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。

基于改进遗传算法的多类测控资源调度方法

为了研究一类利用不同测控(telemetry,track and command,TT&C)网联合执行TT&C任务的多类TT&C资源联合调度问题,首先对国有和商业TT&C网的不同特点进行归纳总结。其次,对问题中的约束条件进行分析和规范化描述,并在满足所选约束的前提下,建立问题的数学模型。进而根据问题特点,以遗传算法为基础,通过设计适当的编码方法和交叉、变异算子以及约束冲突处理方法,提出一种改进遗传算法。最后,实例仿真表明,引入的多类TT&C资源联合调度方法较传统未引入联合调度的方法能有效提高TT&C资源利用效率,证明了所提算法求解此类TT&C调度问题具有较好的性能。

引入微元法思想的混合测控资源联合调度方法

针对混合测控资源联合调度中存在的资源属性繁多、偏好差异大以及可能出现的调度弧段冲突等问题,借鉴单体制测控网调度研究中的任务需求描述方法,对混合测控任务需求的特点进行分析,给出其任务需求的规范化描述。以测控调度收益值最大为目标,建立混合资源联合调度模型;引入微元法思想,提出了可用弧段扩展复用方法,以此为基础提出了基于改进遗传算法的求解策略。仿真结果表明:所建模型和相应的解冲突算法能有效提高测控需求满足率和测控收益。