[发明专利]基于数据驱动型敏捷卫星任务并行调度方法

权利要求书

1.基于数据驱动的大规模敏捷卫星任务并行调度方法，其特征在于：包括以下步骤：

步骤1：获取敏捷成像卫星历史任务调度数据和待分配任务集；

步骤2：通过基于深度学习算法使用历史任务调度数据对任务预测模型进行训练，并基于训练后的预测模型对每个待分配任务的调度概率进行预测；

步骤3：根据卫星任务调度概率预测结果，将待分配任务集中的每个任务分配给调度概率最大的敏捷卫星，从而将大规模多敏捷成像卫星任务调度问题转化成多个平行的单星调度问题；

步骤4：对多个平行的单星调度问题进行求解；

步骤5：输出待分配任务集中每一个待分配任务的敏捷成像卫星任务调度序列；

步骤2中基于深度学习算法使用历史任务调度数据对任务预测模型进行训练的具体方法为：

步骤2.1：提取历史任务调度数据的任务特征作为样本训练数据；

步骤2.2：使用样本训练数据基于深度学习算法对任务预测模型进行训练；

步骤2.2中所述深度学习算法为协同进化神经网络算法；

所述协同进化神经网络算法的步骤为：

步骤2.2.1：初始化，提取任务特征作为初始神经网络的输入，生成具有相同神经网络结构的初始种群，所述初始种群具备输入节点和输出节点；

步骤2.2.2：选择，选择80％种群规模的神经网络个体并保留它们到下一代；

步骤2.2.3：交叉，随机选择60％种群规模的神经网络结构个体进行交叉操作，然后进行禁忌搜索操作，用交叉后较优的个体替换父代中较差的个体，并保持种群大小不变；

步骤2.2.4：变异，随机选择20-40％种群规模的神经网络结构个体进行变异操作，随后进行禁忌搜索操作，用变异后较优的个体替换父代中较差的个体；

步骤2.2.5：若满足最大迭代次数或样本预测准确度阈值时，则输出该神经网络模型，否则跳至步骤2.2.2；

步骤2.3：得到训练后的任务调度概率预测模型。

2.根据权利要求1所述的基于数据驱动的大规模敏捷卫星任务并行调度方法，其特征在于：所述任务特征为：任务优先级、成像时间、成像时间窗口数量、成像时间窗口长度、成像时间窗口冲突数、成像时间窗口冲突长度。

3.根据权利要求1所述的基于数据驱动的大规模敏捷卫星任务并行调度方法，其特征在于：步骤3中所述将待分配任务集中的每个任务分配给调度概率最大的敏捷卫星的方法为：

步骤3.1：将待分配任务集R⁰中的任务按照优先级降序进行排序；

步骤3.2：将候选敏捷卫星集合S按照最早可见时间窗时刻升序进行排序；

步骤3.3：假设任务r_i分配给卫星s_j，则提取任务特征f_ij，其中r_i∈R⁰表示第i个待分配任务，s_j∈S，表示第j个候选敏捷卫星，f_ij表示第i个任务r_i分配给第j个卫星s_j时的任务特征；

步骤3.4：将任务特征f_ij输入任务调度概率预测模型预测出任务可调度概率，记录任务r_i分配给卫星s_j的调度预测概率，若候选卫星遍历完毕，转步骤3.5，否则返回步骤3.3且j＝j+1；

步骤3.5：输出任务r_i调度预测概率最大的卫星s_j，将任务r_i分配给该卫星；

步骤3.6：若任务分配完毕，则结束，否则转步骤3.3且i＝i+1。

4.根据权利要求2所述的基于数据驱动的大规模敏捷卫星任务并行调度方法，其特征在于：所述成像时间窗口冲突长度的计算方法为：

步骤2.1.1：将已分配给该卫星的全部任务按照可见时间窗口在时间轴上排列；

步骤2.1.2：计算待分配任务的可见时间窗口与已分配任务可见时间窗口的总重叠长度。

5.根据权利要求1所述的基于数据驱动的大规模敏捷卫星任务并行调度方法，其特征在于：步骤4中所述对平行的单星调度问题进行求解的方法为禁忌模拟退火算法或禁忌逾期算法。