本發(fā)明涉及衛(wèi)星技術(shù)領(lǐng)域，特別是涉及一種面向敏捷衛(wèi)星調(diào)度的自適應(yīng)大鄰域搜索方法。
背景技術(shù)：
對地觀測衛(wèi)星(earthobservationsatellite，eos)作為主要的太空觀測平臺，能夠通過星載照相機對地面目標(biāo)進(jìn)行成像，并通過星地鏈路將所拍攝的照片發(fā)回地面。對地觀測衛(wèi)星具有視場寬，不受國界線限制等特點，得到越來越多國家的青睞，成為太空信息的主要來源。隨著衛(wèi)星技術(shù)的發(fā)展，衛(wèi)星圖像在國民經(jīng)濟(jì)發(fā)展、人道主義救援和軍事活動等領(lǐng)域發(fā)揮了越來越重要的作用，衛(wèi)星成像需求也因此與日俱增，對地觀測衛(wèi)星的調(diào)度成為制約衛(wèi)星效能發(fā)揮的關(guān)鍵，衛(wèi)星調(diào)度問題也吸引了越來越多研究者的注意。此處的“衛(wèi)星調(diào)度”主要包括確定衛(wèi)星在什么時刻、以什么模式、對什么任務(wù)進(jìn)行多長時間的觀測，并在什么時刻進(jìn)行什么任務(wù)的數(shù)據(jù)傳輸?shù)?，在滿足預(yù)先設(shè)置的各種約束的條件下，使得衛(wèi)星的觀測收益最大。
敏捷對地觀測衛(wèi)星(agileearthobservationsatellite，aeos)是新一代的對地觀測衛(wèi)星，本文中均簡稱為“敏捷衛(wèi)星”。相比傳統(tǒng)的對地觀測衛(wèi)星，敏捷衛(wèi)星具有三個方向的自由度，除了側(cè)擺之外，敏捷衛(wèi)星還具備俯仰和偏航能力，這使得敏捷衛(wèi)星能夠在過頂目標(biāo)之前或之后對目標(biāo)進(jìn)行成像，進(jìn)而使得衛(wèi)星對地面目標(biāo)的可見時間窗口大大延長，因而敏捷衛(wèi)星的觀測能力得到了極大提高，能夠遂行很多復(fù)雜任務(wù)，如條帶拼接和立體成像等，同時也使敏捷衛(wèi)星調(diào)度問題變得更加復(fù)雜，其原因在于：敏捷衛(wèi)星對地面目標(biāo)的可見時間大于觀測所需要的時間，因此只要剩余時間足夠衛(wèi)星完成成像過程，成像活動可以在目標(biāo)可見時間窗口的任意時刻開始。同時，對敏捷衛(wèi)星而言，從上一任務(wù)完成到后一任務(wù)執(zhí)行前，需要一定的姿態(tài)調(diào)整與穩(wěn)定時間。不同的成像開始時間意味著不同的觀測角度，導(dǎo)致衛(wèi)星與上一任務(wù)的轉(zhuǎn)換時間改變，因此敏捷衛(wèi)星調(diào)度問題是一個具有時間依賴特性的調(diào)度問題。
敏捷衛(wèi)星成像調(diào)度問題已經(jīng)被證明是一個np-hard的組合優(yōu)化問題。國內(nèi)外針對敏捷衛(wèi)星的成像調(diào)度，采取的研究方法多為混合啟發(fā)式方法。當(dāng)前的研究主要分為兩個角度，第一為最大化成像排序問題(maximumshotsequencingproblem，msp)，主要目的是將成像任務(wù)在幾個連續(xù)的成像軌道中調(diào)度，通常一個任務(wù)可以對應(yīng)多個時間窗；第二種為最大化成像軌道排序問題(maximumshotorbitsequencingproblem，msop)，通常只處理一個軌道，每個成像任務(wù)只有一個時間窗。
針對msp問題，liao和yang提出一種滾動調(diào)度框架以處理天氣的不確定性，采用拉格朗日松弛和線性搜索技術(shù)進(jìn)行求解。dilkina研究了問題的局部優(yōu)化求解方法，包括模擬退火、爬山法和車輪法等，并得出帶有約束船舶的基于排序的搜索算法，該算法對于敏捷衛(wèi)星成像調(diào)度具有最好的效果。habet等人將問題建模為約束規(guī)劃問題，該模型有兩個目標(biāo)函數(shù)，其一為最大化成像收益，其二為最小化任務(wù)之間的轉(zhuǎn)換時間總和，并提出一種禁忌搜索算法進(jìn)行求解。grasset-bourdel提出一種前向年代記算法，并設(shè)計了四個決策層確保生成解的可行性。生成解的過程中，如果違反了約束，采用回溯的方法解決。bianchessi和righini研究了cosmo-skymed星座的調(diào)度問題。為了確保算法在多平臺的可用性，他們提出一種帶有前瞻和回溯能力的確定構(gòu)造算法。bianchessi等擴(kuò)展了cordeau和laporte的研究，解決了多星多軌道的敏捷衛(wèi)星調(diào)度問題。整個調(diào)度過程分為三個階段，后兩階段采用禁忌搜索算法。采用列生成算法保證用戶的最大效用。tangpattanakul等提出一種有偏隨機遺傳算法解決多目標(biāo)的敏捷衛(wèi)星調(diào)度問題，最大化成像收益，同時確保不同用戶之間的收益比較均衡。
針對msop問題的研究目前比較有限。lemaitre等對敏捷衛(wèi)星成像調(diào)度問題進(jìn)行了定義，并提出了約束規(guī)劃和局部搜索兩種算法。cordeau和laporte將敏捷衛(wèi)星調(diào)度問題轉(zhuǎn)化為帶時間窗口的車輛路徑問題(vehicleroutingproblemwithtimewindows，vrptw)，提出一種禁忌搜索算法進(jìn)行求解，該算法的主要思想是將現(xiàn)有解朝著鄰域中的最優(yōu)解轉(zhuǎn)移，同時維護(hù)一個已訪問解的禁忌列表，以防止算法出現(xiàn)循環(huán)，同時在目標(biāo)函數(shù)中引入一個懲罰因子，以松弛成像時間窗口約束。
綜上所述，目前的技術(shù)對敏捷衛(wèi)星調(diào)度問題的不足主要體現(xiàn)在：
(1)現(xiàn)有技術(shù)中，大多將敏捷衛(wèi)星姿態(tài)轉(zhuǎn)換時間簡化為固定時間，對于敏捷衛(wèi)星的時間依賴特性的研究不夠深入，沒有最大化發(fā)揮敏捷衛(wèi)星的機動能力。
(2)現(xiàn)有技術(shù)中的算法，均是針對小規(guī)模算例進(jìn)行的，針對大規(guī)模算例的算法效率有待提高。
(3)現(xiàn)有技術(shù)中的msop問題由于只處理一個軌道，與事實并不相符。實際上敏捷衛(wèi)星調(diào)度問題需要解決的是同時優(yōu)化多個軌道的msp問題，其復(fù)雜程度相比msop問題大大提高。
(4)現(xiàn)有針對敏捷衛(wèi)星調(diào)度技術(shù)中，國外研究較為領(lǐng)先，國內(nèi)尚屬起步階段，對于我國敏捷衛(wèi)星調(diào)度的研究較為有限。
技術(shù)實現(xiàn)要素：
本發(fā)明的目的在于提供一種面向敏捷衛(wèi)星調(diào)度的自適應(yīng)大鄰域搜索方法來克服或至少減輕現(xiàn)有技術(shù)的上述缺陷中的至少一個。
為實現(xiàn)上述目的，本發(fā)明提供一種面向敏捷衛(wèi)星調(diào)度的自適應(yīng)大鄰域搜索方法，所述面向敏捷衛(wèi)星調(diào)度的自適應(yīng)大鄰域搜索方法包括如下步驟：
step1，建立敏捷衛(wèi)星調(diào)度問題的約束滿足模型；
step2，進(jìn)行算法參數(shù)初始化；根據(jù)step1中約束滿足模型求解初始解：利用貪婪規(guī)則，將約束滿足模型中的任務(wù)按照優(yōu)先級排列，在優(yōu)先級相同的情形下優(yōu)先選取成像時間窗口早的任務(wù)，生成可行初始解s0，計算其收益為r0，并令初始解s0為當(dāng)前解sc和最優(yōu)解sb；
step3，在當(dāng)前解sc的鄰域內(nèi)進(jìn)行調(diào)整，得到新解s’c調(diào)整方法具體包括：
step31，選取一個刪除算子，在當(dāng)前解sc的鄰域內(nèi)進(jìn)行破壞操作：根據(jù)所選擇的刪除算子定義的選擇規(guī)則刪除當(dāng)前解sc中的部分任務(wù)，得到破壞解，并將被刪除的任務(wù)存入需求銀行；
step32，選取一個插入算子，在破壞解的鄰域內(nèi)進(jìn)行修復(fù)操作：根據(jù)所選擇的插入算子定義的選擇規(guī)則在需求銀行中選擇部分任務(wù)，在破壞解中插入，得到修復(fù)解，該修復(fù)解為新解s’c；
step4，計算新解s’c的收益r’c，如果新解s’c的收益r’c相比當(dāng)前解sc的收益rc有所提高，則令新解s’c為當(dāng)前解sc，新解s’c的收益r’c為當(dāng)前解sc的收益；否則，采用模擬退火機制判定是否接受新解s’c為當(dāng)前解sc，同時相應(yīng)更新當(dāng)前解sc和當(dāng)前解的收益rc；如果新解s’c的收益r’c相比最優(yōu)解sb的收益rb有所提高，則令新解s’c為最優(yōu)解sb，新解s’c的收益r’c為最優(yōu)解sb的收益rb；
step5，基于step4中計算的結(jié)果，更新step3中所選取的全部算子的分?jǐn)?shù)；并在每個包含預(yù)設(shè)次數(shù)的迭代的階段結(jié)束后，根據(jù)在此階段的表現(xiàn)，更新step3中所選取的全部算子的權(quán)重以及初始化step3中所選取的全部算子的分?jǐn)?shù)；
step6，如果滿足終止條件，輸出最優(yōu)解和最優(yōu)解的收益值，否則執(zhí)行step3。
進(jìn)一步地，step1中的敏捷衛(wèi)星調(diào)度模型具體為：
s.t.
hi+di+trans(i,i+1)≤hi+1(5)
上述各公式中：
公式(1)是目標(biāo)函數(shù)，所有觀測任務(wù)的優(yōu)先級之和，xij是一個布爾變量，該變量表示任務(wù)ti的第j個窗口是否被調(diào)度方案選取，若選取，則為1，否則為0；
約束(2)表示每個任務(wù)只能至多被觀測一次；
約束(3)和約束(4)中sti*為選取觀測的可見時間窗口的開始時間，eti*為選取觀測的可見時間窗口的結(jié)束時間，dli表示任務(wù)的規(guī)定最晚觀測時間；
約束(5)定義了兩個任務(wù)之間的姿態(tài)轉(zhuǎn)換時間trans(i,i+1)，前一任務(wù)觀測結(jié)束加姿態(tài)轉(zhuǎn)換時間不能晚于后一觀測任務(wù)的開始；
約束(6)給出了xij取值的條件，當(dāng)窗口被包含在調(diào)度方案中，則取值為1，否則為0，tobs為輸出的觀測任務(wù)集合，owi為任務(wù)ti的觀測時間窗口；
約束(7)給出了姿態(tài)轉(zhuǎn)換時間的計算方法，其中δg為相鄰兩個任務(wù)觀測姿態(tài)角的變化值，v1～v4則定義了不同角度變化下的四種姿態(tài)調(diào)整速度；
約束(8)代表衛(wèi)星的存儲約束，|rk|代表衛(wèi)星第k個軌道進(jìn)行成像的數(shù)目，m為每個軌道可以進(jìn)行觀測的最大時長。
進(jìn)一步地，step31中，刪除算子包括：
隨機刪除算子：從當(dāng)前解中隨機選取q個任務(wù)刪除；
基于優(yōu)先級的刪除算子：從當(dāng)前解中選取q個優(yōu)先級最低的任務(wù)刪除；
基于可見機會的刪除算子：從當(dāng)前解中選取q個觀測機會多的任務(wù)刪除，觀測機會由任務(wù)的可見時間窗口的數(shù)量決定；
基于沖突度的刪除算子：刪除q個沖突度最高的任務(wù)，任務(wù)的沖突度定義為與任務(wù)的當(dāng)前觀測窗口交叉的其他任務(wù)可見時間窗口的數(shù)目；
批量刪除算子1：該算子將一次性選取多個具有某種共同屬性的任務(wù)刪除，這里定義為刪除處于同一軌道的任務(wù)，軌道的選取依賴于該軌道已安排任務(wù)的優(yōu)先級之和，優(yōu)先級小的軌道中的任務(wù)將被首先刪除，直至滿足q個任務(wù)；
批量刪除算子2：算子將一次性選取多個具有某種共同屬性的任務(wù)刪除，這里定義為刪除處于同一軌道的任務(wù)，軌道的選取依賴于軌道上已安排任務(wù)的數(shù)量，優(yōu)先刪除具有最小已安排任務(wù)數(shù)量的軌道中的任務(wù)。
進(jìn)一步地，step32中，插入算子包括：
貪婪插入算子：為了最大化收益，該算子每次從任務(wù)銀行中選取優(yōu)先級最大的任務(wù)，并嘗試插入；
最少可見機會插入算子：優(yōu)先選取觀測機會少的任務(wù)，并嘗試插入；
最小沖突度插入算子：優(yōu)先插入沖突度小的任務(wù)，這種任務(wù)將引入盡可能少的沖突到新解中。
進(jìn)一步地，step5中，對所選取算子的分?jǐn)?shù)進(jìn)行更新的方法包括：
τi＝τi+δ1：如果達(dá)到新的全局最優(yōu)解；
τi＝τi+δ2：如果新解沒有被采納，但好于當(dāng)前解，差于最優(yōu)解；
τi＝τi+δ3：如果新解差于當(dāng)前解，但新解被采納；
τi＝τi+δ4：如果新解沒有被采納；
其中，τi指的是算子當(dāng)前的分?jǐn)?shù)，δ1、δ2、δ3和δ4分別指的是根據(jù)四種不同表現(xiàn)，給對所選取的算子的分?jǐn)?shù)的增量，δ1>δ2>δ3>δ4。
進(jìn)一步地，step5中，對算子權(quán)重進(jìn)行更新的方法包括：
其中，λ∈[0,1]，是一個控制常數(shù)，表示算子權(quán)重對于每個階段算子表現(xiàn)變化的敏感程度；
nd和nr分別代表了兩類算子的個數(shù)；在第一個階段內(nèi)，由于算子的沒有歷史權(quán)重，所有的權(quán)重初始化為1，算子隨機進(jìn)行選取，但在前20次迭代內(nèi)，必須使全部算子至少被選中過一次；
每次迭代需要選出一對刪除算子和插入算子，采用輪盤賭機制對刪除算子進(jìn)行選取，采用下式計算算子被選中的概率：
其中ωj代表更新過的算子權(quán)重；
采用模擬退火機制對沒有提高收益的新解進(jìn)行采納的判斷：令t溫度系數(shù)為，rc為當(dāng)前解sc的收益值，當(dāng)r’c＞rc時，則新解s’c被采納；否則，根據(jù)以下概率采納s’c：
每一次迭代，采用模擬退火標(biāo)準(zhǔn)調(diào)整溫度值t；第n次迭代時溫度值tn＝ctn-1，其中c為退火系數(shù)；為了確保退火過程緩慢和平穩(wěn)，初始溫度設(shè)置為：
本發(fā)明針對敏捷衛(wèi)星調(diào)度問題(agilesatelliteschedulingproblem，assp)的時間依賴特性，以最大化觀測目標(biāo)的收益為目標(biāo)，構(gòu)建了assp的約束滿足模型，并提出了基于自適應(yīng)大鄰域搜索(adaptivelargeneighborhoodsearch，alns)的求解框架，生成無沖突的調(diào)度方案。alns算法的優(yōu)勢在于，綜合了變鄰域結(jié)構(gòu)和大鄰域結(jié)構(gòu)的優(yōu)勢：對于大部分的優(yōu)化問題，都可以確定一系列的啟發(fā)式規(guī)則，這些規(guī)則構(gòu)成了alns的核心部分的算子。每種算子對應(yīng)一類鄰域結(jié)構(gòu)，通過衡量算子表現(xiàn)調(diào)整算子被選中的概率，從而改變搜索的鄰域結(jié)構(gòu)，提高算法的收斂特性；由于大鄰域具有多樣性，算法可以以一種結(jié)構(gòu)化的方式探索大部分的解空間，得到的解具有更高的魯棒性，不容易陷入局部最優(yōu)。
附圖說明
圖1是本發(fā)明所提供的面向敏捷衛(wèi)星調(diào)度的自適應(yīng)大鄰域搜索方法一優(yōu)選實施方式的流程示意圖。
圖2a是利用本發(fā)明提供的alns算法和現(xiàn)有的aco算法的任務(wù)采取區(qū)域分布模式時任務(wù)完成率的曲線對比示意圖。
圖2b是利用本發(fā)明提供的alns算法和現(xiàn)有的aco算法的任務(wù)采取全球分布模式時任務(wù)完成率的曲線對比示意圖。
圖3a是利用本發(fā)明提供的alns算法和現(xiàn)有的aco算法的任務(wù)采取區(qū)域分布模式時任務(wù)收益率的曲線對比示意圖。
圖3b是利用本發(fā)明提供的alns算法和現(xiàn)有的aco算法的任務(wù)采取全球分布模式時任務(wù)收益率的曲線對比示意圖。
具體實施方式
在附圖中，使用相同或類似的標(biāo)號表示相同或類似的元件或具有相同或類似功能的元件。下面結(jié)合附圖對本發(fā)明的實施例進(jìn)行詳細(xì)說明。
在本發(fā)明的描述中，術(shù)語“中心”、“縱向”、“橫向”、“前”、“后”、“左”、“右”、“豎直”、“水平”、“頂”、“底”“內(nèi)”、“外”等指示的方位或位置關(guān)系為基于附圖所示的方位或位置關(guān)系，僅是為了便于描述本發(fā)明和簡化描述，而不是指示或暗示所指的裝置或元件必須具有特定的方位、以特定的方位構(gòu)造和操作，因此不能理解為對本發(fā)明保護(hù)范圍的限制。
相對于急劇增長的用戶需求，敏捷衛(wèi)星的觀測能力還是有限的，因而敏捷衛(wèi)星調(diào)度問題是一個過度訂閱問題，為了最大化系統(tǒng)的效能，以最大化觀測任務(wù)的收益為優(yōu)化目標(biāo)。
本實施例提出的面向敏捷衛(wèi)星調(diào)度的自適應(yīng)大鄰域搜索方法包括后文提及的alns算法，alns算法本質(zhì)上是一個基于多鄰域結(jié)構(gòu)的局部搜索框架，是對大鄰域搜索算法的改進(jìn)。根據(jù)經(jīng)驗，鄰域較小則容易陷入局部最優(yōu)解，鄰域越大，能夠搜索到的局部最優(yōu)解越好，也就能使最終解更精確。但鄰域的增大會導(dǎo)致每次迭代的時間延長。因此大鄰域搜索需要有效的鄰域搜索方法。大鄰域搜索算法通過對解的破壞操作和修復(fù)操作在解的鄰域中進(jìn)行搜索，在該框架下不同算子通過競爭調(diào)整當(dāng)前解，算子多為一些簡單而快速的啟發(fā)式規(guī)則，因此計算時間短。每次迭代中，當(dāng)前解中的大部分任務(wù)被修改，破壞算子與插入算子一起生成新的解，破壞算子用以刪除當(dāng)前解中的任務(wù)，插入算子用以插入新的任務(wù)。
本實施例提供的alns在大鄰域搜索算法的基礎(chǔ)上引入了自適應(yīng)層，使算法在算子選取上具有一定的智能性。alns算法的基本框架如圖1所示，內(nèi)循環(huán)基于模擬退火機制。每次循環(huán)迭代中，分別選取一個破壞算子和一個插入算子，由自適應(yīng)層根據(jù)算子在之前迭代中的表現(xiàn)控制算子被選取的概率。為最優(yōu)解的搜索貢獻(xiàn)更大的算子被賦予更高的分?jǐn)?shù)，從而提高它在接下來的迭代中被選中的概率，算子的選取采用輪盤賭方法。新的解如果滿足了一定的接受條件，則被接受。經(jīng)過一定次數(shù)的迭代后，所有算子的分?jǐn)?shù)被重置，重新計算被選中的概率。整個流程不斷迭代，直到滿足終止條件。
因此，面向敏捷衛(wèi)星調(diào)度的自適應(yīng)大鄰域搜索方法包括如下步驟：
step1，建立敏捷衛(wèi)星調(diào)度問題的約束滿足模型。
在日常的衛(wèi)星運控中，需要考慮很多包括與資源相關(guān)、用戶需求以及運行管理相關(guān)的約束，為了簡化問題，突出研究重點，本實施例只考慮與資源以及與時序相關(guān)的幾個關(guān)鍵約束。區(qū)域目標(biāo)已經(jīng)被分解為衛(wèi)星一次過境可以拍攝的多個條帶，若一次過境無法完成，則任務(wù)失?。恍l(wèi)星的電量充足；沒有考慮衛(wèi)星任務(wù)的回傳；存儲約束用每個軌道進(jìn)行成像的最長時間表示；環(huán)境方面，可見時間窗口位于地影區(qū)時無法成像。
本實施例中的約束滿足模型可以簡化為：給定任務(wù)集合t，第i個任務(wù)ti∈t都包含優(yōu)先級pi和持續(xù)時間di，任務(wù)ti的可見時間窗口集合為twi。本實施例需要確定每個任務(wù)ti的開始時間hi，以最大化可被觀測的任務(wù)的優(yōu)先級之和。約束滿足模型的輸出為一個帶有時間和觀測角度的任務(wù)序列。約束滿足模型具體如下：
s.t.
hi+di+trans(i,i+1)≤hi+1(5)
上述各公式中：
公式(1)是目標(biāo)函數(shù)，所有觀測任務(wù)的優(yōu)先級之和。公式(1)中：1個任務(wù)ti具有多個可見時間窗口，xij是一個布爾變量，該變量表示任務(wù)ti的第j個窗口是否被調(diào)度方案選取，若選取，則為1，否則為0。
約束(2)表示每個任務(wù)ti只能至多被觀測一次，每個任務(wù)具有多個窗口，至多被選取一次，因此，對于一個任務(wù)ti，只能有一個窗口對應(yīng)的xij等于1，其余都為0。
約束(3)和約束(4)中sti*為選取觀測的可見時間窗口的開始時間，eti*為選取觀測的可見時間窗口的結(jié)束時間，dli表示任務(wù)的規(guī)定最晚觀測時間。因此，約束(3)和約束(4)表示任務(wù)的觀測時段必須落在其可見時間窗口內(nèi)，同時不能晚于任務(wù)的規(guī)定最晚觀測時間。
約束(5)定義了兩個任務(wù)之間的姿態(tài)轉(zhuǎn)換時間trans(i,i+1)，前一任務(wù)觀測結(jié)束加姿態(tài)轉(zhuǎn)換時間不能晚于后一觀測任務(wù)的開始，即兩個相鄰任務(wù)的時間間隔必須滿足任務(wù)間的姿態(tài)轉(zhuǎn)換時間。
約束(6)給出了xij取值的條件，當(dāng)窗口被包含在調(diào)度方案中，則取值為1，否則為0，其中tobs為輸出的觀測任務(wù)集合，owi為任務(wù)ti的觀測時間窗口，即任務(wù)ti的觀測時段。
約束(7)給出了姿態(tài)轉(zhuǎn)換時間的計算方法，其中δg為相鄰兩個任務(wù)觀測姿態(tài)角的變化值，v1～v4則定義了不同角度變化下的四種姿態(tài)調(diào)整速度。
約束(8)代表衛(wèi)星的存儲約束，其中|rk|代表衛(wèi)星第k個軌道進(jìn)行成像的數(shù)目，m為每個軌道可以進(jìn)行觀測的最大時長。
step2，首先將算法中涉及的參數(shù)進(jìn)行初始化；根據(jù)step1中的模型求解初始解，具體包括：
step21，利用貪婪規(guī)則，將約束滿足模型中的任務(wù)按照優(yōu)先級排列，在優(yōu)先級相同的情形下優(yōu)先選取成像時間窗口早的任務(wù)，生成可行初始解s0。
step22，利用生成的可行初始解s0，通過輸入上述公式(1)，可以計算得到初始解s0的收益為r0。
step23，令初始解s0為當(dāng)前解sc和最優(yōu)解sb，即令sc←s0，sb←s0。
step3，在當(dāng)前解sc的鄰域內(nèi)進(jìn)行調(diào)整，得到新解s’c。
該步驟中，新解通過一系列的破壞和修復(fù)鄰域操作而得到，為了將alns算法運用于本問題，本步驟分別設(shè)計了鄰域搜索中的破壞操作和修復(fù)操作方法，每種方法都包含了多種操作算子，這些算子決定了解在其鄰域中可行的變化，新解通過這些算子的迭代操作而獲得。
step3中的“在當(dāng)前解的鄰域內(nèi)進(jìn)行調(diào)整得到新解”的方法具體包括：
step31，選取一個刪除算子，在當(dāng)前解sc的鄰域內(nèi)進(jìn)行破壞操作：根據(jù)所選擇的刪除算子定義的選擇規(guī)則刪除當(dāng)前解sc中的部分任務(wù)，得到破壞解，并將被刪除的任務(wù)存入需求銀行；其中，刪除算子是用于從當(dāng)前解中選取一定數(shù)量的任務(wù)進(jìn)行刪除，進(jìn)而允許新的任務(wù)的插入，所有被刪除的任務(wù)被存入到需求銀行中，需求銀行中的所有任務(wù)都可以被插入到被破壞的解中。step31中的刪除算子包括：
隨機刪除算子：從當(dāng)前解中隨機選取q個任務(wù)刪除。
基于優(yōu)先級的刪除算子：從當(dāng)前解中選取q個優(yōu)先級最低的任務(wù)刪除。
基于可見機會的刪除算子：從當(dāng)前解中選取q個觀測機會多的任務(wù)刪除，觀測機會由任務(wù)的可見時間窗口的數(shù)量決定。
基于沖突度的刪除算子：刪除q個沖突度最高的任務(wù)，任務(wù)的沖突度定義為與任務(wù)的當(dāng)前觀測窗口交叉的其他任務(wù)可見時間窗口的數(shù)目。
批量刪除算子1：該算子將一次性選取多個具有某種共同屬性的任務(wù)刪除，這里定義為刪除處于同一軌道的任務(wù)，軌道的選取依賴于該軌道已安排任務(wù)的優(yōu)先級之和，優(yōu)先級小的軌道中的任務(wù)將被首先刪除，直至滿足q個任務(wù)。
批量刪除算子2：算子將一次性選取多個具有某種共同屬性的任務(wù)刪除，這里定義為刪除處于同一軌道的任務(wù)，軌道的選取依賴于軌道上已安排任務(wù)的數(shù)量，優(yōu)先刪除具有最小已安排任務(wù)數(shù)量的軌道中的任務(wù)。
step32，選擇一個插入算子，在破壞解的鄰域內(nèi)做修復(fù)操作：根據(jù)所選擇的插入算子定義的選擇規(guī)則，在需求銀行中選擇部分任務(wù)，并將之插入在破壞解中，得到修復(fù)解，該修復(fù)解為新解s’c。
該步驟中，插入算子與刪除算子相反，插入算子是從需求銀行中選取任務(wù)，并將其插入到由step31得到的破壞解中，以實現(xiàn)解的修復(fù)，進(jìn)而生成新解。step32中的插入算子包括：
貪婪插入算子：為了最大化收益，該算子每次從任務(wù)銀行中選取優(yōu)先級最大的任務(wù)，并嘗試插入。
最少可見機會插入算子：優(yōu)先選取觀測機會少的任務(wù)，并嘗試插入。
最小沖突度插入算子：優(yōu)先插入沖突度小的任務(wù)，這種任務(wù)將引入盡可能少的沖突到新解中。
step4，通過將step3計算得到的新解s’c輸入上述公式(1)，可以計算得到新解s’c的收益r’c，比較新解s’c的收益r’c與當(dāng)前解sc的收益rc和最優(yōu)解sb的收益rb，具體如下：
如果新解s’c的收益r’c相比當(dāng)前解sc的收益rc有所提高，則令新解s’c為當(dāng)前解sc，新解s’c的收益r’c為當(dāng)前解sc的收益，即sc←s’c，rc←r’c。
如果新解s’c的收益r’c相比當(dāng)前解sc的收益rc并沒有提高，則采用模擬退火機制判定是否接受新解s’c為當(dāng)前解sc，在采用模擬退火機制判定接受新解為當(dāng)前解的情形下，相應(yīng)更新當(dāng)前解sc和當(dāng)前解的收益rc。如果判定不接受新解為當(dāng)前解的情形下，則舍棄掉新解，當(dāng)前解保持不變，下一次迭代還是在當(dāng)前解鄰域內(nèi)調(diào)整。
如果新解s’c的收益r’c相比最優(yōu)解sb的收益rb有所提高，則令新解s’c為最優(yōu)解sb，新解s’c的收益r’c為最優(yōu)解sb的收益rb，即令sb←s’c，rb←r’c；“最優(yōu)解”可以理解為到目前為止，算法通過輸入上述公式(1)計算得到的收益最大的解。
step5，基于step4中計算的結(jié)果，更新step3中所選取的全部算子的分?jǐn)?shù)；并在每個包含預(yù)設(shè)次數(shù)(比如下文出現(xiàn)的
算子的權(quán)重包括兩個方面：一部分繼承自歷史階段，一部分來源于當(dāng)前階段算子的分?jǐn)?shù)。
為了保證本發(fā)明方法的搜索效率，該步驟設(shè)置了自適應(yīng)層。為了實現(xiàn)算子的自適應(yīng)選取，為每個算子都設(shè)置一個分?jǐn)?shù)和權(quán)重，并將根據(jù)算子在搜索過程中的表現(xiàn)更新每個算子的分?jǐn)?shù)和權(quán)重，在迭代中能夠得到全局最優(yōu)解或者較優(yōu)解的算子將會獲得更高的分?jǐn)?shù)，進(jìn)而在下階段迭代中被選中的概率將更高。本發(fā)明方法對于算子的選擇是基于輪盤賭的選取機制，保證搜索效率高的算子，能夠更多地被采用。
本發(fā)明方法令每
一旦一個算子被選中，則該算子的分?jǐn)?shù)根據(jù)以下的公式進(jìn)行更新：
τi＝τi+δ1：如果達(dá)到新的全局最優(yōu)解。
τi＝τi+δ2：如果新解沒有被采納，但好于當(dāng)前解，差于最優(yōu)解。
τi＝τi+δ3：如果新解差于當(dāng)前解，但新解被采納。
τi＝τi+δ4：如果新解沒有被采納。
其中，τi指的是算子當(dāng)前的分?jǐn)?shù)。δ1、δ2、δ3和δ4分別指的是根據(jù)四種不同表現(xiàn)，給對所選取的算子的分?jǐn)?shù)的增量，δ1>δ2>δ3>δ4。
在每個階段結(jié)束后，對算子的權(quán)重進(jìn)行更新的方法包括：
其中，λ∈[0,1]，是一個控制常數(shù)，表示算子權(quán)重對于每個階段算子表現(xiàn)變化的敏感程度。nd代表刪除算子的個數(shù)，nr代表插入算子的個數(shù)。
在第一個階段內(nèi)，由于算子的沒有歷史權(quán)重，所有的權(quán)重初始化為1，算子隨機進(jìn)行選取，但在前20次迭代內(nèi)，必須使全部算子至少被選中過一次。
每次迭代需要選出一對刪除算子和插入算子，采用輪盤賭機制對刪除算子進(jìn)行選取，采用下式計算算子被選中的概率：
其中ωj代表更新過的算子權(quán)重；
采用模擬退火機制對沒有提高收益的新解進(jìn)行采納的判斷：令t溫度系數(shù)為，rc為當(dāng)前解sc的收益值，當(dāng)r’c＞rc時，則新解s’c被采納；否則，根據(jù)以下概率采納s,c：
每一次迭代，采用模擬退火標(biāo)準(zhǔn)調(diào)整溫度值t；第n次迭代時溫度值tn＝ctn-1，其中c為退火系數(shù)；為了確保退火過程緩慢和平穩(wěn)，初始溫度設(shè)置為：
step6，如果滿足終止條件，輸出最優(yōu)解和最優(yōu)解的收益值，否則執(zhí)行step3。該步驟中的“終止條件”有兩個：1，達(dá)到設(shè)定的最大迭代次數(shù)。2，所有任務(wù)都成功調(diào)度。該步驟中達(dá)到其中任一終止條件即可。
利用本發(fā)明提供給的alns對結(jié)果進(jìn)行分析，分析過程如下：
采用c#語言在visualstudio2013中構(gòu)建模型和算法，并在intelcorei51.70hz，8gbram的筆記本電腦中進(jìn)行實驗。
共設(shè)計了兩類不同任務(wù)分布模式的15個算例用以測試alns算法的適用性，第一類算例中的任務(wù)采取區(qū)域分布模式，目標(biāo)點的位置分布在我國經(jīng)緯范圍內(nèi)，任務(wù)數(shù)量最少為50個，使用c-50表示，每次增加25個任務(wù)，最多為200個任務(wù)(c-200)；第二類算例中的任務(wù)采取全球分布模式，目標(biāo)點隨機分布在全球，任務(wù)最少為50個(w-50)，每次增加50個，最多為400個任務(wù)(w-400)。
為了突出alns的算法性能，同時采用標(biāo)準(zhǔn)蟻群算法(antcolonyoptimization，aco)對問題進(jìn)行了求解。算法的參數(shù)配置方面，alns算法迭代次數(shù)為5000次，每次迭代刪除任務(wù)比例為10％，每
表1alns與aco算法求解結(jié)果對比
主要從任務(wù)完成率、收益率以及計算時間三個指標(biāo)對算法的性能進(jìn)行評價。任務(wù)完成率指的是進(jìn)行觀測的任務(wù)占全部具有可見時間窗口的任務(wù)的百分比，任務(wù)收益率指的是全部已經(jīng)觀測任務(wù)的收益之和占全部具有可見時間窗口的任務(wù)優(yōu)先級之和的百分比。表1中已經(jīng)將兩種算法中較優(yōu)的結(jié)果用加粗標(biāo)出。
從表1可以明顯看出，alns在大多數(shù)的算例中，任務(wù)的完成率、收益率和計算時間都要優(yōu)于aco。區(qū)域分布模式下，alns算法的完成率約比aco算法的完成率高30％～50％，而收益率則高出aco算法約20％～40％，而計算時間則要快2～3倍。在全球分布模式下，alns在任務(wù)數(shù)量較少時的各項指標(biāo)均優(yōu)于aco算法，但差距并不明顯，當(dāng)任務(wù)數(shù)量增對達(dá)到200以上時，alns表現(xiàn)出了強大的優(yōu)越性，在僅僅比aco算法使用多10％左右的時間下，取得了高20％以上的高完成率與高收益率。
aco算法之所以在任務(wù)數(shù)量增大時表現(xiàn)下降，是因為將螞蟻數(shù)量限制在30個，導(dǎo)致任務(wù)數(shù)量增多時，難以找到較優(yōu)解，這也是aco算法在任務(wù)數(shù)量增大時耗時小于alns的原因，理論上如果加大螞蟻數(shù)量，得到的任務(wù)完成率與收益率會更高，計算時間也會大大提高。但盡管螞蟻數(shù)量較少，aco算法仍然消耗了大量的計算時間，同時，在任務(wù)數(shù)量較少時，也沒有體現(xiàn)出優(yōu)越性。
圖2a、圖2b和圖3a、圖3b展示的是兩種算法在兩種分布模型下完成任務(wù)數(shù)量和獲得收益的對比情況?？梢钥闯?，兩種算法在隨著任務(wù)數(shù)量增大的情況下，任務(wù)的完成數(shù)量和收益值的增長速度變慢，逐漸出現(xiàn)飽和現(xiàn)象。但無論從任務(wù)數(shù)量還是獲得收益來看，alns算法都比aco都具有更好的性能。
因此，綜合上述結(jié)果，alns在兩種分布模式下以及各種任務(wù)數(shù)量下，均表現(xiàn)出較強的搜索效率，在利用更少的時間的情況下取得了更高的完成率與收益率。
敏捷衛(wèi)星作為新一代對地觀測衛(wèi)星，具有三個方向的自由度，使得衛(wèi)星對底面目標(biāo)的可見時間窗口大大延長，因而觀測能力得到極大提高，能夠完成更多復(fù)雜任務(wù)，但也使得其任務(wù)調(diào)度問題成為具有時間依賴性的復(fù)雜組合優(yōu)化問題。
針對敏捷衛(wèi)星對地觀測任務(wù)調(diào)度中的時間依賴問題，本實施例提出一種自適應(yīng)大鄰域搜索算法進(jìn)行求解。共設(shè)計了6種刪除算子及3種插入算子進(jìn)行鄰域搜索。仿真實驗中共生成了兩種分布模式下的15組算例，并與蟻群算法求解進(jìn)行比較。實驗結(jié)果表明，在兩種分布模式下，alns均能在使用更少時間得到更優(yōu)的解，證明了算法的有效性。
最后需要指出的是：以上實施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制。本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：可以對前述各實施例所記載的技術(shù)方案進(jìn)行修改，或者對其中部分技術(shù)特征進(jìn)行等同替換；這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實施例技術(shù)方案的精神和范圍。