一种面向复杂任务的大规模成像卫星规划方法

本发明涉及航天工程中的卫星调度，具体为一种面向复杂任务的大规模成像卫星规划方法。

背景技术：

1、成像卫星资源调度问题是指在满足工程约束的条件下，通过安排卫星的成像时间和姿态，对用户指定的区域进行成像，同时保证总体收益最大的优化问题。目前，针对该问题已涌现出丰富的求解算法，但这些算法在应用中仍存在一定局限性，主要表现为所解决的问题对象、目标类型相对单一，且能够处理的卫星任务和规模较小。

2、近年来，随着成像卫星数量的快速上升以及成像技术的不断前进，卫星调度问题的资源规模在不断扩张，并且随着相关行业的发展需求，成像目标也趋于复杂化。从目标类型来看，从以前的单一点目标或小范围区域目标扩展成了多频次点目标、点群目标以及区域目标；从任务要求来看，用户对成像分辨率、观察间隔时间以及成像单元个数有了更高要求；从调度规模看，可调度卫星数量和任务数量呈上升趋势，调度难度增大。

3、在此背景下，面向复杂任务的大规模成像卫星资源调度问题的解决仍存在以下问题亟待解决：1)复杂目标的数学模型针对强，缺乏面向复杂目标的规范化统一建模方式，使多种目标混合的统一调度变得困难；2)传统的算法求解问题单一、规模较小，求解效率和质量有待进一步提升，难以满足当前大规模复杂任务调度的需求。

4、针对上述问题，本专利提出了一种针对复杂目标的统一建模方式和基于大语言辅助的统一成像的资源调度算法，以更好地应对成像卫星资源调度领域面临的新挑战。

技术实现思路

1、本发明提供了一种面向复杂任务的大规模成像卫星规划方法，包括以下步骤：

2、步骤一：将成像目标分解为成像元任务：将多频目标分解为多个单点单频任务，将点群目标根据地理距离合并为单点单频任务，将区域目标的所有可成像卫星的过境时间窗构建为单个任务，组建为元任务集合；

3、步骤二：建立目标模型：将目标得分分解为点目标得分和区域目标得分，根据点目标的有效成像次数计算成像收益c1，根据区域目标的有效覆盖率和区域目标总得分计算成像收益c2，将调度方案的总收益设置为所述收益c1与所述收益c2的加和；

4、步骤三：建立决策模型：将调度问题建模为匹配问题，采用0-1决策变量xsij构建元任务和成像机会之间的选择关系；

5、若元任务ti采用成像机会wij进行成像，则xsij＝1，否则xsij＝0，并通过xsij的取值搜索寻找优秀的调度方案；

6、步骤四：建立约束模型：将问题的约束分解为卫星、任务和逻辑三个方面分别建模；

7、卫星约束：卫星单轨的最大开机时长不能超过所述卫星电能保护能力范围；卫星单次开机时长不能低于最小成像时长10s；同一卫星上的所有机会要满足卫星姿态转换时间约束；

8、任务约束：成像分辨率要满足目标的要求；目标的成像机会的成像时间范围要在该目标的时间限制以内；多频目标的成像机会之间要满足指定的时间间隔；

9、逻辑约束：成像机会在逻辑上要对应其分配的目标；成像机会在逻辑上要对应其分配的卫星。

10、本发明还提供了一种基于大模型辅助的局部搜索算法，应用于所述的面向复杂任务的大规模成像卫星规划方法，包括以下步骤：

11、s1：按照任务优先级排序生成初始解，对任务按优先级降序排序，针对每个任务，按成像机会的时间升序排序，遍历任务及其成像机会，贪婪地选择最早且满足约束的成像机会进行激活，评价初始解的收益；

12、s2：采集算法状态，生成状态集，该状态集概括算法当前解的收益状态、与历史最优的差距、历史动作、参数信息和收益信息；

13、s3：生成基于状态的大语言模型提示词并通过api输入大模型，提示词包含“问题简介”“状态信息”“动作、参数选择约束”“输出格式”“注意事项”五个部分，输入大语言模型后获得输出，输出包含大语言模型选择的算法动作、算法参数和选择理由，输出格式为json格式；

14、s4：提取大语言模型推荐执行的搜索动作和搜索参数，通过提取函数从json格式中提取算法选择的动作和参数，并转为相应数据的变量，动作类型包括“改进的两阶段爬山算法hc2”“变领域搜索算法vns”“回滚到历史最优状态rollback”和“基于当前解重新初始化reset”，大语言模型能够对前两个算法进行参数自调整；

15、s5：更新搜索参数，执行搜索动作，根据大语言模型选择的动作和参数，更新当前参数为推荐参数，并执行推荐的搜索动作；

16、s6：采集算法数据和解的状态，根据执行动作的情况，评估解的最新收益，更新算法状态，记录算法执行结果；

17、s7：若达到最大迭代次数，进入下一步；否则返回采集算法状态步骤，迭代次数自增一次，开始新一轮与大语言模型的交互；

18、s8：解码并返回历史最优调度方案。

19、进一步地，所述算法结合了智能优化算法的“计算智能”和大语言模型的“认知智能”，在执行搜索动作前将状态和提示词结合，让大语言模型在搜索过程中把握问题和趋势，分析选择合适的执行动作和参数，并输出执行理由。

1.一种面向复杂任务的大规模成像卫星规划方法，其特征在于，包括以下步骤：

2.一种基于大模型辅助的局部搜索算法，应用于权利要求1所述的面向复杂任务的大规模成像卫星规划方法，其特征在于，包括以下步骤：

3.根据权利要求2所述的大模型辅助的局部搜索算法，其特征在于，所述算法结合了智能优化算法的“计算智能”和大语言模型的“认知智能”，在执行搜索动作前将状态和提示词结合，让大语言模型在搜索过程中把握问题和趋势，分析选择合适的执行动作和参数，并输出执行理由。