卫星合成观测调度的最大覆盖模型及算法研究

遥感卫星采用合成观测方式可以提高观测效率,研究了遥感卫星合成观测调度问题.通过分析观测活动与目标的覆盖关系,建立了考虑任务优先级的最大覆盖模型.分析了观测活动性质,并基于观测活动间存在时序关系特征,将问题按照卫星的最大侧摆次数划分为多个阶段,提出了基于动态规划思想的算法,能够在多项式时间内得到问题的最优解.测试算例验证了算法的有效性.     

基于动态任务合成的多星观测调度方法

合成观测可以提高卫星的观测效率,研究了遥感卫星的动态合成观测调度问题.分析了卫星对多个任务合成观测的条件,在此基础上,建立了任务需求度、资源竞争度以及任务合成中的最小侧摆、最小数据冗余启发式,提出了基于动态任务合成的多星观测调度启发式算法.仿真实例表明,此方法可以有效提高卫星的观测效率.     

基于空间几何模型的遥感卫星任务分解算法

遥感卫星调度问题包含资源约束和任务约束,约束条件比较复杂,在调度前需要将观测任务分解为能被调度算法处理的元任务。任务分解的核心是计算卫星观测目标的时间窗口和侧摆角,由于区域目标无法被单次完全观测,在进行分解时需要将其划分为若干个子区域。针对点目标,提出了一种基于空间几何模型的任务分解算法,在此基础上结合动态划分方法,提出了区域目标任务分解算法,并分析了区域划分参数与观测效率的关系。实验结果验证了算法的有效性。     

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。     

基于改进蚁群算法的敏捷成像卫星任务调度方法

针对敏捷成像卫星观测任务调度问题, 综合考虑卫星最长连续工作时间、任务间卫星姿态调整时间、能量、容量等约束建立了任务调度模型. 考虑到密集任务间的相互影响, 着重分析了任务间卫星姿态调整时间约束, 并给出调姿时间求解方法. 提出一种改进蚁群算法对问题进行求解, 借鉴蚁群系统(ACS)和最大最小蚂蚁系统(MMAS)的思想设计寻优策略和信息素更新策略. 并结合实际约束, 引入最早、最晚可观测时间和任务优先级等因素来控制转移概率. 实验算例验证了模型和算法的有效性.     

启发式前后向链条优化组合在轨多目标观测规划算法

针对敏捷遥感卫星突发多目标观测任务的在轨实时规划问题, 提出一种面向在轨实现的启发式前后向链条优化组合方法。该方法以敏捷卫星滚动俯仰两个自由度的姿态机动能力为输入, 设计了一种基于高权重组链、以姿态机动能力结合观测收益合成链条的启发式方法。完成了不同机动能力下的蒙特卡罗打靶仿真, 优化了链条选择策略, 获得了较高的观测收益。实验证明所提方法有效, 观测收益高, 计算开销小, 可应用于敏捷卫星面向大量点目标的在轨自主任务规划。     

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。     

电子侦察卫星任务合成探测及混合调度

任务合成探测对于提高电子侦察卫星的侦察效益具有重要意义。分析了电子侦察任务合成探测的条件及性质,建立了多星合成探测调度问题的混合整数规划模型。提出了一种基于模型分解的优化求解算法,将模型分解为任务指派主问题与动态合成子问题,任务指派主问题通过遗传算法生成不同卫星的任务分配方案,动态合成子问题则根据指派的任务进行优化,生成完整的卫星侦察计划。测试案例验证了方法的有效性。     

一个多星区域观测效率优化工具的设计与实现

多颗成像侦察卫星在指定的时间段内对单个区域目标进行观测时，选择不同观测方案会产生不同的时间覆盖率与空间覆盖率效果，理想的观测方案能够最大程度地达到所需要的覆盖率。针对该观测方案优化问题，给出了一个实用的优化工具，该工具以matlab工具箱形式存在，通过连接STK软件实现了仿真预处理，能够完成从参数输入、仿真到优化求解的完整过程，并最终输出优化侧摆方案。     

局部邻域搜索在对地观测卫星任务规划中的应用与扩展

任务规划作为一项重要技术,已经广泛应用于卫星的星载与地面控制系统中,以提高卫星任务执行的鲁棒性、可预测性和高效性。描述了对地观测卫星任务规划问题及特点,给出了对地观测卫星任务规划的一般处理过程。针对约束规划中的局部邻域搜索算法不能有效反应对地观测卫星成像的时效性和分辨率等需求的问题,提出了基于动态优先级的局部邻域搜索算法。算法在经典约束满足问题求解算法的基础上,主要扩展了任务优先级的定义及在搜索过程中的启发式。通过典型的仿真算例,验证了算法的可行性和有效性。     

基于量子多目标进化算法的多任务Agent联盟生成

多Agent联盟生成是多Agent系统的关键问题之一, 主要研究如何在多Agent系统中动态生成面向任务的最优联盟. 为使Agent能稳定的组织起来完成单Agent不能完成的任务并在成本、资源、利益等方面达到一个良好的平衡性能并达到全局最优, 提出了联盟多目标综合评价模型, 并将量子进化多目标算法应用于多目标多任务Agent联盟问题, 运用编码的映射, 将资源组合和任务分配合并为一个过程, 降低了问题的复杂性. 对比实验结果表明该算法求得的解的质量高, 平衡性好, 能有效避免了联盟死锁和资源浪费.     

具有能量收集设备的移动边缘计算资源分配研究

针对具有能量收集能力的移动边缘计算系统的计算资源分配问题,提出一种基于李雅普诺夫贪婪优化算法。构建在设备电池电量逐渐收敛下,移动设备时延与能耗联合成本的动态最小化优化问题。利用李雅普诺夫动态优化理论,将优化问题分解成每个时隙最佳本地执行、卸载执行和能量收集3个子问题,通过线性规划获得子问题最优解。通过在本地执行、卸载执行和任务丢弃之间选择执行模式,获得设备的时延与能耗联合成本最小结果。利用键值对设计贪婪策略程序,以适应多用户多服务器系统。仿真结果证实,在保证所有设备电池电量都在规定操作水平附近稳定情况下,卸载率可达99.9%以上,并能有效降低服务延时和系统能耗。     

面向跟踪任务需求的主动传感器调度方法

以多传感器多目标跟踪为背景,针对跟踪任务需求中辐射风险控制问题,提出一种面向跟踪任务需求的主动传感器调度方法。该方法首先结合不敏卡尔曼滤波,给出了仅考虑跟踪任务需求的传感器调度策略;然后建立基于部分可观马尔可夫决策过程的辐射模型,并采用隐马尔可夫模型滤波器动态更新传感器辐射;最后考虑跟踪任务需求和传感器约束,将辐射风险控制下传感器调度问题转化为非线性约束下寻优问题。仿真实验结果验证了所提方法有效性。     

基于MapX的多星协同对区域目标观测的预处理方法

预处理是多星协同对区域目标观测调度过程的一个重要组成部分,为建模与求解提供若干备选的元任务,其核心内容是区域目标分解和时间窗口计算.根据卫星轨道特征和星载遥感器的观测能力,提出了卫星对区域目标观测的动态分解方法.通过分析卫星观测范围与区域目标的空间几何关系,提出了卫星对区域目标观测的时间窗口计算方法.算例表明,基于卫星观测能力的区域目标动态分解方法能够提高多星协同观测效率,实验结果验证了基于MapX的时间窗口计算方法的有效性.     

Two Innovative Coalition Formation Models for Dynamic Task Allocation in Disaster Rescues

This paper addresses the problem of multi-objective coalition formation for task allocation. In disaster rescue, due to the dynamics of environments, heterogeneity and complexity of tasks as well as limited available agents, it is hard for the single-objective and single (task)-to-single (agent) task allocation approaches to handle task allocation in such circumstances. To this end, two multi-objective coalition formation for task allocation models are proposed for disaster rescues in this paper. First, through coalition formation, the proposed models enable agents to cooperatively perform complex tasks that cannot be completed by single agent. In addition, through adjusting the weights of multiple task allocation objectives, the proposed models can employ the linear programming to generate more adaptive task allocation plans, which can satisfy different task allocation requirements in disaster rescue. Finally, through employing the multi-stage task allocation mechanism of the dynamic programming, the proposed models can handle the dynamics of tasks and agents in disaster environments. Experimental results indicate that the proposed models have good performance on coalition formation for task allocation in disaster environments, which can generate suitable task allocation plans according to various objectives of task allocation.     

卫星与浮空器协同侦察任务规划方法

针对卫星和浮空器协同对地侦察任务规划问题,提出了一种分阶段任务规划方法,将卫星与浮空器协同任务规划分为任务聚类、任务组分配和任务排程3个相继的阶段。使用层次聚类算法进行任务聚类,通过聚类形成多个任务组;给出了任务组分配的规划模型,将任务组与平台资源进行匹配;建立了任务排程的混合整数规划模型,并使用粒子群算法进行求解,将任务最终分配到相应的平台上。仿真结果表明,所提出的方法可行且有效。     

基于无人机辅助边缘计算系统的节能卸载策略

针对复杂地形中地面基础设施无法有效提供可靠通信和密集算力的问题,首先提出一种基于无人机(unmanned aerial vehicle,UAV)托管计算资源的卸载方案.考虑用户终端的计算需求,计算任务的时延约束,以及UAV的能量约束,构建了一种以最小化用户终端计算和卸载能耗为目标的UAV辅助边缘计算模型.其次,通过将原...     

基于D-NSGA-Ⅲ算法的无人机群高维多目标任务分配方法

随着人工智能技术的快速发展, 种类繁多的无人机在军事领域得到了广泛应用。受单平台资源配备和执行能力限制, 大多数复杂任务需由多个无人机协同完成, 最优任务分配是其中需解决的重点和难点问题之一。最优任务分配方案求解问题已被证明是一个NP难问题, 针对多无人机系统的组织架构, 将非支配排序遗传算法与岛屿模型、主从模型结合, 构建一种分布式高维多目标演化算法D-NAGA-Ⅲ并对实际应用场景中4个目标进行优化, 并引入迁移策略和贪心算法对任务分配方案进行局部提升, 提高算法寻优能力和解质量。实验结果表明: 该方法在求解高维多目标的分布式无人机任务分配问题方面具有一定的效果。     

云边协同系统中基于博弈论的资源分配与任务卸载方案

综合考虑时延、能耗和计算资源成本，构建云边协同系统中的效用最大化问题，并将其分解为计算资源分配、上行功率分配和任务卸载策略三个子问题。提出一种基于博弈论的资源分配和任务卸载方案（game-based resource allocation and task offloading， GRATO） 以分别解决上述子问题。利用凸优化条件求得计算资源分配最优解；设计一种低复杂度的上行功率分配方法用于降低无线干扰；针对任务卸载策略优化问题，提出一种基于博弈论的分布式任务卸载算法（game-based distributed task offloading algorithm， GDTOA）。仿真结果表明，GRATO方案在时延和能耗方面的性能优于其他方案，还可以感知用户的优先级，使紧急用户具有更高的效用和更低的时延。     

网上超市拆分订单的合并打包优化决策方法

大型网上超市"一地多仓"和"多地多仓"等仓储布局导致"一单多品型"订单被拆分在不同仓库进行拣选并分多次配送给顾客,这就诱发了"高成本、高污染、高扰民"等影响电子商务绿色健康发展的挑战性难题.被拆分订单在多个仓库间的合并打包是化解这一难题的重要手段.本文从化解问题求解难度入手,以提高拆分订单合并打包方案在线生成的科学性和高效性为目标,综合运用组合优化和状态空间搜索理论,围绕拆分订单是否合并打包,选择哪些仓库打包,哪些商品可以合并打包这三个关键问题提出拆分订单合并打包问题的两阶段在线智能优化决策方法.第一阶段归纳总结决策影响因素,制定判定规则,决策合并打包必要性;第二阶段,采用状态空间搜索算法生成备选的合并打包方案集合,将定性的控制策略转换成控制规则纳入方案生成过程来缩减方案空间.数值实验表明,本文提出的合并打包优化策略可有效降低网上超市拆分订单履行成本,理论成果可为指导网上超市或其它拆单现象显著的B2C电商企业的实际合单作业提供借鉴.