CN115796541A - 一种集群测控站调度方法 - Google Patents
一种集群测控站调度方法 Download PDFInfo
- Publication number
- CN115796541A CN115796541A CN202211583732.9A CN202211583732A CN115796541A CN 115796541 A CN115796541 A CN 115796541A CN 202211583732 A CN202211583732 A CN 202211583732A CN 115796541 A CN115796541 A CN 115796541A
- Authority
- CN
- China
- Prior art keywords
- measurement
- control
- task
- objective function
- chromosome
- 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
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供了一种集群测控站调度方法,属于航天测控资源调度技术领域。方法包括以下步骤:S1、获取测控任务需求集合;S2、优化集群机动部署策略;S3、优化任务分配;多次重复步骤S1‑步骤S3,实现集群测控站的动态调度。本发明解决了目前大规模星座分批部署、商业火箭机动发射、以及热点地区遥感成像等更加灵活的场景的出现,对于地面测控***的调度提出了更高的要求,现有的调度规划方法无法满足这样的要求的问题,具有进一步提升测控资源的利用率,更加适应大规模星座分批部署、商业火箭机动发射、以及热点地区遥感成像等动态需求场景的优点。
Description
技术领域
本发明涉及航天测控资源调度技术领域,具体是涉及一种集群测控站调度方法。
背景技术
航天测控***主要承担航天器的跟踪、测量、控制以及接收下行数据的任务,作为天地联通的唯一纽带,是航天大***中重要的组成部分。
随着航天技术的不断发展,各国的航天发射任务和在轨卫星数量都越来越多,测控需求呈***式增长,测控资源相对有限,传统的测控模式无法满足需求。如何对有限的地面测控资源进行调度以尽可能最大化测控任务收益成为亟待解决的问题。
现有的研究在解决多星多站任务规划问题时,通常将其描述为将一系列测控任务在一系列卫星和测控站的测控弧段上进行合理的分配,综合考虑任务冲突,任务收益等方面最大化测控***效能。采用的优化算法主要为启发式算法,研究已经取得了较为优秀的成果。目前大规模星座分批部署、商业火箭机动发射、以及热点地区遥感成像等更加灵活的场景的出现,对于地面测控***的调度提出了更高的要求,要求其不仅能够静态规划,而且能够动态部署以更好的完成任务。随着天线及其伺服机构的小型化轻量化,测控站被赋予了一定的机动部署能力,可以根据任务需求动态调度。
但是面对这样的新特性和新场景,原有的调度规划方法无法满足要求。因此亟需一种新的集群测控站调度方法以适应上述新特性和新场景
发明内容
本发明解决的技术问题是:目前大规模星座分批部署、商业火箭机动发射、以及热点地区遥感成像等更加灵活的场景的出现,对于地面测控***的调度提出了更高的要求,现有的调度规划方法无法满足这样的要求。
为解决上述问题,本发明的技术方案如下:
一种集群测控站调度方法,包括以下步骤:
S1、获取测控任务需求集合,测控任务需求包括:指定用于执行任务的卫星、执行测控任务所需的最小时间、执行测控任务的规划时间范围、完成测控任务获得的收益;
S2、优化集群机动部署策略:
根据测控任务需求对测控任务需求集合进行迭代优化部署,在每次迭代过程中通过计算得到当前测控任务最优的移动测控站部署方案,计算过程为:通过测控资源数据库获得当下可用测控站的基本情况,通过阵地信息数据库获得可机动部署的测控阵地的地理信息及各个测控阵地的之间进行转移的机动成本,在考虑测控任务的测控弧段覆盖收益及机动调度成本的基础上,通过移动测控站部署方案优化遗传算法得到最优的移动测控站部署方案,移动测控站部署方案包括每个测控站的部署位置,
S3、优化任务分配:
在得到最优的移动测控站部署方案的基础上,通过每个测控站的部署位置计算得到所有测控弧段,通过测控任务测控弧段调度方案优化遗传算法得到最优测控任务测控弧段调度方案;
多次重复步骤S1-步骤S3,实现集群测控站的动态调度。
上述方法中,执行测控任务的规划时间范围的区间左值为测控任务开始的最早时间,区间右值为测控任务结束的最晚时间。
上述方法中,测控资源数据库用于动态保存可供调度的测控站的基本信息,基本信息包括:测控站数目及编号、测控站初始部署位置、设备可用状态、测控站的测控频段、天线增益、基带调制类型。
上述方法中,阵地信息数据库用于动态保存测控阵地信息,包括:测控站阵地数目及编号、测控阵地经纬度、测控阵地海拔高度,此外阵地信息数据库中以矩阵形式保存各个阵地之间进行转移的机动成本。
上述方法中,测控弧段指一颗卫星与一个测控站可建立星地链路的时间范围,测控弧段由卫星轨道以及测控站位置决定,通过软件接口连接STK仿真计算软件获得。
进一步地,通过移动测控站部署方案优化遗传算法得到最优的移动测控站部署方案包括以下步骤:
S211、基于综合考虑测控任务的测控弧段覆盖收益与机动调度成本建立第一目标函数,将第一目标函数设定为遗传算法个体适应度函数,并初始化遗传算法参数,遗传算法参数包括:第一最大迭代次数、第一最优目标函数值、交叉变异概率;
S212、初始化染色体种群,染色体种群中每条染色体都代表一种移动测控站集群的部署方案,染色体上的基因数目等于可调用的移动测控站数目,每个基因的特征值代表测控站所在测控阵地的编号;
S213、计算染色体种群中每条染色体对应的测控任务的测控弧段覆盖收益,并获取每条染色体对应的机动调度成本,再将测控任务的测控弧段覆盖收益、机动调度成本代入第一目标函数,计算得到每条染色体的目标函数值;
S214、如果当前染色体种群的最大目标函数值大于第一最优目标函数值,则更新第一最优目标函数值为该当前染色体种群的最大目标函数值;
S215、基于每条染色体的目标函数值,通过轮盘赌选择染色体个体生成新的染色体种群,然后对新的染色体种群进行交叉和变异,得到下一代染色体种群;
S216、记录下一代染色体种群的最大目标函数值及其对应的染色体个体;
S217、重复步骤S213至步骤S216,直至达到第一最大迭代次数,将当前染色体种群的最大目标函数值对应的染色体个体作为最优的移动测控站部署方案输出。
进一步地,计算染色体种群中每条染色体对应的测控任务的测控弧段覆盖收益包括以下步骤:
S2121、遍历每条染色体对应的测控任务,将执行测控任务的规划时间范围作为测控任务的执行场景时间范围,通过软件接口与STK软件连接构建多星多站仿真场景,读取STK软件计算的在测控任务执行场景时间范围内,任务对应的卫星与所有测控站的Access数据,Access数据包括所有测控弧段的开始时间、结束时间与持续时长,将所有测控弧段组成测控弧段集合;
S2122、将测控弧段集合按照起始时间先后排序,依次遍历,若前后两个测控弧段时间范围存在重叠,则将两个测控弧段合并为新的测控弧段代替原有的两个测控弧段,最终得到若干在时间上没有重叠的测控弧段集合,累加所有测控弧段的持续时间,得到测控任务在执行场景时间范围内,处于测控区间可被执行的弧段总长度;
S2123、通过将弧段总长度与完成测控任务获得的收益相乘,得到任务弧段的覆盖收益。
进一步地,机动调度成本包括从测控任务的起始位置转移到终点位置的机动成本、从测控任务的起始位置转移到终点位置的机动时间消耗。
更进一步地,第一目标函数为:
上式中,f为第一目标函数值,分为两项,第一项代表测控任务的测控弧段覆盖收益,第二项代表机动调度成本,AccessTimet为测控任务t在执行场景时间范围中处于测控区间内的弧段总长度,X为决策变量,决策变量描述将测控站部署在各个测控阵地的方案,Profitt为完成测控任务t获得的收益,cost(Origing,Destinationg)为移动测控站从起始测控阵地位置转移到终点测控阵地位置的机动成本,可由阵地资源数据库获得,Origing为测控站g的起始测控阵地,可由测控资源数据库获得,Destinationg为测控站g的终点测控阵地,w1为第一权重系数,w2为第二权重系数。
优选地,测控弧段包括:测控任务编号、卫星编号、测控站编号、测控弧段的开始时间、测控弧段的结束时间、测控弧段的持续时间。
优选地,通过测控任务测控弧段调度方案优化遗传算法得到最优测控任务测控弧段调度方案,包括以下步骤:
S311、将测控任务测控弧段调度方案优化遗传算法的优化目标设定为测控任务总体收益,基于测控任务总体收益建立第二目标函数,将第二目标函数设定为遗传算法个体适应度函数,并初始化遗传算法参数,遗传算法参数包括:第二最大迭代次数、交叉变异概率、第二最优目标函数值;
S312、初始化染色体种群,染色体种群中每条染色体都代表一种测控任务弧段分配方案,染色体上的基因数目等于测控任务数目,基因上的特征值代表测控任务指定分配的测控弧段,若无条件执行则设置为0;
S313、通过第二目标函数计算每条染色体对应的目标函数值,目标函数值指的是总体任务收益;
S314、如果当前染色体种群的最大目标函数值大于第二最优目标函数值,则更新第二最优目标函数值为该当前染色体种群的最大目标函数值;
S315、基于每条染色体的目标函数值,通过轮盘赌选择染色体个体生成新的染色体种群,然后对新的染色体种群进行交叉和变异,通过约束条件检查出存在冲突的染色体,对存在冲突的染色体进行修正合法后,得到下一代染色体种群;
S316、记录下一代染色体种群的最大目标函数值及其对应的染色体个体;
S317、重复步骤S313至步骤S316,直至达到第二最大迭代次数,将当前染色体种群的最大目标函数值对应的染色体个体作为最优测控任务测控弧段调度方案输出。
优选地,第二优化目标函数为:
上式中,TotalProfit为所有测控任务的执行收益,Xtw为决策变量,Profitt为完成测控任务获得的收益,t为测控任务,T为所有测控任务集合,w为测控弧段,W为所有测控弧段的集合。
优选地,约束条件包括:
每个测控任务只能由一个测控弧段执行且每个测控弧段最多执行一个测控任,约束公式如下:
∑w∈WXtw≤1,
上式中,Xtw为决策变量,w为测控弧段,W为所有测控弧段的集合,
测控弧段的持续时间大于等于执行测控任务所需的最小时间,约束公式如下:
DTw≥Tdtif Xtw=1,
上式中,DTw为测控弧段w的持续时间,Tdt为执行测控任务t所需的最小时间,Xtw为决策变量,
每个测控站在单一时刻只能与单一卫星建立星地链路,约束公式如下:
Wg=[wg1,wg2,…wgx],
上式中,Wg为测控站g的测控弧段的集合,wg1为第1个测控弧段,wg2为第2个测控弧段,wgx为第x个测控弧段,为测控弧段wgi的开始时间,为测控弧段wgi的结束时间,为测控弧段wgj的开始时间,为测控弧段wgj的结束时间,wgj为测控站g的第j个弧段。
进一步优选地,基本信息包括:测控站数目及编号、测控站初始部署位置、设备可用状态、测控站的测控频段、天线增益、基带调制类型,地理信息包括测控阵地经纬度、测控阵地海拔高度。
本发明的有益效果是:
本发明相比于现有传统卫星测控调度方法,考虑了现有地面站可机动的特点,引入了地面站集群机动部署的概念,建立了集群部署离散优化数学模型,通过机动部署优化层和任务分配优化层,在考虑机动成本的前提下,最大化任务弧段覆盖和任务总体收益。从而能够进一步提升测控资源的利用率,更加适应大规模星座分批部署、商业火箭机动发射、以及热点地区遥感成像等动态需求场景。
附图说明
图1是本发明一种集群测控站调度方法流程图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,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做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义,“多种”一般包含至少两种。
应当理解,尽管在本发明实施例中可能采用术语第一、第二、第三等来描述……,但这些……不应限于这些术语。这些术语仅用来将……区分开。例如,在不脱离本发明实施例范围的情况下,第一……也可以被称为第二……,类似地,第二……也可以被称为第一……。
实施例
本实施例为一种集群测控站调度方法,包括以下步骤:
S1、获取测控任务需求集合,所述测控任务需求包括:指定用于执行任务的卫星、执行测控任务所需的最小时间、执行测控任务的规划时间范围、完成测控任务获得的收益。
上述步骤中,执行测控任务的规划时间范围的区间左值为测控任务开始的最早时间,区间右值为测控任务结束的最晚时间。
本实施例通过输入形成规划测控任务集,集合可表示为T={tn|n=1,2…N},其中N代表任务的总数,对于每个具体的任务t可表示为:
t=[TaskIDt,SatIDt,Tst,Tet,Tdt,Profitt]
其中TaskIDt代表任务编号,SatIDt代表任务所属的卫星的编号,Tst代表任务最早开始的时间,Tet代表任务最晚结束的时间,Tdt代表完成任务所需的最短时间,Profitt代表完成任务所获得的收益。
本实施例根据任务集合中所有任务最早开始的时间和最晚结束的时间,可以得到总的规划时间范围,时间范围表示为:[Scst,Scet]。
本实施例以下所有的计算都在上述时间范围内进行。
S2、优化集群机动部署策略:
根据测控任务需求对测控任务需求集合进行迭代优化部署,在每次迭代过程中通过计算得到当前测控任务最优的移动测控站部署方案,计算过程为:通过测控资源数据库获得当下可用测控站的基本情况,通过阵地信息数据库获得可机动部署的测控阵地的地理信息及各个测控阵地的之间进行转移的机动成本,在考虑测控任务的测控弧段覆盖收益及机动调度成本的基础上,通过移动测控站部署方案优化遗传算法得到最优的移动测控站部署方案,移动测控站部署方案包括每个测控站的部署位置。
上述步骤中,所述测控资源数据库用于动态保存可供调度的测控站的基本信息,基本信息包括:测控站数目及编号、测控站初始部署位置、设备可用状态、测控站的测控频段、天线增益、基带调制类型。
上述步骤中,所述阵地信息数据库用于动态保存测控阵地信息,包括:测控站阵地数目及编号、测控阵地经纬度、测控阵地海拔高度,此外阵地信息数据库中以矩阵形式保存各个阵地之间进行转移的机动成本。
上述步骤中,所述机动调度成本包括从测控任务的起始位置转移到终点位置的机动成本、从测控任务的起始位置转移到终点位置的机动时间消耗。
上述步骤中,基本信息包括:测控站数目及编号、测控站初始部署位置、设备可用状态、测控站的测控频段、天线增益、基带调制类型,所述地理信息包括测控阵地经纬度、测控阵地海拔高度。
上述步骤中,通过移动测控站部署方案优化遗传算法得到最优的移动测控站部署方案包括以下步骤:
S211、基于综合考虑测控任务的测控弧段覆盖收益与机动调度成本建立第一目标函数,将第一目标函数设定为遗传算法个体适应度函数,并初始化遗传算法参数,所述遗传算法参数包括:第一最大迭代次数、第一最优目标函数值、交叉变异概率;
S212、初始化染色体种群,染色体种群中每条染色体都代表一种移动测控站集群的部署方案,染色体上的基因数目等于可调用的移动测控站数目,每个基因的特征值代表测控站所在测控阵地的编号;
S213、计算染色体种群中每条染色体对应的测控任务的测控弧段覆盖收益,并获取每条染色体对应的机动调度成本,再将测控任务的测控弧段覆盖收益、机动调度成本代入第一目标函数,计算得到每条染色体的目标函数值,第一目标函数为:
上式中,f为第一目标函数值,分为两项,第一项代表测控任务的测控弧段覆盖收益,第二项代表机动调度成本,AccessTimet为测控任务t在执行场景时间范围中处于测控区间内的弧段总长度,X为决策变量,决策变量描述将测控站部署在各个测控阵地的方案,Profitt为完成测控任务t获得的收益,cost(Origing,Destinationg)为移动测控站从起始测控阵地位置转移到终点测控阵地位置的机动成本,可由阵地资源数据库获得,Origing为测控站g的起始测控阵地,可由测控资源数据库获得,Destinationg为测控站g的终点测控阵地,w1为第一权重系数,w2为第二权重系数;
S214、如果当前染色体种群的最大目标函数值大于第一最优目标函数值,则更新第一最优目标函数值为该当前染色体种群的最大目标函数值;
S215、基于每条染色体的目标函数值,通过轮盘赌选择染色体个体生成新的染色体种群,然后对新的染色体种群进行交叉和变异,得到下一代染色体种群;
S216、记录下一代染色体种群的最大目标函数值及其对应的染色体个体;
S217、重复步骤S213至步骤S216,直至达到第一最大迭代次数,将当前染色体种群的最大目标函数值对应的染色体个体作为最优的移动测控站部署方案输出。
上述步骤中,测控弧段包括:测控任务编号、卫星编号、测控站编号、测控弧段的开始时间、测控弧段的结束时间、测控弧段的持续时间。
本实施例中,染色体表示如下:
{j1,j2,j3……jQ},
其中ji为1到M的任一整数,M为可用测控阵地总数。
上述步骤中,计算染色体种群中每条染色体对应的测控任务的测控弧段覆盖收益包括以下步骤:
S2121、遍历每条染色体对应的测控任务,将执行测控任务的规划时间范围作为测控任务的执行场景时间范围,通过软件接口与STK软件连接构建多星多站仿真场景,读取STK软件计算的在测控任务执行场景时间范围内,任务对应的卫星与所有测控站的Access数据,所述Access数据包括所有测控弧段的开始时间、结束时间与持续时长,将所有测控弧段组成测控弧段集合;
S2122、将所述测控弧段集合按照起始时间先后排序,依次遍历,若前后两个测控弧段时间范围存在重叠,则将两个测控弧段合并为新的测控弧段代替原有的两个测控弧段,最终得到若干在时间上没有重叠的测控弧段集合,累加所有测控弧段的持续时间,得到测控任务在执行场景时间范围内,处于测控区间可被执行的弧段总长度;
S2123、通过将所述弧段总长度与完成测控任务获得的收益相乘,得到任务弧段的覆盖收益。
本实施例中,所有可用的测控站资源表示为G={gq|q=1,2…Q},其中Q代表移动测控站的数量;
测控站可在不同测控阵地之间进行机动转移,以获得尽可能多的覆盖任务弧段,以提升测控任务完成率和总的任务收益。
所有可用的测控阵地集合表示为P={pj|j=1,2…M},其中M代表可以的测控阵地的数量,对于每个测控阵地p具体表示为:
p=[Latp,Lonp,Altp]
其中,Latp代表测控阵地所处的纬度,Lonp代表测控阵地所处的经度,Altp代表测控阵地的海拔高度,基于以上数据可以计算得到处于该位置的测控站的所有星地窗口。
为了全面考虑测控站本身机动的成本与时间消耗,采用如下矩阵进行具体表示:
其中机动成本矩阵表示为如下形式:
cost(i,j)矩阵为M*M矩阵,其中cost(i,j)代表从起始位置pi转移到终点位置pj的机动成本,机动成本矩阵的对角线元素为0。
测控站集群调度的决策变量表示为:
Xgp(g∈G,o∈P),
为0-1决策变量,表示是否将移动测控站g部署于测控阵地p的位置,1为部署,0为不部署。
S3、优化任务分配:
在得到最优的移动测控站部署方案的基础上,通过每个测控站的部署位置计算得到所有测控弧段,通过测控任务测控弧段调度方案优化遗传算法得到最优测控任务测控弧段调度方案。
上述步骤中,测控弧段指一颗卫星与一个测控站可建立星地链路的时间范围,测控弧段由卫星轨道以及测控站位置决定,通过软件接口连接STK仿真计算软件获得。
上述步骤中,通过测控任务测控弧段调度方案优化遗传算法得到最优测控任务测控弧段调度方案,包括以下步骤:
S311、将测控任务测控弧段调度方案优化遗传算法的优化目标设定为测控任务总体收益,基于测控任务总体收益建立第二目标函数,将第二目标函数设定为遗传算法个体适应度函数,并初始化遗传算法参数,所述遗传算法参数包括:第二最大迭代次数、交叉变异概率、第二最优目标函数值,第二优化目标函数为:
上式中,TotalProfit为所有测控任务的执行收益,Xtw为决策变量,Profitt为完成测控任务获得的收益,t为测控任务,T为所有测控任务集合,w为测控弧段,W为所有测控弧段的集合;
S312、初始化染色体种群,染色体种群中每条染色体都代表一种测控任务弧段分配方案,染色体上的基因数目等于测控任务数目,基因上的特征值代表测控任务指定分配的测控弧段,若无条件执行则设置为0;
S313、通过第二目标函数计算每条染色体对应的目标函数值,目标函数值指的是总体任务收益;
S314、如果当前染色体种群的最大目标函数值大于第二最优目标函数值,则更新第二最优目标函数值为该当前染色体种群的最大目标函数值;
S315、基于每条染色体的目标函数值,通过轮盘赌选择染色体个体生成新的染色体种群,然后对新的染色体种群进行交叉和变异,通过约束条件检查出存在冲突的染色体,对存在冲突的染色体进行修正合法后,得到下一代染色体种群,约束条件包括:
每个测控任务只能由一个测控弧段执行且每个测控弧段最多执行一个测控任,约束公式如下:
∑w∈WXtw≤1,
上式中,Xtw为决策变量,w为测控弧段,W为所有测控弧段的集合,
测控弧段的持续时间大于等于执行测控任务所需的最小时间,约束公式如下:
DTw≥Tdtif Xtw=1,
上式中,DTw为测控弧段w的持续时间,Tdt为执行测控任务t所需的最小时间,Xtw为决策变量,
每个测控站在单一时刻只能与单一卫星建立星地链路,约束公式如下:
Wg=[wg1,wg2,…wgx],
上式中,Wg为测控站g的测控弧段的集合,wg1为第1个测控弧段,wg2为第2个测控弧段,wgx为第x个测控弧段,为测控弧段wgi的开始时间,为测控弧段wgi的结束时间,为测控弧段wgj的开始时间,为测控弧段wgj的结束时间,wgj为测控站g的第j个弧段;
S316、记录下一代染色体种群的最大目标函数值及其对应的染色体个体;
S317、重复步骤S313至步骤S316,直至达到第二最大迭代次数,将当前染色体种群的最大目标函数值对应的染色体个体作为最优测控任务测控弧段调度方案输出。
本实施例中,所有测控窗口集合为W:
W={w1,w2,w3,……wR},
可用弧段数量表示为R;
对于任何一个测控窗口可以表示为:
w=[TaskIDw,SatIDw,GSIDw,STw,ETw,DTw],
TaskIDw代表对应的任务编号,SatIDw代表对应的卫星的编号,GSIDw代表对应的测控站编号,STw代表测控窗口开始的时间,ETw代表测控窗口结束的时间,DTw代表测控窗口持续的时间。
多次重复步骤S1-步骤S3,实现集群测控站的动态调度。
Claims (9)
1.一种集群测控站调度方法,其特征在于,包括以下步骤:
S1、获取测控任务需求集合,所述测控任务需求包括:指定用于执行任务的卫星、执行测控任务所需的最小时间、执行测控任务的规划时间范围、完成测控任务获得的收益;
S2、优化集群机动部署策略:
根据测控任务需求对测控任务需求集合进行迭代优化部署,在每次迭代过程中通过计算得到当前测控任务最优的移动测控站部署方案,计算过程为:通过测控资源数据库获得当下可用测控站的基本情况,通过阵地信息数据库获得可机动部署的测控阵地的地理信息及各个测控阵地的之间进行转移的机动成本,在考虑测控任务的测控弧段覆盖收益及机动调度成本的基础上,通过移动测控站部署方案优化遗传算法得到最优的移动测控站部署方案,移动测控站部署方案包括每个测控站的部署位置,
S3、优化任务分配:
在得到最优的移动测控站部署方案的基础上,通过每个测控站的部署位置计算得到所有测控弧段,通过测控任务测控弧段调度方案优化遗传算法得到最优测控任务测控弧段调度方案;
多次重复步骤S1-步骤S3,实现集群测控站的动态调度。
2.如权利要求1所述的一种集群测控站调度方法,其特征在于,所述通过移动测控站部署方案优化遗传算法得到最优的移动测控站部署方案包括以下步骤:
S211、基于综合考虑测控任务的测控弧段覆盖收益与机动调度成本建立第一目标函数,将第一目标函数设定为移动测控站部署方案优化遗传算法的个体适应度函数,并初始化遗传算法参数,所述遗传算法参数包括:第一最大迭代次数、第一最优目标函数值、交叉变异概率;
S212、初始化染色体种群,染色体种群中每条染色体都代表一种移动测控站集群的部署方案,染色体上的基因数目等于可调用的移动测控站数目,每个基因的特征值代表测控站所在测控阵地的编号;
S213、计算染色体种群中每条染色体对应的测控任务的测控弧段覆盖收益,并获取每条染色体对应的机动调度成本,再将测控任务的测控弧段覆盖收益、机动调度成本代入第一目标函数,计算得到每条染色体的目标函数值;
S214、如果当前染色体种群的最大目标函数值大于第一最优目标函数值,则更新第一最优目标函数值为该当前染色体种群的最大目标函数值;
S215、基于每条染色体的目标函数值,通过轮盘赌选择染色体个体生成新的染色体种群,然后对新的染色体种群进行交叉和变异,得到下一代染色体种群;
S216、记录下一代染色体种群的最大目标函数值及其对应的染色体个体;
S217、重复步骤S213至步骤S216,直至达到第一最大迭代次数,将当前染色体种群的最大目标函数值对应的染色体个体作为最优的移动测控站部署方案输出。
3.如权利要求2所述的一种集群测控站调度方法,其特征在于,所述计算染色体种群中每条染色体对应的测控任务的测控弧段覆盖收益包括以下步骤:
S2121、遍历每条染色体对应的测控任务,将执行测控任务的规划时间范围作为测控任务的执行场景时间范围,通过软件接口与STK软件连接构建多星多站仿真场景,读取STK软件计算的在测控任务执行场景时间范围内,任务对应的卫星与所有测控站的Access数据,所述Access数据包括所有测控弧段的开始时间、结束时间与持续时长,将所有测控弧段组成测控弧段集合;
S2122、将所述测控弧段集合按照起始时间先后排序,依次遍历,若前后两个测控弧段时间范围存在重叠,则将两个测控弧段合并为新的测控弧段代替原有的两个测控弧段,最终得到若干在时间上没有重叠的测控弧段集合,累加所有测控弧段的持续时间,得到测控任务在执行场景时间范围内,处于测控区间可被执行的弧段总长度;
S2123、通过将所述弧段总长度与完成测控任务获得的收益相乘,得到任务弧段的覆盖收益。
4.如权利要求2所述的一种集群测控站调度方法,其特征在于,所述机动调度成本包括从测控任务的起始位置转移到终点位置的机动成本、从测控任务的起始位置转移到终点位置的机动时间消耗。
5.如权利要求2所述的一种集群测控站调度方法,其特征在于,所述第一目标函数为:
上式中,f为第一目标函数值,分为两项,第一项代表测控任务的测控弧段覆盖收益,第二项代表机动调度成本,AccessTimet为测控任务t在执行场景时间范围中处于测控区间内的弧段总长度,X为决策变量,决策变量描述将测控站部署在各个测控阵地的方案,Profitt为完成测控任务t获得的收益,cost(Origing,Destinationg)为移动测控站从起始测控阵地位置转移到终点测控阵地位置的机动成本,可由阵地资源数据库获得,Origing为测控站g的起始测控阵地,可由测控资源数据库获得,Destinationg为测控站g的终点测控阵地,w1为第一权重系数,w2为第二权重系数。
6.如权利要求2所述的一种集群测控站调度方法,其特征在于,所述测控弧段包括:测控任务编号、卫星编号、测控站编号、测控弧段的开始时间、测控弧段的结束时间、测控弧段的持续时间。
7.如权利要求1所述的一种集群测控站调度方法,其特征在于,所述通过测控任务测控弧段调度方案优化遗传算法得到最优测控任务测控弧段调度方案,包括以下步骤:
S311、将测控任务测控弧段调度方案优化遗传算法的优化目标设定为测控任务总体收益,基于测控任务总体收益建立第二目标函数,将第二目标函数设定为遗传算法个体适应度函数,并初始化遗传算法参数,所述遗传算法参数包括:第二最大迭代次数、交叉变异概率、第二最优目标函数值;
S312、初始化染色体种群,染色体种群中每条染色体都代表一种测控任务弧段分配方案,染色体上的基因数目等于测控任务数目,基因上的特征值代表测控任务指定分配的测控弧段,若无条件执行则设置为0;
S313、通过第二目标函数计算每条染色体对应的目标函数值,目标函数值指的是总体任务收益;
S314、如果当前染色体种群的最大目标函数值大于第二最优目标函数值,则更新第二最优目标函数值为该当前染色体种群的最大目标函数值;
S315、基于每条染色体的目标函数值,通过轮盘赌选择染色体个体生成新的染色体种群,然后对新的染色体种群进行交叉和变异,通过约束条件检查出存在冲突的染色体,对存在冲突的染色体进行修正合法后,得到下一代染色体种群;
S316、记录下一代染色体种群的最大目标函数值及其对应的染色体个体;
S317、重复步骤S313至步骤S316,直至达到第二最大迭代次数,将当前染色体种群的最大目标函数值对应的染色体个体作为最优测控任务测控弧段调度方案输出。
9.如权利要求8所述的一种集群测控站调度方法,其特征在于,所述约束条件包括:
每个测控任务只能由一个测控弧段执行且每个测控弧段最多执行一个测控任,约束公式如下:
∑w∈WXtw≤1,
上式中,Xtw为决策变量,w为测控弧段,W为所有测控弧段的集合,
测控弧段的持续时间大于等于执行测控任务所需的最小时间,约束公式如下:
DTw≥Tdt if Xtw=1,
上式中,DTw为测控弧段w的持续时间,Tdt为执行测控任务t所需的最小时间,Xtw为决策变量,
每个测控站在单一时刻只能与单一卫星建立星地链路,约束公式如下:
Wg=[wg1,wg2,...wgx],
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211583732.9A CN115796541A (zh) | 2022-12-09 | 2022-12-09 | 一种集群测控站调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211583732.9A CN115796541A (zh) | 2022-12-09 | 2022-12-09 | 一种集群测控站调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115796541A true CN115796541A (zh) | 2023-03-14 |
Family
ID=85418443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211583732.9A Pending CN115796541A (zh) | 2022-12-09 | 2022-12-09 | 一种集群测控站调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115796541A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116430736A (zh) * | 2023-06-09 | 2023-07-14 | 中国西安卫星测控中心 | 一种用于航天测控的多智能体自主协同调配方法 |
-
2022
- 2022-12-09 CN CN202211583732.9A patent/CN115796541A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116430736A (zh) * | 2023-06-09 | 2023-07-14 | 中国西安卫星测控中心 | 一种用于航天测控的多智能体自主协同调配方法 |
CN116430736B (zh) * | 2023-06-09 | 2023-09-05 | 中国西安卫星测控中心 | 一种用于航天测控的多智能体自主协同调配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109409775B (zh) | 一种卫星联合观测任务规划方法 | |
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 | |
CN109960544B (zh) | 基于数据驱动型敏捷卫星任务并行调度方法 | |
CN110412869B (zh) | 一种多星协同的空间动态目标实时跟踪方法 | |
Song et al. | Improved genetic algorithm with local search for satellite range scheduling system and its application in environmental monitoring | |
CN113612525A (zh) | 基于约束满足的低轨互联网星座星地链路规划方法 | |
CN115796541A (zh) | 一种集群测控站调度方法 | |
CN115103410B (zh) | 一种测控数传资源调度方法、***及装置 | |
Huang et al. | Multi-robot system task allocation mechanism for smart factory | |
Wu et al. | Research on task priority model and algorithm for satellite scheduling problem | |
Wang et al. | Scheduling multiple agile earth observation satellites for oversubscribed targets using complex networks theory | |
CN113205220B (zh) | 一种面向实时订单数据的无人机物流配送全局规划方法 | |
CN115202849B (zh) | 一种支持边缘计算的多无人机任务分配与路径规划方法 | |
Chen et al. | Multiagent dynamic task assignment based on forest fire point model | |
Han et al. | Multiple GEO satellites on-orbit repairing mission planning using large neighborhood search-adaptive genetic algorithm | |
CN114638155A (zh) | 一种基于智能机场的无人机任务分配与路径规划方法 | |
CN116126493A (zh) | 一种基于sa-ga的异质多星协同任务规划方法 | |
Qi et al. | A cooperative autonomous scheduling approach for multiple earth observation satellites with intensive missions | |
CN113128749B (zh) | 一种卫星观测网络集中式在线规划方法 | |
Han et al. | Satellite mission scheduling using genetic algorithm | |
CN111694831B (zh) | 一种基于知识评价的卫星地面观测***任务去重方法 | |
Liu et al. | Research on a heterogeneous multi-satellite mission scheduling model for earth observation based on adaptive genetic-tabu hybrid search algorithm | |
CN115296717A (zh) | 一种低轨卫星***地面站天线阵列的调度方法 | |
CN114091754A (zh) | 一种多无人机移动基站协同部署及调度方法 | |
CN108830483B (zh) | 多智能体***任务规划方法 |
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 |