CN109492834A - 基于遗传优化的敏捷卫星任务规划与调度建模方法 - Google Patents

Abstract

本发明提供一种基于遗传优化的敏捷卫星任务规划与调度建模方法，包括：根据用户的观测需求以及卫星自身的资源情况，对待观测的复杂观测目标任务区域进行动态分解，生成具有多时间窗口的元任务集合；依据任务约束、资源约束以及它们之间的关系构建约束分析模型，包括卫星能量约束模型、存储约束模型、最小俯仰角约束模型以及姿态机动稳定约束模型；根据多时间窗口元任务集合，建立单星任务规划数学模型；利用遗传搜索算法进行单星任务规划数学模型的优化求解，并判断是否满足所建立的约束分析模型，生成最终可执行观测计划方案。本发明可以生成既满足目标函数最大又满足不同约束分析的任务观测计划方案，有效利用卫星资源，提高任务规划效率。

Description

基于遗传优化的敏捷卫星任务规划与调度建模方法

技术领域

本发明属于卫星探测技术领域，涉及一种基于遗传优化的敏捷卫星任务规划与调度建模方法。

背景技术

非敏捷卫星成像任务规划中，仅考虑了卫星的侧视成像能力，国内外学者对此作了非常深入的研究。建立了包括点目标、区域目标、移动目标、异轨立体成像和多星规划的相关模型，并初步地实现了非敏捷卫星对地观测点目标间的任务合成观测。同时，针对不同模型建立了不同算法，分析了相应算法的优劣，比较和发展了新的复合算法，成果颇多。

敏捷卫星不但在民用上有着广泛应用，在军事上也发挥着重要作用。军事战争中，在争夺战场制信息权方面，成像卫星曾经发挥了至关重要的作用。成像卫星具有成像面积大、成像范围广不受地理条件和国界限制的优点，它可以提供近实时的信息，也可以获取大量使用常规手段无法获得的情报，已成为打赢现代高技术局部战争至关重要的装备，一直为各国军方所重视，成为赢得现代战争的重要保障。现代若干次典型战争已经显示出其重要作用难以替代。

随着卫星技术与传感器技术的不断进步，敏捷卫星是一类新型的对地观测卫星，相比现有一般卫星，其姿态调整精度高，姿态机动能力强，因此可以灵活地在多种工作模式下执行用户任务，代表了下一代卫星发展的主流方向。随着敏捷卫星技术发展，其组网协同工作可依卫星多类载荷特点、不同轨道空间位置而完成复杂的用户任务。因此，敏捷卫星任务规划组网协同建设作为其航天研究的一个重要方向，已成为各航天大国竞相研制的重点，其既包含着卫星硬件技术的研究又包含着组网规划调度技术的研究。

发明内容

发明所要解决的课题是，对敏捷卫星任务规划中资源效率低，时效性差等技术不足，本发明提出一种基于遗传优化的敏捷卫星任务规划与调度建模方法，给出最优化的观测计划方案，该方法可以针对单个敏捷卫星和任务需求的特点，综合约束分析模型和任务规划算法优化，有效利用卫星资源，提高任务规划效率，并满足用户观测需求请求。

本发明的基于遗传优化的敏捷卫星任务规划与调度建模方法，包括以下步骤：

根据用户的观测需求以及卫星自身的资源情况，对待观测的复杂观测目标任务区域进行动态分解，生成具有多时间窗口的元任务集合；

依据任务约束、资源约束以及它们之间的关系构建约束分析模型，包括卫星能量约束模型、存储约束模型、最小俯仰角约束模型以及姿态机动稳定约束模型；

根据多时间窗口元任务集合，建立单星任务规划数学模型；

利用遗传搜索算法进行单星任务规划数学模型的优化求解，生成循环迭代一次的观测计划方案，并判断是否满足所建立的约束分析模型，通过循环迭代求解生成最终可执行观测计划方案。

进一步地，作为本发明的一种优选技术方案，所述方法中根据单颗敏捷卫星在规划周期的轨道圈次内卫星沿侧摆、俯仰以及翻滚三个自转轴的姿态机动角速度及其之间的几何关系，对待观测的复杂观测目标任务区域进行动态分解。

进一步地，作为本发明的一种优选技术方案，所述方法中单星任务规划数学模型包括收益率、完成率的优化目标函数。

进一步地，作为本发明的一种优选技术方案，所述方法中利用遗传搜索算法进行单星任务规划数学模型的优化求解包括选择、交叉和变异操作。

进一步地，作为本发明的一种优选技术方案，所述方法中利用遗传搜索算法求解采用适应度函数作为操作依据，运用解空间中每个个体的适应度值来进行搜索。

发明效果

本发明能够针对敏捷卫星的特点以及建立的目标函数及约束分析模型，提高卫星资源利用率以及解决单卫星任务执行时效性问题，针对不同的任务情况，选择不同的处理方法，达到合理分配卫星资源，增加单轨观测任务数量，提高响应时效性。与现有技术相比，存在优点有：

(1)采用复杂任务区域动态分解策略：根据敏捷卫星的俯仰，翻滚，偏航特点，利用计算的星下点规划对规划周期内复杂区域目标进行动态划分，生成不同条带的元任务集合。

(2)任务规划数学模型优化策略：依据复杂区域分解的元任务集合，结合约束分析条件进行任务间时间窗口冲突问题的调整与修正，实现卫星资源的合理分配利用和给出满足不同约束的最佳的任务观测计划方案。

(3)不同约束分析模型构建策略：依据卫星自身资源的条件以及卫星与任务间的几何关系，定量构建姿态机动稳定模型和卫星能量约束模型，对满足不同需求的观测计划方案进行优化与调整，通过循环迭代求解，进行任务的冲突消解或修正，最后生成既满足目标函数最大又满足不同约束分析模型的任务观测计划方案，有效利用卫星资源，提高任务规划效率。

附图说明

图1为本发明基于遗传优化的敏捷卫星任务规划与调度建模方法的流程示意图。

图2为本发明方法基于的结构示意图。

具体实施方式

以下，基于附图针对本发明进行详细地说明。

如图1所示，本发明提出一种基于遗传优化的敏捷卫星任务规划与调度建模方法，该方法基于的***可以如图2所示，本方法依据用户的观测需求，对观测区域目标进行动态任务分解，建立约束分析模型进行遗传搜索算法的求解，对具有多个可见时间窗口的元任务进行优化调整，生成满足约束条件的观测计划方案，从而提高卫星资源利用效率和任务观测时效性，具体包括以下步骤：

步骤1、根据用户的观测需求以及卫星自身的资源情况，对待观测的复杂观测目标任务区域进行动态分解，生成具有多时间窗口的元任务集合，即对观测区域动态分解为卫星一次可执行观测的条带目标，具体如下：

已知点目标P经纬度坐标卫星轨道高度h，卫星轨道倾角τ，地球半径R，相机视场角φ，遥感器侧摆角范围[α_min,α_max]，规划周期T。

设卫星观测角β_t，星下点坐标为原理公式如下：

计算卫星的最小观测角β_min和最大观测角β_max：

计算星下点经纬度：

其中，圆心角C为：

C＝arcsin((1+h/R)sinβ_t)-β_t

计算驻点：

确定单调区间：

如果且β_max＞β₀，函数u＝f(β)在[β_min,β₀]上单调递减，在[β₀,β_max]上单调递增。

如果且β_min＜β₀，函数u＝f(β)在[β_min,β₀]上单调递增，在[β₀,β_max]上单调递减。

如果且β_max≤β₀，函数u＝f(β)在[β_min,β_max]上单调递减。

如果且β_min≥β₀，函数u＝f(β)在[β_min,β_max]上单调递减。

判断是否存在可见时间窗口。其中，本发明方法可以根据单颗敏捷卫星在规划周期的轨道圈次内，卫星沿侧摆、俯仰以及翻滚三个自转轴的姿态机动角速度及其之间的几何关系，将待观测目标区域动态分解成多个元任务及其对应的多个可见时间窗口。

步骤2、依据任务约束、资源约束以及它们之间的关系构建约束分析模型，包括卫星能量约束模型、存储约束模型、最小俯仰角约束模型以及姿态机动稳定约束模型。

步骤3、根据多时间窗口元任务集合，建立单星任务规划数学模型；为了获取满足目标函数最大及多种约束条件的不同目标的一组可见时间窗口序列，建立满足姿态机动时间、能源、存储、最小俯仰角等约束条件的单星任务规划优化数学模型。

步骤4、利用遗传搜索算法进行单星任务规划数学模型的优化求解，生成循环迭代一次的观测计划方案，并判断是否满足所建立的约束分析模型，通过循环迭代求解生成最终可执行观测计划方案。

利用遗传搜索算法计算适应度值、选择、交叉、变异等操作得到目标函数最大的观测计划，经过能量约束模型，姿态机动稳定约束模型等约束分析模型循环迭代求解，进行任务的冲突消解或修正，最后生成既满足目标函数最大又满足不同约束分析模型的任务观测计划方案。

根据多时间窗口元任务集合和约束分析模型进行单星任务规划数学模型的优化求解，具体方法如下：

编码：编码机制是遗传操作的基础，由于遗传算法通常不直接处理问题空间的数据，而是在一定编码机制对应的码空间上进行的，因此编码机制的选择在很大程度上决定了算法的性能与效率。本算法采用二进制机制，二进制编码是将问题的解用一个二进制字符串来表示。

初始化种群：编码之后的任务是初始群体的设定，并以此为起点一代代的进化直到按照某种进化终止准则实行终止。本算法采用的种群规模为50。在运用遗传算法进行求解的过程中，而是用适应度函数作为操作依据，运用解空间中每个个体的适应度值来进行搜索。适应度值可以表明个体对环境适应能力的强弱，是区分群体中个体好坏的标准。个体的适应度高，被选择的概率就高；反之，被选择的概率就低。本算法主要考虑的优化目标函数包含任务收益率和任务完成率，则适应度函数为任务率和任务完成率的加权。

遗传搜索算法对任务规划优化模型的求解操作：选择、交叉和变异三个算子。具体为：(1)选择：适应度值是判断染色体优良与否的标准，个体的适应度值越大，它被选择的机会就越多。本算法的选择方法是适应度比例选择方法，在该方法中个体的选择概率与它的适应度值成正比。(2)交叉：交叉又被称为重组或配对，它是结合来自父代染色体的特征，组合出新的染色体，对解空间进行有效搜索，同时又降低对有效模式的破坏概率。本算法采用多点交叉。交叉概率用来控制交叉操作发生的概率。交叉概率过大时，种群中个体的更新很快，变化较大，会使得适应度的个体也被很快破坏掉。若交叉概率很小，交叉操作很少执行，会使得搜索停滞不前。(3)变异：选择和交叉是产生新个体的主要方式，而变异是产生新个体的辅助手段，但它也是遗传算法必不可少的步骤。进行变异操作时，变异概率不宜过大。

本方法采用的***结构如图2所示，包括：复杂任务区域动态分解模块、单星任务规划数学建模与求解模块、约束分析模型建立模块，其中复杂任务区域动态分解模块根据用户的观测需求以及卫星自身的资源情况，对观测区域动态分解为卫星一次可执行观测的条带目标；约束分析模型建立模块依据任务约束、资源约束以及它们之间的关系，建立满足约束条件的分析模型；单星任务规划数学建模与求解模块用于对卫星任务规划观测计划进行建模、优化与资源合理的分配，生成合理的任务观测计划方案。

其中，所述***对不同的场景模式，进行任务规划相邻任务间的时间冲突调整，来确定满足约束的元任务具体时间窗口。

为了验证本发明方法能够生成既满足目标函数最大又满足不同约束分析的任务观测计划方案，提高任务规划效率，现列举一个验证例进行说明。

验证例1、

本验证例的基于遗传优化的敏捷卫星任务规划与调度建模方法，如图1所示，具体包括如下步骤：

(1)判断目标任务类型是否是待观测的复杂观测目标任务区域目标，如果是，进行步骤(2)，否则不进行分解。

(2)对待观测的复杂观测目标任务区域进行动态任务分解，采用上述公式计算出星下点经纬度，计算驻点，确定单调区间，并判断是否存在可见时间窗口。

(3)单星任务规划数学模型的建立，对目标函数包括收益率、完成率等优化目标函数建立，进入步骤(4)，否则进入步骤(7)。

(4)利用遗传搜索算法进行对步骤(2)中的元任务时间窗口编码，进行初始适应度值计算，(5)，否则进入步骤(6)。

(5)步骤(4)中遗传搜索算法选择操作，选择：适应度值是判断染色体优良与否的标准，个体的适应度值越大，它被选择的机会就越多。进入步骤(6)。

(6)交叉：交叉又被称为重组或配对，它是结合来自父代染色体的特征，组合出新的染色体，对解空间进行有效搜索，同时又降低对有效模式的破坏概率，进入步骤(7)。

(7)变异：选择和交叉是产生新个体的主要方式，而变异是产生新个体的辅助手段，但它也是遗传算法必不可少的步骤。进行变异操作时，变异概率不宜过大，进入步骤(8)。

(8)生成循环迭代一次的观测计划方案，进入步骤(9)

(9)调入约束分析数学模型，进入步骤(10)。

(10)判断生成的观测计划方案是否满足约束分析的条件，如果是满足生成最终的可执行计划方案，如果否，转入步骤(4)，继续步骤(5)、步骤(6)、步骤(7)和步骤(8)。

(15)结束本次任务规划方案选择。

总之，本发明能够支持敏捷单星任务规划，通过对构建的满足约束分析模型的求解，进行遗传搜索算法的选择，交叉，变异进行相邻任务间的冲突，对观测计划方案进行优化，生成满足约束条件的最佳观测计划。

需要说明的是，以上说明仅是本发明的优选实施方式，应当理解，对于本领域技术人员来说，在不脱离本发明技术构思的前提下还可以做出若干改变和改进，这些都包括在本发明的保护范围内。

Claims (5)

1.基于遗传优化的敏捷卫星任务规划与调度建模方法，其特征在于，包括以下步骤：

根据用户的观测需求以及卫星自身的资源情况，对待观测的复杂观测目标任务区域进行动态分解，生成具有多时间窗口的元任务集合；

依据任务约束、资源约束以及它们之间的关系构建约束分析模型，包括卫星能量约束模型、存储约束模型、最小俯仰角约束模型以及姿态机动稳定约束模型；

根据多时间窗口元任务集合，建立单星任务规划数学模型；

利用遗传搜索算法进行单星任务规划数学模型的优化求解，生成循环迭代一次的观测计划方案，并判断是否满足所建立的约束分析模型，通过循环迭代求解生成最终可执行观测计划方案。

2.根据权利要求1所述的基于遗传优化的敏捷卫星任务规划与调度建模方法，其特征在于，所述方法中根据单颗敏捷卫星在规划周期的轨道圈次内卫星沿侧摆、俯仰以及翻滚三个自转轴的姿态机动角速度及其之间的几何关系，对待观测的复杂观测目标任务区域进行动态分解。

3.根据权利要求1所述的基于遗传优化的敏捷卫星任务规划与调度建模方法，其特征在于，所述方法中单星任务规划数学模型包括收益率、完成率的优化目标函数。

4.根据权利要求1所述的基于遗传优化的敏捷卫星任务规划与调度建模方法，其特征在于，所述方法中利用遗传搜索算法进行单星任务规划数学模型的优化求解包括选择、交叉和变异操作。

5.根据权利要求1所述的基于遗传优化的敏捷卫星任务规划与调度建模方法，其特征在于，所述方法中利用遗传搜索算法求解采用适应度函数作为操作依据，运用解空间中每个个体的适应度值来进行搜索。