基于STK跟踪与数据中继卫星轨道设计与仿真

发展跟踪与数据中继卫星对于构建天基测控网有着重要意义.概述了跟踪与数据中继卫星的定义与任务,阐述了跟踪与数据中继卫星通常选择的轨道,分析了地球静止轨道(GEO)中继卫星的地面覆盖特性和两颗GEO星组网的轨道覆盖盲区,以及中低轨卫星组网的步骤.提出了利用STK仿真分析中继卫星星座构形的方法,设计了基于STK的适合我国的地球静止轨道、大椭圆轨道、近圆轨道三种轨道的中继卫星星座与中低轨用户星的可见性仿真试验,通过对仿真结果的分析提出了我国中继卫星星座构形的初步设想.     

卫星任务调度统一化建模与多策略协同求解方法

针对卫星任务调度“一星一系统”、测运控分离的现状,以卫星执行任务产生的星上独立事件和星地协同事件作为调度对象,以事件可执行时机作为调度资源,建立卫星任务调度统一化约束满足模型,将传统运控任务调度与测控任务调度纳入统一的建模方法.为保障模型的通用性和适应性,设计包含构造启发式、智能优化和针对性算法改进的多策略协同求解方法,搭建卫星任务调度算法与调度模型松耦合、模块化的系统架构.实验测试表明,所提出方法能够弥补传统模型在敏捷遥感卫星任务调度和高轨卫星测控调度场景下的局限性,在Benchmark问题和实际应用场景中均表现出良好的适用性和优化效果.     

双层探测卫星网络半分布式资源调度方法

对具有高轨和低轨双层星座的探测卫星网络资源调度问题进行研究,提出一种半分布式调度方法.给出一种基于高轨星覆盖域的低轨星分群算法,在此基础上建立半分布式资源管理机制与对应的资源调度问题多主体求解框架.设计了群间分布协商策略--基于改进合同网的两级协商策略和群内集中调度方法--粒子群调度算法.实验结果表明,同完全分布式和集中式算法相比,该方法具有更优的求解性能和处理动态任务的能力.     

基于星间链路技术的GEO卫星定轨精度分析

地球静止轨道(GEO)卫星具有对地静止的特性,GEO 卫星应用日益增多,在高分辨率对地观测、气象、通信等领域都发挥着越来越重要的作用,对其轨道确定的需求也越来越高,研究GEO卫星的高精度定轨技术迫在眉睫。传统方法中利用地面站对GEO卫星实现实时自主定轨存在系统误差大、观测几何差等问题,导致星地测量的误差在定轨过程中被放大的倍数急剧增加,影响了GEO卫星定轨精度的提高。利用GPS卫星实现对GEO卫星的定轨时存在可见GPS卫星数量少,接收到的信号微弱,测量精度不够的问题。星间链路具有对GEO卫星观测几何好、测量精度高的优点,为GEO卫星定轨开辟了新思路。针对在星间链路资源有限情况下如何选择MEO卫星组合与GEO卫星进行建链的问题,以星间链路构型的PDOP值为优化指标,对MEO卫星对PDOP值的影响进行了分析,提出了遍历选星、直接选星、迭代选星三种链路资源配置策略,确定与GEO卫星进行建链观测的MEO卫星组合,并用仿真方法对三种算法进行验证,结果表明,提出的迭代选星的链路资源配置策略,能将GEO卫星的定轨精度维持在7~40m以内,同时将星间链路的使用效率提高5~120倍。     

基于分解思想的导航星座多目标优化

导航星座多目标优化是寻找既能满足设计指标又能使代价最小的理想导航星座。首先,建立了一种由中轨道卫星(MEO)、地球静止轨道卫星(GEO)和倾斜同步轨道卫星(IGSO)组成的混合星座构型模型,并提出一种将星座性能和星座成本作为目标函数的多目标导航星座优化方法,其次,分析了优化目标函数加权几何精度因子WGDOP、可见星数目M和导航星座成本的选择及计算方法,并将基于分解思想的多目标优化算法(MOEA/D)引入导航星座优化中。最后,建立了导航星座多目标优化的数学模型,对基于北斗系统的混合星座进行优化,提出一种新的北斗系统的优化方案。     

成像卫星星地联合成像调度

成像卫星星地联合调度问题,涉及调度对象众多,约束条件复杂,需要考虑任务的观测、回传2个过程,是一个具有两层时间窗口约束的双层优化问题,统一建模困难。根据问题的特点,采用基于阶段优化的方式,降低了问题的复杂性。把问题分为观测调度阶段和数据回传调度阶段,分别给出了优化目标和约束条件,建立了基于阶段优化的成像卫星星地联合调度模型,实现了从任务观测到数据回传的全过程调度。仿真实例表明,该方法能够有效解决多星多站的协同任务调度问题。     

中轨道Walker导航星座备份策略分析SS设计北大核心

针对中轨道Walker导航星座的备份策略问题,设计与实现了中轨道Walker导航星座备份策略分析仿真软件。软件由卫星可靠性分析模块、星座备份策略分析模块以及在轨备份星轨位设计模块组成。详细介绍了软件各组成模块的功能特性和关键技术,并给出了软件的应用实例。该软件能有效模拟卫星部件随机故障的动态行为,可为导航星座备份策略分析提供更为准确的卫星可靠性模型,支持对不同备份策略进行评估分析,从而获得不同条件下的最优备份策略,同时可对备份策略中在轨备份星轨位进行优化设计,可推广应用于其它卫星星座备份策略分析评估。     

基于双星定位系统的两类联合定轨模型及其等价性分析

对于基于双星定位系统的近地卫星精密定轨而言,定位星的轨道误差成为制约近地卫星定轨精度的瓶颈,一般采取定位星与用户星联合定轨策略来改善用户星的定轨精度。为此讨论了仅仅利用星间相对测量信息的自主定轨的亏秩问题,然后从测量几何关系的距离和测距数据2个不同角度建立了基于双星定位系统的近地卫星联合定轨模型,并对两类模型的等价性进行了分析和证明。     

基于确定性网络的网端一体流量交换机制

低轨卫星通信系统不受地理条件限制，相比于地面通信有覆盖范围广、运维成本低、部署周期短等优点，因此逐渐受到人们的关注。但对于低轨星座来说，拥有众多卫星节点的无线多跳网络，总传输和处理时延明显增大。确定性网络是近几年工业界新提出的一种网络技术，可以解决传统传统网络有关丢包和时延相关的需求，这与低轨卫星网络的需求相同。研究了地面网络确定性网络的关键技术和卫星网络的相关特征，将确定性网络技术应用到低轨星座，将ATS异步流量整形算法应用到星地间流量控制上，提出一种星载交换机制，优化了星载交换机的资源使用和丢包。借助NS3软件仿真了相关场景，并对结果进行分析，在多个仿真场景中均优化了星上资源利用，缓解了拥塞问题，在最优参数场景下实现了0丢包，吞吐量有5%以上的提升。     

基于双星定位系统的两类联合

对于基于双星定位系统的近地卫星精密定轨而言,定位星的轨道误差成为制约近地卫星定轨精度的瓶颈,一般采取定位星与用户星联合定轨策略来改善用户星的定轨精度.为此讨论了仅仅利用星间相对测量信息的自主定轨的亏秩问题,然后从测量几何关系的距离和测距数据2个不同角度建立了基于双星定位系统的近地卫星联合定轨模型,并对两类模型的等价性进行了分析和证明.     

基于自适应多目标强化学习的服务集成方法

当前服务互联网（IoS）中的服务资源呈现精细化、专业化的趋势，功能单一的服务无法满足用户复杂多变的需求，服务集成调度方法已经成为服务计算领域的热点。现有的服务集成调度方法大都只考虑用户需求的满足，未考虑IoS生态系统的可持续性。针对上述问题，提出一种基于自适应多目标强化学习的服务集成方法，该方法在异步优势演员评论家（A3C）算法的框架下引入多目标优化策略，从而在满足用户需求的同时保证IoS生态系统的健康发展。所提方法可以根据遗憾值对多目标值集成权重进行动态调整，改善多目标强化学习中子目标值不平衡的现象。在真实大规模服务环境下进行了服务集成验证，实验结果表明所提方法相对于传统机器学习方法在大规模服务环境下求解速度更快；相较于权重固定的强化学习（RL），各目标的求解质量更均衡。     

基于云计算神经网络物流车辆调度算法研究

研究了物流车辆调度优化问题。针对云计算下任务调度算法没有考虑调度的服务质量和用户满意度的问题,特别是在物流任务调度问题中存在复杂的计算网络,造成计算率降低,为了解决上述问题,提出了一种新的有关云计算和神经网络相结合的物流作业调度算法。算法充分考虑了调度的服务质量以及用户满意度,建立一个参数化的处理模型,计算用户在各个资源上的综合满意度,再将任务分配到满足用户需求和使系统资源达到均衡的资源上执行,最后采用改进的神经网络进行优化车辆调度。实验结果表明,改进算法不仅能满足用户的多种需求,提高了用户的满意度,同时也提高了资源调度率和系统资源的利用率。     

基于用户满意度的网格资源调度遗传算法

传统的网格资源调度研究注重调度的性能,很少考虑调度的服务质量。针对上述问题,设计3种类型的用户满意度评估方法衡量调度的服务质量,提出一种基于用户满意度的网格资源调度遗传算法,以用户满意度作为遗传变异的依据,实现网格资源调度过程的优化。实验表明,该算法能在保证较优调度性能的同时大幅度提高调度的服务质量。     

考虑任务依赖的卫星边缘计算资源分配与卸载决策算法

针对高低轨卫星网络协同边缘计算的卸载决策问题,提出了一种考虑任务依赖的联合计算资源、无线资源分配与任务调度的卫星网络边缘计算卸载决策算法。首先,将任务卸载问题建模为最小化任务延迟和能量消耗的联合优化问题;然后,将能源消耗和时延引入子任务优先级定义中,基于动态优先级进行启发式卸载策略搜索。该算法保证了子任务之间的依赖性并同时考虑了无线资源分配。仿真结果表明,与已有研究相比,该算法能缩短高低轨卫星协同计算的任务执行延迟,且能够降低低轨卫星功耗。     

Optimization decomposition approach for layered QoS scheduling in grid computing

The paper presents optimization decomposition based layered Quality of Service (QoS) scheduling for computational grid. Cross layer joint QoS scheduling is studied by considering the global problem as decomposed into three sub-problems: resource allocation at the fabric layer, service composing at the collective layer, and user satisfaction degree at the application layer. The paper proposes a complete solution from optimization modeling, Lagrange relaxation based decomposition, to solutions for each sub-problem Lagrange relaxation based decomposition. These aspects match the vertical organization of the considered grid system: each layer trade with adjacent layers to find a global optimum of the whole grid system. Through multi-layer QoS joint optimization approach, grid global QoS optimization can be achieved. The cross layer policy produces an optimal set of grid resources, service compositions, and user’s payments at the fabric layer, collective layer and application layer, respectively, to maximize global grid QoS. The owner of each layer obtains inputs from other layers, tries to maximize its own utility and provides outputs back to other layers. This iterative process lasts until presumably all layers arrive at the same solution.     

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.     

5G超密集异构网络带内无线回传资源分配方案

为实现5G超密集异构网络中无线回传链路和接入链路之间的最优资源分配,研究多用户场景下双层异构网络的联合用户调度和功率分配问题,在队列稳定和无线回传资源有限的情况下,综合考虑用户调度、功率分配和干扰控制等因素,对带内无线回传的最优资源分配问题进行数学建模并求解,基于李雅普诺夫优化理论提出联合用户调度和功率分配的优化算法。将优化问题解耦为网络内各个用户的调度以及宏基站和小基站的功率分配过程,采用MOSEK求解器和二分类方法获得用户调度向量,利用拉格朗日乘子法求解功率分配问题,并通过队列的时刻更新过程实现最优资源分配。仿真结果表明,在多用户场景下,该方案能够有效提升网络总吞吐量以及网络效用,并且毫米波频段的通信性能优于传统蜂窝网络频段。     

强化学习A3C算法在电梯调度中的建模及应用

为让电梯调度算法在电梯电力能耗、用户乘梯体验和算法适应性方面具备更好表现,在目前主流的电梯调度算法基础之上,提出对调度环境、电梯行为和调度目标3个方面进行统一建模的基于强化学习A3C的电梯智能调度算法.让调度电梯在不断地和环境交互学习过程中逐渐学习得到最优电梯调度策略,与基于具体环境建模的相关电梯调度算法进行对比实验,...     

基于DQN的超密集网络能效资源管理

小基站的密集随机部署会产生严重干扰和较高能耗问题,为降低网络干扰、保证用户网络服务质量（QoS）并提高网络能效,构建一种基于深度强化学习（DRL）的资源分配和功率控制联合优化框架。综合考虑超密集异构网络中的同层干扰和跨层干扰,提出对频谱与功率资源联合控制能效以及用户QoS的联合优化问题。针对该联合优化问题的NP-Hard特性,提出基于DRL框架的资源分配和功率控制联合优化算法,并定义联合频谱和功率分配的状态、动作以及回报函数。利用强化学习、在线学习和深度神经网络线下训练对网络资源进行控制,从而找到最佳资源和功率控制策略。仿真结果表明,与枚举算法、Q-学习算法和两阶段算法相比,该算法可在保证用户QoS的同时有效提升网络能效。