一种面向大区域目标的多星任务规划方法及系统

技术领域

本发明属于任务规划调度领域，尤其是涉及一种面向大区域目标的多星任务规划方法及系统。

背景技术

成像卫星是应用价值最高的航天器之一，随着科学技术的发展，卫星成像技术已经逐渐成熟，但同时对卫星观测任务的需求难度也更高，需求更加多样化，其中主要包括军事战争、灾情救援和环境检测等诸多领域。因此，任务类型从早期的单一点目标观测、小范围条带观测和单点目标往复观测等转变为移动目标观测、大区域目标观测、多区域目标观测等。

大区域目标是指单颗卫星无法有效地利用其幅宽完成观测，需要多颗卫星以协作成像的方式进行覆盖的目标。例如马航MH370事件，21颗卫星共同协作对相关区域监测、搜救。现如今，多星协作已经成为用来完成复杂任务或者大规模任务的一种手段，同时也可以更高程度发挥卫星效能。然而，面对大区域的成像任务需求和有限的卫星资源(资源数量有限、搭载的电池容量和存储容量也有限)时，如何利用尽可能少的卫星资源，高效地完成对区域目标的覆盖，是一个需要解决的问题。

在实际情况中，如图1，由于不同任务的特性不同，所要观测的区域形状、大小均不同，所以卫星条带如何组合才能使得系统收益最大，是十分关键的。同时每颗卫星的偏转角度和开关机时间的不同，也会产生多个条带，观测条带之间会产生多种组合方式，这也将导致问题的计算空间复杂度巨大，具有NP-hard的特性。因此，对于大区域目标的多星任务规划问题，基于多条带拼接的大区域目标覆盖方法是整个规划过程中至关重要的一个技术。另外，传统的方式大多是基于卫星轨迹将区域目标预先分割成数个条带再规划，是一种分段式的任务规划方法，在区域范围广、卫星可见条带多的大区域目标规划场景中不利全局寻优，亟需高性能模型和方法应对大区域目标观测需求。

发明内容

本发明所要解决的技术问题是怎样使用尽可能少的卫星资源，高效地完成对区域目标的覆盖，提出了一种面向大区域目标的多星任务规划方法及系统。

为解决上述技术问题，本发明所采用的技术方案是：

一种面向大区域目标的多星任务规划方法，包括以下步骤：

步骤1：获取区域目标集R，以及卫星资源集S；

步骤2：计算区域目标集R中每一个目标任务r

步骤3：根据所有目标任务的条带集合B，计算区域目标集R中每个区域目标的覆盖率；

步骤4：根据区域目标的覆盖率，构建面向大区域多星调度任务规划模型；

步骤5：对所述面向大区域多星调度任务规划模型进行求解，并输出规划方案。

进一步地，步骤3中计算区域目标集R中每个区域目标的覆盖率的方法是：

步骤3.1：对所述区域目标集R中所有目标所在的区域进行网格化处理，得到网格划分后位于目标区域中的各个网格的坐标；

步骤3.2：根据网格的坐标位置，判断所有存在目标区域的网格是否被条带覆盖，统计得到所有被卫星条带覆盖的网格数目；

步骤3.3：计算每个网格中存在的目标区域面积占目标区域的百分比，得到目标区域覆盖率。

进一步地，步骤4中面向大区域多星调度任务规划模型是：

目标函数为：

Maximize:{f1+max{(f1-β),0}·1/f2} (1)

式(1)中，f1为首要目标函数，最大化任务覆盖率，f2是次要目标函数，是最小化条带使用数量；仅当函数f1的优化目标达到阈值β后，函数f2才会与函数f1同时被优化；

式(2)中，v

式(3)中，

约束条件为：

式(4)表示同一颗卫星在一次过境期间，条带与条带之间的姿态转换关系约束；

式(5)表示必须两个条带同时被选择，条带转换时间才会被考虑；

式(6)表示每颗卫星使用能量上限约束，M

进一步地，步骤2中，计算区域目标集R中每一个目标任务r

步骤2.1：根据每一个任务r

步骤2.2：合并所有任务的所有卫星条带集合，得到大区域目标的条带集合B。

进一步地，对面向大区域多星调度任务规划模型进行求解的方法是深度自适应大邻域搜索算法，具体为：

步骤5.1：随机生成初始种群，将初始种群中的各个体分配给预先定义的各线程作为初始解，同时为各线程输入算法库和算子库以及算法、算子参数；

步骤5.2：设定算法运行时间，每个线程以轮盘赌的方式从算法库中选择一种算法，同时各算法在运行过程中，再以轮盘赌的方式从算子库中挑选算子，各线程根据所选择的算法及算子执行搜索并记录该算法的历史最优解，所述历史最优解是指当前解及历史解中目标函数值最高的解；

步骤5.3：合并各算法的历史最优解形成当前最优解集合；保留当前最优解集合中目标函数值靠前的Num个个体构建当前种群，并计算各算法、算子对当前种群的贡献度，根据贡献度更新各算法、算子被选中的概率；

步骤5.4：将当前种群中的个体随机两两配对，运行交叉算子，获得新种群，根据目标函数值，以轮盘赌的方式为各线程重新分配初始解；

步骤5.5：若满足终止条件，则输出最优个体，所述最优个体是指当前最优解集合中目标函数值最高的解；否则，返回步骤5.2。

进一步地，步骤5.3的具体方法为：

步骤5.3.1：合并各算法记录的历史最优解，得到当前最优解集合；

步骤5.3.2：将当前最优解集合中目标函数值靠前的前Num个个体构建当前种群；

步骤5.3.3：根据各线程搜索过程中解的目标函数值和对应的算法、算子信息，计算各算法、算子对当前种群的贡献度；

步骤5.3.4：根据贡献度将贡献度最低的算法所对应的线程删除。

进一步地，步骤5.3.3中计算各算法、算子对当前种群的贡献度的方法是：

U

式(8)表示将U

进一步地，步骤3.2中计算所有存在目标区域的网格是否被条带覆盖的方法是引射线法。

进一步地，所述引射线法是指：

从网格的某一顶点发出一条射线，若该射线与条带所在的多边形的交点个数为奇数，则该顶点在条带所在的多边形内；

依次判断网格的其他几个顶点是否在条带所在的多边形内，若都在，则网格被条带覆盖。

本发明还提出了一种面向大区域目标的多星任务规划系统，包括以下模块：

输入模块：用于获取区域目标集R，以及卫星资源集S；

条带集合计算模块：用于计算区域目标集R中每一个目标任务r

覆盖率计算模块：用于根据所有目标任务的条带集合B，计算区域目标集R中每个区域目标的覆盖率；

规划模型构建模块：用于根据区域目标的覆盖率，构建面向大区域多星调度任务规划模型；

输出模块：用于对所述面向大区域多星调度任务规划模型进行求解，并输出规划方案。

采用上述技术方案，本发明具有如下有益效果：

本发明提供的一种面向大区域目标的多星任务规划方法及系统，通过将目标区域条带化，得到卫星资源的条带集合。然后将目标区域网格化，找到被条带覆盖的网格集合，计算被网格覆盖的目标区域面积，以最大化条带覆盖目标面积和最小化资源使用情况作为目标，建立规划模型。最后提出了一个深度自适应大邻域搜索算法来解决这一问题。由于规划模型结构简单，可以快速得到以尽可能少的卫星资源对区域目标高覆盖率观测的规划方案。

附图说明

图1为多星观测大区域目标示意图；

图2为本发明系统流程图；

图3大区域目标覆盖率计算过程示意图，(a)为网格划分示意图，(b)为使用卫星条带对网格进行任务规划示意图，(c)为使用引射线法判定网格是否被划分示意图，(d)为条带覆盖区域和没覆盖区域示意图；

图4为本发明深度自适应大邻域搜索算法流程图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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他实施例，都属于本发明保护的范围。

图1至图4给出了本发明一种面向大区域目标的多星任务规划方法的具体实施例，如图2所示，包括以下步骤：

步骤1：获取区域目标集R，以及卫星资源集S；

本实施例中的区域目标集是预处理筛选掉缺省的区域目标。

步骤2：计算区域目标集R中每一个目标任务r

步骤2.1：根据每一个目标任务r

步骤2.2：合并所有任务的所有卫星条带集合，得到大区域目标的条带集合B。

本实施例中，由于大区域目标的形状特征不确定，卫星轨迹的实时变化，同时为了降低算法计算复杂度，提出了基于大区域目标的卫星条带计算方法，将对目标任务的规划转换为对条带的规划。

步骤3：根据所有目标任务的条带集合B，计算区域目标集R中每个区域目标的覆盖率；

本实施例中，在求解大区域目标的多星任务规划问题时，首要需求是满足目标任务的覆盖率，其次是在满足覆盖率的基础上，尽可能少的使用卫星资源。因此，计算大区域目标的覆盖率是一个必要的过程，覆盖率计算方法的优劣直接决定了后续模型和算法的优劣。而现有方法中，大多先采用条带平行分割算法，将大区域目标进行分割，计算每个条带的覆盖率，但这种方法仅能大致计算出每个卫星条带对区域目标条带的覆盖情况，且稳定性较差。因此，为了准确计算出每个大区域目标的覆盖率情况，同时保证后续算法的可行性。本文首先对大区域目标进行网格化处理，之后采用引射线法逐一判断各个网格是否被覆盖，最后统计所有被覆盖网格，计算大区域目标的覆盖率。

步骤3中计算区域目标集R中每个区域目标的覆盖率的方法是：

步骤3.1：对所述区域目标集R中所有目标所在的区域进行网格化处理，得到网格划分后位于目标区域中的各个网格的坐标。如图3(a)所示，对大区域目标集合进行网格化处理，网格粒度大小根据需求准确程度定义，网格方向由地球经纬度走向定义。

步骤3.2：根据网格的坐标位置，判断所有存在目标区域的网格是否被条带覆盖，统计得到所有被卫星条带覆盖的网格数目，如图3(b)所示，使用卫星条带对网格任务进行规划。

本实施例中，如图3(c)所示，判断所有存在目标区域的网格是否被条带覆盖的方法是引射线法。引射线法具体为：

从网格的某一顶点发出一条射线，若该射线与条带所在的多边形的交点个数为奇数，则该顶点在条带所在的多边形内；

依次判断网格的其他几个顶点是否在条带所在的多边形内，若都在，则网格被条带覆盖。

步骤3.3：计算每个网格中存在的目标区域面积占目标区域的百分比，得到目标区域覆盖率，如图3(d)所示，是计算被覆盖区域和没覆盖区域面积。

v

步骤4：根据区域目标的覆盖率，构建面向大区域多星调度任务规划模型。

与传统的卫星调度组合优化模型不同，本申请对面向区域目标全部可见条带统一优化，一体化建模，舍弃传统条带预分割的任务规划模型，不仅降低了模型复杂度，无需考虑时间窗约束，而且相比传统方法更利于全局寻优。同时，本申请设计了基于目标切换的收益函数，更加全面的考虑资源利用和任务需求方面。

在构建面向大区域多星调度的数学模型之前，所做的合理假设如下：

1)在给定大区域目标集合后，不再考虑动态或者不确定因素的影响，即仅讨论静态规划情况；

2)每颗卫星均为敏捷卫星，数传过程不再被考虑；

3)每个大区域目标的位置信息均已知，不存在未知某些位置信息，或者目标存在移动情况。

4)在规划调度过程中不考虑天气或者云层遮挡等意外情况。

面向大区域多星调度任务规划模型是：

目标函数为：

Maximize:{f1+max{(f1-β),0}·1/f2} (1)

式(1)中，f1为首要目标函数，最大化任务覆盖率，f2是次要目标函数，是最小化条带使用数量；仅当函数f1的优化目标达到阈值β后，函数f2才会与函数f1同时被优化；

式(2)中，v

式(3)中，

约束条件为：

式(4)表示同一颗卫星在一次过境期间，条带与条带之间的姿态转换关系约束；

式(5)表示必须两个条带同时被选择，条带转换时间才会被考虑；

式(6)表示每颗卫星使用能量上限约束，M

步骤5：对所述面向大区域多星调度任务规划模型进行求解，并输出规划方案。

本实施例中，对面向大区域多星调度任务规划模型进行求解的方法是深度自适应大邻域搜索算法，如图4所示，具体为：

步骤5.1：随机生成初始种群，将初始种群中的各个体分配给预先定义的各线程作为初始解，同时为各线程输入算法库和算子库以及算法、算子参数。

本实施例中，算法库中的算法包括：1)爬山算法；2)模拟退火算法；3)禁忌搜索算法；3)逾期接受爬山算法；4)禁忌退火算法；5)迭代局部搜索算法，以及前面5种基础算法组成的混合算法。

步骤5.2：设定算法运行时间，每个线程以轮盘赌的方式从算法库中选择一种算法，同时各算法在运行过程中，再以轮盘赌的方式从算子库中挑选算子，各线程根据所选择的算法及算子执行搜索并记录该算法的历史最优解，所述历史最优解是指当前解及历史解中目标函数值最高的解；

步骤5.3：合并各算法的历史最优解形成当前最优解集合；保留当前最优解集合中目标函数值靠前的Num个个体构建当前种群，并计算各算法、算子对当前种群的贡献度，根据贡献度更新各算法、算子被选中的概率；

步骤5.3的具体方法为：

步骤5.3.1：合并各算法记录的历史最优解，得到当前最优解集合；

步骤5.3.2：将当前最优解集合中目标函数值靠前的前Num个个体构建当前种群；

步骤5.3.3：根据各线程搜索过程中解的目标函数值和对应的算法、算子信息，计算各算法、算子对当前种群的贡献度。

本实施例中，贡献度的计算方法是：

U

式(8)表示将U

根据贡献度更新各算法、算子被选中的概率的方法是使用文献“Liu X,LaporteG,Chen Y,et al.An adaptive large neighborhood search metaheuristic for agilesatellite scheduling with time-dependent transition time[J].Computers&Operations Research,2017,86:41-53.”的方法进行更新。

步骤5.3.4：根据贡献度将贡献度最低的算法所对应的线程删除。本实施例种通过将线程集合中历史最优解最差的线程对应的算法，停止这部分线程的运行，加快算法运行速度。

步骤5.4：将当前种群中的个体随机两两配对，运行交叉算子，获得新种群，根据目标函数值，以轮盘赌的方式为各线程重新分配初始解；

步骤5.5：若满足终止条件，则输出最优个体，所述最优个体是指当前最优解集合中目标函数值最高的解；否则，返回步骤5.2。

本实施例中的深度自适应大邻域搜索算法是一种结合局部搜索与进化算法组合优势的自适应算法。常规情况下，局部搜索算法擅长局部优化，但易陷入局部最优，全局优化能力欠缺；进化算法擅长全局优化，但收敛性不足，局部优化能力欠缺。对此，深度自适应大邻域算法对二者取长补短，有机结合，可以表现出综合的优化性能。其次，通过算子库与算法库双重选择，提升了算法自适应能力。在算法运行的过程中，表现优异的算法、算子将被更频繁的使用，反之将被逐步淘汰，算法的综合性能将逐步提升。多个算子同时作用，有利于算法寻找最优解。常规自适应大邻域算法仅仅设计几种常规算子，在算法搜索过程中，若陷入局部最优，很难跳出。因此，深度自适应大邻域算法设计多种搜索范围不同的算子，互为补充，提高算法寻优能力。本实施例中以线程为计算模块，以算法库、算子库封装算法和算子，有利于进一步的拓展和改进。根据电脑配置和计算要求，容易地增加和修改计算线程，提升算法算力。同时面对不同问题，问题特征多样的情况，可以灵活地向算法、算子库拓展增加新的算法和算子。本实施例充分考虑任务时效性和收益性，设计了深度自适应大邻域搜索算法。在算法内部，建立局部搜索算法库和算子库，根据问题特征，算法自适应筛选邻域算子和局部搜索算法，有效的对问题进行求解，降低了算法的求解时间，提高了算法的求解性能。

由于本实施例中是以最大化覆盖率和最小化条带使用数量，节省卫星资源，因此面向复杂观测任务，利用多星协同观测方式，将大区域目标的多星协同观测问题划分为大区域目标分解和任务规划两阶段问题，解决了大区域目标的观测需求，实现对大区域目标覆盖率95％以上，满足了用户对大区域目标一体化规划与优化需求。

区别于传统计算方法，建立了大区域目标的划分方法，将大区域目标进行网格离散化，计算每个单元格存在的目标区域，并利用引射线法，有效地处理了区域覆盖率判定问题。突破了传统的基于条带预分割的区域目标规划方法，构建了一体化模型。从以任务为导向转变为以卫星条带为导向，大大缩减了时间窗口的约束检查过程，降低了模型的复杂度，同时采取目标切换、综合考虑覆盖率和资源利用率的收益函数，目的是在保证覆盖率的前提下，降低卫星资源的消耗，提高卫星的使用率。

本发明还提供了一种面向大区域目标的多星任务规划系统，包括以下模块：

输入模块：用于获取区域目标集R，以及卫星资源集S；

条带集合计算模块：用于计算区域目标集R中每一个目标任务r

覆盖率计算模块：用于根据所有目标任务的条带集合B，计算区域目标集R中每个区域目标的覆盖率；

规划模型构建模块：用于根据区域目标的覆盖率，构建面向大区域多星调度任务规划模型；

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。