动态不确定环境下航天器观测调度问题研究

论文摘要

随着航天观测活动的日益频繁,航天器观测调度问题亦成为学术界和工程界的研究热点之一。该问题的求解对于提高航天活动的收益、降低航天器运行成本和工作人员的劳动强度等均具有重要意义,是未来航天活动不可缺少的一项重要技术。但目前对该问题的研究多局限于静态确定性条件下,对于处于动态不确定环境中的航天器的观测调度问题,缺乏相应地研究。本文在详细分析航天器观测活动背景的基础上,首先建立合理的航天器观测调度问题模型,进而围绕动态不确定环境下航天器观测调度这一核心,从不确定性因素的分析与评估、重调度策略的设计、生成式重调度算法的设计以及修正式重调度算法设计等几个方面,较系统地研究了动态不确定环境下的航天器观测调度问题。具体来说,本文在以下几个方面进行了探索和研究:一、建立航天器观测调度问题的数学模型。针对目前国内外研究工作中存在的对该问题模型处理的一些弊端,例如对约束条件考虑不足等,在对航天器观测调度过程进行分析的基础上,充分考虑各种约束条件,并进行适当简化,建立多约束条件下的航天器观测调度数学模型,弥补目前研究的不足,为该领域后续工作奠定基础。二、航天观测中的不确定因素分析与扰动程度评估。在对航天器观测调度活动中的不确定性进行系统总结和分析的基础上,发现一类具有渐变性质的不确定性因素对系统的扰动程度具有模糊性(文中称其为II型渐变性不确定因素),难以对这类不确定性因素对系统造成的扰动程度进行评估和判断,对进一步采取有针对性的处理措施造成了严重阻碍。针对该问题,设计了一种基于模糊神经网络(FNN)的评估算法,用以对此类不确定性因素进行扰动程度评估,为进一步解决动态不确定环境下航天器观测调度问题奠定了基础。三、提出了一种面向动态不确定环境下航天器观测调度的重调度策略。在上述工作基础上,为了能够对重调度行为进行有效管理,设计了一种基于FNN的改进型混合重调度策略。首先利用模糊神经网络对II型渐变性不确定因素进行评估,决策出相应的重调度方式;在此基础上,引入最小重调度间隔约束,并结合周期性重调度策略与事件驱动型重调度策略,设计了一种改进的混合重调度策略,并进行了算例分析。四、设计了一种基于自适应混合优化的生成式重调度算法。首先,为了能够将现有优化计算的研究成果应用于航天器观测调度问题的求解,以生成式重调度为背景,在论文前期建立的数学模型基础上,进行了时间窗口离散化和节点表示方法设计两项改进。进而将混合蚁群优化算法引入到该问题的求解当中,并针对算法参数众多、赋值缺乏理论依据的缺陷,提出了一种基于参数自适应的遗传—蚁群混合优化算法(AHACO),并进行了相应的数值仿真和分析。五、提出了一种基于AHACO的修正式重调度算法。基于对现有调度结果进行局部调整、最大限度利用现有调度信息、以及尽量摆脱具体的不确定性种类和来源的约束、提高重调度算法普适能力的思想,设计了一种基于AHACO的修正式重调度算法。首先对该问题进行了分析,指出进行修正式重调度运算的前提是统计受影响任务,分为直接影响和间接影响两类。进而针对航天器观测调度领域的特点,提出了相应的基于时间约束的受影响任务统计算法。最后设计了一种基于局部信息素调整的修正式重调度算法,并结合上一章的研究成果,将AHACO算法应用到该修正式重调度方法当中。为了检验该方法的有效性,进行了数值仿真和分析。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景及意义
• 1.1.1 航天器观测调度问题概述
• 1.1.2 传统的航天器观测调度及其弊端
• 1.1.3 动态不确定环境下的航天器观测调度
• 1.1.4 航天器观测调度问题的研究价值及意义
• 1.2 国内外相关研究进展
• 1.2.1 调度理论研究进展
• 1.2.2 不确定条件下的规划调度理论研究进展
• 1.2.3 航天器任务规划调度问题的研究进展
• 1.2.4 国内外研究现状评述
• 1.3 论文的研究内容与组织结构
• 1.3.1 论文研究内容
• 1.3.2 论文组织结构
• 第2章 航天器观测任务优化调度问题分析
• 2.1 引言
• 2.2 航天器观测调度问题分类及特点
• 2.3 航天器观测调度问题中的主要约束条件
• 2.4 约束条件的处理
• 2.5 航天器观测调度问题模型
• 2.5.1 模型的输入
• 2.5.2 模型的输出
• 2.5.3 调度目标
• 2.5.4 模型中的约束条件
• 2.6 本章小结
• 第3章 基于模糊神经网络的不确定性因素评估
• 3.1 引言
• 3.2 航天器观测的不确定性来源及分类
• 3.2.1 系统固有的不确定性
• 3.2.2 内部环境变化引起的不确定性
• 3.2.3 外部环境变化引起的不确定性
• 3.2.4 离散不确定性
• 3.2.5 航天器观测调度中的不确定性因素
• 3.3 航天观测中的不确定性描述
• 3.4 航天器观测中不确定性特点分析
• 3.5 基于模糊神经网络的不确定性扰动程度评估
• 3.5.1 扰动评估问题的提出与本质分析
• 3.5.2 参数模糊化
• 3.5.3 参数模糊化实例
• 3.5.4 神经网络
• 3.6 算例分析
• 3.6.1 算例设置
• 3.6.2 网络训练
• 3.6.3 算例检验
• 3.7 本章小结
• 第4章 基于FNN 的航天器观测重调度策略
• 4.1 引言
• 4.2 动态不确定性因素的处理
• 4.2.1 鲁棒调度
• 4.2.2 适应性调度
• 4.2.3 动态不确定环境下的航天器调度问题求解
• 4.3 常规重调度策略
• 4.3.1 周期性重调度
• 4.3.2 事件驱动型重调度
• 4.3.3 混合型重调度
• 4.4 面向航天观测调度的基于FNN 的混合重调度策略
• 4.4.1 现有重调度策略的不足
• 4.4.2 一种改进型混合重调度策略
• 4.4.3 基于模糊神经网络的混合重调度策略实现
• 4.5 算例分析
• 4.6 本章小结
• 第5章 一种面向航天器观测调度的基于自适应混合优化的生成式重调度方法
• 5.1 引言
• 5.2 航天器观测调度问题的本质及难点
• 5.3 航天器观测调度问题模型的具体设计与改进
• 5.3.1 时间窗口离散化
• 5.3.2 节点表示方法设计
• 5.4 遗传-蚁群混合优化及其在航天器观测调度问题中的应用
• 5.4.1 遗传算法简介
• 5.4.2 蚁群算法简介
• 5.4.3 混合优化方法
• 5.4.4 遗传--蚁群混合优化
• 5.4.5 用于航天器观测调度问题求解的基本蚁群算法描述
• 5.5 基于参数自适应的改进混合优化算法
• 5.5.1 信息素强度Q 的自适应调节
• 5.5.2 挥发系数ρ的自适应调节
• 5.5.3 自适应混合蚁群优化算法
• 5.6 AHACO 算法求解生成式重调度问题的算例分析
• 5.7 本章小结
• 第6章 基于局部信息素调整的修正式重调度算法
• 6.1 引言
• 6.2 问题描述
• 6.3 基于时间约束的受影响任务统计
• 6.3.1 受直接影响的任务统计
• 6.3.2 受间接影响的任务统计
• 6.3.3 基于时间约束的受影响任务统计算法
• 6.4 基于AHACO 的全局修正式重调度
• 6.5 数值计算及分析
• 6.6 本章小结
• 结论
• 参考文献
• 攻读学位期间发表的学术论文
• 致谢