CN116307535A - 一种基于改进差分进化算法的多星协作成像任务规划方法 - Google Patents
一种基于改进差分进化算法的多星协作成像任务规划方法 Download PDFInfo
- Publication number
- CN116307535A CN116307535A CN202310157312.2A CN202310157312A CN116307535A CN 116307535 A CN116307535 A CN 116307535A CN 202310157312 A CN202310157312 A CN 202310157312A CN 116307535 A CN116307535 A CN 116307535A
- Authority
- CN
- China
- Prior art keywords
- satellite
- task
- individual
- imaging
- population
- 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.)
- Granted
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 105
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000006870 function Effects 0.000 claims abstract description 36
- 230000035772 mutation Effects 0.000 claims abstract description 26
- 230000004044 response Effects 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000012163 sequencing technique Methods 0.000 claims abstract description 6
- 238000011161 development Methods 0.000 claims description 19
- 230000008901 benefit Effects 0.000 claims description 15
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 206010034701 Peroneal nerve palsy Diseases 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 3
- 125000003275 alpha amino acid group Chemical group 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06Q10/06316—Sequencing of tasks or work
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Physiology (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种基于改进差分进化算法的多星协作成像任务规划方法,从成像任务规划目标函数和协作约束条件出发,由用户提出成像需求,获取卫星资源集及对地观测目标任务集信息,计算对地观测目标可见时间窗口,分析和确定目标函数和约束条件。然后,本申请提供了一种改进差分进化算法,该算法构建了基于个体适应度值权重排序的变异策略及自适应多策略候选池,在种群初始化阶段,随机生成若干个个体,其中个体即为卫星成像任务方案;在种群进化阶段,经过变异算子、交叉算子和选择算子生成新一代个体,通过多星协作成像适应度值进行迭代寻优,最终获得最优规划方案。本申请在任务收益和响应时间方面均具有较好性能,极大地提高了多星协作成像任务规划的效率。
Description
技术领域
本申请属于多星协同任务规划领域,尤其涉及一种基于改进差分进化算法的多星协作成像任务规划方法。
背景技术
近年来,在轨卫星数量的不断增加,卫星对地观测需求日益复杂。单颗成像卫星受机动能力、卫星轨道约束等限制,无法对随机或指定区域目标进行持续性观测。相比之下,多星协作的任务规划模式因其分布卫星数量较多,且分布区域较广,可对观测目标实现长效时、多方位的持续监测。目前,多星协作成像任务规划问题已成为航天技术应用领域中不可避免的研究问题。
多星协作成像任务规划问题(Multi-satellite cooperative imaging missionplanning,MSCIMP)是指根据异构卫星资源、不同观测需求,在复杂任务环境下,对有限的卫星***资源进行合理的优化配置,提高对地或者对空观测获取遥感图像的运行效率。多星任务规划问题需要综合考虑卫星资源约束、任务需求约束、环境约束、协作任务约束等众多约束条件,导致问题求解十分复杂,已经被证明是NP-hard问题。
目前,国内外对多星协作成像任务规划问题求解的研究主要集中于,利用确定性算法或启发式算法进行多星协作成像任务规划。确定性算法具有高稳定性、高效率性等特点,在问题复杂度较低、侦测任务规模较小的情况下,能稳定地在多项式时间内找到最优解,但对问题的初始点要求较高,对复杂的、规模较大的求解问题效率较低。启发式算法运行过程简单,算法实现高效,能够有效解决较大规模的多星任务规划问题,但该算法适用范围有限,需要设计合理的启发式规则获取启发式信息。现有的针对多星协作成像任务规划的算法研究,只能有效解决小规模的任务规划问题,而在实际解决工程问题时,往往面临的大规模多卫星协作任务规划问题,缺乏有效性和时效性。
发明内容
根据本申请的一个方面,提供了一种基于改进差分进化算法的多星协作成像任务规划方法,能够在较短时间内利用有限的卫星资源完成成像任务,并使效益最大化。
所述基于改进差分进化算法的多星协作成像任务规划方法,包括:
(1)根据用户的成像需求,获取卫星资源集信息,并构建对地观测目标任务集;
(2)计算对地观测目标可见时间窗口;
(3)初始化卫星基本参数信息、改进差分进化算法基本参数信息,将种群信息定义为一个结构体;
(4)以每个卫星成像任务方案作为一个个体,利用所述改进差分进化算法进行求解,输出最优规划方案;
所述改进差分进化算法为:在差分进化算法的基础上,基于个体适应度值权重排序构建变异算子和自适应多策略候选池,子种群根据自身探索性能与开发性能的偏向性,从所述自适应多策略候选池中选择变异策略,生成新一代种群。
进一步地,步骤(1)中,所述获取卫星资源集信息包括:
(11)根据轨道六根数建立多星协作成像任务规划的仿真环境;
(12)根据用户的成像需求,定义对地观测目标要求载荷类型;
(13)加载卫星资源的预设场景,获取卫星资源集信息;
(14)随机生成成像目标点,模拟任务需求,构建对地观测目标任务集;
(15)设置目标的目标优先级。
优选地,所述成像需求包括周期性侦察大规模成像任务(针对机场、港口等区域)、应急保障任务(针对地震、森林火灾等场景)。
优选地,所述卫星资源集信息记作Sj表示第j个卫星,NS表示卫星数量。对于/>其相关参数包括:遥感器最大侧摆角度Aj、遥感器视场角θj、卫星sj单次最长开机时间tmaxsj、卫星sj单次最短开机时间tminsj、平均侧摆速率wj、卫星载荷类型dj、卫星在规划周期内的轨道圈次数/>卫星遥感器的最佳分辨率/>
优选地,对于各用户需求任务i表示执行任务的序号,包含参数:任务的目标地理位置Pi=(Pi lat,Pi lon)(Pi lat为目标纬度,Pi lon为目标经度)、执行任务的优先级wi、要求遥感器类型Ti、要求最低分辨率ri t(上标t表示用户需求任务)。
优选地,所述目标优先级采用采用[1,10]之间的整数。
进一步地,所述步骤(2)包括:
(21)抓取每颗卫星及星载遥感器路径,通过STK的ComputeAccess获取卫星资源集S及对地观测目标任务集T,其中所述卫星资源集S包含卫星基本参数信息;
(22)根据观测目标点起始位置纬度及终止位置纬度,计算星下点轨迹的垂足处位置,判断观测目标点与星下点轨迹垂足处的位置关系,计算得到卫星侧摆角;
(23)清除不满足用户分辨率需求约束、载荷约束的时间窗,保存每一个目标的可见时间窗及其相关参数。
进一步地,步骤(3)中,所述卫星基本参数信息包括:视场角、单次最长开机时间、最大侧摆角度、平均侧摆角速度。
优选地,所述改进差分进化算法基本参数信息包括:迭代次数、个体长度、种群个体数量、任务规划总时间、卫星单轨道周期时间。
优选地,所述种群信息包括:目标函数值、执行任务规划方案所分配的卫星、分配卫星的对应时间窗口、应急保障任务收益、响应时间、任务总收益、任务规划方案、执行应急保障任务数量。
进一步地,所述(4)包括:
(41)在边界范围及时间窗口约束范围内,随机生成若干个个体形成初始种群,每个个体对应一个卫星成像任务方案;
(42)遍历所述初始种群中所有个体及个体中的所有目标任务,判断当前目标任务是否具有可见时间窗,若具有,则为其随机匹配一颗卫星执行任务;否则,不为其匹配卫星执行任务;
(43)遍历所述初始种群中所有个体及个体中的所有卫星;获取当前卫星所分配执行的观测目标任务序号、当前卫星在各轨道圈次执行目标任务的轨道圈次及各轨道圈次内的目标任务序号;
(44)遍历当前个体中各卫星对应的观测目标任务,获取每颗卫星所执行目标任务的可见时间窗口信息,具体包含:目标任务序号、执行任务开始时间、执行任务结束时间、执行任务持续时间、卫星执行任务侧摆角;
(45)建立目标函数,根据用户任务需求自适应选择目标函数并进行单星调度计算,得到目标函数值、应急保障任务收益、响应时间、任务总收益、任务规划方案及执行应急保障任务数量,完成种群初始化;
(46)计算种群中每个个体适应度值,构建基于个体适应度值权重排序的变异算子及自适应多策略候选池;
(47)经过变异、交叉、选择生成新一代种群,迭代优化过程中采用适应度值函数保留每一代优秀个体,淘汰适应度值低的个体,当达到终止条件时,输出当前种群的最优个体,该个体为多星协作成像任务规划的最优方案。
优选地,步骤(45)中,所述目标函数包括针对普通成像任务的目标函数和针对应急保障任务的目标函数。
优选地,所述针对普通成像任务的目标函数如下式所示:
优选地,所述针对应急保障任务的目标函数如下式所示:
优选地,所述目标函数的实现满足如下约束条件:
(451)观测持续时间约束,如下公式:
其中,S为卫星资源集信息,T为对地观测目标任务集,Wijk为观测时间窗的数据集,为卫星sj单次最长开机时间,/>为卫星sj单次最短开机时间,xijk为决策变量,/>为成像结束时间,/>为成像开始时间。
(452)工作模式约束,如下公式:
(453)分辨率约束,如下公式:
(454)侧摆角速度约束,如下公式:
(455)侧摆角转换时间约束,如下公式:
(456)唯一性约束,如下公式:
优选地,步骤(46)中,所述构建基于个体适应度值权重排序的变异算子包括:
(462)选取在空间分布中处于开放性个体与探索性个体之间的中间个体适应度值作为参考值:
(463)计算个体适应度值与参考值之间的偏差值S:
S=|fiti-fitmiddle|,i=1,...,NP
其中,fiti表示当前个体的适应度值,fitmiddle表示中间个体适应度值,S表示当前个体与中间个体适应度值之差的绝对值,适应度值较大的个体,若偏差值S较大,则表明当前个体距离最优个体较远或可能陷入局部最优;适应度值较小的个体,偏差值S相差较大,则意味着当前个体距离中间个体较远,在空间中的位置更为边缘。
(465)将开发偏向性排序及探索偏向性排序进行加权组合,得到新的适应度值排序R:
优选地,步骤(46)中,构建所述自适应多策略候选池包括步骤:
根据新适应度值排序,将每一代种群划分成三种不同的子种群:“开发性种群”、“探索性种群”及“平衡性种群”;
构建自适应多策略候选池,其中包含三组变异策略:“DE/best/1”、“DE/rand/1”、“DE/current-to-best/1”;
不同的子种群根据自身探索性能与开发性能的偏向性,从候选池中自适应选择满足自身开发与探索需求的变异策略。
根据本申请的又一个方面,提供了一种计算机可读存储介质,包括存储器和处理器,所述存储器上存储有计算机指令,所述计算机指令被所述处理器执行时实现所述的基于改进差分进化算法的多星协作成像任务规划方法中的部分或全部步骤。
本申请能产生的有益效果包括:本申请充分考虑了在实际工程应用中,多星协作成像任务规划满足任务需求、协作任务、卫星资源限制等多方面的约束条件。继而采用改进差分进化算法来解决多星协作成像任务规划问题,通过构建基于个体适应度值权重排序的变异算子及自适应多策略候选池,能够有效平衡种群的多样性和收敛性,提高算法收敛速度,在任务收益和响应时间方面均具有较好性能。继而经过变异算子、交叉算子和选择算子生成新一代个体,通过多星协作成像适应度值进行迭代寻优,实现了在较短时间内利用有限的卫星资源效益最大化地完成成像任务的优化目标,为多星协作成像任务规划提供有效参考。
附图说明
图1为本申请一种实施方式中基于改进差分进化算法的多星协作成像任务规划方法流程图;
图2为本申请一种实施方式中改进差分进化算法的流程示意图;
图3(a)为一种实施例中采用本申请改进差分进化算法得到的实验数据,图3(b)为采用传统差分进化算法得到的实验数据;
图4(a)为又一种实施例中采用本申请改进差分进化算法得到的实验数据,图4(b)为采用传统差分进化算法得到的实验数据。
具体实施方式
下面结合实施例详述本申请,但本申请并不局限于这些实施例。
一种基于改进差分进化算法的多星协作成像任务规划方法,具体包括如下步骤:
S1、用户提出成像需求,以大规模成像任务为例,获取卫星资源集信息,并构建对地观测目标任务集。
在一种实施方式中,步骤S1具体包括步骤如下:
S11、通过STK软件设置演示场景,从STK标准数据库中选取8颗成像卫星。其中,卫星编号1-6为光学成像卫星,卫星编号7-8为合成孔径雷达SAR卫星。根据轨道六根数建立多星协作成像任务规划的仿真环境。
S12、使用MatlabR2018b与STK11.6进行互联。
S13、根据用户提出的大规模成像任务需求,获取对地观测目标要求载荷类型;
的相关参数包括:遥感器最大侧摆角度Aj、遥感器视场角θj、卫星sj的单次最长开机时间/>卫星sj的单次最短开机时间/>平均侧摆速率wj、卫星载荷类型dj、卫星在规划周期内的轨道圈次数/>卫星遥感器的最佳分辨率/>其中,j表示卫星的序号,上标o表示轨道orbit。
S15、在纬度[-30,70],经度[-180,180]的全球范围内,随机生成100个成像目标点模拟任务需求;其中,80个目标符合可见光需求,20个成像目标符合SAR需求。构建对地观测目标任务集ti表示第i个用户需求任务,NT为任务总数量;
S16、采用[1,10]之间的整数设置各目标优先级,以区分目标重要程度。
S2、计算对地观测目标可见时间窗口,明确执行任务卫星与指定目标点的可见关系。
多星协作成像任务规划问题被视作一类具有时间窗口的任务规划问题,卫星执行成像任务通常具有多个可见时间窗,每个可见时间窗与执行任务卫星及地面观测目标构成一个卫星成像任务规划的元任务。因而,在卫星成像任务规划的预处理阶段,需首先明确执行任务卫星与指定目标点的可见关系。根据对地观测任务集T进行可见时间窗计算,每个成像卫星对地面观测目标的每一个可见时间窗构成一个任务规划的元任务;成像卫星sj第k轨道圈次对任务ti的时间窗为wijk:
其中,i表示任务编号,j表示卫星编号,k表示当前任务规划中元任务的轨道圈次编号,tstart表示可见时间窗的开始时间,tstop表示可见时间窗结束时间,a表示卫星执行任务侧摆角。
在一种实施方式中,步骤S2具体包括步骤如下:
S21、通过MatlabR2018b与STK11.6进行互联,在卫星传感器与地面观测目标之间建立连接。
S22、通过stkInit接口函数抓取每颗卫星及星载遥感器路径,通过STK的ComputeAccess获取卫星资源集S及对地观测目标任务集T,包含最大侧摆角、星下点数据在内的卫星基本参数信息,并保存成二进制数据文件;
S23、根据观测目标点起始位置纬度及终止位置纬度,计算星下点轨迹的垂足处位置,判断观测目标点与星下点轨迹垂足处的位置关系,计算得到卫星侧摆角。
S24、最后,清除不满足用户分辨率需求约束、载荷约束的时间窗,保存每一个目标的可见时间窗及其相关参数。
S3、初始化卫星基本参数信息及算法基本参数,将种群信息定义为一个结构体。
在一种实施方式中,步骤S3中,卫星基本参数信息包含:视场角、单次最长开机时间、最大侧摆角度、平均侧摆角速度。具体实施数据如下:
卫星视场角θj=[5 5 6 6 7 7 8 8];
单次最长开机时间tmaxsj=[400 400 450 450 450 450 500 500];
最大侧摆角速度Aj=[30 30 30 30 35 35 40 40];
平均侧摆角速度wj=[0.3 0.3 0.3 0.4 0.4 0.4 0.5 0.5]。
在一种实施方式中,算法基本参数包含:迭代次数、个体长度、种群个体数量、任务规划总时间、卫星单轨道周期时间。具体实施数据如下:
迭代次数MAXGEN=300;
个体长度lengthT=TargetNumber;
种群个体数量M=50;
任务规划总时间PlanTime=24*3600;
卫星单轨道周期时间SatPeriod=5431.18。
在一种实施方式,结构体中所定义的种群信息具体包含:目标函数值、执行任务规划方案所分配的卫星、分配卫星的对应时间窗口、应急保障任务收益、响应时间、任务总收益、任务规划方案、执行应急保障任务数量。
S4、在边界范围及时间窗口约束范围内,随机生成若干个个体形成初始种群,每个个体对应一个卫星成像任务方案。
在一种实施方式中,步骤S4具体包含步骤如下:
S41、遍历种群中所有个体,遍历种群个体中的所有目标任务,判断当前目标任务是否具有可见时间窗,若当前目标任务具有可见窗口,为其随机匹配一颗卫星执行任务。若当前目标任务不具有可见窗口,则不为其匹配卫星执行任务。
S42、遍历种群中所有个体,遍历种群个体中的所有卫星。获取当前卫星所分配执行的观测目标任务序号,及当前卫星在各轨道圈次执行目标任务的轨道圈次信息及各轨道圈次内的目标任务序号信息。
S43、遍历当前个体所有卫星的所有观测目标任务,获取每颗卫星所执行目标任务的可见时间窗口信息,具体包含:目标任务序号、执行任务开始时间、执行任务结束时间、执行任务持续时间、卫星执行任务侧摆角。
S44、建立目标函数,根据用户任务需求自适应选择目标函数并进行单星调度计算,得到目标函数值、应急保障任务收益、响应时间、任务总收益、任务规划方案及执行应急保障任务数量,至此,种群初始化完毕。
针对普通成像任务,建立如下目标函数:
式(1)表示成像卫星应尽可能多地完成相对重要的普通成像任务。其中,NT为用户需求任务ti的总数量;NS为卫星数量;为卫星在规划周期内的轨道圈次数;xijk∈{0,1}为决策变量,xijk=0表示任务ti未被卫星Sj在第k轨道次成像,xijk=1表示任务ti被卫星Sj在第k轨道次成像;wi为任务的优先级。
针对应急保障任务,建立如下目标函数:
式(2)表示成像卫星应当尽快执行应急保障任务。其中,为应急保障任务数量;NT为用户需求任务ti的总数量;NS为卫星数量;/>为卫星在规划周期内的轨道圈次数;xijk∈{0,1}为决策变量,xijk=0表示任务ti未被卫星Sj在第k轨道次成像,xijk=1表示任务ti被卫星Sj在第k轨道次成像;ti’为应急保障任务的响应时间。
目标函数的实现需满足各种约束条件,下面详细描述为多星协作成像任务规划在本实例大规模成像任务中所需满足的约束条件:构建了任务合成的约束满足模型,任务合成序列中的任意一个任务需要满足成像持续时间在卫星开机持续时间;将卫星载荷的每一次开关机看作一个工作模式,要求卫星sj在第k轨道圈次对任务ti的任意时间窗内,满足遥感器使用类型Ti与当前时刻用户要求任务tj一致;卫星sj在第k轨道圈次对任务ti的任意时间窗/>内需满足卫星遥感器分辨率/>小于等于卫星成像用户要求最低分辨率ri t;星机动性能要求对地目标成像侧视角/>不能超过卫星最大侧视角Aj;任务合成序列Cjk当中任意一个规划元任务,侧摆角转换时间需小于等于观测持续时间;卫星传感器在任意时刻单次只能执行一次任务。
根据上述描述抽象出约束条件数学表达如下:
1)观测持续时间约束条件:
其中,S为卫星资源集信息,T为对地观测目标任务集,Wijk为观测时间窗的数据集,为卫星sj单次最长开机时间,/>为卫星sj单次最短开机时间,xijk为决策变量,/>为成像结束时间,/>为成像开始时间。
2)工作模式约束条件:
3)分辨率约束条件:
4)侧摆角速度约束条件:
5)侧摆角转换时间约束条件:
6)唯一性约束条件:
S5、计算种群中每个个体适应度值,构建基于个体适应度值权重排序的变异算子及自适应多策略候选池。
为了将改进差分进化算法与多星协作成像任务规划问题紧密结合,以式(1)、(2)中提出的目标函数作为个体适应度函数;变异操作通过构建基于个体适应度值权重排序的变异算子及自适应多策略候选池实现。针对多星协作成像任务规划存在执行方案多,规划时间长的难点一方面,将个体适应度值作为个体空间分布位置的参考因素,通过个体的开发偏向性及探索偏向性对种群个体(即执行方案)进行预评估。另一方面,个体根据适应度值权重排序结果从策略池中自适应选择变异策略。
首先,根据个体的适应度值进行开发性排序,并引入偏差值及参考个体的概念,计算种群中每个个体与参考个体的偏差值;然后,按照计算开发性排序与探索性排序的权重生成新的排列顺序;最后,按照新的排列顺序将种群划分为“开发性”种群、“探索性”种群及“平衡性”种群,子种群在策略池中自适应地选择变异策略完成变异。
构建基于个体适应度值权重排序的变异算子具体步骤为:
S512、选取在空间分布中处于开放性个体与探索性个体之间的中间个体适应度值作为参考值:
S513、计算个体适应度值与参考值之间的偏差值S:
S=|fiti-fitmiddle|,i=1,...,NP (12)
式(12)中,fiti表示当前个体的适应度值,fitmiddle表示中间个体适应度值,S表示当前个体与中间个体适应度值之差的绝对值,适应度值较大的个体,若偏差值S较大,则表明当前个体距离最优个体较远或可能陷入局部最优;适应度值较小的个体,偏差值S相差较大,则意味着当前个体距离中间个体较远,在空间中的位置更为边缘,为解的探索贡献更多的随机性与多样性。
S515、将开发偏向性排序及探索偏向性排序进行加权组合,得到新的适应度值排序R:
构建自适应多策略候选池的具体步骤为:
S521、根据新适应度值排序,将每一代种群划分成三种不同的子种群:“开发性种群”、“探索性种群”及“平衡性种群”。
S522、构建自适应多策略候选池,其中包含三组变异策略:“DE/best/1”、“DE/rand/1”、“DE/current-to-best/1”。
S523、不同的子种群能够根据自身探索性能与开发性能的偏向性,从候选池中自适应选择满足自身开发与探索需求的变异策略。
不同的子种群能够根据自身探索性能与开发性能的偏向性,从候选池中自适应选择满足自身开发与探索需求的变异策略,进而从有效识别向量解空间的最优解区域及加速优化收敛两方面提升差分进化算法的整体性能。需要注意的是,每一次迭代过程中,自适应多策略候选池中的变异策略有且仅有一组被执行。
S6、经过变异、交叉、选择生成新一代种群,迭代优化过程中采用适应度值函数保留每一代优秀个体,淘汰适应度值低个体;
通过构建基于个体适应度值权重排序的变异算子及自适应多策略候选池,不同的子种群自适应选择其对应变异策略,并根据其变异策略随机选取个体执行步骤S511-S515,产生新一代种群,执行变异、交叉、选择,迭代优化过程中采用适应度值函数保留每一代优秀个体,淘汰适应度值低个体。当达到终止条件时,输出当前种群的最优个体,该个体为多星协作成像任务规划的最优方案,能够使得在有限卫星资源在较短时间内使得卫星资源收益最大。
S7、一种基于改进差分进化算法的多星协作成像任务规划在大规模成像任务实例中进行实验验证,对目标点为100的大规模成像任务场景,采用本申请的改进差分进化算法(IADE)和传统差分进化算法(DE)在种群规模300迭代次数300的参数控制下进行性能对比实验,如图3(a)、图3(b)、图4(a)、图4(b)显示。本申请在任务收益和响应时间方面均具有较好性能。
本申请还提供了一种计算机可读存储介质,包括存储器和处理器,所述存储器上存储有计算机指令,所述计算机指令被所述处理器执行时实现所述的基于改进差分进化算法的多星协作成像任务规划方法中的部分或全部步骤。
以上所述,仅是本申请的几个实施例,并非对本申请做任何形式的限制,虽然本申请以较佳实施例揭示如上,然而并非用以限制本申请,任何熟悉本专业的技术人员,在不脱离本申请技术方案的范围内,利用上述揭示的技术内容做出些许的变动或修饰均等同于等效实施案例,均属于技术方案范围内。
Claims (10)
1.一种基于改进差分进化算法的多星协作成像任务规划方法,其特征在于,该方法包括:
(1)根据用户的成像需求获取卫星资源集信息,并构建对地观测目标任务集;
(2)计算对地观测目标可见时间窗口;
(3)初始化卫星基本参数信息、改进差分进化算法基本参数信息,将种群信息定义为一个结构体;
(4)以每个卫星成像任务方案作为一个个体,利用所述改进差分进化算法进行求解,输出最优规划方案;
所述改进差分进化算法为:在差分进化算法的基础上,基于个体适应度值权重排序构建变异算子和自适应多策略候选池,子种群根据自身探索性能与开发性能的偏向性,从所述自适应多策略候选池中选择变异策略,生成新一代种群。
2.根据权利要求1所述的基于改进差分进化算法的多星协作成像任务规划方法,其特征在于,步骤(1)中,所述获取卫星资源集信息包括:
(11)根据轨道六根数建立多星协作成像任务规划的仿真环境;
(12)根据用户的成像需求,定义对地观测目标要求载荷类型;
(13)加载卫星资源的预设场景,获取卫星资源集信息;
(14)随机生成成像目标点,模拟任务需求,构建对地观测目标任务集;
(15)根据任务需求设置所述成像目标点的目标优先级;
对于各卫星其相关参数包括:遥感器最大侧摆角度Aj、遥感器视场角θj、卫星sj的单次最长开机时间/>卫星sj的单次最短开机时间/>平均侧摆速率wj、卫星载荷类型dj、卫星在规划周期内的轨道圈次数/>卫星遥感器的最佳分辨率/>其中,j表示卫星的序号,上标o表示轨道orbit;
优选地,对于各用户需求任务包含参数:任务的目标地理位置Pi=(Pi lat,Pi lon)、执行任务的优先级wi、要求遥感器类型Ti、要求最低分辨率ri t,其中,Pi lat为目标纬度,Pi lon为目标经度,上标t表示用户需求任务,i表示任务的序号;
优选地,所述目标优先级采用采用[1,10]之间的整数。
3.根据权利要求1所述的基于改进差分进化算法的多星协作成像任务规划方法,其特征在于,所述步骤(2)包括:
(21)抓取每颗卫星及星载遥感器路径,通过STK的ComputeAccess获取卫星资源集S及对地观测目标任务集T,其中所述卫星资源集S包含卫星基本参数信息;
(22)根据观测目标点起始位置纬度及终止位置纬度,计算星下点轨迹的垂足处位置,判断观测目标点与星下点轨迹垂足处的位置关系,计算得到卫星侧摆角;
(23)清除不满足用户分辨率需求约束、载荷约束的时间窗,保存每一个目标的可见时间窗及其相关参数。
4.根据权利要求1所述的基于改进差分进化算法的多星协作成像任务规划方法,其特征在于,步骤(3)中,所述卫星基本参数信息包括:视场角、单次最长开机时间、最大侧摆角度、平均侧摆角速度;
优选地,所述改进差分进化算法基本参数信息包括:迭代次数、个体长度、种群个体数量、任务规划总时间、卫星单轨道周期时间;
优选地,所述种群信息包括:目标函数值、执行任务规划方案所分配的卫星、分配卫星的对应时间窗口、应急保障任务收益、响应时间、任务总收益、任务规划方案、执行应急保障任务数量。
5.根据权利要求1所述的基于改进差分进化算法的多星协作成像任务规划方法,其特征在于,所述(4)包括:
(41)在边界范围及时间窗口约束范围内,随机生成若干个个体形成初始种群,每个个体对应一个卫星成像任务方案;
(42)遍历所述初始种群中所有个体及个体中的所有目标任务,判断当前目标任务是否具有可见时间窗,若具有,则为其随机匹配一颗卫星执行任务;否则,不为其匹配卫星执行任务;
(43)遍历所述初始种群中所有个体及个体中的所有卫星;获取当前卫星所分配执行的观测目标任务序号、当前卫星在各轨道圈次执行目标任务的轨道圈次及各轨道圈次内的目标任务序号;
(44)遍历当前个体中各卫星对应的观测目标任务,获取每颗卫星所执行目标任务的可见时间窗口信息,具体包含:目标任务序号、执行任务开始时间、执行任务结束时间、执行任务持续时间、卫星执行任务侧摆角;
(45)建立目标函数,根据用户任务需求自适应选择目标函数并进行单星调度计算,得到目标函数值、应急保障任务收益、响应时间、任务总收益、任务规划方案及执行应急保障任务数量,完成种群初始化;
(46)计算种群中每个个体适应度值,构建基于个体适应度值权重排序的变异算子及自适应多策略候选池;
(47)经过变异、交叉、选择生成新一代种群,迭代优化过程中采用适应度值函数保留每一代优秀个体,淘汰适应度值低的个体,当达到终止条件时,输出当前种群的最优个体,该个体为多星协作成像任务规划的最优方案。
6.根据权利要求5所述的基于改进差分进化算法的多星协作成像任务规划方法,其特征在于,步骤(45)中,所述目标函数包括针对普通成像任务的目标函数和针对应急保障任务的目标函数;
优选地,所述针对普通成像任务的目标函数如下式所示:
优选地,所述针对应急保障任务的目标函数如下式所示:
7.根据权利要求5所述的基于改进差分进化算法的多星协作成像任务规划方法,其特征在于,所述目标函数的实现满足如下约束条件:
(451)观测持续时间约束,如下公式:
(452)工作模式约束,如下公式:
(453)分辨率约束,如下公式:
(454)侧摆角速度约束,如下公式:
(455)侧摆角转换时间约束,如下公式:
(456)唯一性约束,如下公式:
8.根据权利要求5所述的基于改进差分进化算法的多星协作成像任务规划方法,其特征在于,步骤(46)中,所述构建基于个体适应度值权重排序的变异算子包括:
(462)选取在空间分布中处于开放性个体与探索性个体之间的中间个体适应度值作为参考值:
(463)计算个体适应度值与参考值之间的偏差值S:
S=|fiti-fitmiddle|,i=1,...,NP
其中,fiti表示当前个体的适应度值,fitmiddle表示中间个体适应度值,S表示当前个体与中间个体适应度值之差的绝对值,适应度值较大的个体,若偏差值S较大,则表明当前个体距离最优个体较远或可能陷入局部最优;适应度值较小的个体,偏差值S相差较大,则意味着当前个体距离中间个体较远,在空间中的位置更为边缘;
(465)将开发偏向性排序及探索偏向性排序进行加权组合,得到新的适应度值排序R:
9.根据权利要求5所述的基于改进差分进化算法的多星协作成像任务规划方法,其特征在于,步骤(46)中,构建所述自适应多策略候选池包括步骤:
根据新适应度值排序,将每一代种群划分成三种不同的子种群:“开发性种群”、“探索性种群”及“平衡性种群”;
构建自适应多策略候选池,其中包含三组变异策略:“DE/best/1”、“DE/rand/1”、“DE/current-to-best/1”;
不同的子种群根据自身探索性能与开发性能的偏向性,从候选池中自适应选择满足自身开发与探索需求的变异策略。
10.一种计算机可读存储介质,其特征在于,包括存储器和处理器,所述存储器上存储有计算机指令,所述计算机指令被所述处理器执行时实现如权利要求1-9任一项所述的基于改进差分进化算法的多星协作成像任务规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310157312.2A CN116307535B (zh) | 2023-02-13 | 2023-02-13 | 一种基于改进差分进化算法的多星协作成像任务规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310157312.2A CN116307535B (zh) | 2023-02-13 | 2023-02-13 | 一种基于改进差分进化算法的多星协作成像任务规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116307535A true CN116307535A (zh) | 2023-06-23 |
CN116307535B CN116307535B (zh) | 2024-03-29 |
Family
ID=86797082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310157312.2A Active CN116307535B (zh) | 2023-02-13 | 2023-02-13 | 一种基于改进差分进化算法的多星协作成像任务规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307535B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562466A (zh) * | 2023-07-07 | 2023-08-08 | 中国人民解放军战略支援部队航天工程大学 | 一种高轨卫星观测任务的规划方法 |
CN116882142A (zh) * | 2023-06-27 | 2023-10-13 | 中国空间技术研究院 | 基于松耦合的对地观测多层级规划策略方法、设备及介质 |
CN116957311A (zh) * | 2023-09-21 | 2023-10-27 | 交通运输部水运科学研究所 | 一种应急策略的智能分配方法及*** |
CN117271146A (zh) * | 2023-11-23 | 2023-12-22 | 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 |
CN117332981A (zh) * | 2023-10-26 | 2024-01-02 | 宁波市特种设备检验研究院 | 一种基于偏序聚类和改进差分进化算法的任务分配方法 |
CN117332624A (zh) * | 2023-12-01 | 2024-01-02 | 武汉大学 | 顾及影像mtf退化的超敏捷卫星任务规划方法及*** |
CN117952399A (zh) * | 2024-03-26 | 2024-04-30 | 中国人民解放军国防科技大学 | 一种多星多轨成像任务规划方法、***及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108388958A (zh) * | 2018-01-31 | 2018-08-10 | 中国地质大学(武汉) | 一种二维姿态机动卫星任务规划技术研究的方法及装置 |
CN115042996A (zh) * | 2022-04-07 | 2022-09-13 | 哈尔滨工程大学 | 一种多星同时段同区域观测任务规划方法 |
CN115688568A (zh) * | 2022-10-21 | 2023-02-03 | 武汉大学 | 超敏捷卫星多星区域成像任务的调度方法 |
-
2023
- 2023-02-13 CN CN202310157312.2A patent/CN116307535B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108388958A (zh) * | 2018-01-31 | 2018-08-10 | 中国地质大学(武汉) | 一种二维姿态机动卫星任务规划技术研究的方法及装置 |
CN115042996A (zh) * | 2022-04-07 | 2022-09-13 | 哈尔滨工程大学 | 一种多星同时段同区域观测任务规划方法 |
CN115688568A (zh) * | 2022-10-21 | 2023-02-03 | 武汉大学 | 超敏捷卫星多星区域成像任务的调度方法 |
Non-Patent Citations (1)
Title |
---|
陈书剑等: "应急任务响应时间最优的多星成像规划方法", 《中国空间科学技术》, vol. 40, no. 2, 25 April 2020 (2020-04-25), pages 18 - 27 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116882142A (zh) * | 2023-06-27 | 2023-10-13 | 中国空间技术研究院 | 基于松耦合的对地观测多层级规划策略方法、设备及介质 |
CN116882142B (zh) * | 2023-06-27 | 2024-03-05 | 中国空间技术研究院 | 基于松耦合的对地观测多层级规划策略方法、设备及介质 |
CN116562466A (zh) * | 2023-07-07 | 2023-08-08 | 中国人民解放军战略支援部队航天工程大学 | 一种高轨卫星观测任务的规划方法 |
CN116562466B (zh) * | 2023-07-07 | 2024-02-23 | 中国人民解放军战略支援部队航天工程大学 | 一种高轨卫星观测任务的规划方法 |
CN116957311A (zh) * | 2023-09-21 | 2023-10-27 | 交通运输部水运科学研究所 | 一种应急策略的智能分配方法及*** |
CN117332981A (zh) * | 2023-10-26 | 2024-01-02 | 宁波市特种设备检验研究院 | 一种基于偏序聚类和改进差分进化算法的任务分配方法 |
CN117332981B (zh) * | 2023-10-26 | 2024-05-03 | 宁波市特种设备检验研究院 | 一种基于偏序聚类和改进差分进化算法的任务分配方法 |
CN117271146A (zh) * | 2023-11-23 | 2023-12-22 | 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 |
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 |
CN117332624A (zh) * | 2023-12-01 | 2024-01-02 | 武汉大学 | 顾及影像mtf退化的超敏捷卫星任务规划方法及*** |
CN117332624B (zh) * | 2023-12-01 | 2024-03-08 | 武汉大学 | 顾及影像mtf退化的超敏捷卫星任务规划方法及*** |
CN117952399A (zh) * | 2024-03-26 | 2024-04-30 | 中国人民解放军国防科技大学 | 一种多星多轨成像任务规划方法、***及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116307535B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116307535B (zh) | 一种基于改进差分进化算法的多星协作成像任务规划方法 | |
CN112016812B (zh) | 多无人机任务调度方法、***及存储介质 | |
CN111176807B (zh) | 一种多星协同任务规划方法 | |
CN110400002B (zh) | 一种多星成像任务规划方法 | |
CN107886201B (zh) | 多无人机任务分配的多目标优化方法及装置 | |
CN107977743B (zh) | 多无人机协同任务分配方法及装置 | |
CN109960544B (zh) | 基于数据驱动型敏捷卫星任务并行调度方法 | |
CN114442662B (zh) | 基于改进狼群优化算法的无人机集群协同对地打击方法 | |
CN113487221B (zh) | 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 | |
CN106384169B (zh) | 一种基于超启发式算法的卫星任务规划方法 | |
CN109492834A (zh) | 基于遗传优化的敏捷卫星任务规划与调度建模方法 | |
Xu et al. | Learning multi-agent coordination for enhancing target coverage in directional sensor networks | |
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 | |
CN113688560B (zh) | 面向多星单侦察目标的轨道机动优化方法 | |
CN113485409B (zh) | 一种面向地理公平性的无人机路径规划分配方法及*** | |
CN113051815A (zh) | 一种基于独立指针网络的敏捷成像卫星任务规划方法 | |
Sun et al. | A cooperative target search method based on intelligent water drops algorithm | |
Hong et al. | UAV search-and-rescue planning using an adaptive memetic algorithm | |
Hu et al. | Pigeon-inspired fuzzy multi-objective task allocation of unmanned aerial vehicles for multi-target tracking | |
CN110322061B (zh) | 一种适用于载荷凝视成像的多目标观测轨迹智能感知方法 | |
CN116185035A (zh) | 基于改进仿生狼群的无人集群动态任务分配方法及*** | |
Liu et al. | An efficient ant colony system for multi-robot task allocation with large-scale cooperative tasks and precedence constraints | |
CN118095778A (zh) | 基于改进型神经进化算法的作战指挥动态资源分配方法 | |
CN117008641A (zh) | 用于多个异构无人机协同低空突防的分配方法和装置 | |
CN117434961A (zh) | 异构无人机集群多任务分配与航迹规划联合优化方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |