【技术实现步骤摘要】
一种基于改进遗传与萤火虫组合算法的多卫星多点目标观测任务规划方法
本专利技术属于卫星观测领域，特别是涉及一种基于改进遗传与萤火虫组合算法的多卫星多点目标观测任务规划方法。
技术介绍
在卫星规划问题的研究中，根据所采用的方法可以大体上分为两类：采用智能优化算法的研究方法和使用深度学习进行优化的研究方法。如果要求卫星观测资源充分利用、目标按照优先级合理分配观测资源，就需要使用智能优化算法来解决这一类问题。因为深度学习的解决方法是使用给定卫星的历史调度数据，训练基于增广拓扑协同神经进化的预测模型来预测不同卫星完成任务的概率，最终提出一种数据驱动的并行规划方法。这一方法的问题在于过度依赖历史数据，最终结果受历史数据的优劣影响较大，而且大量历史数据的获取较为困难。因此，在当前研究下，使用智能优化算法是一种成本更低且更稳定的有效方案。多卫星多点目标观测任务规划方案的目的是能够在多因素约束下找到不同优先级目标的较均衡观测组合。在现有的多卫星多点目标观测任务规划方案中，常用的算法有遗传算法、模拟退火算法、粒子群算法、蚁群算法...
【技术保护点】
1.一种基于改进遗传与萤火虫组合算法的多卫星多点目标观测任务规划方法，其特征在于，包括如下步骤：/n步骤1，使用0-1编码对卫星观测任务序列进行随机生成，形成种群；/n步骤2，遍历种群，根据是否是可行解计算适应度；/n步骤3，对不可行解和适应度低的可行解进行萤火虫的靠近过程，并计算靠近后的个体适应度；/n步骤4，对执行靠近过程后的种群个体进行“交叉”操作；/n步骤5，根据是否是可行解分别以不同的概率对基因点位进行“变异”操作；/n步骤6，判断当前种群是否满足退出迭代的要求，若满足则输出结果，否则重复步骤2-步骤5。/n
【技术特征摘要】
1.一种基于改进遗传与萤火虫组合算法的多卫星多点目标观测任务规划方法，其特征在于，包括如下步骤：
步骤1，使用0-1编码对卫星观测任务序列进行随机生成，形成种群；
步骤2，遍历种群，根据是否是可行解计算适应度；
步骤3，对不可行解和适应度低的可行解进行萤火虫的靠近过程，并计算靠近后的个体适应度；
步骤4，对执行靠近过程后的种群个体进行“交叉”操作；
步骤5，根据是否是可行解分别以不同的概率对基因点位进行“变异”操作；
步骤6，判断当前种群是否满足退出迭代的要求，若满足则输出结果，否则重复步骤2-步骤5。
2.如权利要求1所述的基于改进遗传与萤火虫组合算法的多卫星多点目标观测任务规划方法，其特征在于：步骤1的具体实现方式如下；
将模拟仿真场景内卫星对目标的所有重访条目视为基因点位，并按照卫星-时间顺序进行二重排列，即先把所有的条目先按照卫星名称排序，然后再在卫星名称相同的条目集合内部按照时间先后排序，二重排列后的所有基因构成一条染色体，对于需要执行的观测任务，其在染色体对应位置上的基因被置为1，否则置为0，种群的初始化即随机产生m个染色体个体。
3.如权利要求1所述的基于改进遗传与萤火虫组合算法的多卫星多点目标观测任务规划方法：步骤2的具体实现方式如下；
为了实现高优先级目标更多的被观测，同时又不让高优先级目标完全挤占低优先级目标的观测窗口，定义公式(1)和公式(2)计算出各染色体的适应度，然后将公式(2)得到的可行解的适应度乘以一个系数得到最终的适应度，并根据最终适应度对染色体进行由大到小排序，这样便可保证可行解在种群的头部，不可行解在次一级的位置，计算公式如下：
其中，fitness(n)是单个目标n提供的适应度，Target_count为场景内点目标个数，fi为染色体i中所有目标提供的适应度之和，Priorn为目标n的优先级，countn为目标n被观测次数，为染色体的最终适应度，公式(3)将可行解的适应度乘以系数5，保证其处在种群的头部，更有可能传播到下一代。
4.如权利要求1所述的基于改进遗传与萤火虫组合算法的多卫星多点目标观测任务规划方法，其特征在于：步骤3的具体实现方式如下；
不同个体间的吸引度在原萤火虫算法中由“亮度”和“距离”两个因素共同决定，亮度低的个体向亮度高的个体靠近，个体之间的吸引度由下述公式得到：
其中，β(r)表示当...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。