CN116562466B - 一种高轨卫星观测任务的规划方法 - Google Patents
一种高轨卫星观测任务的规划方法 Download PDFInfo
- Publication number
- CN116562466B CN116562466B CN202310827318.6A CN202310827318A CN116562466B CN 116562466 B CN116562466 B CN 116562466B CN 202310827318 A CN202310827318 A CN 202310827318A CN 116562466 B CN116562466 B CN 116562466B
- Authority
- CN
- China
- Prior art keywords
- task
- orbit satellite
- space target
- space
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000007637 random forest analysis Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims abstract description 16
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 12
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 24
- 230000035772 mutation Effects 0.000 claims description 15
- 230000008901 benefit Effects 0.000 claims description 12
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 11
- 238000003066 decision tree Methods 0.000 claims description 10
- 238000003384 imaging method Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 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
- 108091092878 Microsatellite Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005587 bubbling Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- 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)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Biomedical Technology (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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及航天技术领域,具体公开一种高轨卫星观测任务的规划方法,包括:步骤S10,采用随机森林分类器作为关联规则构建空间目标态势评估模型,将空间目标观测信息作为输入信息,得到空间目标态势评估结果和当前时刻观测的空间目标任务与下一时刻潜在观测的空间目标任务;步骤S20,根据决策变量、观测任务收益目标函数、卫星资源消耗目标函数、高轨卫星的空间位置几何关系、高轨卫星受自身性能及空间目标属性的限制条件,构建约束条件;步骤S30,将满足约束条件的多个空间目标任务进行任务合成,得到合成任务;步骤S40,根据自适应混合多策略改进差分进化算法对合成任务和空间目标态势评估结果进行求解,得到高轨卫星观测任务规划的最优方案。
Description
技术领域
本发明涉及航天技术领域,具体涉及一种高轨卫星观测任务的规划方法。
背景技术
近年来空间技术飞速发展,全球范围内航天发射活动激增,空间目标种类及数量大幅度增加,空域环境日益复杂。为此,国内外对空间目标观测提出了更高的要求,获取空间态势信息对空间目标进行观测,以使得合理利用空间资源是航天技术应用领域中不可避免的研究问题。
高轨卫星的观测覆盖广,观测时间长,且具有独特的地理优势,使得高轨卫星观测任务规划在通信、遥感、气象等领域发挥着越来越重要的作用。高轨卫星观测任务规划是指在复杂的空域环境中,根据高轨卫星以及空间目标所在的空间位置,名称/编号等空间信息,合理规划高轨卫星的观测轨道信息、观测时间及观测角度对空间目标开展持续观测,为空间安全提供理论和技术支持。
目前,针对空间目标观测的高轨卫星任务规划仍存在以下问题:
1)空间目标态势感知是指根据空间目标和空间环境等信息进行感知,为高轨卫星下一时刻潜在观测空间目标任务提供预测,为高轨卫星观测任务规划提供数据参考。因此,如何根据空间目标观测信息构建空间目标态势感知评估模型,是高轨卫星观测任务规划的一大问题;
2)高轨卫星观测任务规划需考虑高轨卫星在空域环境中受到空间位置几何位置光照影响,以及空间目标观测的复杂多约束,现有高轨卫星任务规划研究还不够完善,如何构建考虑空间位置几何约束和空间目标任务约束条件的高轨卫星观测模型是高轨卫星观测任务规划仍需克服的又一问题;
3)高轨卫星观测任务规划在复杂任务环境下存在复杂多约束,这些约束使得可行解数量减少,求解问题复杂度和计算复杂度呈指数增长。因此,如何快速和准确求解较优的任务规划方案是高轨卫星观测任务规划需要解决的又一问题。
发明内容
针对现有技术的不足,本发明提供一种高轨卫星观测任务的规划方法,旨在获取空间态势信息对空间目标进行持续准确的观测,合理规划高轨卫星对空间目标的观测任务。
本发明的高轨卫星观测任务的规划方法,包括:
步骤S10,采用随机森林分类器作为关联规则构建空间目标态势评估模型,将空间环境下的空间目标观测信息作为空间目标态势评估模型的输入信息,得到所述空间目标态势评估模型输出的空间目标态势评估结果和当前时刻观测的空间目标任务与下一时刻潜在观测的空间目标任务;
步骤S20,根据高轨卫星观测任务规划的决策变量、观测任务收益目标函数、卫星资源消耗目标函数、高轨卫星在空间目标观测过程中的空间位置几何关系、高轨卫星在任务规划过程中受自身性能及空间目标属性的限制条件,构建高轨卫星观测的空间目标任务的约束条件;
步骤S30,将高轨卫星视场角范围内满足所述约束条件的多个空间目标任务进行任务合成,得到合成任务;
步骤S40,根据自适应混合多策略改进差分进化算法对所述合成任务和所述空间目标态势评估结果进行求解,得到高轨卫星观测任务规划的最优方案。
在一种可能的实现方式中,所述步骤S10,包括:
步骤S11,对从高轨卫星获取的空间目标观测信息进行数据处理,得到半结构化的空间目标数据;
步骤S12,根据空间目标的属性对所述半结构化的空间目标数据进行等价划分,得到所述空间目标态势评估模型的原始数据;
步骤S13,采用所述随机森林分类器对所述原始数据进行特征提取,得到所述空间目标态势评估模型输出的空间目标态势评估结果和当前时刻观测的空间目标任务与下一时刻潜在观测的空间目标任务。
在一种可能的实现方式中,在所述S10之前,还包括:
根据空间目标的特征生成关联规则;所述特征至少包括空间目标的位置、名称和用途;
将相同属性的所述关联规则组成决策树;
通过多个表示空间目标不同属性的决策树,构成随机森林分类器。
在一种可能的实现方式中,所述步骤S20包括:
步骤S21,根据以下公式构建高轨卫星观测任务规划的决策变量:
;
步骤S22,根据以下公式构建高轨卫星观测任务规划的观测任务收益目标函数:
;
其中,表示空间目标任务数量,/>表示高轨卫星数量,/>表示该空间目标任务的时间窗口个数,/>表示观测任务收益;
步骤S23,根据以下公式构建卫星资源消耗目标函数:
;
其中,、/>分别表示高轨卫星第i个任务及第i+1个任务的侧摆角度,/>表示所需的卫星载荷开关机次数。
在一种可能的实现方式中,所述高轨卫星在空间目标观测过程中的空间位置几何关系包括:地球与高轨卫星和空间目标之间的几何位置关系、月球与高轨卫星和空间目标之间的几何位置关系、太阳与高轨卫星和空间目标之间的几何位置关系。
在一种可能的实现方式中,所述高轨卫星在任务规划过程中受自身性能及空间目标属性的限制条件包括:高轨卫星执行空间目标观测成像需满足的观测成像时间约束、高轨卫星执行下一时刻空间目标任务侧摆角转换满足高轨卫星传感器动作切换时间约束、一个卫星资源在同一时刻只能完成一项任务、合成任务间转换时间应小于两合成任务的间隔时间且合成任务内元任务的侧摆角度在高轨卫星遥感器视场角范围内。
在一种可能的实现方式中,所述步骤S30包括:
步骤S31,根据高轨卫星与空间目标的可见时间窗,确定高轨卫星的观测信息和轨道信息;
步骤S32,将满足所述约束条件的空间目标,按照观测时间进行排序;
步骤S33,通过调整高轨卫星的侧摆角,将多个满足所述约束条件的空间目标纳入观测条带范围;
步骤S34,对纳入观测条带范围内的所述空间目标进行任务合成,得到合成任务。
在一种可能的实现方式中,所述S40包括:
步骤S41,根据所述空间目标观测信息和所述空间目标态势评估结果,随机生成若干种群个体;每个个体对应一个高轨卫星观测任务规划方案;
步骤S42,根据所述种群个体的适应度值进行排序,确定所述种群个体的类型;每个所述类型对应一种变异策略;
步骤S43,在变异过程中,目标向量根据不同的变异策略,同时产生不同的变异向量,通过交叉操作生成三个不同的实验向量,通过当前的最优个体与所述目标向量生成下一代的种群个体;以及当达到最大迭代次数时,将当前种群中的最优种群个体作为高轨卫星观测任务规划的最优方案。
在一种可能的实现方式中,所述步骤S40之后,还包括,
步骤S50,对所述最优方案进行评估,得到所述最优方案的多个评价指标;所述评价指标包括:最高任务收益、平均任务收益、最低任务收益、最高资源消耗、平均资源消耗、最低资源消耗。
在一种可能的实现方式中,所述步骤S50包括:
步骤S51,根据以下公式计算表示高轨卫星对空间目标任务的观测收益的最大值,作为最高任务收益:
;
步骤S52,根据以下公式计算表示高轨卫星对空间目标任务的观测收益的平均值,作为平均任务收益:
;
步骤S53,根据以下公式计算表示高轨卫星对空间目标任务的观测收益的最小值,作为最低任务收益:
;
步骤S54,根据以下公式计算表示高轨卫星对空间目标任务的卫星资源消耗最大值,作为最高资源消耗:
;
步骤S55,根据以下公式计算表示高轨卫星对空间目标任务的卫星资源消耗平均值,作为平均资源消耗:
;
步骤S56,根据以下公式计算表示高轨卫星对空间目标任务的卫星资源消耗最小值,作为最低资源消耗:
;
其中,表示高轨卫星对空间目标任务的二进制决策变量,
;
表示空间目标任务数量,/>表示高轨卫星数量,/>表示该空间目标任务的时间窗口个数,/>表示观测任务收益;/>、/>分别表示高轨卫星第i个任务及第i+1个任务的侧摆角度,/>表示根据高轨对空间目标的任务规划方案所需的卫星载荷开关机次数。
本发明的高轨卫星观测任务的规划方法,具有以下有益效果:
1)本发明能够有效采用空间目标态势评估方法,以完成高轨卫星下一时刻潜在观测空间目标任务预测,从而为高轨卫星观测任务规划提供数据参考;
2)本发明考虑高轨卫星在空间目标观测过程中受到空间位置几何关系和空间目标任务约束的影响,构建一种针对空间目标的高轨卫星观测任务规划方法,能够为高轨卫星观测任务规划提供有效技术支撑;
3)本发明提出一种高轨卫星空间目标任务合成,能够提高高轨卫星任务规划效率。并提出一种自适应混合多策略改进差分进化算法,能够为高轨卫星观测任务规划问题提供一种新的求解思路。
附图说明
图1为本发明实施例提供的高轨卫星观测任务的规划方法的流程示意图;
图2为本发明实施例提供的空间目标态势评估的流程示意图;
图3为本发明实施例提供的高轨卫星与空间目标的空间位置示意图
图4为本发明实施例提供的高轨卫星观测任务的规划方法的框架示意图;
图5为本发明实施例提供的高轨卫星观测示意图;
图6为本发明实施例提供的高轨卫星观测任务的规划方法的算法流程图。
具体实施方式
下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例的详细描述和附图用于示例性地说明本发明的原理,但不能用来限制本发明的范围,即本发明不限于所描述的优选实施例,本发明的范围由权利要求书限定。
在本发明的描述中,需要说明的是,除非另有说明,“多个”的含义是两个或两个以上。术语“第一”“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可视具体情况理解上述术语在本发明中的具体含义。
图1为本发明实施例提供的高轨卫星观测任务的规划方法的流程示意图,图4为本发明实施例提供的高轨卫星观测任务的规划方法的框架示意图,结合图1和图4对本发明进行说明。本发明的高轨卫星观测任务的规划方法,包括步骤S10-S40:
步骤S10,采用随机森林分类器作为关联规则构建空间目标态势评估模型,将空间环境下的空间目标观测信息作为空间目标态势评估模型的输入信息,得到空间目标态势评估模型输出的空间目标态势评估结果和当前时刻观测的空间目标任务与下一时刻潜在观测的空间目标任务。
作为S10的一种可能的实现方式,复杂空间环境下根据空间目标观测信息作为输入信息,构建空间目标态势评估模型,采用随机森林分类器挖掘空间目标态势评估关联规则,输出空间目标态势评估结果及当前时刻观测空间目标任务与下一时刻观测空间目标任务,为高轨卫星观测任务规划提供决策支持及数据参考。
图2为本发明实施例提供的空间目标态势评估的流程示意图,如图2所示,步骤S10,包括:
步骤S11,通过传感器数据处理模块对从高轨卫星获取的空间目标观测信息进行数据处理,得到半结构化的空间目标数据。
其中,高轨卫星指轨道高度大于2000km卫星***,包括大椭圆轨道和地球同步轨道。主要用于通信、预警和侦察。
步骤S12,根据空间目标的属性对半结构化的空间目标数据进行等价划分,得到空间目标态势评估模型的原始数据。
作为S12的一种可能的实现方式,采用随机森林分类器对态势评估信息进行特征提取,从中挖掘出高轨卫星观测数据频繁模式,进一步获取关联规则。
在一个具体的实例中,{空间目标X,发现时间2022.9.1,发现地点:A区域}、 {空间目标X,发现时间2022.9.2,发现地点:A区域}、{空间目标X,发现时间2022.9.2,发现地点:B区域}、{空间目标Y,发现时间2022.9.1,发现地点:B区域}、{空间目标Z,发现时间2022.9.1,发现地点:B区域}、{空间目标W,发现时间2022.9.1,发现地点:A区域}。
等价划分后,为:{发现时间2022.9.1,发现地点:A区域}、{发现时间2022.9.2,发现地点:A区域}、{发现时间2022.9.1,发现地点:B区域}、{发现时间2022.9.2,发现地点:B区域}。
步骤S13,采用随机森林分类器对原始数据进行特征提取,得到空间目标态势评估模型输出的空间目标态势评估结果和当前时刻观测的空间目标任务与下一时刻潜在观测的空间目标任务。
其中,空间目标态势评估模型采用随机森林分类器作为关联规则。随机森林分类器是通过集成学习的思想将多棵树集成的一种算法,它的基本单元是决策树。决策树是在已知各种情况发生概率的基础上,通过构成决策树来求取净现值的期望值大于等于零的概率,评价项目风险,判断其可行性的决策分析方法,是直观运用概率分析的一种图解法
在一种可能的实现方式中,在S10之前,还包括:
根据空间目标的特征生成关联规则。特征至少包括:空间目标的位置、名称和用途。
其中,空间目标可以理解为空间运行的航天器和空间碎片,当然也可以包括一些大的天体和微流星体等,具体视观测任务而定。
将相同属性的关联规则组成决策树。
通过多个表示空间目标不同属性的决策树,构成随机森林分类器。
作为一种可能的实现方式,由多颗表示空间目标不同属性的决策树构成随机森林分类器。将空间目标态势评估信息输入随机森林分类器中进行判断和分类,挖掘出高轨卫星观测数据的频繁模式,根据分类结果生成空间目标态势评估关联规则。
在一种可能的实现方式中,步骤S20之前,包括:
步骤S20,根据高轨卫星观测任务规划的决策变量、观测任务收益目标函数、卫星资源消耗目标函数、高轨卫星在空间目标观测过程中的空间位置几何关系、高轨卫星在任务规划过程中受自身性能及空间目标属性的限制条件,构建高轨卫星观测的空间目标任务的约束条件。
约束条件主要分为空间位置几何约束和空间目标任务约束。
步骤S20具体包括步骤S21-S22:
步骤S21,根据公式(1)构建高轨卫星观测任务规划的决策变量:
(1)
其中,表示高轨卫星对空间目标任务的二进制决策变量,即表示高轨卫星任务规划阶段空间目标任务是否被执行,/>表示高轨卫星j,/>表示高轨卫星执行空间目标观测时间窗口k,/>表示空间目标任务i。
步骤S22,根据公式(2)构建高轨卫星观测任务规划的观测任务收益目标函数:
(2)
其中,表示高轨卫星对空间目标任务的二进制决策变量,/>表示空间目标任务数量,/>表示高轨卫星数量,/>表示该空间目标任务的时间窗口个数,/>表示观测任务收益。该目标函数考虑高轨卫星对空间目标任务的观测收益,应尽可能多的提高高轨卫星观测收益。
步骤S23,根据公式(3)构建卫星资源消耗目标函数:
(3)
其中,、/>分别表示高轨卫星第i个任务及第i+1个任务的侧摆角度,/>表示所需的卫星载荷开关机次数。
在一种可能的实现方式中,高轨卫星在空间目标观测过程中的空间位置几何关系包括:地球与高轨卫星和空间目标之间的几何位置关系、月球与高轨卫星和空间目标之间的几何位置关系、太阳与高轨卫星和空间目标之间的几何位置关系。
图3为本发明实施例提供的高轨卫星与空间目标的空间位置示意图,如图3所示,可以明显看出空间目标、地球、月球、太阳和高轨卫星之间的空间位置关系。
考虑空间目标的可观测性,其约束具体包括:地球角度θE约束、太阳角度θsun约束、月球角度θMoon约束,如下:
1)地球角度约束
地球与高轨卫星、空间目标之间的几何位置对空间目标观测有直接影响,为清晰观测到空间目标任务。根据公式(4)构建地球角度约束:
(4)
其中,表示空间目标位置矢量,/>表示高轨卫星的位置矢量,/>表示高轨卫星侧摆角,/>表示地球半径,/>表示地球与空间目标的垂直距离。
2)太阳角度约束
高轨卫星、空间目标与太阳之间的几何位置需满足,太阳顺向照射空间目标且反射光照射高轨卫星,根据公式(5)构建太阳角度约束:
(5)
其中,表示太阳位置矢量,/>表示高轨卫星位置矢量,/>表示空间目标位置矢量,/>表示太阳光临界角,/>表示最大太阳光照角。
3)月球角度约束
月球用于反射太阳光,在满月时期,为了避免月球对高轨卫星观测空间目标的影响,根据公式(6)构建月球角度约束:
(6)
其中,表示月球位置矢量,/>表示高轨卫星位置矢量,/>表示空间目标位置矢量,/>表示月光临界角。
在一种可能的实现方式中,高轨卫星在任务规划过程中受自身性能及空间目标属性的限制条件包括:高轨卫星执行空间目标观测成像需满足的观测成像时间约束、高轨卫星执行下一时刻空间目标任务侧摆角转换满足高轨卫星传感器动作切换时间约束、一个卫星资源在同一时刻只能完成一项任务、合成任务间转换时间应小于两合成任务的间隔时间,且合成任务内元任务的侧摆角度在高轨卫星遥感器视场角范围内。
考虑空间目标任务约束,具体包括:观测成像约束、动作切换时间约束,如下:
1)根据公式(7)构建高轨卫星执行空间目标观测成像需满足的观测成像时间约束。
(7)
其中,表示高轨卫星,/>表示任务规划单次观测任务持续时间,/>表示高轨卫星对空间目标观测任务的二进制决策变量,/>、/>分别表示高轨卫星的最小及最大工作时间。
2)高轨卫星执行下一时刻空间目标观测任务侧摆角转换,根据公式(8)构建需满足高轨卫星传感器的动作切换时间约束。
(8)
其中,、/>分别表示第j个高轨卫星在时间窗口k执行第i个空间目标观测任务的开始及结束时间,/>、/>分别表示第j个高轨卫星在时间窗口k执行第i和第i+1个空间目标观测任务的侧摆角,/>表示高轨卫星传感器动作切换时间计算函数,/>、表示高轨卫星对空间目标观测任务的二进制决策变量。
3)根据公式(9)构建受高轨卫星自身资源限制的高轨卫星资源约束。
一个卫星资源在同一时刻只能完成一项任务,需满足高轨卫星资源约束。
(9)
其中,表示第j颗高轨卫星,/>表示第i个空间目标观测任务,第j个高轨卫星执行第i个空间目标观测任务的第k个时间窗口,/>、/>分别表示第j个高轨卫星在时间窗口k执行第i个空间目标观测任务的开始及结束时间。/>、/>表示高轨卫星对空间目标观测任务的二进制决策变量。
4)合成任务间转换时间应小于两合成任务的间隔时间且合成任务内元任务的侧摆角度须在高轨卫星遥感器视场角范围内。根据公式(10)构建任务合成约束:
(10)
其中,、/>分别表示第j个高轨卫星在时间窗口k执行第i和第i+1个空间目标观测任务的侧摆角,/>表示第j个高轨卫星在时间窗口k执行第i+1个空间目标观测任务的开始时间,/>表示第j个高轨卫星在时间窗口k执行第i个空间目标观测任务的结束时间,/>表示高轨卫星遥感器的单个视场角。
步骤S30,将高轨卫星视场角范围内满足约束条件的多个空间目标任务进行任务合成,得到合成任务。
在一种可能的实现方式中,步骤S30,包括:
步骤S31,根据高轨卫星与空间目标的可见时间窗,确定高轨卫星的观测信息和轨道信息。
其中,观测信息包括:观测时间、观测持续时间、观测角度、观测顺序及空间目标的经纬度位置。
图5为本发明实施例提供的高轨卫星观测示意图,如图5所示,以地球为中心,空间目标环绕地球运动,高轨卫星在空间目标运动轨迹***。其中xyz为以地球Oe为中心的坐标系,xyz为以高轨卫星Os为中心的坐标系。
步骤S32,将满足约束条件的空间目标,按照观测时间进行排序。
作为S32的一种可能的实现方式,依次判断空间目标可见时间窗,将满足空间位置几何约束和空间目标任务约束条件的空间目标按观测时间采用冒泡法排序。
步骤S33,通过调整高轨卫星的侧摆角,将多个满足约束条件的空间目标纳入观测条带范围。
步骤S34,对纳入观测条带范围内的空间目标进行任务合成,得到合成任务。
步骤S35,计算高轨卫星观测角度,根据合成任务中包含的元任务个数及对应空间目标编号,合成角度覆盖范围,生成高轨卫星对空间目标合成任务观测序列。
步骤S40,根据自适应混合多策略改进差分进化算法对合成任务和空间目标态势评估结果进行求解,得到高轨卫星观测任务规划的最优方案。
在一种可能的实现方式中,S40,包括:
步骤S41,根据空间目标观测信息和空间目标态势评估结果,随机生成若干种群个体。每个个体对应一个高轨卫星观测任务规划方案。
步骤S42,根据种群个体的适应度值进行排序,确定种群个体的类型。每个类型对应一种变异策略。
步骤S43,在变异过程中,目标向量根据不同的变异策略,同时产生不同的变异向量,通过交叉操作生成三个不同的实验向量,通过当前的最优个体与目标向量生成下一代的种群个体。以及当达到最大迭代次数时,将当前种群中的最优种群个体作为高轨卫星观测任务规划的最优方案。
图6为本发明实施例提供的高轨卫星观测任务的规划方法的算法流程图,如图6所示,在一个具体的实例中,根据已知空间目标观测信息及空间目标态势评估结果,随机生成若干个个体形成初始种群,每个个体对应一个高轨卫星观测任务规划方案。设置算法的种群规模、迭代次数Gen、变异率和交叉率。对个体适应度值进行排序,将种群个体划分为“优秀”种群,“平庸”种群,“劣等”种群。
其中,排序队列的前25%定义为“优秀”种群,排序队列的后25%定义为“劣等”种群,中间的50%定义为“平庸”种群。构建自适应策略池,“优秀”种群选择增强种群个体开发性的变异策略A,“平庸”种群选择平衡种群个体开发性与探索性的变异策略B,“劣等”种群选择提高个体探索性的变异策略C。
在变异过程中,目标向量根据所述三种不同的变异策略,同时产生三个不同的变异向量,进一步进行交叉操作生成三个不同的实验向量,选择操作中选取当前的最优个体与目标向量进行选择操作,以生成下一代种群个体。当达到终止条件时,输出当前种群的最优个体作为高轨卫星观测任务规划的最优方案。
在一种可能的实现方式中,步骤S40之后,还包括,
步骤S50,对最优方案进行评估,得到最优方案的多个评价指标。评价指标包括:最高任务收益、平均任务收益、最低任务收益、最高资源消耗、平均资源消耗、最低资源消耗。
在一种可能的实现方式中,步骤S50,包括:
步骤S51,根据公式(11)计算表示高轨卫星对空间目标任务的观测收益的最大值,作为最高任务收益:
(11)
步骤S52,根据公式(12)计算表示高轨卫星对空间目标任务的观测收益的平均值,作为平均任务收益:
(12)
步骤S53,根据公式(13)计算表示高轨卫星对空间目标任务的观测收益的最小值,作为最低任务收益:
(13)
步骤S54,根据公式(14)计算表示高轨卫星对空间目标任务的卫星资源消耗最大值,作为最高资源消耗:
(14)
步骤S55,根据公式(15)计算表示高轨卫星对空间目标任务的卫星资源消耗平均值,作为平均资源消耗:
(15)
步骤S56,根据公式(16)计算表示高轨卫星对空间目标任务的卫星资源消耗最小值,作为最低资源消耗:
(16)
其中,表示高轨卫星对空间目标任务的二进制决策变量,/>表示空间目标任务数量,/>表示高轨卫星数量,/>表示该空间目标任务的时间窗口个数,/>表示观测任务收益。/>、/>分别表示高轨卫星第i个任务及第i+1个任务的侧摆角度,/>表示根据高轨对空间目标的任务规划方案所需的卫星载荷开关机次数。
本发明的高轨卫星观测任务的规划方法,能够对高轨卫星下一时刻潜在观测空间目标任务进行预测,为高轨卫星观测任务规划提供数据参考,并在此数据基础上结合高轨卫星在空间目标观测过程的空间位置几何关系、空间目标任务约束以及自适应混合多策略改进差分进化算法,实现高轨卫星观测任务规划,达到提高高轨卫星任务规划效率的技术效果。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种高轨卫星观测任务的规划方法,其特征在于,包括:
步骤S10,采用随机森林分类器作为关联规则构建空间目标态势评估模型,将空间环境下的空间目标观测信息作为空间目标态势评估模型的输入信息,得到所述空间目标态势评估模型输出的空间目标态势评估结果和当前时刻观测的空间目标任务与下一时刻潜在观测的空间目标任务;
步骤S20,根据高轨卫星观测任务规划的决策变量、观测任务收益目标函数、卫星资源消耗目标函数、高轨卫星在空间目标观测过程中的空间位置几何关系、高轨卫星在任务规划过程中受自身性能及空间目标属性的限制条件,构建高轨卫星观测的空间目标任务的约束条件;
步骤S30,将高轨卫星视场角范围内满足所述约束条件的多个空间目标任务进行任务合成,得到合成任务;
步骤S40,根据自适应混合多策略改进差分进化算法对所述合成任务和所述空间目标态势评估结果进行求解,得到高轨卫星观测任务规划的最优方案;
所述步骤S40包括:步骤S41,根据所述空间目标观测信息和所述空间目标态势评估结果,随机生成若干种群个体;每个个体对应一个高轨卫星观测任务规划方案;
步骤S42,根据所述种群个体的适应度值进行排序,确定所述种群个体的类型;每个所述类型对应一种变异策略;
步骤S43,在变异过程中,目标向量根据不同的变异策略,同时产生不同的变异向量,通过交叉操作生成三个不同的实验向量,通过当前的最优个体与所述目标向量生成下一代的种群个体;以及当达到最大迭代次数时,将当前种群中的最优种群个体作为高轨卫星观测任务规划的最优方案。
2.根据权利要求1所述的规划方法,其特征在于,所述步骤S10,包括:
步骤S11,对从高轨卫星获取的空间目标观测信息进行数据处理,得到半结构化的空间目标数据;
步骤S12,根据空间目标的属性对所述半结构化的空间目标数据进行等价划分,得到所述空间目标态势评估模型的原始数据;
步骤S13,采用所述随机森林分类器对所述原始数据进行特征提取,得到所述空间目标态势评估模型输出的空间目标态势评估结果和当前时刻观测的空间目标任务与下一时刻潜在观测的空间目标任务。
3.根据权利要求1所述的规划方法,其特征在于,在所述S10之前,还包括:
根据空间目标的特征生成关联规则;所述特征至少包括空间目标的位置、名称和用途;
将相同属性的所述关联规则组成决策树;
通过多个表示空间目标不同属性的决策树,构成随机森林分类器。
4.根据权利要求1所述的规划方法,其特征在于,所述步骤S20包括:
步骤S21,根据以下公式构建高轨卫星观测任务规划的决策变量:
步骤S22,根据以下公式构建高轨卫星观测任务规划的观测任务收益目标函数:
其中,NTask表示空间目标任务数量,NHoS表示高轨卫星数量,Nw表示该空间目标任务的时间窗口个数,Prioritytask表示观测任务收益;
步骤S23,根据以下公式构建卫星资源消耗目标函数:
其中,θi、θi+1分别表示高轨卫星第i个任务及第i+1个任务的侧摆角度,Nmod表示所需的卫星载荷开关机次数。
5.根据权利要求1所述的规划方法,其特征在于,所述高轨卫星在空间目标观测过程中的空间位置几何关系包括:地球与高轨卫星和空间目标之间的几何位置关系、月球与高轨卫星和空间目标之间的几何位置关系、太阳与高轨卫星和空间目标之间的几何位置关系。
6.根据权利要求1所述的规划方法,其特征在于,所述高轨卫星在任务规划过程中受自身性能及空间目标属性的限制条件包括:高轨卫星执行空间目标观测成像需满足的观测成像时间约束、高轨卫星执行下一时刻空间目标任务侧摆角转换满足高轨卫星传感器动作切换时间约束、一个卫星资源在同一时刻只能完成一项任务、合成任务间转换时间应小于两合成任务的间隔时间且合成任务内元任务的侧摆角度在高轨卫星遥感器视场角范围内。
7.根据权利要求1所述的规划方法,其特征在于,所述步骤S30包括:
步骤S31,根据高轨卫星与空间目标的可见时间窗,确定高轨卫星的观测信息和轨道信息;
步骤S32,将满足所述约束条件的空间目标,按照观测时间进行排序;
步骤S33,通过调整高轨卫星的侧摆角,将多个满足所述约束条件的空间目标纳入观测条带范围;
步骤S34,对纳入观测条带范围内的所述空间目标进行任务合成,得到合成任务。
8.根据权利要求1所述的规划方法,其特征在于,所述步骤S40之后,还包括,
步骤S50,对所述最优方案进行评估,得到所述最优方案的多个评价指标;所述评价指标包括:最高任务收益、平均任务收益、最低任务收益、最高资源消耗、平均资源消耗、最低资源消耗。
9.根据权利要求8所述的规划方法,其特征在于,所述步骤S50包括:
步骤S51,根据以下公式计算表示高轨卫星对空间目标任务的观测收益的最大值,作为最高任务收益:
步骤S52,根据以下公式计算表示高轨卫星对空间目标任务的观测收益的平均值,作为平均任务收益:
步骤S53,根据以下公式计算表示高轨卫星对空间目标任务的观测收益的最小值,作为最低任务收益:
步骤S54,根据以下公式计算表示高轨卫星对空间目标任务的卫星资源消耗最大值,作为最高资源消耗:
步骤S55,根据以下公式计算表示高轨卫星对空间目标任务的卫星资源消耗平均值,作为平均资源消耗:
步骤S56,根据以下公式计算表示高轨卫星对空间目标任务的卫星资源消耗最小值,作为最低资源消耗:
其中,xijk表示高轨卫星对空间目标任务的二进制决策变量,
NTask表示空间目标任务数量,NHoS表示高轨卫星数量,Nw表示该空间目标任务的时间窗口个数,Prioritytask表示观测任务收益;θi、θi+1分别表示高轨卫星第i个任务及第i+1个任务的侧摆角度,Nmod表示根据高轨对空间目标的任务规划方案所需的卫星载荷开关机次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310827318.6A CN116562466B (zh) | 2023-07-07 | 2023-07-07 | 一种高轨卫星观测任务的规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310827318.6A CN116562466B (zh) | 2023-07-07 | 2023-07-07 | 一种高轨卫星观测任务的规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116562466A CN116562466A (zh) | 2023-08-08 |
CN116562466B true CN116562466B (zh) | 2024-02-23 |
Family
ID=87496849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310827318.6A Active CN116562466B (zh) | 2023-07-07 | 2023-07-07 | 一种高轨卫星观测任务的规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116562466B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392382A (zh) * | 2017-07-28 | 2017-11-24 | 中国电子科技集团公司第五十四研究所 | 一种高分辨率地球静止轨道成像卫星观测任务规划方法 |
GB201717138D0 (en) * | 2016-11-28 | 2017-12-06 | National Univ Of Defense Technology | Spark-based imaging satellite task preprocessing parallelization method |
CN113935227A (zh) * | 2021-06-23 | 2022-01-14 | 中国人民解放军战略支援部队航天工程大学 | 一种基于实时气象云图的光学卫星智能任务规划方法 |
CN115660313A (zh) * | 2022-08-16 | 2023-01-31 | 中国空间技术研究院 | 一种高低轨多星集群任务协同架构和动态组织方法和*** |
CN116307535A (zh) * | 2023-02-13 | 2023-06-23 | 中国人民解放军战略支援部队航天工程大学 | 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 |
-
2023
- 2023-07-07 CN CN202310827318.6A patent/CN116562466B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201717138D0 (en) * | 2016-11-28 | 2017-12-06 | National Univ Of Defense Technology | Spark-based imaging satellite task preprocessing parallelization method |
CN107392382A (zh) * | 2017-07-28 | 2017-11-24 | 中国电子科技集团公司第五十四研究所 | 一种高分辨率地球静止轨道成像卫星观测任务规划方法 |
CN113935227A (zh) * | 2021-06-23 | 2022-01-14 | 中国人民解放军战略支援部队航天工程大学 | 一种基于实时气象云图的光学卫星智能任务规划方法 |
CN115660313A (zh) * | 2022-08-16 | 2023-01-31 | 中国空间技术研究院 | 一种高低轨多星集群任务协同架构和动态组织方法和*** |
CN116307535A (zh) * | 2023-02-13 | 2023-06-23 | 中国人民解放军战略支援部队航天工程大学 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN116562466A (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Mapping landslide susceptibility at the Three Gorges Reservoir, China, using gradient boosting decision tree, random forest and information value models | |
Mensour et al. | A geographical information system-based multi-criteria method for the evaluation of solar farms locations: A case study in Souss-Massa area, southern Morocco | |
Nayak et al. | 25 years of particle swarm optimization: Flourishing voyage of two decades | |
Ghaderi et al. | Deep forecast: Deep learning-based spatio-temporal forecasting | |
CN116562466B (zh) | 一种高轨卫星观测任务的规划方法 | |
CN110263111A (zh) | 基于先验知识的土地利用/覆被信息时空监测方法 | |
Nie et al. | PV power output prediction from sky images using convolutional neural network: The comparison of sky-condition-specific sub-models and an end-to-end model | |
CN110825513A (zh) | 敏捷单星多约束任务优化调度方法 | |
CN111832509A (zh) | 一种时空注意力机制的无人机弱小目标探测方法 | |
CN110069885B (zh) | 一种基于外部生态功能定位的“三生”空间优化方法 | |
CN111598473A (zh) | 面向复杂观测任务的多平台联合任务规划方法 | |
CN111612384A (zh) | 一种具有时间分辨率约束的多星接力任务规划方法 | |
CN115659556A (zh) | 一种面向大区域目标的多星任务规划方法及*** | |
CN114283331A (zh) | 基于条带剪枝的轻量化sar图像船舶检测模型及方法 | |
Tian et al. | Multi-scale solar radiation and photovoltaic power forecasting with machine learning algorithms in urban environment: A state-of-the-art review | |
CN115081225A (zh) | 基于多阶决策机制组合优化的通用化遥感任务规划方法 | |
CN106228235B (zh) | 一种顾及格局与过程耦合效应的土地利用空间优化配置方法 | |
Fang et al. | Routing UAVs in landslides Monitoring: A neural network heuristic for team orienteering with mandatory visits | |
Li | Evaluation method of ecological vulnerability of scenic spots based on entropy weight TOPSIS model | |
Wang et al. | Deep learning in extracting tropical cyclone intensity and wind radius information from satellite infrared images—A review | |
CN114049621A (zh) | 一种基于Mask R-CNN的棉花顶尖识别检测方法 | |
CN116518979B (zh) | 一种无人机路径规划方法、***、电子设备及介质 | |
Verma et al. | Explainable custom cnn architecture for land use classification using satellite images | |
Duan et al. | MDCNet: A Multi-platform Distributed Collaborative Network for Object Detection in Remote Sensing Imagery | |
CN114418243B (zh) | 分布式新能源云端网格预测方法与*** |
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 |