任务调度启发式信息的卫星数传ACO算法应用

针对卫星数传调度问题,建立了任务调度启发式信息体系框架,提出了基于任务开始时间、任务调度收益、任务可用资源灵活度和任务调度冲突度的启发式信息,研究了任务调度启发式信息在卫星数传蚁群优化算法中的应用。针对不同规模场景的仿真结果表明,任务调度启发式信息有助于蚁群算法求解卫星数传调度问题。     

敏捷成像卫星密集任务聚类方法

面向应急条件下的观测需求,为提高成像任务完成效率,对敏捷成像卫星密集任务聚类问题进行研究。分析了敏捷成像卫星观测过程,给出了任务聚类的俯仰、翻滚观测摆角及任务间过渡时间约束。建立了聚类图模型,给出了模型的构建算法。设计了一种基于最大最小蚂蚁系统的聚类算法,结合聚类模型特点设计蚁群策略,并对重叠和冲突的聚类任务进行处理。实验算例验证了模型和算法的有效性。     

卫星观测系统整体调度的收发问题模型及求解

探讨了一类涉及多星、多地面站、多任务的卫星观测系统整体调度问题,该问题要求从过多赋权卫星观测需求中,选择有能力完成的一个任务子集,并为相应的拍照和数据下传活动安排资源和时间,以实现特定的优化目标.用一种变体形式的收发问题模型描述了该问题,并给出了其约束规划和禁忌搜索相结合的求解方法.最后用随机生成的问题示例检验了求解算法的性能.     

基于Pareto改进VNS-MMAS的定点修理任务多目标动态调度

针对战时定点修理任务重、修理时间有限、约束复杂的问题,进行了面向定点修理的战时装备维修任务多目标动态调度研究。提出了战时定点修理装备维修任务调度军事问题,考虑修理时间窗、非遍历性等约束,构建了战时装备维修任务多目标动态调度模型。采取分步求解思路处理修理小组分配以及修理任务排序两阶段优化问题,并从状态转移规则、信息素更新规则、先验信息获取3个方面对最大最小蚂蚁系统(max-min ant system, MMAS)算法进行改进,结合变邻域搜索(variable neighborhood search, VNS)算法增强算法的局部搜索能力,设计了基于Pareto改进VNS-MMAS算法实现模型求解,并通过示例仿真验证了模型及算法的科学性与有效性。     

求解卫星地面站调度问题的演化学习型蚁群算法

随着观测需求的日益增加,越来越多的卫星和地面站加入到对地观测系统中,迫切需要采用科学手段对卫星地面站资源进行合理分配。针对卫星地面站调度问题,构建了一种演化学习型蚁群算法。实验结果表明,该算法能有效求解卫星地面站调度问题。将蚁群优化模型和知识模型进行优势互补,可极大提高演化学习型蚁群算法的效率,为现有优化方法的改进提供了一种有益借鉴。     

基于多目标遗传算法的卫星成像任务调度技术

针对成像卫星的任务调度问题,考虑多种约束条件,提出了成像任务约束图模型。基于多目标优化和遗传算法思想,提出了一种应用于卫星成像任务调度的多目标遗传算法,详细分析了算法的各个关键步骤的设计思想,能够求得基于成像约束图模型的满意解,生成卫星的优化拍摄计划。卫星成像任务调度原型系统的实现和实验结果验证了该模型和算法的合理性和有效性。     

基于蚁群算法的参数相关网格任务调度算法研究

任务调度是网格计算环境中影响系统性能的重要问题,目前大多数调度算法在调度时均把任务假定为元任务,而忽略任务间的约束关系。利用图论的思想将任务间依赖关系描述为满足一定条件的有向无环图（DAG）,通过DAG图可以精确描述任务的优先级,此外蚁群算法在元任务调度中能有效实现任务调度和负载均衡,因此在蚁群算法进行元任务调度结果的基础上,根据任务优先级对分配给资源的任务进行排序即得出了参数相关任务调度的结果。仿真结果显示,此方法在各种网格环境下均能解决相关任务的调度问题,而且保证系统的负载均衡。     

卫星数传资源负荷均衡调度模型及蚁群优化算法

建立了卫星数传资源负荷均衡调度模型,提出了调度方案效能评价函数和模型求解的蚁群优化算法.调度模型中主要考虑任务调度收益和资源负荷均衡两个优化目标,蚁群算法通过遍历矩阵解构造图来逐步构造可行解,利用基于调度方案效能评价函数的全局信息素更新规则同时优化数传任务调度收益和数传资源负荷均衡两个目标.算例仿真表明,本文提出的调度模型和蚁群优化算法所求得的调度方案取得了较好的任务调度收益和资源负荷均衡指标评价值,说明模型与算法正确可行.     

基于资源预留的成像卫星鲁棒性任务规划方法

随着新型成像卫星的智能化发展,成像卫星鲁棒性任务规划是一个迫切需要解决的理论和实践问题.综合考虑卫星姿态转换时间,固存和电量等约束条件,建立了成像卫星鲁棒性任务规划模型.在保证任务规划收益最大化的前提下,提出了一种基于资源预留的成像卫星任务鲁棒性规划方法.基于任务之间卫星的转换时间约束及资源预留规则,保证资源的高效利用及地面观测任务的有效安排.通过对不同规模的实例进行求解,实验结果表明本方法具有很好的鲁棒性.本文方法对其它相同类型相关问题具有指导及借鉴作用.     

基于AMPL的多成像卫星任务调度与规划

成像卫星调度问题是利用在太空中运行的多个对地观测卫星,根据用户的需要,最大限度利用卫星系统的资源实现对地面目标进行观测。该系统涉及多个成像卫星的调度和规划,因此一直以来都是一个富有挑战性的课题。在分析成像卫星工作原理和调度任务约束条件的基础上,首先建立了一个满足多卫星、多监测目标的混合线性模型,并对模型的合理性加以论证。其次,采用一种数学建模语言(a mathematical programming language,AMPL)解决该调度问题的新方法以应对目前约束规划问题求解方法多样、求解性能差异大的问题,并对从卫星工具包上得到的数据进行实验。该建模语言可以根据模型种类,智能调用各类综合多种成熟算法的解法器。实验结果显示,相对于常用求解算法,该方法更加有效地解决了中短期卫星的调度问题。     

Multi-satellite observation integrated scheduling method oriented to emergency tasks and common tasks

Satellite observation scheduling plays a significant role in improving the efficiency of satellite observation systems.Although many scheduling algorithms have been proposed,emergency tasks,characterized as importance and urgency(e.g.,observation tasks orienting to the earthquake area and military conflict area),have not been taken into account yet.Therefore,it is crucial to investigate the satellite integrated scheduling methods,which focus on meeting the requirements of emergency tasks while maximizing the profit of common tasks.Firstly,a pretreatment approach is proposed,which eliminates conflicts among emergency tasks and allocates all tasks with a potential time-window to related orbits of satellites.Secondly,a mathematical model and an acyclic directed graph model are constructed.Thirdly,a hybrid ant colony optimization method mixed with iteration local search(ACO-ILS) is established to solve the problem.Moreover,to guarantee all solutions satisfying the emergency task requirement constraints,a constraint repair method is presented.Extensive experimental simulations show that the proposed integrated scheduling method is superior to two-phased scheduling methods,the performance of ACO-ILS is greatly improved in both evolution speed and solution quality by iteration local search,and ACO-ILS outperforms both genetic algorithm and simulated annealing algorithm.     

基于蚁群算法的Job-Shop多资源约束车间作业调度

针对多资源约束的车间调度问题,考虑资源种类变化的情况及资源在可用时间上的约束影响,建立了该类问题的通用调度模型。提出了一种基于蚁群算法的作业优化调度算法,在Job-Shop问题图形化定义的基础上,设计了状态转移规则、轨迹强度更新规则以及工序时间的决策规则,借鉴精英策略的思路,对多资源约束车间的具体调度进行了分析与实现。实例仿真表明,该方法对多资源的车间调度问题是可行的。     

基于蚁群算法的并行测试任务调度

并行测试的任务优化调度是并行测试技术的核心问题.提出了一种用于解决并行测试任务调度问题的改进蚁群算法,通过该算法可以获得测试时间最短的任务调度序列.给出了并行测试任务调度问题的数学模型,设计了启发式函数和状态转移概率的计算公式.采用动态标注方法在搜索过程中加大可行解间的信息素差别,避免算法早熟.给出了应用实例,实际应用表明该算法是有效的,能很好地解决此类多维动态组合优化问题.     

基于解构造图的卫星数传调度ACO算法

针对卫星数传调度问题,建立了基于任务调度关系（弧模式）和基于任务调度位置（结点模式）的解构造图,提出了基于解构造图的卫星数传调度蚁群优化(ant colony optimization, ACO)算法。算法利用伪随机概率转移规则进行路径搜索,通过划分冲突任务集来限制蚁群的搜索邻域。算法根据迭代最优解和至今最优解进行全局信息素更新,并将构造图中的信息素浓度限制在一定范围内。仿真结果表明,文中提出的两种解构造图及ACO算法是正确可行的,基于结点模式解构造图的ACO算法能获得更优的解。     

基于任务合成机制的多星调度问题

传统模式下,卫星采取单任务观测方式,该种方式下任务的成像精度高但任务成像数量少且资源使用率极低。因此,在单任务观测方式的基础上设计了一种多任务合成机制(multi-task merging mechanism, MTMM),在保证用户最低成像要求的情况下对任务合成。首先,基于合成任务集,建立多星调度模型。然后,针对模型提出了基于任务合成的改进蚁群优化(improved ant colony optimization based on task merging, IACO-TM)算法,在算法中设计了自适应蚁窗策略、强制扰动机制以及算法参数动态调节策略,对蚂蚁搜索空间进行有效裁剪,避免算法陷入局部最优的同时提高算法的收敛速度。最后,通过大量仿真实验与不考虑任务合成的改进蚁群优化(improved ant colony optimization, IACO)算法和基于任务合成的传统蚁群优化(traditional ant colony optimization based on task merging, TACO-TM)算法对比,验证了所提MTMM和IACO-TM的有效性。