基于蚁群算法的卫星地面站任务规划方法

本文中卫星地面站任务调度问题可描述为 ： 在调 基于卫星和地面站的可见时间约束， 以任 度区间内， ， 务总调度执行时间最长为目标 完成卫星地面站任务 调度。 1． 1 参数定义 卫星地面站任务调度问题包含以下参数 ： （ 1 ） 规划区间开始时间与结束时间分别表示为 Ts 和 Te ； （ 2 ） 存在 l 个可供使用的地面站， 用集合 Stat = ｛ stat1 ， stat2 ， …， stat l ｝ 表示； （ 3 ） 对于任一地面站， 其配备的天线数量为 p， 用
0806 收稿日期： 2012）， 作者简介： 金云忠（ 1986男， 浙江上虞人， 中国电子科技集团公司第十五研究所硕士研究生， 研究方向： 管理信息化； 高扬 （ 1962）， 男， 江苏扬州人， 研究员， 研究生导师， 硕士， 研究方向： 管理信息化。
12
计
算
机
与
现
代
化
2012 年第 12 期
Mission Planning Method of Satellite Ground Station Based on Ant Colony Algorithm
JIN Yunzhong，GAO Yang
（ The 15th Research Institute of China Electronics Technology Group Corporation，Beijing 100083 ，China） Abstract： There are an amount of visible windows between the satellite and the satellite group station． Only within the visible windows，the satellite group station can directly observe and operate the satellite． Therefore，it’ s an important issue that how to schedule the resources of group station reasonably to get the maximum usable time of visible windows． In this issue，the visible windows between the satellite and the satellite group station are defined as task set． The ant colony algorithm is applied to construct effective task scheduling sequence，to get the maximum execution time of tasks which means the maximum usable time of the visible windows． The experimental data show that with the ant colony algorithm can get excellent scheduling results，while s and the greedy algorithm． It can be seen，the algorithm can effectively these scheduling results are also better than the FCFS’ solve the mission planning of satellite ground stations． Key words： ant colony algorithm； satellite ground station； mission plan
k ij =
2
蚁群算法求解任务调度问题
蚁群算法是近几年优化领域应用比较广泛的智 能搜索算法， 该算法模拟蚂蚁觅食时的行为， 按照启 发式思想通过外激素的诱发作用逐渐收敛到问题的 ［6 ］ 全局最优解 。当前， 蚁群算法在一系列 NP 问题的 ［7 ］ 求解中取 得 良 好 结 果， 如 TSP 问 题 、 车间调度问 ［8 ］ 题 等。 鉴于此， 本文基于当前调度问题构建的调度模 型， 提出一种基于蚁群算法的卫星地面站任务调度方 法。其主要包含下列部分：
a2 ， …， a p ｝ 表示， 集合 Ante = ｛ a1 ， 天线转换时间均为 tc ； （ 4 ） 对于任一天线， 其最终被调度规划 r 次， 用集 au2 ， …， au r ｝ 表示， 对于第 e 次调度， 其 合 AU = ｛ au1 ， sau eau ； 开始和结束时间分别为 e和 e （ 5 ） 存在 m 颗可供使用的卫星， 用集合 Sate = ｛ sate1 ， sate2 ， …， sate m ｝ 表示； （ 6 ） 对于任一卫星， 其最终被调度规划 t 次， 用集 SU = ｛ su ， su ， … ， su ｝ ， f ， 合 1 2 t 表示 对于第 次调度 其开 始和结束时间分别为 ssu f 和 esu f ； （ 7 ） 卫星和地面站之间共存在 n 个可见窗口 （ 星 地仰角不小于 15 度 ） ， 将其视为待处理的任务集合， Task = ｛ t ， t ， … ， tn ｝ ， 表示为 任务持续时间用集合 1 2 TD = ｛ td1 ， td2 ， …， td n ｝ 表示， 对于第 j 个任务， 其开始 和结束时间分别为 st j 和 et j ； （ 8 ） 调度产生 s 组调度计划， 用集合 Plan = ｛ p1 ， p2 ， …， ps ｝ ， T 计划最短持续时间为 limit ， 对于第 k 组计 划， 其开始和结束时间分别为 sp k 和 ep k 。 1． 2 调度模型 模型说明：
2012 年第 12 期 2475 （ 2012 ） 12001105 文章编号： 1006-
计 算 机 与 现 代 化 JISUANJI YU XIANDAIHUA
总第 208 期
基于蚁群算法的卫星地面站任务规划方法
金云忠， 高 扬
( 中国电子科技集团公司第十五研究所， 北京 100083 ) 摘要： 卫星在运行过程中， 与地面站之间存在许多可见窗口， 只有在可见窗口之内， 地面站才能 直接 对 卫星 进行 观 测 和 操 作， 因此， 如何合理调度地面站资源， 实现最大化利用星地可 见窗口 是一 个 重 要的 课 题。 本文 定 义卫星 与地 面站 之 间 的 可见窗口为任务集合， 将蚁群算法应用于构造有效的任务调 度 序列， 求 解 任务 最 大 执 行时间， 即 可 利 用 的可 见窗口 时间 最长。实验数据显示， 蚁群算法有着优良的调度结果， 同时其调度结果亦优于 FCFS 和贪婪算法。由此可以看 出， 该 算法 能有效求解卫星地面站任务调度问题。 关键词： 蚁群算法; 卫星地面站; 任务规划 中图分类号： TP301． 6 文献标识码： A doi: 10． 3969 / j． issn． 10062475． 2012． 12． 004
if ρ ＞ ρ0
α T j = arg max {［ } k T iT j］ j∈allowed
（ 7）
2012 年第 12 期 else r = random（ n） Tj = Tr r∈allowed
金云忠等: 基于蚁群算法的卫星地面站任务规划方法
13
（ 8）
3
3． 1
仿真实例
仿真场景
0， 1］ 0， 1］表 其中， ρ∈［ 为均匀分布的随机数， ρ0 ∈［ 示调度任务选择过程中随机搜索和信息素浓度的相 对重要性。α 表示信息素浓度的启发值， 此处默认为 1 。当 ρ ＞ ρ0 时， 蚂蚁以信息素浓度为根据， 找寻相对 如式 当前任务 T i 而言信息素浓度最大的任务为 T j ， （ 7 ） 所示； 反之， 蚂蚁通过随机搜索方式选择一个未 被调度的任务 T r ， 确定其为下一个调度任务 T j ， 如式 （ 8 ） 所示。 2． 4 信息素局部更新原则 当定义的蚁群中所有蚂蚁均完整实现一次任务 调度之后， 选取其中调度时间总和最大的结果作为最 。 优解 基于最优解任务执行序列和最优执行时间更 新信息素， 如式（ 9 ） 、 式（ 10 ） 所示：
max ： ∑ （ ep k － sp k ）
1 " k" s
（ 1） （ 2） （ 3） （ 4） （ 5） 2． 1
信息素定义和初始化； 状态转移规则； 信息素局部更新原则； 信息素全局更新原则； 终止准则。
蚁群算法处理流程 本文中蚁群算法基本处理流程如图 1 所示。
（ 1） （ 2） （ 3） （ 4） （ 5）
图1
蚁群算法处理流程
2． 2
信息素定义和初始化
本文中将问题空间上的信息素定义为一个 n × n n 代表所有待执行任务的总数 维的信息素矩阵 K， ， 目 其值为任务集合 Task 的元素个数。 对于任意的 元素 k ij ， 它代表执行完任务 i 之后紧接着执行任务 j 的权重。在本阶段中， 对于任一 k ij ， 满足如下定义：
0
引
言
1
卫星地面站任务调度问题
随着航天事业的高速发展， 卫星数量的持续增 加， 现有的地面站资源数已不足以完全满足卫星的资 最现实的方式就是通过调度规划， 合 源需求。 因此， 理安排地面站资源， 实现地面站资源的高效利用。 国内外学者通常利用人工智能手段来求解地面 ［1 ］ ［2 ］ 站任务调度问题， 如动态规划 、 贪婪算法 、 模拟 ［3 ］ ［4 ］ ［5 ］ 退火 、 遗传算Biblioteka Baidu 、 蚁群算法 等。 本文选取蚁群算法用以求解地面站任务调度问 题。
s． t． 1， n］ Ts " st j ＜ et j " Te， j∈［ ep k － sp k T limit ， 1， s］ k∈［ sau e － eau e － 1 tc， 2， r］ e∈［ ssu f － ssu f － 1 0 ， 2， t］ f∈［
式（ 1 ） 为目标函数， 表示所有产生的调度计划的 ； （ 2 ） 表示任一任务的开始时间和结 持续时间之和 式 束时间都必须在规划区间内； 式 （ 3 ） 表示任一组计划 的持续时间不小于计划最短持续时间 T limit ； 式 （ 4 ） 表 示使用同一天线的相邻的两次调度之间时间间隔不 小于天线转换时间 t c ， 即任一天线在任意时刻最多只 能执行一个任务； 式（ 5 ） 表示同一卫星相邻的两次调 度之间时间间隔不小于 0 ， 即任一卫星在任意时刻最 多执行一个任务。
k* ij = k ij + Δk D* 10 n Δk = 10 n j∈［ 1， n］ i， D∈［ 0， 1］ （ 9） （ 10 ）
k ij 表示当前调度任务 i、 其中， 下一个调度任务为 j 的
* 0， 信息素； k ij 表示执行局部更新后的信息素； Δk ∈［
10 本文中实例包含对象为 3 个地面站 （ 见表 2 ） 、 颗卫星（ 见表 3 ） ， 其中数据均来自网络； 实例设置的 调度区间从 2012 年 07 月 01 日 00 ： 00 ： 00． 000 开始 总调度区 到 2012 年 07 月 02 日 12 ： 00 ： 00． 000 结束， 间时长为 36 小时。如图 2 所示的是 1 号地面站与所 有卫星的可见时间窗口， 其值由地面站与卫星的仰角 本文定义星地可见的约束为星地仰角不小 关系确定， 于 15 度。同时， 利用 AGI 公司的 STK 工具箱实现卫 星和地面站的可见窗口仿真， 获取所有地面站和卫星 的可见时间窗口集合， 将每个窗口定义为一个任务， 从而获取问题的任务集合。 本文定义无天线约束（ 天线资源充足） 情况下： 任务调度总时间为最大可调度时间 PT max ， 其根 （ （ 1 ） ） ， 但在约束 据当前调度问题的目标函数定义 式 集合中， 取消掉天线使用约束 （ 式 （ 4 ） ） 。 同时， 本文 * 定义算法任务调度率 定义算法实际调度结果为 PT ， μ 为算法效能评价标准， 如式（ 12 ） 所示：
{
－1 λ0
i=j （ 6） i≠j
其中， λ0 为不小于 0 的初始化信息素值。 2． 3 状态转移规则 假设蚂蚁从任务 T0 （ T0 ∈ Task ） 出发， 已构造的 …， Ti ｝ ， 当前任务调度序列为 List c = ｛ T0 ， 则当前调度 T ， T （ 7 ） 、 任务为 i 下一个调度任务 j 由式 式（ 8 ） 表示的 状态转移规则确定。