一种基于滚动优化的SAR卫星任务收益最大化方法及系统
本发明属于合成孔径雷达(sar)卫星任务规划,具体涉及一种基于滚动优化的sar卫星任务收益最大化方法及系统。
背景技术:
1、sar(synthetic aperture radar,合成孔径雷达)卫星是一种主动式微波成像遥感卫星,具有全天时、全天候的观测能力,广泛应用于地质灾害监测、海洋观测、农业估产等领域。sar卫星在轨道运行过程中,需要执行多个观测任务,每个任务涉及工作模式(如条带模式、扫描模式、聚束模式)、波位参数、极化方式等参数配置。不同任务之间需要进行工作模式切换,不同工作模式对之间的切换时间各不相同,这一特性为任务规划增加了新的优化维度。此外,部分sar卫星支持多波束扫描模式,可在同一时刻照射两个不同目标区域,进一步增加了任务规划的复杂度。
2、目前,sar卫星任务规划主要采用以下方法:
3、基于优先级排序的方法:按照任务优先级从高到低依次安排,优先保证高优先级任务的执行。该方法实现简单、计算速度快,适用于星上实时决策场景,但未考虑任务之间的切换时间消耗,难以在任务收益与切换成本之间取得平衡。
4、基于启发式算法的方法:采用贪心算法、禁忌搜索、模拟退火等启发式方法进行任务编排。该类方法能够在满足时间窗约束的前提下获得较优解,计算复杂度适中,适用于中等规模任务规划问题。然而,传统启发式方法在搜索过程中容易陷入局部最优,且对动态任务变化的响应能力有限。
5、基于元启发式算法的方法:采用遗传算法、自适应大邻域搜索(alns)、粒子群优化等元启发式算法进行全局优化。该类方法通过设计多种算子和自适应机制,能够在解空间中进行充分搜索,有效避免局部最优。其中,alns算法因其灵活的算子设计框架和自适应权重更新机制,近年来在卫星任务规划领域得到了广泛应用。然而,现有方法主要关注任务优先级和时间窗约束,忽略了不同工作模式之间的切换时间差异对任务序列优化的影响。
6、基于精确算法的方法:将任务规划问题建模为混合整数线性规划模型,采用分支定界、动态规划等精确算法求解。该方法理论上可获得全局最优解,但计算复杂度随任务数量呈指数级增长,难以应对大规模任务或动态变化的任务环境,主要适用于离线规划场景。
7、然而,当前的各种方法存在以下不足:
8、忽略工作模式切换时间对有效观测时长的占用:sar卫星在不同工作模式之间切换时,不同工作模式对之间的切换时间各不相同,这一特性为任务规划增加了新的优化维度。现有方法未充分考虑切换时间对有效观测时长的挤占效应,导致实际可执行的任务数量低于理论值。
9、未充分利用多波束同时照射能力:部分先进sar卫星支持多波束扫描模式,可在同一时刻发射两个独立波束,分别照射两个不同目标区域。现有任务规划方法未考虑这一能力,导致卫星资源利用不充分。
10、缺乏动态任务响应能力:在轨运行过程中,经常出现紧急任务上注、原任务因天气等原因无法执行等动态情况。现有方法多为静态规划,难以实时响应任务变化。
11、优化目标单一:现有方法通常以任务数量最大化或切换时间最小化为目标,未将任务收益与工作模式切换成本综合权衡,导致整体观测效益不优。
12、因此,亟需一种基于滚动优化的sar卫星任务收益最大化方法及系统,在有限的可执行时间内最大化总观测收益。
技术实现思路
1、本发明提出了一种基于滚动优化的sar卫星任务收益最大化方法及系统,在解决现有技术中sar卫星任务规划忽略工作模式切换时间影响、未充分利用多波束能力、缺乏动态响应机制的问题,实现在有限的可执行时间内最大化总观测收益。
2、本发明提供一种基于滚动优化的sar卫星任务收益最大化方法,执行如下步骤:
3、步骤s1、初始化滚动优化周期:将sar卫星的多个轨道圈次划分为多个滚动优化周期,每个所述滚动优化周期对应一个预设的时间窗口,设置当前滚动优化周期序号为p=1;所述时间窗口覆盖一个轨道圈次或连续多个圈次。
4、将sar卫星的每个轨道圈次确定为一个滚动优化周期。例如,某典型低轨sar卫星的单圈轨道周期约为90分钟,其中可用于成像的有效时段约为总时长的40%~60%,即 ttotal约为30-50分钟。每个所述滚动优化周期对应一个预设的时间窗口,设置当前滚动优化周期序号为。
5、步骤s2、获取所述当前滚动优化周期任务池:在第p个滚动优化周期开始前,获取所述当前滚动优化周期内所有待执行任务的任务参数;
6、所述任务参数包括:每个任务的观测收益、所请求的工作模式、可见执行时间窗、成像持续时长;同时,获取所述当前滚动优化周期开始时刻卫星所处的初始工作模式。
7、典型地,观测收益 的取值范围为1~100,持续时长的取值范围为5~60秒。
8、步骤s3、构建工作模式切换时间矩阵:获取由卫星供应商提供的工作模式切换时间参数,构建任意两个任务之间的工作模式切换时间矩阵;
9、所述切换时间参数包括不同工作模式之间的切换时间,表示从工作模式 切换至工作模式 所需的时长,该时间由供应商提供。工作模式切换时间矩阵为对称矩阵,即对于任意两种工作模式均有。
10、所述切换时间参数包括不同工作模式之间的切换时间。
11、表1 所述工作模式切换时间表
12、
13、其中,各t值为供应商提供的切换时间参数,单位为秒。
14、步骤s4、构建所述当前滚动优化周期任务收益最大化模型:以最大化所述当前滚动优化周期内任务序列的总观测收益为优化目标;
15、以任务执行序列为决策变量,构建任务收益最大化模型;
16、所述任务序列需满足时间窗约束、工作模式切换时间约束、总执行时长约束以及多波束同时照射能力约束;
17、步骤s5、求解所述当前滚动优化周期任务收益最大化模型:采用改进的自适应大邻域搜索算法求解所述任务收益最大化模型,得到所述当前滚动优化周期的最优任务执行序列;
18、步骤s6、执行所述当前滚动优化周期任务并更新状态:
19、控制sar卫星按所述最优任务执行序列执行所述当前滚动优化周期的任务,在执行过程中,实时监测任务完成状态,将已完成任务从任务池中删除,将新增任务添加到任务池中,并在所述当前滚动优化周期结束时更新卫星的当前工作模式;
20、所述新增任务的添加方式包括以下至少一种:
21、地面站临时上注的紧急观测任务;
22、卫星在轨自主检测到的新目标观测任务;
23、因天气条件变化或其他因素导致原任务无法执行而生成的新任务;
24、上一周期未完成且仍在时间窗内的延期任务。
25、步骤s7、滚动迭代:设置p=p+1,跳转至步骤s2,直至全部滚动优化周期处理完毕,并输出各滚动优化周期的任务执行序列。
26、进一步地,所述步骤s3中所述的工作模式切换时间通过一个 维切换时间矩阵 表征,其中元素 表示从第 种工作模式切换至第 种工作模式所需的时长,,为工作模式总数且满足:
27、当时,;
28、当时,;
29、对于任意 ,均有 ,即切换时间矩阵为对称矩阵。
30、该切换时间由载荷供应商提供。
31、进一步地,所述步骤s4中,所述多波束同时照射能力约束包括:当sar卫星的工作模式为多波束扫描模式时,卫星支持在同一时刻发射两个独立波束;
32、若两个任务的工作模式均为多波束扫描模式,则两个任务可并行执行,任务间的工作模式切换时间为零。
33、进一步地,所述两个任务的波束方向不冲突的判断条件为:两个波束指向的角度差大于预设的安全角间距阈值。
34、进一步地,所述步骤s4中,所述任务收益最大化模型的目标函数为:
35、
36、其中,为最优任务执行序列中包含的任务集合,为任务 的观测收益;
37、所述任务收益最大化模型满足以下约束条件:
38、(a)时间窗约束: 对于最优任务执行序列中的任一任务 i,其成像执行时段应完全落入该任务对应的可见时间窗内,即满足:
39、
40、式中, 为任务 的持续时长,为任务的可见时间窗开始时间,为任务的可见时间窗结束时间。
41、(b)工作模式切换时间约束: 对于最优任务执行序列中任意相邻的两个任务,记前序任务为,后序任务为,则后序任务的开始时刻需满足:
42、
43、式中,为任务的持续时长,为工作模式切换至 所需的时长,为任务的工作模式序号,为任务的工作模式序号,。所述切换时间矩阵具有对称性,即对于任意两种工作模式均满足 。
44、(c)多波束同时照射能力约束:当sar卫星的工作模式为多波束扫描模式时,卫星支持在同一时刻发射两个独立波束,分别照射两个不同目标区域。在所述多波束扫描模式下,若任务与任务同时满足以下条件:
45、两任务所请求的工作模式均为多波束扫描模式;
46、两任务的可见时间窗存在重叠,即满足:
47、
48、重叠时段长度不低于多波束扫描模式单次成像所需的最短持续时长 dmin:
49、
50、则任务与任务可并行执行,卫星通过一次多波束扫描照射同时完成对两个目标区域的观测覆盖,且任务间的工作模式切换时间取值为零,即 。
51、所述两个任务的波束方向不冲突的判断条件为:两个波束指向的角度差大于预设的安全角间距阈值,以避免波束间干扰。
52、(5)多波束并行时长约束:当两个任务并行执行时,并行执行部分的时长只计算一次,不重复计入总执行时长。
53、步骤s5:求解当前周期任务收益最大化模型
54、采用改进的自适应大邻域搜索(adaptive large neighborhood search,alns)算法求解所述任务收益最大化模型,得到当前周期的最优任务执行序列。
55、进一步地,步骤s5中,所述改进的自适应大邻域搜索算法包括以下步骤:
56、步骤s51.初始解生成:采用启发式方法生成当前周期任务池的初始任务序列;所述启发式方法优先选择高收益且工作模式切换成本低的任务,并优先将可并行执行的多波束任务配对安排。
57、步骤s52.算子破坏与修复:设计面向任务序列的破坏算子和修复算子,对当前任务序列进行破坏与修复操作,生成候选任务序列;所述破坏算子和修复算子在操作时考虑多波束并行执行的特性,将可并行执行的任务视为一个任务组进行处理。
58、步骤s53.解的评价与更新:计算候选任务序列的总观测收益,若候选解的总观测收益大于当前解,则接受候选解;若候选解的总观测收益不大于当前解,则以模拟退火概率接受准则决定是否接受候选解;
59、步骤s54.迭代与输出:重复步骤s52至步骤s53,直至满足迭代终止条件,输出当前周期的最优任务执行序列。所述迭代终止条件包括:达到最大迭代次数,或连续多次迭代未改善最优解。
60、算子权重自适应更新:
61、在步骤s5的算法迭代过程中,还包括对破坏算子和修复算子的自适应权重更新,更新规则为:
62、
63、式中,为算子索引,用以标识不同的破坏算子或修复算子;为算子的权重值,为算子更新前权重值,为算子更新后权重值;为算子在当前更新周期内的累计得分;为算子在当前更新周期内的累计使用次数;为预设的权重更新系数,且满足。
64、所述累计得分根据以下规则计算:
65、若使用当前算子后得到新的全局最优解,则 加1.5分;
66、若使用当前算子后得到的新解优于当前解但不优于全局最优解,则加1.0分;
67、若使用当前算子后得到的新解劣于当前解但被模拟退火准则接受,则加 0.8分;
68、若使用当前算子后得到的新解被拒绝,则加 0.2 分。
69、所述累计得分根据以下规则计算:
70、若使用当前算子后得到新的全局最优解,则该算子加1.5分;
71、若使用当前算子后得到的新解优于当前解但不优于全局最优解,则该算子加1.0分;
72、若使用当前算子后得到的新解劣于当前解但被模拟退火准则接受,则该算子加0.8分;
73、若使用当前算子后得到的新解被拒绝,则该算子加0.2分。
74、进一步地,所述破坏算子包括以下至少一种:
75、低收益任务移除:移除当前任务序列中观测收益最低的若干个任务;
76、高切换成本任务移除:计算每个任务与其前后任务的工作模式切换时间之和,移除切换时间成本最大的若干个任务;
77、收益切换比移除:计算每个任务的观测收益与其相邻工作模式切换时间成本的比值,移除比值最低的若干个任务;
78、多波束任务组破坏:识别当前任务序列中可并行执行的多波束任务组,随机移除整个任务组;
79、时间窗冲突移除:移除导致后续任务无法满足时间窗约束的任务;
80、所述修复算子包括以下至少一种:
81、收益贪心插入:从未执行任务中选择观测收益最高的任务,插入到使工作模式切换时间增量最小的位置;
82、多波束配对插入:识别可并行执行的两个任务,将其作为一个任务组插入到序列中,使任务组的整体工作模式切换时间增量最小;
83、regret-k插入:计算被移除任务插入到各候选位置的收益损失或工作模式切换时间增量,选择使总收益最大化的插入方式。
84、进一步地,所述模拟退火概率接受准则为:
85、
86、式中,δr 为候选解对应的总观测收益与当前解对应的总观测收益之差,tk 为第k 次迭代时的当前温度参数,所述当前温度参数 tk 随迭代次数 k 的增加而单调递减,其更新方式为:
87、
88、式中,α为冷却系数,取值范围为 0.95 ≤ α ≤ 0.99;
89、其中,α为冷却系数,取值范围为0.95至0.99。
90、本发明还提供一种基于滚动优化的sar卫星任务收益最大化系统,包括:
91、周期划分模块:用于将sar卫星的多个轨道圈次划分为若干个滚动优化周期;
92、任务池管理模块:用于获取当前周期内所有待执行任务的任务参数,并在执行过程中动态添加新任务、删除已完成任务;
93、切换时间矩阵构建模块:用于获取由供应商提供的工作模式切换时间参数,构建任意两个任务之间的工作模式切换时间矩阵;
94、模型构建模块:用于构建以最大化当前周期内任务序列的总观测收益为目标的任务收益最大化模型;
95、优化求解模块:用于采用改进的自适应大邻域搜索算法求解所述任务收益最大化模型,得到当前周期的最优任务执行序列;
96、状态更新模块:用于在执行完当前周期任务后更新卫星的当前工作模式;
97、指令生成模块:用于根据最优任务执行序列生成sar卫星的任务执行指令。
98、与现有技术相比,本发明具有以下有益效果:
99、(1)提升观测收益:通过将工作模式切换时间作为资源消耗项纳入收益最大化模型,在有限可用时长内获得更高的总观测收益。工作模式切换时间由供应商提供,确保了模型的准确性。
100、(2)充分利用卫星能力:通过引入多波束同时照射能力约束和对应的算子设计,实现对卫星多波束能力的充分利用,提高并行任务执行效率。当两个多波束任务可并行执行时,工作模式切换时间为零,有效节省了切换时间消耗。
101、(3)动态响应能力强:采用滚动优化框架,在执行过程中实时添加新任务、删除已完成任务,有效应对动态变化的任务环境,提高了任务规划的灵活性。
102、(4)避免局部最优:通过alns算法与模拟退火机制的结合,在全局搜索和局部搜索之间取得平衡,避免陷入局部最优,提高了求解质量。
103、(5)计算效率高:通过滚动优化将大规模问题分解为多个小规模问题,降低单次计算复杂度,适用于星上自主规划场景。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com