[发明专利]一种多星协同任务规划方法

说明书

本发明提供了一种多星协同任务规划方法，包括如下步骤：步骤1，为多星协同任务设定编码规则；步骤2，基于编码规则，采用蚁群算法搜索多星协同任务的次优解；步骤3，蚁群算法搜索陷入局部最优时，使用蚁群算法快速搜索到的次优解作为模拟退火算法的初始解，继续采用模拟退火算法进行搜索，直至达到迭代步数或者达到优化目标，输出结果，确定每个任务对应的执行卫星。本发明中多星协同任务规划方法，使用蚁群算法快速搜索到的次优解作为模拟退火算法的初始解，使模拟退火算法能在一个较高的起点开始对问题进行寻优，解决了模拟退火前期搜索速度慢以及蚁群算法易陷入最优的缺陷，在提高优化速度的同时，可以寻到更优的解，对任务的规划更优。

技术领域

本发明属于深空探测技术领域，涉及一种卫星任务规划方法，具体涉及一种多星协同任务规划方法。

背景技术

对地观测卫星(Earth Observing Satellite,EOS)主要通过星载传感器从太空获取地球表面相关信息，具有运行时间长、覆盖范围广等独特优势。目前，对地观测卫星在灾害防治、气象预报、环境保护、军事侦察、现代农业以及大地测绘等诸多领域都发挥了重要作用，为人类带来了可观的社会和经济效益。当前，对地观测领域的快速发展带来了前所未有的机遇与挑战，用户对遥感信息的依赖日益加深，使得观测目标日趋多样化、观测范围更加广泛，期望对地观测卫星能够完成更加复杂的任务。但是相对于复杂且数量巨大的观测任务需求，对地观测卫星资源仍然十分有限。如何统筹安排对地观测卫星资源，达到充分合理利用航天资源和最大化满足用户需求的目的，已成为目前对地观测领域亟待解决的问题。

在现有的卫星任务规划研究中，大多是将成像卫星任务规划问题建模为优化问题，然后采用各种优化算法进行求解。

每种优化算法在求解多星协同任务规划问题时，都有其优缺点。遗传算法虽然全局搜索能力较强，但是其搜索速度较慢，且局部搜索能力差，在搜素全局最优解时往往会花费较多的时间。对于蚁群算法来说，蚁群算法利用了信息素的正反馈特性，能够较快的时间内搜索到较优解，但是算法易陷入早熟，即某路径的信息素浓度明显高于其他路径时，算法会过快的收敛于该路径。模拟退火算法虽然局部搜索能力强，不易于陷入局部最优解，但是收敛速度慢，执行时间长，算法性能与初始值有关及参数敏感等缺点。粒子群算法虽然有较快逼近最优解的能力。但是，由于所有粒子都向最优解的方向飞去，所有粒子趋于同一化(失去了多样性)使得后期收敛速度明显变慢，同时算法收敛到一定精度时，无法继续优化，所能达到的精度也不高。

发明内容

为了克服现有技术的不足，本发明人进行了锐意研究，提出一种蚁群算法与模拟退火算法相结合的多星协同任务规划方法，针对蚁群算法前期搜索速度较快但是易陷入早熟停滞状态，模拟退火算法的局部搜索能力强但是前期搜索速度较慢等问题，本发明规划方法首先利用蚁群算法进行快速搜索，当陷入局部最优时，改用模拟退火算法进行全局的寻优，保证算法具有快速收敛和全局搜索能力，具有前期搜索速度快，且在搜索后期可以跳出局部最优的优点，从而完成本发明。

本发明的目的在于提供以下技术方案：

本发明提供了一种多星协同任务规划方法，该规划方法包括以下步骤：

步骤1，为多星协同任务设定编码规则；

步骤2，基于编码规则，采用蚁群算法搜索多星协同任务的次优解；

步骤3，蚁群算法搜索陷入局部最优时，使用蚁群算法快速搜索到的次优解作为模拟退火算法的初始解，继续采用模拟退火算法进行搜索，直至达到迭代步数或者达到优化目标，输出结果，确定每个任务对应的执行卫星。

进一步地，数字编码规则为：根据任务数量N_t，设定等长的数字编码，编码上的每个元素定义为基因，每个基因有其相对应任务的编号；其基因的值为对应的时间窗口编号；任务的时间窗口与卫星相对应，确定了时间窗口编号，也就确定了此基因对应任务所选择的卫星编号；