[发明专利]基于海上移动目标的多星协同规划方法

说明书

本公开的实施例提供了基于海上移动目标的多星协同规划方法、装置、设备和计算机可读存储介质。所述方法包括接收海上监测任务，将所述海上监测任务分解为一个或多个观测任务；对所述多个观测任务进行排序，得到海上目标观测任务集合；所述海上目标观测任务集合包括多个观测任务以及每个观测任务对应的任务特征；根据所述任务特征，将所述海上目标观测任务集合转换为观测任务序列集合；所述观测任务序列对应观测任务的任务特征；将所述观测任务序列集合输入到预先训练的多星协同任务分配模型中，得到所述观测任务序列集合中每一个观测任务序列对应的卫星载荷，输出最优规划方案。以此方式，可在短时间内完成任务的规划，实现收益与计算效率的兼顾。

技术领域

本公开的实施例一般涉及卫星观测技术领域，并且更具体地，涉及基于海上移动目标的多星协同规划方法、装置、设备和计算机可读存储介质。

背景技术

观测卫星是利用卫星遥感器对地球表面和底层大气进行光学或电子探测以获取有关信息的一类卫星。按照星载遥感器视场与观测目标面积的相对大小关系，观测目标通常可分为点目标和区域目标两类，点目标相对星载遥感器的幅宽较小，通常可以为一个较小的圆形或矩形区域，能够被单张卫星照片的视场所包含，例如：机场、港口等；区域目标的图像通常是一个多边形区域，相对星载遥感器的幅宽较大，无法完全被星载遥感器单景或单张条带照片覆盖，需要被卫星多次观测才能被完全覆盖，区域目标通常为多张照片拼合在一起的结果。

在现有的卫星任务规划研究中，大多是将成像卫星任务规划问题建模为优化问题，然后采用各种智能优化算法进行求解。当前主流的智能优化算法主要包括蚁群算法、模拟退火算法、粒子群算法和遗传算法等。

上述优化算法在求解多星协同任务规划问题时，都有其缺点：

蚁群算法利用了信息素的正反馈特性，能够较快的时间内搜索到较优解，但是算法易陷入早熟，即某路径的信息素浓度明显高于其他路径时，算法会过快的收敛于该路径。

模拟退火算法虽然局部搜索能力强，不易于陷入局部最优解，但是收敛速度慢，执行时间长，算法性能与初始值有关及参数敏感等缺点。

粒子群算法虽然有较快逼近最优解的能力。但是，由于所有粒子都向最优解的方向飞去，所有粒子趋于同一化(失去了多样性)使得后期收敛速度明显变慢，同时算法收敛到一定精度时，无法继续优化，所能达到的精度也不高。

遗传算法在多星协同规划方面应用最为广泛，虽然全局搜索能力较强，但是其也存在一个明显缺点，主要是遗传算法的初始解通常采用随机方式生成，解的搜索空间较大，搜索速度较慢，且在搜素全局最优解时往往会花费较多的时间，影响计算的效率，容易错过观测时间窗口。

发明内容

根据本公开的实施例，提供了一种多星协同规划方案。

在本公开的第一方面，提供了一种多星协同规划方法。该方法包括：

接收海上监测任务，将所述海上监测任务分解为一个或多个观测任务；

对所述多个观测任务进行排序，得到海上目标观测任务集合；所述海上目标观测任务集合包括多个观测任务以及每个观测任务对应的任务特征；

根据所述任务特征，将所述海上目标观测任务集合转换为观测任务序列集合；所述观测任务序列对应观测任务的任务特征；

将所述观测任务序列集合输入到预先训练的多星协同任务分配模型中，得到所述观测任务序列集合中每一个观测任务序列对应的卫星载荷，输出最优规划方案。

进一步地，所述根据所述任务特征，将所述海上目标观测任务集合转换为观测任务序列集合包括：

将所述任务特征进行量化，转换为预设格式的数据；所述任务特征包括任务的id、经度、纬度、任务最早开始时间、任务最迟结束时间、任务时间间隔、云量和/或任务收益；