CN112766813B - 一种空天协同观测复杂任务调度方法 - Google Patents
一种空天协同观测复杂任务调度方法 Download PDFInfo
- Publication number
- CN112766813B CN112766813B CN202110157729.XA CN202110157729A CN112766813B CN 112766813 B CN112766813 B CN 112766813B CN 202110157729 A CN202110157729 A CN 202110157729A CN 112766813 B CN112766813 B CN 112766813B
- Authority
- CN
- China
- Prior art keywords
- task
- platform
- subtasks
- planning
- observation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Genetics & Genomics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种空天协同观测复杂任务调度方法及***,包括将搜索区域按照网格进行划分,将复杂任务按照任务所覆盖的网格划分成子任务集,根据“分配‑规划‑调整‑分配”的任务规划框架,将子任务集分配到各平台,各平台分别进行任务规划,之后按照启发式规则调整规划结果,得到此次分配的规划方案,根据得到的规划方案重新形成分配方案,循环迭代,最终找到满意的分配方案。本发明通过设计多层嵌套遗传算法,能够高效、灵活的求解空天协同观测复杂任务规划问题,使得对于空天协同的复杂观测任务来说,其规划速度和规划质量远大于传统的规划方法。
Description
技术领域
本发明属于任务规划调度领域,尤其是涉及一种空天协同观测复杂任务调度方法及***。
背景技术
复杂任务主要是指在一定时间内将用户下达所有不同类型任务汇总的集合统称为复杂任务,对复杂任务进行统一预处理、规划、协调和执行观测,如表1所示。空天协同观测复杂任务规划问题是指利用卫星和无人机观测资源,根据卫星和无人机观测平台的载荷特点、机动能力、运行方式等,通过协同规划的相关方法对复杂任务进行处理,规划目标是在满足约束的情况下,合理分配观测资源,确定各任务的执行时间,尽可能使被安排任务的优先级之和最大化。
表1空天协同观测任务类型
目前,随着各平台技术的快速发展,用户下达的观测任务类型逐渐多样化,形成了以点目标、区域目标和协同目标任务为主的复杂任务,同时用户下达的任务数量日益增多,任务处理中心难以将各类型任务单独安排观测计划,各平台需要对在一个观测周期内的复杂任务集合中各类型任务同时进行观测。虽然单一类型的观测平台在灾区搜救、勘探测绘等领域能够很好的满足用户的观测需求,但各类观测平台的独立执行复杂任务时,由于运作模式和储能特点等限制,其观测效率和图片质量无法保证满足用户要求,同时由于各平台之间缺乏协同交互,也可能发生重复观测,浪费现有资源的情况。所以如何根据卫星和无人机平台的特点及用户需求,结合多平台协同的相关技术,充分利用各平台资源,发挥平台协同的优势,实现整体资源的协同应用,达到“1+1>2”的目标,是一个亟待解决的问题。
对于上述问题,Morris和Herold等人通过构建一个协同任务分配模型,并提出了分布式框架,将多平台协同任务规划问题划分成多个单平台任务规划问题,之后形成多个子规划中心,各子规划中心按照一定规则处理分配的任务,虽然该任务规划框架受到了较多的认可,但这种方法不适合用于大规模复杂任务。梁星星等人构建了针对海上移动目标的空天协同连续观测模型,提出了空天协同连续观测策略对UAV飞机计划进行求解。余婧等人根据卫星和飞艇平台的资源特性与用户需求特点,设计了空天对地观测资源协同任务规划框架,提出了基于合同网思想的任务分配方法。李军等人为解决现有空天资源规划调度问题,分析总结了SWE标准,并在此基础上提出了空天资源对地观测协同任务规划服务模型。李夏苗设计了一种两阶段迭代规划框架,根据对地观测机会和冲突度构造适应度函数,设计结合禁忌表策略的任务分配方法,提高空天对地观测***的任务收益率。
在对模型进行求解时,侯科文采用集中式与分级式的方法来处理空天协同任务规划问题,但应用的任务类型较为单一,对于复杂任务难以处理。白国庆等人分析了卫星和无人机的资源调度和执行观测的特征差异性,建立了多平台联合对地观测调度问题的数学模型,在顶层采用遗传算法进行求解,在底层应用分治-合作策略进行任务规划。伍国华等人使用总效用值作为任务分配方法的评价函数,并设计了高权重优先分配算法以及结合禁忌表的模拟退火的规划算法。杜永浩等人针对天临空协同任务规划问题,构建了统一化的观测路径决策模型,并提出了一种并行竞争的模因算法。另外,在异构机器调度问题中,研究者们提出了与空天协同调度问题相关的模型和方法,Nattaf针对并行机器上不同工件族的调度问题构建了约束规划模型,设计了一个启发式算法,并通过实验验证这种建模方式的可行性。Shahvari将MILP模型发展为两个集成的批处理和调度阶段。提出了一种基于禁忌搜索的高效元启发式算法,该算法具有多层次的多样化和多禁忌结构,在批处理和调度阶段之间来回移动。
虽然现有技术中许多研究都采用了分布式框架来解决空天协同的复杂性问题,但各层级之间缺乏信息交流,出现模型求解寻优速度缓慢和规划结果不理想的现象。同时,从处理任务角度来看,大多研究仅针对某种单一任务进行考虑,缺少对由多种任务类型组成的复杂任务的研究。
发明内容
本发明要解决的技术问题是怎样能够快速对空天协同观测的复杂任务进行调度,并且任务收益最大化,提供了一种空天协同观测复杂任务调度方法及***。
为解决该问题,本发明采用的技术方案是:
一种空天协同观测复杂任务调度方法,包括以下步骤:
步骤1:获取任务集以及各平台的资源集,以观测平台中最小载荷单元的幅宽为边长对任务搜索区域进行网格划分;
步骤2:对所述任务集根据各任务所覆盖的网格进行预处理得到待观测的子任务集;
步骤3:若是对待观测的子任务集的初次分配,则将所述待观测的子任务集初步分配至各平台的任务集中,否则,根据前次的任务分配方案和该方案计算得到的收益值,重新进行任务分配;
步骤4:各平台对所分配的任务集进行任务规划,得到各平台的任务规划集;
步骤5:根据剩余未观测子任务集、各平台剩余资源集以及各平台的初步任务规划方案按照启发式规则对剩余未观测子任务进行任务调整得到各平台的近似优化方案;
步骤6:判断是否满足终止条件,若满足,将当前各平台的近似优化方案作为最优规划方案输出,否则,将剩余未观测子任务集、各平台剩余资源集以及近似优化方案返回步骤3重新进行任务分配。
本发明还提供了一种空天协同观测复杂任务调度***,包括以下模块:
任务获取模块:用于获取任务集以及各平台的资源集,以观测平台中最小载荷单元的幅宽为边长对任务搜索区域进行网格划分;
任务预处理模块:用于对任务获取模块中所获取的任务集根据各任务所覆盖的网格进行预处理得到待观测的子任务集;
任务分配模块:用于判断是否为对待观测的子任务集的初次分配,若是,则将所述待观测的子任务集初步分配至各平台的任务集中,否则,根据前次的任务分配方案和该方案计算得到的收益值,重新进行任务分配;
任务规划模块:用于将任务分配模块初步分配至各平台的任务集进行任务规划,得到各平台的初步任务规划方案;
任务协调模块:用于将各平台的初步任务规划方案按照启发式规则对剩余未观测子任务进行任务调整得到各平台的近似优化方案;
方案输出模块:用于判断是否满足终止条件,若满足,将当前各平台的近似优化方案作为最优规划方案输出,否则,将各平台的近似优化方案返回步骤3重新进行任务分配。
本发明还提供了一种计算机可读介质,存储计算机程序,所述计算机程序可被处理器执行以实现上述空天协同观测复杂任务调度方法。
本发明还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现空天协同观测复杂任务调度方法的步骤。
与现有技术相比,本发明所取得的有益效果是:
本发明一种空天协同观测复杂任务调度方法及***,通过将搜索区域按照各平台的最小载荷单元的幅宽划分成网格,然后将任务集根据各任务所覆盖的网格划分成子任务集合,从而将多种任务类型统一起来在各平台上进行任务分配,各平台针对分配到该平台上的子任务进行任务规划,得到各平台的初步规划方案,然后将未规划的子任务,已规划的初步规划方案以及剩余的资源集合起来进行任务协调,得到近似最优分配方案并返回到任务分配阶段重新进行任务分配,直至收益值最大或达到最大迭代次数,输出最优分配方案。本发明通过设计多层嵌套遗传算法,能够高效、灵活的求解空天协同观测复杂任务规划问题,使得算法的求解速度和求解质量远大于经典算法,从而提高了任务规划效率和规划质量。
附图说明
图1为本发明***流程图;
图2为网格划分示意图;
图3为点目标任务聚类示意图;
图4为空天协同观测的复杂任务规划框架示意图;
图5为本发明多层嵌套遗传算法流程示意图;
图6为任务分配层初始解生成方法示意图;
图7为任务规划层算法初始解生成方法示意图;
图8为任务规划层交叉算子设计示意图;
图9为任务规划层变异算子设计示意图;
图10为算法不同规模求解结果图;
图11为不同算法的计算结果示意图;
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
由于空天协同任务规划问题具备相关NP-Hard问题的特点,为了能够集中力量研究主要问题,确定研究问题的边界,以保证合理的协同任务规划,本文提出相关假设以简化模型:
(1)卫星搭载可见光载荷,并且具备侧摆、仰俯、偏航三轴姿态机动能力;
(2)卫星能保持一定的充电速率,在下一圈次工作时电量回复如初;
(3)卫星观测模式为实拍实传,因此观测结果能实时传回地面,固存将不再是约束;
(4)卫星电量的消耗与成像、姿态机动的时间成正比;
(5)无人机平台的飞行里程只与飞行时间相关;
(6)不考虑无人机的数传约束;
(7)不考虑天气、海况等气候条件的影响。
图1至图11示出了本发明一种空天协同观测复杂任务调度方法,包括以下步骤:
一种空天协同观测复杂任务调度方法,包括以下步骤,如图4所示:
步骤1:获取任务集以及各平台的资源集,以无人机和卫星平台最小载荷单元的幅宽为边长对任务搜索区域进行网格划分。
本发明对含有点目标、区域目标以及协同目标任务的复杂任务集合进行研究。根据各类型任务的特点、用户需求,以及不同类型资源的搭载载荷、观测视野等方面不同,考虑选用网格划分的方法来解决任务划分问题,同时为保证任务划分效果,网格划分采用以下原则:
(1)网格划分粒度原则:目标的定位精度、任务求解时间、传感器的有效幅度都是网格划分粒度需要考虑的,定位精度高则需要网格划分的粒度小,但是对应的求解时间长,网格粒度过大,虽然求解时间短,但精确度不够,而且低观测视野的平台无法实现对网格的覆盖。因此考虑采用多平台中最小载荷单元进行区域分解,根据卫星平台最小载荷单元幅宽d1和无人机最小载荷单元幅宽d2的比较,即d1>d2,选择无人机最小载荷单元幅宽d2作为网格的边长,网格划分示意过程如图2所示。
(2)网格划分走向原则:为确保针对不同平台对网格维护的一致性,也是便于计算实现,可以采用等经度和等纬度对搜索区域进行划分。
本发明根据空天协同执行对地观测任务的工作过程,如图3所示,第一阶段为任务处理层,即对用户下达的任务集合进行初步筛选,得到包含区域目标任务、协同目标任务以及点目标任务的复杂任务,根据预处理方法将其统一为子任务集合,之后将待观测的子任务集合分配至各平台。第二阶段为任务规划层,通过设计的算法对各平台的任务集合安排规划方案。第三阶段为任务协同层,通过上层计算得到剩余资源、未观测任务及各平台现有规划方案等信息,按照一定规则将未观测任务重新安排。然后汇总各平台的观测计划、计划获取的收益值和未安排任务集合,反馈至任务分配阶段,任务分配阶段根据反馈信息调整任务分组。在任务处理层、任务规划层与任务协调层之间形成一个寻优迭代过程,找到满意的***观测收益。
对于本发明的复杂任务来说,其规划调度模型为:
目标函数:
表示所有被规划子任务的优先级之和最大,也就是使***整体的收益值最大,n为任务集A中a1,...,ai,...,an任务的数量,N为任务ai的子任务集合SA中各子任务sai1,...,saij,...,SaiN的数量,M为观测平台集P中观测平台p1,...,pk,...,pM的数量,proij为子任务saij的优先级,为决策变量,表示第i个任务的第j个子任务是否被k平台所观测,如被其观测则为1,否则为0;
约束条件:
其中,式(5)表示,任意一个任务其中已规划子任务的数量占其子任务总数量的比率即任务覆盖率probi,必须大于***设定值prob;
式(6)表示,任意一个被规划子任务只能由一个平台来执行;
式(7)表示对于任意观测平台,其执行前后两个子任务的时间段应不小于两个子任务所需的转换时间,对卫星平台而言是姿态转换时间,对无人机平台而言是移动时间,obij和oeij分别表示子任务saij的实际开始观测时间和结束观测时间,trans(oeij,obi′j′)表示子任务saij向sai′j′之间的转换时间,obi′j′表示子任务sai′j′的实际开始观测时间,
式(8)和式(9)限定了观测窗口必须在可见窗口范围内,同时也必须在任务有效时间窗口内,Twij为子任务saij的观测窗口的集合,/>子任务saij在第k个观测平台的观测窗口,/>和/>分别表示窗口/>的开始时间与结束时间;startij和endij分别表示子任务saij的有效观测开始时间和结束时间,/>表示子任务saij在第k个观测平台的有效观测开始时间;/>表示子任务saij在第k个观测平台的实际开始观测时间;/>表示子任务saij在第k个观测平台的有效观测结束时间;/>表示子任务saij的实际结束观测时间;
式(10)限定了观测时间必须大于最低持续观测时间,ctij表示用户要求的子任务saij最短持续观测时间;
本发明对该调度模型进行求解的方法是多层嵌套遗传算法。如图5所示,具体为:
包括含任务分配、任务规划和任务协调三层,在任务分配层优化使用遗传退火算法求解各平台的任务分配情况,在任务规划层采用基于约束特征编码的遗传算法求解各平台内部的任务观测近似最优排序集合,将任务分配层的任务分配结果作为任务规划层的各平台任务初始规划方案输入,之后将任务规划层优化结果作为初步规划方案,把剩余资源集合、剩余未观测任务集合和各平台规划方案传至任务协调层,任务协调层根据启发式规则进行调整,然后将得到的所有信息反馈至任务分配层,从而形成完整的多层嵌套循环过程。
具体的求解过程为:
步骤2:对所述任务集根据各任务所覆盖的网格进行预处理得到待观测的子任务集;
本实施例中对所述任务集进行预处理的方法是:
对于点目标任务:在网格划分的基础上,如图3所示,在以每个点目标任务为中心,网格宽度为直径的圆形区域,如果在该圆形区域内存在其他点目标或存在一种未在该圆形区域内,但在同一个网格内的点目标,则将其视为一个网格单位的子任务,如果该区域或者该网格内没有其他点,将其单独视为一个网格单位的子任务,大小为一个以d2为边长的网格;
对于区域目标任务,根据任务所覆盖的网格划分成多个以网格为单位的子任务;
对于协同目标任务,根据协同目标任务为点目标或区域目标按照上述划分规则预处理成以网格为单位的子任务,同时根据该子任务所需要协同的平台对该子任务添加约束条件。
对于上面的复杂任务规划模型来说,输入的是经过任务预处理后的子任务集合,主要包含任务位置信息,平台执行任务的最短持续时间,任务的观测质量要求,任务优先级,任务的有效观测时间以及任务所需要的传感器类型和分辨率大小,如表达式(1):
proij表示子任务saij的优先级,ctij表示用户要求的子任务saij最短持续观测时间,startij和endij分别表示子任务saij的有效观测开始时间和结束时间,obvTypei和obvResi分别表示子任务saij所要求的观测传感器类型和图像分辨率,posij表示子任务saij的位置信息。
步骤3:若是对待观测的子任务集的初次分配,则将所述待观测的子任务集初步分配至各平台的任务集中,否则,根据前次的任务分配方案和该方案计算得到的收益值,重新进行任务分配;
本实施例中将所述待观测的子任务集分配至各平台的任务集的方法是:
步骤3.1:输入任务观测平台数量m,子任务数量n,以及平台和任务的相关信息;
步骤3.2:根据步骤3.1中所输入的信息,按照初始解生成规则产生多个初始解个体,形成初始任务分配方案集合,构成初始种群;
所述初始解生成规则是指,如图6所示:
规则一、染色体每一位代表的是任务所应用的观测平台,对于全体任务集合T中的一个任务i其对应的是染色体第i位,假设第i位的取值为wi,根据任务i的需求约束中的传感器类型、分辨率值和所需观测平台类型约束,进行约束冲突检查,从所有观测平台中选择出符合条件的观测平台共ni个,则染色体在该位的取值wi为这ni个自然数的一个,wi表示任务i的所用的观测平台。本发明考虑到随着平台数量和任务数量的增加,个体染色体长度变长,而染色体的每一个基因位代表着某个任务被分配至某平台,需要进行约束检查,这将导致算法运行时间大大增加,算法时效性降低。对此本本实施例在初始解生成时,增加约束限制,减少算法运行时间。本实施例中的约束冲突检查指的是复杂任务调度模型中是式11中的传感器类型和分辨率约束检查以及式6的观测平台数量约束。
规则二、如果产生的初始解使得卫星平台在观测某一可见区域时任务数量大于等于卫星在该可见区域预先设定的任务数量,则使用该解作为初始解,否则重新生成初始解。对于卫星而言,由于其运行机制限制,必须在固定轨道上对星下任务进行观测,如果使用上述方法产生初始解,在求解初始阶段会导致卫星的观测效率有所降低,使算法求得近似最优解的效率低,为了保证算法的求解效率,尽快找到满意解,本发明增加了任务分布阈值限制。任务分布阈值限制即是在通过规则一找到初始解后,进行再一步判定初始解是否可用。引入卫星平台在观测某一可见区域时当中任务数量大于等于预先设定的任务数量,则使用该解作为初始解,否则重新生成初始解。
根据上述两个规则初始解生成方案和编码方式生成多个初始解个体,形成初始任务分配方案集合,构成初始种群。
步骤3.3:计算所述初始种群个体的适应度,所述适应度指个体中被观测任务的优先级之和,但如果在全部任务均可被观测情况下,优先级之和不变,则将完成所有任务的需求时间作为适应度;本实施例中,从调度模型的目标函数中可以看出,个体中被观测任务的优先级之和就是个体中所有被观测任务的收益值。
步骤3.4:对所述初始种群进行轮盘赌选择、交叉和变异产生新种群;
交叉是指随机选择任务分配方案集合中的两个染色体的一段基因,进行重新组合,变异是指以一定小的概率对任务分配方案集合中的某些节随机替换为其可行平台集合中的一个平台执行此任务。另外对于没有进行交叉和变异操作的个体,直接加入新的任务分配方案集合中。
步骤3.5:计算新种群个体的适应度;
步骤3.6:模拟退火个体选择方案对所述交叉变异后的新种群进行个体筛选,产生筛选后种群,记录筛选后种群的适应度;
在进行该过程时,仅对种群中的个体进行纵向比较,也就是每个个体只与它的父代进行比较,目的是提升新种群的整体性能,保障种群向更好的方向进化。模拟退火选择过程有两个方案,一是优于父代的子代被选择,二是次于父代,但适应值接近于父代的子代,有概率被选中,使得新产生的子代集合综合水平高于父代。
步骤3.7:判断是否满足终止条件,若是,则输出最优任务分配方案,若否,则继续降低退火温度,增加代数,执行步骤3.4。
本实施例中,终止条件是指退火温度等于某设定值,或者满足迭代次数或者在迭代过程中连续多代种群中个体的适应度没有变化或变化值小于预设值。当种群中个体的适应度连续多代不变,就说明当前个体中被观测任务的收益值不变。
如果步骤3中不是对待观测的子任务集进行初步分配,而是根据步骤6中返回的各平台的近似优化方案进行分配,那么就将各平台的近似优化方案按照步骤3.1至3.7中重新进行任务分配至各平台的任务集中。
步骤3为任务分配层,将预处理后的子任务集分配给各平台,使用的算法是遗传退火算法。遗传退火算法是将模拟退火算法和遗传算法组合构成的一种智能优化算法,算法按照一定规则产生一组初始解(初始种群),之后搜索满意解。它先通过选择、交叉、变异等过程产生一组新个体,然后引入模拟退火机制,由于模拟退火算法是对单一个体进行演算的,所以要逐一地对从遗传算法中产生的个体进行退火过程,从中选择出的个体作为下一代种群中的个体。循环进行此过程,直到满足某终止条件结束。
步骤4:各平台对所分配的任务集进行任务规划,得到各平台的初步任务规划方案;
本实施例4中对所分配的任务集进行任务规划的方法是:
步骤4.1:输入各平台的任务分配方案,以及所述任务分配方案中所有子任务和观测平台的相关信息;
步骤4.2:判断平台类型、按照规定的初始解生成方式,生成初始种群;
所述初始解的生成方式为:
对于卫星观测平台,根据卫星特点设计其初始解生成方式,其染色体的每一个基因位代表一个子任务,对于任务集合中的子任务j,其有效可见时间窗共为mj个,而其中每一个基因位的取值wj为其有效的可见时间窗集合mj内的某一个值。本实施例通过将基因位与观测平台的映射关系生成种群初始解后,那么在计算该卫星平台的算法的适应度时,由于每个周期内的卫星所需观测的任务数量较少,则可以利用爬山算法进行求解,其生成初始解的思想与任务分配层算法生成初始解的思想基本一致。
对于无人机平台,根据所输入的无人机观测平台任务分配情况,得到无人机平台的任务集合,根据无人机平台的任务集合中的子任务标记信息,如果存在隶属于同一个区域任务的部分子任务,则将隶属于同一个区域任务的子任务聚集,将m个子任务变成为j个子任务,根据j个子任务随机生成初始解集合;本发明考虑到区域目标任务经过预处理得到的子任务集合,其位置相对距离较近,无人机平台在观测时,利用这点可以很好的节约资源、提高效率。针对这方面,设计了无人机平台的算法的初始解生成方式,如图7所示,对于无人机平台,在得到外层算法分配的任务集合后,根据子任务的标记信息,如果存在部分区域任务的子任务,则将属于一个区域任务的子任务聚集,将m个子任务变成为j个子任务,根据j个子任务随机生成初始解集合。
本实施例中使用上述独特的编码规则,在编码时,将隶属于同一个区域任务的部分子任务合并在一起作为一个子任务,目的是减小搜索空间,加快算法的计算效率。
步骤4.3:对所述初始种群中的个体进行约束冲突检查,剔除不符合约束条件的子任务,计算初始种群中符合约束冲突检查的个体适应度;
本实施例中个体适应度就是某平台对所分配的观测任务进行约束冲突消解,得出符合所有约束条件的任务集合,所有已规划任务的优先级之和就是该个体的适应度数值。
步骤4.4:对剔除不符合约束条件的子任务后的所述初始种群进行轮盘赌选择、交叉和变异操作产生新子代种群;
根据无人机平台的初始解生成方式,无人机平台的交叉算子是双层交叉算子,第一层交叉算子是对j个子任务,也就是将子任务集合中的区域任务类型的子任务聚集后子任务集合,进行交叉,第二层交叉算子是对其区域子任务聚集的子任务内部依次进行交叉处理;
由于中层算法关于卫星平台的算法的初始解生成方式和上层算法的初始解生成方式类似,所以其交叉、变异算子的设计也基本一致,不再赘述。根据无人机平台的初始解生成方式,设计了双层交叉算子。首先第一层是对j个子任务,也就是将子任务集合中的区域任务类型的子任务聚集后子任务集合,进行交叉,如图8所示,之后第二层是对其区域子任务聚集的子任务内部依次进行交叉处理,原理均为OX算子交叉原理,如图9所示。
步骤4.5:对所述新子代种群中的个体进行约束冲突检查,计算新子代种群中个体适应度,判断是否满足终止条件,若满足执行步骤4.6,否则将符合约束的新子代种群作为初始种群返回步骤4.4;本实施例中终止条件在迭代过程中连续多代未产生更优质的解,即种群的适应度连续多代没有变化,或其变化值小于预设值。本实施例中对个体进行约束冲突检查指的是对调度模型中的约束条件进行约束检查。
步骤4.6:算法结束,输出各平台的初步规划方案;
步骤4为任务规划层,将步骤3任务分配层分配到各平台的任务分配结果作为步骤4中各平台任务初始规划方案输入。通过使用基于约束特征编码的遗传算法,减小了搜索空间,加快了计算效率,通过对单星或单无人机平台的被分配任务列表进行规划求解,得到各平台近似最佳的初步任务规划方案。
步骤5:根据剩余未观测子任务集、各平台剩余资源集以及各平台的初步任务规划方案按照启发式规则对剩余未观测子任务进行任务协调得到各平台的近似优化方案;
通过步骤4的任务规划,各平台得到一个初步规划方案。为了增加各平台之间的协同性,提高平台间的信息交流程度,使***整体效益接近最优,但部分平台仍可能会出现剩余资源较多的现象,资源与任务的匹配度不均的现象,为了保障整体效益近似最大化,进行任务协调,需满足:①平台资源利用最大化原则②剩余任务数量最小化原则③被规划任务合理化原则,
本实施例中所述任务调整的方法是:
步骤5.1:整理出未被规划任务集合Ut和有剩余资源平台Rr,并对所述未被规划任务集合Ut集合里的子任务按照优先级顺序排序;
步骤5.2:按照优先级顺序逐一对Ut集合里的子任务进行约束检查,得到符合条件的平台集合Rr′;
步骤5.3:如果平台集合Rr′为空,则直接执行步骤5.4,否则得到对于未被规划任务集合Ut集合中符合子任务uti的平台集合Rrs,找到Rrs集合中安排完此子任务后剩余资源最少的平台,将任务uti安排至该平台的初步规划方案中;
步骤5.4:检验Ut集合是否变为空,如果是,则转到步骤5.5,否则转到步骤5.2;
步骤5.5:检测区域任务的覆盖率是否满足要求,算法结束,将此时该平台的初步规划方案作为该平台的近似优化方案输出,所述区域任务的覆盖率是指任意一个任务其中已规划子任务的数量占其子任务总数量的比率;区域任务的覆盖率也就是调度模型约束条件中任务覆盖率probi,必须大于***设定值prob,本实施例中设置prob=0.9。
步骤6:判断是否满足终止条件,若满足,将当前各平台的近似优化方案作为最优规划方案输出,否则,将各平台的近似优化方案返回步骤3重新进行任务分配。本实施例中的终止条件是指满足迭代次数,或在迭代过程中连续多代种群中个体的适应度保持不变。
本发明通过将搜索区域按照各平台的最小载荷单元的幅宽划分成网格,然后将任务集根据各任务所覆盖的网格划分成子任务集合,从而将多种任务类型统一起来在各平台上进行任务分配,各平台针对分配到该平台上的子任务进行任务规划,得到各平台的初步规划方案,然后将未规划的子任务,已规划的初步规划方案以及剩余的资源集合起来进行任务调整,得到最优分配方案。本发明通过设计多层嵌套遗传算法,能够高效、灵活的求解空天协同观测复杂任务规划问题,算法的求解速度和求解质量远大于经典算法,从而提高了任务规划的效率和质量。
进一步地,本发明还提供了一种空天协同观测复杂任务调度***,包括以下模块:
任务获取模块:用于获取任务集以及各平台的资源集,以观测平台中最小载荷单元的幅宽为边长对任务搜索区域进行网格划分;
任务预处理模块:用于对任务获取模块中所获取的任务集根据各任务所覆盖的网格进行预处理得到待观测的子任务集;
任务分配模块:用于判断是否为对待观测的子任务集的初次分配,若是,则将所述待观测的子任务集初步分配至各平台的任务集中,否则,根据前次的任务分配方案和该方案计算得到的收益值,重新进行任务分配;
任务规划模块:用于将任务分配模块初步分配至各平台的任务集进行任务规划,得到各平台的初步任务规划方案;
任务协调模块:用于将各平台的初步任务规划方案按照启发式规则对剩余未观测子任务进行任务调整得到各平台的近似优化方案;
方案输出模块:用于判断是否满足终止条件,若满足,将当前各平台的近似优化方案作为最优规划方案输出,否则,将各平台的近似优化方案返回步骤3重新进行任务分配。
本发明还提供了一种计算机可读介质,存储计算机程序,所述计算机程序可被处理器执行以实现上述空天协同观测复杂任务调度方法。
本发明还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现空天协同观测复杂任务调度方法的步骤。
下面通过实验来验证本发明调度方法的有效性。
实验共设定了60×60km2小规模场景、120×120km2中等规模场景以及240×240km2大规模场景,观测资源相关参数列于表2,同时为了使实验结果具有更好的准确性和稳定性,每个实验的收益值取10次仿真优化结果的均值。根据问题背景,实验中设置卫星和无人机两种资源平台,复杂任务集合中所包含的任务类型有点目标任务、区域目标任务和协同目标任务。实验所用计算机的配置为:Inter(R)Core(TM)i7-6500U [email protected],RAM8GB,操作***Windows10。所有算法均是在MATLAB2017a开发环境下使用MATLAB语言编写。
表2任务规划资源相关参数
仿真计算过程中,遗传退火算法的交叉率和变异率为0.75和0.1,初始温度temp0=100,终止温度temp∞=1e-2,降温系数 基于约束特征编码的遗传算法的交叉率和变异率为0.7和0.1,种群规模为60。仿真设置了三个任务场景,对各个场景的任务数量进行设定,并通过复杂任务预处理方法计算出不同场景的子任务数量,如表3所示。根据图10中算法在不同规模下的迭代收敛情况,并从表3的算法计算结果统计中,可以看出在不同规模场景下,算法可以保证其子任务完成率在90%以上,任务完成率在80%以上,证明本发明所提出的方法可以有效的对问题求解。另外,从结果中能看出本发明的方法在进行中等规模场景计算时的收益率大于小规模和大规模场景的收益率,这个现象的原因是在小规模场景下观测资源少,出现某些任务无法找到合适的平台进行观测,大规模场景下观测资源多,但其区域任务范围大,出现覆盖率不满足需求的情况。本文通过建模和算法方式计算出合理的结果,表明本文框架、模型与算法的适用性和有效性。
表3不同场景任务数量配置情况
为了对本发明多层嵌套遗传算法(Multilayer nested genetic algorithm)MNGA的性能进行分析,设置了对比算法包括模拟退火遗传算法(SAGA)、两阶段嵌套遗传算法(TSNGA)、普通多层嵌套遗传算法(CMNGA)以及经典遗传算法(GA),对比算法的相关运行参数保持不变,如图11所示,为运行结果图。
经计算,在迭代400代时,对复杂任务集合的分配与规划结果列于表4.可见,①与两阶段嵌套遗传算法TSNGA方法法相比,本发明的方法增加了任务协调层后,其适应度提升均值约为392.4,算法适应度的平均值约为2209.1,提升空间约为17.8%,表明任务协调层达到了提升平台间信息共享程度的目的;②与普通多层嵌套遗传算法CMNGA方法相比,根据算法结果可知,本文算法中融合的模拟退火选择个体、初始解生成规则、基于约束构建可行域等方法,可以有效降低算法收敛时间,提高算法收敛效率;③与经典遗传算法GA和模拟退火遗传算法SAGA方法相比,本发明针对空天协同的复杂任务观测问题设计的多层嵌套遗传算法MNGA方法,其时效性和准确性都明显优于其他对比方法。
表4不同场景任务数量配置情况
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (5)
1.一种空天协同观测复杂任务调度方法,其特征在于,包括以下步骤:
步骤1:获取任务集以及各平台的资源集,以观测平台中最小载荷单元的幅宽为边长对任务搜索区域进行网格划分;
步骤2:对所述任务集根据各任务所覆盖的网格进行预处理得到待观测的子任务集;
步骤3:若是对待观测的子任务集的初次分配,则将所述待观测的子任务集初步分配至各平台的任务集中,否则,根据前次的任务分配方案和该方案计算得到的收益值,重新进行任务分配;
步骤3中将所述待观测的子任务集初步分配至各平台的任务集的方法是:
步骤3.1:输入任务观测平台数量m,子任务数量n,以及平台和任务的相关信息;
步骤3.2:根据步骤3.1中所输入的信息,按照初始解生成规则产生多个初始解个体,形成初始任务分配方案集合,构成初始种群;
所述初始解生成规则是指:
染色体每一位代表的是任务所应用的观测平台,对于全体任务集合T中的一个任务i其对应的是染色体第i位,假设第i位的取值为wi,根据任务i的需求约束中的传感器类型、分辨率值和所需观测平台类型约束,进行约束冲突检查,从所有观测平台中选择出符合条件的观测平台共ni个,则染色体在该位的取值wi为这ni个自然数的一个,wi表示任务i的所用的观测平台;
如果产生的初始解使得卫星平台在观测某一可见区域时任务数量大于等于卫星在该可见区域预先设定的任务数量,则使用该解作为初始解,否则重新生成初始解;
步骤3.3:计算种群个体的适应度,所述适应度指个体中被观测任务的优先级之和,但如果在全部任务均可被观测情况下,优先级之和不变,则将完成所有任务的需求时间作为适应度;
步骤3.4:对所述初始种群进行轮盘赌选择、交叉和变异产生新种群;
步骤3.5:计算新种群个体的适应度;
步骤3.6:模拟退火个体选择方案对所述交叉变异后的新种群进行个体筛选,产生筛选后种群,记录筛选后种群个体的适应度;
步骤3.7:判断是否满足最终退火温度或者满足终止条件,若是,则输出最优任务分配方案,若否,则继续降低温度,增加迭代次数,将筛选后种群作为初始种群返回步骤3.4;
步骤4:各平台对所分配的任务集进行任务规划,得到各平台的初步任务规划方案;
步骤4中对所分配的任务集进行任务规划的方法是:
步骤4.1:输入各平台的任务分配方案,以及所述任务分配方案中所有子任务和观测平台的相关信息;
步骤4.2:判断平台类型、按照规定的初始解生成方式,生成初始种群;
所述初始解的生成方式为:
对于卫星观测平台,根据卫星特点设计其初始解生成方式,其染色体的每一个基因位代表一个子任务,对于任务集合中的子任务j,其有效可见时间窗共为mj个,而其中每一个基因位的取值wj为其有效的可见时间窗集合mj内的某一个值;
对于无人机平台,根据所输入的无人机观测平台任务分配情况,得到无人机平台的任务集合,根据无人机平台的任务集合中的子任务标记信息,如果存在隶属于同一个区域任务的部分子任务,则将隶属于同一个区域任务的子任务聚集,将m个子任务变成为j个子任务,根据j个子任务随机生成初始解集合;
步骤4.3:对所述初始种群中的个体进行约束冲突检查,剔除不符合约束条件的子任务,计算初始种群中符合约束冲突检查的个体适应度;
步骤4.4:对剔除不符合约束条件的子任务后的所述初始种群进行轮盘赌选择、交叉和变异操作产生新子代种群;
根据无人机平台的初始解生成方式,无人机平台的交叉算子是双层交叉算子,第一层交叉算子是对j个子任务,也就是将子任务集合中的区域任务类型的子任务聚集后子任务集合,进行交叉,第二层交叉算子是对其区域子任务聚集的子任务内部依次进行交叉处理;
步骤4.5:对所述新子代种群中的个体进行约束冲突检查,计算新子代种群中符合约束的个体适应度,判断是否满足终止条件,若满足执行步骤4.6,否则将符合约束的新子代种群作为初始种群返回步骤4.4;
步骤4.6:算法结束,输出各平台的初步规划方案;
步骤5:根据剩余未观测子任务集、各平台剩余资源集以及各平台的初步任务规划方案按照启发式规则对剩余未观测子任务进行任务调整得到各平台的近似优化方案;
步骤5中所述任务调整的方法是:
步骤5.1:整理出未被规划任务集合Ut和有剩余资源平台Rr,并对所述未被规划任务集合Ut集合里的子任务按照优先级顺序排序;
步骤5.2:按照优先级顺序逐一对Ut集合里的子任务进行约束检查,得到符合条件的平台集合Rr′;
步骤5.3:如果平台集合Rr′为空,则直接执行步骤5.4,否则得到对于未被规划任务集合Ut集合中符合子任务uti的平台集合Rrs,找到Rrs集合中安排完此子任务后剩余资源最少的平台,将任务uti安排至该平台的初步规划方案中;
步骤5.4:检验Ut集合是否变为空,如果是,则转到步骤5.5,否则转到步骤5.2;
步骤5.5:检测区域任务的覆盖率是否满足要求,算法结束,将此时该平台的初步规划方案作为该平台的近似优化方案输出,所述区域任务的覆盖率是指任意一个任务其中已规划子任务的数量占其子任务总数量的比率;
步骤6:判断是否满足终止条件,若满足,将当前各平台的近似优化方案作为最优规划方案输出,否则,将各平台的近似优化方案返回步骤3重新进行任务分配。
2.根据权利要求1所述的调度方法,其特征在于,
步骤2中对所述任务集进行预处理的方法是:
对于点目标任务:在网格划分的基础上,在以每个点目标任务为中心,网格宽度为直径的圆形区域,如果在该圆形区域内存在其他点目标或存在一种未在该圆形区域内,但在同一个网格内的点目标,则将其视为一个网格单位的子任务,如果该圆形区域或者该网格内没有其他点目标任务,则将该点目标任务视为一个网格单位的子任务,所述网格单位是指大小为一个以网格宽度为边长的网格;
对于区域目标任务,根据任务所覆盖的网格划分成多个以网格为单位的子任务;
对于协同目标任务,根据协同目标任务为点目标或区域目标按照上述预处理规则预处理成以网格为单位的子任务,同时根据该协同目标任务所需要协同的平台对划分的子任务添加约束条件。
3.根据权利要求1所述的调度方法,其特征在于:所述终止条件是指满足迭代次数或者在迭代过程中连续多代种群中个体的适应度保持不变。
4.一种计算机可读介质,存储计算机程序,其特征在于,所述计算机程序可被处理器执行以实现权利要求1至3中任一项所述方法的步骤。
5.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至3中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110157729.XA CN112766813B (zh) | 2021-02-05 | 2021-02-05 | 一种空天协同观测复杂任务调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110157729.XA CN112766813B (zh) | 2021-02-05 | 2021-02-05 | 一种空天协同观测复杂任务调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112766813A CN112766813A (zh) | 2021-05-07 |
CN112766813B true CN112766813B (zh) | 2023-06-20 |
Family
ID=75704938
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110157729.XA Active CN112766813B (zh) | 2021-02-05 | 2021-02-05 | 一种空天协同观测复杂任务调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766813B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255122B (zh) * | 2021-05-11 | 2022-12-20 | 北京理工大学 | 多服务商协同模式下的农机运维服务区域重划分方法 |
CN113269324B (zh) * | 2021-05-31 | 2022-09-06 | 重庆两江卫星移动通信有限公司 | 一种基于遗传算法的低轨卫星时间窗规划方法及*** |
CN113240324A (zh) * | 2021-06-02 | 2021-08-10 | 中国电子科技集团公司第五十四研究所 | 一种顾及通信机制的空天资源协同规划方法 |
CN113379386B (zh) * | 2021-06-16 | 2024-04-12 | 南京大学 | 一种基于多阶段采样的任务分配与定价方法 |
CN113313414B (zh) * | 2021-06-21 | 2024-05-14 | 哈尔滨工程大学 | 一种多类异构遥感平台任务协同规划方法 |
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 |
CN113487221B (zh) * | 2021-07-23 | 2022-07-15 | 中南大学 | 面向动态目标观测的空天异构对地观测资源协同调度方法 |
CN113485429B (zh) * | 2021-07-23 | 2022-01-18 | 安徽有云智能科技有限公司 | 空地协同交通巡检的路径优化方法和装置 |
CN113706050B (zh) * | 2021-09-07 | 2023-06-27 | 合肥工业大学 | 基于自适应遗传算法的多卫星区域观测规划方法 |
CN114066225B (zh) * | 2021-11-15 | 2024-06-07 | 中国地质大学(武汉) | 一种城市群地表要素观测能力时空认知方法及存储介质 |
CN114091890A (zh) * | 2021-11-18 | 2022-02-25 | 南京航空航天大学 | 一种面向多机器人避碰耦合规划问题的大部件协同加工规划方法 |
CN114118798B (zh) * | 2021-11-26 | 2022-11-29 | 广州华旻信息科技有限公司 | 工业互联网平台的任务处理方法、装置及工业互联网平台 |
CN114740899B (zh) * | 2022-06-08 | 2022-09-02 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种网格化空域分配与协同搜索规划方法 |
CN114862065B (zh) * | 2022-07-05 | 2022-09-23 | 杭州数询云知科技有限公司 | 社工任务规划方法、装置、电子设备及存储介质 |
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 |
CN116258353B (zh) * | 2023-05-15 | 2023-07-14 | 民航成都信息技术有限公司 | 航班地勤节点执行序列的确定方法、装置、设备及介质 |
CN116822915B (zh) * | 2023-08-31 | 2023-12-22 | 中国人民解放军战略支援部队航天工程大学 | 一种面向多客户应用的航天任务需求受理模型 |
CN118071119B (zh) * | 2024-04-18 | 2024-07-19 | 中国电子科技集团公司第十研究所 | 一种异构传感器混合协同调度决策方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10140875B1 (en) * | 2017-05-27 | 2018-11-27 | Hefei University Of Technology | Method and apparatus for joint optimization of multi-UAV task assignment and path planning |
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 |
CN111176807A (zh) * | 2019-12-09 | 2020-05-19 | 中国空间技术研究院 | 一种多星协同任务规划方法 |
CN111598473A (zh) * | 2020-05-22 | 2020-08-28 | 中国人民解放军国防科技大学 | 面向复杂观测任务的多平台联合任务规划方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IT201700056428A1 (it) * | 2017-05-24 | 2018-11-24 | Telespazio Spa | Innovativo metodo di scheduling satellitare basato su algoritmi genetici e simulated annealing e relativo pianificatore di missione |
-
2021
- 2021-02-05 CN CN202110157729.XA patent/CN112766813B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10140875B1 (en) * | 2017-05-27 | 2018-11-27 | Hefei University Of Technology | Method and apparatus for joint optimization of multi-UAV task assignment and path planning |
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 |
CN111176807A (zh) * | 2019-12-09 | 2020-05-19 | 中国空间技术研究院 | 一种多星协同任务规划方法 |
CN111598473A (zh) * | 2020-05-22 | 2020-08-28 | 中国人民解放军国防科技大学 | 面向复杂观测任务的多平台联合任务规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112766813A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112766813B (zh) | 一种空天协同观测复杂任务调度方法 | |
CN108388958B (zh) | 一种二维姿态机动卫星任务规划技术研究的方法及装置 | |
CN112016812B (zh) | 多无人机任务调度方法、***及存储介质 | |
Zhu et al. | An efficient evolutionary grey wolf optimizer for multi-objective flexible job shop scheduling problem with hierarchical job precedence constraints | |
CN107977743B (zh) | 多无人机协同任务分配方法及装置 | |
CN107886201B (zh) | 多无人机任务分配的多目标优化方法及装置 | |
CN108055067B (zh) | 一种多星在线协同调度方法 | |
CN109388484B (zh) | 一种基于Deep Q-network算法的多资源云作业调度方法 | |
CN107769237B (zh) | 基于电动汽车接入的多能源***协同调度方法及装置 | |
CN109165808B (zh) | 一种电力通信网现场运维工单派发方法 | |
CN109409773B (zh) | 一种基于合同网机制的对地观测资源动态规划方法 | |
CN109767128B (zh) | 基于机器学习的成像卫星自主任务规划方法 | |
CN107392355B (zh) | 一种基于差分进化算法的多机场协同调度鲁棒优化方法 | |
Song et al. | Learning-guided nondominated sorting genetic algorithm II for multi-objective satellite range scheduling problem | |
CN109960544A (zh) | 基于数据驱动型敏捷卫星任务并行调度方法 | |
CN112346839A (zh) | 一种基于进化算法的关联任务调度方法 | |
CN101118611A (zh) | 基于遗传算法的业务过程模型资源配置优化方法 | |
CN113485409B (zh) | 一种面向地理公平性的无人机路径规划分配方法及*** | |
CN114256836A (zh) | 一种新能源电站共享储能的容量优化配置方法 | |
CN114580209A (zh) | 一种面向非时敏移动目标的多星协同任务分配方法及*** | |
CN109711702B (zh) | 面向多管理平台的对地观测任务分布式协同规划方法 | |
CN104392317A (zh) | 一种基于遗传文化基因算法的项目调度方法 | |
Zhou et al. | A novel mission planning method for UAVs’ course of action | |
CN114021914B (zh) | 一种无人机集群飞防调度方法及装置 | |
CN115115276A (zh) | 考虑不确定性和隐私保护的虚拟电厂调度方法及*** |
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 |