一种基于生成式模型的空间望远镜调度优化方法

本发明涉及空间望远镜调度优化，具体的说是一种基于生成式模型的空间望远镜调度优化方法。

背景技术：

1、空间望远镜调度优化是一个复杂且多变的问题。随着空间观测技术的发展，单个或多个空间望远镜需在特定时间内完成多个观测任务，这些任务通常具有时间窗口限制和特定的观测优先级。同时，不同的望远镜可能需要同时或顺序地观测多个天体目标，增加了调度的复杂性。望远镜的调度不仅要满足时间窗口和资源限制，还要优化多种性能指标，如观测效率、设备使用平衡和科研价值最大化。多目标优化问题在空间望远镜调度中尤为关键，因为不同目标之间可能存在冲突。例如，最大化观测数量可能会降低某些高优先级任务的观测质量。因此，设计一个能够平衡这些多样化需求的调度算法非常重要。传统的调度方法往往依靠专家系统和启发式算法，但这些方法在应对动态变化和多目标优化方面显示出局限性。

技术实现思路

1、为克服现有方法存在的不足，本发明提出一种基于生成式模型的空间望远镜调度优化方法，以期不仅能够协助提高空间望远镜观每天的有效使用率和观测任务的完成率，还能优化资源利用，从而能减少无效观测带来的功率损耗。

2、本发明为解决上述技术问题采用如下技术方案：

3、本发明一种基于生成式模型的空间望远镜调度优化方法的特点在于，是按如下步骤进行：

4、步骤1、设置单个空间望远镜分别对待观测的m个星体{x1,x2,…xi,…,xm}进行d次观测，并记录待观测每个星体的观测动作序列p＝{p1,p2,…,pi,…,pm}，其中，xi表示待观测的第i个星体，pi表示待观测的第i个星体xi的观测动作序列，且其中，表示待观测的第i个星体xi的第j次观测动作；m表示星体的总数，d表示单个星体的总观测次数；

5、令待观测的第i个星体xi的最佳观测时间为[ai,bi]；其中，ai和bi分别表示待观测的第i个星体xi活跃的最早开始时间和最晚结束时间；

6、令每次星体观测所需时长为d，观测完成记录观测数据的时长记为r，空间望远镜从观测第i个星体xi转换到第k个星体xk的时间记为δik；

7、步骤2、建立空间望远镜调度优化模型：

8、步骤2.1、利用式(1)构建空间望远镜调度优化模型的第一目标函数f1(x)：

9、

10、式(1)中，表示待观测的第i个星体xi的第j次观测动作是否完成；当表示观测已完成；表示观测未完成；

11、步骤2.2、利用式(2)构建空间望远镜调度优化模型的第二目标函数f2(x)：

12、

13、式(2)中，li表示第i个星体xi是否完成d次观测动作pi，若li＝1，表示第i个星体xi完成d次观测动作pi；若li＝0，表示第i个星体xi未完成d次观测动作pi；

14、步骤2.3、利用式(3)构建空间望远镜调度优化模型的第三目标函数f3(x)：

15、

16、式(3)中，表示从第i个星体xi的第j个观测动作是否转换到对第k个星体xk的第l个观测动作若表示从第i个星体xi的第j个观测动作转换到对第k个星体xk的第l个观测动作若表示不转换；

17、步骤2.4、利用式(4)-式(9)构建空间望远镜调度优化模型的约束条件：

18、

19、式(4)-式(9)中，表示对第i个星体xi的第1个观测动作的开始时间；表示对第i个星体xi的第d个观测动作的开始时间，表示对第i个星体xi的第j+1个观测动作的开始时间，表示对第k个星体xk的第l个观测动作的开始时间；

20、步骤3、基于生成式模型求解所述空间望远镜调度优化模型，得到空间望远镜调度优化的最优观测方案pbest.

21、本发明所述的一种基于生成式模型的空间望远镜调度优化方法的特点也在于，所述步骤3包括：

22、步骤3.1、定义当前迭代次数为g，并初始化g＝1；最大迭代次数设为g；

23、使用生成式模型随机初始化第g次的观测动作序列，从而产生第g次迭代下数目大小为n的观测方案集合其中，表示第g次迭代下第n个观测方案对应的观测动作序列，且表示第g次迭代下第n个观测方案中的第i个星体xi的观测动作序列；

24、设最优观测方案初始化最优观测方案pbest的适应度值fitbest＝0；

25、步骤3.2、计算p(g)中的每一个观测方案的适应度值其中，表示的适应度值；

26、步骤3.3、使用生成式模型产生第g次迭代下的新方案集合p'(g)；

27、步骤3.4、对p'(g)进行非支配排序，并保留前w个前沿面，并重新计算前w个前沿面中所有观测方案的适应度值，其中，w表示满足w个前沿面中所有观测方案的数量之和大于等于n的最小值；

28、步骤3.5、从第w个前沿面中删除适应度最小的观测方案，并更新第w个前沿面中剩余观测方案的适应度；

29、步骤3.6、重复步骤3.5的过程，直到w个前沿面中所有观测方案的数量为n为止，从而得到第g+1次迭代下数目大小为n的观测方案集合p(g+1)；

30、步骤3.7、将g+1赋值给g，若g<g，则执行步骤3.2；否则，表示得到空间望远镜调度优化的最优观测方案pbest。

31、所述步骤3.2是按如下步骤进行：

32、步骤3.2.1、初始化n＝1；

33、步骤3.2.2、定义的最早观测开始时间记为定义并初始化初始观测开始时间记为

34、令第g次迭代下第n个观测方案中对第i个星体xi的观测次数第g次迭代下第n个观测方案中观测时目标星体的切换次数

35、步骤3.2.3、将中的第i个观测星体xi的最早观测时间赋值给

36、步骤3.2.4、定义并初始化观测动作的第一序号pre＝1，第二序号next＝2；

37、步骤3.2.5、设中的第pre个观测动作对应的观测星体为xi，令赋值给

38、若next≤m×d，且则表示第g次迭代下第n个观测方案完成对xi的观测，令反之，

39、步骤3.2.6、设的第next个观测动作对应的观测星体为xk，令赋值给若i＝k，令赋值给否则，令赋值给

40、步骤3.2.7、若next<m×d，执行步骤3.2.8；否则，执行步骤3.2.9；

41、步骤3.2.8、若且则令ak+d赋值给令pre+1赋值给pre，令next+1赋值给next，当i＝k时，不变，并执行步骤3.2.5；当i≠k时，令赋值给并执行步骤3.2.5；

42、若且则令赋值给令next+1赋值给next后，执行步骤3.2.6；

43、若且则令赋值给令pre+1赋值给pre，next+1赋值给next，当i＝k时，不变，并执行步骤3.2.5；当i≠k时，令赋值给后，执行步骤3.2.5；

44、若且则令赋值给next+1赋值给next，并执行步骤3.2.6；

45、若则令赋值给next+1赋值给next，并执行步骤3.2.6；

46、步骤3.2.9、利用式(10)计算的适应度值

47、

48、步骤3.2.10、若则令赋值给pbest；否则，pbest保持不变；

49、步骤3.2.11、若n<n，则将n+1赋值给n后，执行步骤3.2.2；否则，表示完成第g次迭代下的观测方案集合p(g)中每个观测方案的适应度值；并执行步骤3.3。

50、所述步骤3.3是按如下步骤进行：

51、步骤3.3.1、定义并初始化变量h＝0；

52、步骤3.3.2、使用生成式模型随机生成一个与pbest相似的第h个序列ph，并计算ph的适应度值fith；

53、步骤3.3.3、在p(g)中随机选择一个观测方案

54、步骤3.3.4、若将ph保存到第g次迭代下的待选观测方案集合o(g)中；否则，将保存到o(g)中；

55、步骤3.3.5、将h+1赋值给h，若h<n，则执行步骤3.3.2；否则，执行步骤3.3.6；

56、步骤3.3.6、将o(g)和p(g)合并后，得到第g次迭代下的新方案集合p'(g)。

57、本发明一种电子设备，包括存储器以及处理器的特点在于，所述存储器用于存储支持处理器执行所述空间望远镜调度优化方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。

58、本发明一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序的特点在于，所述计算机程序被处理器运行时执行所述空间望远镜调度优化方法的步骤。

59、与传统方法相比，本发明的有益效果体现在：

60、1、本发明生成式模型利用自然语言处理技术，可以理解和模拟专家的决策过程，实现了高度自动化和智能化的望远镜观测方案的选择机制。该生成式模型可以有效整合和处理多种优化目标，这对于处理如空间望远镜调度这样的多目标优化问题尤为重要，能够更好地平衡各种冲突的目标。生成式模型可以设计为同时处理多种优化任务，例如同时优化观测时间、资源分配和目标优先级。这种多任务处理能力可以使调度系统更加高效和灵活。

61、2、本发明基于生成式模型定制产生子代解，有助于在维护解的多样性的同时使解趋于最优解。传统的优化算法可能需要复杂的模型和高昂的计算成本，生成式模型通过学习数据本身的分布，可以简化问题的复杂性，降低计算成本，同时还能提供高质量的解决方案。生成式模型还可以根据新的数据快速调整，学习环境变化，提高了模型的适应性。这对于应对快速变化的观测条件(如突发天文事件)特别重要，可以迅速调整调度策略，优化观测资源的利用。