CN115688568A - 超敏捷卫星多星区域成像任务的调度方法 - Google Patents

Abstract

本发明提供了一种超敏捷卫星多星区域成像任务的调度方法，包括如下步骤：步骤1，分析面向超敏捷卫星多星区域成像任务需求，对任务调度过程进行假设化简；步骤2，以条带长度总和最短为目标，对待成像区域进行条带分解，获得任务调度的原子任务集；步骤3，根据步骤2的任务集，选取相应的多类决策变量，以最大化成像覆盖收益、最小化成像任务执行时间为目标，构建多星成像任务调度模型；步骤4，求解所构建的多星成像任务调度模型；步骤5，将步骤4求解得到的最优决策变量组合还原为任务调度方案。本发明有效适应了存多类决策变量问题的优化求解需求，能够有效地适用于超敏捷卫星多星区域成像任务调度。

Description

超敏捷卫星多星区域成像任务的调度方法

技术领域

本发明属于卫星遥感的技术领域，具体涉及一种超敏捷卫星多星区域成像任务的调度方法。

背景技术

近年来，伴随着航天技术的发展，敏捷卫星开始向具备更加灵活三轴姿态机动能力(俯仰、滚动和偏航相)的超敏捷卫星发展，相较于传统敏捷卫星，大幅增加了成像卫星的数据获取能力。同时，多颗超敏捷卫星的组网观测，能进一步提升遥感卫星对数据的获取效率及时效性。然而，由于超敏捷卫星具备动中成像能力(姿态机动的同时对目标进行成像)，其成像方式不再局限于平行于星下点轨迹，导致多星成像任务调度存在海量的卫星资源组合方式和单星任务成像序列。因此，如何合理调度多颗超敏捷卫星任务序列高效完成对区域目标的覆盖，是当前多星联合任务调度面临的新的挑战。

现有的面向超敏捷卫星的成像任务调度建模方法，主要集中于单星成像任务的任务序列规划。Yang等在2018年的论文《The Bi-objective Active-Scan Agile EarthObservation Satellite Scheduling Problem：Modeling and Solution Approach》中提出了一种约束优化模型，并设计了一种基于混合编码的多目标差分进化算法。针对超敏捷卫星多星成像任务的“卫星资源优化配置”+“单星成像任务序列规划”一体化的优化建模方法还未见相关学者研究。现有的调度模型求解方法主要集中在种群进化算法的研究，其中，PSO及其改进是一种广泛应用的求解算法，针对不同类型的决策变量具有不同的粒子速度和位置更新策略，如连续决策变量更新方法(iwPSO、CLPSO、DNLPSO、SLPSO)、二进制决策变量更新方法(BPSO)及离散决策变量更新方法(GPSO、BBPSO)等。然而，多星成像任务调度优化模型存在多类决策变量，专门针对存在多种类型的决策变量混合成像任务调度模型求解算法还未见相关学者研究。因此，需要针对超敏捷卫星多星联合观测需求，针对性的研究相关的成像任务调度模型及求解算法。

发明内容

本发明的目的在于针对现有技术的不足之处，提供一种超敏捷卫星多星区域成像任务的调度方法，该方法有效适应了存多类决策变量问题的优化求解需求，能够有效地适用于超敏捷卫星多星区域成像任务调度。

为解决上述技术问题，本发明采用如下技术方案：

一种超敏捷卫星多星区域成像任务的调度方法，包括如下步骤：

步骤1，分析面向超敏捷卫星多星区域成像任务需求，对任务调度过程进行假设化简；

步骤2，以条带长度总和最短为目标，对待成像区域进行条带分解，获得任务调度的原子任务集；

步骤3，根据步骤2的任务集，选取相应的多类决策变量，以最大化成像覆盖收益、最小化成像任务执行时间为目标，构建多星成像任务调度模型；

步骤4，求解所构建的多星成像任务调度模型；

步骤5，将步骤4求解得到的最优决策变量组合还原为任务调度方案。

进一步地，步骤1中对多星成像任务调度过程进行简化，包括：

(1)超敏捷卫星在执行成像时仅对生成的原子任务集进行成像；

(2)原子任务仅能由多颗超敏捷对地观测卫星中的某一颗卫星成像，且原子任务需要被观测的最大次数为1次；

(3)任务调度模型的约束条件考虑卫星姿态转换能力约束、原子任务的成像时间窗口约束；

(4)假设卫星成像时间内太阳高度角满足光学成像需求，且不考虑天气情况的干扰。

进一步地，步骤3中的决策变量包括条带选星编号、条带成像顺序编号、条带成像方向编号、条带端点观测时刻的归一化系数。

进一步地，步骤3中构建多星成像任务调度模型包括：

构建最大化成像覆盖收益的首要目标函数：

式中，M为卫星数量，n为条带数目，Y_i,j表示由决策变量确定的第i颗卫星的条带成像序列中的第j个条带能否完成成像，Y_i,j∈{0,1}，若Y_i,j＝1，则第i颗卫星的条带成像序列的第j个条带能够完成成像，否则不可实现成像；G_i,j表示由决策变量确定的第i颗卫星的条带成像序列中的第j个条带的成像覆盖收益；当成像任务为点目标时，G_i,j表示条带所覆盖的点目标数量与对应点目标的比值，当成像任务为面目标时，G_i,j表示条带内所覆盖区域目标的有效覆盖面积与对应区域目标的比值，当成像任务为线目标时，G_i,j表示条带内所覆盖的线目标的长度与对应线目标的总长度的比值；

以及构建最小化成像任务执行时间d次要目标函数：

其中，M为卫星数量，n为条带数目，ΔT_i,k表示由决策变量确定的第i颗卫星的条带端点成像序列中，相邻两个条带端点之间成像时间间隔，ΔT_i,k＝T_i,k＝T_i,k-1，k表示由决策变量确定的第i颗卫星的条带端点成像序列中的第k个条带端点。Y_end_i,k表征由决策变量确定的第i颗卫星的条带端点成像序列中相邻两个条带端点之间的姿态转换时间约束。

进一步地，步骤3中还对多星成像任务调度模型建立与决策变量与一一对应观测的约束条件，约束条件包括成像时间窗口约束和姿态转换时间约束，

其中，成像时间窗口约束为：

成像时间窗口约束表示由决策变量确定的第i颗卫星的条带端点成像序列上第k个条带端点的成像时刻必须满足成像时间窗口约束，其中，T_i,k为由决策变量确定的第i颗卫星的条带端点成像序列上第k个条带端点的成像时刻；[ITW_i,k-s,ITW_i,k-e]为由决策变量确定的第i颗卫星的条带端点成像序列上第k个条带端点的成像时间窗口，ITW_i,k-s为条带端点的成像时间窗口的起始时刻，ITW_i,k-e为条带端点的成像时间窗口的终止时刻；

姿态转换时间约束为：

姿态转换时间约束表示由决策变量确定的第i颗卫星的条带端点成像序列上相邻两个条带端点之间的成像时刻之差ΔT_i,k必须满足相邻两个条带端点之间的姿态转换时间约束f_T_i,k。

进一步地，步骤4中利用改进的粒子群算法对多星成像任务调度模型进行求解。

进一步地，利用改进的粒子群算法对多星成像任务调度模型进行求解的方法包括：

步骤3.1，随机初始化种群个体：

设置种群规模为P，生成P个初始种群，每个个体代表一种多星成像任务调度方案，最大迭代次数为Iters；其中，粒子的位置表示步骤3中所构建多星成像任务调度模型中的决策变量；各粒子的初始值在其各自的取值范围内进行随机取值，同时设置粒子的初始速度为0；

步骤3.2，计算当前种群中，每个个体的多星成像任务调度方案，并得到当前种群中适应度值最优的个体，其中，适应度值即为成像覆盖收益和成像任务执行时间；

步骤3.3，更新种群个体的速度和位置；

在该步骤中，采用一种混合的种群个体速度和位置的更新策略，具体为：

针对连续决策变量，采用改进的PSO算法对粒子速度进行更新后，更新粒子位置；

针对二进制决策变量，采用Sigmoid激活函数对更新后的粒子速度激活处理后，获得更新后的粒子位置；

针对离散决策变量，采用BBPSO算法的更新粒子的位置；

步骤3.4进行优化迭代，得到成像覆盖收益最大且成像任务执行时间最小的多星成像任务调度方案；

在不满足迭代终止条件的情况下，多次执行步骤3.2和3.3，比较当前迭代和上一次迭代过程中的最优粒子对应的适应度值，则当前迭代过程中的最优个体对应的适应度为较优的多星成像任务调度方案，反之，则上一次迭代过程中的最优个体对应的适应度值为较优多星成像任务调度方案；

重复执行迭代过程直至所设置的最大迭代次数Iters，从而得到最优适应度值的个体，该个体对应的即为最优多星成像任务调度方案。

进一步地，步骤3.2得到当前种群中适应度值最优的个体具体方法为：

对当前种群中的粒子适应度值F_iter,u进行排序，得到改进粒子群算法求解过程中适应度最优的个体pbest，即成像覆盖收益最大且成像任务执行时间最小的个体对应的适应度值F_iter,pbest；

其中，pbest为改进粒子群算法在iter次迭代中适应度值最优的个体，F_iter,u表示改进粒子群算法在iter次迭代中P个种群中第u个个体对应的适应度值，F_iter,pbest表示改进粒子群算法在iter次迭代中最优个体pbest对应的适应度值；

适应度值的判断如下：对种群中的两个个体A和B进行比较，优先比较两个个体的成像覆盖收益，若A的成像覆盖收益大于B的成像覆盖收益，则A的适应度值优于B；若A和B的成像覆盖收益相等，则比较A和B的成像任务执行时间，若A的成像任务执行时间小于B的成像任务执行时间，则A的适应度值优于B。

本发明的另一个目的是提供一种实现上述的超敏捷卫星多星区域成像任务的调度方法的调度***，包括多星成像任务调度模型构建模块和多星成像任务调度模型求解模块，其中，

多星成像任务调度模型构建模块用于构建包括多类决策变量，且以最大化成像覆盖收益、最小化成像任务执行时间为目标函数，以成像时间窗口约束、姿态转换时间为约束条件的多星成像任务调度模型；

多星成像任务调度模型求解模块用于对所构建的多星成像任务调度模型利用改进的粒子群优化算法对模型进行求解，确定多星成像任务调度方案。

与现有技术相比，本发明的有益效果为：

本发明通过以条带选星编号、条带成像顺序编号、条带成像方向编号和条带端点成像时刻的归一化系数为决策变量，实现了与多星成像任务调度方案的一一对应关系，并实现了对“卫星资源优化配置”和“单星成像任务序列规划”一体化的优化建模，还有效避免了直接以成像时刻为决策变量时，导致多星成像任务调度方案评价计算过程复杂及优化求解效率低的问题；

本发明构建以最大化成像覆盖收益、最小化成像任务执行时间为目标函数，实现了用户需求到建模的转换；进一步地，针对本发明中所构建的多星成像任务调度模型中存在三种类型的决策变量，离散决策变量(p_j,iter,u)、连续决策变量(q_i,iter,u、t_i,k,iter,u)、二进制决策变量(s_i,j,iter,u)，本发明采用一种混合的种群个体速度和位置的更新策略，有效克服了标准粒子群散发的早熟收敛问题，还有效适应了存在离散、连续和二进制决策变量问题的优化求解需求，本发明能够有效地适用于超敏捷卫星多星区域成像任务调度。

附图说明

图1为本发明实施例超敏捷卫星多星区域成像任务的调度方法的流程图；

图2为本发明实施例的区域目标示意图；

图3为本发明实施例的条带分解结果图；

图4为本发明实施例的成像覆盖收益结果图；

图5为本发明实施例的成像任务执行时间结果图。

具体实施方式

下面将结合本发明实施例对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的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。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合具体实施例对本发明作进一步说明，但不作为本发明的限定。

参见图1，本发明实施例提供了一种超敏捷卫星多星区域成像任务的调度方法，包括以下步骤：

步骤1，分析面向超敏捷卫星多星区域成像任务需求，对任务调度过程进行假设化简；

建模前需对用户需求和任务调度需求进行分析和分解，实现多星成像任务的成像需求到任务调度模型要素的转换。根据成像任务、完成时间、传感器类型等确定模型的输入，包括成像任务位置、规定时间内的轨道资源；根据卫星资源需求和模型的输入确定模型的决策变量；根据用户需求确定模型的目标函数。

同时，由于多星成像任务调度是一个NP-hard问题，为得到面向超敏捷卫星的多星成像任务调度方案，本实施例对多星成像任务调度过程进行如下定义和简化：

(1)超敏捷卫星指具备滚动、俯仰、偏航三轴机动能力，具备边姿态机动的同时进行对地成像的新一代敏捷卫星；

(2)卫星在执行成像时仅对生成的原子任务集进行成像，而不考虑其他任务；

(3)原子任务仅能由多颗超敏捷对地观测卫星中的某一颗卫星成像，且原子任务需要被观测的最大次数为1次；

(4)任务调度模型的约束条件主要考虑卫星姿态转换能力约束、原子任务的成像时间窗口约束；

(5)假设卫星成像时间内太阳高度角满足光学成像需求，且星上存储、能源充足。

(6)假设每颗卫星只有一个有效载荷；

(7)不考虑天气情况的干扰。

步骤2，以条带长度总和最短为目标，对待成像区域进行条带分解，获得任务调度的原子任务集；

本实施例中多星成像任务调度模型需在以成像条带为原子任务集的基础上进行构建，因此需将多星成像任务预处理为成像条带作为模型的输入。在该步骤中，以条带长度总和最短为目标，计算每个区域目标的最优分解方向，将每个待成像区域分解为一组平行条带作为任务调度模型的原子任务集。

步骤3，根据步骤2的任务集，选取相应的多类决策变量，以最大化成像覆盖收益、最小化成像任务执行时间为目标，构建多星成像任务调度模型；

通过步骤1在完成对多星成像任务需求到成像任务调度模型各要素的转换及模型的合理定义和简化后，并且以步骤2成像条带作为模型构建的原子任务集，在该步骤中，选取的多类决策变量包括：

第一类决策变量，条带选星编号：

p_j∈{1,2,...,M}

其中，M表示卫星数量，j表示原子任务集中的第j个条带，j∈{1,2,…,n},n为原子任务集中的条带数量，p_j表示条带选星编号，用于确定原子任务集中的第j个条带被M个卫星中的那一颗卫星进行成像；

第二类决策变量，条带成像顺序编号：

其中，M表示卫星数量，i表示第i颗卫星，q_i为条带成像顺序编号，用于确定由决策变量p_j确定的第i颗卫星中所包含的条带的成像序列，则可通过上述两个决策变量确定每颗星中所包含条带的成像序列

第三类决策变量，条带成像方向编号：

其中，j表示由决策变量p_j和q_i确定的第i颗卫星的条带成像序列中的第j个条带，n为条带数量，s_i,j表示由决策变量p_j和q_i确定的第i颗卫星的条带成像序列中的第j个条带的条带成像方向编号，用于确定由决策变量p_j和q_i共同确定的条带成像序列中第j个条带的成像方向，则可通过上述三个决策变量共同确定一组条带端点成像序列；

第四类决策变量，条带端点观测时刻的归一化系数：

其中，k表示由上述三个决策变量共同确定的第i颗卫星的条带端点成像序列上第k个条带端点，n为条带数量，2*n表示条带端点数量，t_i,k表示由上述三个决策变量共同确定的第i颗卫星的条带端点成像序列上第k个条带端点观测时刻的归一化系数，用于确定该条带端点成像序列上第k个条带端点的成像时刻。

在确定决策变量后，对区域的成像覆盖收益进行最大化优化，且在覆盖收益相同时，实现任务执行时间最短，构建下述目标函数：

首要目标函数：

首要目标函数为最大化成像覆盖收益，确保对成像任务的覆盖率最大。其中，M为卫星数量，n为条带数目，Y_i,j表示由决策变量确定的第i颗卫星的条带成像序列中的第j个条带能否完成成像，Y_i,j∈{0,1}，若Y_i,j＝1，则第i颗卫星的条带成像序列的第j个条带能够完成成像，否则不可实现成像。G_i,j表示由决策变量确定的第i颗卫星的条带成像序列中的第j个条带的成像覆盖收益。当成像任务为点目标时，G_i,j表示条带所覆盖的点目标数量与对应点目标的比值，当成像任务为面目标时，G_i,j表示条带内所覆盖区域目标的有效覆盖面积与对应区域目标的比值，当成像任务为线目标时，G_i,j表示条带内所覆盖的线目标的长度与对应线目标的总长度的比值。

次要目标函数：

次要目标函数为最小化成像任务执行时间，确保卫星能够以最少时间完成对任务的成像。其中，M为卫星数量，n为条带数目，ΔT_i,k表示由决策变量确定的第i颗卫星的条带端点成像序列中，相邻两个条带端点之间成像时间间隔，ΔT_i,k＝T_i,k＝T_i,k-1，k表示由决策变量确定的第i颗卫星的条带端点成像序列中的第k个条带端点。Y_end_i,k表征由决策变量确定的第i颗卫星的条带端点成像序列中相邻两个条带端点之间的姿态转换时间约束。

建立与决策变量一一对应关系的约束条件，约束条件包括：

成像时间窗口约束：

约束条件为成像时间窗口约束，表示由决策变量确定的第i颗卫星的条带端点成像序列上第k个条带端点的成像时刻必须满足成像时间窗口约束，其中，T_i,k为由决策变量确定的第i颗卫星的条带端点成像序列上第k个条带端点的成像时刻。[ITW_i,k-s,ITW_i,k-e]为由决策变量确定的第i颗卫星的条带端点成像序列上第k个条带端点的成像时间窗口，ITW_i,k-s为条带端点的成像时间窗口的起始时刻，ITW_i,k-e为条带端点的成像时间窗口的终止时刻。

姿态转换时间约束：

约束条件为姿态转换时间约束，表示由决策变量确定的第i颗卫星的条带端点成像序列上相邻两个条带端点之间的成像时刻之差(ΔT_i,k)必须满足相邻两个条带端点之间的姿态转换时间约束(f_T_i,k)。

步骤4，求解所构建的多星成像任务调度模型；

通过步骤1、步骤2和步骤3，对调度模型进行合理假设和定义并构建相应地面向超敏捷卫星多星区域成像任务调度模型后，下一步则需要对该模型进行求解。由于本实施例所构建的成像任务调度模型中存在不同类型的决策变量，如离散决策变量(p_j)、连续决策变量(q_i，t_i,k)、二进制决策变量(s_i,j)，因此不能单纯的采用求解实数问题的粒子群优化算法对本实施例中的调度模型进行求解，在本实施例中，对粒子群算法进行了改进，并采用利用改进的粒子群算法对调度模型进行求解，具体实现方式如下：

步骤3.1，随机初始化种群个体：

设置种群规模为P，生成P个初始种群，每个个体代表一种多星成像任务调度方案，最大迭代次数为Iters；

其中，粒子的位置表示步骤2中所构建多星成像任务调度模型中所述的决策变量；即p_j,iter,u、q_i,iter,u、s_i,j,iter,u、t_i,k,iter,u，各粒子的初始值在其各自的取值范围内进行随机取值，同时设置粒子的初始速度为0；

其中，iter表示采用改进粒子群算法进行的第iter次迭代，iter∈{1,2,…,iter,…,Iters}，u表示第iter次迭代的P个种群中的第u个个体，u∈{1,2,…,u,…,P}；p_j,iter,u表示第iter次迭代的P个种群的第u个个体的第j个条带的条带选星编号；q_i,iter,u表示第iter次迭代的P个种群的第u个个体的第i颗卫星所包含条带的条带成像序列编号；s_i,j,iter,u表示第iter次迭代的P个种群的第u个个体的第i颗卫星中的第j个条带的条带成像方向编号；t_i,k,iter,u表示第iter次迭代的P个种群的第u个个体的第i颗卫星中的第k个条带端点的归一化时间系数；

步骤3.2，计算当前种群中，每个个体的多星成像任务调度方案，并得到当前种群中适应度值最优的个体，所述适应度值即为成像覆盖收益和成像任务执行时间。

计算当前种群中，每个个体的多星成像任务调度方案为：

根据决策变量p_j,iter,u、q_i,iter,u、s_i,j,iter,u、t_i,k,iter,u，利用步骤2中的模型，确定在第iter次迭代过程中的多星成像任务调度方案。

所述得到当前种群中适应度值最优的个体为：

对当前种群中的粒子适应度值F_iter,u进行排序，得到改进粒子群算法求解过程中适应度最优的个体pbest，即成像覆盖收益最大且成像任务执行时间最小的个体对应的适应度值F_iter,pbest；

其中，pbest为改进粒子群算法在iter次迭代中适应度值最优的个体，F_iter,u表示改进粒子群算法在iter次迭代中P个种群中第u个个体对应的适应度值，F_iter,pbest表示改进粒子群算法在iter次迭代中最优个体pbest对应的适应度值；

其中，适应度值的判断如下：对种群中的两个个体A和B进行比较，优先比较两个个体的成像覆盖收益，若A的成像覆盖收益大于B的成像覆盖收益，则A的适应度值优于B；若A和B的成像覆盖收益相等，则比较A和B的成像任务执行时间，若A的成像任务执行时间小于B的成像任务执行时间，则A的适应度值优于B；

步骤3.3，更新种群个体的速度和位置；

由于本实施例涉及三种类型的决策变量，离散变量(p_j,iter,u)、连续变量(q_i,iter,u、t_i,k,iter,u)、二进制变量(s_i,j,iter,u)，本实施例采用一种混合的种群个体速度和位置的更新策略，具体为：

针对连续决策变量(q_i,iter,u、t_i,k,iter,u)，采用改进的PSO算法对粒子速度进行更新后，更新粒子位置；

v(iter+1)＝c₁*v(iter)+c₂*(P_winx(iter)-P_losex(iter))+c₃*(P_centerx(iter)-P_losex(iter))

P_losex(iter+1)＝P_losex(iter)+w*v(iter+1)

其中，w表示惯性权重，取值范围为[0,1]，c₁，c₂，c₃表示加速因子，取值范围为[0,1]，v(iter),v(iter+1)分别为粒子的上一次迭代速度和当前迭代速度，P_winx(iter),P_losex(iter)分别表示较优粒子的上一次迭代位置和较劣粒子的上一次迭代位置，P_losex(iter+1)表示较劣粒子的当前迭代位置，P_centerx(iter)表示所有粒子的当前迭代平均位置。

针对二进制决策变量(s_i,j,iter,u)，采用Sigmoid激活函数对更新后的粒子速度激活处理后，获得更新后的粒子位置；

v(iter+1)＝c₁*v(iter)+c₂*(P_winx(iter)-P_losex(iter))+c₃*(P_centerx(iter)-P_losex(iter))

其中，w表示惯性权重，取值范围为[0,1]，c₁，c₂，c₃表示加速因子，取值范围为[0,1]，v(iter),v(iter+1)分别为粒子的上一次迭代速度和当前迭代速度，P_winx(iter),P_losex(iter)分别表示较优粒子的上一次迭代位置和较劣粒子的上一次迭代位置，P_losex(iter+1)表示较劣粒子的当前迭代位置，P_centerx(iter)表示所有粒子的上一次迭代平均位置。s(v(iter+1))为Sigmoid激活函数。

针对离散决策变量(p_j,iter,u)，采用BBPSO算法的更新粒子的位置；

P_losex(iter+1)＝N(μ,δ)

μ＝(P_losex(iter)+Gbest(iter))/2

δ＝|P_losex(iter)-Gbest(iter)|

其中，P_losex(iter+1)表示较劣粒子的当前迭代位置，粒子的位置满足高斯分布，μ为均值，δ为标准差，P_losex(iter)表示较劣粒子的上一次迭代位置，Gbest(iter)表示所有粒子的上一次迭代最优位置。

步骤3.4进行优化迭代，得到成像覆盖收益最大且成像任务执行时间最小的多星成像任务调度方案；

在不满足迭代终止条件的情况下，多次执行步骤3.2和3.3，比较当前迭代和上一次迭代过程中的最优粒子对应的适应度值，即比较F_iter-1,pbest和F_iter,pbest，若F_iter,pbest优于F_iter-1,pbest，则当前迭代过程中的最优个体对应的适应度为较优的多星成像任务调度方案，反之，则上一次迭代过程中的最优个体对应的适应度值为较优多星成像任务调度方案；

重复执行迭代过程直至所设置的最大迭代次数Iters，从而得到最优适应度值F_Iters,pbest的个体，该个体对应的即为最优多星成像任务调度方案；

其中，pbest表示在第iter次迭代的种群中适应度值最优的个体，F_iter,pbest表示在第iter次迭代的最优个体pbest对应的适应度值；F_iter-1,pbest表示在第iter-1次迭代的最优个体pbest对应的适应度值；F_Iters,pbest表示在达到最大迭代次数Iters时，最优个体pbest对应的适应度值，即最优的多星成像任务调度方案。

步骤5，将步骤4求解得到的最优决策变量组合还原为任务调度方案；

在该步骤中，获得调度方案过程为：

(1)由条带选星编号，获得所有条带的观测卫星编号；

(2)由条带成像顺序编号、推扫顺序编号，获得单颗卫星中的条带端点成像序列；

(3)由条带端点成像序列、条带端点观测时刻的归一化系数，得到对条带集合中每个条带的观测起始时间、终止时间；

(4)两个目标函数值分别对应了最优成像方案的成像覆盖收益、成像任务执行时间。

此外，本发明还提供了一种实现上述方法的超敏卫星多星区域成像任务调度***，包括如下模块：

多星成像任务调度模型构建模块，构建以条带选星编号、条带成像顺序编号、条带成像方向编号、条带端点成像时刻的归一化系数为决策变量，最大化成像覆盖收益、最小化成像任务执行时间为目标函数，以成像时间窗口约束、姿态转换时间为约束条件的多星成像任务调度模型；

多星成像任务调度模型求解模块，针对所构建的多星成像任务调度模型中存在离散、连续和二进制三类决策变量，利用改进的粒子群优化算法对模型进行求解，确定多星成像任务调度方案。

为便于更加清楚地说明本实施例，本实施例采用4颗超敏捷对地观测卫星和一个待成像的区域目标成像任务来说明上述步骤的具体实施过程。各卫星的轨道参数如表1所示，区域目标的经纬度信息如表2所示和图2所示。

表1卫星参数

表2区域目标坐标信息

经过步骤2将区域目标转化为成像条带作为模型输入的原子任务集的如图3所示。将成像条带作为模型的输入，经过步骤3的多星成像任务调度模型构建和步骤4的算法求解，得到最终的多星成像任务调度方案如表3所示，其求解结果如图4和图5所示。

由图4和图5及表3可以看出，本实施例可实现对所有原子任务的全部成像，成像任务执行时间最优为19.766s。

以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (9)

1.一种超敏捷卫星多星区域成像任务的调度方法，其特征在于，包括如下步骤：

步骤1，分析面向超敏捷卫星多星区域成像任务需求，对任务调度过程进行假设化简；

步骤2，以条带长度总和最短为目标，对待成像区域进行条带分解，获得任务调度的原子任务集；

步骤3，根据步骤2的任务集，选取相应的多类决策变量，以最大化成像覆盖收益、最小化成像任务执行时间为目标，构建多星成像任务调度模型；

步骤4，求解所构建的多星成像任务调度模型；

步骤5，将步骤4求解得到的最优决策变量组合还原为任务调度方案。

2.根据权利要求1所述的超敏捷卫星多星区域成像任务的调度方法，其特征在于，步骤1中对多星成像任务调度过程进行简化，包括：

(1)超敏捷卫星在执行成像时仅对生成的原子任务集进行成像；

(2)原子任务仅能由多颗超敏捷对地观测卫星中的某一颗卫星成像，且原子任务需要被观测的最大次数为1次；

(3)任务调度模型的约束条件考虑卫星姿态转换能力约束、原子任务的成像时间窗口约束；

(4)假设卫星成像时间内太阳高度角满足光学成像需求，且不考虑天气情况的干扰。

3.根据权利要求1所述的超敏捷卫星多星区域成像任务的调度方法，其特征在于，步骤3中的决策变量包括条带选星编号、条带成像顺序编号、条带成像方向编号、条带端点观测时刻的归一化系数。

4.根据权利要求1所述的超敏捷卫星多星区域成像任务的调度方法，其特征在于，步骤3中构建多星成像任务调度模型包括：

构建最大化成像覆盖收益的首要目标函数：

式中，M为卫星数量，n为条带数目，Y_i,j表示由决策变量确定的第i颗卫星的条带成像序列中的第j个条带能否完成成像，Y_i,j∈{0,1}，若Y_i,j＝1，则第i颗卫星的条带成像序列的第j个条带能够完成成像，否则不可实现成像；G_i,j表示由决策变量确定的第i颗卫星的条带成像序列中的第j个条带的成像覆盖收益；当成像任务为点目标时，G_i,j表示条带所覆盖的点目标数量与对应点目标的比值，当成像任务为面目标时，G_i,j表示条带内所覆盖区域目标的有效覆盖面积与对应区域目标的比值，当成像任务为线目标时，G_i,j表示条带内所覆盖的线目标的长度与对应线目标的总长度的比值；

以及构建最小化成像任务执行时间d次要目标函数：

其中，M为卫星数量，n为条带数目，ΔT_i,k表示由决策变量确定的第i颗卫星的条带端点成像序列中，相邻两个条带端点之间成像时间间隔，ΔT_i,k＝T_i,k＝T_i,k-1，k表示由决策变量确定的第i颗卫星的条带端点成像序列中的第k个条带端点。Y_end_i,k表征由决策变量确定的第i颗卫星的条带端点成像序列中相邻两个条带端点之间的姿态转换时间约束。

5.根据权利要求1所述的超敏捷卫星多星区域成像任务的调度方法，其特征在于，步骤3中还对多星成像任务调度模型建立与决策变量与一一对应观测的约束条件，约束条件包括成像时间窗口约束和姿态转换时间约束，

其中，成像时间窗口约束为：

成像时间窗口约束表示由决策变量确定的第i颗卫星的条带端点成像序列上第k个条带端点的成像时刻必须满足成像时间窗口约束，其中，T_i,k为由决策变量确定的第i颗卫星的条带端点成像序列上第k个条带端点的成像时刻；[ITW_i,k-s,ITW_i,k-e]为由决策变量确定的第i颗卫星的条带端点成像序列上第k个条带端点的成像时间窗口，ITW_i,k-s为条带端点的成像时间窗口的起始时刻，ITW_i,k-e为条带端点的成像时间窗口的终止时刻；

姿态转换时间约束为：

姿态转换时间约束表示由决策变量确定的第i颗卫星的条带端点成像序列上相邻两个条带端点之间的成像时刻之差ΔT_i,k必须满足相邻两个条带端点之间的姿态转换时间约束f-T_i,k。

6.根据权利要求1所述的超敏捷卫星多星区域成像任务的调度方法，其特征在于，步骤4中利用改进的粒子群算法对多星成像任务调度模型进行求解。

7.根据权利要求6所述的超敏捷卫星多星区域成像任务的调度方法，其特征在于，利用改进的粒子群算法对多星成像任务调度模型进行求解的方法包括：

步骤3.1，随机初始化种群个体：

设置种群规模为P，生成P个初始种群，每个个体代表一种多星成像任务调度方案，最大迭代次数为Iters；其中，粒子的位置表示步骤3中所构建多星成像任务调度模型中的决策变量；各粒子的初始值在其各自的取值范围内进行随机取值，同时设置粒子的初始速度为0；

步骤3.2，计算当前种群中，每个个体的多星成像任务调度方案，并得到当前种群中适应度值最优的个体，其中，适应度值即为成像覆盖收益和成像任务执行时间；

步骤3.3，更新种群个体的速度和位置；

在该步骤中，采用一种混合的种群个体速度和位置的更新策略，具体为：

针对连续决策变量，采用改进的PSO算法对粒子速度进行更新后，更新粒子位置；

针对二进制决策变量，采用Sigmoid激活函数对更新后的粒子速度激活处理后，获得更新后的粒子位置；

针对离散决策变量，采用BBPSO算法的更新粒子的位置；

步骤3.4进行优化迭代，得到成像覆盖收益最大且成像任务执行时间最小的多星成像任务调度方案；

在不满足迭代终止条件的情况下，多次执行步骤3.2和3.3，比较当前迭代和上一次迭代过程中的最优粒子对应的适应度值，则当前迭代过程中的最优个体对应的适应度为较优的多星成像任务调度方案，反之，则上一次迭代过程中的最优个体对应的适应度值为较优多星成像任务调度方案；

重复执行迭代过程直至所设置的最大迭代次数Iters，从而得到最优适应度值的个体，该个体对应的即为最优多星成像任务调度方案。

8.根据权利要求7所述的超敏捷卫星多星区域成像任务的调度方法，其特征在于，步骤3.2得到当前种群中适应度值最优的个体具体方法为：

对当前种群中的粒子适应度值F_iter,u进行排序，得到改进粒子群算法求解过程中适应度最优的个体pbest，即成像覆盖收益最大且成像任务执行时间最小的个体对应的适应度值F_iter,pbest；

其中，pbest为改进粒子群算法在iter次迭代中适应度值最优的个体，F_iter,u表示改进粒子群算法在iter次迭代中P个种群中第u个个体对应的适应度值，F_iter,pbest表示改进粒子群算法在iter次迭代中最优个体pbest对应的适应度值；

适应度值的判断如下：对种群中的两个个体A和B进行比较，优先比较两个个体的成像覆盖收益，若A的成像覆盖收益大于B的成像覆盖收益，则A的适应度值优于B；若A和B的成像覆盖收益相等，则比较A和B的成像任务执行时间，若A的成像任务执行时间小于B的成像任务执行时间，则A的适应度值优于B。

9.一种实现根据权利要求1-8任意一项所述的超敏捷卫星多星区域成像任务的调度方法的调度***，其特征在于，包括多星成像任务调度模型构建模块和多星成像任务调度模型求解模块，其中，

多星成像任务调度模型构建模块用于构建包括多类决策变量，且以最大化成像覆盖收益、最小化成像任务执行时间为目标函数，以成像时间窗口约束、姿态转换时间为约束条件的多星成像任务调度模型；

多星成像任务调度模型求解模块用于对所构建的多星成像任务调度模型利用改进的粒子群优化算法对模型进行求解，确定多星成像任务调度方案。

Images