基于粒子群算法的探测设备网的设备分配方法组成比例

一种基于粒子群算法的探测设备网的设备分配方法，包括：1、建立探测设备、探测目标和探测时间区间之间的监测任务模型，生成设备可探测的监测任务序列，并初始化仿真参数；2、建立每个粒子与设备可监测的任务序列的对应关系，并根据每个粒子的元素对探测任务的时间区间进行调整；3、根据每个粒子与监测任务的映射关系计算每个粒子的适应度函数，并更新粒子群的局部最优解和全局最优解；4、判断迭代次数是否达到预设条件，如是则输出全局最优粒子对应的监测任务序列，否则更新粒子群参数重复步骤2～4直至满足条件。本发明专利技术有效解决多探测设备组网监测多个目标的任务分配问题，实现探测设备网设备工作状态的优化。

【技术实现步骤摘要】

本专利技术涉及空间目标探测
，更具体地涉及一种基于粒子群算法的探测设 备网的设备分配方法，适用于多设备联合探测多个空间目标时的设备资源的优化分配。
技术介绍
探测设备分配技术解决的是如何优化分配多个探测设备组网联合探测多个空间 目标的探测资源分配问题。近一二十年来，空间目标数量急剧增加，给在轨航天器的安全造 成了极大的威胁。为了保障在轨航天器的安全，探测设备不断增多，需要优化调度各个设 备，充分发挥各个设备的探测性能，探测更多的在轨目标。对所有设备的可探测情况进行优 化调度是一个离散组合问题，当设备和目标数量增多时，该优化问题复杂程度将成几何级 数增加而变成一个传统方法不可解的问题。 粒子群优化（Particle Swarm Optimization, PS0)是近几年出现的一种新的优 化理论，该方法是通过模拟鸟群觅食过程中的迁徙和群聚行为而提出的一种基于群体智能 的全局随机搜索算法（例如参见文章Particle swarm optimization，刊于Proceedings of the 1995IEEE International Conference on Neural Networks, 1995 :1942-1948)〇 粒子群算法对优化目标函数及问题定义的连续性没有特殊要求，使得该算法应用 更广泛；没有中心控制约束，更有鲁棒性；采用非直接的信息共享方式实现合作，更具有扩 充性；随机搜索本质，使它更不容易陷入局部最优。因此，粒子群算法对于复杂，特别是多峰 高维的优化计算问题具有很强的优越性。 粒子群算法具有易理解、易实现的特点，对非线性、多峰问题均具有较强的全局搜 索能力，在科学研究与工程实践中处理一些优化问题时得到了广泛关注。如何将其应用于 探测设备监测任务的调度中将是本专利技术需要解决的技术问题。
技术实现思路
有鉴于此，本专利技术的主要目的之一在于提供一种基于粒子群算法的探测设备组网 设备分配方法，以便在对监测任务资源调度时，实现较快的获得优化的监测任务调度结果， 克服了常规组合方法的计算复杂度高而对多设备多目标问题优化处理消耗大量的时间和 计算资源不足的问题。 为达到上述目的，本专利技术的技术解决方案是： -种，其特征在于：包括如下步 骤： 步骤1、根据探测设备对空间目标的探测关系，建立探测设备集、探测目标集和 探测时间区间集之间的监测任务模型，生成设备可探测的监测任务序列，并初始化仿真参 数； 步骤2、建立每个粒子与设备可监测的任务序列的对应关系，并根据每个粒子的元 素调整探测任务的时间区间； 步骤3、根据步骤2中所述每个粒子与监测任务的映射关系计算每个粒子的适应 度函数，并更新所述粒子群的局部最优解和全局最优解； 步骤4、判断迭代次数是否达到预先设定阈值，如满足条件则输出根据步骤3计算 的全局最优解对应的监测任务序列，否则更新粒子群参数，并跳转到步骤2。 其中，在所述步骤1中，定义探测设备集合为A= {αι，…，αΜ}，探测目标集合为 B= (P1，…，βΝ}，可探测时间区间集合为Σ= (S1，…，εκ}，时间区间ek(l彡k<K) 表示为时间段[s k，ek]，该时间区间对应的设备和目标分别为am,k(ci m,k e A)和i3n,k(i3n, k e B)，生定义地面设备、探测目标和探测时间区间对应的监测任务集合为= {ωι，…， ωκ},其中COk = (CIni k, βη1?，Kk，nk)，Kk和nk分别为监测任务CO k开始时间和结束时 间，并且A,，％ G 1?,?]。定义粒子向量X = (X1,…，χκ)，其中xk(l彡k彡K)表示为第k 个监测任务的执行优先系数，定义粒子速度向量V= (V1，…，νκ);并初始化仿真参数：迭代 次数选取为K，生成5K个粒子、5K个粒子速度和5K个监测任务集合一一对应，并进行初始 化，其它参数初始化为特定值。 其中，在所述步骤2中建立每个粒子的元素与探测设备可监测的任务序列的对应 关系，并根据每个粒子的参数对探测任务的时间区间进行调整的步骤包括： ①选取一个粒子中第k大的元素的序号对应的监测任务，将监测任务的开始时间 设为该时间区间的开始时间，其中k为正整数，从1开始递增，1彡k彡K ; ②根据监测任务的最小探测时长的要求确定监测任务结束时间； ③更新与选取的时间区间有交集的时间区间的开始时间和结束时间，形成与该粒 子对应的新的监测任务序列，继续下一个元素重复步骤①?③直至该粒子的所有元素都处 理完成； ④继续选取下一个粒子重复步骤①?③，直至所有粒子处理完成。 其中，在所述步骤2中时间区间调整过程中需要满足的条件为： a、每个雷达设备同时只能监测一个在轨目标； b、各监测任务必须在对应时间区间内执行，监测任务c〇k(l彡k彡K)的时间长度 不能小于任务的最短时间要求T(c〇 k)，且任一时间区间属于且仅属于某一个监测任务的可 用时间区间子集； c、目标βη(1彡η彡N)各时间区间内的监测时间长度总和不小于该目标要求的 最短监测要求μ η。 其中，在步骤3中所述粒子t的适应度函数F (A，B，Qt)的计算方法为： F(A,B, Qt) = Deffjt · Deqijt (1) 其中Drff, t为粒子对应的监测任务调度效益，D_, t为粒子对应的监测任务序列中 设备使用均衡度，I < t < 5K，具体计算方法如下： a、粒子t对应的监测任务调度效益Deff, t定义为本文档来自技高网...

【技术保护点】
一种基于粒子群算法的探测设备网的设备分配方法，其特征在于：包括如下步骤：步骤1、根据探测设备对空间目标的探测关系，建立探测设备集、探测目标集和探测时间区间集之间的监测任务模型，生成设备可探测的监测任务序列，并初始化仿真参数；步骤2、建立每个粒子与设备可监测的任务序列的对应关系，并根据每个粒子的元素调整探测任务的时间区间；步骤3、根据步骤2中所述每个粒子与监测任务的映射关系计算每个粒子的适应度函数，并更新所述粒子群的局部最优解和全局最优解；步骤4、判断迭代次数是否达到预先设定阈值，如满足条件则输出根据步骤3计算的全局最优解对应的监测任务序列，否则更新粒子群参数，并跳转到步骤2。

【技术特征摘要】
1. 一种基于粒子群算法的探测设备网的设备分配方法，其特征在于：包括如下步骤： 步骤1、根据探测设备对空间目标的探测关系，建立探测设备集、探测目标集和探测时 间区间集之间的监测任务模型，生成设备可探测的监测任务序列，并初始化仿真参数； 步骤2、建立每个粒子与设备可监测的任务序列的对应关系，并根据每个粒子的元素调 整探测任务的时间区间； 步骤3、根据步骤2中所述每个粒子与监测任务的映射关系计算每个粒子的适应度函 数，并更新所述粒子群的局部最优解和全局最优解； 步骤4、判断迭代次数是否达到预先设定阈值，如满足条件则输出根据步骤3计算的全 局最优解对应的监测任务序列，否则更新粒子群参数，并跳转到步骤2。2. 根据权利要求1所述的基于粒子群算法的探测设备网的设备分配方法，其特征在 于，在所述步骤1中，定义探测设备集合为A= {ai，…，aM}，探测目标集合为B= W1，…， 3n}，可探测时间区间集合为E= {、，…，eK}，时间区间eh表示为时间段[sk，ek]，该时 间区间对应的设备和目标分别为a m,k ( a m,k G A)和P n,k ( P n,k e B)，定义地面设备、探测目 标和探测时间区间对应的监测任务集合为Qtl= {>:，…，，其中1彡k彡K，c〇k= (am, k，en,k，kk，nk)，k k和nk分别为监测任务开始时间和结束时间，并且 定义粒子向量X = (X1，…，xK)，其中xh表示为第k个监测任务的执行优先系数，I < k < K， 定义粒子速度向量V = (V1，…，vK);并初始化仿真参数：迭代次数选取为K，生成5K个粒 子、5K个粒子速度和5K个监测任务集合一一对应，并进行初始化，其它参数初始化为特定 值。3. 根据权利要求1所述的基于粒子群算法的探测设备网的设备分配方法，其特征在 于，在所述步骤2中建立每个粒子的元素与探测设备可监测的任务序列的对应关系，并根 据每个粒子的参数对探测任务的时间区间进行调整的步骤包括： ① 选取一个粒子中第k大的元素的序号对应的监测任务，将监测任务的开始时间设为 该时间区间的开始时间，其中k为正整数，从1开始递增，1彡k彡K ; ② 根据监测任务的最小探测时长的要求确定监测任务结束时间； ③ 更新与选取的时间区间有交集的时间区间的开始时间和结束时间，形成与...

【专利技术属性】
技术研发人员：江海，刘静，张耀，程昊文，
申请(专利权)人：中国科学院国家天文台，
类型：发明
国别省市：北京;11