基于遗传算法的TT&C测控资源优化调度(英文)

TT&C测控资源调度是一个涉及卫星、测控站以及调度准则等多方面因素的复杂优化问题。针对这一优化问题,根据测控调度的一般原则和优化准则,建立了相应的优化模型,并给出了基于遗传算法求解该问题的方法和步骤;最后,通过两个示例分析,演示验证了该方法对于解决一般测控调度问题的有效性。

带局部交互的多星TT&C调度合作协同进化

针对现有合作协同进化机制较少利用局部协同信息的问题,通过对多星TT&C资源调度的合作协同进化求解进行改进,在全局协同的基础上加强局部交互,为每个个体设定一个表明其与所有相邻子种群合作效果的进化性能指标——局部交互值,将该值作为选择操作中衡量个体优劣的尺度之一,以局部交互值与各子适应度之和的差值决定个体变异率,使变异具有自适应性,从而减少由子种群代表个体选择的非全局性造成的优秀个体丢失现象。仿真实验结果表明该方法能较好地提高求解质量。

航天TT&C调度的拉格朗日松弛策略

根据航天遥测、跟踪和指挥(TT&C)调度的测控需求,建立航天测控调度问题的0-1整数规划模型,运用(λ,ν)、(μ,ν)和(λ,μ)3种策略对模型中的约束进行松弛,通过次梯度优化算法求得每种松弛问题的上界。利用2个场景验证上界(目标函数值)的有效性,调度结果表明,3种松弛策略中以次梯度优化算法得到的上界差别最小。

基于改进蚁群算法的TT&C资源配置方法

研究了航天测控网资源配置问题,它是在航天器-地面站有限的时间窗口内对航天器的测控任务进行合理的配置,给每个任务分配一个开始执行时间,在给定的调度时间下,使得任务完成的目标值最大。将引入了杂交算子的蚁群算法来求解该问题,合理地构造了与问题相适应的杂交算子和杂交段。具体的仿真实例表明,在相同的约束条件下该算法总是能最大化地完成任务,并且求得的目标值也有很大的改进。

面向卫星常规测控任务的地面站资源调度

卫星测控任务的地面站资源调度问题是在特定的时间和约束条件下,根据卫星的常规任务要求,为卫星分配相应的地面站资源,从而得到能够满足卫星任务要求的资源分配和调度方案。基于实际应用,分析卫星测控任务的调度问题,考虑资源调度过程中涉及的卫星时间约束和资源约束,建立卫星测控任务中地面站资源调度的数学模型。设计2个阶段遗传算法,第一阶段选择卫星执行任务的圈数,第二阶段选择任务弧段,逐步减小搜索的解空间。仿真研究结果表明,2个阶段遗传算法能够较好地解决多卫星多约束的测控资源调度问题。

卫星测控资源调度CSP模型研究

对卫星测控调度问题的建模技术进行了研究,分析了问题的特点。首先对场景、需求和任务进行了形式化建模;然后针对测控调度问题中涉及的资源、时间、关系等主要约束类型进行了分析和模型描述,并按照不同类型的测控需求确定了测控调度的目标函数;最后在此基础上建立了问题的约束满足问题(constraint satisfied problem,CSP)模型,并针对模型进行了求解方法研究。

带预估选择的Memetic算法求解多星测控资源调度问题

针对当前多星航天测控资源调度系统模型描述复杂、求解算法不适合大型算例的问题,利用系统约束条件的二元化特点建立了多星测控资源调度系统在一类特殊图上的最大独立集模型,进而针对该模型解空间结构多峰密布、欺骗性强的问题,提出了一种带预估选择机制的改进型Memetic算法.在分析交叉操作可达域的基础上,设计了一种能快速预估交叉操作最大收益的预估算子,通过预估运算,每个个体从几个待选交叉对象中可选择出最有利的一个对象,以在有希望区域间实现搜索的转移.大型Benchmark算例上的仿真结果表明,所提预估选择机制能减弱原模型欺骗性的影响,使Memetic算法的性能平均提高了17%.

卫星地面站测控资源调度CSP模型

研究了测控系统资源调度问题的描述与建模问题。在系统阐述综合航天测控网资源调度中涉及的资源、任务、事件、约束基础上,使用变结构半环CSP模型,描述测控调度中涉及的事件窗、时间约束、状态约束、周期性任务、抢先式任务、变长任务等硬、软约束,提出处理任务优先级和不确定性因素的途径。提出的模型对测控系统效能评价及资源调度算法研究也有一定的参考价值。

地面资源保障航天测运控任务质量评价指标体系构建

针对目前航天测运控任务完成质量评价主要集中在设备运行质量、资源调度能力评估等方面,缺乏从用户申请提交到执行效果反馈的全过程闭环评价问题,区分地面资源完成测控、数传两类任务质量情况,从设备跟踪任务质量情况、资源调度系统保障用户资源使用需求情况、用户对执行效果反馈及自身行为评价3个环节构建分类分层的评价指标体系。采用1-9标度法确立指标权重,研究对不同类型任务完成质量的综合评价,并利用实例验证所构建指标体系的可行性。为标准化、精细化评价地面资源保障航天测运控任务质量提供理论依据,并给出质量改进相关参考建议。

大型星座混合模拟退火遗传算法测控任务规划

提出了一种基于拥挤度的混合模拟退火多层编码遗传算法,用于解决大型星座的测控任务规划问题。首先,建立了大型星座测控问题的约束满足模型,对任务规划过程中的各种约束条件和优化目标进行了形式化描述。第二,采用多层编码的方法建立测控方案与解空间的对应关系,并采用遗传算法的启发式方法进行全局搜索。第三,为了增加种群的多样性并加快收敛速度,在每代进化结束后对种群中最优的部分个体进行基于拥挤度的模拟退火。超180颗卫星,32个地面测控天线的真实大型星座测控任务规划试验表明,基于拥挤度的混合模拟退火遗传算法的任务完成率高达99%,归一化综合收益大于0.9,算法运行时间小于15 min,验证了该方法具备工程实用价值。

基于DQN的异构测控资源联合调度方法

以异构测控网资源联合调度为研究对象,提出一种基于强化学习的深度Q网络(deep Q network, DQN)算法。在充分分析异构测控资源联合调度问题特点后,用数学语言对影响问题求解的约束条件进行描述,建立了资源联合调度模型;从应用强化学习解决问题的角度,对求解的问题进行马尔科夫决策过程描述后,分别设计了2个结构相同的神经网络和基于ε贪婪算法的动作选择策略,并建立了DQN求解框架。仿真结果表明:基于DQN的异构测控资源调度方法较遗传算法能够找到调度收益更优的测控调度方案。

基于多智能体深度强化学习的测运控一体化资源调度方法

随着卫星通信技术的发展,星座规模的不断扩大,测运控一体化成为主流趋势。星座规模大、调度对象多、复杂操作联合控制给卫星网络测运控一体化资源调度带来巨大的挑战。受制于调度算法求解效率低、约束复杂等问题,传统的测运控资源调度技术采用提前上注测控指令,按照固定部署执行任务,难以满足突发事件与紧急任务的调度需求。因此,提出一种基于多智能体演员-评判家确定性策略梯度算法的测运控一体化资源调度方法,采用集中式训练和分布式执行的方法,建立测运控一体化任务的多智能体模型,通过分析邻居智能体局部信息计算调度策略,提高任务的响应速度。依据测运控一体化资源调度问题中的模型和约束,选择影响意义大、可解释的约束,建立多智能体资源调度强化学习模型,并进行仿真测试。测试结果显示,该方法的任务收益较传统方法提高22%。

卫星网络测控资源鲁棒调度方法

卫星网络规模的持续增长为测控资源的有效调度带来了巨大挑战。受到天气等因素的影响,星地链路性能具有较强的不确定性。为了兼顾资源利用率与任务可靠性,提出一种鲁棒的测控资源调度方法。该方法可基于预测得到的星地链路信道状态分布与规划周期内的任务分布情况为测控任务安排传输窗口的开始时间与持续时长,并通过反向迭代的方式对资源分配方案进行优化从而最大化任务期望收益值。实验结果表明,与传统的非鲁棒调度方法相比,所提调度方法在不同信道分布下都能取得良好的任务收益,实现资源利用率与任务可靠性的有效提高。

复杂真实约束条件下的多星测控资源调度

测控资源调度是卫星调度研究领域的关键问题之一,其在多星条件下面临着因约束信息来源不同、结构差异大、表达模糊而难以建立统一的约束模型,以及求调度问题的最优解是NP-hard的且不易得到较优解的问题。为此,首先将多星测控问题表达为组合优化模型,再将复杂的约束信息归纳为一套约束,最后提出了一种双层并行约束匹配算法求解问题。与用户现有算法对比,所提算法的周期测控调度成功率提升了9%左右,且可以处理更多约束信息类型。

一种基于ES法的卫星测控资源调度仿真及实现

针对陆基测控网“星多站少”而导致测控设备与航天器测控冲突问题,以中低轨道航天器作为研究对象,应用离散事件系统中的事件调度(ES)法对陆基测控资源调度问题进行了研究,提出了解决测控冲突的技术途径,确定了测控弧段优先级及量化方法。同时根据陆基测控网实际和航天器测控需求,抽象出排除测控冲突的数学模型以及在计算机上可实现的实用算法,最后应用模糊综合评价法对仿真结果满意度进行了评估。该测控资源调度方法已成功地应用于航天工程实践,达到了陆基测控网资源的合理分配。

基于深度神经网络的多星测控调度方法

卫星规模的急剧扩大给传统多星测控调度方法带来了巨大挑战。传统调度方法面临调度时间长、任务满足度低等问题,难以适应大规模卫星调度。为此,引入了支持大数据和并行计算且具有自主学习特性的深度神经网络(DNN)算法,提出了一种基于DNN的多星测控资源调度方法。根据多星测控资源调度的特点以及DNN算法的要求,对调度过程中影响调度结果的相关实体和约束等信息进行特性分析,选择对调度结果有较大影响的属性或约束,离散化处理后作为DNN的特征值。在此基础之上通过预处理将测控任务与测控资源间的全匹配缩减为有效匹配,减小求解空间,降低DNN的特征维度以及训练难度。然后基于抽取的特征值及调度特性构建DNN模型,并通过大量历史调度数据完成对该DNN模型的训练。最后经试验表明,DNN调度方法的任务满足度达到99%,且通过特征降维后,算法的运行时间缩减了83%,验证了算法的可行性和高效性。

基于蚁群优化-模拟退火的天地测控资源联合调度

研究了一类约束条件复杂、具有多时间窗口特性的天地测控资源联合调度问题。建立了涵盖多种约束的问题数学模型和基于测控弧段时间序的无圈有向图模型,提出了一种蚁群优化-模拟退火算法(ACO-SA)求解问题。探讨了两种算法的融合策略,完成了包括状态转移规则、可行解生成策略、信息素更新准则、邻域结构、快速退火计划等关键技术的设计实现。多个算例仿真和结果分析表明,测控弧段时间序能保证ACO-SA得到高质量的优化结果,模拟退火机制能有效提高蚁群优化算法的收敛速度和求解质量,相比于基本遗传算法和先到先服务算法,ACO-SA能得到质量更好的解。

天地测控资源一体化调度模型

测控资源的天地一体化调度是一个具有多时间窗口、长时间窗口等复杂约束的优化问题。借鉴低轨卫星测控调度任务需求描述方式,在对中高轨卫星的轨道测量和轨道保持等需求进行分析的基础上,给出了适于调度算法设计的高中低轨任务需求规范化描述;针对天基和地基测控资源的测控特点,以卫星任务需求加权满足率最大为目标,建立了天地资源的一体化调度模型;并设计了基于遗传算法的调度策略。仿真表明,所建模型和算法是可行的。

大规模测控资源规划问题的改进遗传算法研究

随着航天任务的增多,测控资源越来越有限,传统的调度算法在问题规模变大时容易产生组合爆炸问题。本文通过对遗传算子的改进,设计了能够求解大规模任务规划调度问题的改进算法,仿真结果表明,算法能够在合理的时间内找到已知最优解。

基于混合蚁群优化的天地一体化调度方法

天地测控资源一体化调度问题是一个典型的大规模组合优化问题,优化过程极其复杂,采用单一优化机制的传统蚁群算法求解这类问题时,存在求解效率低且求解性能差的缺陷。鉴于此,提出了采用两种不同融合策略的新型遗传-蚁群优化方法(genetic-ant colony optimization hybrid algorithm,GA-ACO)求解问题。该方法利用遗传算法的快速搜索、群体性能等优势生成初始蚁群信息素分布,提高了蚁群算法由于运行初期信息素更新较慢导致的较低求解效率和后期早熟引起的较差求解质量。仿真结果表明,相比于基本蚁群算法和遗传算法,混合蚁群算法的寻优性能更好,求解效率更高,更适合解决天地测控资源一体化调度问题。