基于分布式协同进化的星座自主任务规划算法

第４４卷　第５期系统工程与电子技术
Ｖｏｌ．４４　Ｎｏ．５
２０２２年５月ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａ
ｎｄＥｌｅｃｔｒｏｎｉｃｓＭａｙ ２
０２２文章编号：１００１ ５０６Ｘ（２０２２）０５ １６００ ０９　网址：ｗｗｗ．ｓｙ
ｓ ｅｌｅ．ｃｏｍ收稿日期：２０２１０９２２；修回日期：２０２１１１２４；网络优先出版日期：２０２２０１１９。

网络优先出版地址：ｈｔｔｐ
ｓ：∥ｋｎｓ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／１１．２４２２．ＴＮ．２０２２０１１９．１１４０．００８．ｈｔｍｌ基金项目：国家自然科学基金（７２０７１０６４）资助课题 通讯作者．
引用格式：高天 ，胡笑旋，夏维．基于分布式协同进化的星座自主任务规划算法［Ｊ］．系统工程与电子技术，２０２２，４４（５）：１６００ １６０８．犚犲犳犲狉犲狀犮犲犳狅狉犿犪狋：ＧＡＯＴＹ，ＨＵＸＸ，ＸＩＡＷ．Ｃｏｎｓｔｅｌｌａｔｉｏｎａｕｔｏｎｏｍｏｕｓｍｉｓｓｉｏｎｐｌａｎｎｉｎｇａｌｇ
ｏｒｉｔｈｍｂａｓｅｄｏｎｄｉｓｔｒｉｂｕｔｅｄｃｏ ｅｖｏｌｕｔｉｏｎ［Ｊ］．ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａ
ｎｄＥｌｅｃｔｒｏｎｉｃｓ，２０２２，４４（５）：１６００ １６０８．基于分布式协同进化的星座自主任务规划算法
高天 １，
２， ，胡笑旋１，２，夏　维１，２（１．合肥工业大学管理学院，安徽合肥２３０００９；２．过程优化与智能决策教育部重点实验室，安徽合肥２３０００９）
摘　要：星座协同自主任务规划是卫星自主化管理与控制技术中的重要一环。

首先，
提出了一种分布式星座协同迭代优化策略，星座内各星作为独立智能体通过“接收”“更新”“发布”的三阶段协作行为共同参与对整体任务方案的协调寻优。

其次，在该策略的基础上设计了一种分布式协同进化算法，通过分布于不同卫星的多个亚种群在信息交互中并行进化以持续优化各星方案组合。

最后，在Ｓ６９８ＰＭ嵌入式开发环境下进行仿真实验，通过与贪婪算法、集中式遗传算法以及ＣＰＬＥＸ的对比测试，验证了所提方法在恶劣通信环境下与大规模问题中的适用性和有效性。

关键词：遥感星座；自主规划；分布式；协同进化中图分类号：Ｖ１９ 文献标志码：Ａ 犇犗犐：１０．１２３０５／ｊ．
ｉｓｓｎ．１００１ ５０６Ｘ．２０２２．０５．２１犆狅狀狊狋犲犾犾犪狋犻狅狀犪狌狋狅狀狅犿狅狌狊犿犻狊狊犻狅狀狆犾犪狀狀犻狀犵犪犾犵
狅狉犻狋犺犿犫犪狊犲犱狅狀犱犻狊狋狉犻犫狌狋犲犱犮狅 犲狏狅犾狌狋犻狅狀
ＧＡＯＴｉａｎｙａｎｇ１，２， ，ＨＵＸ
ｉａｏｘｕａｎ１，２，ＸＩＡＷｅｉ１，２（１．犛犮犺狅狅犾狅犳犕犪狀犪犵犲犿犲狀狋，犎犲犳犲犻犝狀犻狏犲狉狊犻狋狔狅犳犜犲犮犺狀狅犾狅犵狔，犎犲犳犲犻２３０００９，犆犺犻狀犪；２．犓犲狔犔犪犫狅狉犪狋狅狉狔狅犳
犘狉狅犮犲狊狊犗狆狋犻犿犻狕犪狋犻狅狀犪狀犱犐狀狋犲犾犾犻犵犲狀狋犇犲犮犻狊犻狅狀 犿犪犽犻狀犵，犕犻狀犻狊狋狉狔狅犳犈犱狌犮犪狋犻狅狀，犎犲犳
犲犻２３０００９，犆犺犻狀犪） 犃犫狊狋狉犪犮狋：Ｃｏｎｓｔｅｌｌａｔｉｏｎｃｏｌｌａｂｏｒａｔｉｖｅａｕｔｏｎｏｍｏｕｓｍｉｓｓｉｏｎｐｌａｎｎｉｎｇｉ
ｓａｎｉｍｐｏｒｔａｎｔｐａｒｔｏｆｓａｔｅｌｌｉｔｅａｕｔｏｎｏｍｏｕｓｍａｎａｇｅｍｅｎｔａｎｄｃｏｎｔｒｏｌｔｅｃｈｎｏｌｏｇｙ．Ｆｉｒｓｔｌｙ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｄｉｓｔｒｉｂｕｔｅｄｃｏｎｓｔｅｌｌａｔｉｏｎｃｏｌｌａｂｏｒａｔｉｖｅｉｔｅｒａｔｉｖｅｏｐｔｉｍｉｚａｔｉｏｎｓｔｒａｔｅｇｙ，ｉｎｗｈｉｃｈｅａｃｈｓａｔｅｌｌｉｔｅｉｎｔｈｅｃｏｎｓｔｅｌｌａｔｉｏｎｐａｒｔｉｃｉｐ
ａｔｅｓｉｎｔｈｅｃｏｏｒｄｉｎａｔｅｄｏｐｔｉｍｉｚａｔｉｏｎｏｆｔｈｅｓｙｓｔｅｍｍｉｓｓｉｏｎｐｌａｎａｓａｎｉｎｄｅｐｅｎｄｅｎｔａｇｅｎｔｔｈｒｏｕｇｈｔｈｅｔｈｒｅｅ ｐｈａｓｅｃｏｏｐ
ｅｒａｔｉｖｅｂｅｈａｖｉｏｒｏｆ“ｒｅｃｅｉｖｅ”，“ｕｐｄａｔｅ”，ａｎｄ“ｒｅｌｅａｓｅ”．Ｓｅｃｏｎｄｌｙ，ａｄｉｓｔｒｉｂｕｔｅｄｃｏ ｅｖｏｌｕｔｉｏｎａｌｇｏｒｉｔｈｍｉｓｄｅｓｉｇ
ｎｅｄｏｎｔｈｅｂａｓｉｓｏｆｔｈｉｓｓｔｒａｔｅｇｙ，ｗｈ
ｉｃｈａｌｌｏｗｓｍｕｌｔｉｐｌｅｓｕｂ ｐｏｐｕｌａｔｉｏｎｓｄｉｓｔｒｉｂｕｔｅｄｏｎｄｉｆｆｅｒｅｎｔｓａｔｅｌｌｉｔｅｓｔｏｐａｒａｌｌｅｌｌｙｅｖｏｌｖｅｗｉｔｈｉｎｆｏｒｍａｔｉｏｎｉｎｔｅｒａｃｔｉｏｎｓａｎｄｃｏｎｔｉｎｕｏｕｓｌｙｏｐｔｉｍｉｚｅｔｈｅｃｏｍｂｉｎａｔｉｏｎｏｆｐｌａｎｓｆｏｒｅａｃｈｓａｔｅｌｌｉｔｅ．Ｆｉｎａｌｌｙ，ｔｈｉｓｐａｐｅｒｃｏｎｄｕｃｔｓｓｉｍｕｌａｔｉｏｎｅｘｐｅｒｉｍｅｎｔｓｉｎｔｈｅＳ６９８ＰＭｅｍｂｅｄｄｅｄｄｅｖｅｌｏｐｍｅｎｔｅｎｖｉｒｏｎｍｅｎｔ．Ｔｈｒｏｕｇｈｃｏｍｐａｒａｔｉｖｅｔｅｓｔｓｗｉｔｈｔｈｅｇｒｅｅｄｙａｌｇｏｒｉｔｈｍ，ｔｈｅｃｅｎｔｒａｌｉｚｅｄｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍａｎｄＣＰＬＥＸ，ｔｈｅａｐｐｌｉｃａｂｉｌｉｔｙａｎｄｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｉｎｈａｒｓｈｃｏｍｍｕｎｉｃａｔｉｏｎｅｎｖｉｒｏｎｍｅｎｔｓａｎｄｌａｒｇｅ ｓｃａｌｅｐｒｏｂｌｅｍｓａｒｅｖｅｒｉｆｉｅｄ．犓犲狔狑狅
狉犱狊：ｒｅｍｏｔｅｓｅｎｓｉｎｇｃｏｎｓｔｅｌｌａｔｉｏｎ；ａｕｔｏｎｏｍｏｕｓｐｌａｎｎｉｎｇ；ｄｉｓｔｒｉｂｕｔｅｄ；ｃｏ ｅｖｏｌｕｔｉｏｎ０　引　言对地观测卫星，即遥感卫星，是一种广泛应用于地面勘探、环境监测、气象预测、军事侦查等重要领域的战略资源。

在传统遥感卫星系统应用过程中，卫星任务规划通常在地面进行，
在应对突发需求时制定的新方案往往需要等待下一次卫星过境测控站才能上注执行，这极大地限制了遥感卫星系统的响应速度［１２］。

随着星载计算能力的提升，卫星任务规划自主化成为了可能，自主化即减弱卫星运行对地面系统的依赖，将任务规划运算交由星载芯片进行，能一定
　第５期
高天 等：基于分布式协同进化的星座自主任务规划算法·１６０１　·
　程度摆脱测控可见性的限制［３４］。

当前，遥感卫星系统不断由多星向星群、
星座发展，其星间协作关系愈加密切，星座协同自主任务规划逐渐成为自主化卫星管理与控制方法的主要发展方向［５］。

星座协同自主任务规划旨在为不同物理结构的星座系统设计采用不同组织结构的协同策略与相应的优化算法，从而令星座内各星互相协同合作以共同制订整体任务执行方案。

自主协同星座的组织结构主要可分为全集中式、集中协调式、并行集中式（部分分布式）与全分布式４类，其中前三者可以被归纳为层级化结构［６］。

文献［７８］面向主从结构星座系统，设计了一种全集中式混合动态变异遗传算法与两种重规划方法，其方案由主星规划形成并分发至各从星执行。

文献［９］提出了一种集中协调式规划策略，先由主星将任务信息广播至各从星，各从星评估自身观测能力与成本形成报告返还主星，最终由主星选定各任务执行星。

文献［１０］
提出了一种多维多智能体协作模型，主星使用基于合同网协议的分配方法，通过公告、招标、授予等步骤对各从星进行任务分配与重分配。

在层级化结构中，各星被
分为主星与从星两种角色，主星负责对系统进行统筹规划并主持星间协调过程，从星被动地接收来自主星的筹划结果、进行自我方案规划并参与协调过程。

采用层级化结构的方法具有清晰的规划流程，能快速形成有效方案，但由于其流程围绕主星节点开展，对其的计算能力与通信环境的要求较高，因此主要应用于拥有高算力节点或稳定通信总线的星座系统。

在采用层级化结构的自主星座中，当主星遭遇意外而失效时，整个系统将陷入瘫痪，而采用全分布式结构则可避免此类问题。

文献［１１１２］
将主星损坏后星座内剩余各从星看作多个互相通信与协商的独立智能体，并分别对其效用函数进行识别，提出了基于效用的后悔博弈、烟雾信号博弈和基于广播的博弈作为分布式协商策略，并改进混合动态变异遗传算法以使其适用于分布式优化环境。

文献［１３］设计了一种多星智能体协调协商任务分配算法，率先收到任务信息的卫星向其所有邻近星广播以构成群组，群组内各星首先评估自身对各任务的执行意向，随后共同进入一种基于最大增益信息算法的分布式协调迭代优化过程以形成最终分配方案。

文献［１４１５］提出了一种基于任务联盟
构建的星间协作方法，各星智能体通过基于信任度的知识
传播策略以不断传递已知任务信息与他星执行意向信息，并据此改进自身意向以优化整体任务分配方案。

在全分布
式结构中，各星作为平等个体共同参与协调优化过程，通过积极的通信交互以对任务分配进行协调并生成相应的执行方案。

采用全分布式结构的方法可利用不同星间的通信能力组成信息网络以支持其协调过程，从而使各星承担的通信与计算压力更加平均，适用于不具备强算力节点或星间通信能力不稳定的星座系统。

基于上述分析，本文进一步探究全分布式结构方法对各星计算资源的运用方式，提出了一种全分布式星座协同
迭代优化策略，将制定多星整体方案的总问题转换为多个制订单星方案的分问题。

在该策略中，各星被看作为独立
智能体，通过“接收”“更新”“发布”的三阶段协作行为在相
应分问题解空间中探索总问题的优质解。

在此基础上，本文设计了一种分布式多智能体合作式协同进化遗传算法，该算法对不同卫星方案进行编码形成多个亚种群，利用不同自主卫星的计算资源实现各亚种群并行进化，并通过各亚种群特征信息的传播与接受过程来协调任务在各星间的分配。

同时，设计了一种包含时间窗间重叠度因素与自适应机制的适应度函数，能够有效引导各亚种群共同朝着提
升整体方案质量的方向进化，
进一步增强算法的寻优能力。

最后，本文在Ｓ６９８ＰＭ嵌入式开发环境下进行仿真实验，结果表明，所提出方法在小规模问题中能求得与ＣＰＬＥＸ效果相当的优质解，在大规模问题中表现出比贪婪算法与集中式遗传算法更强的优化能力，同时在恶劣通信环境下展现出良好的适应性，适用于不同拓扑结构的星座系统。

１　问题描述在一个由多颗自主遥感卫星组成的星座系统中，各星除了基本的观测与通信能力外，还都拥有一定的星载算力，且具有计算任务目标访问时间窗的功能。

如图１所示，当一批待观测任务集合信息以地面上注或星上自生成等方式到达星座中任一卫星，该星作为规划发起星，需要调动星座内的其他卫星与其共同针对该任务集合进行分配与规划，以求整体方案中的被执行的任务权重的总和最大。

该任务集合中包含一定数量的地面点目标，对其中任一目标的观测都需要占用一颗遥感卫星的一段工作时间，且执行时间段必须在该卫星对目标的可见时间窗内。

图１　遥感星座自主协同任务规划流程Ｆｉｇ．１　Ａｕｔｏｎｏｍｏｕｓｃｏｌｌａｂｏｒａｔｉｖｅｍｉｓｓｉｏｎｐｌａｎｎｉｎｇｐｒｏｃｅｓｓｏｆｒｅｍｏｔｅｓｅｎｓｉｎｇｃｏｎｓｔｅｌｌａｔｉｏｎ１．１　概念定义
（１）任务：犜＝｛狋１，狋２，…，狋犻，
…，狋犖犜｝表示一批刚到达的待规划任务集合，犖犜为集合中任务的数量，其中每一个任务狋犻可以通过一个二元组狋犻＝（ｔｖ犻，犱犻）表示，犻为任务序号，ｔｖ犻表示该任务的权重，
犱犻表示该任务所需观测持续时间。

（２）卫星：犛＝｛狊１，狊２，…，狊犼，
…，狊犖犛
｝表示星座系统中所有卫星的集合，犖犛为集合中卫星的数量。

　·１
６０２　·系统工程与电子技术第４４卷 （３）时间窗：ＴＷ犻＝｛ＴＷ犻１，ＴＷ犻２，…，ＴＷ犻犼，…，ＴＷ犻犖犛
｝
表示任务目标狋犻的可见时间窗集合，其中ＴＷ犻犼＝｛ｔｗ１犻犼
，ｔｗ２犻犼，…，ｔｗ犪犻犼，…，ｔｗ犖ＴＷ
犻
犼犻犼｝表示任务目标狋犻在卫星狊犼上的可见时间窗集合，犖ＴＷ犻犼为其总数，其中ｔｗ犪犻犼＝（ｗｓ犪犻犼，ｗｅ犪犻犼）表示
任务目标狋犻在卫星狊犼上的第犪个时间窗，其中ｗｓ犪犻犼
为其开始时间，ｗｅ犪犻犼为其结束时间。

１．２　多星任务规划问题模型
根据上述定义对星座内的多星任务规划问题进行建模，
可得模型如下：（１）决策变量
①狓犪犻犼（犻
∈犖犜，犼∈犖犛，犪∈犖ＴＷ犻犼）表示任务犻是否被规划执行的决策变量，当任务目标狋犻在卫星狊犼的第犪个时间
窗被观测时狓犪犻犼＝１，否则狓犪犻犼
＝０。

②ｔｓ犪犻犼（犻∈犖犜，犼∈犖犛，犪∈犖ＴＷ犻犼）表示卫星狊犼对任务目标狋犻在第犪个时间窗观测开始时间的连续变量，而ｔｅ犪犻犼＝ｔｓ犪犻犼＋犱犻表示其结束时间，ｔｓ犪犻犼的取值范围为［ｗｓ犪犻犼，ｗｅ犪犻犼－犱犻］，且仅当狓犪犻犼＝１时有意义。

（２）目标函数在系统整体执行方案中所有被安排执行的任务的总权重之和最大。

ｍａｘＴＶ＝∑犖犜犻＝１∑犖犛犜
犼＝１∑犖ＴＷ犻犼
犪＝１
（狓犪犻犼·ｔｖ犻）（１） （３）约束条件∑犖犛犼＝１∑犖ＴＷ犻犼犪＝１狓犪犻犼≤１，犻∈犖犜（２）狓狆狌犼·狓狇狏犼·（犱狌＋ｔｓ狆狌犼－ｔｓ狇狏犼）·（犱狏＋ｔｓ狇狏犼－ｔｓ狆狌犼）≤０，狌≠狏∈犖犜；犼∈犖犛；狆∈ＴＷ狌犼；狇∈ＴＷ狏犼
（３）狓犪犻犼·（ｔｓ犪犻犼－ｗｓ犪犻犼）≥０狓犪犻
犼·（ｗｅ犪犻犼－犱犻－ｔｓ犪犻犼）≥烅烄烆０， 犻∈犖犜；犼∈犖犛；犪∈ＴＷ狌犼（４）其中，式（２）表示每个观测任务最多只能被执行一次；式（３）表示同一卫星对先后两个任务的观测持续时间不能有重叠；式（４）表示每个任务执行持续时间必须在其可见时间窗内。

１．３　全分布式环境下单星规划分问题在全分布式环境下，受限于全局信息（他星任务可见性与初始执行状态）的缺失，单星智能体在协调优化过程中对
星座内多星任务规划问题的探索能力仅限于对自身规划方案进行调整。

如图２所示，将制定多星整体方案的总问题转化为多个制订单星方案的分问题并分别交由对应各星智能体进行独立探索。

各分问题模型仅包含与本星方案相关的决策变量，其余变量则通过读取他星方案作为已知常量输入，而目标函数与约束条件则与总问题相同。

将各分问题的解组合即可形成总问题的解，各星通过探索不同的单星方案组合以对整体方案进行寻优。

图２　总问题与分问题关系Ｆｉｇ．２　Ｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｇｅｎｅｒａｌｐｒｏｂｌｅｍａｎｄｓｕｂ ｐｒｏｂｌｅｍｓ在上述协调优化过程中，为了保证任务能够有效地从劣解星方案转移至优解星方案，当一颗卫星在已知他星规划方案中已包含某任务时，仍需要考虑自身是否能够更好地胜任该任务。

因此，为了细化对分问题模型的描述，引入一个代表各卫星智能体任务执行意向的决策变量狕犪犻犼（犻∈犖犜，犼∈犖犛，犪∈犖ＴＷ犻犼），当在卫星狊犼提出在其第犪个时间窗观测任务目标狋犻时狕犪犻犼＝１，否则狕犪犻犼
＝０。

同时，为了能在不同卫星对同一任务提出的冲突执行方案中作出取舍，需要对同一任务在不同卫星不同时间窗上执行的优劣程度进行比较。

在文献［１６１８］中，时间窗
间的重叠程度被作为选择任务执行时间的依据，类似地，可为每个时间窗ｔｗ犪犻犼引入函数值：ｒｐａ（ｔｗ犪犻犼）＝∑狌∈犜狌≠犻∑狆∈ＴＷ狌犼ｏｖｅｒｌａｐ（ｔｗ犪犻犼，ｔｗ狆狌犼）＞０ｏｖｅｒｌａｐ（ｔｗ犪犻犼，ｔｗ狆狌犼）ｗｅ狆狌犼－ｗｓ狆狌犼·ｔｖ［］
狌ｃｏｕｎｔ（ＴＷ犼）－ｃｏｕｎｔ（ＴＷ犻犼）ｏｖｅｒｌａｐ（ｔｗ犪犻犼，ｔｗ狆狌犼）＝ｍｉｎ（ｗｅ犪犻犼，ｗｅ狆狌犼）－ｍａｘ（ｗｓ犪犻犼，ｗｓ狆狌犼烅烄烆）（５） 式（５）表示若时间窗ｔｗ犪犻犼中安排的任务被剔除，其空出的时间段被安排进其他任务的权重期望，可称之为时间窗ｔｗ犪犻
犼的“可被替代性”。

从直观上来看，ｒｐａ（ｔｗ犪犻犼）的值越低则任务犻被安排至的时间窗ｔｗ犪犻
犼越合适。

如此，在协调优化过程中，各星统一将ｒｐａ（ｔｗ犪犻犼）作为任务狋犻执行方案的择优标准，那么狓犪犻犼与狕犪犻犼之间的对应关系如下所示：狓犪犻犼＝狕犪犻犼，ｒｐａ（ｔｗ犪犻犼）＝ｍｉｎ｛ｒｐａ（ｔｗ狆犻狏）｜狏∈犖犛，狆∈ＴＷ犻狏，狕狆犻狏＝１｝０，烅烄烆否则（６）２　分布式协同规划算法针对上述遥感星座自主协同任务规划问题，本文设计了一整套的全分布式协同优化策略与相应规划算法，本节将对其进行具体描述。

２．１　全分布式星座协同迭代优化策略
受启发于文献［１９］中描述的分布式多智能体组合优化启发式（ｃｏｍｂｉｎａｔｏｒｉａｌｏｐｔｉｍｉｚａｔｉｏｎｈｅｕｒｉｓｔｉｃｆｏｒｄｉｓｔｒｉｂｕｔｅｄａｇ
ｅｎｔｓ，ＣＯＨＤＡ）算法，本文设计了一种基于“接收”“更新”
　第５期
高天 等：基于分布式协同进化的星座自主任务规划算法·１６０３　· “发布”的三阶段协作行为的全分布式星座协同迭代优化策略，如图３所示。

图３　星间协同交互流程
Ｆｉｇ．３　Ｐｒｏｃｅｓｓｏｆｉｎｔｅｒ ｓａｔｅｌｌｉｔｅｃｏｌｌａｂｏｒａｔｉｖｅｉｎｔｅｒａｃｔｉｏｎ其主要流程如下。

步骤１　发起星将任务集合信息广播至星座内其余各星，各星随即针对任务集合进行自我规划形成本星初始方案并储存至本星方案集，系统进入方案优化阶段。

步骤２　在方案优化阶段中，各星不断循环进行以下三阶段行为：①向星座内其余各星发送本星方案集中的方案；②将从他星接受到的最新方案储存至本星方案集；③根据方案集中的他星最新方案优化更新自身方案并储存至本星方案集，
随后返回阶段①。

步骤３　当到达预设的运行时限后，方案优化阶段结束，此时各星上储存的方案集内容均相同，都包含各星最新提出的本星方案，但不同星方案之间仍可能存在重复执行冲突；各星对其进行规则统一的冲突消解后形成最终整体方案。

２．２　多智能体合作式协同进化遗传算法基于上述全分布式星座协同迭代优化策略，本文设计了一种多智能体合作式协同进化遗传算法（ｄｉｓｔｒｉｂｕｔｅｄａｇ
ｅｎｔ ｃｏｌｌａｂｏｒａｔｉｖｅｃｏｅｖｏｌｕｔｉｏｎｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ，ＤＡ ＣＣＧＡ），ＣＣＧＡ［２０］是传统遗传算法的变体，其使用多个并行进化的亚种群将对复杂问题的优化搜索过程分解为对多个较简单的分问题并行搜索，具有对分布式计算环境的先天适应性［２１］。

ＤＡ ＣＣＧＡ由ＣＣＧＡ融合上述全分布式优化策略而形成，
令代表不同星方案的亚种群分布于相应星上，
各星亚种群相对独立地进化以探索本星方案分问题，并通过交换种群特征信息以辅助适应度评价过程。

ＤＡ ＣＣＧＡ如算法１所示。

算法１　ＤＡ ＣＣＧＡ
输入：卫星集合犛；本星编号ｓｉｄ；待规划元任务集合犜；待规划任务的本星时间窗集合ＴＷｓｉｄ；传播周期犘ｓｐｒｅａｄ；规划运行时限Ｐｔｍａｘ输出：最终整体规划方案犘
１初始化最优印象集犐 ｓｉｄ与抽样印象集犐ｓａｍｓｉｄ
２初始化本星初始亚种群犘０ｓｉｄ←
ｉｎｉｔ（ＴＷｓｉｄ）３计算初始亚种群适应度ｅｓｔｉｍａｔｅ（犘０ｓｉｄ，犐 ｓｉｄ，犐ｓａｍｓｉｄ）４向他星传播印象集ｓｐｒｅａｄ（犘０ｓｉｄ，犐 ｓｉｄ，
犐ｓａｍｓｉｄ）５初始化代数计数犵←１６Ｗｈｉｌｅ当前运行耗时ｐｔ＜Ｐｔｍａｘｄｏ
７ 接受他星印象集信息ｒｅｃｉｅｖｅ（犚ｇ－１ｓｉｄ，犐 ｓｉｄ，犐ｓａｍｓｉｄ
）８ Ｉｆ本星印象集发生变化ｔｈｅｎ
９ 重新计算亚种群适应度ｅｓｔｉｍａｔｅ（犘ｇ－１ｓｉｄ）
１０　选择子代父类个体集合犘′ｇ－１ｓｉｄ←ｓｅｌｅｃｔ（犘ｇ－１ｓｉｄ）
１１　交叉算子犘′ｇ－１ｓｉｄ←ｃｒｏｓｓｏｖｅｒ（犘′ｇ－１ｓｉｄ）１２　变异算子犘′ｇ－１ｓｉｄ←ｍｕｔａｔｅ（犘′ｇ－１ｓｉｄ）
１３　更新形成新亚种群犘ｇｓｉｄ←ｕ
ｐｄａｔｅ（犘ｇ－１ｓｉｄ，犘′ｇ－１ｓｉｄ）１４　Ｉｆ距上次传播已经过的时间ｌｓ＞犘ｓｐｒｅａｄｔｈｅｎ
１５ 向他星传播印象集ｓｐｒｅａｄ（犘０ｓｉｄ，犐 ｓｉｄ，犐ｓａｍｓｉｄ
）１６　增加代数计数犵←犵＋１１７Ｅｎｄｗｈｉｌｅ１８从最优印像集中提取最终方案犘 ←ｅｘｔｒａｃｔ（犐 ｓｉｄ）
１９Ｒｅｔｕｒｎ犘 （１）染色体编码与解码如图４所示，各亚种群中的染色体均为以时间维度作为定位标准的不定长序列编码，染色体中一个基因位即表
示一个任务的执行时间段，其中ｔｓ犪犻犼与ｔｅ犪犻犼
分别为执行开始与执行结束时间，单条染色体（个体）代表了单个卫星在规划时域内的方案，来自各星亚种群的染色体可共同组成一
Ｆｉｇ．４　Ｄｉａｇｒａｍｏｆｃｈｒｏｍｏｓｏｍｅｅｎｃｏｄｉｎｇａｎｄｄｅｃｏｄｉｎｇ
　·１
６０４　·系统工程与电子技术第４４卷 （２）印象集在ＤＡ ＣＣＧＡ中，各星储存的方案集被扩充为“印象
集”，即本星记录的对他星亚种群特征个体的印象，包括“最优印象集”，即已知最新的各亚种群最优方案个体集合，与“抽样印象集”，即已知最新的从各亚种群随机抽取的方案个体集合。

印象集中的所有方案个体均依据“最后更新时间戳”进行管理。

各星通过不断地传播、接收、更新再传播印象集信息，以满足各亚种群在进行适应度评价时对他星方案信息的需求。

（
３）适应度函数如图５所示，各星亚种群中单条染色体的适应度值为其与他星染色体组成的整体方案的计算值
，计算函数如下：犳（Ｓｃｈｅｍｅ）＝∑犖犜犻＝１∑犖犛犼＝１∑犖ＴＷ犻犼犪＝１
［狓犪犻犼·ｔｖ犻＋（狕犪犻犼－狓犪犻犼）·α·ｒｐａ（ｔｗ犪犻犼）］＝∑犖犜犻＝１∑犖犛犼＝１∑犖
ＴＷ犻犼犪＝１［狓犪犻犼·（ｔｖ犻－α·ｒｐａ（ｔｗ犪犻犼））＋狕犪犻犼·α·ｒｐａ（ｔｗ犪犻犼）］（７
）
Ｆｉｇ．５　Ｄｉａｇ
ｒａｍｏｆｃｈｒｏｍｏｓｏｍｅｆｉｔｎｅｓｓｃａｌｃｕｌａｔｉｏｎ其中α∈［０，１］为对控制ｒｐａ（ｔｗ犪犻犼）对适应度的影响程度系
数，当α＝０时，适应度函数即等于式（１）中的目标函数。

α具有一个初始值，如０．５，在算法运行过程中，每经过一段固定时长，如３０ｓ，若仍未出现新的最优适应度个体，则削弱影响程度系数α←α·β，其中β为固定削弱系数，如０．８。

（４）适应度评价过程
在对亚种群中某方案个体狆犼进行适应度评价时，首先将其与最优印象集中储存的他星方案组合形成整体方案
Ｓｃｈｅｍｅ 犼，计算犳（Ｓｃｈｅｍｅ 犼
），再将其与抽样印象集中储存的他星方案组合形成整体方案Ｓｃｈｅｍｅｓａｍｐｌｅ犼，计算犳（Ｓｃｈｅｍｅｓａｍｐｌｅ犼）。

则个体狆犼
的适应度值为ｆｉｔｎｅｓｓ（狆犼）＝ｍａｘ｛犳（Ｓｃｈｅｍｅ 犼），犳（Ｓｃｈｅｍｅｓａｍｐｌｅ犼）
｝（８
）同时，设当前最优印象集中整体最优方案为Ｓｃｈｅｍｅ ，
若ｆｉｔｎｅｓｓ（狆犼）＞犳（Ｓｃｈｅｍｅ ），则需将其对应的整体方案Ｓｃｈｅｍｅ 犼或Ｓｃｈｅｍｅｓａｍｐｌｅ犼
更新至最优印像集中作为新的整体最优方案个体。

（５）亚种群协作策略
各星智能体为了引导本星亚种群向正确的方向进化，需要不断了解其他星种群中个体的最新特征以辅助适应度评估过程，主要包括向他星传播种群特征与接受来自他星的种群特征。

如图６所示，传播种群特征即向所有邻近星发送本星储存的印象集信息，在每次发送前需要随机从本星亚种群中抽取的一个方案个体以更新本星抽样印象集。

而接受种群特征即接收来自他星的印象集信息并根据其时间戳更新
本星印象集，
若接收后本星印象集发生变化则需重新计算本星亚种群内所有个体的适应度。

６　Ｆｉｇ．６　Ｄｉａｇｒａｍｏｆｃｈａｒａｃｔｅｒｉｓｔｉｃｉｍａｇｅｓｐｒｅａｄａｎｄｒｅｃｅｐ
ｔｉｏｎ
　第５期
高天 等：基于分布式协同进化的星座自主任务规划算法·１６０５　·
（
６）交叉与变异如图７所示，交叉算子随机作用于两条父染色体的同一时间维度点，将两条父染色体中执行开始时间晚于交叉时间点的基因位（
即执行任务）交换得到交叉后的子染色体；该子染色体方案可能存在任务重复执行与执行时间重叠两类冲突，保留各组冲突中ｒｐａ（ｔｗ犪犻犼）值最低的基因位，
去除其余较高的以得到无冲突的子染色体；尝试在上述去除冲突过程中空出
的时间段内重新插入执行任务得到最终修复后的子染色体。

ｏｍｏｓｏｍｅｃｒｏｓｓｉｎｇ
如图８所示，
变异算子随机作用于染色体的某个基因位上，
将该基因位的执行任务去除后尝试重新插入除任务以外的任务后得到变异后的染色体。

（７）最终整体方案提取如图９所示，当方案优化阶段结束后，对比最优印象集中各星最优染色体间具有相同任务编号的基因位，将可替
代性值ｒｐａ（ｔｗ犪犻犼）最小的保留，其余的删除；然后将剩余的基因位根据ｔｓ犪犻犼与ｔｅ犪犻犼
值映射至时间轴形成整体方案。

图８　染色体变异示意图
Ｆｉｇ．８　Ｄｉａｇ
ｒａｍｏｆｃｈｒｏｍｏｓｏｍｅｍｕｔａｔｉｏ
ｎ３　仿真实验分析
为了验证本文所提出的方法的适用性与有效性，本节
使用Ｓ６９８ＰＭ嵌入式开发环境模拟星座系统中分布式星载算力以对其自主任务规划过程进行仿真实验，该星座由５颗自主遥感卫星组成，其中２颗为中轨卫星，其余３颗为低轨。

实验模拟五星星座在一定规划运行时限内对一定规模任务集合在特定规划时域内的方案进行自主规划，规划使用的任务点目标坐标数据为随机生成，其可见时间窗数据由仿真软件模拟计算。

３．１　参数与通信环境敏感性测试
为了测试部分重要参数与星间通信环境变化对于ＤＡ ＣＣＧＡ效能的影响，使用相应不同设置的多组实验进行对比分析，每组重复运行５０次并计算平均目标函数值，在测试中，待规划任务数量为１０００，规划时域长度为１２ｈ，
规划运行时限为３０ｍｉｎ（１８００ｓ）。

（１）传播周期影响
在ＤＡ ＣＣＧＡ中，
由于各亚种群的适应度评价过程依赖于对其他亚种群特征信息的获取，故各卫星在优化过程中进行种群特征传播的频率变化必然会对算法效能造成影响，为探究其具体影响模式，设置不同传播周期时长的实验组进行对比，最终结果如图１０所示。

　·１
６０６　·系统工程与电子技术
第４４卷
Ｆｉｇ．１０　Ｒｅｓｕｌｔｏｆｓｐｒｅａｄｉｎｇｐ
ｅｒｉｏｄｖａｒｉａｔｉｏｎｔｅｓｔ可见，传播周期变化对算法效能的影响并非是单向的，过短或过长的传播周期均会降低算法的寻优能力与稳定性，这通常是因为过于频繁的传播与接收将导致各星反复对亚种群进行重新评估，在大量占用计算资源的同时过度限制各亚种群的搜索方向，妨碍了搜索过程的有效进行。

当传播周期适中（１５～２０ｓ
）时算法优化效能达到峰值，此时各星在整个规划过程中可向他星传播种群特征信息８９～
１１９次。

随后继续增加传播周期至４５０ｓ（传播４次）
，算法仍能以良好的稳定性得到满意解（与峰值的平均差距小于
１．１％），但当传播周期增加至６００ｓ（传播２次）以上时，在寻优能力降低的同时算法的稳定性也受到显著影响。

可见ＤＡ ＣＣＧＡ能以较低的星间通信频率到达接近高频率的效果，对恶劣的星间通信环境具有良好的适应性，但仍需要一定次数的星间通信以支持其各亚种群的有效进化。

（２）启发式因子影响
为了测试适应度函数中包含的启发式因子ｒｐａ（ｔｗ犪犻犼）对
ＤＡ ＣＣＧＡ算法寻优能力的影响，并确定最优的影响程度
系数α，
同时探究α适应性削减机制的作用效果，设置不同α初始值与不同削减时限的实验组进行对比，最终结果如图１１Ｆｉｇ．１１　Ｒｅｓｕｌｔｏｆｈｅｕｒｉｓｔｉｃｆａｃｔｏｒｉｎｆｌｕｅｎｃｅｄｅｇ
ｒｅｅｖａｒｉａｔｉｏｎｔｅｓｔ可见，相较于直接将目标函数值作为适应度（α＝０）
，在适应度函数中添加启发式因子ｒｐａ（ｔｗ犪犻犼）（
α≠０）可有效提升算法的寻优能力，
且影响程度系数α的最优初始值区间为０．４～０．６。

同时，适应性削减机制对具有较大α初始值（α＞０．
５）的实验组具有明显的提升效果，具有最优参数组合的实验组（初始值０．６，削减时限１０ｓ）的表现已经超过不削减组的峰值，故该适应性削减机制配合适当的α初始值能够有效提升算法的寻优效果。

（３）星间拓扑与通信能力影响
在现实应用环境中，不同星座系统在不同时刻可能拥有不同的星间拓扑结构与相应的通信能力，为了检验ＤＡ ＣＣＧＡ对不同通信环境的适应能力，设置以下通信拓扑场景，所有场景时长均为３０ｍｉｎ：①稳定通信环境场景
Ｓ：
其中一星与其他所有星之间可以稳定互相通信，其余星之间无法通信，
即星形拓扑结构；Ｃ：
所有卫星均可以稳定与左右两邻星互相通信通信以组成环形拓扑结构；
Ｌ：去除环形拓扑中某两星的相互通信能力以形成线形拓扑结构；
Ａ：所有卫星均可以稳定与任意另一星互相通信的网状拓扑结构。

②不稳定通信环境场景Ｍ：由仿真软件模拟计算出２０２１年１月１８日１８：００至２０２１年１月１８日１８：３０时间段内各星间真实可见性组成的不稳定通信环境场景；
Ｓ３０ Ａ３０：场景开始后的３０ｓ内为“Ｓ
”
，场景结束前的３０ｓ内为“Ａ”
，其余时间任意两星间均无法通信
；Ｓ１
Ａ３０：场景开始后的１ｓ内为“Ｓ”，场景结束前的３０ｓ
内为“Ａ
”
，其余时间任意两星间均无法通信。

使用以上通信环境设置不同实验组进行对比，最终结１２　Ｆｉｇ．
１２　Ｒｅｓｕｌｔｏｆｃｏｍｍｕｎｉｃａｔｉｏｎｅｎｖｉｒｏｎｍｅｎｔｖａｒｉａｔｉｏｎｔｅｓｔ。