基于改进教学优化方法的多星任务调度规划方法

技术领域

本发明涉及航空航天技术领域，尤其涉及一种基于改进教学优化方法的多星任务调度规划方法。

背景技术

空间信息对于当今社会的重要性日渐提高，卫星作为空间信息获取工具之一，在经济建设、科学研究、国防工业等多个领域发挥着重要作用。随着航天技术的高速发展，卫星的研制周期变短，在轨的卫星数量逐年增加。在目前卫星星座化发展趋势下，为充分利用卫星资源，发挥多星联合对地观测优势，多星任务调度规划方法成为世界各航天大国的热点研究方向之一。目前，地面站人工管控卫星运行是进行任务规划的主要方式，但地面站上注指令的方法受到诸如通信时延、星地可见性等方面限制。合理的多星任务规划方法是提高卫星资源利用率的关键。

下面对现有技术中的多星任务规划方法做简单介绍：

Wolfe等人(WOLFE W J，SORENSEN S E.Three Scheduling Algorithms Appliedto the Earth Observing Systems Domain[J].Management Science，2000，46(1)：148-166.)提出基于窗口约束的背包问题模型，并结合任务优先级策略的贪婪方法提出可探索更大解空间的改进遗传方法。

Lemaitre等人(LEMAITRE M，VERFAILLIE G，JOUHAUD F，et al.Selecting andscheduling observations of agile satellites[J].Aerospace Science andTechnology，2002，6(5)：367-381.)考虑敏捷卫星相较传统卫星更多的自由度，以单颗敏捷对地观测卫星为例，在求解空间上对比了动态规划、贪婪方法、约束满足和局部搜索四种方法的求解效果。

Tangpattanakul等人(TANGPATTANAKUL P，JOZEFOWIEZ N，LOPEZ P.Multi-Objective Optimization for Selecting and Scheduling 0bservations by AgileEarth 0bserving Satel lites[C].//Parallel Problem Solving from Nature-PPSNXII.Berlin，Heidelberg：Springer，2012：112-121.)以多目标优化问题进行建模，考虑任务总收益最大及用户收益差异值最小两个优化目标，提出混合编码策略，并对比了多目标局部搜索方法和基于偏置随机密钥遗传方法的求解效果。

Liu等人(LIU X，LAPORTE G，CHEN Y，et al.An Adaptive Large NeighborhoodSearch Metaheuristic for Agile Satellite Scheduling with Time-DependentTransition Time[J].Computers&Operati ons Research，2017，86：41-53.)针对敏捷卫星提出自适应大邻域搜索方法，以生成无冲突的观测时间线，定义了ALNS方法的删除操作符和插入操作符。

Wu等人(WU G，LIU J，MA M，et al.A Two-Phase Scheduling Method with theConsideration of Task Clustering for Earth Observing Satellites[J].Computers&Operations Research，2013，40(7)：1884-1894.)针对卫星观测调度问题提出一种考虑任务聚类的两阶段调度方法，首先基于图模型将任务进行聚类，然后使用带有局部搜索机制的混合蚁群方法进行求解。

Zhu等人(ZHU W，HU X，XIA W，et al.A Three-Phase Solution Method for theScheduling Problem of Using Earth Observation Satellites to Observe PolygonRequests[J].Computers&Industrial Engineering，2019，130：97-107.)针对区域观测目标调度问题，提出一个包含网格划分、基于动态贪心方法的覆盖优化和基于禁忌搜索的条带选择三阶段的求解方法。

刘嵩、陈英武、邢立宁等在敏捷成像卫星自主任务规划方法[J].计算机集成制造系统，2016，22(04)：928-934中为响应动态观测需求，提出使用连续多次局部规划代替全局规划的滚动规划启发式方法。

柴伟杰、张超在基于图论的多星综合任务规划双蚁群算法[J].无线电工程，2019，49(6)：534-539中对于多星综合任务规划问题，提出基于图论的问题模型，并提出一种基于双层规划的蚁群方法进行求解。

毛李恒、邓清、刘柔妮等在针对多星多任务仿真调度的关键路径遗传算法[J/0L].系统仿真学报，[2020-07-27]：1-11.https：//doi.org/10.16182/j.issn1004731x.joss.19-0301中针对多星多任务规划问题，提出包含任务分配和单星任务分配的分层优化方法，并针对问题提出改进遗传方法进行求解。

本发明人基于对现有技术中多星任务规划方法的研究分析得出，多星任务规划问题可抽象为带约束的优化问题，并针对问题使用相应的智能优化方法求解。智能优化方法通过模拟自然界中规律求解目标问题，对组合优化问题有较强的求解能力，在多星任务规划规划问题求解过程中，方法求解效果与超参数的设置密切相关。

而现有技术中的多星任务规划方法，仍具有任务完成率和收敛速度有待提高的问题。

发明内容

为解决现有技术中多星任务规划方法任务完成率和收敛速度有待提高的问题，本发明提出一种基于改进教学优化方法的多星任务调度规划方法，以至少部分解决上述问题。

本发明在以往研究的基础上，以多星联合对海面点目标监测为任务背景，以观测任务完成率最大化为目标函数，提出改进差分教学优化调度方法，与其它智能优化方法相比受到超参数设置合理程度的影响更小。

在海面目标侦察任务中，通常使用SAR方式对海域进行大范围探测，但当舰船的运动预报信息准确时，或为了获取港口、海峡等特定的海面点目标的高分辨率图像信息，需要使用光学成像方式进行监视。相比于SAR探测方式，光学成像拥有更高的分辨率但成像条带更窄，且受光照、气候等影响。在进行大规模点目标监视任务时，成像卫星资源数量相对不足，需要对成像卫星任务执行顺序进行调度以完成最大数量的点目标监视任务。

卫星在轨运行过程中，在同一时刻只能对单一目标进行观测。不同卫星与不同目标之间的可见窗口数量不尽相同，此时需要进行任务规划，合理分配卫星资源以满足尽可能多的观测需求，利用多个卫星对处于邻近时间段内的目标进行联合观测成为提高卫星资源利用率的重要手段。如图1可见窗示意图，设传感器的机动时间均为1单位时间，观测时长均为4单位时间。由于传感器角度限制，卫星1在观测完目标1后无法对目标2进行观测，而卫星2对目标2和目标3的观测不会引起冲突。对卫星的任务执行进行合理的调度可以保证任务完成率最大化。

具体而言，本发明提出一种基于改进教学优化方法的多星任务调度规划方法，包括如下步骤：

将多星任务调度规划问题数学建模成带约束的组合优化问题；提出改进教学优化方法；使用改进教学优化方法对所述带约束的组合优化问题进行求解；构造初始解。

将多星任务调度规划问题数学建模成带约束的组合优化问题包括如下步骤：

对多星任务调度规划问题做条件假设；建立数学符号；数学建模提出优化函数和满足的约束。

所述对多星任务调度规划问题做的条件假设包括：地面站与卫星满足硬件要求；卫星的固存满足与地面站通信周期间所有目标的观测需求；每个任务只需被执行一次；同一时刻卫星只执行单个目标的观测任务；不考虑气候及卫星故障问题；卫星一次观测可满足点目标观测需求。

所述数学符号包括：N

数学建模提出优化函数和满足的约束包括：

提出优化目标函数如下：

满足的约束如下：

表示每个目标只执行一次观测任务，

Et

表示在任务规划时间段内每个时刻任意卫星只执行一个观测任务，

Swt

表示卫星与可见目标的可见窗口时长须要大于目标所需的观测时长。

通过数学分析，将多星多任务规划问题建模成上述带约束的组合优化问题，本文使用改进教学优化方法对问题进行求解。

教学优化方法(teaching learning based optimization，TLBO)是Rao等人以教师与学生在课堂教学过程中的互动模式为基础提出的，相较于其它智能优化方法收敛速度更快。并且由于其所需的超参数较少，教学优化方法相较于其它智能优化方法降低了超参数设置对方法性能的影响。针对问题模型，对原教学优化方法提出离散化等改进，使其可求解多星任务规划问题。

所述改进教学优化方法包括如下步骤：基础教学优先方法；对基础教学优化方法进行离散处理；引入差分的学习方法。

基础教学优化方法属于群体智能方法，将所有解个体合集作为一个“班级”整体，通过模拟课堂中教师与学生的教学活动，实现“班级”内个体水平向优化目标方向靠拢。在整个教学过程中，课堂教学环节教师拥有较高的水平，通过教师的课堂教学可以将班级的平均水平向目标方向提升；课下学生的互相学习环节中，学生通过与班级中其它学生的相互交流进行提升自我水平。教学优化方法模拟此过程，方法也分为教阶段和学阶段。个体数量对应班级中学生的数量，多个决策变量作为学生学习的科目，相应的评价函数作为个体水平的衡量。

包括：

将解个体合集作为班级，模拟教学活动，分为教阶段和学阶段；

个体数量对应学生数量，决策变量作为学习科目，评价函数作为个体水平的衡量；

在教阶段中，优化目标方向上适应度最高的个体为教师X

采取贪婪更新策略，若

diff＝r

其中r

在学阶段中，班级中的每个学生随机挑选一个班级中其它学生；对于X

基础教学优化方法是用于解决连续大规模非线性优化问题，而多星任务规划问题解空间具有离散特点，对此提出改进教学优化方法(improved teaching learning basedoptimization，ITLBO)。

在基础TLBO方法中，在X

在决策空间连续情况下，TLBO方法通过计算各个决策变量的均值得到X

对于多星多任务规划模型，决策量的值代表当前目标使用的窗口编号，对基础教学优化方法进行离散处理，包括：

由X

对不在取值范围中的决策变量：

计算每个决策变量的均值

决策变量x

在教阶段和学阶段产生新个体的过程中，会对在教阶段和学阶段中产生的决策变量值超出取值范围的新个体，大于最大值和小于最小值的决策变量分别按最大值和最小值取值。

在方法学阶段，对班级中的个体采用差异化的学习策略，引入差分的学习方法包括：

在学阶段，对于个体X

若个体X

的方式进行学习；

若个体X

的方式进行学习。

改进优化方法的整体流程见图2.

基于提出的以任务完成率为优化目标的问题模型，使用改进教学优化方法对所述带约束的组合优化问题进行求解包括：

输入多星的轨道信息、平台信息和载荷信息；

班级整体表示为

每个解个体的决策变量

输出经方法优化后的每颗卫星的任务执行序列。

初始解的构造质量会影响方法的收敛速度，适应度较高的初始解可以更加有效指导班级种群的优化方向，因此需要构造合适的初始解。在其它群体智能方法中，初始解的构造多采用随机的方法，本文提出一种基于可行性的初始解构造方法，在构造初始解的时候，考虑解的可行性，降低了解空间的数量。

具体而言，构造初始解包括：计算所有可见机遇窗口；对于每个目标，随机从其可用的机遇窗口集合中选择一个进行观测；通过

的方式构造初始解。

通过上述方法构造初始解避免了生成冲突程度过高的解个体，提高了方法的收敛速度。

本发明至少具有如下有益效果：提出了一种基于改进教学优化方法的多星任务调度规划方法，提升了多星任务调度规划问题的任务完成率和收敛速度。

附图说明

图1示出了本发明中多星任务调度规划可见窗口的一个示例。

图2示出了本发明中改进教学优化方法的整体流程。

图3示出了本发明一个实施例中第一组不同场景下的方法求解运行时间。

图4示出了本发明一个实施例中第一组不同场景下的方法求解收敛过程。

图5示出了本发明一个实施例中第二组不同场景下的方法求解运行时间。

图6示出了本发明一个实施例中第二组不同场景下的方法求解收敛过程

具体实施方式

应当指出，各附图中的各组件可能为了图解说明而被夸大地示出，而不一定是比例正确的。在各附图中，给相同或功能相同的组件配备了相同的附图标记。

在本发明中，除非特别指出，“布置在…上”、“布置在…上方”以及“布置在…之上”并未排除二者之间存在中间物的情况。此外，“布置在…上或上方”仅仅表示两个部件之间的相对位置关系，而在一定情况下、如在颠倒产品方向后，也可以转换为“布置在…下或下方”，反之亦然。

在本发明中，各实施例仅仅旨在说明本发明的方案，而不应被理解为限制性的。

在本发明中，除非特别指出，量词“一个”、“一”并未排除多个元素的场景。

在此还应当指出，在本发明的实施例中，为清楚、简单起见，可能示出了仅仅一部分部件或组件，但是本领域的普通技术人员能够理解，在本发明的教导下，可根据具体场景需要添加所需的部件或组件。另外，除非另行说明，本发明的不同实施例中的特征可以相互组合。例如，可以用第二实施例中的某特征替换第一实施例中相对应或功能相同或相似的特征，所得到的实施例同样落入本申请的公开范围或记载范围。

在此还应当指出，在本发明的范围内，“相同”、“相等”、“等于”等措辞并不意味着二者数值绝对相等，而是允许一定的合理误差，也就是说，所述措辞也涵盖了“基本上相同”、“基本上相等”、“基本上等于”。以此类推，在本发明中，表方向的术语“垂直于”、“平行于”等等同样涵盖了“基本上垂直于”、“基本上平行于”的含义。

另外，本发明的各方法的步骤的编号并未限定所述方法步骤的执行顺序。除非特别指出，各方法步骤可以以不同顺序执行。

下面结合具体实施方式参考附图进一步阐述本发明。

通过STK构建仿真场景，以Pleiades星座进行海面监视任务为背景，使用Pleiades-1a、Pleiades-1b、SPOT-6、SPOT-7进行联合对地观测。设置六个仿真场景，随机分布于中国南海海域(109°E～119°E，4°N～22°N)，任务目标数量分别为50、100、150，其中场景1～3使用四颗卫星，场景4～6使用Pleiades-1a和Pleiades-1b两颗卫星。利用STK计算各个场景下卫星与目标的所有可见窗口，生成可见窗口数据。使用C++编写求解方法，仿真环境与求解环境操作系统均为Windos10，处理器为Intel i5-9500，内存8GB。

使用改进遗传方法(IGA)与改进教学优化方法(ITLBO)进行对比实验，根据Mao和Zhang的实验结果设置IGA超参数，将IGA的交叉概率和变异概率分别设置为0.8、0.2，IGA与本方法的种群规模均设定为40，设定种群45次迭代未更新最优解则停止迭代。针对每个仿真场景使用IGA方法和本方法分别运行求解10次，记录其运行求解用时中位值，以及用时中位值一次求解迭代收敛过程。

仿真场景说明

将实验场景分为两组，第一组包括场景S1、S2、S3，第二组包括场景S4、S5、S6。第一组场景中相比于大量待观测的目标，卫星数量相对不足，卫星不同目标可见窗口间的冲突较大如图3所示，在相同问题规模情况下ITLBO求解运行时间大多低于IGA运行时间。由图4分析可得，ITLBO收敛速度更快，随着目标点数量的增加问题规模增大，ITLBO与IGA收敛所需迭代数也相应增加。S1场景下IGA运行时间比ITLBO更短，结合图4可得，方法由于设定在45次迭代都未更新最优解时结束运行，IGA对于S1求解收敛速度过低，在前45次迭代中未更新最优解，方法在只求得局部解情况下退出。从图中可得，ITLBO收敛过程较为平滑且速度更快。

对比图3、图5，方法求解时间受卫星资源数量的影响较小，在目标分布情况相同情况下，卫星资源数量增加虽然增加了可见窗口数量，但同时也降低了任务冲突程度，可行解数量增加，因此运行用时并未大量增加。与第一组实验场景相比，第二组实验场景中可用卫星资源数量更多，可见窗口间对卫星资源的竞争相对较小，对比图4与图6可见任务调度成功率更高。图4和图6中实线表示ITLBO方法，虚线表示IGA方法；图4中由上至下依次为S1-S3场景，图6中由上至下依次为S4-S6场景。

本发明针对多星任务调度规划问题，，基于任务完成率为优化目标，一种基于改进教学优化方法的多星任务调度规划方法。通过实施例中的对比表明，针对不同的任务场景，ITLBO方法任务完成率相较于改进遗传方法时间缩短20％，后续研究将进一步提升方法优化能力，同时在优化目标模型中加入多星在轨运行时的实际约束，提升方法的工程应用价值。