張 超,李艷斌,陳金勇

(1. 中國電子科技集團(tuán)公司航天信息應(yīng)用技術(shù)重點(diǎn)實(shí)驗(yàn)室,石家莊 050081;2. 中國電子科技集團(tuán)公司第五十四研究所,石家莊 050081)

0 引 言

在衛(wèi)星遙感任務(wù)調(diào)度技術(shù)中,實(shí)際上要解決的是約束優(yōu)化和多目標(biāo)優(yōu)化問題[1]?，F(xiàn)有研究大多采用最優(yōu)化算法、基于規(guī)則的啟發(fā)式算法和智能優(yōu)化算法求解。許多研究表明，最優(yōu)化算法只能解決小規(guī)模的單星成像任務(wù)規(guī)劃問題?；谝?guī)則的啟發(fā)式算法具有簡單、直觀、便于實(shí)現(xiàn)、運(yùn)算效率高等優(yōu)點(diǎn)，但解的質(zhì)量難以保證。禁忌搜索、模擬退火、粒子群算法、差分演化算法等智能優(yōu)化算法在求解組合優(yōu)化問題和多目標(biāo)優(yōu)化問題方面顯示了較強(qiáng)的能力，近年來在成像衛(wèi)星任務(wù)規(guī)劃領(lǐng)域得到了廣泛的應(yīng)用。Bonissone將領(lǐng)域知識(shí)引入進(jìn)化算法，通過顯性知識(shí)和隱性知識(shí)，處理衛(wèi)星成像過程中的靜態(tài)和動(dòng)態(tài)約束，解決了一個(gè)包含25個(gè)衛(wèi)星的星座的任務(wù)規(guī)劃問題[2]。韓偉設(shè)計(jì)了離散粒子群的位置變化公式利用粒子群算法求解向多對地觀測衛(wèi)星任務(wù)規(guī)劃問題[3]。

敏捷衛(wèi)星的發(fā)展使衛(wèi)星對地面目標(biāo)的觀測時(shí)間范圍更大，觀測角度更加靈活多變。敏捷衛(wèi)星在分散目標(biāo)快速響應(yīng)、地面目標(biāo)三維信息獲取、兼顧高分辨率成像與大范圍覆蓋等需求中應(yīng)用廣泛。敏捷衛(wèi)星的任務(wù)規(guī)劃調(diào)度問題國外研究主要集中在法國歐空局的Lematre 和 Panwadee、美國 NASA 噴氣推進(jìn)實(shí)驗(yàn)室(JPL)等。Lematre[4]針對法國Pleiades敏捷衛(wèi)星的日常任務(wù)調(diào)度問題，比較了貪婪、動(dòng)態(tài)規(guī)劃、約束規(guī)劃以及局部搜索等四種算法，其研究結(jié)果顯示，局部搜索算法在考慮所有約束的情況下性能最好。Mancel[5]在 Lematre的基礎(chǔ)上針對法國的 Pleiades 衛(wèi)星建立了整數(shù)規(guī)劃模型，并采用列生成算法進(jìn)行求解。在國內(nèi)，李玉慶[6]針對三軸穩(wěn)定衛(wèi)星點(diǎn)目標(biāo)任務(wù)規(guī)劃調(diào)度問題提出了一種基于模擬退火與遺傳算法相結(jié)合的混合遺傳算法。余婧采用序列二次規(guī)劃方法求解敏捷衛(wèi)星同軌多條帶拼幅成像問題[7]。

1 敏捷衛(wèi)星任務(wù)規(guī)劃調(diào)度問題分析

敏捷衛(wèi)星能夠以俯仰、滾動(dòng)以及偏航靈活的姿態(tài)機(jī)動(dòng)調(diào)整能力獲得更大范圍、更加高效的對地觀測能力，典型的工作模式有：多條帶拼接模式，立體成像模式和多點(diǎn)目標(biāo)快速成像工作模式。其中：

多條帶拼接模式是指敏捷衛(wèi)星將區(qū)域目標(biāo)分解為多個(gè)可觀測的條帶，利用敏捷衛(wèi)星在俯仰、側(cè)擺的二維姿態(tài)快速機(jī)動(dòng)實(shí)現(xiàn)推掃成像。敏捷衛(wèi)星繼續(xù)飛行立即進(jìn)行俯仰方向的反向機(jī)動(dòng)，同時(shí)通過側(cè)擺將衛(wèi)星指向平移約一個(gè)幅寬的距離，使得后一次推掃的起始條帶與前一次推掃的起始條帶相鄰[8]。在任務(wù)調(diào)度時(shí)需要通過合理確定它們的拍攝順序，不同的拍攝順序?qū)?yīng)要求衛(wèi)星進(jìn)行不同的姿態(tài)調(diào)整和變換過程。立體成像模式是指對同一地區(qū)實(shí)現(xiàn)不同角度的觀測以形成立體像對，從而得出該地區(qū)的三維成像信息。此種工作模式主要是利用衛(wèi)星俯仰軸的姿態(tài)機(jī)動(dòng)來實(shí)現(xiàn)同軌2次或3次對同一地物不同角度觀測。根據(jù)攝影測量原理[9]，當(dāng)基高比接近1時(shí)，對于圖像處理立體效果來說較好，因此可以選取在±25°時(shí)進(jìn)行立體成像，以便得到較好的立體成像效果。在任務(wù)調(diào)度時(shí)需要通過合理確定衛(wèi)星對目標(biāo)2次或3次觀測時(shí)的姿態(tài)角度，以及后續(xù)目標(biāo)的沖突關(guān)系。多點(diǎn)目標(biāo)快速成像模式是利用敏捷衛(wèi)星的快速姿態(tài)指向能力，實(shí)現(xiàn)對分散的目標(biāo)快速成像。這種成像模式主要利用衛(wèi)星側(cè)擺加俯仰的快速姿態(tài)機(jī)動(dòng)能力實(shí)現(xiàn)同軌內(nèi)距離沿軌跡方向較近的多個(gè)點(diǎn)目標(biāo)成像。在任務(wù)調(diào)度時(shí)需要通過合理確定每個(gè)的目標(biāo)成像開始時(shí)間、姿態(tài)角度實(shí)現(xiàn)近距離多個(gè)目標(biāo)的成像沖突消解。

敏捷衛(wèi)星特有的姿態(tài)靈活機(jī)動(dòng)能力使得衛(wèi)星對點(diǎn)目標(biāo)可視時(shí)間窗口的變?yōu)榱艘粋€(gè)長時(shí)間窗口。點(diǎn)目標(biāo)觀測需要持續(xù)一段很短的時(shí)間，實(shí)際觀測片段可以在觀測可見時(shí)間窗口內(nèi)自由滑動(dòng)。因此在一個(gè)長時(shí)間窗口內(nèi)，對點(diǎn)目標(biāo)成像的開始時(shí)間決定了成像時(shí)采用的俯仰角度，也就決定了衛(wèi)星成像質(zhì)量，如圖1所示。同時(shí)，敏捷衛(wèi)星的任務(wù)調(diào)度過程是一個(gè)調(diào)度-選擇相結(jié)合過程，如圖2所示。首先需要調(diào)度衛(wèi)星-目標(biāo)任務(wù)匹配關(guān)系；然后備選目標(biāo)任務(wù)還需要在可訪問時(shí)間窗口中選擇成像的時(shí)刻。

圖1 敏捷衛(wèi)星成像時(shí)間影響成像質(zhì)量示意圖

圖2 選擇點(diǎn)目標(biāo)實(shí)際的成像片段示意圖

敏捷衛(wèi)星任務(wù)規(guī)劃問題求解面臨著很多的難點(diǎn)，復(fù)雜多樣的觀測任務(wù)模式、更加靈活的姿態(tài)機(jī)動(dòng)能力、更長的可觀測時(shí)間窗口導(dǎo)致了解空間增大，多個(gè)臨近目標(biāo)觀測窗口重疊，且臨近目標(biāo)耦合度高，觀測順序不再固定。同時(shí)不同觀測開始時(shí)間對應(yīng)不同觀測姿態(tài)角度，進(jìn)而影響成像質(zhì)量和任務(wù)間衛(wèi)星姿態(tài)轉(zhuǎn)換時(shí)間，這些都給敏捷衛(wèi)星成像任務(wù)的調(diào)度及觀測時(shí)間的確定帶來了困難。

2 敏捷衛(wèi)星任務(wù)規(guī)劃調(diào)度模型

敏捷衛(wèi)星任務(wù)規(guī)劃調(diào)度建模十分復(fù)雜，文獻(xiàn)[10-11]只考慮任務(wù)安排數(shù)量和優(yōu)先級最大化作為規(guī)劃目標(biāo)建立約束滿足模型，文獻(xiàn)[12]將云層遮擋最小作為規(guī)劃目標(biāo)建立了敏捷衛(wèi)星任務(wù)規(guī)劃數(shù)學(xué)模型，上述文獻(xiàn)都沒有將任務(wù)安排數(shù)、任務(wù)優(yōu)先級和任務(wù)質(zhì)量統(tǒng)一考慮。在成像時(shí)衛(wèi)星離地面目標(biāo)越近、采用的觀測角度越小則成像的地面分辨率越高。敏捷衛(wèi)星對目標(biāo)的成像時(shí)間決定了成像姿態(tài)角度，進(jìn)而決定了成像質(zhì)量，這是一種具有時(shí)間依賴性的成像質(zhì)量。這與并行機(jī)加工調(diào)度問題“提早-延期”懲罰相似[13]，衛(wèi)星在最佳觀測角度成像獲得的圖像質(zhì)量最高，而提早或延期成像獲得的圖像質(zhì)量則會(huì)降低。因此，敏捷衛(wèi)星任務(wù)規(guī)劃調(diào)度模型中將成像質(zhì)量最好轉(zhuǎn)化為成像觀測角度最小，并將其引入規(guī)劃目標(biāo)中，建立了多目標(biāo)組合優(yōu)化模型。本文只考慮與所研究問題直接相關(guān)的約束條件，主要包括數(shù)傳固存約束、數(shù)傳模式、指令模板、工作時(shí)間(分為觀測、接收兩個(gè)部分)、能源約束和姿態(tài)轉(zhuǎn)換，對相關(guān)約束與沖突定義如表1所示。

表1 約束表

① 模型假設(shè)及約束變量定義

建立任務(wù)調(diào)度模型的假設(shè)及約束變量的定義：

1)調(diào)度開始時(shí)間為TS，調(diào)度截至?xí)r間為TE；

2)假設(shè)有n個(gè)要完成的任務(wù)，記為A={a1,a2,…,an}，每個(gè)任務(wù)的優(yōu)先級為P={p1,p2,…,pn}，成像角度為IA={ia1,ia2,…,ian}；

3)定義觀測元任務(wù)決策變量xj，如果元任務(wù)能夠完成，則xj=1，反之，xj=0；

4)第j個(gè)觀測元任務(wù)的開始時(shí)間變量記為sj，結(jié)束時(shí)間變量為ej，第j個(gè)元任務(wù)的實(shí)際開始時(shí)間為saj，實(shí)際結(jié)束時(shí)間為eaj；

7)定義一個(gè)任務(wù)數(shù)傳模式變量Pj，如果任務(wù)做記錄模式，則Pj=1，如果任務(wù)做實(shí)傳模式，則Pj=0；

8)定義接收任務(wù)決策變量ki，如果接收元任務(wù)能夠執(zhí)行接收，則ki=1，反之，ki=0；

9)第i個(gè)接收任務(wù)的開始時(shí)間變量記為swi，結(jié)束時(shí)間變量為ewi；

10)單圈次最大觀測時(shí)長為To，單圈次最大接收時(shí)長為Tr；

11)衛(wèi)星最大固存為M，單位時(shí)間的觀測數(shù)據(jù)占用固存為mj，假設(shè)在第j個(gè)記錄文件放入固存之前固存占用量為Mj；

12)假設(shè)衛(wèi)星電池初始電量為Eg。

② 模型表示

規(guī)劃目標(biāo)：

(1)

(2)

(3)

考慮約束：

Ts≤sj≤TEandTs≤ej≤TE, 1≤j≤n

(4)

對于?j，滿足saj≥sj且eaj≤ej

(5)

對于?j，如果Pj=0，則?i，使得

saj≥Si，1≤j≤n，1≤i≤m

(6)

對于?j，如果Pj=0，則?i，使得

eaj≤Ei，1≤j≤n，1≤i≤m

(7)

(8)

其中：jh、jb分別表示觀測元任務(wù)序列中前后兩個(gè)相鄰的任務(wù)序號(hào)。

Mj+xj(ej-sj)mj≤M

(9)

(10)

(11)

模型說明：

式(1)表示完成任務(wù)的優(yōu)先級之和最大；式(2)表示完成元任務(wù)數(shù)最多，即完成目標(biāo)數(shù)量最多；式(3)表示完成任務(wù)的成像角度之和最小，即成像質(zhì)量懲罰函數(shù)；式(4)表示所有任務(wù)的開始和結(jié)束時(shí)間必須在規(guī)定的時(shí)間段[Ts,TE]之內(nèi)；式(5)表示所有的觀測元任務(wù)的實(shí)際觀測片段必須在觀測可見時(shí)間窗口內(nèi)； 式(6)表示當(dāng)aj做實(shí)傳模式時(shí)如果任務(wù)在時(shí)間窗口Wi內(nèi)執(zhí)行，那么任務(wù)的開始時(shí)間必須在相應(yīng)的時(shí)間窗口的開始時(shí)間之后；式(7)表示當(dāng)aj做實(shí)傳模式時(shí)任務(wù)的結(jié)束時(shí)間必須在相應(yīng)的時(shí)間窗口的結(jié)束時(shí)間之前。式(4)、(5)限定做實(shí)傳的任務(wù)必須在對應(yīng)的時(shí)間窗口之內(nèi)完成；式(8)表示后一個(gè)任務(wù)的開始時(shí)刻和前一個(gè)任務(wù)的結(jié)束時(shí)刻之間的間隔時(shí)間必須不小于它們之間角度姿態(tài)調(diào)整需要的時(shí)間；式(9)表示固存占用量加上當(dāng)前記錄文件固存占用量必須不超過最大固存；式(10)表示單圈次中觀測元任務(wù)總的時(shí)長必須不超過單圈次最大觀測時(shí)長，其中s、e表示單圈次中第一個(gè)和最后一個(gè)任務(wù)的序號(hào)；式(11)表示單圈次中接收任務(wù)總的時(shí)長必須不超過單圈次最大接收時(shí)長。

3 敏捷衛(wèi)星任務(wù)調(diào)度優(yōu)化算法

① 敏捷衛(wèi)星任務(wù)編碼設(shè)計(jì)

染色體結(jié)構(gòu)由觀測目標(biāo)的編碼和接收元任務(wù)的編碼拼接得到，根據(jù)任務(wù)規(guī)劃需求采用整數(shù)編碼的方式。傳統(tǒng)衛(wèi)星一個(gè)觀測目標(biāo)的基因位取值只能是0到1兩種，0代表對應(yīng)的該點(diǎn)目標(biāo)沒有被選中，1代表該點(diǎn)目標(biāo)會(huì)被安排進(jìn)行觀測成像，所有觀測目標(biāo)和接收元任務(wù)的數(shù)量之和即為染色體的長度。然而，敏捷衛(wèi)星根據(jù)不同任務(wù)觀測模式基因位取值范圍不同，對于觀測元任務(wù)數(shù)量不同。對于多點(diǎn)目標(biāo)連續(xù)成像模式，每個(gè)點(diǎn)目標(biāo)可以被觀測N次；對于立體成像模式，每個(gè)目標(biāo)至少被觀測2次；對于寬幅目標(biāo)，根據(jù)區(qū)域條帶分解得到多個(gè)觀測條帶，即一個(gè)觀測目標(biāo)對應(yīng)多個(gè)觀測元任務(wù)，相關(guān)元任務(wù)必須一起安排；因此，敏捷衛(wèi)星觀測元任務(wù)對應(yīng)的基因位取值范圍為0到N；敏捷衛(wèi)星接收元任務(wù)基因位的取值范圍為0、1或2，0代表對應(yīng)的接收元任務(wù)沒有被選中，1代表對應(yīng)的接收元任務(wù)被選中并且做回放模式，2代表對應(yīng)的接收元任務(wù)被選中且做實(shí)傳模式。

② 基于排序變異的差分演化算法

DE算法的核心算子是差分變異算子。一般情況下，變異算子是從當(dāng)前種群中隨機(jī)選擇。在自然界中，優(yōu)良物種總是包含好的基因信息，因此，它們有更多的機(jī)會(huì)被用來指導(dǎo)其他物種進(jìn)化。受這種現(xiàn)象啟發(fā)，雙親個(gè)體被選中為變異算子的概率是根據(jù)它們在當(dāng)前種群中的評價(jià)值排名來決定的，評價(jià)值較高的個(gè)體將獲得更大的差分變異概率，其中個(gè)體權(quán)重的設(shè)置使用二次方模型(quadratic model)。采用這種基于排序的變異方式，將種群個(gè)體進(jìn)行適應(yīng)度排序后，進(jìn)行迭代更新，能夠維持局部搜索和全局搜索的平衡。

weights[i]=pow((double)(i+0)/S_size,2.0)

(12)

③ 遺傳模擬退火混合算法

本文針對模擬退火算法解的質(zhì)量與求解時(shí)間長之間的矛盾，將遺傳算法與模擬退火算法結(jié)合起來，提出了一種改進(jìn)的遺傳模擬退火算法。改進(jìn)遺傳模擬退火算法的基本思想是：與傳統(tǒng)的模擬退火算法總體運(yùn)行過程相類似，從一組隨機(jī)產(chǎn)生的初始解(初始種群)開始全局最優(yōu)解的搜索過程，通過選擇、交叉、變異等遺傳操作來產(chǎn)生候選解，然后對候選解采用Metropolis準(zhǔn)則判斷是否接受其作為下一代種群中的個(gè)體，執(zhí)行退溫操作。這個(gè)運(yùn)行過程反復(fù)迭代進(jìn)行，直到滿足終止條件。

④ 基于相似度和聚集度的粒子群算法

根據(jù)標(biāo)準(zhǔn)PSO算法的性能分析，隨著算法迭代運(yùn)行，粒子變得越來越相似，算法缺少多樣性，從而影響算法的全局搜索能力。改進(jìn)的粒子群算法的基本思想是：根據(jù)每條染色體的基因位與最優(yōu)染色體進(jìn)行比較，計(jì)算出每條染色體與最優(yōu)染色體的相似度，然后根據(jù)相似度計(jì)算出每一代種群的聚集度。隨著迭代運(yùn)行，標(biāo)準(zhǔn)PSO算法會(huì)越來越聚集在一起，因?yàn)榱Ｗ幼罱K都向最優(yōu)點(diǎn)粒子靠近。改進(jìn)的粒子群通過相似度和聚集度，在染色體變異過程中，當(dāng)種群聚集度大的時(shí)候，增加染色體的變異概率，從而使種群的多樣性增加，有利于尋找到更優(yōu)的結(jié)果。

圖3 約束處理流程

⑤ 約束處理

敏捷衛(wèi)星任務(wù)調(diào)度優(yōu)化是一個(gè)帶約束的優(yōu)化問題，需要考慮諸多約束。算法運(yùn)行過程中產(chǎn)生的邏輯規(guī)劃對象很有可能是不合法的，必須要對這樣的邏輯規(guī)劃對象進(jìn)行處理。算法在產(chǎn)生邏輯規(guī)劃對象經(jīng)約束處理模塊，對組合元任務(wù)集進(jìn)行處理，得到新的滿足約束的組合元任務(wù)集。然后通過編碼，生成對應(yīng)的修正的邏輯規(guī)劃對象，即規(guī)劃結(jié)果。約束處理模塊依次按照以下順序進(jìn)行約束處理：觀測時(shí)間沖突約束、數(shù)傳模式約束、指令模板約束、工作時(shí)間約束、文件下傳約束、能源約束。

⑥ 仿真測試結(jié)果

針對差分演化算法、模擬退火算法以及粒子群算法三種算法分別提出了改進(jìn)算法。為了測試改進(jìn)算法的效果，選取了5批工程數(shù)據(jù)，每批數(shù)據(jù)包含300個(gè)觀測元任務(wù)，分別從綜合評價(jià)值(完成任務(wù)數(shù)、優(yōu)先級之和、俯仰角之和)以及耗時(shí)比較改進(jìn)前后的算法效果。改進(jìn)后的差分演化算法是使用了rankDE策略的算法，改進(jìn)后的模擬退火算法是遺傳模擬退火算法，改進(jìn)后的粒子群算法是通過引入相似度和聚集度的概念來增大變異概率的算法。

圖4 改進(jìn)前后算法的綜合評價(jià)值

圖5 改進(jìn)前后算法的耗時(shí)

通過以上圖表數(shù)據(jù)的展示，可以看出：使用rankDE策略的差分演化算法，其規(guī)劃結(jié)果及耗時(shí)與改進(jìn)前的算法規(guī)劃結(jié)果及耗時(shí)比較接近，改進(jìn)效果并不明顯；遺傳模擬退火算法的改進(jìn)效果比較明顯，改進(jìn)后的規(guī)劃結(jié)果明顯較優(yōu)，雖然耗時(shí)相對較多，但算法改進(jìn)后的耗時(shí)與差分演化算法接近，屬于可接受范圍；引入相似度和聚集度使變異概率增大之后的粒子群算法，其規(guī)劃結(jié)果比未改進(jìn)的粒子群算法的規(guī)劃結(jié)果較優(yōu)，雖然其耗時(shí)也相應(yīng)的增加了，但綜合其他算法來看，其耗時(shí)仍少于差分演化算法和模擬退火算法，說明粒子群算法的改進(jìn)效果較明顯。

4 并行算法研究

① 并行算法模型

由于智能優(yōu)化算法的內(nèi)在并行性，其并行處理方式是很自然的解決途徑。本文中，衛(wèi)星任務(wù)規(guī)劃算法在并行模式上采用全局型和獨(dú)立型。為了應(yīng)用并行計(jì)算，必須把算法分解成相互獨(dú)立的若干問題[14]。

全局型—主從式模型(mast-slave model)首先統(tǒng)一三種智能優(yōu)化算法的編碼格式，然后在主線程中進(jìn)行搜索，然后將算法的每一次迭代中得到的解分配到對應(yīng)的處理器獨(dú)立進(jìn)行的編碼解析、約束檢查、評價(jià)和計(jì)算解的適應(yīng)值等操作，然后將其返回給調(diào)用線程。主從式模型示意圖如圖6。

圖6 主從式模型的并行演化計(jì)算架構(gòu)圖

獨(dú)立型—孤島模型(island model)進(jìn)行并行處理，多個(gè)解用“種群”表示，將“種群”分為若干個(gè)“子種群”分配給對應(yīng)的處理器，每個(gè)處理器不僅獨(dú)立計(jì)算適應(yīng)度，而且獨(dú)立進(jìn)行選擇、重組交叉和變異操作。每次迭代完成以后，選擇“種群”中所有解的評價(jià)值中最高的解作為當(dāng)前最優(yōu)解。判斷這個(gè)解是否滿足終止條件的要求，滿足則退出，不滿足則繼續(xù)迭代，如圖7所示。

圖7 孤島模型的并行演化計(jì)算架構(gòu)圖

② 并行算法測試

并行測試結(jié)果很大程度取決于并行環(huán)境，三種運(yùn)行模式硬件采用四核Core(TM) i3-4150 3.5 Ghz、內(nèi)存4 G。針對同一批測試數(shù)據(jù)，對主從式并行和孤島式并行進(jìn)行測試，分別采用三種算法運(yùn)行10次求平均值，利用平均耗時(shí)與未加速的算法耗時(shí)進(jìn)行對比，具體的算法耗時(shí)見表3，成像任務(wù)規(guī)劃性能加速比如圖8。

在沒有并行運(yùn)算的情況下，三種算法運(yùn)行耗時(shí)均較多；在采用并行框架后，三種算法運(yùn)行時(shí)間均有明顯下降；在主從式并行模型下，加速比分別為模擬退火算法1.614、差分演化算法1.911、粒子群算法1.990；在孤島式并行模型下加速比分別為差分演化算法1.960、模擬退火算法2.254、粒子群算法2.478。綜合比較兩種模型，加速效果都很明顯，但就兩種模型來看，孤島式并行模型加速效果更明顯，三種算法的加速效果都高于主從式并行模型的加速比。

表2 三種算法并行模型運(yùn)行時(shí)間表

圖8 智能優(yōu)化算法并行加速比圖

5 結(jié) 語

本文針對敏捷衛(wèi)星任務(wù)規(guī)劃調(diào)度問題的特點(diǎn)，構(gòu)建了基于成像質(zhì)量懲罰系數(shù)的敏捷衛(wèi)星任務(wù)規(guī)劃組合優(yōu)化模型；并對常見智能優(yōu)化算法(差分演化、粒子群和模擬退火三種算法)進(jìn)行改進(jìn)實(shí)現(xiàn)和測試評價(jià)；在此基礎(chǔ)上采用全局-主從式模型和獨(dú)立-孤島模型分別實(shí)現(xiàn)了三種算法單機(jī)多核并行計(jì)算技術(shù)。實(shí)驗(yàn)結(jié)果驗(yàn)證了提出的算法是可行的和有效的。

[1] 徐雪仁, 宮鵬, 黃學(xué)智,等. 資源衛(wèi)星(可見光)遙感數(shù)據(jù)獲取任務(wù)調(diào)度優(yōu)化算法研究[J]. 遙感學(xué)報(bào), 2007, 11(1):109-114.

[2] Bonissone P P, Subbu R, Eklund N, et al. Evolutionary algorithms+domain knowledge=real-world evolutionary computation[J]. IEEE Transactions on Evolutionary Computation, 2006, 10(3):256-280.

[3] 韓 偉,張學(xué)慶. 一種基于離散粒子群的多星任務(wù)規(guī)劃算法[J].無線電工程,2015,45(1):1-4.

[5] Mancel C, Lopez P. Complex optimization problems in space systems[C].13Th International Conference on Automated Planning & Scheduling (ICAPS’03). 2003.

[6] 李玉慶, 徐敏強(qiáng), 王日新. 三軸穩(wěn)定衛(wèi)星點(diǎn)目標(biāo)觀測任務(wù)優(yōu)化調(diào)度技術(shù)[J].吉林大學(xué)學(xué)報(bào):工學(xué)版, 2008, 38(6):1447-1451.

[7] 余婧, 喜進(jìn)軍, 于龍江,等. 敏捷衛(wèi)星同軌多條帶拼幅成像模式研究[J]. 航天器工程, 2015, 24(2):27-34.

[8] 張新偉, 戴君, 劉付強(qiáng). 敏捷遙感衛(wèi)星工作模式研究[J]. 航天器工程, 2011, 20(4):32-38.

[9] 王任享．三線陣CCD影像衛(wèi)星攝影測量原理[M].北京：測繪出版社，2006:1-23.

[10] 孫凱，邢立寧，陳英武等.基于分解優(yōu)化策略的多敏捷衛(wèi)星聯(lián)合對地觀測調(diào)度[J].計(jì)算機(jī)集成制造系統(tǒng), 2013, 19(1):127-136.

[11] 郝會(huì)成，姜維，李一軍.基于混合遺傳算法的敏捷衛(wèi)星任務(wù)規(guī)劃求解 [J].科學(xué)技術(shù)與工程. 2013, 13(17):4972-4978.

[12] 何磊, 劉曉路, 陳英武, 邢立寧. 面向敏捷衛(wèi)星任務(wù)規(guī)劃的云層建模及處理方法[J]. 系統(tǒng)工程與電子技術(shù), 2016, 38(4): 852-858.

[13] 陳成. 時(shí)間依賴調(diào)度方法及在敏捷衛(wèi)星任務(wù)規(guī)劃中的應(yīng)用研究[D]. 國防科學(xué)技術(shù)大學(xué). 2014.

[14] 付鑫, 張峰, 馮占林,等. 基于并行計(jì)算的混沌遺傳算法對反導(dǎo)預(yù)警雷達(dá)部署優(yōu)化研究[J]. 中國電子科學(xué)研究院學(xué)報(bào), 2016(3):276-282.