一种求解天文卫星短期任务规划的方法及系统

1.本发明涉及天文卫星任务规划技术领域，特别涉及一种求解天文卫星短期任务规划的方法及系统。


背景技术：

2.天文卫星短期任务规划问题是一个复杂的多约束、多目标优化问题，但这也是每颗天文卫星所面临的关键技术问题，是实现科学目标并使科学产出最大化的一个重要的手段。目前我国在天文卫星任务规划中所使用的规划算法通常是具体任务具体设计，本发明也是针对我国目前某颗在研的空间科学天文卫星的短期规划任务所设计。
3.短期规划相比其他类型的规划需要考虑的因素比较多，使用的模型精度更高。例如太阳、月球星体的轨道计算模型，卫星轨道计算模型，过南大西洋异常区时段模型，数传机会计算模型等。短期规划要求在未来较短一段时间内安排更具体的观测任务。
4.在以往的规划系统或规划算法中，应用最广泛的是启发式的。设计一个启发式依赖于先验知识，而通常为了一个任务需要设计多个启发式，并根据测试结果加以选择。对于一些复杂的场景，甚至可能找不到一个合适的启发式。一旦任务约束有变更，可能需要再次进行这个设计和选择的过程，十分耗时。基于群体智能的规划算法应用也较为广泛，与启发式的算法相比，设计目标函数比设计启发式要容易得多。但基本的群体智能算法通常存在收敛速度慢或求解精度不够高的不足。


技术实现要素：

5.本发明的目的在于克服现有技术的缺陷，提出了一种求解天文卫星短期任务规划的方法及系统。
6.为了实现上述目的，本发明提出了一种求解天文卫星短期任务规划的方法，所述方法包括：
7.步骤1)构建待规划天文卫星的短期任务规划数学模型，将任务规划问题抽象为最大化的寻优问题；
8.步骤2)采用混合搜索策略人工蜂群算法求解，由雇佣蜂基于“精英解引导搜索”策略对优良解进行搜索，由跟随蜂基于“基于邻域最优解更新”策略进行搜索，实现加快求解并提高求解精度。
9.作为上述方法的一种改进，短期规划需满足以下约束：
10.望远镜方向与太阳矢量夹角不小于95
°
，且与月球矢量夹角不小于20
°
，且与地球矢量夹角不小于77
°
；天文卫星在过站前6分钟及过站中均不可调姿；天文卫星在通过saa区时有效载荷不开展观测任务；每个任务有效观测时长均不短于该任务本周最短观测时长；每个轨道周期内天文卫星调姿次数不超过三次。
11.作为上述方法的一种改进，所述步骤1)包括：
12.将天文卫星上多个载荷等效为一个虚拟载荷，多个载荷的不同工作模式等效为一
个虚拟载荷的不同工作模式；
13.设计目标函数fit为：
[0014][0015]
其中，oi为任务的优先级，用于衡量一个规划结果的好坏，若任务ci违反了任意约束，则令该任务有效观测时长[ei]＝0。
[0016]
作为上述方法的一种改进，所述步骤2)包括：
[0017]
步骤2-1)生成sn个初始解，并设置解被搜索次数trial
l
＝0，l＝1,2,
…
,sn，l表示解的个数，当前迭代次数t＝1；
[0018]
步骤2-2)重复以下步骤，直至t达到设定的最大迭代次数：
[0019]
步骤2-3)进入雇佣蜂阶段，雇佣蜂采用“精英解引导搜索”策略进行搜索，探索新解并估计解的质量；
[0020]
步骤2-4)利用贪婪策略在新解和旧解中选择较好的一个；若解没有更新，则搜索次数trial
l
+1，否则，trial
l
＝0；
[0021]
步骤2-5)进入跟随蜂阶段，跟随蜂进行轮盘赌选择雇佣蜂对应的解，采用“基于邻域最优解更新”策略进行搜索，得到新解；
[0022]
步骤2-6)利用贪婪策略在新解和旧解中选择较好的一个；若解没有更新，则搜索次数trial
l
+1，否则，trial
l
＝0；
[0023]
步骤2-7)若存在trial
l
≥limit，，该解对应的雇佣蜂转变为侦查蜂，重新生成一个新解，进入侦查蜂阶段；其中，limit表示蜜源搜索上限；
[0024]
步骤2-8)记录当前最优解,令迭代次数t+1。
[0025]
作为上述方法的一种改进，所述步骤2-1)包括：
[0026]
对于n维问题，第t次迭代中第l个蜜源的形式表示为：
[0027][0028]
其中，表示对应解的第i维，即任务ci的开始观测时间，i表示维度，i＝1,2,
…
,n，li和ui分别表示任务ci开始时间取值范围的下界和上界，蜜源初始位置的每一维依据下式生成：
[0029][0030]
其中，rand(0,1)表示生成一个介于0到1的随机数。
[0031]
作为上述方法的一种改进，所述步骤2-3)包括：
[0032]
雇佣蜂采用“精英解引导搜索”策略在当前解随机选择一维，依据下式进行更新搜索：
[0033][0034]
其中，表示选当前解的第i维，是更新后解的第i维，i＝1,2,
…
,n；是一个扰动因子，一个扰动因子，表示在精英种群中随机选择一个精英解选其第i
维，种群中精英比例为η，精英数量en＝ceil(η
·
sn)，ceil表示向下取整，q∈[1,en]；
[0035]
采用适应度估计的质量记为
[0036]
作为上述方法的一种改进，所述步骤2-5)包括：
[0037]
根据蜜源的适应度值以及种群中最大适应度值以及种群中最大适应度值由下式计算蜜源被选择的概率prob
l
：
[0038][0039]
依据概率进行轮盘赌，蜜源的适应度越高，被选择的概率越大；
[0040]
跟随蜂在选中的蜜源附近根据下式进行“基于邻域最优解更新”策略的搜索：
[0041][0042]
其中，n
l
表示解的邻域解集合，定义为n
l
＝{j|dist(l,j)≤ρ
·
md
l
}，j表示n
l
中的解，md
l
为其余解到解的平均距离，即ρ是邻域系数，用于控制邻域的大小，dist()用于衡量两个解的欧几里得距离。
[0043]
作为上述方法的一种改进，所述步骤2-7)包括：
[0044]
若存在trial
l
≥limit，那么该解对应的雇佣蜂转变为侦查蜂，重新生成一个新解其每一维由下式计算：
[0045][0046]
其中，limit为蜜源搜索上限，trial
l
为蜜源被搜索的次数。
[0047]
另一方面，本发明提出了一种求解天文卫星短期任务规划的系统，所述系统包括：构建模型模块和规划求解模块；其中，
[0048]
所述构建模型模块，用于构建待规划天文卫星的短期任务规划数学模型，将任务规划问题抽象为最大化的寻优问题；
[0049]
所述规划求解模块，用于采用混合搜索策略人工蜂群算法求解，由雇佣蜂基于“精英解引导搜索”策略对优良解进行搜索，由跟随蜂基于“基于邻域最优解更新”策略进行搜索，实现加快求解并提高求解精度。
[0050]
与现有技术相比，本发明的优势在于：
[0051]
1、相比基本的人工算法本发明的方法具有收敛速度快，求解精度高，寻优能力强的优点，相比其他群体智能算法其控制参数也更少；
[0052]
2、在天文卫星短期任务规划问题上，采用本发明的方法规划结果的任务完成度更高，能够获得更大的观测收益。
附图说明
[0053]
图1是本发明求解天文卫星短期任务规划的方法流程图；
[0054]
图2是三种算法进化收敛曲线对比。
具体实施方式
[0055]
人工蜂群算法是典型的群体智能算法之一，相比其他群体智能算法具有控制参数少的优点。本发明中针对基本的人工蜂群算法收敛速度慢、开发能力弱的缺点，考虑不同蜜蜂搜索特性，提出了一种新的混合搜索策略人工蜂群算法以求解天文卫星短期任务规划问题。包括以下步骤：
[0056]
步骤1)构建待规划天文卫星的短期任务规划数学模型，将任务规划问题抽象为最大化的寻优问题；
[0057]
步骤2)采用混合搜索策略人工蜂群算法求解，由雇佣蜂基于“精英解引导搜索”策略对优良解进行搜索，由跟随蜂基于“基于邻域最优解更新”策略进行搜索，实现加快求解并提高求解精度。
[0058]
下面结合附图和实施例对本发明的技术方案进行详细的说明。
[0059]
实施例1
[0060]
本发明的实施例1提出了一种求解天文卫星短期任务规划的方法。
[0061]
本方法的技术流程是：首先将天文卫星短期任务规划问题抽象成数学模型，然后使用改进的人工蜂群算法进行求解。
[0062]
(1)构建天文卫星短期任务规划数学模型
[0063]
①
模型假设
[0064]
短期规划受到星上能源、姿控、存储容量、载荷工作模式等诸多因素的影响。为方便研究，做出以下不失一般性的假设：
[0065]
√卫星上多个载荷可等效看作一个虚拟载荷，多个有效载荷的不同工作模式可看作一个虚拟载荷的不同工作模式；
[0066]
√不考虑星上存储器容量、硬件故障对任务规划的影响；
[0067]
②
约束分析和定义
[0068]
√为了保护望远镜不受光线损伤，要求望远镜方向与太阳矢量夹角不小于95
°
，a
sun
≥95
°
；与月球矢量夹角不小于20
°
，a
moon
≥20
°
；与地球矢量夹角不小于77
°
，a
earth
≥77
°
；
[0069]
√为了保障通信，要求过境前六分钟直至下一观测任务开始之时卫星都不可调姿。
[0070]
卫星在通过某些地面站时下传数据。过站时间通过stk仿真得出，其中包含h个过站时间段。为了保证通信正常，要求过站前6分钟及过站中卫星都不可调姿，即中卫星都不可调姿，即为空集。
[0071]
其中xi为任务ci的开始观测时间，x
manu
为两次观测任务调姿时间，i＝1,2,
…
,n，k＝1,2,
…
,h。
[0072]
√为了保护科学仪器，要求天文卫星在通过saa区时有效载荷不开展观测任务。
[0073]
卫星在通过saa时，有效载荷不开展观测任务，即对于卫星在通过saa时，有效载荷不开展观测任务，即对于
[0074]
其中为任务ci的结束观测时间，ci和cj应满足d
i,j
＝1；d
i,j
＝1表示任务ci的下一个观测任务为cj；表示卫星过境saa的时间窗，为卫星过境saa第k个时间窗的开始时刻，为卫星第k个时间窗的结束时刻。
[0075]
√每个任务的执行需要满足用户对任务的最短观测时长要求。
[0076]
为了使规划目标更具有科学意义，规划中所安排每个任务有效观测时长都应不短于该任务本周最短观测时长，即
[0077]
其中，ei表示任务ci的有效观测时间段，[ei]表示任务ci的有效观测时长；wi为任务ci的可见时间窗口，表示任务ci第k个时间窗口的开始时刻，表示任务ci第k个时间窗口的结束时刻；r＝[r1,r2,
…
,rn]，ri为任务ci的最短观测时长。
[0078]
√出于节电的考虑，要求每轨卫星调姿次数不超过三次。
[0079]
即其中d
j,f
·df,d
·dd,i
＝1,i,d,f,j＝1,2,
…
,n。
[0080]
b为卫星轨道周期；表示任务调姿开始时间集合，表示ci的调姿开始时间。
[0081]
③
目标函数的设计
[0082]
fit＝∑i[ei]
·
oiꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0083]
其中，oi为任务ci的优先级；fit用于衡量一个规划结果的好坏，其目的是最大化任务观测时长和任务优先级。若任务ci违反了以上任意约束，则令该任务有效观测时长[ei]＝0。
[0084]
这样设计的目的是尽可能安排更多的观测任务同时使安排任务的优先级尽可能大，这也是出于科学产出最大化的考虑。
[0085]
(2)使用混合搜索策略人工蜂群算法求解
[0086]
人工蜂群算法是启发于蜜蜂群体协作采蜜而抽象出来的智能优化算法，它通过单个蜜蜂的局部寻优从而使全局最优在种群中突显出来。在基本的人工蜂群算法中有三种角色：
[0087]
√雇佣蜂搜索蜜源，然后把蜜源好坏等信息传递给其他蜜蜂；
[0088]
√跟随蜂接收雇佣蜂传递的信息然后选择去哪个蜜源的附近采蜜；
[0089]
√如果雇佣蜂在搜索蜜源的时候在周围搜索不到更好的蜜源就会放弃这个蜜源，去别的蜜源附近搜索。
[0090]
算法的控制参数说明如下：
[0091]
表1算法控制参数
[0092][0093]
在模型中，任务的开始观测时间x是优化求解的对象，相当于蜜蜂要搜寻的蜜源，蜜源的质量用适应度值fit(x)表示。雇佣蜂的数量与跟随蜂数量相等，各占种群数量np的一半，记为sn。
[0094]
对于n维问题，第t次迭代中第l个蜜源的形式表示为对其中表示对应解的第i维，即任务ci的开始观测时间，l＝1,2,
…
,sn，i＝1,2,
…
,n，li和ui分别表示任务ci开始时间取值范围的下界和上界，蜜源初始位置的每一维可依据式(2)生成：
[0095][0096]
在基本的人工蜂群算法中，雇佣蜂搜索公式如式(3)所示：
[0097][0098]
这实际上是基于当前解用随机解来更新当前解的一维，这将导致算法收敛到一个优良解的速度较慢。
[0099]
为了增强雇佣蜂探索优良解的能力，为雇佣蜂设计了“精英解引导搜索”策略，其搜索公式如式(4)所示：
[0100][0101]
其中，表示选当前解的第i维，是更新后解的第i维，由根据上式更新而来，i＝1,2,
…
,n；是一个扰动因子，是一个扰动因子，表示在精英种群中随机选择一个精英解选其第i维，种群中精英比例为η，精英数量en＝ceil(η
·
sn)，ceil表示向下取整,q∈[1,en]。实际上是以当前解作为搜索中心，利用随机的精英解进行引导搜索。
[0102]
若搜索到新蜜源的适应度优于原蜜源的，即则采取贪婪策略令新蜜源替代旧蜜源，否则保留原蜜源。在所有雇佣蜂在完成式(4)运算后，返回蜂房与其他蜜蜂分享蜜源信息。
[0103]
在跟随蜂阶段，根据已有的信息按照式(5)计算蜜源被选择(即蜜源对应的雇佣蜂被跟随)的概率：
[0104][0105]
其中
[0106]
跟随蜂依据概率进行轮盘赌，根据式(5)可知蜜源的适应度值越高，其被选择的概率就越大。
[0107]
在基本的人工蜂群算法中，跟随蜂的搜索方式仍为式(3)，这导致跟随蜂的开发能力弱。
[0108]
在实际的蜂群中，跟随蜂接收雇佣蜂传递的信息进而选择要搜索的蜜源，这意味着跟随蜂与雇佣蜂的搜索方式截然不同。为了增强跟随蜂的开发能力，跟随蜂采用“基于邻域最优解更新”策略，其搜索方式如式(6)所示：
[0109][0110]
其中，n
l
表示解的邻域解集合，其定义为n
l
＝{j|dist(l,j)≤ρ
·
md
l
}，md
l
为其
余解到解的平均距离，即ρ是邻域系数，用于控制邻域的大小，dist用于衡量两个解的欧几里得距离。
[0111]
表2阶段步骤流程
[0112][0113][0114]
实施例2
[0115]
本发明的实施例2提出了一种求解天文卫星短期任务规划的系统，采用的方法同实施例1，该系统包括：构建模型模块和规划求解模块；其中，
[0116]
构建模型模块，用于构建待规划天文卫星的短期任务规划数学模型，将任务规划问题抽象为最大化的寻优问题；
[0117]
规划求解模块，用于采用混合搜索策略人工蜂群算法求解，由雇佣蜂基于“精英解引导搜索”策略对优良解进行搜索，由跟随蜂基于“基于邻域最优解更新”策略进行搜索，实现加快求解并提高求解精度。
[0118]
仿真示例
[0119]
为了验证算法对天文卫星短期任务规划求解的有效性，以某卫星一周计划观测目标任务库(如表3)为输入进行测试。库中包含63个不同目标，184个元任务，其中优先级为4的任务为30个，优先级为3的任务为29个，优先级为2的任务有56个，优先级为1的任务有69个，优先级数字越大代表任务越重要。
[0120]
表3一周计划观测目标任务库(部分)
[0121][0122][0123]
混合搜索策略的人工蜂群算法分别与基本的人工蜂群算法和精英保留策略的遗传算法进行对比，参数设置如表3，迭代8000次，运行10次。10次运行中最好一次最好规划结果如表5所示，三个算法的平均性能和优化结果对比见表6和图2。
[0124]
表4控制参数
[0125][0126]
表5规划结果(部分)
[0127][0128]
表6算法性能和优化结果对比
[0129][0130]
天文卫星任务规划的目标是实现科学产出最大化，期望在有限时间中尽可能利用资源最大化观测效益。由表6可知，混合搜索策略人工蜂群算法的平均运行时间比其他算法运行时间长，这是因为式(6)求某个解的邻域集合时间复杂度较高。但其平均在1500次迭代时就能收敛到了一个较为优秀的解，本文为了便于比较均设置8000次迭代，在实际任务中可以减少迭代来加快求解。在其余指标上，混合搜索策略人工蜂群算法均大于等于或略低于其他算法。一周中，其平均安排了174.4个有效任务，任务完成度达到了94.8％。对于高优先级任务，混合搜索策略的人工蜂群算法任务完成度接近100％，较低优先级的任务完成度
也都比其他算法的完成度高。最好情况下，本算法共安排了178个有效观测任务，任务完成度高达96.7％。这说明了混合搜索策略的人工蜂群算法的规划结果相比其他算法任务完成度高，能够获得更大的观测收益，在天文卫星短期任务规划具有良好的应用前景。
[0131]
图2中可知，精英保留策略的遗传算法在前期的搜索能力较为优秀，但后劲不足很早就陷入了局部最优。基本的人工蜂群算法具有收敛速度慢、开发能力较弱的缺陷，在仿真中也这一不足也得到了验证。本发明提出的混合搜索策略的人工蜂群算法在1200代左右就收敛到了一个优秀的解，表明混合搜索策略的人工蜂群算法克服了收敛慢的缺点，并且具有很强的寻优和开发能力，求解精度高。
[0132]
最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。