一种面向非时敏移动目标的多星协同任务分配方法及系统

1.本发明属于卫星任务规划领域，尤其是涉及一种面向非时敏移动目标的多星协同任务分配方法及系统。


背景技术：

2.面向非时敏移动目标跟踪的多星协同任务分配问题(multi-satellite collaborative task assignment problem，msctap)旨在通过星上快速任务分配达到星间任务规划的高效协同，实现对移动目标动态不确定性的快速响应。
3.面向非时敏移动目标跟踪的msctap问题属于一类典型的约束优化问题，其目的是通过快速合理分配任务，以获得星座调度任务收益的最大化。任务来源于星上自主管理模块的生成，通常任务包含了优先级、载荷属性、成像时长、与卫星的窗口等属性信息。对于卫星来说，其存在不同的状态信息，包括当前姿态、工作状态、星上电量与固存等状态信息。对于一个任务来说，在一段规划周期内，其过境卫星可能不止一颗，如何实现任务的快速高质量分配，确保任务高成功率的完成。
4.随着星上能力的增强(星上图像识别、计算与通信能力)使得卫星自主成为现实。在这样的情况下，能够更加快速实现对移动目标的响应。然而无论是面对移动目标还是常规的观测目标，在星上都会面临众多的任务，这些任务是动态到达的，也来源于星上动态生成的观测目标。面对诸多的动态不确定性，采用传统的运筹优化方法来解决星上自主任务规划很难同时兼顾求解的高时效与优质量。现有技术中采用基于启发式的方法，难以获得较高的收益解，采用精确或者元启发式算法在求解效率上有待提高。快速高质量的求解星上任务规划是实现对星上诸多不确定性因素响应的基础，也是目前星上自主协同的迫切需求。


技术实现要素：

5.本发明要解决的技术问题是对于非时敏移动目标，怎样快速高质量的将任务分配给各卫星，确保任务高成功率的完成，提出了一种面向非时敏移动目标的多星协同任务分配方法及系统。
6.为解决上述技术问题，本发明所采用的技术方案是：
7.一种面向非时敏移动目标的多星协同任务分配方法，包括以下步骤：
8.步骤1：获取非时敏移动目标任务集以及参与规划的卫星集及状态参数；
9.步骤2：将所述非时敏移动目标任务集上注给分配主星，同时将所述非时敏移动目标任务集共享给卫星集中的各子星，所述分配主星是指过境时刻最长的卫星，所述子星是指其他即将过境的非主星的卫星；
10.步骤3：各子星根据自身状态与轨道信息对各任务可见窗口进行计算得到每个卫星对各任务的可见窗口，并将可见窗口计算结果反馈给分配主星；
11.步骤4：分配主星根据各子星反馈的每个卫星对各任务的可见窗口计算结果对多
星任务进行分配。
12.进一步地，步骤4中分配主星根据各子星反馈的可见窗口计算结果对多星任务进行分配的方法是构建面向非时敏移动目标跟踪的多星协同任务分配模型，对所述多星协同任务分配模型进行求解，得到多星协同的任务分配方案。
13.进一步地，所述多星协同任务分配模型为：
[0014][0015][0016][0017]
ωj＝{tski|x
ij
＝1}
ꢀꢀꢀ
(4)
[0018][0019][0020]
其中，n
sat
表示待分配卫星数目，n
tsk
表示待分配任务数目，φ(
·
)表示卫星j的调度函数，返回调度收益，sj表示卫星j分配前的状态属性，ωj表示卫星j分配的任务集合，cj表示卫星j的约束集合，ψj表示卫星j的优化目标；
[0021]
x
ij
为0-1决策变量，1表示第i个任务tski分配给卫星j；v
ij
表示0-1参数，1表示任务i与卫星j存在可见窗口，0表示任务i与卫星j不存在可见窗口；
[0022]
表示任务成像载荷要求，0为光学，1为sar；
[0023]
表示卫星载荷类型，0为光学，1为sar；
[0024]
任务i成像模式要求，不同工作模式对应不同幅宽；
[0025]
表示卫星j工作模式集合。
[0026]
进一步地，对所述多星协同任务分配模型进行求解的方法是：
[0027]
步骤4.1：从每个卫星对各任务可见窗口的计算结果中通过约束筛选出每个任务可分配的卫星集合；
[0028]
步骤4.3：依次对每个任务可分配的卫星集合中使用最优分配规则来选出最优的卫星分配给该任务。
[0029]
进一步地，所述最优分配规则是基于gep的规则演化方法得到，具体为：
[0030]
步骤4.3.1：随机生成初始种群，所述初始种群中包含n
pop
条染色体，每条染色体包含了若干个编码基因，每个编码基因由一个头部与尾部构成，头部第一个编码必须为函数集，头部中其它编码位可以为函数集或者终点集，尾部必须为终点集；
[0031]
步骤4.3.2：对种群中所有的染色体个体进行适应度评估；
[0032]
步骤4.3.3：对种群进行个体选择、交叉、变异形成新的种群；
[0033]
步骤4.3.4：在满足迭代次数后选出适应度最大的个体作为最优分配规则输出。
[0034]
进一步地，所述函数集为 、-、*、sin、cos、max、min，所述终点集为表征多星协同任
务分配问题的特征向量fv
ij
，
[0035][0036]
1)tnj表示卫星j上的分配任务占所有卫星分配任务总和的比例；
[0037][0038]
2)rej卫星j剩余电量占比；
[0039][0040]
egy
max
表示卫星最大电量，表示卫星剩余电量；
[0041]
3)apj表示卫星j上分配任务优先级均值，
[0042][0043]
归一化后表示为：
[0044][0045]
pri
max
表示最大的任务优先级；
[0046]
4)spj表示卫星j上分配任务的优先级标准差；
[0047][0048]
归一化后表示为：
[0049][0050]
5)arj表示卫星j上分配任务的优先级-成像时长比均值；
[0051][0052]
归一化后为：
[0053][0054]
6)srj表示卫星j上分配任务的优先级-成像时长比标准差；
[0055][0056]
7)aoj表示卫星j上分配任务的过顶时刻均值；
[0057][0058]
归一化后为：
[0059][0060]
9)soj表示卫星j上分配任务过顶时刻标准差；
[0061][0062]
采用相对规划周期tplan进行归一化，得到归一化后的
[0063][0064]
9)wpi表示待分配任务i的优先级；
[0065]
归一化后表示为：
[0066]
10)wri表示待分配任务i优先级-成像时长；
[0067][0068]
归一化后为：
[0069][0070]
12)wo
ij
表示卫星j执行待分配任务i过顶时刻；
[0071]
通过规划周期tplan进行归一化，得到归一化后的
[0072][0073]
12)wl
ij
表示卫星j执行待分配任务i可见窗口长度占比；
[0074]
wl
ij
＝we
ij-wb
ij
；
[0075]
归一化后为：
[0076]
13)wc
ij
表示待分配任务i与卫星j待规划任务冲突度；
[0077]
wc
ij
＝cd
ij
；
[0078][0079]
归一化后为：
[0080][0081]
14)wv
ij
表示待分配任务i对应的可见窗中与卫星j上的其他分配任务可见时间窗的非重叠的时间段的长度；
[0082][0083]
函数||
·
||表示集合中窗口段的长度和；
[0084]
归一化后为：
[0085][0086]
15)as
ij
表示待分配任务i与卫星j上分配任务的观测斜率统计学均值；
[0087]
任务i与任务l的观测斜率sp
il
可以定义为：
[0088][0089][0090]
归一化后为：
[0091][0092]
17)ss
ij
表示待分配任务i与卫星j上既分配任务观测斜率标准差；
[0093][0094]
归一化后为：
[0095][0096]
进一步地，步骤4.3.2中对所述染色体个体进行适应度评估的方法是：
[0097]
步骤4.3.2.1:对染色体个体进行解码，得到分配规则树，将分配规则树转换为规
则算术表达式；
[0098]
步骤4.3.2.2:对于训练生成的nsc个场景，使用规则算术表达式所表达的规则对每个场景的待分配任务进行分配；
[0099]
步骤4.3.2.3:对分配到一个卫星中的任务执行单星任务调度；
[0100]
步骤4.3.2.4:计算一个场景下按照规则算术表达式所表达的规则任务分配后所有卫星执行任务调度后的总收益；
[0101]
步骤4.3.2.5:直到得到nsc个场景下任务调度后的总收益并求平均值，将所述平均值作为一个个体的适应度评估值。
[0102]
进一步地，步骤4.3.3中的进行个体选择使用的是锦标赛排序方法，在构造新父代种群时，按种群规模的比例pro
el
保留精英，从种群中随机抽取n
tour
个个体，复制适应度最大的放入到新的父代中；
[0103]
交叉变异的算子分别为：单点交叉算子，据单点交叉概率p
c1
判断是否需要选择交叉；双点交叉算子，根据双点交叉概率p
c2
判断是否需要选择交叉；基因交叉算子，根据基因交叉概率p
ge
判断是否需要选择交叉；
[0104]
变异算子分别为：单点变异算子根据单点变异概率p
ms
判断是否需要变异，片段反转算子，是在染色体中随机选择一段编码片段进行反转，其根据片段反转概率p
mi
判断是否需要变异；is转座算子是从编码片段中随机选择一段片段插入到该染色体另一个基因的非第一位置，根据转座概率p
is
进行；ris转座算子从基因头部随机选择一段从函数集开始的片段，并将其插入到另一个基因的头部开始位置。
[0105]
本发明还提供了一种面向非时敏移动目标的多星协同任务分配系统，包括以下模块：
[0106]
信息获取模块：用于获取非时敏移动目标任务集以及参与规划的卫星集；
[0107]
信息上注模块：用于根据信息获取模块所获取的非时敏移动目标任务集上注给分配主星，同时将所述非时敏移动目标任务集共享给各子星，所述分配主星是指过境时刻最长的卫星，所述子星是指其他即将过境的非主星的卫星；
[0108]
任务可见窗口计算模块：用于卫星集中的各子星根据自身状态与轨道信息对任务集中的各任务可见窗口进行计算得到每个卫星对各任务的可见窗口，并将可见窗口计算结果反馈给分配主星；
[0109]
任务分配模块：用于分配主星根据各子星反馈的每个卫星对各任务的可见窗口计算结果对多星任务进行分配。
[0110]
采用上述技术方案，本发明具有如下有益效果：
[0111]
本发明提供的一种面向非时敏移动目标的多星协同任务分配方法及系统，通过将非时敏移动目标任务集上注给分配主星，然后共享给各子星，各子星分别对各任务的可见窗口进行计算，减轻了分配主星的计算压力，在得到各任务可分配的卫星集后，基于gep对规则进行演化，使用最优的分配规则使任务分配给最合适的卫星。经实验验证，本发明的方法只需要选出最优的分配规则即可进行任务分配，因此，求解速度更快，分配效率更高。
附图说明
[0112]
图1为本发明系统流程图；
[0113]
图2为集中-分布式协同架构下的多星协同流程示意图；
[0114]
图3为序列化决策下的多星任务分配问题；
[0115]
图4为面向非时敏移动目标跟踪的msctap问题求解框架；
[0116]
图5为染色体编码与解码过程示意图；
[0117]
图6为任务分配的序列解构造过程示意图；
[0118]
图7为基于gep规则演化流程图；
[0119]
图8为种群个体选择示意图；
[0120]
图9为三种不同规模的gep演化示意图。
具体实施方式
[0121]
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0122]
面向非时敏移动目标跟踪的多星协同任务分配问题(multi-satellite collaborative task assignment problem，msctap)旨在通过星上快速任务分配达到星间任务规划的高效协同，实现对移动目标动态不确定性的快速响应。面向非时敏移动目标跟踪的msctap问题属于一类典型的约束优化问题，其目的是通过快速合理分配任务，以获得星座调度任务收益的最大化。星上能力的增强(星上图像识别、计算与通信能力)使得卫星自主成为现实。在这样的情况下，能够更加快速实现对移动目标的响应。然而无论是面对移动目标还是常规的观测目标，在星上都会面临众多的任务，这些任务是动态到达的，也来源于星上动态生成的观测目标。面对诸多的动态不确定性，采用传统的运筹优化方法来解决星上自主任务规划很难同时兼顾求解的高时效与优质量。实际中，采用基于启发式的方法，难以获得较高的收益解，采用精确或者元启发式算法在求解效率上有待提高。快速高质量的求解星上任务规划是实现对星上诸多不确定性因素响应的基础，也是目前星上自主协同的迫切需求。
[0123]
为了解决本发明的问题，做了一些假设。具体为：
[0124]
1)考虑的对地卫星观测系统搭载可见光载荷与sar载荷，无论搭载哪种载荷的平台都具备敏捷的三轴姿态机动能力，能够形成对目标的一段观测窗口。
[0125]
2)同一卫星同一时刻只能有一个载荷工作，对于sar载荷，其在每一时刻只能处于一种成像模式。
[0126]
3)忽略卫星固存约束。星上具备图像识别能力之后，无效图像可以自主擦除，有效图像可以压缩。故此，固存约束将不再是紧约束。
[0127]
4)卫星进行成像与姿态机动都会产生电量消耗，且电量消耗分别与成像时长与姿态机动时长成正比。
[0128]
5)卫星对目标成像采用匀地速成像方式，对任务的观测时长与任务的生成条带长度(网格边长)成正比，这些在任务生成时已经考虑。
[0129]
6)忽略卫星对目标的成像观测角度对成像分辨率的影响。
[0130]
图1至图9示出了本发明一种面向非时敏移动目标的多星协同任务分配方法的具体实施例，如图1和图4所示包括以下步骤：
[0131]
步骤1：获取非时敏移动目标任务集以及参与规划的卫星集及状态参数；本实施例中，非时敏移动目标任务集中的任务属性具有优先级、载荷属性、成像时长、与卫星的窗口等属性信息。对于参与规划的卫星来说，卫星属性有当前姿态、工作状态、星上电量与固存等状态信息。对于于一个任务来说，任务分配是指在一段规划周期内，其过境卫星可能不止一颗，如何实现任务的快速高质量分配，确保任务高成功率的完成。
[0132]
步骤2：将所述非时敏移动目标任务集上注给分配主星，同时将所述非时敏移动目标任务集共享给各子星，所述分配主星是指过境时刻最长的卫星，所述子星是指其他即将过境的非主星的卫星。
[0133]
本实施例中，利用星座分布式计算的强大能力与星上集中任务分配实现全局最优的能力。如图2所示，首先，基于星地测控网络能够将多源态势融合的目标信息上注给卫星，由过境时刻最长的卫星(对应的中轨卫星)(本实施例中称为主星)担任全局目标维护星，同时，共享目标信息但是其他星不负责维护与管理目标。主星将踪观测任务的目标信息分发给各即将过境的子星。
[0134]
步骤3：各子星根据自身状态与轨道信息对各任务可见窗口进行计算得到每个卫星对各任务的可见窗口，并将可见窗口计算结果反馈给分配主星。
[0135]
本实施例中，各子星根据自身状态与轨道信息对各任务可见窗口进行计算的方法是采用stk进行计算，或在专利文献cn105893659a一种卫星访问预报快速计算方法都给出了可见窗口的计算方法。
[0136]
步骤4：分配主星根据各子星反馈的每个卫星对各任务的可见窗口计算结果对多星任务进行分配。本实施例中，由于主星得到的是全局信息，因此分配方案更加优质，各子星获取分配主星分配的任务后进行自主调度，最大化观测收益总和，并将执行观测的结果反馈给分配主星。本发明采用的集中-分布式协同架构就是兼顾集中任务分配的全局信息优势与分布式调度计算的效率。
[0137]
本实施例中，分配主星根据各子星反馈的可见窗口计算结果对多星任务进行分配的方法是构建面向非时敏移动目标跟踪的多星协同任务分配模型，对所述多星协同任务分配模型进行求解，得到多星协同的任务分配方案。
[0138]
多星协同任务分配模型为：
[0139][0140][0141][0142]
ωj＝{tski|x
ij
＝1}
ꢀꢀꢀ
(4)
[0143][0144][0145]
其中，n
sat
表示待分配卫星数目，n
tsk
表示待分配任务数目，φ(
·
)表示卫星j的调度函数，返回调度收益，sj表示卫星j分配前的状态属性，ωj表示卫星j分配的任务集合，cj表示卫星j的约束集合，ψj表示卫星j的优化目标；
[0146]
x
ij
为0-1决策变量，1表示第i个任务tski分配给卫星j；v
ij
表示0-1参数，1表示任务i与卫星j存在可见窗口，0表示任务i与卫星j不存在可见窗口；
[0147]
表示任务成像载荷要求，0为光学，1为sar；
[0148]
表示卫星载荷类型，0为光学，1为sar；
[0149]
任务i成像模式要求，不同工作模式对应不同幅宽；
[0150]
表示卫星j工作模式集合。
[0151]
本实施例中，对所述多星协同任务分配模型进行求解的方法是：
[0152]
步骤4.1：从每个卫星对各任务可见窗口的计算结果中通过约束筛选出每个任务可分配的卫星集合；
[0153]
步骤4.2：依次从每个任务可分配的卫星集合中使用最优分配规则来选出最优的卫星分配给该任务。
[0154]
非时敏移动目标新生成任务时，既往的任务即使没有完成也已经成为过去式并失效，需要执行完全重规划，算法的求解效率与质量就显得尤为重要。面向非时敏移动目标跟踪的多星协同任务分配旨在通过星上快速分配为单星完全重调度快速提供输入数据。快速与高质量是多星协同任务分配的关键点，也是实现对非时敏移动目标快速响应的关键。由于面向非时敏移动目标跟踪的msctap问题可以归类为经典的节点匹配问题，其求解空间复杂度是指数级别的。对于一个具备n
tsk
任务与n
sat
的面向非时敏移动目标跟踪的msctap问题来说，抛开可见时间窗口等约束，每个任务的匹配选择存在n
sat
种，因此该问题的空间复杂度为并且该问题的空间复杂度随着任务与卫星规模的增长呈现出爆炸式的增长，采用精确求解算法很难在短时间内获得最优解，而且类似于cplex经典的优化求解软件没法处理φ(
·
)这些黑箱函数。对于目前的元启发式求解方法来说，求解的时效性依旧不高。启发式具有快速求解的高时效性，求解质量一般较差。因此本发明中对所述多星协同任务分配模型进行求解的思路在于，将问题建模为一个序列决策问题，通过序列决策每个任务的最佳分配卫星，逐步构造出所有任务与卫星的最佳分配方案。如图3所示，逐个考虑任务的分配。在每一步的决策中，首先通过约束筛选可分配卫星集合(如图3中虚线所示)，考虑当前的分配状态使用分配规则对待分配任务进行分配，建立匹配关系(如图3实线所示)，通过多步序列化的决策实现面向非时敏移动目标跟踪的msctap问题的求解，其中最关键的问题就是如何制定分配规则与描述当前分配状态。
[0155]
本实施例中，由于任务和卫星的多种属性，选择哪些属性，并进行加权化，得到一个好的分配规则来用于任务的分配是一个重要的环节。因此分配规则的制定方法是基于基因表达式编程的演化方法gep实现对多星任务分配规则的训练，通过训练得到的分配规则用于最优方案的生成获得对于某一特定任务分配下卫星的评分，最终基于评分选择收益最大的卫星进行分配，加权规则通过gep演化得到。如图6所示，
[0156]
本实施例中基于gep的多星协同任务分配规则的演化方法，通过设计多种任务属性及卫星状态的测试场景，提取每一个测试场景下的任务及卫星参数作为问题实例，并进而跟问题实例进行建模，根据下面提到的16个属性，进行特征提取，然后进行规则演化，得
到最优的分配规则。分配规则的训练过程具体是：
[0157]
步骤4.3.1：随机生成初始种群，所述初始种群中包含n
pop
条染色体，每条染色体包含了若干个编码基因，每个编码基因由一个头部与尾部构成，头部第一个编码必须为函数集，头部中其它编码位可以为函数集或者终点集，尾部必须为终点集。本实施例中，所述函数集为 、-、*、sin、cos、max、min，所述终点集为表征多星协同任务分配问题的特征向量fv
ij
，
[0158][0159]
1)tnj表示卫星j上的分配任务占所有卫星分配任务总和的比例；
[0160][0161]
2)rej卫星j剩余电量占比；
[0162][0163]
egy
max
表示卫星最大电量，表示卫星剩余电量；
[0164]
3)apj表示卫星j上分配任务优先级均值，
[0165][0166]
归一化后表示为：
[0167][0168]
pri
max
表示最大的任务优先级；
[0169]
4)spj表示卫星j上分配任务的优先级标准差；
[0170][0171]
归一化后表示为：
[0172][0173]
5)arj表示卫星j上分配任务的优先级-成像时长比均值；
[0174]
[0175]
归一化后为：
[0176][0177]
6)srj表示卫星j上分配任务的优先级-成像时长比标准差；
[0178][0179]
7)aoj表示卫星j上分配任务的过顶时刻均值；
[0180][0181]
归一化后为：
[0182][0183]
8)soj表示卫星j上分配任务过顶时刻标准差；
[0184][0185]
采用相对规划周期tplan进行归一化，得到归一化后的
[0186][0187]
特征1)至特征8)为卫星状态相关特征。
[0188]
9)wpi表示待分配任务i的优先级；
[0189]
归一化后表示为：
[0190]
10)wri表示待分配任务i优先级-成像时长；
[0191][0192]
归一化后为：
[0193][0194]
特征9)和特征10)为待分配任务特征。
[0195]
11)wo
ij
表示卫星j执行待分配任务i过顶时刻；
[0196]
通过规划周期tplan进行归一化，得到归一化后的
[0197][0198]
12)wl
ij
表示卫星j执行待分配任务i可见窗口长度占比；
[0199]
wl
ij
＝we
ij-wb
ij
；
[0200]
归一化后为：
[0201]
13)wc
ij
表示待分配任务i与卫星j待规划任务冲突度；
[0202]
wc
ij
＝cd
ij
；
[0203][0204]
归一化后为：
[0205][0206]
14)wv
ij
表示待分配任务i对应的可见窗中与卫星j上的其他分配任务可见时间窗的非重叠的时间段的长度；
[0207][0208]
函数||
·
||表示集合中窗口段的长度和；
[0209]
归一化后为：
[0210][0211]
15)as
ij
表示待分配任务i与卫星j上分配任务的观测斜率统计学均值；
[0212]
任务i与任务l的观测斜率spil可以定义为：
[0213][0214][0215]
归一化后为：
[0216][0217]
16)ss
ij
表示待分配任务i与卫星j上既分配任务观测斜率标准差；
[0218][0219]
归一化后为：
[0220][0221]
特征11)至特征16)为卫星关联特征。本实施例中的16个属性特征，特征的归一化是为了提升演化规则对问题的适用性与规模泛化性。通过这16个属性和函数集进行基因编码，如图5所示的染色体编码与解码过程示意图。
[0222]
步骤4.3.2：对种群中所有的染色体个体进行适应度评估。
[0223]
本实施例中，对所述染色体个体进行适应度评估的方法是：
[0224]
步骤4.3.2.1:对染色体个体进行解码，得到分配规则树，将分配规则树转换为规则算术表达式。
[0225]
步骤4.3.2.2:对于训练生成的n
sc
个场景，使用规则算术表达式所表达的规则对每个场景的待分配任务进行分配；
[0226]
步骤4.3.2.3:对分配到一个卫星中的任务执行单星任务调度；常用的单星任务调度方法有启发式(优先级排序、最早可执行时间排序等规则)、元启发式(遗传、蚁群等)调度方法等。
[0227]
步骤4.3.2.4:计算一个场景下按照规则算术表达式所表达的规则任务分配后所有卫星执行任务调度后的总收益；
[0228]
步骤4.3.2.5:直到得到nsc个场景下任务调度后的总收益并求平均值，将所述平均值作为一个个体的适应度评估值。
[0229]
本实施例中，适应度评估是在给定染色体个体对应的规则下，采用测试场景对演化规则进行评价的过程。适应度评估很大程度决定了种群的进化方向，与问题的优化目标必须保持一致。采用函数evrule(
·
)描述每个染色体对应的规则算术表达式，该函数输出对每个任务i与卫星j匹配的评分，则采用染色体对应规则进行决策的方式为：
[0230][0231]
对于训练生成的n
sc
个场景，根据则算术表达式所表达的规则进行分配。分配采用序列匹配构造过程如图7所示。分配之后采用单星调度获得场景k下每颗卫星j的调度收益φkj(
·
)。对于该规则的适应度，本发明采用测试场景的平均收益定义规则u的适应度fu如下式所示。
[0232][0233]
步骤4.3.3：对种群进行个体选择、交叉、变异形成新的种群；
[0234]
本实施例中进行个体选择使用的是锦标赛排序方法，在构造新父代种群时，按种群规模的比例pro
el
保留精英，从种群中随机抽取n
tour
个个体，复制适应度最大的放入到新
的父代中。种群个体选择作为下一代的新父代，其需要保留精英个体，又需要保留一定的劣质个体避免陷入局部最优。如图8所示。
[0235]
交叉算子是为了保持种群多样性而设计，其通过染色体编码片段之间的交换实现对规则的搜索。本实施例中的交叉算子采用：
[0236]
单点交叉算子，据单点交叉概率p
c1
判断是否需要选择交叉，是经典的1-opt算子；
[0237]
双点交叉算子，根据双点交叉概率p
c2
判断是否需要选择交叉，是经典的2-opt算子；
[0238]
基因交叉算子，根据基因交叉概率p
ge
判断是否需要选择交叉。
[0239]
变异算子也是为了实现对规则的搜索与保持种群多样性，相比交叉算子作用于两条染色体上，变异算子作用在单条染色体上。本实施例中的变异算子采用：
[0240]
单点变异算子：根据单点变异概率p
ms
判断是否需要变异；
[0241]
片段反转算子，是在染色体中随机选择一段编码片段进行反转，其根据片段反转概率p
mi
判断是否需要变异；
[0242]
is转座算子是从编码片段中随机选择一段片段插入到该染色体另一个基因的非第一位置，根据转座概率p
is
进行；
[0243]
ris转座算子从基因头部随机选择一段从函数集开始的片段，并将其插入到另一个基因的头部开始位置。
[0244]
步骤4.3.4：在满足迭代次数后选出适应度最大的个体作为最优分配规则输出。
[0245]
实验验证：
[0246]
本发明针对面向非时敏移动目标跟踪的msctap问题旨在设计一种快速、高效、质优的求解算法，以便达到对移动目标动态变化的快速响应，实现星上任务的快速分配。测试使用平台为台式机(cpu:inter(r)、core(tm)i5-4460，主频3.2ghz；ram：12gb)。
[0247]
演化过程分析主要是检查gep演化过程收敛情况以及演化结果。在演化过程中，本实验针对sc100-s4-t160、sc100-s7-t280以及sc100-s10-t400三种任务规模进行了规则演化。这三类规模分别表示场景数n
sc
为100个，卫星数目为4、待分配任务数目为160；卫星数目为7、待分配任务数目为280；以及卫星数目为10待分配任务数目为400的场景规模，分别代表了小、中、大规模场景的规则演化。演化过程中，算法的参数设置如表1所示。
[0248]
通过三种规模设置的适应度评估场景，实验对演化过程中每一代个体的最大、最小以及平均适应度进行统计，得到最终的演化过程统计结果如图9所示，从图9中可以看到，三种规模的场景在前50代中适应度值上升非常快，说明了算法前期对规则演化提升效果明显。对于小规模场景，在演化代数达到50之后逐渐趋缓，大概在200代左右收敛，而后呈现停止增长的平稳趋势。中规模与大规模虽然在100代之后趋于平稳，但是分别在350和300代之后略有提升，随后停止增长并趋于平稳。整个演化过程中，种群的适应度平均值跟最大值保持相同趋势，但是最小值基本处于波动阶段，这也有利于维持种群多样性，避免陷入局部最优。通过实验分析可知，无论是收敛性，还是演化规则的趋势一致性在gep算法中都得到了保障。gep针对面向非时敏移动目标跟踪的msctap问题求解规则的演化效果是明显的。
[0249]
表1 gep演化过程参数
[0250]
参数名称参数值参数名称参数值种群规模n
pop
50演化代数n
iter
600
适应度评估场景数n
sc
100单点交叉概率p
cl
0.7双点交叉概率p
c2
0.7基因交叉概率p
ge
0.7单点交叉概率p
ms
0.05片段反转概率p
mi
0.1is转座概率p
is
0.1ris转座概率p
ris
0.1精英个体保留比例pro
el
0.1排序抽取个体数n
tour3[0251]
卫星对任务过境的一段时间，任务在该段时间具备窗口才有可能被分配到该卫星上。通过每一束分配的任务窗口上分配到该卫星上的任务分配数目这个指标来看，除了大规模场景下出现了卫星3的33分配任务与卫星9的34分配任务相对偏少，其他规模场景下卫星的任务分配数目基本维持在40个左右，这不仅仅是分配上的均匀性，也给每颗星在单星任务调度上减少了任务之间的冲突。如果分配缺乏均匀性，势必在某一颗星上会出现较高冲突，任务调度成功率降低，带来多星任务规划整体收益的减少。另外，从分配任务窗口分布的均匀性来说，每颗卫星上分配任务的窗口分布是较为均匀的，并没有出现在卫星窗口某段过于堆积的现象，这说明演化规则在执行分配时，会尽量降低任务与分配星既分配任务之间窗口的重叠度，减少任务之间的冲突。这种在任务分配上的趋势显然增加了任务调度成功的可能性。此外，本实验对三种规模实例场景下分配时间进行了统计，分别为2.324s、6.744s以及13.199s，从实际使用情况来看，该算法分配的时效性是满足星上自主需求的，能够响应非时敏移动目标的运动变化带来的不确定性。上述分析，可以发现基于gep演化构造启发式多星协同任务分配方法chmgep(constructed heuristic method for multi-satellite collaborative task assignmentbased on gep evolution，chmgep)在多星任务分配问题求解上是可行的。
[0252]
此外，针对规模为s4-t160、s7-t280以及s10-t400的场景分别生成50个算例进行测试，并最终统计每个场景下的调度收益(sp)与调度时间(st)，需要说明的是，调度时间包含了多星分配时间与单星调度的时间，并且单星调度时间是串行的(在研究设计的集中-分布式协同架构中，单星调度可以并行，因此，实际应用可以大幅缩减计算时间)。通过实验，统计得到三种规模50算例的测试结果在小中大三种规模场景算例下，chmgep算法在sp指标上对其他三种启发式算法都实现了全面超越。三种启发式算法在求解问题质量上表现各有优劣，以lvtd算法的表现见长。可见chmgep算法对比单一的启发式算法是具备优势的。
[0253]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。