多敏捷卫星协同任务规划调度方法研究

敏捷卫星任务规划调度是一个具有长时间窗、多时间窗的复杂约束的多目标组合优化问题。本文基于任务质量,通过分析敏捷卫星对地观测任务规划问题的需求、特点和约束,构建了敏捷卫星任务规划组合优化模型;并在原有模拟退火算法的基础上,设计了基于相似度和聚集度的遗传模拟退火混合算法,通过相似度和聚集度,在染色体变异过程中,当种群聚集度大的时候,增加染色体的变异概率,从而增加种群的多样性。利用遗传算法的全局搜索能力有利于改变模拟退火算法容易陷入局部最小点的缺点,寻找到更优的结果,使算法达到全局搜索能力与局部搜索能力的平衡,经实际卫星任务数据验证算法有效可行。     

多敏捷卫星协同任务规划调度方法

敏捷卫星任务规划调度是一个具有长时间窗、多时间窗的复杂约束的多目标组合优化问题。基于任务质量,通过分析敏捷卫星对地观测任务规划问题的需求、特点和约束,构建了敏捷卫星任务规划组合优化模型;并在原有模拟退火算法的基础上,设计了基于相似度和聚集度的遗传模拟退火混合算法,通过相似度和聚集度,在染色体变异过程中,当种群聚集度大的时候,增加染色体的变异概率,从而增加种群的多样性。利用遗传算法的全局搜索能力有利于改变模拟退火算法容易陷入局部最小点的缺点,寻找到更优的结果,使算法达到全局搜索能力与局部搜索能力的平衡,经实际卫星任务数据验证算法有效可行。     

基于可配置规则的敏捷卫星任务规划问题研究

针对敏捷卫星对地观测任务规划问题,鉴于现有算法大都面向某一特定卫星系统设计,无法满足不同敏捷卫星、不同用户偏好对分配规则和调度策略的不同要求;考虑到敏捷卫星约束复杂,用户需求多样,设计可配置机制,实现敏捷卫星任务规划算法对不同分配规则和启发式调度策略的兼容,允许根据敏捷卫星特点和用户需求进行选择和拓展。仿真实验和工程应用表明,算法提高了对敏捷卫星约束复杂化和用户需求多样化的适应性,提升了对不同卫星系统的可重用性。     

多种群蚁群遗传算法在车间调度中的研究应用

蚁群算法和遗传算法都属于仿生型优化算法,是解决调度问题的强有力的工具。本文针对多目标车间调度问题提出了一种多种群蚁群算法和遗传算法想结合的算法,算法的第一部分用多种群蚁群算法求得各个目标函数的最优解,第二部分把求得的解作为遗传算法的初始种群求得多目标问题的Pareto最优解。仿真结果,该算法有较好的有效性、稳定性和订单适应能力。     

成像卫星密集任务合成方法及其调度算法

当一般卫星面临问题规模较大且任务比较密集时,传统的调度模型会出现任务排斥,造成观测效率及观测收益都较低的现象.针对该问题,提出了基于任务合成机制的多星调度算法.首先,考虑任务之间的约束条件,建立基于均值漂移的卫星任务合成算法;然后,考虑卫星资源的固存约束、能量约束,以及观测任务之间的观测时间、观测角度等约束条件,建立了基于均值漂移的多星任务合成调度问题模型;最后,结合任务合成算法及问题特点,用改进的蚁群求解算法进行求解,并设计了Insert搜索算子来提高算法的探索能力.仿真实验验证了该任务合成方法及求解算法的效率.     

基于改进模拟退火的多星任务规划方法

多星任务规划是一个多任务冲突、多资源约束的优化问题。随着卫星数量的日益增多,其地位越来越重要。针对该问题,综合蚁群算法的反馈特性和模拟退火算法的局部搜索特性,设计了一种基于知识的改进模拟退火算法。并对知识定义、知识更新规则和任务冲突处理策略做了详细描述。仿真表明算法在性能上比遗传算法(Genetic Algorithm,GA)和蚁群算法(Ant Colony Algorithm,ACO)均有一定的优势,证明了改进模拟退火算法的有效性。     

机动卫星星座对多目标成像任务规划

在卫星对地观测任务中,需要研究卫星星座的快速机动及任务规划方法。该文研究了机动卫星星座对多目标的成像任务规划算法。提出了单颗太阳同步圆轨道卫星对单个点目标的可见性分析方法,结合解析方法与数值方法,得到目标的可见性,并给出卫星轨道机动及构型返回策略。在对多目标成像任务规划中,生成变轨策略集,并利用遗传算法求解任务规划问题,提高了计算效率。仿真结果表明:该方法准确性高,提高了星座的观测能力和平均目标观测次数。     

基于蚁群算法的并行任务分配与调度

蚁群算法是近年出现的一种新启发式算法,在求解NP完全问题中具有较大优势.针对如何在满足任务约束关系的条件下用蚁群算法求解任务分配与调度问题,首先对任务的分配与调度问题建立数学模型,然后在满足子任务之间的约束关系的条件下用蚁群算法求出最优解,最后把用蚁群算法与遗传算法的最优解进行比较.通过仿真实验表明,蚁群算法比遗传算法在任务分配与调度求解中有较高的解的质量,但蚁群算法的求解速度要慢于遗传算法.     

基于多Agent的制造网格资源调度新算法

针对在制造网格广域、动态、异构的复杂环境中如何快速准确地发现并调度资源,使QoS达到最佳效果,本文提出了利用移动Agent在制造网格中发现资源的新方法,先用遗传算法对资源信息进行选择,然后将移动Agent作为用户提交任务的载体,携带用户的资源信息在网格环境中利用蚁群算法对资源进行精确查找.设计了资源优选目标,改进了遗传蚁群算法的路径优化策略,在移动Agent查找路径的前半程,采用遗传算法,充分利用遗传算法的快速性、随机性、全局收敛性,求得一个较为精确的解.后半程,将遗传算法过渡到蚁群优化算法,利用蚁群算法的并行性、正反馈性、求精确解效率高的特点,求得最终结果.经仿真实验证明此算法可以获得很好的收敛速度和精确解.     

卫星对地观测任务启发式自主规划算法研究

传统的卫星对地观测任务调度依赖于地面控制中心离线生成执行计划,为将规划权与地面控制中心解耦,实现卫星对任务及时和自适应规划,本文通过对观测任务的分析,结合小卫星姿态转换能力强以及拥有计算单元的特点,对卫星观测动作以及约束条件做了合理抽象与简化,建立了问题模型,提出了一种适用于小型卫星调度观测任务的启发式自主规划算法HIPA,算法对于每个任务进行资源消耗计算并给出是否可被观测的结果.通过在不同资源条件限制情况下、不同数量的任务样本集上设置的系列对比实验表明,本文所设计的启发式自主规划算法求解性能更好,可最大化利用卫星资源在最短时间内得到规划序列,可有效提高卫星的观测效率.     

基于群集智能算法的路径规划问题

在工业及服务系统行业,特别是物流及交通运输系统中经常遇到路径规划问题。该文针对自动化立体仓库单拣选台分层水平旋转货架系统,建立了数学模型,引入基于群集智能的蚁群优化算法解决货物拣选路径规划问题。该方法能够对旋转货架系统存储的货物进行快速拣选,并在全局内找到最优货物拣选路径,求解质量高,计算时间短。在货单条目为40的情况下,该文使用改进的蚁群算法求解最优拣选路径比模拟退火算法减小了1 367.17s,比混合遗传算法节省了533.4 s。实验表明该方法适合求解中小规模货物拣选路径规划问题。     

不确定环境下的战场物资供应任务规划

针对执行战场物资供应任务之前,不确定环境下的战场物资供应任务规划问题进行研究,并建立相应的不确定规划模型,引入一种新的启发式算法——蜂群算法,对其进行改进,构建适于解决战场物资供应任务规划问题的算法,并通过与现有算法进行性能比较,验证其有效性。最后,通过一个存在13个供应任务点的应用实例,验证提出的模型及算法的有效性。结果表明,不确定环境下得到的最佳方案更符合实际。     

基于混合人工势场-蚁群算法的机器人避障

针对移动机器人避障的路径规划问题,提出一种基于混合人工势场-蚁群算法的方法。在栅格环境中,以人工势场法的规划信息作为蚁群算法寻优的基础,引入势场合力作为蚂蚁搜索路径点的部分启发信息。Mat-lab7.6仿真表明,该方法解决了人工势场法的目标不可达、易陷入极值点等弊端,提高了经典蚁群算法的寻优效果和收敛速率,具有更强的稳定性和环境适应力。     

基于改进蚁群算法的无人机航迹规划

针对无人机在指定地点执行侦察、 巡逻或攻击等任务, 将无人机执行任务的航迹代价模型转化为旅行商问题, 采用改进蚁群算法实现航迹规划。通过引入去交叉禁忌搜索策略, 对基本蚁群算法进行改进, 以解决在收敛后期易陷入局部最优的问题。同时, 利用数值仿真对所研究的基于改进蚁群算法的无人机航迹规划算法进行验证。仿真结果表明, 该算法能提高了无人机航迹优化能力。     

基于免疫进化的蚁群算法在梯级水库优化调度中的应用研究

针对蚁群算法在求解过程中出现初期信息素匮乏、易陷入局部最优解的问题,结合梯级水库优化调度的特点,提出了基于免疫进化的蚁群算法。该混合算法充分利用了免疫进化算法的全局快速收敛性和蚁群算法的正反馈性,提高了求解效率。实例计算表明该混合算法在求解梯级水库优化调度问题时,与逐次逼近动态规划相比较,结果合理、可靠,计算效率较高,从而为求解高维、复杂的梯级水库优化调度提供了一条新的求解思路。     

基于自适应多态融合蚁群算法的无人机航迹规划

为解决传统航迹规划最短路径算法易陷入局部最优及复杂地形情况下的无人机航迹规划问题,提出了一种基于自适应多态融合蚁群算法的航迹规划方法。通过对航迹规划问题进行描述,建立数学模型,将自适应和蚁群算法相结合,与多态蚁群形成了全局、局部并行搜索模式,以提高算法寻找全局最优值的能力;提出自适应并行策略和自适应信息更新策略,以提升其全局搜寻能力。仿真结果表明,自适应多态融合蚁群算法较传统蚁群算法和多态蚁群算法具备更好的性能,能有效地提高搜索路径的长度和收敛速度,从而避免在求解过程中陷入局部最优,因此在求解最优航迹规划问题上有很好的应用前景。     

基于改进蚁群算法的移动机器人路径规划

针对蚁群算法应用于机器人路径规划存在的全局搜索能力差、初始化信息素少、收敛性差、寻优能力弱等问题,提出了一种多因素改进的蚁群算法。通过改变初始化信息素浓度分配、改变启发式函数、采取蚂蚁回退策略、引入蚂蚁优化排序等方法对蚁群算法进行优化。利用MATLAB软件对改进蚁群算法进行仿真和六足机器人实验,结果表明,改进后的算法在路径更优,迭代次数更少,提高了算法的鲁棒性和寻优能力。     

基于遗传-蚁群优化算法的QoS组播路由算法设计

为了提高网络路由性能,提出并设计了一种基于遗传-蚁群优化算法的QoS组播路由算法。首先,设计了自适应变频采集策略用于采集网络与节点信息,以此获得网络和节点的状态,为后续路由优化提供数据支持;其次,计算路径代价,将路径代价最小作为优化目标,建立QoS组播路由优化模型,并设置相关约束条件;最后,结合遗传算法和蚁群算法提出一种遗传-蚁群优化算法求解上述模型,输出最优路径,完成路由优化。实验结果表明,所提算法可有效降低路径长度与路径代价,提高搜索效率与路由请求成功率,优化后的路由时延抖动较小。     

蚁群算法在水位流量关系拟合中的应用

蚁群算法是一种模拟进化算法,初步研究表明该算法具有许多优良性质.针对传统水位流量关系曲线拟合过程中存在精度不高等问题,应用连续性空间优化问题的蚁群算法模型来拟合水位流量关系,并将该方法与遗传算法及传统的优化方法进行比较.结果表明,蚁群算法具有直观、简便、快速、实用性强等优点,是一种较为优秀的全局优化方法.