Agile Satellite Mission Planning via Task Clustering and Double-Layer Tabu Algorithm

Satellite observation schedule is investigated in this paper.A mission planning algorithm of task clustering is proposed to improve the observation efficiency of agile satellite.The newly developed method can make the satellite observe more targets and therefore save observation resources.First,for the densely distributed target points,a preprocessing scheme based on task clustering is proposed.The target points are clustered according to the distance condition.Second,the local observation path is generated by Tabu algorithm in the inner layer of cluster regions.Third,considering the scatter and cluster sets,the global observation path is obtained by adopting Tabu algorithm in the outer layer.Simulation results show that the algorithm can effectively reduce the task planning time of large-scale point targets while ensuring the optimal solution quality.

Observation scheduling problem for AEOS with a comprehensive task clustering

Considering the flexible attitude maneuver and the narrow field of view of agile Earth observation satellite(AEOS)together,a comprehensive task clustering(CTC)is proposed to improve the observation scheduling problem for AEOS(OSPFAS).Since the observation scheduling problem for AEOS with comprehensive task clustering(OSWCTC)is a dynamic combination optimization problem,two optimization objectives,the loss rate(LR)of the image quality and the energy consumption(EC),are proposed to format OSWCTC as a bi-objective optimization model.Harnessing the power of an adaptive large neighborhood search(ALNS)algorithm with a nondominated sorting genetic algorithm II(NSGA-II),a bi-objective optimization algorithm,ALNS+NSGA-II,is developed to solve OSWCTC.Based on the existing instances,the efficiency of ALNS+NSGA-II is analyzed from several aspects,meanwhile,results of extensive computational experiments are presented which disclose that OSPFAS considering CTC produces superior outcomes.

Energy Optimization Oriented Three-Way Clustering Algorithm for Cloud Tasks

Cloud computing has developed as an important information technology paradigm which can provide on-demand services. Meanwhile,its energy consumption problem has attracted a grow-ing attention both from academic and industrial communities. In this paper,from the perspective of cloud tasks,the relationship between cloud tasks and cloud platform energy consumption is established and analyzed on the basis of the multidimensional attributes of cloud tasks. Furthermore,a three-way clustering algorithm of cloud tasks is proposed for saving energy. In the algorithm,f irst,t he cloud tasks are classified into three categories according to the content properties of the cloud tasks and resources respectively. Next,cloud tasks and cloud resources are clustered according to their computation characteristics（ e. g. computation-intensive,data-intensive）. Subsequently,greedy scheduling is performed. The simulation results showthat the proposed algorithm can significantly reduce the energy cost and improve resources utilization,compared with the general greedy scheduling algorithm.

Clustering and Scheduling Method Based on Task Duplication

A new heuristic approach that resembles the evolution of interpersonal relationships in human society is put forward for the problem of scheduling multitasks represented by a directed acyclic graph. The algorithm includes dynamic-group, detachgraph and front-sink components. The priority rules used are new. Relationship number, potentiality, weight and merge degree are defined for cluster＇s priority, and task potentiality for tasks＇ priority. Experiments show the algorithm could get good result in short time. The algorithm produces another optimal solution for the classic MJD benchmark. Its average performance is better than five latter-day representative algorithms, especially six benchmarks of the nines.

面向缓存的动态协作任务迁移技术研究

边缘网络中不断出现的计算密集和延迟敏感型业务推动了任务迁移技术的快速发展。然而,任务迁移过程中存在应用场景复杂多变、问题建模难度高等技术瓶颈。尤其是考虑用户移动时,如何保证用户服务的稳定性和连续性,设计合理的任务迁移策略仍是一个值得深入探讨的问题。因此,提出了一种移动感知的服务预缓存模型和任务预迁移策略,将任务迁移问题转化为最优分簇与边缘服务预缓存的组合优化问题。首先,基于用户的移动轨迹对当前执行任务状态进行预测,引入动态协作簇和迁移预测半径的概念,提出了一种面向移动和负载两种任务场景的预迁移模型,解决了何时何地迁移的问题。然后,针对需要迁移的任务,基于最大容忍时延约束分析协作簇半径和簇内目标服务器数量的极限值,提出了以用户为中心的分布式多服务器间动态协作分簇算法(Distributed Dynamic Multi-server Cooperative Clustering Algorithm,DDMC)以及面向服务缓存的深度强化学习算法(Cache Based Double Deep Q Network,C-DDQN),解决了最优分簇和服务缓存问题。最后,利用服务缓存的因果关系,设计了一种低复杂度的交替最小化服务缓存位置更新算法,求解出了最佳迁移目标服务器集合,实现了任务迁移中的服务器协作及网络负载均衡。实验结果表明,提出的迁移选择算法具有良好的鲁棒性和系统性能,相比其他迁移算法所消耗的总成本降低了至少12.06%,所消耗的总时延降低了至少31.92%。

边缘辅助群智感知位置隐私保护多任务分配机制

为了解决群智感知中隐私泄露和多任务分配的问题,提出了一种边缘辅助群智感知位置隐私保护(EALP)多任务分配机制。首先,考虑群感知任务具有地理相近特征,利用改进的模糊聚类(FCM)算法对任务位置进行聚类组合,改进聚类数目指标,提高多任务分配的合理性。接着,为了防止云平台和感知用户之间的共谋,在任务分配阶段,提出一种位置隐私保护协议,在感知用户、云服务器和边缘节点之间部署同态加密,云感知平台能够安全地计算感知用户的移动距离,而不知道感知用户的位置和任务聚类中心位置。最后,提出了一种基于蚁群算法多任务分配优化方案,兼顾平台和感知用户两者利益,优化感知用户执行任务路径。实验结果表明,与同类方法相比,所提机制在保护位置隐私的前提下提高了任务完成率,降低了系统的感知成本和用户移动成本。

面向任务的无人飞行器自组网OLSR协议

无人飞行器(unmanned aerial vehicle,UAV)自组网的路由研究多以性能指标出发、忽略无人飞行器网络的任务驱动性,与实际需求动态耦合弱、适用性不强。针对该问题基于无人飞行器多任务网络提出了面向任务的无人飞行器联盟组网架构,提出了无人飞行器联盟的任务自适应优化链路状态路由协议(task adaptive optimized link state routing,TA-OLSR)。基于模糊逻辑设计拓扑稳定度计算方法,利用拓扑稳定度实现TA-OLSR控制消息的自适应广播,同时结合稳定度设计新的多点中继选择策略。仿真结果表明,TA-OLSR算法能从宏观面向任务的角度出发,实现不同任务下的良好自适应性,提升数据包投递率,减少冗余信息传播,降低网络开销,有效提高整体网络性能。

多机任务分配与路径规划协同优化法研究

针对多无人机执行多目标协同侦察的任务需求,提出了多机多目标任务分配与路径规划的协同优化方法。以单亲遗传算法(partheno genetic algorithms,PGA)为基础,基于Dubins曲线构建了与实际路径代价相结合的代价函数;为进一步减小计算量,提出了基于无人机探测距离的聚类算法,将生成的聚类点作为无人机新的航路点。仿真结果表明:在考虑禁飞区域以及侦察点繁多情况下,该算法能够有效完成无人机的侦察任务分配并同时形成初步航路,提高了任务分配的合理性和收敛速度,并降低了全局代价。

新课标指导下语文阅读策略单元文本解读初探

2022版《义务教育语文课程标准》的颁布是语文教学改革的一个里程碑,它以发展学生的核心素养为根本目标,打破原有的教学方式和学习方式,从原来的线性学习转变为结构化学习。阅读策略单元是部编版教材新开发的教学内容,在新课标理念的指导下,从教材编写体例和内容入手,深入剖析文本,可为一线教学提供可参考、有价值的启发,让阅读策略单元的功能发挥到最大化。

基于TTNT数据链多址接入协议的多机协同任务调度方法

为提高无人机蜂群作战中无人机信息交互、资源共享和任务协同的能力,文章基于TTNT数据链SPMA协议,设计高动态变化拓扑下的分层分簇无人机蜂群模型和与之匹配的层次资源与任务调度模型,并对其消息传输进行优化。通过OMNeT++仿真平台,以TTNT数据链中的数据传输标准对信息端到端时延和网络吞吐量进行不同机间传输距离下的对比仿真实验。其结果表明,该方法满足SPMA协议对于消息传输时延的要求,并且引入SPMA协议后可以有效减少网络数据传输冲突,提高了系统约18%的网络吞吐量,提升了无人机信息交互、资源共享和协同作战的能力,对实际无人机蜂群协同任务调度研究具有可参考性。

多中心无人机集群维修保障任务分配优化研究

针对多中心无人机集群维修保障任务分配问题,分析无人机集群维修保障任务的约束条件,以最小化无人机等待时间、保障人员的等待时间为目标函数,并考虑保障人员的工作公平性建立无人机集群维修保障任务分配模型,通过人工蜂群算法进行优化求解。算例表明:模型与以飞行距离最短为目标的先到先服务模型相比,无人机准备时长减少了0.8%,保障人员等待时长减少了21.0%,保障总时长减少了4.3%,提高了无人机维修保障的敏捷性,实现了人员工作的均衡分布,验证了模型和算法的可行性。

基于PPO的异构UUV集群任务分配算法

无人水下航行器(Unmanned Underwater Vehicle,UUV)集群的任务分配问题是UUV集群形成水下功能的重要问题之一,但是,受限于通信以及探测能力,UUV在水下只能获取有限的信息,不能得到很好的应用。提出一种基于深度强化学习的任务分配算法,针对水下信息缺失、奖励稀少的问题,在近端策略优化算法的基础上加入Curiosity模块,给智能体一种减小环境中不确定性的期望,鼓励UUV探索环境中不可预测的部分,实现UUV集群的最优任务分配。最后的仿真实验表明,相较于传统智能算法,该方法收敛更快,可靠性更强。

面向异构信号处理平台的混合优化调度算法

针对异构信号处理平台中通信密集型任务并行复杂度高、通信延迟大等问题,提出了一种基于二阶聚簇和任务复制的混合优化调度算法。该算法对经典调度算法中任务最早开始时间的计算方法进行改进;通过改进传统聚簇方法,有效避免了任务的重复聚簇;结合任务复制连锁效应,设计了基于关键前驱节点的多任务复制方法;利用二阶聚簇法进一步减小调度长度,同时解决了处理器资源浪费的问题。通过随机生成的有向无环图进行仿真实验,结果表明,该算法在通信量较大的情况下具有更小的调度长度和更大的加速比,对于通信密集型任务具有良好的调度结果。

电力物联网中基于聚类的任务卸载在线优化方法

随着电力物联网(electric Internet of Things,eIoT)技术的快速发展,海量电力设备在网络边缘环境中产生了丰富的数据。移动边缘计算(Mobile Edge Computing,MEC)技术在靠近终端设备的位置部署边缘代理可以有效减少数据处理延迟,这使其非常适用于延迟敏感的电力物联网场景。然而,目前的大多数研究没有考虑到部分边缘终端设备也可以作为代理设备提供计算服务,造成了资源浪费。为了充分利用移动边缘计算过程中边缘代理以及边缘终端设备的计算能力,提出了一种基于设备聚类的任务卸载方案。首先,基于分层DBSCAN(hierarchical density-based spatial clustering of applications with noise)算法,对系统中的静态和动态边缘设备进行聚类。其次,将任务卸载问题建模为多臂老虎机(Multi-Armed Bandits,MAB)模型,目标为最小化卸载延迟。再次,提出了一种基于自适应置信上限算法的算法来寻找簇内与簇间的卸载策略。最后,仿真结果表明,该方案在平均延迟方面表现出了更好的性能,并且设备簇的存活时间延长了10%~20%。

多UUV集群协同作业技术研究现状及发展趋势分析

与单体UUV相比,多UUV集群具有低成本、高容错、高效率和可重构等优点,将会是未来海洋作业任务的趋势。针对多UUV集群协同作业技术梳理了国内外的研究成果,重点对编队控制、任务规划、协调路径规划和目标搜索等领域的协同作业技术进行分析介绍,最后对多UUV集群协同作业的现状进行总结和展望,为今后的UUV集群协同作业技术的发展提供参考和思路。

基于飞行时间差的异构反舰导弹任务分配研究

在异构反舰导弹集群的任务分配这一研究背景下,针对导弹集群打击敌方水面舰艇的任务分配这一问题,提出了一种基于时间协同的任务分配策略。根据导弹基本作战原则以及导弹作战态势信息,提出了时间协同优势函数,并改进距离与速度优势函数,形成综合优势函数。在反舰作战对抗环境下,建立了一种反舰导弹动态任务分配模型,并提出了在线分配算法求解任务分配模型,最后通过仿真案例验证模型的有效性。

智能仓储多机器人动态任务分配方法

针对智能仓储系统中多机器人任务分配方法进行研究,根据智能仓储中物流任务数量庞大且实时新增的动态特点,创新地提出了一种总体分配并根据当前工况实时插入的动态任务分配方法,将一定时间阈值内的物流任务集合利用综合时间代价、路径代价、空载代价和任务均衡度代价的自适应多层编码遗传算法进行任务整体规划,为智能仓储系统中每个机器人分配需执行的物流任务序列及执行顺序。任务执行过程中,各机器人通过对当前自身剩余任务量成本及插入实时任务后路径成本的判断,在不影响当前任务完成总时间的情况下,对下一时间阈值内产生的实时物流任务是否插入当前执行任务序列展开竞争,实现任务的实时插入,未被实时插入的物流任务则等待下一次总体分配。实验结果表明,该方法能在缩短系统运行总时间和总路程的基础上,极大的降低机器人无任务空载等待的时间,提高系统运行效率。

基于可信工人路径规划的声望检验算法

针对工人自选择任务模式下无法确定路径规划算法工人可信度的问题,提出了基于可信工人路径规划的声望检验算法。首先,根据欧氏距离与区域限制对任务进行k均值聚类,缩小可信工人候选任务集,从而降低路径规划算法的时间复杂度;其次,提出了利用权值k对可信工人路径优化的算法,该算法综合考虑可检验工人数量、距离成本和截止时间计算任务权值,基于任务权值最大化寻找最佳插入位置来建立和更新可信工人的执行路径;最后,通过采用抽查检验的方式对可信工人与普通工人提交数据对比的结果来建立工人声望模型,该模型使用了可信性、不可信性和不确定性三个参数的期望值来描述工人的可靠性。在模拟数据集和gMission真实数据集上对声望检验算法进行实验,结果表明提出的声望校验算法数据采集质量提升13%,路径规划算法在保证抽查质量的基础上,可信工人的旅行成本降低11%。

MAV/UAV task coalition phased-formation method

The formation of the manned aerial vehicle/unmanned aerial vehicle(MAV/UAV) task coalition is considered. To reduce the scale of the problem, the formation progress is divided into three phases. For the task clustering phase, the geographical position of tasks is taken into consideration and a cluster method is proposed. For the UAV allocation phase, the UAV requirement for both constrained and unconstrained resources is introduced, and a multi-objective optimal algorithm is proposed to solve the allocation problem. For the MAV allocation phase, the optimal model is firstly constructed and it is decomposed according to the ideal of greed to reduce the time complexity of the algorithm. Based on the above phases, the MAV/UAV task coalition formation method is proposed and the effectiveness and practicability are demonstrated by simulation examples.

面向异构复合任务的无人集群动态重叠联盟任务分配方法

智能无人集群由于其平台特性的多样性,具备较好的资源调配空间和功能弹性,能够应对复杂多变的任务需求。现有研究大多未考虑任务的异构性和关联性等实际需求,其任务分配方法在需求和资源的适配性、集群协同的动态响应能力上存在不足。文章针对无人集群系统在遂行多目标任务过程中存在的任务分配不均、协同性差和动态适应性差等问题,提出了面向异构复合任务的动态响应重叠联盟任务分配架构。首先,综合考虑多个耦合异构任务的价值、优先级、需求和任务变化带来的影响来构建联盟博弈模型;然后设计算法,分布式协同调度不同无人集群(无人机和无人车)的资源,实现集群异构成员的资源与异构任务合理匹配,并能根据任务变化情况进行高效的动态调整。仿真结果表明,文章提出的算法能够适应动态任务场景,形成稳定高效的任务联盟和资源分配方案,提高了无人集群遂行多样化异构任务的系统收益和成功率,实现了无人集群系统在动态条件下的协同任务分配优化。