一种多星在轨协同对地观测任务规划方法及系统与流程

1.本发明属于卫星观测技术领域，具体涉及一种多星在轨协同对地观测任务规划方法及系统。


背景技术：

2.卫星在轨道上飞行，利用姿态机动可以观测到以星下点为中线、具有一定幅宽的二维扫描带。但是由于卫星的在轨运动、星载遥感设备的视场角、星载遥感设备的侧摆范围等因素的限制，卫星只能在有限的时间窗口内可以观测到地面目标点，有时地面目标点甚至在规划时间内不可见。在多星场景下，一个目标点可能与一个卫星存在多个时间窗口，也可能与多个卫星节点都不可见。多星协同对地观测任务是指，用户指定一批待观测的目标点、执行观测的时间区间以及每个目标点的优先级权重，通过调度策略协同多个卫星节点，在满足卫星成像约束条件下目标点尽可能多的得到观测、观测任务收益尽可能高。
3.多星协同对地观测已被证明是一种np-hard问题，指数爆炸特征十分明显，难以通过直接计算得出最优解，目前的解决方法是转化为组合优化问题求近似解。包括遗传算法、蚁群算法、粒子群算法在内的诸多智能优化算法是当前解决组合优化问题的主要手段，但是由于多星协同对地观测任务调度的特殊场景，传统的智能优化算法不能直接用于求解问题，需要针对星座特殊环境，从调度方案的编解码、算子操作的制定和改进、迭代停止条件的设置等诸多方面进行算法的改进，从而有效提高多星对地观测任务的执行效果。
4.此外，传统的多星调度算法均是建模系统中的仿真，需要进一步将适用的调度算法应用于分布式集群系统中，能够在轨协同多卫星进行观测，从而产生实际的工程和经济效益。


技术实现要素：

5.本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种多星在轨协同对地观测任务规划方法及系统，面向多星协同对地观测任务，针对遗传算法进行了改进，提高了观测任务的总体收益，提升了成功观测目标点的数目，实现多星协同对地观测任务的在轨规划。
6.本发明采用以下技术方案：
7.一种多星在轨协同对地观测任务规划方法，包括以下步骤：
8.s1、获取各个待观测目标点的地理位置、任务优先级、任务完成时间区间信息，通过主控节点访问etcd获取实时同步的卫星节点状态数据，根据n个卫星的实时轨道信息计算各个卫星节点与待观测目标点之间的可见时间窗口；
9.s2、基于步骤s1得到的卫星节点状态数据和各个待观测目标点的地理位置、任务优先级、任务完成时间区间信息生成编码结果；
10.s3、基于步骤s2的编码结果和步骤s1的可见时间窗口，采用任务执行收益优先的初始解生成策略，以任务优先级为序对每一个目标点在满足约束的前提下规划可行的观测
窗口，并采用观测任务执行时间动态调整策略调整任务执行时间，得到初始种群；
11.s4、计算步骤s3得到的初始种群的适应度值，并使用基于玻尔兹曼选择概率的轮盘赌选择方法从初始种群中选择个体进行遗传，对遗传结果采用基于轨道圈次的自适应交叉和变异方式，得到新一代种群；
12.s5、对步骤s4得到的新一代种群进行迭代直至结束，并输出任务规划的调度方案；主控节点根据调度方案，通过星间链路将目标点的观测任务调度给对应的卫星节点，进行对地观测。
13.具体的，步骤s2具体为：
14.首先进行染色体编码，每条染色体代表一个可行的调度方案，染色体中的每个基因代表一次观测目标点的调度，针对在轨飞行的n个卫星，为每个染色体创建n 1个任务调度队列，每个调度队列对应一颗卫星，在调度队列中的每个待观测目标点用结构体来表示，第n 1个调度队列用于存放本次任务调度过程中没有成功调度的目标点，得到编码结果。
15.具体的，步骤s3中，采用任务执行收益优先的初始解生成策略具体为：
16.对于一次用户需求的观测任务，首先对观测任务中的多个目标点按照用户指定的优先级进行排序，然后按照排列顺序开始生成算法的初始解；对于每个目标点，获取各个卫星与对应目标点之间的可见时间窗口，随机选取一个时间窗口执行观测；在选取时间窗口时，先判断本次任务调度到时间窗口对应卫星之后是否满足约束条件，若不满足其中任意一个约束条件，选取下一个时间窗口进行调度；若所有可选的时间窗口均不满足约束条件，对应目标点调度失败。
17.进一步的，约束条件包括卫星在观测时所需的星载遥感设备的侧摆时间、遥感设备的稳定时间、星上存储是否充足。
18.具体的，步骤s3中，观测任务执行时间动态调整策略具体为：
19.对于调度到同一卫星节点上的前后两个目标点观测任务，将前一个目标点的观测执行时间设置为选定时间窗的起始时间，当第二个目标点时间窗口到来时，若星载遥感设备侧摆未完成或相机未稳定，则等待转换时间完成后再执行观测；若第二个目标点选定时间窗口结束时转换活动未完成，则目标点观测失败。
20.具体的，步骤s4中，使用玻尔兹曼选择概率的轮盘赌选择方法从初始种群中选择个体进行遗传，玻尔兹曼选择概率p(i)如下：
[0021][0022]
其中，fi为种群中个体i的适应度值，b用于控制选择强度。
[0023]
具体的，步骤s4中，采用基于轨道圈次的交叉和变异方式具体为：
[0024]
通过衡量当代种群的离散程度动态改变交叉率和变异率，通过种群中所有个体适应度值的标准差评定种群的离散程度；当父代种群标准差σ小于预设门值时，增大交叉和变异概率，当父代种群标准差σ大于预设门值时，降低交叉和变异概率。
[0025]
进一步的，父代种群标准差σ如下:
[0026][0027]
其中，n为种群中的个体总数，fi为种群中个体i的适应度值，为一代种群中所有个体的平均适应度值；
[0028]
交叉率pc和变异概率pm的自适应更新如下:
[0029][0030][0031]
其中，pc和pm表示上一代种群的交叉率和变异率，pc和pm表示更新之后的种群交叉率和变异率，α是更新速度控制因子，σ是种群适应度标准差，d为预设门值。
[0032]
具体的，步骤s5中，通过种群的收敛系数判定停止条件，当连续5代种群收敛系数小于等于预设阈值时停止迭代，通过种群的平均适应度评定种群收敛系数∈如下：
[0033][0034]
其中，表示父代种群的平均适应度，表示子代种群的平均适应度。
[0035]
本发明的另一技术方案是，一种多星在轨协同对地观测任务规划系统，包括：
[0036]
数据模块，获取各个待观测目标点的地理位置、任务优先级、任务完成时间区间信息，通过主控节点访问etcd获取实时同步的卫星节点状态数据，根据n个卫星的实时轨道信息计算各个卫星节点与待观测目标点之间的可见时间窗口；
[0037]
编码模块，基于数据模块得到的卫星节点状态数据和各个待观测目标点的地理位置、任务优先级、任务完成时间区间信息生成编码结果；
[0038]
种群模块，基于编码结果和可见时间窗口，采用任务执行收益优先的初始解生成策略，以任务优先级为序对每一个目标点在满足约束的前提下规划可行的观测窗口，并采用观测任务执行时间动态调整策略调整任务执行时间，得到初始种群；
[0039]
计算模块，计算种群模块得到的初始种群的适应度值，并使用基于玻尔兹曼选择概率的轮盘赌选择方法从初始种群中选择个体进行遗传，对遗传结果采用基于轨道圈次的自适应交叉和变异方式，得到新一代种群；
[0040]
规划模块，对计算模块得到的新一代种群进行迭代直至结束，并输出任务规划的调度方案；主控节点根据调度方案，通过星间链路将目标点的观测任务调度给对应的卫星节点，进行对地观测。
[0041]
与现有技术相比，本发明至少具有以下有益效果：
[0042]
本发明一种多星在轨协同对地观测任务规划方法，面向多星协同对地观测任务，针对遗传算法进行了改进，以任务收益优先的启发式初始解生成策略使得高权重的任务能够优先调度；受益于玻尔兹曼选择概率，优势个体有更大的概率遗传；自适应的交叉率和变异率，使种群多样性较高时更快收敛，种群多样性较低时避免陷入局部最优；收敛停止条件能够让种群中的个体趋于一致，提高了平均收益，让算法有更高的稳定性；最后，使用上述
任务规划算法改进传统云计算系统的调度策略，实现了多星协同对地观测任务的在轨调度，并为构建星座云计算系统提供关键调度支撑。
[0043]
进一步的，染色体编码是使用遗传算法首要解决的问题，基于卫星的实时状态数据，染色体可以为飞行正常、健康检查良好的卫星节点建立调度队列，每个调度队列中存放着调度到该卫星节点上执行观测的目标点任务。每个任务通过结构体保存详细的调度信息，以便于最后调度方案的详细输出。
[0044]
进一步的，以任务收益优先的启发式初始解生成策略，将待调度的目标点以任务权重大小进行排序，优先选择高权重的任务进行观测，使得高权重的任务能够尽可能多的完成，一定程度上保证了对地观测任务规划的整体收益。
[0045]
进一步的，每个目标点观测任务是否能够成功调度到某颗卫星取决于以下几点约束：目标点观测任务必须在可见时间窗口内进行；卫星成像所需容量不能超过卫星节点支持的最大存储容量；在同一卫星前后执行两个目标点观测任务，任务之间的时间间隔要大于两个任务之间遥感设备的姿态稳定时间。
[0046]
进一步的，由于在同一卫星上先后执行两个任务需要一定的侧摆转换时间，紧凑策略是指，对于每个选定时间窗口的观测任务，应当以时间窗口的起始时间作为观测的开始执行时间，尽量避免同一卫星上先观测的任务影响到后观测的任务。
[0047]
进一步的，由于启发式的解生成策略以及适应度计算方法，初始种群中个体的适应度值相差不大，传统的轮盘赌算法在这种情况下趋向于一般的随机选择算法，难以突显优势个体；为了缓解这一问题，使用玻尔兹曼选择概率代替轮盘赌方法中原始的选择概率，将优秀个体更好的进行遗传。
[0048]
进一步的，传统遗传算法的交叉、变异概率均为固定值，依靠经验设置，过大、过小的交叉、变异概率均不利于种群的进化。自适应的交叉算子和遗传算子，可以在算法迭代过程中动态调节交叉、变异概率，使遗传算法能够更好的在全局搜索和局部搜素之间权衡，避免降低搜索空间的同时加快算法的收敛速度。
[0049]
进一步的，种群标准差反映了种群中所有个体适应度值与种群适应度均值的偏离程度，体现了种群的离散程度，是决定动态调整交叉、变异概率的重要参数；交叉、变异概率更新时，α用于表示更新的速度，l表示每次更新的大小，种群标准差大于阈值时会降低交叉、变异概率，种群标准差小于阈值时会增大交叉变异概率。
[0050]
进一步的，种群收敛系数表示一代种群的平均适应度，连续迭代几次平均适应度均在一定阈值内则意味着算法趋向收敛，保证了算法的稳定性。
[0051]
综上所述，本发明为星座云计算系统在轨自动协同多节点执行观测任务调度的重要支撑。
[0052]
下面通过实施例，对本发明的技术方案做进一步的详细描述。
具体实施方式
[0053]
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0054]
在本发明的描述中，需要理解的是，术语“包括”和“包含”指示所描述特征、整体、
步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0055]
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0056]
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0057]
本发明提供了一种多星在轨协同对地观测任务规划方法，通过设计启发式的初始解生成策略、基于玻尔兹曼选择概率的轮盘赌选择算法、基于种群离散程度的自适应交叉算子和变异算子、基于种群收敛系数的停止条件，从初始解、选择算子、交叉算子、变异算子、停止条件等各个角度改进了面向多星协同对地观测任务规划的遗传算法，与基于圈次进行交叉、变异的遗传算法相比，可以显著提高观测任务的执行收益和目标点的观测数目，构建星座云计算系统的调度器，达到在轨协同多星高效执行多地观测任务的目的。
[0058]
本发明一种多星在轨协同对地观测任务规划方法，包括以下步骤：
[0059]
s1、星座云计算系统获取各个待观测目标点的地理位置、任务优先级、任务完成时间区间信息，通过主控节点访问etcd获取实时同步的卫星节点状态数据，并根据n个卫星的实时轨道信息计算各个卫星节点与待观测目标点之间的可见时间窗口；
[0060]
星座云计算系统基于星座系统，利用轻量级虚拟化技术，打破单星节点之间的物理隔阂，以空间资源池化的方式将各个资源受限的卫星节点有机整合，通过建立面向星座系统的任务调度和资源感知平台，实现接收观测指令、在轨协同多星对地观测、在轨协同多星目标检测、检测结果返回地面控制站的全过程自动化处理，节省了星地链路传输带宽，增强了星群协同完成任务的能力，提升了星座系统感知能力和决策时效性，是星座系统在轨统一规划和协同控制的“大脑”，为我国太空信息保障打下坚实基础。
[0061]
s2、基于步骤s1得到的卫星节点状态数据和各个待观测目标点的地理位置、任务优先级、任务完成时间区间信息生成编码结果；
[0062]
遗传算法中每条染色体代表一个可行解，对应于多星对地观测中每条染色体代表一个可行的调度方案，染色体中的每个基因代表对某一个地面目标点的观测。
[0063]
若当前星云计算系统中运行着n个卫星，则为每个染色体创建n 1个任务调度队列，每个调度队列对应一颗卫星，由安排到该卫星执行的观测目标按任务执行时间的先后顺序排列构成。在调度队列中的每个观测目标用结构体来表示，结构体中包括目标点位置、目标点优先级、目标点的具体执行时间、目标点被调度到哪颗卫星进行观测等信息。第n 1个调度队列用于存放本次任务规划过程中没有成功调度的目标点。
[0064]
s3、基于步骤s2的编码结果和步骤s1的可见时间窗口，采用任务执行收益优先的初始解生成策略，以任务优先级为序对每一个目标点在满足约束的前提下规划可行的观测窗口，并采用观测任务执行时间动态调整策略调整任务执行时间，得到初始种群；
[0065]
为了提高观测任务的执行收益，设计了一种以任务执行收益为导向的初始解生成策略，并采用了一种时间紧凑策略以期观测更多的目标点。
[0066]
对于一次用户需求的观测任务，首先对该次观测任务中的多个目标点按照用户指定的优先级进行排序，然后按照排列顺序开始生成遗传算法的初始解。对于每个目标点，计
算出星座云计算系统中各个卫星与该目标点之间的可见时间，对于这些可见时间，从中随机选取一个时间窗口执行观测。需要注意的是，在选取时间窗口时，需要判断本次调度到某颗卫星是否满足约束条件，包括观测该目标点的卫星在观测时所需的星载遥感设备侧摆时间、遥感设备的稳定时间、星上存储是否充足等。若不满足任一约束条件，就需要另选合适的时间窗口进行调度。
[0067]
此外，为了尽可能多的完成对目标点的观测，采用了一种时间紧凑策略。具体来说，对于某个染色体中某一调度队列内前后两个目标点的观测，尽可能的将目标点的观测时间设置为选定时间窗的起始时间。若后观测的目标点时间窗口到来时，遥感设备侧摆还未完成或者尚未稳定，则需要等待转换时间完成后再执行观测。若后观测的目标点时间窗口结束时转换时间仍未完成，则该目标点观测失败。
[0068]
s4、计算步骤s3得到的初始种群的适应度值，并使用基于玻尔兹曼选择概率的轮盘赌选择方法从初始种群中选择个体进行遗传，对遗传结果采用基于轨道圈次的自适应交叉和变异方式，得到新一代种群；
[0069]
遗传算法中常用的选择算子是轮盘赌算法，其主要思想是染色体被遗传到下一代的概率与该染色体的适应度大小成正比。若将染色体的适应度值记为fi,则该染色体被遗传到下一代的概率为：
[0070][0071]
其中，n表示一代种群中染色体的总数。
[0072]
但是由于面向星座场景的以收益为导向的启发式初始解生成策略以及适应度的计算方法，初始种群中染色体的适应度值相差并不大，在这种情况下传统的轮盘赌算法趋向于一般的随机选择算法，难以突显优质染色体。
[0073]
为了缓解这一问题，考虑将玻尔兹曼选择算法结合进轮盘赌选择算法，即使用玻尔兹曼选择概率替换轮盘赌的选择概率，玻尔兹曼选择概率定义如下：
[0074][0075]
其中，b用于控制选择强度，b》0时高适应度的个体选择概率被增大，从而解决了上述问题。
[0076]
基于种群离散程度的自适应交叉、变异概率
[0077]
在遗传算法中，交叉算子决定遗传算法的全局搜索能力，变异算子决定遗传算法的局部搜索能力。因此，交叉算子和变异算子深刻影响遗传算法的走向。过大的交叉概率导致遗传算法机制被破坏，过小的交叉概率会降低算法的搜索速度。过大的变异概率导致遗传算法趋于随机搜索，过小的变异概率容易陷入局部最优。
[0078]
基于染色体编码方式，本发明采用基于轨道圈次的交叉和变异方式。对于某一代种群中的两个染色体而言，在相同卫星对应的调度队列中随机选择某个圈次上的目标点进行交叉。对于某一代种群中的单个染色体而言，在相同卫星对应的调度队列中随机选择某个圈次上的目标点进行变异。但是该算子中交叉概率和变异概率均为固定值，依靠经验设置，不利于种群的进化。对此，设计了一种基于种群离散程度的自适应交叉和变异算子，通
过衡量当代种群的离散程度来动态改变交叉率和变异率，使遗传算法更好的在全局搜索和局部搜索之间权衡。种群离散程度通过种群中所有染色体适应度值的标准差来评定，如下:
[0079][0080]
当父代种群的标准差小于预设门值时，增大交叉和变异概率，当父代种群标准差大于预设门值时，则降低交叉和变异概率。
[0081]
交叉率pc和变异概率pm的更新计算公式如下:
[0082]
pc`＝c l
[0083]
pm`＝m l
[0084][0085]
其中，pc和pm表示上一代种群的交叉率和变异率，pc`和pm`表示更新之后的种群交叉率和变异率,α是更新速度控制因子,σ是种群适应度标准差,d是预设门值。
[0086]
此外，本发明将交叉率变化范围限制在[0.8,0.95]，将变异率变化范围限制在[0.05,0.15]。
[0087]
s5、对步骤s4得到的新一代种群进行迭代直至结束，并输出任务规划的调度方案；星座云计算系统的主控节点根据调度方案，通过星间链路将目标点的观测任务调度给对应的卫星节点，进行对地观测。
[0088]
本发明通过种群的收敛系数判断算法迭代的停止时机，即如果连续5代种群收敛系数小于等于预设阈值时停止算法执行。
[0089]
种群的收敛系数被定义为：
[0090][0091]
其中，表示父代种群的平均适应度，表示子代种群的平均适应度。
[0092]
本发明再一个实施例中，提供一种多星在轨协同对地观测任务规划系统，该系统能够用于实现上述多星在轨协同对地观测任务规划方法，具体的，该多星在轨协同对地观测任务规划系统包括数据模块、编码模块、种群模块、计算模块以及规划模块。
[0093]
其中，数据模块，获取各个待观测目标点的地理位置、任务优先级、任务完成时间区间信息，通过主控节点访问etcd获取实时同步的卫星节点状态数据，根据n个卫星的实时轨道信息计算各个卫星节点与待观测目标点之间的可见时间窗口；
[0094]
编码模块，基于数据模块得到的卫星节点状态数据和各个待观测目标点的地理位置、任务优先级、任务完成时间区间信息生成编码结果；
[0095]
种群模块，基于编码结果和可见时间窗口，采用任务执行收益优先的初始解生成策略，以任务优先级为序对每一个目标点在满足约束的前提下规划可行的观测窗口，并采用观测任务执行时间动态调整策略调整任务执行时间，得到初始种群；
[0096]
计算模块，计算种群模块得到的初始种群的适应度值，并使用基于玻尔兹曼选择概率的轮盘赌选择方法从初始种群中选择个体进行遗传，对遗传结果采用基于轨道圈次的自适应交叉和变异方式，得到新一代种群；
[0097]
规划模块，对计算模块得到的新一代种群进行迭代直至结束，并输出任务规划的调度方案；主控节点根据调度方案，通过星间链路将目标点的观测任务调度给对应的卫星节点，进行对地观测。
[0098]
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor、dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于多星在轨协同对地观测任务规划方法的操作，包括：
[0099]
获取各个待观测目标点的地理位置、任务优先级、任务完成时间区间信息，通过主控节点访问etcd获取实时同步的卫星节点状态数据，根据n个卫星的实时轨道信息计算各个卫星节点与待观测目标点之间的可见时间窗口；基于得到的卫星节点状态数据和各个待观测目标点的地理位置、任务优先级、任务完成时间区间信息生成编码结果；基于编码结果和可见时间窗口，采用任务执行收益优先的初始解生成策略，以任务优先级为序对每一个目标点在满足约束的前提下规划可行的观测窗口，并采用观测任务执行时间动态调整策略调整任务执行时间，得到初始种群；计算初始种群的适应度值，并使用基于玻尔兹曼选择概率的轮盘赌选择方法从初始种群中选择个体进行遗传，对遗传结果采用基于轨道圈次的自适应交叉和变异方式，得到新一代种群；对新一代种群进行迭代直至结束，并输出任务规划的调度方案；主控节点根据调度方案，通过星间链路将目标点的观测任务调度给对应的卫星节点，进行对地观测。
[0100]
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速ram存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0101]
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关多星在轨协同对地观测任务规划方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：
[0102]
获取各个待观测目标点的地理位置、任务优先级、任务完成时间区间信息，通过主控节点访问etcd获取实时同步的卫星节点状态数据，根据n个卫星的实时轨道信息计算各个卫星节点与待观测目标点之间的可见时间窗口；基于得到的卫星节点状态数据和各个待观测目标点的地理位置、任务优先级、任务完成时间区间信息生成编码结果；基于编码结果和可见时间窗口，采用任务执行收益优先的初始解生成策略，以任务优先级为序对每一个
目标点在满足约束的前提下规划可行的观测窗口，并采用观测任务执行时间动态调整策略调整任务执行时间，得到初始种群；计算初始种群的适应度值，并使用基于玻尔兹曼选择概率的轮盘赌选择方法从初始种群中选择个体进行遗传，对遗传结果采用基于轨道圈次的自适应交叉和变异方式，得到新一代种群；对新一代种群进行迭代直至结束，并输出任务规划的调度方案；主控节点根据调度方案，通过星间链路将目标点的观测任务调度给对应的卫星节点，进行对地观测。
[0103]
本发明以星座云计算系统为依托，开展仿真测试。星云计算系统中低轨观测卫星以我国已发射的遥感6号、遥感11号、遥感13号和遥感16-a号为例，各卫星初始轨道参数如表1所示，各个卫星上星载观测设备的性能设定如表2所示。
[0104]
表1星云计算系统中各低轨观测节点的轨道六根数
[0105][0106]
表2各个低轨观测卫星的观测性能
[0107][0108][0109]
为增强实验算例的真实性,本示例设置低轨卫星的观测时段：2021/3/184:00:00～2021/3/19 4:00:00，并选取2020科尔尼城市指数报告中排名前100的城市进行观测，每个目标点的优先级权重在[1,50]范围内进行选择，优先级越高表示该目标点的观测收益更大。此外，采用航天领域广泛使用的软件stk获取低轨观测卫星与地面观测目标点之间的可
见性数据，以避免复杂的坐标变换与动力学计算。
[0110]
通过设置50、75、100共3个不同规模目标点的观测任务，共生成4组算例，每种算例运行20次，来测试算法的性能,记录运行结果的最佳收益、完成观测的目标数目、任务的平均收益以及算法的执行时间，每条记录均取平均值作为最终实验结果。
[0111]
基于上述测试场景和实验参数设置，将本发明提出的改进遗传算法iga与基于圈次进行交叉、变异的遗传算法ga进行比较，验证本发明的有效性。iga算法中参数设置如3所示，ga算法中算法参数设置如表4所示，两种方法的质量比较见表5所示。
[0112]
表3 iga算法参数设置
[0113][0114][0115]
表4 ga算法参数设置
[0116]
参数取值种群数量50交叉概率0.9变异概率0.1最大迭代次数400
[0117]
表5遗传算法与改进遗传算法实验结果比较
[0118][0119]
从表中可以看出，本发明改进的遗传算法在多个测试示例中均比基于圈次进行交叉变异的遗传算法取得更优秀的结果，与后者相比观测任务的总体平均收益提高了2.58％，总体最佳收益提高了1.92％，成功观测目标点的数目提高了4.84％。受益于玻尔兹曼选择概率，优势个体有更大的概率进行遗传，提升了观测收益。收敛停止条件能够让种群中的个体趋于一致，提高了平均收益，让算法有更高的稳定性。动态调节交叉率和变异率，使种群多样性较高时更快收敛，种群多样性较低时避免陷入局部最优。与此同时，这些策略相应的增加了算法的运行时间，尚在可以接受的范围内
[0120]
综上所述，本发明一种多星在轨协同对地观测任务规划方法及系统，基于多星协同观测场景针对遗传进行了改进，实验证明该方法提高了观测任务的整体收益，提高了待观测任务的完成数目，并以该方法为核心调度策略改进了传统的分布式云计算系统，实现了多星对地观测任务的在轨调度，为星座云计算系统的构建提供重要支撑，具有积极的工程效益和战略意义。
[0121]
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。