087-8)，其研究还包括现代遗传过程的要素。
此外，更值得注意的早期开创者是R.M.Friedberg(参见例如R.M.Friedberg、B.Dunham、J.H.North.A Learning Machine：Part II，IBM研究与发展杂志第3卷，第3期，第282页至287页，1959年，doi：10.1147/rd.33.0282)和I.Rechenberg(参见例如，TheEvolution Strategy.A Mathematical Model of Darwinian Evolution,inSynergetics-From Microscopic to Macroroscopic Order，Springer协同论系列，第22卷，第122页至132页，1984年，doi：10.1007/978-3-642-69540-7_13)，他们给出了基于生物进化概念的分析和设计的基本思想，并且还有J.H.Holland(参见例如Ref 7以及GeneticAlgorithms and Adaptation，Adaptive Control of Ill-Defined Systems，第317页至333页，1984年，doi：10.1007/978-1-4684-8941-5_21)和D.E.Goldberg(参见例如，Ref 5以及Genetic Algorithms and Innovation，遗传算法和进化计算系列第7卷中的创新设计，第1页至9页，2002年，doi：10.1007/978-1-4757-3643-4_1)。
GA模拟连续世代个体间的适者生存，用以解决由与DNA染色体相似的字符串的种群组成的每一代的优化问题。为了继续进行遗传类比，每个染色体的变量等同于其字符被称为等位基因的基因。传统上，基因的等位基因被表示为二进制字符(0/1)，但也可以用其他编码。基因座表示基因在染色体串中的位置，而表型表示由其基因型确定的基因的性质。
从状态(s)起的遗传进化通常从一群随机生成的个体开始，并通过迭代过程继续进行，其中，每次迭代中被计算的种群被称为一代。在每一代中，估算该种群中每个个体的适应度。从当前种群中随机选出最适合的个体，然后对每个个体的基因组进行改性(重组并且可能随机突变)以形成新一代。然后，在算法的下一次迭代中使用状态(s+1)处的新一代候选解。因此，典型的GA需要：
·解域和变量域的遗传表示；
·用于估算解域的适应度函数。
一旦遗传表示和解适应度被应用，GA就进行至初始化解的种群，然后通过进化技术将其改进。解的种群被保留在搜索空间内，并且然后使其基于相应地分配给用以解决该优化问题的适应度函数的任务适应度来进化，以用于下一次迭代。GA的目的是通过适当的进化技术，将与解池中的一组选定染色体相关的基因的等位基因进行组合，从而在统计学上产生具有比亲代更高品质的后代。
本发明采用了以下传统的GA技术：
·交叉(单点/多点)——对在定点处被切割的两个解的部分进行重组；在该模型中，每个交叉点与解的时间范围内的随机时刻对应；在交叉解的任务Nghd不相交的特定时间间隔内随机计算交叉的截止点；
·突变——当存在突变时，及时将扫描替代为冲突的扫描；
·精英主义——在逐次迭代中再生出一组最有价值的解。
通常，在下述一种情况下该算法终止：产生最大数量的世代、达到满意的适应度水平，或者不再有显著进展。
总之，以下陈述与基于GA的所有算法有关：
·种群的染色体竞争资源和配偶；
·在适应度方面最有价值的个体比其他个体产生更多后代，从而繁殖出最优品质的种群；
·将用于繁殖的候选染色体的基因组合并在整个种群中传播；
·每一接连世代将更适应它们的环境。
这些步骤在统计学上允许接连世代的种群之间的平均适应度得到改进，直至达到适应度值的收敛并且没有被关注的后代的显著升级。
通过根据特定变量排序的[0/1]标准比特数组给出了SSP中每个候选解的有效表示。使这些遗传表示变得便捷的主要特性在于：由于它们有固定的大小所以其部件易于对齐，这有助于简单的交叉操作。然而，也可以使用可变长度表示，但对于树状进化来说交叉实现会变得更复杂。在针对SSP解决策略的应用中，遗传元素与扫描活动相关联，并且每一个遗传元素都可以与特定特征相联，如下表1中所示：
表1：针对SSP的遗传应用
遗传术语 遗传表示 SSP应用
染色体 串 作为扫描时机(DTO)的序列的解
基因 字符 扫描时机(DTO)
等位基因 值 扫描可行性(是或否)
基因座 数组索引 扫描优先级(等级)
表型 属性 扫描操纵性(DTA)
基因型 属性 整合操纵性(RMA)
包含一组AR DTO(基因)的每个规划解(染色体)表示在针对具有待规划的给定任务集的PW的解域中的可能的调度。
根据定义，如果通过相关DTO内的有效DTA(有效RMA总是与之相关联)对AR进行获取是可行的，则该基因的等位基因等于“1”，否则其被设定为“0”。
根据该理论，在SSP应用中，基因数组根据每个任务的DTO的开始时间按时间顺序排序。以这种方式，根据任务集的可行DTA和不可行DTA(表型)，解与0(即“零”)和1(即“一”)的序列对应，如图9所示(其示意性地示出了用于收集8个任务集的5个可行DTA的PW的解的示例)。
最后，这里的基因型与实现可行DTA所需的RMA相联。
在SSP上下文中，构思是识别并繁殖出增加每一代的适应度值的有效解总体，其中每个解包括一系列不冲突的DTA。在符合相关联的多目标解适应度的情况下对解进行计算，并且可以根据相关的适应度对解进行分级、排序和选择。
每种进化技术都与特定遗传因子(用于交叉的gfc、用于突变的gfm和用于精英主义的gfe)有关，该遗传因子用于确定GA迭代期间的相关应用概率。根据现有技术中所采用的标准范围来确定范围。
根据特定问题对遗传因子进行适当调整并将其作为常数处理。尽管如此，突变因子gfm可以方便地根据种群差异而变化。如果其不符合要求，则可以如适应性GA中那样提高交叉因子gfc，以便主要区分输入解。
在下面的表2中，示出了便于本发明利用的遗传因子的概率范围：
表2：遗传进化因子的概率范围
遗传因子 描述 概率
gfc 交叉因子 0.5-0.95
gfcm 多交叉因子 0.25-0.5
gfm 突变因子 0.01～0.1
gfe 精英主义因子 0.05～0.2
图10借助流程图示意性示出了根据本发明的优选实施方式的卫星调度方法1的基于GA的处理步骤108。
具体地，基于解初始化(即，图3中由105表示并且在第3段中详细描述的处理步骤)，一旦关于最大迭代次数、处理超时设定、启发式种子和遗传因子的GA参数被设定(图10中的块104a)，则基于GA的处理步骤108允许通过下述子步骤计算多个解：
·针对给定PW，使用通过规划初始化处理(即所述处理步骤105)检索的N个无冲突解的总体来初始化GA(图10中的块201)，。
·通过被命名为竞争式选择的适当的选择方法选出状态(s)下的最优候选解以进行再生(图10中的块202)；
·根据其解的适应度值对解进行排序(图10中的块203)并将其存储在解池中；
·基于卫星模型(SM)21，根据单交叉和多交叉(图10中的块205)、突变(图10中的块206)和精英主义(图10中的块207)技术来计算并证明用于进化到状态(s+1)的候选解(图10中的块204)，其中，使用扫描操纵接口和整合操纵接口(图3中的块112a和块112b，其与图10中的块112对应)；与启发式种子和遗传因子(图10中的块104a)一致地应用遗传技术；
·根据停止标准(即图10中的块104a中的最大迭代次数和处理超时设定——在这方面可以参照在下文中的第6段)终止GA(图10中的块208)。
如果处理完成(图10中的块209)，则通过卫星模型(SM)21的规划验证接口(图3和图10中的块113)验证得到的最优解(图10中的块210)；否则，将N个后代解确立为下一代的种群，并且从竞争式选择子步骤202开始再次迭代基于GA的处理步骤108。
5.模拟退火
首个模拟退火(SA)由S.Kirkpatrick于20世纪80年代早期开发(参见例如S.Kirkpatrick,C.D.Jr.Gelatt,M.P.Vecchi,Optimization by Simulated Annealing，科学第220卷，第4598期，第671页至680页，1983年，doi：10.1126/science.220.4598.671)，用于全局优化并针对各种组合优化问题来执行。模拟退火(SA)是一种可应用于任意问题搜索空间的优化方法。与简单的爬山算法一样，SA仅需要作为起点的单个初始个体和一元搜索操作。它从冶金和材料科学的退火处理中获得灵感，退火处理作为材料的热处理，其目的在于改变材料的诸如硬度的属性。对金属进行退火时，初始温度一定不能太低，并且必须充分缓慢地进行冷却，以避免***陷入表示局部最小能量的亚稳、非晶态。
在物理学中，***配置中所有原子的每组位置都由其玻尔兹曼(Boltzmann)概率因子进行加权，其中，E(s)是当前状态(s)的能量，T是以K(即开尔文)为单位测量的冷却温度，并且kB＝1.380650 524·10-23J/K是玻尔兹曼常数。
在由Metropolis等人进行的先前的研究中(参见例如N.Metropolis,A.W.Rosenbluth,M.N.Rosenbluth,A.H.Teller,E.Teller,Equation of StateCalculations by Fast Computing Machines，化学物理杂志，第21卷，第6期，第1087页至1090页，1953年，doi：10.1063/1.1699114)，开发出了用于计算可以被认为是由相互作用的单个分子组成的任何物质的性质的蒙特卡罗(Monte-Carlo)方法。此方法适于模拟在给定温度下处于热力学均衡的原子集合。
在每次迭代中，从当前一个(或多个)原子进行随机位移从而生成状态(s+1)处的新的临近几何结构。计算得到的新几何结构的能量并确定当前几何结构与新几何结构之间的能量差(ΔE)ΔE＝E(s+1)-E(s)。这个新几何结构被接受的概率P(ΔE)被定义为：
因此，如果新的临近几何结构具有较低的能量水平，则接受转换，否则，提取均匀分布随机数r∈[0,1)，并且如果其小于或等于玻尔兹曼概率因子，r<P(ΔE)，则仅在模拟时接受该步骤，这也导致了待选的解变差的可能。
在SA中，通常通过降低冷却温度来对进化调度建模。应当按照问题的复杂度和可用的收敛时间来准确调整温度下降率。在高温下，fB非常接近1，导致接受许多上坡步骤。随着温度下降，所接受的会提高能量水平的步骤的比例减小。在另一方面，当消耗时间(ts)到期时，将导致T(ts＝tmax)＝0，其使得P(ΔE)无效。现在该***不会再离开局部区域，而是停留在局部最小值。
随后的研究证明，具有适当冷却策略的SA算法渐近收敛于全局最优值。例如，1987年Mathematics and Its Applications(数学及其应用)第37卷中P.J.M.van Laarhoven、E.H.L.Aarts所著的Simulated Annealing：Theory and Applications，doi：10.1007/978-94-015-7744-1和1997年Operations Research Proceedings(运筹学学报)1996第175页至180页中A.Nolte,R.Schrader所著的A Note on the Finite Time Behaviour ofSimulated Annealing，doi：10.1007/978-3-642-60744-8_32提供了最重要的工作成果列表，其表明如果执行t→∞迭代，则模拟退火将会收敛至全局最优值，包括B.Hajek的研究(参见例如A tutorial survey of theory and applications of Simulated Annealing，第24届IEEE决策和控制会议论文集，第24卷，第755页至760页，1985年12月11日至13日，doi：10.1109/cdc.1985.268599)。温度规划限定了SA如何收敛于最终解并且对SA算法是否会成功以及需要多长时间才能找到全局最优值具有重要影响。
SA有利于离开局部最小值，但缺点在于可能会回到已经访问过的解。因此，可能在局部最小值附近振荡，并且这可能导致在解集的一小部分上花费大量计算时间的情况。避免该问题的一种简单方法是将所有访问过的解存储在有序列表中，并且仅接受列表中未包含的解。然而，存储所有已访问的解并测试候选解是否属于该列表通常太耗费内存和计算时间(在这方面可参考例如1995年P.Brucker所著的Scheduling Algorithms，doi：10.1007/978-3-662-03088-2)。
在当前的SA应用中，来自基于GA处理的最优规划解代表了将利用PW的搜索空间中的一组尚未计划的任务进行升级的起始调度。与基于GA的处理类似，根据用于任务集的可行DTA和不可行DTA，解与0(即“零”)和1(即“一”)的序列对应。
在SSP上下文中，构思是通过在每次迭代中对先前规划的DTA与拒绝的DTA之间的冲突进行最优检查和求解来改进增加其解适应度的解。
在下面的表3中报告了适用于SSP的SA概念：
表3：针对SSP的模拟退火应用
退火术语 退火表示 SSP应用
能量 浮点数 解适应度
冷却温度 浮点数 进化时间和接受阈值
图11借助流程图示意性示出了根据本发明的优选实施方式的卫星调度方法1的基于SA的处理步骤109。
具体地，基于针对PW的由基于GA的处理步骤108(在图10中示出并在第4段中详细描述)提供的GA输出解，一旦SA参数被设定(图11中的块104b)，基于SA的处理步骤109允许通过下述子步骤来计算单个解：
·对于给定的PW，利用由基于GA的处理步骤108提供的最优有效解来初始化SA(图11中的块301)；
·根据特定的预定高斯概率函数和泊松概率函数来选择要规划的新任务(图11中的块302)；
·根据相交矩阵内相关DTO的影响识别扫描任务Nghd(图11中的块303)；
·计算根据其任务Nghd的时间顺序排序的冲突任务的排列，其承诺第一次尝试成功的可能性较高(图11中的块304)；
·根据SA接受标准(图11中的块307)并且基于SM21，找到并证明所排列的DTA的最优组合(图11中的块306)，其中使用了扫描操纵接口和整合操纵接口(图3中的块112a和块112b，其与图11中的块122对应)；
·该解基于启发式种子、退火因子(图11中的块104b)和SA温度降低(图11中的块308)进行进化(图11中的块305)；
·根据停止标准(即图11中块104b中的最大迭代次数和处理超时设定——在这方面可以参考下文中的第6段)终止SA(图11中的块309)。
据此：
·如果处理未完成(图11中的块310)并且通过卫星模型(SM)21的规划验证接口(图3和图11中的块113)得到的最优解有效(图11中的块311)，则该解表示用于从任务选择子步骤302起的下一次迭代的起始输入；
·如果处理完成并且最优解有效，则产生最优PW调度(图3和图11中的块111)。
6.调度设置
虽然可用于处理整个任务期(MH，Mission Horizon)的调度的总时间间隔被认为是依赖于任务地面段时间顺序的设计参数，但根据PW的相对特性和算法特征方便地调整内部设置。
规划复杂度扮演着主要角色，其允许根据PW中要扫描的任务的相关数量来对要分析的研究空间的大小进行估计。如上所述，较高的复杂度在统计学上意味着要解决的组合的数量更多，因此意味着昂贵的检查冲突决策。因而，便于为大多数复杂的PW分配更长的时槽。
根据图12中的模拟结果所示，根据任务数量的规划复杂度的趋势遵循统计的二次趋势。据此，一旦确定：
·TS为具有多个(p＝1,...,P)PW的MH的调度会话的可用时段，
·Np为与第p个PW相关联的任务集，以及
·Cp为根据式(10)计算的第p个PW的规划复杂度，
则假设每个PW的相对调度时段的先验估算值：
其中，可以得出
参照全局调度过程(即卫星调度方法1)，三个基本处理，即，
1.处理步骤102、103和105(即广泛初始化、计划复杂度和相交矩阵计算和分析以及初始无冲突解计算)，
2.基于GA的处理步骤108，以及
3.基于SA的处理步骤109，
的超时设定可以基于待调度的规划窗口(PW)的特征方便地进行定制。
尤其是，
1.应当为调度初始化(处理步骤102、103和105)留出充足的时间以便如第3段中所讨论的那样计算出足够数量的具有最大差异率的无冲突解；计算量的趋势相对于初始解种群大致成比例；因此，可用的初始化时间为
tIp＝kTp+2σ (13)
其中，k是因子，并且σ是通过统计模拟定制的标准差，其允许获得平均解数(根据图8)以满足至少95％的时长的广泛初始化；一旦用于平均初始化的卫星模型的平均任务性能被固定，则其时间间隔名义上不应超过TP/3；
2.根据下表4所示的GA特征来设定GA参数，其中，tGA和IterGA标识了停止标准；一旦其中一个参数被超过，基于GA的处理108就终止(图10中的块208)。GA停止标准是根据GA的特征而设定的。通过模拟，其名义上应该得出：TP/5<tGA<TP/3且50<IterGA<100；
表4：遗传算法设置
GA参数 定义 范围值
tGA 算法超时设定 TP的1/5与TP的1/3之间
IterGA 最大迭代次数 50与100之间
3.根据下表5所示的可用调度时间和HW性能来设定SA参数；特别地tSA和IterSA标识了停止标准；一旦其中一个参数被超过，基于SA的处理步骤109就终止(图11中的块309；通过模拟，名义上得出tSA>＝TP/3且IterSA至少＝100；其他参数为：
·T0，其标识初始状态温度；
·NpMax为将被同时排列的任务的最大数量，以及
·sfAcc为计算解的接受阈值所需的因子。
表5：模拟退火设置
7.遗传因子
由于用于GA处理的可用时间减少，所以根据表2中报出的遗传因子的概率范围内的最大值来对遗传因子进行基本调整。
特别地，建议采用最大交叉率(gfc＝0.95)以便通过竞争式选择增加指定解的组合数，对此，期望单点交叉率和多点交叉率相等(gfcm＝0.5)。
然而，尽管考虑到整个迭代中固定的解种群(几乎是来自2个亲代的2个子代)，可以将精英留作常数值(gfe＝0.2)，但是适应性突变允许增加研究空间探索的扩展概率以防连续迭代没有发生改进。以这种方式，考虑到初始突变(gm0＝0.1)，如果就下一代的最优解的适应度结果而言没有收益，则添加剩余值(gm+＝0.1)，而假如发生收益，则施加缺损值(gm-＝-0.1)。不应忽略约束0≤gm≤1，其中，对于gm＝1的边界情况，每个解都经历突变。
8.温度降低
引导SA进化的温度的冷却速率(β)是根据将被施加到比最优解更差的解的容限来方便地设定的。较高的冷却速率会使这些解的认可度最小化；在另一方面，缓慢冷却增大了选择变差的可能性，扩大了解域中的SA研究。
根据对SA施加的超时设定以及温度T在其最终状态下趋于零的条件，根据下文定义的式(14)来方便地设定T0和β的值。
通过模拟，由条件T0＝1和3≤β≤5施加的平均冷却表示要追求的良好权衡。根据这些假设，在时间(ti)时容易得出：
其中，t0和tSA分别表示子步骤301与子步骤311之间的基于SA的处理步骤109的开始和停止时间。
9.能量分配
SA能量(E)可以根据给定步骤的解适应度来方便地进行设定。将这个条件与在解之间达到合适的能量差的必要性相平衡，以保证对变差的解的合理接受概率。
然后能量E与式(8)中定义的解适应度相关联，由此得出：
为了保证符合要求的接受阈值，根据任务范围来方便地设定相关目标的权重配置。
10.接受函数
在T与E之间进行的调整会影响与接受概率函数相关的在SA进化期间的解的收敛，其由下式给出：
其中，sfAcc是解接受因子(参见表5)，且ΔE＝E(s+1)-E(s)是解的临近状态之间的能量差。
如图13所示(其示出了根据GASA接受概率的解适应度进化)，即使从较低的适应度值开始，过高的接受函数(不好的接受线)可能导致收敛到最优GASA解的小改进或零改进。这是由于下述事实：与局部最优值的高分歧不允许固定在迭代期间进化的解中的次优邻域。在另一方面，适当的接受度(良好的接受线)可以允许有限但实质性的收益，通过潜在地接受得出ΔE<0的解，使得GASA解到达符合要求地远离局部最优值的最终调度。如果未预见到接受阈值，则不能实现该条件。
11.概率分布
根据将赋予调度任务的优先级的显著度来分别选择与已知的高斯概率函数和泊松概率函数相关的分布宽度，分别为：
FPoisson(p)＝e-xp (17)
其中，p表示N个任务之间的相对优先级等级，其被限定为从1到N的整数，其中，较低的级别意味着高优先级。
为了突出在SA进化期间对优先级任务的选择，与两个分布宽度相关的变化因子取决于任务优先级权重(w1)的相对价值。因此，得出：
其中0≤Ki≤1是可以根据进化趋势在退火迭代期间改变的附加调整因子。默认情况下，可以恒定地假定K＝1作为第一猜测值。
12.本发明的测试应用
申请人已将本发明(GASA)应用于前述段落中讨论的微调之后的具有挑战性的测试场景。下面详细介绍GASA的性能与确定性策略之间的比较，进行适当的指导以便限制对非最优路径的探索。
在使用相同条件和卫星模型(SM)下，根据所选择的测试场景，已经执行了50次迭代以用于在每个问题步骤处执行当前的启发式策略，其中，最大TC＝100s被确立为算法收敛的阈值。
针对每个问题已经执行了一次确定性广度深度搜索(BDS)比较算法。其逐步试图在每个步骤中调度一个AR，直到达到最大超时设定，同时需要大量的计算量来解决与所涉及的任务数量增加的冲突。为了限制对研究域的分析，针对任务适应度函数的每个最优扫描被存储并重复用于下一次迭代；此外，通过对以前的解的分析，所有不可行的分支都被提前放弃。
尽管做出了假设，但对于个别任务而言，类BDS算法需要较短的时间(10个任务大约需要50秒)，对50个任务的优化需要大约30个小时(108000秒)。
12.1性能
已经通过实际的光学卫星任务测试了GASA在解决多个请求之间的检查冲突方面的性能。关于基于纯模拟退火(SA)的策略的优化性能最初被考虑为由于应用遗传算法而改进的评估项，而类BDS算法结果被视为共同的比较项。
如图14所示(其示出了就规划任务数而言，类BDS算法、纯SA和GASA的应用之间的比较)，与纯SA相比，通过GASA技术平均额外规划了1.5个任务。特别地，从图14表现出，当问题复杂度增加(更高的任务数)时GASA更好地保持了性能。
此外，根据图15(其示出了就规划任务的差异而言，纯SA和GASA的应用之间的比较)，来自GASA的百分比约为58％的解平均保持误差在1个规划任务之下，相对地，纯SA的结果低于35％。
12.2 GASA特征
根据图12所示的计划复杂度趋势，针对一组特定特征对GASA策略进行了分析，这些特征包括稳健性、收敛准确度和计算量。
a.算法稳健性的保证由在假设输入集不好时同样收敛至符合要求的解的能力给出。GASA的这一特征是通过应用实践来实现的，其允许将研究扩展至最初未考虑的解域的部分。在遗传进化期间应用的适应性突变和在退火过程中施加的接受概率是允许将研究扩展至新的解路径的技术并增加了收敛至最优结果的可能性。然而，根据具体的任务范围对该技术进行适当调整可以达到越来越高的稳健性。
b.已经基于与该组迭代的规划任务数相关联的标准差对收敛准确度进行了分析。根据图16(其示出了经GASA技术规划的任务数的标准差与平均值之间的比较)，其表明了标准差(σ)不随规划复杂度而增大，并且在大多数情况下，它仅限于任务的一小部分，平均值为σM＝0.75。该结果揭示了等效场景的结果的适当可重复性以及所提出的算法的良好准确度。
c.通过仅为算法处理施加收敛时长TC＝100s来估计计算量。假设该强制时长并且根据由验证时SM性能给出的间隔剩余，估计平均整体收敛时长TWC＝140s。
与选择用于测试本发明的光学卫星任务相关的性能需求要求在特定的调度会话TSS＝600s内执行最小任务数NTMH＝100的SSP。
根据所获得的结果，通过GASA策略为900s的PW内的相关数量的输入任务(开始时为50个任务)规划了平均25个任务。这意味着对于平均4个规划窗口(PW)，每个规划窗口900s(共计3600s)，实际上应该规划100个任务。计算性能也符合要求；事实上，进行全局调度所要求的最大时长为4×140s＝560s<600s。
此外，如图17所示(其示出了使用GASA技术规划的任务数的平均数与最小/最大差)，GASA策略能够为40％的案例检索至少一个最优解，对于一些具有显著复杂度的情况也是如此。这意味着在相同的计算时间量下对于一致量的情况，策略的并行化将在理论上允许有效率地增大达到最优解的概率。
12.3 GASA的好处
连同收敛的快速性(对于所讨论的场景默认为100秒)所示出的良好性能使GASA技术成为达到与受调查任务相关的SSP的符合要求的解的好方法。事实上，规划复杂度的增长并没有导致计算出的解的缺失，因为如上所述，GASA已经能够接近并达到最优解。这些情况发生在平均时间间隔内，在50个任务的测试场景中甚至比BDS策略的收敛所需的时间间隔小700倍(140s对108000s)。
在研究多目标优化的全局策略期间，从不同的启发式算法的组合中假设的益处，被证明是在被用于为测试本发明而选择的光学卫星任务时的实际益处。事实上，GASA技术能够满足这一特定任务所需的调度需求。
13.本发明的优点
根据以上描述，本发明的技术优点立刻变得清晰。
在这方面，重要的是指出本发明允许完成多任务环境中EO卫星的地面段中的“任务链”的所有步骤。本发明允许根据特定的任务约束，通过最小化或者最好地解决预定调度会话内的获取任务之间的相互冲突来最大化获取请求的可能性。
具体地，本发明利用创新的混合策略来优化卫星调度问题(SSP)，该创新的混合策略(命名为GASA)基于遗传算法(GA)找到“第一”最优解并基于模拟退火(SA)在GA检索的解的邻域内进行局部搜索(以便根据某种“尽力而为”的方式尝试规划最初被拒绝的任务)，并且以这种方式允许将研究扩展至新的解并增大了收敛至到最优结果的可能性。
此外，正如先前通过将本发明应用于真实光学卫星的结果所证明的，GASA组合启发式策略提供了：
·高稳健性，得益于遗传进化期间的适应性突变和退火过程中的接受函数的适当设计，在输入集不好的情况下，同样收敛至符合要求的解；
·等效场景的结果具有良好的可重复性，因此结果具有良好的准确性和质量；以及
·可预测的时间性能。
此外，还值得注意的是，根据本发明的任务规划器(MP)适用于通用EO卫星，因为其利用了可重用的软件元素，并且为了适应不同的任务并与之交互，只需要配置参数和外部卫星模型(SM)的集成，从而还允许减少开发和测试活动的数量。
具体地，根据本发明的MP的多任务架构提供了多个优点，具体如下：
·减少了在EO***地面段架构内开发、测试和集成必要部件的工作量；并且
·应用了完全可重用的软件模块、图形用户界面(GUI)和算法以扩展空间程序。
此外，被集成到任务规划器(MP)中的与任务相关的卫星模型(SM)保证了操纵会严格遵守卫星任务规则。
最后，重要的是要强调一点：尽管先前参照光学卫星(即，配备有光学传感器的遥感卫星)描述了本发明，但是本发明可以有利地应用于对下述对象的调度：
·设置有一个不同种类的传感器(如SAR或红外传感器)，或者甚至配备有不同类型的多个传感器(例如SAR加上光学传感器)的单个遥感卫星；以及
·配备有一个同一类型或不同类型的传感器的卫星星座。
此外，本发明可以有利地用于优化调度，不仅用于优化图像获取的规划窗口(PW)，而且还用于优化：
·上行链路窗口和下行链路窗口(UW，DW)；以及
·更一般地，甚至用于优化(单光谱频带和多光谱频带中的)单个EO卫星或者EO卫星星座的通用卫星资产(诸如存储资源、动力资源等)。

Claims (6)

1.一种卫星调度方法(1)，包括：
a)基于与一个或更多个遥感卫星在给定时间段内要执行的任务有关的输入请求来产生初始调度规划(105)；其中，在所述初始调度规划的每一个中，调度在时间上以及在对遥感卫星的卫星资源的使用上相互不冲突的各个任务；并且其中，在所述初始调度规划中的至少一个中调度要执行的每个任务；
b)将基于遗传算法的处理应用于所述初始调度规划(108)，以产生基于遗传算法的调度规划，所述基于遗传算法的调度规划
-针对给定任务目标进行优化，并且
-符合与所述卫星资源、所述要执行的任务以及所述给定时间段有关的给定约束；以及
c)将基于模拟退火的处理应用于所述基于遗传算法的调度规划(109)，以产生基于模拟退火的调度规划，所述基于模拟退火的调度规划
-适合所述给定任务目标，
-符合所述给定约束，并且
-在所述基于模拟退火的调度规划中比在所述基于遗传算法的调度规划中调度更多数量的任务；
其中，所述步骤b)包括执行基于遗传算法的迭代过程，所述迭代过程包括：
·在第一次基于遗传算法的迭代中，
-基于所述给定任务目标来选择所述初始调度规划的子集(202，203)，以及
-基于相应的预定义遗传进化因子将交叉(205)、突变(206)和精英主义(207)技术应用于所选择的初始调度规划的子集，以产生符合所述给定约束的进化调度规划；
·在所述第一次基于遗传算法的迭代之后的每次基于遗传算法的迭代中，
-基于所述给定任务目标来选择在前一次基于遗传算法的迭代中产生的进化调度规划的子集(202，203)，以及
-将交叉(205)、突变(206)和精英主义(207)技术应用于所选择的在前一次基于遗传算法的迭代中产生的进化调度规划的子集，以产生符合所述给定约束的新进化调度规划；
所述步骤b)还包括：
·当满足给定的与遗传算法有关的停止标准时，停止执行所述基于遗传算法的迭代过程(208，209)；以及
·在执行最后一次基于遗传算法的迭代时产生的进化调度规划中自动选择最适合所述给定任务目标的进化调度规划；
所述卫星调度方法(1)还包括：
·计算相交矩阵(103)，所述相交矩阵表示在所述给定时间段内要执行的任务的在时间上以及在对卫星资源的使用上的冲突；
·基于所述相交矩阵来计算规划复杂度(103)；以及
·基于所述相交矩阵来计算所述给定的与遗传算法有关的停止标准(104，104a)；
并且其中，基于所述相交矩阵来产生所述初始调度规划(105)。
2.根据权利要求1所述的卫星调度方法，其中，所述步骤c)包括执行基于模拟退火的迭代过程，该迭代过程包括：
·在第一次基于模拟退火的迭代中，
-根据一个或更多个预定义概率函数来选择在所述基于遗传算法的调度规划中未被调度的任务(302)，
-识别所选择任务的邻域(303)，其中，所识别的邻域包括在所述基于遗传算法的调度规划中未被调度的冲突任务的集合，
-对所识别的邻域中的冲突任务执行排列(304)，
-将模拟退火技术(305，306，307，308)应用于所执行的排列的结果，以找出以下任务，所述任务
-在所述基于遗传算法的调度规划中未被调度，
-能够与在所述基于遗传算法的调度规划中已经调度的任务一起被调度，
-适合所述给定任务目标，并且
-符合所述给定约束，以及
-产生包括所找出的任务的调度规划；
·在所述第一次基于模拟退火的迭代之后的每次基于模拟退火的迭代中，
-根据所述预定义概率函数来选择在前一次基于模拟退火的迭代中产生的调度规划中未被调度的另外的任务(302)，
-识别所选择的另外的任务的邻域(303)，其中，所识别的邻域包括在前一次基于模拟退火的迭代中产生的调度规划中未被调度的冲突任务的集合，
-对所识别的领域中的冲突任务执行排列(304)，
-将所述模拟退火技术(305，306，307，308)应用于所执行的排列的结果以找出以下任务，所述任务
-在前一次基于模拟退火的迭代中产生的调度规划中未被调度，
-能够与在前一次基于模拟退火的迭代中产生的调度规划中已经调度的任务一起被调度，
-适合所述给定任务目标，并且
-符合所述给定约束，以及
-产生包括所找出的任务的新调度规划；
其中，所述步骤c)还包括：当满足给定的与模拟退火有关的停止标准时，停止执行所述基于模拟退火的迭代过程(309，310)；
并且其中，所述基于模拟退火的调度规划是在执行最后一次基于模拟退火的迭代时产生的调度规划。
3.根据权利要求2所述的卫星调度方法，还包括：基于所述相交矩阵来计算给定的与模拟退火有关的停止标准(104，104b)。
4.根据权利要求1所述的卫星调度方法，其中，所述给定任务目标在数学上用全局代价函数表示，所述全局代价函数是在基于所述给定约束的若干局部代价函数的基础上计算出的。
5.一种用于地球观测***的处理***(4)，所述地球观测***包括一个或更多个遥感卫星，其中，所述处理***(4)被编程为执行如权利要求1所述的卫星调度方法(1)。
6.一种软件程序产品，其包括一个或更多个软件代码部分，所述一个或更多个软件代码部分能够由处理***执行并且当被执行时使所述处理***执行如权利要求1所述的卫星调度方法(1)。
CN201810527426.0A 2017-05-24 2018-05-23 卫星调度方法、处理***以及软件程序产品 Pending CN108960483A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
IT102017000056428 2017-05-24
IT102017000056428A IT201700056428A1 (it) 2017-05-24 2017-05-24 Innovativo metodo di scheduling satellitare basato su algoritmi genetici e simulated annealing e relativo pianificatore di missione

Publications (1)

Publication Number Publication Date
CN108960483A true CN108960483A (zh) 2018-12-07

Family

ID=59859573

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810527426.0A Pending CN108960483A (zh) 2017-05-24 2018-05-23 卫星调度方法、处理***以及软件程序产品

Country Status (8)

Country Link
US (1) US10726368B2 (zh)
EP (1) EP3406531B1 (zh)
CN (1) CN108960483A (zh)
AR (1) AR111895A1 (zh)
BR (1) BR102018010426A2 (zh)
ES (1) ES2842591T3 (zh)
IT (1) IT201700056428A1 (zh)
RU (1) RU2018118555A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109861739A (zh) * 2019-01-22 2019-06-07 北京电子工程总体研究所 一种通信卫星指定时空范围内的效能值排序方法和***
CN109947058A (zh) * 2019-02-15 2019-06-28 北京空间飞行器总体设计部 一种航天器多项自主管理功能状态控制方法
CN110703725A (zh) * 2019-09-23 2020-01-17 北京控制工程研究所 一种适用于航天姿态轨道控制***的路径优化方法
CN111913787A (zh) * 2020-06-19 2020-11-10 合肥工业大学 基于遗传算法的成像卫星调度方法和***
CN111950869A (zh) * 2020-07-28 2020-11-17 中国西安卫星测控中心 改进航天测控网调度问题初始解的迭代求解方法及***
CN112598608A (zh) * 2020-11-25 2021-04-02 湖北工业大学 一种基于目标区域的光学卫星快速融合产品制作方法
CN113919122A (zh) * 2021-08-05 2022-01-11 合肥工业大学 基于模拟退火算法的多星任务调度方法和***
CN115296717A (zh) * 2022-06-29 2022-11-04 航天恒星科技有限公司 一种低轨卫星***地面站天线阵列的调度方法

Families Citing this family (82)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019079796A1 (en) 2017-10-20 2019-04-25 HawkEye 360, Inc. SYSTEM FOR PROGRAMMING A PLURALITY OF HIERARCHICAL TASKS FOR A SATELLITE SYSTEM
CN109656133B (zh) * 2018-12-06 2022-01-14 上海航天控制技术研究所 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
CN109447525B (zh) * 2018-12-10 2021-11-09 北京理工大学 多星部署上面级启发式任务规划方法
CN109636214B (zh) * 2018-12-19 2023-04-18 航天恒星科技有限公司 一种面向多源对地观测卫星的快速任务规划方法
CN109492834A (zh) * 2018-12-26 2019-03-19 航天恒星科技有限公司 基于遗传优化的敏捷卫星任务规划与调度建模方法
CN109933842B (zh) * 2019-01-23 2021-08-06 北京航空航天大学 一种基于约束满足遗传算法的移动目标单星任务规划方法
CN109992838B (zh) * 2019-03-06 2023-02-21 中国科学院国家空间科学中心 一种基于动态能源平衡周期的成像卫星能源约束检查方法
CN109934364B (zh) * 2019-03-10 2023-04-25 西北工业大学 一种基于遗传模拟退火算法的刀具准时化配送方法
CN109948944B (zh) * 2019-03-27 2021-04-06 中南林业科技大学 一种卫星任务调度方法及***
CN110389819B (zh) * 2019-06-24 2022-06-21 华中科技大学 一种计算密集型批处理任务的调度方法和***
CN110503325B (zh) * 2019-08-16 2022-04-22 清华大学 一种基于建筑信息模型的施工进度资源自动优化方法
CN110795682B (zh) * 2019-08-28 2023-08-29 湖南大学 带有资源转移时间的rcpsp问题优化方法及其***
CN110580547B (zh) * 2019-08-30 2022-02-22 西南交通大学 用于拆卸废旧产品的并行不完全拆卸线的设置方法
CN110766284B (zh) * 2019-09-24 2022-04-08 合肥工业大学 多星任务的合成方法和***
CN110751372B (zh) * 2019-09-24 2022-02-18 合肥工业大学 多星对地观测任务的调度方法和***
CN110689262B (zh) * 2019-09-25 2022-11-25 中国人民解放军战略支援部队航天工程大学 天基信息***任务调度方法、装置和电子设备
CN110708113B (zh) * 2019-10-14 2021-04-23 中国人民解放军32039部队 任务调度中心平台及中继卫星地面站网资源管理方法
CN111062561B (zh) * 2019-11-05 2023-11-28 合肥工业大学 面向多目标卫星任务规划的ahp理想目标点求解方法及***
CN110874697B (zh) * 2019-11-19 2022-06-24 山东师范大学 一种带起重机的柔性车间调度方法及***
CN110929931B (zh) * 2019-11-20 2022-05-13 国网福建省电力有限公司 考虑分布式电源和负荷时序特性的配电网协调规划方法
CN110825513A (zh) * 2019-12-02 2020-02-21 西安航天天绘数据技术有限公司 敏捷单星多约束任务优化调度方法
CN111124633B (zh) * 2019-12-06 2023-05-30 上海交通大学 一种考虑探测器存储限制的地月中继卫星任务调度方法
JP7456298B2 (ja) 2020-06-04 2024-03-27 富士通株式会社 最適化装置、最適化方法、及び最適化プログラム
CN111913785B (zh) * 2020-06-10 2022-09-30 合肥工业大学 多星任务调度方法和***
CN111966049B (zh) * 2020-06-22 2023-08-29 同济大学 一种混合流水车间生产设备调度控制方法
CN111651905A (zh) * 2020-07-09 2020-09-11 中国人民解放军国防科技大学 考虑时间依赖转换时间的敏捷卫星调度方法
CN111884947B (zh) * 2020-07-29 2022-02-08 电子科技大学 一种在接收端基于信息年龄的数据包管理方法
CN111897640B (zh) * 2020-07-31 2024-02-02 武汉大学 一种面向区域成图的卫星成像任务规划方法及***
CN112558601B (zh) * 2020-11-09 2024-04-02 广东电网有限责任公司广州供电局 一种基于Q-learning算法和水滴算法的机器人实时调度方法及***
CN112506220B (zh) * 2020-11-27 2023-06-23 中国人民解放军空军工程大学 一种突发事件下的空中无人体系平台调度方法及***
CN112859761B (zh) * 2020-12-06 2022-04-22 北京工业大学 一种考虑集中热处理的分布式锻造流水车间节能调度方法
CN112633458A (zh) * 2020-12-09 2021-04-09 西安电子科技大学 一种解决卫星测运控资源规划调度问题的匹配方法及装置
CN112583470B (zh) * 2020-12-15 2022-08-12 西安寰宇卫星测控与数据应用有限公司 一种基于最优匹配的卫星测控规划调度方法
CN112529437B (zh) * 2020-12-17 2024-02-09 中国科学院空天信息创新研究院 多目标卫星成像规划方法
CN112668737B (zh) * 2020-12-31 2023-11-07 广东电网有限责任公司广州供电局 一种灾害条件下配电网多故障抢修模型的saa优化方法
CN112455727B (zh) * 2021-02-01 2021-04-20 北京航空航天大学 飞行器***的布局方法、装置、可读存储介质及电子设备
JP2022118555A (ja) * 2021-02-02 2022-08-15 富士通株式会社 最適化装置、最適化方法、及び最適化プログラム
CN112766813B (zh) * 2021-02-05 2023-06-20 中国人民解放军国防科技大学 一种空天协同观测复杂任务调度方法
CN113222318B (zh) * 2021-02-23 2022-11-04 合肥工业大学 分布式的星上自主任务规划方法、***及存储介质
CN112947199B (zh) * 2021-02-24 2022-06-03 中国空间技术研究院 一种用于复杂多载荷卫星的综合电子***
CN113128828B (zh) * 2021-03-05 2022-03-08 中国科学院国家空间科学中心 一种基于多智能体强化学习的卫星观测分布式在线规划方法
CN113128749B (zh) * 2021-03-05 2022-04-08 中国科学院国家空间科学中心 一种卫星观测网络集中式在线规划方法
CN113313347B (zh) * 2021-04-20 2022-09-30 合肥工业大学 卫星任务资源匹配方法、装置、存储介质和电子设备
CN113313349B (zh) * 2021-04-20 2022-09-23 合肥工业大学 卫星任务资源匹配优化方法、装置、存储介质和电子设备
CN113313348B (zh) * 2021-04-20 2022-09-30 合肥工业大学 卫星任务规划方法、装置、存储介质和电子设备
CN113313360B (zh) * 2021-05-06 2022-04-26 中国空气动力研究与发展中心计算空气动力研究所 一种基于模拟退火-撒点混合算法的协同任务分配方法
CN113139639B (zh) * 2021-05-17 2023-05-30 华侨大学 一种基于mombi面向智慧城市应用多目标计算迁移方法和装置
CN113312705A (zh) * 2021-06-14 2021-08-27 西北工业大学 一种航空发动机低压风扇转子叶片排序方法
CN113391908B (zh) * 2021-06-28 2023-06-02 福建师范大学 一种车载边缘计算中针对时延优化的推理任务调度方法
CN113487220B (zh) * 2021-07-23 2022-07-15 中南大学 面向静态目标观测的空天异构对地观测资源协同调度方法
CN113760506B (zh) * 2021-07-23 2024-07-16 合肥工业大学 改进遗传算法求解多星协同对地观测任务调度方法与装置
US12017803B2 (en) * 2021-07-28 2024-06-25 Rensselaer Polytechnic Institute System and method for debris capture
CN113852406B (zh) * 2021-08-24 2024-04-30 合肥工业大学 多波束中继卫星任务调度方法和装置
CN113780839B (zh) * 2021-09-15 2023-08-22 湖南视比特机器人有限公司 基于深度强化学习的演化式分拣作业调度方法及***
CN113819919B (zh) * 2021-09-26 2022-07-01 陕西科技大学 一种基于布尔约束的机器人最优路径规划方法
CN114157336B (zh) * 2021-11-01 2024-05-31 中国空间技术研究院 一种动态弹性卫星波束调度方法
CN114139776B (zh) * 2021-11-15 2024-04-23 昆明理工大学 一种基于认知图谱的深空探测任务规划方法及***
CN114254902B (zh) * 2021-12-13 2024-04-02 四川启睿克科技有限公司 一种多产线人员调度方法
CN113965255B (zh) * 2021-12-21 2022-03-04 北京航空航天大学 一种观测传输协同的中继卫星任务规划方法及装置
CN114239986A (zh) * 2021-12-23 2022-03-25 湖南云箭智能科技有限公司 一种卫星时间窗调配方法、装置、设备及可读存储介质
CN114826378B (zh) * 2022-03-14 2023-10-24 中国人民解放军国防科技大学 基于数据驱动的星间链路调度方法及***
CN114662388B (zh) * 2022-03-22 2022-09-27 中国科学院国家空间科学中心 一种基于序列遗传算法求解变主星偏移频率策略的方法
CN114493047B (zh) * 2022-04-06 2022-06-14 中国人民解放军96901部队 一种基于可用资源编码的多对多货物调度优化分配方法
CN114785403B (zh) * 2022-04-21 2024-07-16 北京鹏鹄物宇科技发展有限公司 一种面向星地通信的数据传输调度优化方法
CN114528088B (zh) * 2022-04-25 2022-07-12 北京航天驭星科技有限公司 卫星检测任务的处理方法、装置、电子设备及存储介质
CN115276758B (zh) * 2022-06-21 2023-09-26 重庆邮电大学 一种基于任务松弛度的中继卫星动态调度方法
CN114781950B (zh) * 2022-06-22 2022-09-30 中国人民解放军32035部队 基于蚁群算法的雷达资源调度方法、装置以及电子设备
CN114819765B (zh) * 2022-06-27 2022-10-18 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
CN115441936B (zh) * 2022-09-02 2023-09-26 合肥工业大学 一种基于变邻域搜索启发式的中继卫星任务调度方法
CN115686047A (zh) * 2022-10-31 2023-02-03 云南电网有限责任公司电力科学研究院 多星卫星协同任务规划方法、装置、设备及存储介质
KR102504282B1 (ko) * 2022-11-10 2023-02-27 (주)아이옵스 군집위성 운용 시스템 및 그 교신스케줄링 방법
CN115580342B (zh) * 2022-11-17 2023-04-04 成都国恒空间技术工程股份有限公司 基于智联网的航天情报获取方法及***
CN116684885A (zh) * 2023-05-17 2023-09-01 中远海运科技股份有限公司 一种基于遗传蚁群模拟退火混合算法的卫星通信链路优化方法
CN116450366B (zh) * 2023-06-19 2023-08-18 中国人民解放军战略支援部队航天工程大学 卫星测运控资源多目标优化调度方法、设备及介质
CN116523183B (zh) * 2023-07-03 2023-10-20 中南大学 一种废弃矿山高陡边坡安全与生态修复综合评价方法
CN116599575B (zh) * 2023-07-17 2023-10-13 数字太空(北京)科技股份公司 大规模遥感任务***的仿真环境构建方法和装置
CN116934041B (zh) * 2023-07-28 2024-01-26 广州普睿特智能包装科技有限公司 一种基于物联网协同的工厂任务管理方法及***
CN117459125B (zh) * 2023-11-17 2024-06-04 南京佳格耕耘科技有限公司 卫星遥感数据接入***
CN117271146B (zh) * 2023-11-23 2024-02-23 中国人民解放军战略支援部队航天工程大学 基于复杂异质场景下知识转移的多星成像任务规划方法
CN117557077B (zh) * 2024-01-12 2024-04-26 宁波安得智联科技有限公司 运力分配方法、运力分配设备以及存储介质
CN117829277B (zh) * 2024-03-04 2024-05-31 中国人民解放军国防科技大学 面向多类型卫星的应急观测任务调度方法、***及装置
CN117910364B (zh) * 2024-03-19 2024-05-24 西安衍舆航天科技有限公司 卫星测控仿真方法及***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6405186B1 (en) * 1997-03-06 2002-06-11 Alcatel Method of planning satellite requests by constrained simulated annealing
US20080040190A1 (en) * 2006-08-14 2008-02-14 Deepak Khosla Method, system, and computer program product for multi-mission scheduling
CN102164420A (zh) * 2011-02-01 2011-08-24 大连大学 基于卫星网络的多对一通信冲突处理方法
CN102609805A (zh) * 2012-01-16 2012-07-25 浙江工业大学 一种基于改进遗传算法的解决复杂生产环境下作业车间调度控制方法
CN104636813A (zh) * 2013-11-12 2015-05-20 中国科学院沈阳计算技术研究所有限公司 一种求解车间作业调度问题的混合遗传模拟退火算法
CN104751388A (zh) * 2015-03-01 2015-07-01 江西科技学院 一种基于遗传算法的高校排课方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5850617A (en) * 1996-12-30 1998-12-15 Lockheed Martin Corporation System and method for route planning under multiple constraints
US8893130B2 (en) * 2007-03-26 2014-11-18 Raytheon Company Task scheduling method and system
US9651946B1 (en) * 2016-06-29 2017-05-16 Planet Labs Inc. Automated schedule calculation for controlling a constellation of satellites

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6405186B1 (en) * 1997-03-06 2002-06-11 Alcatel Method of planning satellite requests by constrained simulated annealing
US20080040190A1 (en) * 2006-08-14 2008-02-14 Deepak Khosla Method, system, and computer program product for multi-mission scheduling
CN102164420A (zh) * 2011-02-01 2011-08-24 大连大学 基于卫星网络的多对一通信冲突处理方法
CN102609805A (zh) * 2012-01-16 2012-07-25 浙江工业大学 一种基于改进遗传算法的解决复杂生产环境下作业车间调度控制方法
CN104636813A (zh) * 2013-11-12 2015-05-20 中国科学院沈阳计算技术研究所有限公司 一种求解车间作业调度问题的混合遗传模拟退火算法
CN104751388A (zh) * 2015-03-01 2015-07-01 江西科技学院 一种基于遗传算法的高校排课方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
冉承新;熊纲要;王慧林;邱涤珊;: "电子侦察卫星任务规划调度模型与算法研究" *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109861739A (zh) * 2019-01-22 2019-06-07 北京电子工程总体研究所 一种通信卫星指定时空范围内的效能值排序方法和***
CN109861739B (zh) * 2019-01-22 2021-09-03 北京电子工程总体研究所 一种通信卫星指定时空范围内的效能值排序方法和***
CN109947058A (zh) * 2019-02-15 2019-06-28 北京空间飞行器总体设计部 一种航天器多项自主管理功能状态控制方法
CN109947058B (zh) * 2019-02-15 2020-08-18 北京空间飞行器总体设计部 一种航天器多项自主管理功能状态控制方法
CN110703725A (zh) * 2019-09-23 2020-01-17 北京控制工程研究所 一种适用于航天姿态轨道控制***的路径优化方法
CN111913787B (zh) * 2020-06-19 2022-10-18 合肥工业大学 基于遗传算法的成像卫星调度方法和***
CN111913787A (zh) * 2020-06-19 2020-11-10 合肥工业大学 基于遗传算法的成像卫星调度方法和***
CN111950869A (zh) * 2020-07-28 2020-11-17 中国西安卫星测控中心 改进航天测控网调度问题初始解的迭代求解方法及***
CN111950869B (zh) * 2020-07-28 2023-08-04 中国西安卫星测控中心 改进航天测控网调度问题初始解的迭代求解方法及***
CN112598608A (zh) * 2020-11-25 2021-04-02 湖北工业大学 一种基于目标区域的光学卫星快速融合产品制作方法
CN112598608B (zh) * 2020-11-25 2022-07-19 湖北工业大学 一种基于目标区域的光学卫星快速融合产品制作方法
CN113919122A (zh) * 2021-08-05 2022-01-11 合肥工业大学 基于模拟退火算法的多星任务调度方法和***
CN113919122B (zh) * 2021-08-05 2024-07-12 合肥工业大学 基于模拟退火算法的多星任务调度方法和***
CN115296717A (zh) * 2022-06-29 2022-11-04 航天恒星科技有限公司 一种低轨卫星***地面站天线阵列的调度方法
CN115296717B (zh) * 2022-06-29 2024-05-17 航天恒星科技有限公司 一种低轨卫星***地面站天线阵列的调度方法

Also Published As

Publication number Publication date
US20180341894A1 (en) 2018-11-29
AR111895A1 (es) 2019-08-28
RU2018118555A (ru) 2019-11-21
BR102018010426A2 (pt) 2019-03-26
ES2842591T3 (es) 2021-07-14
US10726368B2 (en) 2020-07-28
EP3406531B1 (en) 2020-10-28
EP3406531A1 (en) 2018-11-28
IT201700056428A1 (it) 2018-11-24

Similar Documents

Publication Publication Date Title
CN108960483A (zh) 卫星调度方法、处理***以及软件程序产品
Paliwal et al. Reinforced genetic algorithm learning for optimizing computation graphs
CN111176807A (zh) 一种多星协同任务规划方法
Eshtehardian et al. Time–cost optimization: using GA and fuzzy sets theory for uncertainties in cost
CN106952181A (zh) 基于长短时记忆神经网络的电力负荷预测***
CN108804220A (zh) 一种基于并行计算的卫星任务规划算法研究的方法
CN106960252A (zh) 基于长短时记忆神经网络的电力负荷预测方法
Yang et al. Mathematical foundations of nature-inspired algorithms
CN109933842A (zh) 一种基于约束满足遗传算法的移动目标单星任务规划方法
CN110163410A (zh) 一种基于神经网络-时间序列的线损电量预测方法
CN104063749A (zh) 一种基于滚动时域控制的成像卫星自主任务规划算法
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
Eddy et al. Markov decision processes for multi-objective satellite task planning
Ihme et al. Generation of optimal artificial neural networks using a pattern search algorithm: Application to approximation of chemical systems
CN112434435B (zh) 基于任务合成的成像卫星密集任务调度方法
Bachmatiuk et al. Analysis of the performance of different implementations of a heuristic method to optimize forest harvest scheduling
CN112884236A (zh) 一种基于vdm分解与lstm改进的短期负荷预测方法及***
Colome et al. Research on schedulers for astronomical observatories
Petković et al. Machine learning for predicting thermal power consumption of the mars express spacecraft
Choi et al. Deep-space trajectory optimizations using differential evolution with self-learning
Hajipour et al. ODMA: a novel swarm-evolutionary metaheuristic optimizer inspired by open source development model and communities
Chen et al. Multi-satellite data downlink resource scheduling algorithm for incremental observation tasks based on evolutionary computation
CN114997488A (zh) 一种综合能源***负荷预测方法及装置
BAŞKENT Combinatorial optimization in forest ecosystem management modeling
Vanegas et al. Compactness in spatial decision support: a literature review

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20181207

WD01 Invention patent application deemed withdrawn after publication