1.一种双星星簇的目标观测方法，双星星簇包括目标发现星和目标识别星，其特征在于，包括：Step1，目标识别星获取辅助决策知识信息，提取目标发现星提供的前瞻信息，该前瞻信息包括目标位置信息、成像时长和观测收益；辅助决策知识信息包括目标过滤知识和方案评估知识；Step2，根据目标过滤知识中的观测目标的目标成像时长的过滤阈值threPDR、目标观测收益的过滤阈值threPro、和目标观测收益时长比的过滤阈值threPDR，对前瞻时间窗内的目标的观测固存性价比和观测电量性价比进行初步的评估，以删除前瞻信息中观测价值较低的目标，目标信息主要包括目标位置信息、成像时长和观测收益，卫星的使用约束主要有时间窗约束、姿态机动约束、固存约束和电量约束；Step3，调用调度算法集中的多种启发式算法生成多个局部观测方案，该步骤可并行计算，局部观测方案是指卫星在当前状态下仅根据前瞻时间窗内的目标信息所生成的观测方案，其中，观测方案通过序列解描述，并利用一个调度解生成器将一个序列解翻译成一个可行的调度解；Step3中的“调用调度算法集中的多种启发式算法生成多个局部观测方案”包括利用目标选取指标指导启发式算法的搜索方向，具体如下：利用启发式算法在目标子集的选择过程中，先依据某一指标选取目标，再将所选目标按照时间升序插入到已有的目标观测序列中得到新的目标观测序列，然后用调度生成器对目标观测序列进行调度解转换， 若能使调度方案的收益增大则采用新的观目标测序列，否则放弃新插入的目标，保留原目标观测序列及对应的调度解；“目标选取指标”包括时间序列指标、目标观测收益指标、目标成像时长指标和收益时长比指标，其中：时间序列指标是将目标按照时间窗开始时间升序排列，依次选取拥有最早开始时间的目标；目标观测收益指标是将目标按照观测收益的降序排列，依次选取拥有最高观测收益的目标；目标成像时长指标是指将目标按照成像时长的升序排列，依次选取拥有最小成像时长的目标；收益时长比指标是将目标按照观测收益时长比的降序排列，依次选取拥有最高观测收益时长比的目标；Step4，根据方案评估知识中的评估参数结合相关评估方法，利用局部观测方案的评价函数对各个局部观测方案进行综合评价；Step5，选定Step4中的得分最高的局部观测方案，并锁定该方案中的第一个目标作为下一观测目标。
2.如权利要求1所述的双星星簇的目标观测方法，其特征在于，启发式算法先选取的“目标选取指标”为收益时长比指标，通过调度解生成器计算一个可用的观测方案的具体方法如下，设定目标的收益时长比降序排列为第一目标-第二目标-第三目标-第四目标-第五目标-第六目标-第七目标：首先，根据当前卫星的姿态及资源使用状态，先考虑是否能对目标第一目标进行观测，如果能则更新当前最好序列解为{第一目标}；其次，在当前最好解的基础上，再添加第二目标到当前最好解中，并将目标按照时间升序排列，即考虑序列解第二目标→第一目标所转化的调度解，若该调度解的收益优于原当前最好解，则更新当前最好解为{第二目标，第一目标}；然后，依次类推，每次在当前最好解的基础上添加一个目标后，都先将任务按照升序排列得到新的序列解，再用调度解生成器转换为调度解，如新的调度解的收益较高则替换原有当前最好解，否则保留原有的当前最好解。
3.如权利要求1至2中任一项所述的双星星簇的目标观测方法，其特征在于，Step4具体包括：根据由启发式算法集生成的各个局部观测方案的收益、固存消耗、电量消耗等指标对各方案进行综合评价，以选取能更大概率提高全局观测收益的局部调度方案；在观测方案评估模块中，卫星对观测方案的如下属性进行评估，分别为：方案收益、固存消耗、收益固存比、总电量消耗、收益电量比、执行时长和收益时耗比；其中：方案收益是局部观测方案中所有成像目标的目标观测收益和；固存消耗是局部观测方案消耗的卫星固存资源的数量；收益固存比是局部观测方案的收益除以方案的固存消耗；总电量消耗是局部观测方案的电量消耗主要包括成像消耗电量和姿态机动消耗电量；收益电量比是局部观测方案的方案收益除以方案的总电量消耗；执行时长是局部观测方案消耗的卫星总飞行时长，主要包括成像时长和姿态机动的时长；收益时耗比是局部观测方案的方案收益除以方案的执行时长。
4.如权利要求3所述的双星星簇的目标观测方法，其特征在于，局部观测方案的评价函数为：cScore＝w 1 ·acPro·proP+w 2 ·acSD·sdP+w 3 ·acPsdR·psdR+w 4 ·acEG·egP+w 5 ·acPegR·pegR+w 6 ·acED·edP+w 7 ·acPedR·pedR (35)其中，acPro＝e (aPro·rePro+bPro) (36)acSD＝e (aSD·reSDR+bSD) (37)acPsdR＝e (aPsdR·reSDR+bPsdR) (38)acEG＝e (aEG·reEGR+bEG) (39)acPegR＝e (aPegR·reEGR+bPegR) (40)acED＝e (aED·reRCR+bED) (41)acPedR＝e (aPedR.reRCR+bPedR) (42)式中，w 1 为方案收益proP对应的权重系数，w 2 为固存消耗sdP对应的权重系数，w 3 为收益固存比psdR对应的权重系数，w 4 为总电量消耗egP对应的权重系数，w 5 为收益电量比pegR，w 6 为执行时长edP，w 7 为收益时耗比pedR对应的权重系数，每个权重系数的取值范围都为[-100，100]，pr是进度比，rePro是当前观测收益与期望的观测收益的相对关系，acPro是观测收益权重调整系数，acSD是固存消耗权重调整系数，acPsdR是收益固存比权重调整系数，acEG是总电量消耗权重调整系数，acPegR是收益电量比权重调整系数，acED是执行时长权重调整系数，acPedR是收益时耗比权重调整系数，aPro是方案收益相关性系数，bPro是方案收益相关性系数，aSD是固存消耗相关性系数，bSD是固存消耗相关性系数，aPsdR是收益固存比相关性系数，bPsdR是收益固存比相关性系数，aEG是总电量消耗相关性系数，bEG是总电量消耗相关性系数，aPegR是收益电量比相关性系数，bPegR是收益电量比相关性系数，aED是执行时长相关性系数，bED是执行时长相关性系数，aPedR是收益时耗比相关性系数，bPedR是收益时耗比相关性系数，各所述参数由地面学习得到，采用分布估计算法计算得到，分布估计算法用于根据历史场景求出上述各个参数的具体数值。
5.如权利要求4所述的双星星簇的目标观测方法，其特征在于，Step5中的“选定得分最高的局部观测方案”的方法具体包括：目标识别星在一个场景中的全局观测收益可以看做是tarFilter过滤阈值参数集合和schEval方案评估参数集合的一个函数，将参数学习的过程看做是一个参数优化的过程，优化目标为最大化目标识别星在所有学习场景中的全局收益之和，计算公式是计算出来能使全局观测方案最高时所对应的参数如下：其中，numSce为历史场景的个数；tarFilter为过滤阈值参数集合，包括Step2中的过滤阈值threPDR、过滤阈值threPro、过滤阈值threPDR；schEva为方案评估参数集合包括aPro，bPro，aSD，bSD，aPsdR，bPsdR，aEG，bEG，aPegR，bPegR，w 1 ，W 2 ，w 3 ，w 4 ，w 5 ，w 6 ，w 7 ；globalPro i (…，…)为在使用特点参数下在第i个场景中的全局观测收益。
