大规模星群构型控制方法、系统、存储介质及电子设备与流程

1.本发明涉及星群控制领域，尤其涉及大规模星群构型控制方法、系统、存储介质及电子设备。


背景技术：

2.集群是一种分布式空间系统概念，通过放松个体之间的相对位置集合要求以降低构型保持的控制代价。卫星集群系统更强调航天器之间的协同与合作，通过组合个体的基本行为来表现整体的功能。星群结合了航天器编队飞行的优点，又融入了模块化航天器的理念，使其设计更为灵活多变、响应更快速、生存能力更强、功能可重构，为未来针对自然灾害、局域突发事件等时效性强的空间任务以及小行星探测等科学研究任务的展开带来了巨大优势。
3.星群构型与避撞研究主要分为两个方面：从微观角度，对每个个体的行为及其联系建模，相应的控制方法主要有传统集群建模控制方法如领航跟随法、虚拟结构法等；从宏观角度，对系统进行高层抽象考虑，描述整个群体的集体行为，对应有基于空间密度、基于连续性方程的数学模型建立，然后用马氏转移矩阵、最优传输等密度方法进行集群构型控制，可用于控制超大规模集群。
4.相较于现有技术，只对个体设计了时变马尔科夫矩阵，其制导律只能大致计算出个体下一时刻所处的单元序号，但不能获取该个体在单元内部的具体位置信息，这在实际应用中将产生许多问题，如无法确定每次转移所需机动、由于位置信息缺失导致不同个体相撞。另外，马尔科夫矩阵设计较单一，未对超大规模集群所面临的诸如局部密度分布与期望的差距较大、可能存在孤立单元/个体等情况进行分析，导致仿真中出现了收敛速度较慢，实际密度误差较大等问题，同时未将消耗的燃料和时间成本考虑在内，也未结合每时刻实际密度分布而灵活规划下一步的控制，导致成本较高和算法灵活性不够。


技术实现要素：

5.本发明所要解决的技术问题是提供大规模星群构型控制方法、系统、存储介质及电子设备。
6.本发明解决上述技术问题的技术方案如下：一种大规模星群构型控制方法，包括：
7.步骤1，将星群划分为多个单元，每个单元包括一个个体，判断所述星群是否出现异常，若出现异常则执行步骤2；
8.步骤2，判断当前单元是否存在无效转移，生成当前单元的第一判断结果，若所述第一判断结果为是，则存在无效转移的单元内的个体为未转移到目标单元的未转移个体，其中，无效转移为单元内的个体未移动至目标单元内；
9.步骤3，根据所述星群的转移概率数据确定所述未转移个体的下一时刻位置，根据所述位置推算所述未转移个体的移动路径，按照所述移动路径控制所述未转移个体相应移动。
10.本发明的有益效果是：本发明解决了对大规模星群的运动控制与构型控制问题。对转移过程不同情况的讨论减少了无效转移的可能性，也保证了算法运行的高效性和快速性；转移轨迹的动态规划使得本发明更加灵活，鲁棒性也更好，本发明收敛速度和误差都十分优异。且本发明可应用于近地leo轨道上的大规模星群构型控制，且可同时满足成本最优及轨迹避撞等约束。
11.在上述技术方案的基础上，本发明还可以做如下改进。
12.进一步，在所述控制所述未转移个体相应移动后，还包括：
13.重复步骤步骤2和步骤3，直到所述当前单元不存在无效转移后，判断下一个单元，当所有单元均不存在无效转移后，重复步骤1，直至所述星群不存在异常。
14.进一步，判断所述星群是否出现异常通过以下过程完成：
15.基于误差函数，计算所述星群的实时密度分布与所述星群的期望密度分布的误差值，若所述误差值小于第一阈值，则判定所述星群未出现异常，反之则判定所述星群出现异常。
16.进一步，步骤步骤3具体为：
17.步骤301，基于所述星群的转移概率数据确定计算未转移个体的概率转移矩阵p，其中，所述星群的转移概率数据包括：所述第一判断结果以及所述误差值；
18.步骤302，根据所述未转移个体的概率转移矩阵p，确定所述未转移个体的下一时刻的位置；
19.步骤303，对所述未转移个体当前所在单元以及所述位置进行分割，得到分割后的边界几何信息，根据所述边界几何信息确定所述未转移个体的移动路径，按照所述移动路径控制所述未转移个体相应移动，并根据所述移动路径更新所述未转移个体的位置信息。
20.进一步，步骤301具体为：
21.当所述第一判断结果为是时，判断相邻单元内是否有所述目标单元，生成每个单元的第二判断结果，其中，相邻单元为个体每个时刻最远转移范围；
22.当所述第二判断结果为是时，此时未转移个体的概率转移矩阵p与所述相邻单元内的所述目标单元的数量成反比；
23.当所述第二判断结果为否时，此时未转移个体的概率转移矩阵p与相邻过渡单元的数量成反比，其中，所述相邻过渡单元为连接所述目标单元以及当前所在单元的单元；
24.当所述第一判断结果为否时，此时判断n个单元的实时密度值是否在预设密度值范围内，生成每个单元的第三判断结果；
25.当所述第三判断结果为是时，且所述误差值不大于所述第一阈值时，此时未转移个体的概率转移矩阵p等于单位阵；
26.当所述第三判断结果为否时，基于优化后的马尔科夫矩阵m，对此时的未转移个体的概率转移矩阵p进行计算，计算公式如下：
[0027][0028][0029]
其中，
[0030][0031][0032]
εc为自定义的正常数，εm为时变参数，其中为目标单元的总数量，c
k,max
为成本约束矩阵ck中元素最大值，c
k,max
＝max
i,ick
[i,l]，ck[i,l]为成本约束矩阵中的元素，为误差函数，为概率转移矩阵p的对角线元素，为概率转移矩阵p的除对角线外的其他元素，其中，的除对角线外的其他元素，其中，为马尔科夫矩阵m的对角线元素，为马尔科夫矩阵m的除对角线外的其他元素，θ[l]为第l个单元的期望密度分布值，k为时刻，i,j,l为正整数变量，
[0033][0034]dh
为海林格距离函数，θ[i]为第i个单元的期望密度分布值，为第i个单元的时变密度分布值，i为k时刻个体j所处的单元，n
bin
为所有单元的个数；
[0035][0036]
其中，可有效降低无效转移的发生概率，τj及βj为可自定义的时变正常数，θ为所有单元的期望密度分布向量，为所有单元的时变密度分布函数。
[0037]
采用上述进一步方案的有益效果是，通过分情况处理的方法可以使得本发明在针对转移过程中的多种情况进行分类处理，以此来保证减少了无效转移的可能，同时提高了本方法的高效性以及效率。
[0038]
进一步，步骤302具体为：
[0039]
对所述未转移个体的概率转移矩阵p进行轮盘赌算法，根据计算结果确定所述未转移个体的下一时刻的相邻单元。
[0040]
进一步，步骤303具体为：
[0041]
通过voronoi方法对所述未转移个体当前所在单元以及所述下一时刻的相邻单元进行分割，得到分割后的多个第一多边形，在每个所述第一多边形内部进行相似多边形分割，使得每个所述第一多边形内包含一个与所述第一多边形相似且满足第一条件的第二多边形，基于预设转移运动约束条件，确定所述未转移个体的移动路径，并根据所述移动路径更新所述未转移个体的位置信息，所述第一条件为所述第二多边形形成的区域与所述第一多边形的边界间距为第二阈值。
[0042]
采用上述进一步方案的有益效果是，通过第二多边形可以有效的防止移动过程中的碰撞问题，另外，由于预设转移运动约束条件的限制，可以使得移动路径更加优化。
[0043]
本发明解决上述技术问题的另一种技术方案如下：一种大规模星群构型控制系统，包括：
[0044]
划分模块，用于将星群划分为多个单元，每个单元包括一个个体，判断所述星群是否出现异常，若出现异常则执行判断模块；
[0045]
判断模块，用于判断当前单元是否存在无效转移，生成单前单元的第一判断结果，若所述第一判断结果为是，则存在无效转移的单元内的个体为未转移到目标单元的未转移个体，其中，无效转移为单元内的个体未移动至目标单元内；
[0046]
移动模块，用于根据所述星群的转移概率数据确定所述未转移个体的下一时刻位置，根据所述位置推算所述未转移个体的移动路径，按照所述移动路径控制所述未转移个体相应移动。
[0047]
本发明的有益效果是：本发明解决了对数量1000以上的大规模星群的运动控制与构型控制问题。对转移过程不同情况的讨论减少了无效转移的可能性，也保证了算法运行的高效性和快速性；转移轨迹的动态规划使得本发明更加灵活，鲁棒性也更好，本发明收敛速度和误差都十分优异。且本发明可应用于近地leo轨道上的大规模星群构型控制，且可同时满足成本最优及轨迹避撞等约束。
[0048]
进一步，还包括重复模块，重复模块用于：
[0049]
重复步骤判断模块和移动模块，直到所述当前单元不存在无效转移后，判断下一个单元，当所有单元均不存在无效转移后，重复划分模块，直至所述星群不存在异常。
[0050]
进一步，判断所述星群是否出现异常通过以下过程完成：
[0051]
基于误差函数，计算所述星群的实时密度分布与所述星群的期望密度分布的误差值，若所述误差值小于第一阈值，则判定所述星群未出现异常，反之则判定所述星群出现异常。
[0052]
进一步，移动模块具体用于：
[0053]
计算模块，基于所述星群的转移概率数据确定计算未转移个体的概率转移矩阵p，其中，所述星群的转移概率数据包括：所述第一判断结果以及所述误差值；
[0054]
确定模块，根据所述未转移个体的概率转移矩阵p，确定所述未转移个体的下一时刻的位置；
[0055]
分割模块，对所述未转移个体当前所在单元以及所述位置进行分割，得到分割后的边界几何信息，根据所述边界几何信息确定所述未转移个体的移动路径，按照所述移动路径控制所述未转移个体相应移动，并根据所述移动路径更新所述未转移个体的位置信息。
[0056]
进一步，计算模块具体用于：
[0057]
当所述第一判断结果为是时，判断相邻单元内是否有所述目标单元，生成每个单元的第二判断结果，其中，相邻单元为个体每个时刻最远转移范围；
[0058]
当所述第二判断结果为是时，此时未转移个体的概率转移矩阵p与所述相邻单元内的所述目标单元的数量成反比；
[0059]
当所述第二判断结果为否时，此时未转移个体的概率转移矩阵p与相邻过渡单元的数量成反比，其中，所述相邻过渡单元为所述未转移个体此刻所处的单元；
[0060]
当所述第一判断结果为否时，此时判断n个单元的实时密度值是否在预设密度值范围内，生成第三判断结果；
[0061]
当所述第三判断结果为是时，且所述误差值不大于所述第一阈值时，此时未转移
个体的概率转移矩阵p等于单位阵；
[0062]
当所述第三判断结果为否时，基于优化后的马尔科夫矩阵m，对此时的未转移个体的概率转移矩阵p进行计算，计算公式如下：
[0063][0064][0065]
其中，
[0066][0067][0068]
εc为自定义的正常数，εm为时变参数，其中为目标单元的总数量，c
k,max
为成本约束矩阵ck中元素最大值，c
k,max
＝max
i,ick
[i,l]，ck[i,l]为成本约束矩阵中的元素，为误差函数，为概率转移矩阵p的对角线元素，为概率转移矩阵p的除对角线外的其他元素，其中，的除对角线外的其他元素，其中，为马尔科夫矩阵m的对角线元素，为马尔科夫矩阵m的除对角线外的其他元素，θ[l]为第l个单元的期望密度分布值，k为时刻，i,j,l为正整数变量，
[0069][0070]dh
为海林格距离函数,θ[i]为第i个单元的期望密度分布值，为第i个单元的时变密度分布值，θ[i]与中的i为k时刻个体j所处的单元，n
bin
为所有单元的个数；
[0071][0072]
其中，τj及βj为可自定义的时变正常数，θ为所有单元的期望密度分布向量，为所有单元的时变密度分布函数。
[0073]
采用上述进一步方案的有益效果是，通过分情况处理的方法可以使得本发明在针对转移过程中的多种情况进行分类处理，以此来保证减少了无效转移的可能，同时提高了本方法的高效性以及效率。
[0074]
进一步，确定模块具体用于：
[0075]
对所述概率转移矩阵p进行轮盘赌算法，根据计算结果确定所述未转移个体的下一时刻的相邻单元。
[0076]
进一步，分割模块具体用于：
[0077]
通过voronoi方法对所述未转移个体当前所在单元以及所述下一时刻的相邻单元进行分割，得到分割后的多个第一多边形，在每个所述第一多边形内部进行相似多边形分割，使得每个所述第一多边形内包含一个与所述第一多边形相似且满足第一条件的第二多边形，基于预设转移运动约束条件，确定所述未转移个体的移动路径，并根据所述移动路径
更新所述未转移个体的位置信息，所述第一条件为所述第二多边形形成的区域与所述第一多边形的边界间距为第二阈值。
[0078]
采用上述进一步方案的有益效果是，通过第二多边形可以有效的防止移动过程中的碰撞问题，另外，由于预设转移运动约束条件的限制，可以使得移动路径更加优化。
[0079]
本发明解决上述技术问题的另一种技术方案如下：一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如上述任一项所述的一种大规模星群构型控制方法。
[0080]
本发明的有益效果是：本发明解决了对大规模星群的运动控制与构型控制问题。对转移过程不同情况的讨论减少了无效转移的可能性，也保证了算法运行的高效性和快速性；转移轨迹的动态规划使得本发明更加灵活，鲁棒性也更好，本发明收敛速度和误差都十分优异。且本发明可应用于近地leo轨道上的大规模星群构型控制，且可同时满足成本最优及轨迹避撞等约束。
[0081]
本发明解决上述技术问题的另一种技术方案如下：一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序，所述处理器执行所述程序时实现如上述任一项所述的一种大规模星群构型控制方法。
[0082]
本发明的有益效果是：本发明解决了对大规模星群的运动控制与构型控制问题。对转移过程不同情况的讨论减少了无效转移的可能性，也保证了算法运行的高效性和快速性；转移轨迹的动态规划使得本发明更加灵活，鲁棒性也更好，本发明收敛速度和误差都十分优异。且本发明可应用于近地leo轨道上的大规模星群构型控制，且可同时满足成本最优及轨迹避撞等约束。
附图说明
[0083]
图1为本发明一种大规模星群构型控制方法实施例提供的流程示意图；
[0084]
图2为本发明一种大规模星群构型控制系统实施例提供的系统框架图；
[0085]
图3(a)为本发明一种大规模星群构型控制方法实施例提供的第v次移动前的voronoi分割图；
[0086]
图3(b)为本发明一种大规模星群构型控制方法实施例提供的第v 1次移动前的voronoi分割图；
[0087]
图3(c)为本发明一种大规模星群构型控制方法实施例提供的第v 2次移动前的voronoi分割图；
[0088]
图3(d)为本发明一种大规模星群构型控制方法实施例提供的第v 3次移动前的voronoi分割图。
具体实施方式
[0089]
以下对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
[0090]
如图1所示，一种大规模星群构型控制方法，包括：
[0091]
步骤1，将星群划分为多个单元，每个单元包括一个个体，判断所述星群是否出现异常，若出现异常则执行步骤2；
[0092]
步骤2，判断当前单元是否存在无效转移，生成当前单元的第一判断结果，若所述第一判断结果为是，则存在无效转移的单元内的个体为未转移到目标单元的未转移个体，其中，无效转移为单元内的个体未移动至目标单元内；
[0093]
步骤3，根据所述星群的转移概率数据确定所述未转移个体的下一时刻位置，根据所述位置推算所述未转移个体的移动路径，按照所述移动路径控制所述未转移个体相应移动。
[0094]
在一些可能的实施方式中，本发明解决了对大规模星群的运动控制与构型控制问题。对转移过程不同情况的讨论减少了无效转移的可能性，也保证了算法运行的高效性和快速性；转移轨迹的动态规划使得本发明更加灵活，鲁棒性也更好，本发明收敛速度和误差都十分优异。且本发明可应用于近地leo轨道上的大规模星群构型控制，且可同时满足成本最优及轨迹避撞等约束。
[0095]
需要说明的是，获取当前时刻n个单元的实时密度分布，其中，单元为大规模星群所在空间经网格化处理后得到的子空间，n为正整数；基于误差函数，计算每个单元的所述实时密度分布与期望密度分布的误差值；判断每个单元是否为包含未转移个体的单元，生成每个单元的第一判断结果，其中，未转移个体为未转移至目标单元内的个体；，基于每个单元的所述第一判断结果以及所述误差值，计算未转移个体的概率转移矩阵p；根据所述未转移个体的概率转移矩阵p，确定所述未转移个体的下一时刻的位置；对所述未转移个体当前所在单元以及所述位置进行分割，得到分割后的边界几何信息，根据所述边界几何信息确定所述未转移个体的移动路径，并根据所述移动路径更新所述未转移个体的位置信息；重复分割至更新位置信息的步骤，直至所有未转移个体此刻所在的单元的空间坐标满足预设条件，则停止对所述未转移个体的移动；重复获取当前时刻n个单元的实时密度分布以及计算每个单元的所述实时密度分布与期望密度分布的误差值，直至所述实时密度分布与所述期望密度分布的差值小于第一阈值。
[0096]
本发明采用海林格距离为误差函数设计原理，用所有单元的密度数值近似表示整个集群的空间密度分布，并设计误差函数以衡量集群在每一时刻的实际密度与期望密度的误差。在概率转移矩阵p的设计中将会引入该误差函数作为参数，以使集群的实际分布逐渐接近期望分布：
[0097][0098]
θ[i]为第i个单元的期望密度分布值，为第i个单元的时变密度分布值，θ[i]与中的i为k时刻个体j所处的单元，n
bin
为所有单元的个数；
[0099]
同时设置误差最小值即所述第一阈值ζ
des
，当时，认为此时集群密度分布与期望密度分布相等，集群构型已满足期望状态，此时由马尔可夫转移矩阵定义知，可直接设置概率转移矩阵p＝i单位阵，集群将保持现有状态不移动。预设条件为：此刻所在的单元的空间坐标在目标单元的坐标范围内。对于本发明的完整流程可参考实施例1进行辅助理解。
[0100]
实施例1，目标单元被定义为包含目标构型在内的单元，这些单元的期望密度应大
于零：在流程结束后，所有个体应只在目标单元内部集中分布，这些目标单元的密度应大于零，而非目标单元的密度应为零。
[0101]
获取当前时刻n个单元的实时密度分布，基于误差函数，计算所述实时密度分布与期望密度分布的误差值；对每个个体，需计算下一时刻的概率转移矩阵p，以表明该个体转移到其他单元的概率；接着采用轮盘赌的方法，依据概率数值进行随机抽样，获取下一时刻将要转移去的单元序号l。
[0102]
为避免孤立点情况、局部密度分布不均、收敛速度较慢等情况，本发明按照每时刻的集群位置，将下一时刻的集群转移过程分为2种情况，即需要先进行是否存在包含未转移个体的单元的判断：
[0103]
情况1，仍有个体未转移至目标单元内；
[0104]
情况2，所有个体均转移至目标单元内。
[0105]
对于情况1，进一步分为两种状态：
[0106]
当相邻单元lj的集合中有目标单元时，由运动约束知，个体j可在下一时刻直接进入目标单元。因此定义个体j的概率转移矩阵p与相邻目标单元的数量成反比，以确保个体j进入每个相邻目标单元的概率是相同的，而进入非目标单元的概率为零。同时命名此时的单元ij为过渡单元(与目标单元相邻)；运动约束为：个体j每时刻最远转移范围为相邻单元的内部及边界处，相邻单元为个体每个时刻最远转移范围；
[0107]
当相邻单元lj的集合中没有目标单元(即lj与所有目标单元都不相邻)时，在运动约束限制下个体j无法在下一时刻进入目标单元，此时定义个体j为受困状态，此时单元ij'为受困单元，定义概率转移矩阵p与此时相邻过渡单元的数量成反比。相邻过渡单元为连接目标单元与所述受困单元即当前所在单元的单元，简言之，个体可以通过相邻过渡单元直接到达目标单元，无需再通过其他单元。
[0108]
总结情况1，概率转移矩阵设计p如下：
[0109][0110]
其中，受困单元集合为过渡单元集合为为符合约束及条件的非目标单元的数量，为符合约束条件的目标单元数量，a为运动约束矩阵；
[0111]
对于情况2，此时集群已接近目标构型。可根据进一步分为两种状态：
[0112]
绝大部分单元的密度达到期望密度值，且误差函数则认为此时集群密度分布与期望密度分布相等，集群构型已满足期望状态，此时由马尔可夫转移矩阵定义知，可直接设置概率转移矩阵p＝i单位阵，集群将保持现有状态不移动。
[0113]
集群中所有个体均在目标单元内但所有单元的密度仍未达到期望密度值，此时个体仍需在目标单元内部小范围移动，以使目标单元密度趋近期望密度。因此调整概率转移矩阵p。在考虑转移成本最优前提下，设计马尔科夫矩阵m如下：
[0114][0115][0116]
εc为自定义的正常数，εm为时变参数，c
k,max
为成本约束矩阵ck中元素最大值，c
k,max
＝max
i,ick
[i,l]，ck[i,l]为成本约束矩阵中的元素，表示在k时刻某个体从过渡单元ij转移到相邻单元lj所需的成本。
[0117]
为减小无效转移，对m进行修正，概率转移矩阵p如下：
[0118][0119][0120]
其中，
[0121][0122]
τj及βj为可自定义的时变正常数，θ为所有单元的期望密度分布向量，为所有单元的时变密度分布函数。
[0123]
当个体j的转移矩阵p计算完成后，根据p进行轮盘赌算法以确定下一时刻个体j将要转移去的相邻单元lj。
[0124]
在个体移动过程中，为了避免碰撞，采用了如下方式进行规避：
[0125]
在k时刻初，都对个体j所在的单元与下一时刻转移去的相邻单元的内部实行voronoi分割；
[0126]
根据分割后的边界几何信息，在所有多边形内部作出小的相似多边形，使该小多边形与原多边形的间距为r
min
，且小多边形与原多边形的形心位置坐标相同，第一条件即为：第二多边形与第一多边形的间距为r
min
。
[0127]
预设转移运动约束条件为：个体下一步仅可在所处的小多边形边界以内转移。此约束可保证个体j与其他个体之间的最小间距为2rmin，从而有效避免该时刻个体相撞。
[0128]
暂定下一时刻的目标位置为转移单元的质心，以确定每次转移的方向。可知基于转移运动约束，个体每次仅可沿该方向最多移动至所处小多边形的边界处。
[0129]
个体j的位置信息更新为小多边形边界与转移方向的交点处。本次移动结束。
[0130]
同理对集群中其他个体也同时移动、并行计算，所以在该次移动完成后，认为所有个体的位置坐标均得到更新，此时旧的voronoi多边形已不再适用。对个体j按相同过程进行下次移动，直至更新时所处单元的空间坐标在目标单元空间坐标范围内，该范围为在目标单元的空间坐标基础上设定的一个误差范围空间。此时则认为该时刻个体j的转移轨迹完成，个体j停止移动，等待集群中其他个体转移轨迹的完成。当所有个体完成转移轨迹计算后，该时刻结束，对所有个体进行下一时刻的p、l计算和多次点对点移动
……
直至集群整体的密度分布接近目标密度分布时停止循环。
[0131]
针对移动过程，现给出具体实施例进行参考：
[0132]
实施例2，如图3所示，某时刻用voronoi分割法确定个体j的转移轨迹示意图，图3
(a)至图3(b)分别为第v次至第v 3次移动前的voronoi分割图，其中实线多边形为voronoi法分割结果；虚线多边形为内部相似的新多边形(与原多边形相距r
min
)；箭头起点的多边形为个体j的所在多边形；虚线箭头是每次移动前为个体j确定的新转移方向，在下次移动时，个体将沿着该方向移动到所在新多边形与该方向的交点位置(约束限定范围内的最远转移距离)；箭头终点为下一时刻个体j的暂定目标位置，即，转移单元的质心位置，实线箭头为其他区域内的个体所要移动的方向。由于个体j仅可在当前小相似多边形内部及边界移动，通过该法可将下一时刻的转移轨迹离散化为ν_max条线段轨迹，且该过程中所有个体不会相撞。
[0133]
优选地，在上述任意实施例中，在所述控制所述未转移个体相应移动后，还包括：
[0134]
重复步骤步骤2和步骤3，直到所述当前单元不存在无效转移后，判断下一个单元，当所有单元均不存在无效转移后，重复步骤1，直至所述星群不存在异常。
[0135]
优选地，在上述任意实施例中，判断所述星群是否出现异常通过以下过程完成：
[0136]
基于误差函数，计算所述星群的实时密度分布与所述星群的期望密度分布的误差值，若所述误差值小于第一阈值，则判定所述星群未出现异常，反之则判定所述星群出现异常。
[0137]
优选地，在上述任意实施例中，步骤步骤3具体为：
[0138]
步骤301，基于所述星群的转移概率数据确定计算未转移个体的概率转移矩阵p，其中，所述星群的转移概率数据包括：所述第一判断结果以及所述误差值；
[0139]
步骤302，根据所述未转移个体的概率转移矩阵p，确定所述未转移个体的下一时刻的位置；
[0140]
步骤303，对所述未转移个体当前所在单元以及所述位置进行分割，得到分割后的边界几何信息，根据所述边界几何信息确定所述未转移个体的移动路径，按照所述移动路径控制所述未转移个体相应移动，并根据所述移动路径更新所述未转移个体的位置信息。
[0141]
优选地，在上述任意实施例中，步骤301具体为：
[0142]
当所述第一判断结果为是时，判断相邻单元内是否有所述目标单元，生成每个单元的第二判断结果，其中，相邻单元为个体每个时刻最远转移范围；
[0143]
当所述第二判断结果为是时，此时未转移个体的概率转移矩阵p与所述相邻单元内的所述目标单元的数量成反比；
[0144]
当所述第二判断结果为否时，此时未转移个体的概率转移矩阵p与相邻过渡单元的数量成反比，其中，所述相邻过渡单元为连接所述目标单元以及当前所在单元的单元；
[0145]
当所述第一判断结果为否时，此时判断n个单元的实时密度值是否在预设密度值范围内，生成每个单元的第三判断结果；
[0146]
当所述第三判断结果为是时，且所述误差值不大于所述第一阈值时，此时未转移个体的概率转移矩阵p等于单位阵；
[0147]
当所述第三判断结果为否时，基于优化后的马尔科夫矩阵m，对此时的未转移个体的概率转移矩阵p进行计算，计算公式如下：
[0148][0149]
[0150]
其中，
[0151][0152][0153]
εc为自定义的正常数，εm为时变参数，其中为目标单元的总数量，c
k,max
为成本约束矩阵ck中元素最大值，c
k,max
＝max
i,ick
[i,l]，ck[i,l]为成本约束矩阵中的元素，为误差函数，为概率转移矩阵p的对角线元素，为概率转移矩阵p的除对角线外的其他元素，其中，的除对角线外的其他元素，其中，为马尔科夫矩阵m的对角线元素，为马尔科夫矩阵m的除对角线外的其他元素，θ[l]为第l个单元的期望密度分布值，k为时刻，i,j,l为正整数变量，
[0154][0155]dh
为海林格距离函数，θ[i]为第i个单元的期望密度分布值，为第i个单元的时变密度分布值，i为k时刻个体j所处的单元，n
bin
为所有单元的个数；
[0156][0157]
其中，τj及βj为可自定义的时变正常数，θ为所有单元的期望密度分布向量，为所有单元的时变密度分布函数。
[0158]
在一些可能的实施方式中，通过分情况处理的方法可以使得本发明在针对转移过程中的多种情况进行分类处理，以此来保证减少了无效转移的可能，同时提高了本方法的高效性以及效率。
[0159]
需要说明的是，关于概率转移矩阵与某数值成反比现给出如下解释：这是对矩阵的一个设计，该设计既满足了p作为马尔科夫转移矩阵的定义和基本性质，又达到了本文中的设计目的：使个体最大程度地转移至目标单元(具体设计思路可参考轮盘赌原理，p的每个元素的值均为转移概率)。由于概率转移矩阵p为n*n的矩阵因此通过两个公式相结合可计算出概率转移矩阵的所有元素的值。
[0160]
理论基础：马尔可夫概率转移矩阵用m表示，设定该矩阵为n*n矩阵，该矩阵的第i行第l列的元素数值表示为m[i,l]
[0161]
(此处n，i，l是数学上通用的正整数表示符号，在此处暂不考虑其与专利有关的意义，满足
[0162]
0≤i≤n,0≤l≤n)。
[0163]
该矩阵的基础特征有：
[0164]
矩阵中的所有元素数值均在0、1之间分布，即均满足0≤m[i,l]≤1。该特征的解释为：m阵的每个元素均表示转移的概率，而从数学上考虑，概率的数值肯定在0，1之间，因此m[i,l]数值也在0,1之间
[0165]
每行的元素之和均为1，即对第i行，均有
[0166]
在本专利的应用：
[0167]
解释i,j,l等字母的意义
[0168]
在研究集群空间位置分布的文献里，对上述理论基础中的m,i,j,n均赋予特殊现实意义：对于二维空间中的集群，按照目标构型将集群所在的空间网格化，离散成n个单元子空间，而集群中的个体就零散分布在这些单元内。m表示在k时刻集群中的个体j在不同单元之间转移的概率，其中表示k时刻个体j从单元i转移到单元l的概率。(此处i,j,l不仅表示“理论基础”中的正整数变量，同时也在本专利的研究中表示相关定义，这也就是数学建模的过程。)
[0169]
解释m矩阵，p矩阵的设计思路
[0170]
在研究集群空间位置分布的文献里，大多数文献选择的研究角度是如何更好地设计m矩阵，使其既满足数学理论基础，又使其更好地满足问题要求。本专利也不例外。因此，本专利设计m矩阵时，首先要满足m矩阵的数学理论基础(即设计的m矩阵必须满足这2个特征)，又要针对本专利研究的问题进一步详细设计。
[0171]
设计i,j,l均为正整数变量，表示的是m矩阵中第i行第l列元素的数值(i≠l)，同时也表示个体j在k时刻从目前所处的单元i转移到单元l的概率。表示的是m阵中第i行第i列元素(即m矩阵的对角线元素)的数值，同时也表示个体j在k时刻从目前所处的单元i转移到单元i的概率(即个体j下一时刻仍处于单元i内，一般出现这种情况的时候就表示此时所处的单元i恰好为目标单元，此时个体j已经转移到目标构型范围内部，且整个集群的密度也很趋近期望密度，所以此时个体j不需跨单元移动了，就呆在单元i就好)。
[0172]
因为在算法刚运行的阶段，个体跨单元(i≠l)移动的情况还是占多数，因此先对公式进行设计，设计是重点，而暂时就只要满足理论基础中的基本特征即可(0、1之间，每行和为1)，因此直接令＝1-(该行其他元素的和)。
[0173]
因为i是正整数变量，设计完第i行的元素，其实就可以求出m矩阵所有行的元素了。所以只给出m矩阵第i行的两个设计公式(非对角线元素和对角线元素)即可。
[0174]
p矩阵设计思路：设计完m矩阵后进行实验，发现m矩阵存在一定问题：无效转移次数太多了，需要想办法修正一下。于是设计出了基于m矩阵的p矩阵，即修改版的概率转移矩阵p。因为p首先也是马尔可夫概率转移矩阵，所以也满足那2个特征。接着对进行重点设计(即p矩阵的非对角线元素)。然后对于的求解，直接：＝1-(该行其他元素的和)。
[0175]
优选地，在上述任意实施例中，步骤302具体为：
[0176]
对所述概率转移矩阵p进行轮盘赌算法，根据计算结果确定所述未转移个体的下一时刻的相邻单元。
[0177]
优选地，在上述任意实施例中，步骤303具体为：
[0178]
通过voronoi方法对所述未转移个体当前所在单元以及所述下一时刻的相邻单元进行分割，得到分割后的多个第一多边形，在每个所述第一多边形内部进行相似多边形分割，使得每个所述第一多边形内包含一个与所述第一多边形相似且满足第一条件的第二多
边形，基于预设转移运动约束条件，确定所述未转移个体的移动路径，并根据所述移动路径更新所述未转移个体的位置信息，所述第一条件为所述第二多边形形成的区域与所述第一多边形的边界间距为第二阈值。
[0179]
在一些可能的实施方式中，通过第二多边形可以有效的防止移动过程中的碰撞问题，另外，由于预设转移运动约束条件的限制，可以使得移动路径更加优化。
[0180]
需要说明的是，所述第一条件为：第二多边形与第一多边形的间距为r
min
，第二阈值为r
min
。
[0181]
如图2所示，一种大规模星群构型控制系统，包括：
[0182]
划分模块100，用于将星群划分为多个单元，每个单元包括一个个体，判断所述星群是否出现异常，若出现异常则执行判断模块；
[0183]
判断模块200，用于判断当前单元是否存在无效转移，生成单前单元的第一判断结果，若所述第一判断结果为是，则存在无效转移的单元内的个体为未转移到目标单元的未转移个体，其中，无效转移为单元内的个体未移动至目标单元内；
[0184]
移动模块300，用于根据所述星群的转移概率数据确定所述未转移个体的下一时刻位置，根据所述位置推算所述未转移个体的移动路径，按照所述移动路径控制所述未转移个体相应移动。
[0185]
在一些可能的实施方式中，本发明解决了对大规模星群的运动控制与构型控制问题。对转移过程不同情况的讨论减少了无效转移的可能性，也保证了算法运行的高效性和快速性；转移轨迹的动态规划使得本发明更加灵活，鲁棒性也更好，本发明收敛速度和误差都十分优异。且本发明可应用于近地leo轨道上的大规模星群构型控制，且可同时满足成本最优及轨迹避撞等约束。
[0186]
优选地，在上述任意实施例中，还包括重复模块，重复模块用于：
[0187]
重复步骤判断模块和移动模块，直到所述当前单元不存在无效转移后，判断下一个单元，当所有单元均不存在无效转移后，重复划分模块，直至所述星群不存在异常。
[0188]
优选地，在上述任意实施例中，判断所述星群是否出现异常通过以下过程完成：
[0189]
基于误差函数，计算所述星群的实时密度分布与所述星群的期望密度分布的误差值，若所述误差值小于第一阈值，则判定所述星群未出现异常，反之则判定所述星群出现异常。
[0190]
优选地，在上述任意实施例中，移动模块300具体用于：
[0191]
计算模块，基于所述星群的转移概率数据确定计算未转移个体的概率转移矩阵p，其中，所述星群的转移概率数据包括：所述第一判断结果以及所述误差值；
[0192]
确定模块，根据所述未转移个体的概率转移矩阵p，确定所述未转移个体的下一时刻的位置；
[0193]
分割模块，对所述未转移个体当前所在单元以及所述位置进行分割，得到分割后的边界几何信息，根据所述边界几何信息确定所述未转移个体的移动路径，按照所述移动路径控制所述未转移个体相应移动，并根据所述移动路径更新所述未转移个体的位置信息。
[0194]
优选地，在上述任意实施例中，计算模块具体用于：
[0195]
当所述第一判断结果为是时，判断相邻单元内是否有所述目标单元，生成每个单
元的第二判断结果，其中，相邻单元为个体每个时刻最远转移范围；
[0196]
当所述第二判断结果为是时，此时未转移个体的概率转移矩阵p与所述相邻单元内的所述目标单元的数量成反比；
[0197]
当所述第二判断结果为否时，此时未转移个体的概率转移矩阵p与相邻过渡单元的数量成反比，其中，所述相邻过渡单元为所述未转移个体此刻所处的单元；
[0198]
当所述第一判断结果为否时，此时判断n个单元的实时密度值是否在预设密度值范围内，生成第三判断结果；
[0199]
当所述第三判断结果为是时，且所述误差值不大于所述第一阈值时，此时未转移个体的概率转移矩阵p等于单位阵；
[0200]
当所述第三判断结果为否时，基于优化后的马尔科夫矩阵m，对此时的未转移个体的概率转移矩阵p进行计算，计算公式如下：
[0201][0202][0203]
其中，
[0204][0205][0206]
εc为自定义的正常数，εm为时变参数，为时变参数，为目标单元的总数量，c
k,max
为成本约束矩阵ck中元素最大值，c
k,max
＝max
i,ick
[i,l]，ck[i,l]为成本约束矩阵中的元素，为误差函数，
[0207][0208]dh
为海林格距离函数，θ[i]为第i个单元的期望密度分布值，为第i个单元的时变密度分布值，i为k时刻个体j所处的单元，n
bin
为所有单元的个数；
[0209][0210]
其中，τj及βj为可自定义的时变正常数，θ为所有单元的期望密度分布向量，为所有单元的时变密度分布函数。
[0211]
在一些可能的实施方式中，通过分情况处理的方法可以使得本发明在针对转移过程中的多种情况进行分类处理，以此来保证减少了无效转移的可能，同时提高了本方法的高效性以及效率。
[0212]
优选地，在上述任意实施例中，确定模块具体用于：
[0213]
对所述概率转移矩阵p进行轮盘赌算法，根据计算结果确定所述未转移个体的下一时刻的相邻单元。
[0214]
优选地，在上述任意实施例中，分割模块具体用于：
[0215]
通过voronoi方法对所述未转移个体当前所在单元以及所述下一时刻的相邻单元进行分割，得到分割后的多个第一多边形，在每个所述第一多边形内部进行相似多边形分割，使得每个所述第一多边形内包含一个与所述第一多边形相似且满足第一条件的第二多边形，基于预设转移运动约束条件，确定所述未转移个体的移动路径，并根据所述移动路径更新所述未转移个体的位置信息，所述第一条件为所述第二多边形形成的区域与所述第一多边形的边界间距为第二阈值。
[0216]
在一些可能的实施方式中，通过第二多边形可以有效的防止移动过程中的碰撞问题，另外，由于预设转移运动约束条件的限制，可以使得移动路径更加优化。
[0217]
本发明解决上述技术问题的另一种技术方案如下：一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如上述任一项所述的一种大规模星群构型控制方法。
[0218]
在一些可能的实施方式中，本发明解决了对大规模星群的运动控制与构型控制问题。对转移过程不同情况的讨论减少了无效转移的可能性，也保证了算法运行的高效性和快速性；转移轨迹的动态规划使得本发明更加灵活，鲁棒性也更好，本发明收敛速度和误差都十分优异。且本发明可应用于近地leo轨道上的大规模星群构型控制，且可同时满足成本最优及轨迹避撞等约束。
[0219]
本发明解决上述技术问题的另一种技术方案如下：一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序，所述处理器执行所述程序时实现如上述任一项所述的一种大规模星群构型控制方法。
[0220]
在一些可能的实施方式中，本发明解决了对大规模星群的运动控制与构型控制问题。对转移过程不同情况的讨论减少了无效转移的可能性，也保证了算法运行的高效性和快速性；转移轨迹的动态规划使得本发明更加灵活，鲁棒性也更好，本发明收敛速度和误差都十分优异。且本发明可应用于近地leo轨道上的大规模星群构型控制，且可同时满足成本最优及轨迹避撞等约束。
[0221]
读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0222]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的方法实施例仅仅是示意性的，例如，步骤的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个步骤可以结合或者可以集成到另一个步骤，或一些特征可以忽略，或不执行。
[0223]
上述方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出
来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0224]
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。