一种基于约束满足遗传算法的移动目标单星任务规划方法技术

本发明专利技术公开了一种基于约束满足遗传算法的移动目标单星任务规划方法，包括以下步骤：首先，根据卫星及被观测目标的模型特性及约束计算可见时间窗口，形成初始任务序列；其次，构建目标函数及遗传算法模型，引入冲突消除算子计算冲突序列；再次，对任务序列进行优化求解，得到满足约束的无冲突任务序列；最后，计算卫星任务观测方案并计算卫星机动角度。本发明专利技术能够提高卫星对地观测效率，合理利用有限的卫星资源，完成对移动目标的捕捉观测任务。

【技术实现步骤摘要】
一种基于约束满足遗传算法的移动目标单星任务规划方法
本专利技术属于卫星应用领域，尤其涉及一种基于约束满足遗传算法的移动目标单星任务规划方法。
技术介绍
利用卫星在太空中对地面进行观测，是目前获取地面信息的重要手段。随着科学技术和航天领域相关技术的发展，由于卫星对地观测分布范围广、时效性强、不受地域与国界限制等优点，而使得各行各业，如军事和经济等领域，对航天技术的需求越来越多。各种各样的卫星、遥感器、中继卫星和地面接收站等相关设施的投入使用，给卫星对地观测任务提供了巨大的便利，以此同时，地面目标复杂程度的提高，对地观测精度要求的提高等也为卫星对地观测任务提出了巨大的挑战。因此，如何最大限度的发挥资源的价值，充分利用各种资源，以获得最大的效益成为卫星任务规划系统中的一个重要课题。卫星任务规划是根据遥感任务需求，在卫星、遥感器、地面站应用约束及用户需求约束条件下，对卫星资源和地面站资源进行分配，对地面目标的信息获取、处理与传输活动进行调度，制定出最大满足观测需求的资源分配和活动调度的优化方案。卫星任务规划问题十分复杂，包含了很多与特定问题相关的约束，如卫星及载荷使用规则约束，卫星与目标的可见性约束，星载存储器的容量约束，卫星与地面接收站的可见性及数据传输能力约束以及观测任务对图像类型、图像分辨率、日照和云层厚度的要求等。特别是近年来，遥感卫星的灵巧程度不断提高，为给定目标的观测提供了更多选择的机会，这也使得卫星任务规划变得更加复杂，因此，传统的任务规划方法已经不能满足现在对卫星任务规划的要求。国内外学者对优化算法进行了大量研究，提出了如蚁群算法、贪婪算法、遗传算法等求解方法，但现有的技术主要集中在对点目标和区域目标的卫星任务规划上，对观测移动目标的卫星任务规划研究很少，同时在已有的卫星任务规划研究中，大多不考虑复杂约束的情况，对于约束的处理和冲突任务的解决大多采用数据层面的预处理方式解决，这样的解决方式不能高效地和优化算法有机结合，影响求解效果，因此，已不能满足越来越复杂的任务规划需求。
技术实现思路
本专利技术的技术解决问题是：克服现有技术的不足，针对移动目标及约束和冲突任务的处理，提供了一种结构简单、执行方便、约束及需求灵活、效率优良的卫星任务规划方法，解决了针对移动目标的单颗敏捷卫星任务规划问题。本专利技术的技术解决方案是：一种基于约束满足遗传算法的移动目标单星任务规划方法，具体步骤如下：第一步，根据卫星及被观测目标的模型特性及约束计算可见时间窗口，形成初始任务序列。根据卫星模型及移动目标速度v和位置(lati，loni)，计算卫星对每个移动目标的可见时间窗口wi＝{[wbi，wfi]，targetk}，考虑约束条件，对可见时间窗口进行约束满足计算，计算结果构成初始任务序列W＝{w1，w2，…，wn}，其中lati，loni分别表示移动目标所在位置的纬度和经度信息，wi表示第i个可见时间窗口，wbi和wfi分别表示该时间窗口的开始时间和结束时间，targetk表示第k个目标。约束条件如下：(1)太阳高度角约束，不满足太阳高度角约束条件，超出卫星观测能力范围的观测时间窗口视为无效窗口，该约束用下式进行描述：式中，表示第k个目标第i个可见时间窗口时的太阳高度角，表示满足观测条件的最小太阳高度角，I表示可见时间窗口序号集合，∑表示目标集合。(2)卫星传感器约束，卫星只带一个传感器，卫星只能进行侧摆和俯仰机动，且一个时间段内只能观测一个有效目标，该约束用下式进行描述：式中，sensor表示传感器数目，表示对应的载荷完成活动i所需要侧摆的角度大小，表示对应的载荷完成活动i所需要俯仰的角度大小，表示卫星侧摆角度最小值，表示卫星侧摆角度最大值，表示卫星俯仰角度最小值，表示卫星俯仰角度最大值。(3)综合考虑有效荷载使用约束及卫星平台约束，设定只有可见时间窗口符合大于Tmin分钟的任务为有效任务，从而获得最好的观测效果，该约束用下式进行描述：式中，表示第n个目标第i个可见时间窗口的总时间，Tmin表示最小可见时间窗口时长。(4)考虑任务需求及卫星任务执行能力，设定最大观测任务数量task_size，该约束用下式进行描述：tasknum≤task_size式中，tasknum表示任务序列中总执行任务数。第二步，构建目标函数及遗传算法模型，引入冲突消除算子计算冲突序列。首先构建目标函数，目标函数构建采用适应度函数的形式，具体形式如下：式中，f(i)为任务wi的适应度函数值，Bi为任务wi的收益，即规定的权值，Ci定义为：接着，构建遗传算法模型，包括DNA编码、种群初始化、选择算子、冲突消除算子、交叉算子、变异算子和DNA复制。DNA编码是遗传算法的基础，采用如下的编码方法：X＝{x1，x2…xi…xN}式中，X为一条DNA序列，xi为该序列中一个基因位，定义如下：N表示任务序列即个体的最大个数。种群初始化采用随机生成方法，保证DNA长度相同及种群数量一定的情况下，随机生成每条DNA，种群大小为pop_size。选择算子中每个个体被选中的概率与其适应度函数值大小成正比，设群体大小为N，个体popi的适应度函数值为f(popi)，则个体popi被选择的概率为：在算法中特别设计冲突消除算子，以计算含有冲突不能满足任务规划要求的任务序列，对于初始任务序列W＝{w1，w2，…，wn}，计算时间冲突，生成冲突序列C＝{(m1，n1)，(m2，n2)，…，(mk，nk)}，其中(mk，nk)表示一组时间冲突的任务。交叉算子采用任务级别的单点交叉，设置交叉概率σ，满足交叉概率的个体进行交叉操作。变异算子采用基本位变异，设置变异概率满足变异概率的个体进行变异操作。DNA复制采取两代竞争方法，每次生成一个子代后，与父代个体进行适应度函数值的比较，更加符合要求的将被保留放入种群之中。第三步，对任务序列进行优化求解，得到满足约束的无冲突任务序列。对数据进行数据预处理，以满足优化算法需求：首先对初始任务序列按时间进行排序，其次对初始任务序列进行简单约束筛选，最后对任务进行权值分配，将处理后的数据代入算法模型进行求解。为了满足约束条件，在选择算子中进行约束计算与处理，并引入冲突消除算子的计算结果，选择出满足约束的无冲突任务。不满足约束的为：(1)淘汰不满足时间约束的个体；(2)淘汰任务执行总个数大于期望执行总个数的个体；(3)淘汰冲突消除算子中的冲突组。通过计算求解，得到最终的可执行的、满足约束且无冲突的任务序列。第四步，计算卫星任务观测方案并计算卫星机动角度。计算卫星执行每次观测任务所需的侧摆角及俯仰角，以满足卫星实际观测需求。相关计算如下：式中，θ为星下点角，为地心角，为卫星仰角，RE为地球半径，H为卫星高度，ρ为地球角半径，γ为卫星观测所需侧摆角，为卫星观测所需俯仰角，α为移动目标对卫星的方位角，β为移动目标对卫星的仰角。由此，即可得到卫星任务规划序列及观测所需卫星机动侧摆角和俯仰角。进一步的，第二步中冲突消除算子的具体方法如下：进一步的，第二步中交叉算子、变异算子和DNA复制具体方法如下：进一步的，第三步中淘汰冲突消除算子中的冲突组的具体方法如下：本专利技术与现有技术相比的优点在于：本专利技术采用约束满足遗传算法进行求解，将问题中的约束以条件形式嵌入遗本文档来自技高网...

【技术保护点】
1.一种基于约束满足遗传算法的移动目标单星任务规划方法，步骤如下：第一步，根据卫星及被观测目标的模型特性及约束计算可见时间窗口，形成初始任务序列根据卫星模型及移动目标速度v和位置(lati,loni)，计算卫星对每个移动目标的可见时间窗口wi＝{[wbi,wfi],targetk}，考虑约束条件，对可见时间窗口进行约束满足计算，计算结果构成初始任务序列W＝{w1,w2,…,wn}，其中lati,loni分别表示移动目标所在位置的纬度和经度信息，wi表示第i个可见时间窗口，wbi和wfi分别表示该时间窗口的开始时间和结束时间，targetk表示第k个目标；第二步，构建目标函数及遗传算法模型，引入冲突消除算子计算冲突序列首先构建目标函数，目标函数构建采用适应度函数的形式，具体形式如下：

【技术特征摘要】
1.一种基于约束满足遗传算法的移动目标单星任务规划方法，步骤如下：第一步，根据卫星及被观测目标的模型特性及约束计算可见时间窗口，形成初始任务序列根据卫星模型及移动目标速度v和位置(lati,loni)，计算卫星对每个移动目标的可见时间窗口wi＝{[wbi,wfi],targetk}，考虑约束条件，对可见时间窗口进行约束满足计算，计算结果构成初始任务序列W＝{w1,w2,…,wn}，其中lati,loni分别表示移动目标所在位置的纬度和经度信息，wi表示第i个可见时间窗口，wbi和wfi分别表示该时间窗口的开始时间和结束时间，targetk表示第k个目标；第二步，构建目标函数及遗传算法模型，引入冲突消除算子计算冲突序列首先构建目标函数，目标函数构建采用适应度函数的形式，具体形式如下：式中，f(i)为任务wi的适应度函数值，Bi为任务wi的收益，即规定的权值，Ci定义为：接着，构建遗传算法模型，包括DNA编码、种群初始化、选择算子、冲突消除算子、交叉算子、变异算子和DNA复制；DNA编码是遗传算法的基础，采用如下的编码方法：X＝{x1,x2…xi…xN}式中，X为一条DNA序列，xi为该序列中一个基因位，定义如下：N表示任务序列即个体的最大个数；种群初始化采用随机生成方法，保证DNA长度相同及种群数量一定的情况下，随机生成每条DNA，种群大小为pop_size；选择算子中每个个体被选中的概率与其适应度函数值大小成正比，设群体大小为N，个体popi的适应度函数值为f(popi)，则个体popi被选择的概率为：在算法中特别设计冲突消除算子，以计算含有冲突不能满足任务规划要求的任务序列，对于初始任务序列W＝{w1,w2,…,wn}，计算时间冲突，生成冲突序列C＝{(m1,n1),(m2,n2),…,(mk,nk)}，其中(mk,nk)表示一组时间冲突的任务，具体方法如下：交叉算子采用任务级别的单点交叉，设置交叉概率σ，满足交叉概率的个体进行交叉操作，变异算子采用基本位变异，设置变异概率满足变异概率的个体进行变异操作，DNA复制采取两代竞争方法，每次生成一个子代后，与父代个体进行适应度函数值的比较，更加符合要求的将被保留放入种群之中，交叉算子、变异算子和DNA复制具体方法如下：第三步，对任务序列进行优化求解，得到满足约束的无冲突任务序列对...

【专利技术属性】
技术研发人员：胡庆雷，温新，董宏洋，郭雷，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11