基于解构造图的卫星数传调度ACO算法

针对卫星数传调度问题,建立了基于任务调度关系(弧模式)和基于任务调度位置(结点模式)的解构造图,提出了基于解构造图的卫星数传调度蚁群优化(ant colony optimization,ACO)算法。算法利用伪随机概率转移规则进行路径搜索,通过划分冲突任务集来限制蚁群的搜索邻域。算法根据迭代最优解和至今最优解进行全局信息素更新,并将构造图中的信息素浓度限制在一定范围内。仿真结果表明,文中提出的两种解构造图及ACO算法是正确可行的,基于结点模式解构造图的ACO算法能获得更优的解。

基于解构造图拆分的并行蚁群算法

应用蚁群优化算法求解复杂大规模多阶段决策问题时,其计算量会随着阶段数和各阶段离散化容许决策集合规模的增加成指数增长,造成无法在单PC中进行计算.针对这一问题,提出了基于解构造图拆分的并行蚁群算法.该算法通过应用并行计算技术,将解构造图拆分成若干块,把每一块的计算任务放置在不同的PC上并行执行,互相合作完成整个计算任务.经实验验证,这种算法可以快速有效地进行问题的求解.

蚁群算法在卫星数传调度问题中的应用

为求解卫星数传调度问题,将数传任务在调度序列中的可能位置抽象为结点,构造了信息素分布于结点的矩阵解构造图,提出了基于该图的蚁群算法.算法通过随机转移概率决策模型进行结点转移,在算法迭代中利用精英保留策略进行全局信息素更新.仿真结果表明,基于矩阵解构造图的蚁群算法是求解卫星数传调度问题的有效方法,并具有较好的收敛性和鲁棒性.

卫星数传调度的蚁群优化模型及算法

针对卫星数传调度问题,提出了基于任务-资源关联结点的新型解构造图模型,人工蚁群通过任务边和资源弧分阶段进行任务调度序列和资源分配序列构造,设计了任务调度和资源分配启发式信息,以增强蚁群在伪随机状态转移过程中的搜索能力。通过局部信息素更新防止算法陷入局部最优,利用全局信息素更新的信息素正反馈机制使算法逐渐收敛到全局最优。仿真结果表明,新型解构造图反映了任务与资源之间的密切联系,分阶段状态转移策略和启发式信息的利用有助于增强算法的寻优能力,算法正确可行,并具有良好的收敛性、鲁棒性。

基于不同信息素更新策略的卫星数传调度蚁群优化算法

针对具有时间窗口和数传资源限制卫星数传调度问题,提出了基于解构造图模型的蚁群优化算法。借鉴精英机制,设计了绝对精英策略、相对精英策略、收益精英策略和对等精英策略等四种信息素更新策略。通过对不同规模场景的仿真试验,验证了基于不同信息素更新策略的蚁群算法是求解卫星数传调度问题的有效途径。基于信息素平衡思想的相对精英策略、收益精英策略和对等精英策略相对于绝对精英策略而言,能够避免算法过早陷入局部最优或出现退化行为,在规模较大的场景中能够收敛到比绝对精英策略更优的解。在小规模场景中,相对精英策略和收益精英策略所得解最好,而在大规模场景中对等精英策略所得解最好。