[发明专利]基于数据驱动型敏捷卫星任务并行调度方法

摘要

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。

主权项

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：/n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；/n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；/n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；/n步骤4：对多个平行的单星调度问题进行求解；/n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；/n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：/n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；/n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；/n步骤2.2中所述深度学习算法为协同进化神经网络算法；/n所述协同进化神经网络算法的步骤为：/n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；/n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；/n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；/n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；/n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；/n步骤2.3：得到训练后的任务调度概率预测模型。/n