基于蚁群算法的卫星地面站任务规划方法

卫星在运行过程中,与地面站之间存在许多可见窗口,只有在可见窗口之内,地面站才能直接对卫星进行观测和操作,因此,如何合理调度地面站资源,实现最大化利用星地可见窗口是一个重要的课题。本文定义卫星与地面站之间的可见窗口为任务集合,将蚁群算法应用于构造有效的任务调度序列,求解任务最大执行时间,即可利用的可见窗口时间最长。实验数据显示,蚁群算法有着优良的调度结果,同时其调度结果亦优于FCFS和贪婪算法。由此可以看出,该算法能有效求解卫星地面站任务调度问题。     

面向深空探测任务的实数遗传编码多星任务规划算法

针对面向深空探测任务的多星任务规划问题,综合考虑卫星对目标时间窗口、卫星姿态机动以及工作能耗等约束条件,建立了面向深空探测任务的多星任务规划问题模型,针对常规01编码在进行大规模卫星任务规划时,存在的编码长度过长等问题,提出了一种基于实数编码方式的遗传算法,以求解面向深空探测的多星任务规划问题.该算法采用了一种以目标为染色体的实数编码方式,相比传统的以时间窗口为染色体的01编码方式,缩短了染色体长度,可有效提高算法的求解效率.通过仿真算例分析,验证了基于实数编码的遗传算法对求解多星任务规划问题的正确性、合理性和有效性,并将其与基于传统01编码方式的遗传算法进行对比分析,其结果表明基于实数编码方式的遗传算法在寻优能力和计算速度上具有明显优势,这为求解面向深空探测任务的多星任务规划问题提供了一种新的思路和方法.     

航天飞行器在共面多轨道间的机动规划方法研究

针对同时受时间与燃料约束的航天飞行器多轨道间机动问题,研究了两类变轨机动方式四种特殊情况的边界问题.考虑机动、路径和燃料约束构建了以最短总机动时长为目标的规划模型,设计了基于改进蚁群算法的机动策略寻优算法,提出了一种满足快速机动需求的共面多轨道间机动规划方法.通过算例计算,验证了多轨道间机动规划方法的有效性,得到了在有限时间及有限燃料条件下的最优机动方案.说明了在一定范围内提升变轨速度冲量或选择非开普勒径向机动更有利于航天飞行器快速机动能力的生成.     

基于蚁群算法的导航卫星功率增强任务规划

为保障战时区域的导航信号稳定,需要卫星对地面区域进行功率增强,对大规模功率增强任务进行规划能够保障增强效果。本文针对导航卫星功率增强任务规划问题,分析星地可见性以及相邻任务的时间窗口冲突等问题,构建功率增强任务规划模型,选用基于蚁群系统和最大最小蚂蚁系统的自适应蚁群算法,并引入任务收益参数来改进设计算法的寻优策略,在加快算法收敛速度的同时避免陷入局部最优解。实验结果表明,本文的改进蚁群算法对大规模功率增强任务具有很好的规划效果。     

基于分解优化的多星合成观测调度算法

某些卫星的侧摆性能较差, 必须进行合成观测以提高观测效率. 研究了多星联合对地观测中的任务合成观测调度问题. 提出了将原问题分解为任务分配与任务合成的分解优化思路. 任务分配为任务选择卫星资源及时间窗口; 任务合成则针对该分配方案,将分配到各卫星的任务按照轨道圈次分组, 分别进行最优合成. 采用蚁群优化算法(Ant colony optimization, ACO)求解任务分配问题, 通过自适应参数调整及信息素平滑策略, 实现全局搜索和快速收敛间的平衡.提出了基于动态规划的最优合成算法, 求解任务合成子问题,能够在多项式时间内求得最优合成方案. 依据分配方案的合成结果, 得到优化方案的特征信息, 反馈并引导蚁群优化算法对任务分配方案的搜索过程. 大规模测试算例验证了本文算法的效率.     

面向存储资源优化的遥感卫星任务规划算法

针对遥感卫星的成像任务规划问题,按照任务重要性的不同,提出了两阶段调度策略,并设计了两个时间窗口选择规则。以星上存储资源优化为目标,利用地面站的下传活动将整个规划过程分为较小的调度区间,提出了可用存储空间上界估计算法计算每个调度区间的可调度存储资源容量,以此为基础对问题进行了简化,并给出了基于规则的启发式求解算法。实验结果表明,该算法是有效的。     

基于改进烟花算法的密集任务成像卫星调度方法

传统卫星调度模型一般比较简单,当问题规模较大、任务比较集中时,往往会出现任务之间相互排斥,任务收益较低等缺点。针对这个问题,提出一种基于改进烟花算法（IFWA）的密集任务成像卫星调度方法。该方法在分析密集任务处理及成像卫星观测特点的基础上,首先对任务进行合成约束分析,然后基于合成任务综合考虑成像卫星可观测时间、任务间姿态调整时间、成像卫星能量和容量等约束因素,建立基于任务合成的多星密集任务调度约束满足问题（CSP）模型,最后改进烟花算法对该模型进行求解,利用精英选择策略在保证种群多样性同时加快了算法的收敛,得到较优的卫星调度方案。仿真结果表明该模型相比没有考虑任务合成因素,收益平均增加30%~35%,改进算法后效率上提升32%~45%,有效保证了调度方案的可行性和有效性。     

贪婪搜索算法在卫星调度中的应用

针对采用天气预报的滞后云层进行卫星调度影响观测图像质量和观测收益的问题,提出一种获取实时云层的数学模型,并基于此构建考虑实时变换云层的敏捷观测卫星（AEOS）调度模型。由于贪婪搜索算法（GSA）具有局部优化的特性,能够充分考虑卫星观测的云层和有限存储资源等约束,研究了GSA在该卫星调度问题中的应用。首先,GSA优先考虑观测任务的云层遮挡,并根据云层遮挡大小,计算待观测任务的图像质量,将之排序选择待观测的任务;其次,结合任务的大小、截止时间和卫星的存储资源约束,选择能够给观测收益带来最大化的任务;最后,进行观测和任务传送。仿真实验表明,在任务数为100的情况下,采用GSA进行卫星调度的任务收益比常用于卫星调度的动态规划算法（DPA）所获得任务收益提高了14.82%,比局部搜索算法（LSA）所获得任务收益提高了10.32%,并且同等条件下,采用GSA得到的观测图像的质量比其他两种方法得到的图像质量更高。实验结果表明,GSA在实际卫星调度中,能够有效地提高图像观测质量和任务观测收益。     

一个启发式任务团调度算法

基于任务聚类的启发式任务团调度是实现并行任务调度的有效方法。面向大型复杂武器系统的实时并行仿真,在研制自动并行化系统ＡＦＰ的过程中,基于关键任务的聚类算法,设计并实现了一个启发式任务图调度算法。     

顾及任务适宜度的时空谱多星协同观测方法研究

基于多源遥感卫星的时间、空间、光谱协同优化观测是国土资源与生态环境安全监测技术研究的重要内容。针对已有多星协同观测任务规划方法在地物光谱特性方面考虑不足的问题,分析了典型观测目标分类、地物波谱特性、传感器波段、卫星载荷之间的逻辑递推关系,提出了面向优化目标函数的适宜度指标,构建了时空谱一体化的多星对点目标协同观测的约束优化模型;进而,采用基于启发式规则的贪婪算法对模型进行求解,实现任务优先级和任务适宜度的同步优化。最后,以新疆尾矿库污染、耕地荒漠化、水资源污染和城镇发展应用问题为例对本文提出的方法进行实际仿真实验,验证了研究内容的先进性和实际应用价值。     

A two-phase scheduling method with the consideration of task clustering for earth observing satellites

Satellite observation scheduling plays a significant role in improving the efficiency of satellite observation systems. Although extensive scheduling algorithms have been proposed for the satellite observation scheduling problem (SOSP), the task clustering strategy has not been taken into account up to now. This paper presents a novel two-phase based scheduling method with the consideration of task clustering for solving SOSP. This method comprises two phases: a task clustering phase and a task scheduling phase. In the task clustering phase, we construct a task clustering graph model and use an improved minimum clique partition algorithm to obtain cluster-tasks. In the task scheduling phase, based on overall tasks and obtained cluster-tasks, we construct an acyclic directed graph model and utilize a hybrid ant colony optimization coming with a mechanism of local search, called ACO–LS, to produce optimal or near optimal schedules. Extensive experimental simulations demonstrate the efficiency of the proposed scheduling method.     

基于演化算法的带侧摆多星点目标调度算法

针对成像卫星观测效率较低的问题,提出了一种侧摆情况下的多星点目标调度方法。首先分析了卫星与地面目标的角度关系、正负侧摆角度以及时间窗口的计算方法。在此基础上,以最大化观测收益、最小化侧摆次数及最小化总的侧摆角度为优化目标,建立了带侧摆的多星点目标调度模型。并基于演化算法,提出了一种载荷侧摆情况下优化调度算法。算法中采用任务级别的单点交叉算子,通过时间窗口的选取进行变异操作,定义了基于冲突度的适应度计算函数,通过调整活动的实际开始时间来减少冲突,基于目标的优先顺序设计了个体的选择策略,基于冲突代价的概念设计了冲突消除方法。最后,针对一个具体的实例,给出了5星100个点目标在侧摆情况下的调度与仿真结果,并对侧摆角度分别为0°、10°、25°时的调度性能进行了分析。实验结果表明,当侧摆角度为25°时,其观测效率比无侧摆时提高18%,该方法在应急救灾及战时快速响应等应用上有着重要的价值。     

基于时间负载均衡蚁群算法的云任务调度优化

针对云渲染系统中渲染节点与任务不匹配调度而带来的时间负载不均衡和耗时长的问题,提出一种基于时间负载均衡的任务调度方式来优化系统耗时的策略.该算法采用Min-min与Max-min相结合的思想,建立时间负载均衡模型进行前期迭代,将迭代结果作为蚁群算法的初始序列,并按照适应度规则计算出相应的初始信息素,同时通过单一变量法确定合理的参数,蚁群算法采用已有的初始资源和参数值进行后期迭代,根据标准量度自定义函数进行高效寻优,进而求得最终的任务调度序列.仿真结果表明,本策略既具有较高的搜索效率和较强的全局寻优能力,又能有效降低任务完成时间,且在时间负载均衡和寻优速度方面均显著优于蚁群算法和蚁群退火算法.     

求解卫星舱布局问题的蚁群劳动分工优化算法

卫星舱布局是卫星总体设计的重要组成部分,其研究的是仪器设备在卫星舱内的最佳摆放方式.从空间的角度出发,卫星舱布局的一个设计方案就是不同的仪器设备在容器内占据着不同的空间,当仪器设备所占空间发生变化时,就会形成新的设计方案.因此,卫星舱布局可以看成是将容器空间合理地分配给仪器设备(分配特性),并达到某种最优指标(优化特性).在借鉴蚁群劳动分工任务分配实现卫星舱布局空间分配的基础上,进一步融合卫星舱布局的优化特性,提出一种蚁群劳动分工优化算法.在具体的实现过程中,为基本蚁群劳动分工算法设计启发式占位动作、自适应环境刺激和个性化响应阈值,同时引入禁忌搜索、跳坑策略和接收准则等优化技术,对16个代表性算例的计算结果表明,所提出算法是求解卫星舱布局的有效算法.     

融合模糊聚类的蚁群图像增强算法

为提高边缘检测精准度,保证图片分割后效率和效果,本文提出一种基于融合模糊聚类的蚁群图像增强算法。该算法利用分量灰度值、灰度梯度值和领域特征值进行图像特征提取,得到特征灰度图;然后使用模糊聚类算法对区域蚂蚁进行聚类以提高收敛速度;再采用蚁群算法进行图像边缘检测,检测过程中,使用路径选择策略对蚁群进行有序搜索,提高搜索效率,又根据信息素更新策略进行最优路径信息交流,以达到边缘点提取与检索目的;最后将检索所得灰度边缘图与原图进行重合,得到图像增强效果。实验结果表明,该改进算法在检索时间方面相较于传统蚁群算法提高了20.7%;在精度方面提高了14.8%,图片分割效果更好,纹理更清晰。     

基于改进蚁群算法的物流运输路径研究

为了在复杂的交通环境中能够快速求解出物流运输的最优路径,在传统蚁群算法基础之上提出了一种基于改进蚁群算法的物流运输路径优化模型。首先,通过在传统蚁群算法中加入基于运输时间、成本、道路平均通畅程度因子的约束条件,同时改进传统信息素的更新方式,对道路上的信息素浓度进行最大最小限制,从而改变路径选择转移概率。最后,利用改进蚁群算法与CSAACO算法、ACO算法进行仿真实验,在相同实验环境条件下测试3种算法在物流运输路径的距离缩短量和时间减少量,实验数据表明,改进蚁群算法在运输距离和运输时间方面明显低于CSAACO算法和ACO算法。改进蚁群算法拥有更强的全局寻优能力,算法收敛速度更快,所需时间更少,获得的最优路径更短,提高了整个物流行业的运输效率。     

基于蚁群-遗传融合框架的仓储群机器人任务分配

将智能仓储中的自主移动群机器人订单任务分配,建模成群机器人协同调度的多目标优化问题,将成员机器人完成拣货任务的路径代价和时间代价作为优化目标.设计了蚁群-遗传算法融合框架并在其中求解.该框架中,蚁群算法作为副算法,用于初始种群优化;遗传算法改进后作为主算法.具体地,在遗传算法轮盘赌选择算子后引入精英保留策略,并在遗传操作中加入逆转算子.针对不同数量的订单任务,使用不同规模的群机器人系统进行了任务分配仿真实验.结果表明,在本文所提的融合框架中求解,较分别使用蚁群算法或遗传算法单独求解,性能上具有明显优势,能够发挥蚁群算法鲁棒性好和遗传算法全局搜索能力强的特点,提高智能仓储系统的整体运行效率.     

基于拥挤度的改进蚁群算法

针对蚁群算法在求解旅行商问题时收敛时间长,且易陷入局部最优状态的缺陷,提出一种基于拥挤度的动态信息素蚁群优化策略。该算法引入静态拥挤度和动态拥挤度算子,主动提前预防停滞现象。将拥挤度与状态转移规则相结合,使蚁群状态实时跟随路径搜索情况而改变,提高蚁群自适应能力。针对蚁群路径搜索情况,加入邻域搜索优化规则,缩小搜索区域,结合2-opt局部优化策略,加快蚁群收敛速度。仿真结果表明,本算法既有较高的搜索效率又有较强的全局搜索能力。对比其他优化算法,无论是求解质量、稳定性还是收敛速度都能达到令人满意的效果。