[发明专利]基于数据驱动型敏捷卫星任务并行调度方法

说明书

本发明公开了一种基于数据驱动型敏捷卫星任务并行调度方法，包括步骤1、获取敏捷成像卫星历史任务调度数据和待分配任务集；2、通过基于深度学习算法对任务预测模型进行训练，并对每个待分配任务的调度概率进行预测；3、根据概率预测结果，将每个任务分配给调度概率最大的卫星，将大规模卫星任务调度问题转化成多个平行的单星调度问题；4、求解；5、输出每一个待分配任务的敏捷成像卫星任务调度序列。本发明通过机器学习算法得到的任务调度概率预测模型，将每个任务分配给调度概率最大的卫星来执行，使复杂问题得到了简化，使任务调度时间由小时级缩短到分钟级，有效提升了大规模敏捷成像卫星任务的调度效率。

技术领域

本发明属于任务规划调度领域，尤其涉及一种基于数据驱动型敏捷卫星任务并行调度方法。

背景技术

随着卫星技术的不断发展，以及人类对地球与太空资源的不断开发利用，应用卫星已经成为一种十分重要的天基资源。根据不同的卫星应用类型，应用卫星通常可以分为成像卫星、通讯卫星和导航卫星。其中，地球成像卫星主要拍摄或收集地球表面的图像与情报信息，已在资源勘测、地理信息系统管理、气象预报、导弹预警等各类军事或民用领域得到广泛应用。随着我国成像卫星应用向广度和深度的不断发展，各行业用户向卫星管控部门提出了大规模、复杂化的对地成像需求。同时，在国家航天发展战略的不断推进下，我国在轨成像卫星数量也持续增长。面临着需求规模和资源规模双重增长，如何通过合理调度充分发挥成像卫星观测能力、提升多星协同管控水平、最大化卫星资源使用效益，成为一个必需研究的课题。

为了克服传统成像卫星只具备滚动自由度成像能力的不足，世界各卫星大国相继研发并发射了具备完整三个自由度转动成像能力的敏捷成像卫星。如图1(a)所示，由于传统卫星只具备绕着飞行轨迹侧摆的成像能力，故只能拍摄其星下点轨迹两点的地面目标。那么传统卫星任务调度问题可以理解为为每个地面目标选择一个卫星成像机会，称为可见时间窗口(Visible Time Window,VTW)。而对于图1(b)所示敏捷成像卫星，由于其还具备俯仰和偏航的机动能力，故敏捷成像卫星的可见时间窗口通常要更长。换言之，同一个地面目标的成像任务，若由传统卫星执行，则该成像动作需要覆盖整个可见时间窗口；而若由敏捷成像卫星执行，则该成像活动可以在可见时间窗口内的任意时刻开始。那么敏捷成像卫星的调度问题不仅需要决策可见时间窗口的选择，同时还要决策成像动作在窗口内的开始时刻。可见，敏捷成像卫星的任务调度问题将具有更大的解空间，带来了更高的求解难度。此外，为了满足持续增长的对地观测任务需求，多星协同技术也常常被使用，这样无疑进一步加剧了敏捷成像卫星任务调度大规模和长时耗的特点。在目前卫星管控部分每天仅预留事迹分钟到几小时调度时间的现实背景下，怎样在有限时间内快速对大规模多敏捷成像卫星进行调度并给出调度方案已成为敏捷成像卫星任务调度的首要难题。

发明内容

本发明要解决的技术问题是针对大规模敏捷卫星调度速率慢，不能在有限时间内快速给出调度方案的问题，提供了一种基于数据驱动型敏捷卫星任务并行调度方法。

为解决该问题，本发明采用的技术方案是：

基于数据驱动型敏捷卫星任务并行调度方法，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。

进一步地，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：