CN117271146B - 基于复杂异质场景下知识转移的多星成像任务规划方法 - Google Patents

基于复杂异质场景下知识转移的多星成像任务规划方法 Download PDF

Info

Publication number
CN117271146B
CN117271146B CN202311567217.6A CN202311567217A CN117271146B CN 117271146 B CN117271146 B CN 117271146B CN 202311567217 A CN202311567217 A CN 202311567217A CN 117271146 B CN117271146 B CN 117271146B
Authority
CN
China
Prior art keywords
task
imaging
knowledge
target
satellite
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
Application number
CN202311567217.6A
Other languages
English (en)
Other versions
CN117271146A (zh
Inventor
胡敏
杨学颖
黄刚
宋俊玲
殷智勇
陶雪峰
李安迪
吕晓悦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peoples Liberation Army Strategic Support Force Aerospace Engineering University
Original Assignee
Peoples Liberation Army Strategic Support Force Aerospace Engineering University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Peoples Liberation Army Strategic Support Force Aerospace Engineering University filed Critical Peoples Liberation Army Strategic Support Force Aerospace Engineering University
Priority to CN202311567217.6A priority Critical patent/CN117271146B/zh
Publication of CN117271146A publication Critical patent/CN117271146A/zh
Application granted granted Critical
Publication of CN117271146B publication Critical patent/CN117271146B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/5038—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及航空技术领域，具体公开一种基于复杂异质场景下知识转移的多星成像任务规划方法，包括：S10，根据用户成像需求和任务规划场景信息构建任务评估模型；S20，根据任务评估模型对用户成像需求进行评估，生成携带执行优先级信息的多星成像任务；S30，构建复杂异质场景下的多星成像任务规划模型；S40，根据成像卫星数量与当前待观测的目标任务数量确定成像卫星与目标任务之间的对应关系；S50，根据任务收益目标函数计算成像卫星执行每个目标任务的任务收益值；S60，将任务收益值存储至成像卫星与目标任务的任务收益元知识存储库中；S70，根据多目标进化算法和多星成像任务规划模型输出复杂异质环境下的多星成像任务规划方案。

Description

基于复杂异质场景下知识转移的多星成像任务规划方法
技术领域
本发明涉及航空技术领域，具体涉及一种基于复杂异质场景下知识转移的多星成像任务规划方法。
背景技术
随着航空航天技术的快速发展，在轨运行卫星数量随之快速增长，对地观测任务对卫星观测质量、响应时间提出了更高的要求。与单颗卫星相比，多颗卫星可以通过相互协作对观测区域实现长时效，多方位的持续监测。此外，随着“北斗卫星”、“高分卫星”等系列卫星的多星任务规划***的实践与发展，多星成像任务规划技术在地理测绘、土地资源调查、灾害灾情监测等领域发挥着越来越重要的作用。
多星成像任务规划是指根据已知环境信息和用户对地观测需求，在最优分配基础上针对成像卫星自身约束及协同约束，为多颗成像卫星分配一个或多个目标任务，生成目标函数最优的多星成像任务规划方案，在满足用户需求的同时实现多星成像任务观测收益最大化，避免多星成像任务分配重复及资源冲突，减少卫星资源浪费。
异质是指在研究过程中某些特征导致的研究差异性，需要识别研究差异性并制定相应的策略。多星成像任务规划在复杂异质场景下多用户需求、多卫星、多任务存在多种任务需求关系，传统多星任务规划方法仅针对某一具体场景进行求解的方式无法满足复杂异质场景下多星成像任务规划需求。如何在复杂异质场景下提升多星成像任务规划模型可扩展性，高效处理复杂异质场景下的成像卫星与目标任务的多种任务需求关系，以充分发挥有限卫星资源，是目前面临卫星任务规划领域所面临的严峻挑战。
此外，复杂异质场景下的多星成像任务规划过程中，具有卫星自身机动性能差及成像次数有限等资源限制，多成像卫星在任务环境中约束条件复杂的特点，随着任务规划时间的增长出现信息量的***性增长，导致执行效率低，执行方案多，规划时间长等难点问题。如何构建快速准确求解多星成像任务方案的算法，是复杂异质场景下的多星成像任务规划问题求解的又一挑战。
发明内容
针对上述问题，本发明的目的是提供一种基于复杂异质场景下知识转移的多星成像任务规划方法，解决了复杂异质场景下多用户需求、多卫星、多任务的多星成像任务规划模型不一致、任务规划时间长、卫星资源分配冲突的难点问题，能够有限的卫星资源在短时间内实现不同的任务需求，提高成像卫星获取遥感图像的运行效率。
本发明提供了一种基于复杂异质场景下知识转移的多星成像任务规划方法，包括：
步骤S10，根据用户成像需求和任务规划场景信息构建任务评估模型；
步骤S20，根据所述任务评估模型对所述用户成像需求进行评估，生成携带执行优先级信息的多星成像任务；
步骤S30, 根据所述多星成像任务的执行决策变量、任务收益目标函数、响应时间目标函数、全局优化目标函数、成像卫星自身性能约束和目标任务分配约束，构建复杂异质场景下的多星成像任务规划模型；
步骤S40，根据成像卫星数量与当前待观测的目标任务数量确定成像卫星与目标任务之间的对应关系；
步骤S50，根据任务收益目标函数计算所述成像卫星执行每个目标任务的任务收益值；
步骤S60，根据所述成像卫星与所述目标任务之间的对应关系，将所述任务收益值存储至成像卫星与目标任务的任务收益元知识存储库中；
步骤S70，根据卫星、目标任务、任务收益值和响应时间构建基于知识转移的多目标进化算法，根据所述多目标进化算法和所述多星成像任务规划模型输出复杂异质环境下的多星成像任务规划方案。
在一种可能的实现方式中，所述用户成像需求包括：目标任务类型、目标任务状态、目标任务几何位置、图像分辨率、目标任务级别、目标任务紧急程度；所述任务规划场景信息包括：多星成像任务规划周期、观测目标任务规模、执行任务成像卫星规模；所述步骤S10包括：
根据以下公式构建任务评估模型：
；
其中，为用户成像需求，为用户成像需求得类型，为用户成像需求的类型数 量，表示目标任务类型，表示目标任务状态，表示目标任务几何位置，表示 用户需求图像分辨率, 表示目标任务紧急程度；
任务评估模型的判断矩阵如下公式：
；
任务评估模型的任务权系数计算函数如下公式：
；
其中，表示任务优先级影响因子中的第个；
根据以下公式计算所述多星成像任务的优先级：
；
其中，为指标i和指标j之间的相对重要性，
。
在一种可能的实现方式中，所述步骤S30包括：
所述多星成像任务的执行决策变量如下公式：
；
其中，S表示成像卫星数量，T表示观测目标任务数量，表示卫星执行观测目标 任务的决策变量；
所述任务收益目标函数如下公式：
；
其中，表示任务收益函数，表示多星成像任务的执行决策变量，表示任务优先级；
所述响应时间目标函数如下公式：
；
其中，表示执行观测目标任务的响应时间；
所述全局优化目标函数如下公式：
。
在一种可能的实现方式中，所述步骤S30还包括：
所述成像卫星自身性能约束如下公式：
；
其中，表示轨道，表示成像卫星在轨道观测目标的结束时间，分别表示成像卫星在轨道观测目标的开始时间，表示成像卫星的数据传 送速率，表示成像卫星载荷的最大存储容量，表示成像卫星的通信速率，表示 成像卫星的通信结束时间及开始时间中表示成像卫星的通信结束时间，分 别表示成像卫星的通信开始时间；
所述目标任务分配约束如下公式：
；
其中，表示成像卫星在轨道观测目标的观测时间窗，表示观测目标任 务侧摆角，表示成像卫星最大侧摆角，表示成像卫星的遥感器分辨率，表示目 标任务要求最小分辨率，表示卫星遥感器的单个视场角。
在一种可能的实现方式中，所述步骤S40包括：
当所述成像卫星数量与当前待观测的目标任务数量一致时，成像卫星与目标任务之间的对应关系为一一对应；
当所述成像卫星数量小于当前待观测的目标任务数量，成像卫星与目标任务之间的对应关系为一对多；
当所述成像卫星数量大于当前待观测的目标任务数量，成像卫星与目标任务之间的对应关系为多对一。
在一种可能的实现方式中，所述任务收益元知识存储库包括第一子库和第二子库；所述任务收益值的行索引为子库编号；所述步骤S60包括：
所述第一子库的行索引为目标任务编号，列索引为卫星编号；
所述第一子库的元知识为成像卫星执行目标任务的任务收益值，公式 如下：
；
其中，表示成像卫星执行目标任务的任务收益值；
所述第二子库的行索引为首次执行的目标任务编号，列索引为再次执行的目标任务编号；
所述第二子库的元知识为成像卫星执行目标任务完毕，以目标任务 为起点继而执行目标任务的任务收益值，公式如下：
；
其中，表示成像卫星执行目标任务完毕，以目标任务为起点继而执行 目标任务的任务收益值，S表示成像卫星数量，T表示观测目标任务数量。
在一种可能的实现方式中，所述步骤S70包括：
步骤S71，从所述任务收益元知识存储库中随机选择第一数量知识作为初始化环境；所述第一数量小于所述任务收益元知识存储库中总知识数量；根据以下公式将所述卫星、目标任务、任务收益、响应时间统一描述为知识：
；
其中，为任务收益元知识存储库的第v代的第个知识， 具体为卫星执行目标任务，任务收益值为，响应时间为；
步骤S72，计算所述知识间的拥挤距离；所述知识为卫星和/或目标任务和/或任务收益和/或响应时间；
步骤S73，根据所述知识间的拥挤距离将知识划分为有用知识和次有用知识，并分别存储于有用知识小生境和次有用知识小生境，具体公式如下：
；
步骤S74， 根据环境中知识所对应的全局优化目标函数值计算所述知识的环境差异性；
步骤S75，根据知识差异性自适应选择知识转移策略，输出复杂异质环境下的多星成像任务规划方案。
在一种可能的实现方式中，所述步骤S72包括：
根据以下公式计算知识间的拥挤距离：
；
其中，表示知识间的最小欧式距离，表示知识间的 最大欧式距离，表示历史环境中最优解在每个维度的平均值。
在一种可能的实现方式中，所述步骤S74包括：
根据以下公式计算环境间的知识差异性：
；
其中，表示第个知识的环境差异性，表示历史环境中第个知识 的第个位置所对应的全局优化目标函数值，表示当前环境中第个知识的第个位 置所对应的全局优化目标函数值。
在一种可能的实现方式中，所述步骤S75包括：
若，再次计算知识间的拥挤距离，根据实际用户需求自适应选择 将历史环境对应知识直接迁移至当前环境：
；
其中，历史环境知识作为源数据，当前环境知识作为目标数据，表示环境当中随机选取的知识；
若，采用子空间分布对齐方法挖掘历史环境与当前环境之间的关 联规则，将知识从历史环境迁移至当前环境；
子空间分布对齐方法如下公式：
其中，为的特征向量，为的特征向量，是的正交补 集，、分别是和的正交矩阵，、、是与的对角矩阵；
；
其中，表示第v代第个知识；
直至达到终止条件，输出复杂异质环境下的多星成像任务规划方案。
本发明提供的基于复杂异质场景下知识转移的多星成像任务规划方法，具有以下有益效果：
1）针对复杂异质场景下多星多任务的实际需求，构建任务评估模型，将批量到达的目标任务转换为一系列携带优先级信息的任务集，减小由于卫星资源分配不合理造成的损失，为复杂异质场景下多星成像任务规划的目标任务观测顺序提供一种更为合理决策依据。
2）针对复杂异质场景下多用户、多卫星、多任务的情况。在最优化理论基础上，构建复杂异质场景下多星成像任务规划模型，克服了复杂异质场景下多星成像任务规划在不同用户实际需求下，任务分配中模型扩展性较差，算法针对性较弱等问题。
3）构建卫星与目标任务的任务收益元知识存储库，将任务收益定义为一种元知识，作为不同类型“多卫星-多任务”的统一媒介在优化搜索过程中可从任务收益元知识存储库直接调用任务收益值，减少了任务收益值的重复计算，提高任务规划效率。
4）针对多成像卫星在复杂异质场景下约束条件复杂、执行效率低，执行方案不全面等难点问题，构建基于知识转移的多目标进化算法，计算知识间拥挤距离将知识划分，并评估当前环境与历史环境的知识差异性，自适应选择知识转移策略，使历史知识适应当前搜索空间，加快收敛速度，输出更加合理的复杂异质环境下的多星成像任务规划方案供决策者选择。
附图说明
图1为本发明实施例提供的多星成像任务规划方法的流程示意图；
图2(a)为本发明实施例提供的成像卫星与目标任务一一对应的示意图；
图2(b)为本发明实施例提供的成像卫星与目标任务一对多的示意图；
图2(c)为本发明实施例提供的成像卫星与目标任务多对一的示意图；
图3为本发明实施例提供的任务收益元知识存储库的示意图；
图4(a)为本发明实施例提供的S=T时目标任务匹配策略的示意图；
图4(b)为本发明实施例提供的S<T时目标任务匹配策略的示意图；
图4(c)为本发明实施例提供的S>T时目标任务匹配策略的示意图。
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多星成像任务规划方法的流程示意图，如图1所示，本发明提供的基于复杂异质场景下知识转移的多星成像任务规划方法，包括：
步骤S10，根据用户成像需求和任务规划场景信息构建任务评估模型；
在一种可能的实现方式中，复杂异质场景存在多用户、多卫星、多任务的情况，为完成“多用户-多卫星”的信息传递，由地面控制中心将用户成像需求、任务规划场景信息发送至各成像卫星。
其中，用户成像需求包括：目标任务类型、目标任务状态、目标任务几何位置、图像分辨率、目标任务级别、目标任务紧急程度；任务规划场景信息包括：多星成像任务规划周期、观测目标任务规模、执行任务成像卫星规模。
由地面控制中心将用户成像需求、任务规划场景信息发送至各成像卫星，完成复 杂异质场景下“多用户-多卫星”的信息传递。根据用户成像需求、任务规划场景信息的不 同，根据以下公式构建任务评估模型：
；
其中，为用户成像需求，为用户成像需求的类型，为用户成像需求的类型数 量，上述公式对任务优先级影响因子进行统一数学描述表示目标任务类型，表示目 标任务状态，表示目标任务几何位置，表示用户需求图像分辨率, 表示目标任 务紧急程度。
任务评估模型的判断矩阵如下公式：
；
任务评估模型的任务权系数计算函数如下公式：
；
其中，表示任务优先级影响因子中的第个；
根据以下公式计算多行成像任务的优先级：
；
其中，为指标i和指标j之间的相对重要性，
。
步骤S20，根据任务评估模型对用户成像需求进行评估，生成携带执行优先级信息的多星成像任务；
在一种可能的实现方式中，根据目标任务类型、目标任务状态、几何位置、用户需求图像分辨率、目标任务紧急程度的不同，构建任务评估模型对用户成像需求进行评估，生成携带执行优先级信息的任务集合。
步骤S30, 根据多星成像任务的执行决策变量、任务收益目标函数、响应时间目标函数、全局优化目标函数、成像卫星自身性能约束和目标任务分配约束，构建复杂异质场景下的多星成像任务规划模型；
在一种可能的实现方式中，多星成像任务的执行决策变量如下公式：
；
其中，S表示成像卫星数量，T表示观测目标任务数量，表示卫星执行观测目标 任务的决策变量；
任务收益目标函数如下公式：
；
其中，表示任务收益函数，表示多星成像任务的执行决策变量，表示任务优先级；
响应时间目标函数如下公式：
；
其中，表示执行观测目标任务的响应时间；
全局优化目标函数如下公式：
。
成像卫星自身性能约束,主要考虑成像卫星载荷存储能力、成像卫星单次成像观测时间及成像卫星单次成像通信时间。成像卫星自身性能约束如下公式：
；
其中，表示轨道，表示成像卫星在轨道观测目标的结束时间，分别表示成像卫星在轨道观测目标的开始时间，表示成像卫星的数据传 送速率，表示成像卫星载荷的最大存储容量，表示成像卫星的通信速率，表示 成像卫星的通信结束时间及开始时间中表示成像卫星的通信结束时间，分 别表示成像卫星的通信开始时间；
目标任务分配约束主要考虑侧摆角度约束、分辨率约束、视场角约束。目标任务分配约束如下公式：
；
其中，表示成像卫星在轨道观测目标的观测时间窗，表示观测目标任 务侧摆角，表示成像卫星最大侧摆角，表示成像卫星的遥感器分辨率，表示目 标任务要求最小分辨率，表示卫星遥感器的单个视场角。
步骤S40，根据成像卫星数量与当前待观测的目标任务数量确定成像卫星与目标任务之间的对应关系；
在一种可能的实现方式中，当，即成像卫星数量与当前待观测的目标任务数 量一致时，成像卫星与目标任务之间的对应关系为一一对应，如图2(a)所示，图2(a)为本发 明实施例提供的成像卫星与目标任务一一对应的示意图。成像卫星仅执行单个目标任务， 单个目标任务仅被观测一次。
当，即成像卫星数量小于当前待观测的目标任务数量，成像卫星与目标任务 之间的对应关系为一对多，如图2(b)所示，图2(b)为本发明实施例提供的成像卫星与目标 任务一对多的示意图。卫星资源有限无法满足用户的全部需求，合理分配多颗卫星执行目 标任务，同一成像卫星在规划时间周期内可多次执行不同的目标任务；
当，即成像卫星数量大于当前待观测的目标任务数量，成像卫星与目标任务 之间的对应关系为多对一，如图2(c)所示，图2(c)为本发明实施例提供的成像卫星与目标 任务多对一的示意图。针对某一复杂目标任务进行观测，单个目标任务被多颗成像卫星执 行观测，并对捕获图像进行比对，以获得对某一观测任务的三维信息。
构建自适应目标任务匹配策略，具体包括目标任务匹配策略，目标任务 匹配策略，目标任务匹配策略。
图4(a)为本发明实施例提供的S=T时目标任务匹配策略的示意图，如图4(a)所示，目标任务匹配策略：成像卫星与目标任务之间为一一对应的分配关系，要求知识当中 单个卫星匹配单个目标任务，根据卫星编号索引任务收益元知识存储库，匹配出任务收益 值最大的目标任务编号，将卫星、目标任务及任务收益存储为一条知识，存储于多星成像任 务规划知识库，并在任务收益元知识存储库中将该卫星及目标任务对应任务收益值所在行 列删除。
图4(b)为本发明实施例提供的S<T时目标任务匹配策略的示意图，如图4(b)所示，目标任务匹配策略：成像卫星与目标任务之间为一对多的分配关系，要求知识当中为 单个卫星匹配多个目标任务，需多次进行目标匹配。首先对子库1进行索引，为单个卫星匹 配出任务收益值最大的目标任务作为初次执行目标任务，将卫星、目标任务及任务收益存 储为一条知识，并将上半部分对应全局优化目标值所在行列删除。然后，以该卫星编号对子 库2进行索引，以匹配任务收益值最大的目标任务再次执行，作为一条新知识存储至存储于 多星成像任务规划知识库，并将该对应全局优化目标值所在行列删除。
图4(c)为本发明实施例提供的S>T时目标任务匹配策略的示意图，如图4(c)所示，目标任务匹配策略：成像卫星与目标任务之间为多对一的分配关系，要求知识当中多 个卫星可执行同一目标任务，且单个目标任务至少被1个成像卫星执行，需多次进行目标匹 配。根据目标任务编号对子库1进行索引，为单个目标任务匹配出任务收益值最大的卫星进 行执行，将该目标任务、成像卫星作为一条新知识存储至多星成像任务规划知识库，将匹配 卫星所在行进行删除。循环匹配直至所有卫星均得到匹配目标任务。
步骤S50，根据任务收益目标函数计算成像卫星执行每个目标任务的任务收益值；
步骤S60，根据成像卫星与目标任务之间的对应关系，将任务收益值存储至成像卫星与目标任务的任务收益元知识存储库中；
其中，任务收益元知识存储库包括第一子库和第二子库；任务收益值的行索引为子库编号。
图3为本发明实施例提供的任务收益元知识存储库的示意图，如图3所示，第一子库的行索引为目标任务编号，列索引为卫星编号。
第一子库的元知识为成像卫星执行目标任务的任务收益值，公式如 下：
；
其中，表示成像卫星执行目标任务的任务收益值；
第二子库的行索引为首次执行的目标任务编号，列索引为再次执行的目标任务编号；
第二子库的元知识为成像卫星执行目标任务完毕，以目标任务为起 点继而执行目标任务的任务收益值，公式如下：
；
其中，表示成像卫星执行目标任务完毕，以目标任务为起点继而执行 目标任务的任务收益值，S表示成像卫星数量，T表示观测目标任务数量。
根据成像卫星与目标任务之间的对应关系在优化搜索过程中可从任务收益元知识存储库直接调用任务收益值，以减少任务收益的重复计算。
步骤S70，根据卫星、目标任务、任务收益值和响应时间构建基于知识转移的多目标进化算法，根据多目标进化算法和多星成像任务规划模型输出复杂异质环境下的多星成像任务规划方案。
步骤S71，从任务收益元知识存储库中随机选择第一数量知识作为初始化环境；
其中，第一数量小于任务收益元知识存储库中总知识数量。
在一个示例中，任务收益元知识存储库中总知识数量为N，第一数量为0.1N，N为正整数。
根据以下公式将卫星、目标任务、任务收益、响应时间统一描述为知识：
；
其中，为任务收益元知识存储库的第v代的第个知识， 具体为卫星执行目标任务，任务收益值为，响应时间为；
步骤S72，计算所述知识间的拥挤距离；所述知识为卫星和/或目标任务和/或任务收益和/或响应时间；
根据以下公式计算知识间的拥挤距离：
；
其中，表示知识间的最小欧式距离，表示知识间的 最大欧式距离，表示历史环境中最优解在每个维度的平均值。
步骤S73，根据知识间的拥挤距离将知识划分为有用知识和次有用知识，并分别存储于有用知识小生境和次有用知识小生境，具体公式如下：
；
步骤S74， 根据环境中知识所对应的全局优化目标函数值计算知识的环境差异性；
根据以下公式计算环境间的知识差异性：
；
其中，表示第个知识的环境差异性，表示历史环境中第个知识 的第个位置所对应的全局优化目标函数值，表示当前环境中第个知识的第个位 置所对应的全局优化目标函数值。
步骤S75，根据知识差异性自适应选择知识转移策略，输出复杂异质环境下的多星成像任务规划方案。
若，表明当前环境与历史环境知识较为相似，采用直接性知识转 移策略，即再次计算知识间的拥挤距离，根据实际用户需求自适应选择将历史环境对应知 识直接迁移至当前环境：
；
其中，历史环境知识作为源数据，当前环境知识作为目标数据，表示环境当中随机选取的知识。
针对周期性的常规大规模成像任务需求，要求最大化任务收益，自适应选择历史 环境中次有用知识小生境将次有用知识转移至当前环境以促进多星成像任务规划方案的 丰富性，帮助决策者搜索到最大化任务收益的执行方案；针对地震、森林火灾等小规模区域 的紧急突发情况的应急保障任务需求，要求任务平均响应时间最短，自适应选择历史环境 中有用知识小生境将有用知识转移至当前环境以引导知识快速接近，使得在较短的 响应时间搜索到合理的多星成像任务规划候选方案。
若，表明当前环境与历史环境存在较大差异性，历史环境中的知 识比当前环境下的知识更接近真实环境的，选择跨环境知识转移策略，即采用子空 间分布对齐方法挖掘历史环境与当前环境之间的关联规则，将知识从历史环境迁移至当前 环境。
子空间分布对齐方法如下公式：
；
其中，为的特征向量，为的特征向量。是的正交补 集，、分别是和的正交矩阵，、、是与的对角矩阵；
此时，通过子空间分布对齐方法能够将历史环境中的知识转移到当前环境 当中，以快速适应当前环境。
；
其中，表示第v代第个知识；
循环上述步骤直至达到终止条件，输出复杂异质环境下的多星成像任务规划方案。
本发明的基于复杂异质场景下知识转移的多星成像任务规划方法，能够将批量到达的目标任务转换为一系列携带优先级信息的任务集合，减小由于卫星资源分配不合理造成的损失；克服复杂异质场景下多星成像任务规划在不同用户实际需求下，任务分配中模型扩展性较差，算法针对性较弱等问题，能够有效减少任务收益值的重复计算，提高任务规划效率，加快收敛速度，输出复杂异质环境下更加合理的多星成像任务规划方案。
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)

1.一种基于复杂异质场景下知识转移的多星成像任务规划方法，，其特征在于，包括：
步骤S10，根据用户成像需求和任务规划场景信息构建任务评估模型；
步骤S20，根据所述任务评估模型对所述用户成像需求进行评估，，生成携带执行优先级信息的多星成像任务；
步骤S30,根据所述多星成像任务的执行决策变量、任务收益目标函数、响应时间目标函数、全局优化目标函数、成像卫星自身性能约束和目标任务分配约束，构建复杂异质场景下的多星成像任务规划模型；
步骤S40，根据成像卫星数量与当前待观测的目标任务数量确定成像卫星与目标任务之间的对应关系；
步骤S50，根据任务收益目标函数计算所述成像卫星执行每个目标任务的任务收益值；
步骤S60，根据所述成像卫星与所述目标任务之间的对应关系，将所述任务收益值存储至成像卫星与目标任务的任务收益元知识存储库中；
步骤S70，根据卫星、目标任务、任务收益值和响应时间构建基于知识转移的多目标进化算法，根据所述多目标进化算法和所述多星成像任务规划模型输出复杂异质环境下的多星成像任务规划方案；所述用户成像需求包括：目标任务类型、目标任务状态、目标任务几何位置、图像分辨率、目标任务级别、目标任务紧急程度；；所述任务规划场景信息包括：多星成像任务规划周期、观测目标任务规模、执行任务成像卫星规模；所述步骤S10包括：
根据以下公式构建任务评估模型w：
其中，Xi为用户成像需求，i为用户成像需求的类型，n为用户成像需求的类型数量，Ttype表示目标任务类型，Tstate表示目标任务状态，Tpos表示目标任务几何位置，Ires表示用户需求图像分辨率,Turg表示目标任务紧急程度；
任务评估模型的判断矩阵如下公式：
其中，i∈[1,n],j∈[1,n]；
任务评估模型的任务权重系数计算函数如下公式：
其中，Xi表示任务优先级影响因子中的第i个；
根据以下公式计算所述多星成像任务的优先级Priority：
其中，Bij为指标i和指标j之间的相对重要性，
2.根据权利要求1所述的多星成像任务规划方法，其特征在于，所述步骤S30包括：
所述多星成像任务的执行决策变量如下公式：
其中，S表示成像卫星数量，T表示观测目标任务数量，xji表示卫星j执行观测目标任务i的决策变量；
所述任务收益目标函数maxf1(xji)如下公式：
其中，benefit表示任务收益函数，xji表示多星成像任务的执行决策变量，prioritytask表示任务优先级；
所述响应时间目标函数maxf2(xji)如下公式：
其中，表示执行观测目标任务i的响应时间，T表示观测目标任务数量；
所述全局优化目标函数maxF(xji)如下公式：
maxF(xji)＝{f1(xji),f2(xji)}。
3.根据权利要求1所述的多星成像任务规划方法，其特征在于，所述步骤S30还包括：
所述成像卫星自身性能约束如下公式：
其中，orbitk表示轨道k，etk(xji)表示成像卫星j在轨道k观测目标i的结束时间，stk(xji)分别表示成像卫星j在轨道k观测目标i的开始时间，表示成像卫星j的数据传送速率，maxMa表示成像卫星载荷的最大存储容量，/>表示成像卫星j的通信速率，表示成像卫星的通信结束时间及开始时间中Con_et表示成像卫星的通信结束时间，Con_st分别表示成像卫星的通信开始时间；
所述目标任务分配约束如下公式：
其中，wijk表示成像卫星j在轨道k观测目标i的观测时间窗，表示观测目标任务侧摆角，Aj表示成像卫星最大侧摆角，/>表示成像卫星j的遥感器分辨率，rmin表示目标任务要求最小分辨率，θj表示卫星遥感器的单个视场角。
4.根据权利要求1所述的多星成像任务规划方法，其特征在于，所述步骤S40包括：
当所述成像卫星数量与当前待观测的目标任务数量一致时，成像卫星与目标任务之间的对应关系为一一对应；
当所述成像卫星数量小于当前待观测的目标任务数量，成像卫星与目标任务之间的对应关系为一对多；
当所述成像卫星数量大于当前待观测的目标任务数量，成像卫星与目标任务之间的对应关系为多对一。
5.根据权利要求1所述的多星成像任务规划方法，其特征在于，，所述任务收益元知识存储库包括第一子库和第二子库；所述任务收益值的行索引为子库编号；所述步骤S60包括：
所述第一子库的行索引为目标任务编号，列索引为卫星编号；
所述第一子库的元知识SubPool1为成像卫星j执行目标任务i的任务收益值，公式如下：
其中，bene(xji)表示成像卫星j执行目标任务i的任务收益值；
所述第二子库的行索引为首次执行的目标任务编号，列索引为再次执行的目标任务编号；
所述第二子库的元知识SubPool2为成像卫星j执行目标任务i完毕，以目标任务i为起点继而执行目标任务u的任务收益值，公式如下：
其中，bene(x(i,u))表示成像卫星执行目标任务i完毕，以目标任务i为起点继而执行目标任务u的任务收益值，S表示成像卫星数量，T表示观测目标任务数量。
6.根据权利要求1所述的多星成像任务规划方法，其特征在于，所述步骤S70包括：
步骤S71，从所述任务收益元知识存储库中随机选择第一数量知识作为初始化环境；所述第一数量小于所述任务收益元知识存储库中总知识数量；根据以下公式将所述卫星、目标任务、任务收益、响应时间统一描述为知识：
knowledgev,g∈MSIMPknowledge，
knowledgev,g＝(satj,(ti,...tu),(bene(xji)∪Sbene(xji,xju)),(Time(xji)∪Time(xji,xju)))其中，knowledgev,g为任务收益元知识存储库MSIMPknowledge的第v代的第g个知识，具体为卫星satj执行目标任务(ti,...tu)，任务收益值为(bene(xji)∪Sbene(xji,xju))，响应时间为(Time(xji)∪Time(xji,xju))；
步骤S72，计算所述知识间的拥挤距离；所述知识为卫星和/或目标任务和/或任务收益和/或响应时间；
步骤S73，根据所述知识间的拥挤距离将知识划分为有用知识和次有用知识，并分别存储于有用知识小生境和次有用知识小生境，具体公式如下：
步骤S74，根据环境中知识所对应的全局优化目标函数值计算所述知识的环境差异性；
步骤S75，根据知识差异性自适应选择知识转移策略，输出复杂异质环境下的多星成像任务规划方案。
7.根据权利要求6所述的多星成像任务规划方法，其特征在于，所述步骤S72包括：
根据以下公式计算知识间的拥挤距离：
其中，minEuc(Mi,Mj)表示知识间的最小欧式距离，maxEuc(Mi,Mj)表示知识间的最大欧式距离。
8.根据权利要求6所述的多星成像任务规划方法，其特征在于，所述步骤S74包括：
根据以下公式计算环境间的知识差异性：
其中，othernesst表示第t个知识的环境差异性，F(xi,t)表示历史环境中第t个知识的第i个位置所对应的全局优化目标函数值，表示当前环境中第t个知识的第i个位置所对应的全局优化目标函数值。
9.根据权利要求6所述的多星成像任务规划方法，其特征在于，所述步骤S75包括：
若othernesst≤le-5，再次计算知识间的拥挤距离，根据实际用户需求自适应选择将历史环境对应知识直接迁移至当前环境：
Cknowledge(knowledge)＝knowledgerand∪Hknowledge(knowledge)
其中，历史环境知识作为源数据Hknowledge，当前环境知识Cknowledge作为目标数据，knowledgerand表示环境当中随机选取的知识；
若othernesst>le-5，采用子空间分布对齐方法挖掘历史环境与当前环境之间的关联规则，将知识从历史环境迁移至当前环境；
子空间分布对齐方法如下公式：
其中，Hs为Hknowledge的特征向量，CT为Cknowledge的特征向量，OS是Hs的正交补集，A1、A2分别是和/>的正交矩阵，λ1、λ2、λ3是Hs与CT的对角矩阵；
Cknowledge(knowledgev,g)＝Hknowledge(knowledgev,g)·SDMS
其中，knowledgev,g表示第v代第g个知识，SDMS为子空间分布对齐方法；
直至达到终止条件，输出复杂异质环境下的多星成像任务规划方案。
CN202311567217.6A 2023-11-23 2023-11-23 基于复杂异质场景下知识转移的多星成像任务规划方法 Active CN117271146B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311567217.6A CN117271146B (zh) 2023-11-23 2023-11-23 基于复杂异质场景下知识转移的多星成像任务规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311567217.6A CN117271146B (zh) 2023-11-23 2023-11-23 基于复杂异质场景下知识转移的多星成像任务规划方法

Publications (2)

Publication Number Publication Date
CN117271146A CN117271146A (zh) 2023-12-22
CN117271146B true CN117271146B (zh) 2024-02-23

Family

ID=89208438

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311567217.6A Active CN117271146B (zh) 2023-11-23 2023-11-23 基于复杂异质场景下知识转移的多星成像任务规划方法

Country Status (1)

Country Link
CN (1) CN117271146B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114580209A (zh) * 2022-01-13 2022-06-03 中国人民解放军国防科技大学 一种面向非时敏移动目标的多星协同任务分配方法及***
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
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
CN116629511A (zh) * 2023-04-12 2023-08-22 中国人民解放军战略支援部队航天工程大学 一种不确定环境下基于两阶段混合调度的多星动态任务规划方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114580209A (zh) * 2022-01-13 2022-06-03 中国人民解放军国防科技大学 一种面向非时敏移动目标的多星协同任务分配方法及***
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
CN116629511A (zh) * 2023-04-12 2023-08-22 中国人民解放军战略支援部队航天工程大学 一种不确定环境下基于两阶段混合调度的多星动态任务规划方法及装置
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

Also Published As

Publication number Publication date
CN117271146A (zh) 2023-12-22

Similar Documents

Publication Publication Date Title
CN109116349B (zh) 多传感器协同跟踪联合优化决策方法
Liu et al. Energy-efficient UAV crowdsensing with multiple charging stations by deep learning
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
CN106656308B (zh) 空间信息网络中任务的规划方法和装置
CN106384169B (zh) 一种基于超启发式算法的卫星任务规划方法
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
Liu et al. Multi-task-oriented vehicular crowdsensing: A deep learning approach
CN101894367A (zh) 成像卫星观测调度的目标聚类方法
CN109919484B (zh) 一种星上自主任务规划方法
CN111612384B (zh) 一种具有时间分辨率约束的多星接力任务规划方法
CN111313957B (zh) 基于分类多目标优化的混合卫星通信***资源分配方法
CN111897640A (zh) 一种面向区域成图的卫星成像任务规划方法及***
CN111178419B (zh) 一种基于任务聚类的敏捷遥感卫星多目标任务规划方法
Li et al. An improved ant colony optimization for path planning with multiple UAVs
CN112734239A (zh) 基于任务与资源能力属性的任务规划方法、装置和介质
CN110874413B (zh) 一种基于关联规则挖掘的防空多武器***效能评估指标体系建立方法
Petković et al. Machine learning for predicting thermal power consumption of the mars express spacecraft
CN114035913A (zh) 一种卫星多目标重复观测任务规划方法及终端
Fu et al. Mobile robot object recognition in the internet of things based on fog computing
CN117271146B (zh) 基于复杂异质场景下知识转移的多星成像任务规划方法
CN111399533B (zh) 异构多无人机协同任务分配与路径优化方法
Yang et al. Learning graph-enhanced commander-executor for multi-agent navigation
CN109859063B (zh) 一种社区发现方法、装置、存储介质及终端设备
CN114580208A (zh) 一种面向海洋移动目标的星上自主任务生成方法及***

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