面向复杂观测任务的多平台联合任务规划方法

1.一种面向复杂观测任务的多平台联合任务规划方法，其特征在于：包括以下步骤：步骤1：对复杂观测任务进行预处理，得到与目标观测场景上地理网格相对应的若干个子任务；步骤2：构建多平台联合任务规划模型；步骤3：将步骤1中预处理后的若干个子任务代入多平台联合任务规划模型进行求解；步骤4：根据求解结果，输出复杂观测任务分解在每一个观测平台的任务序列；步骤2中所述多平台联合任务规划模型的构建方法是：确定目标函数：其中，pro ij 表示子任务sa ij 的收益，决策变量 表示子任务sa ij 是否在平台p k 上进行观测，N表示任务的总数量，n表示第i个任务的子任务数；M表示观测平台数量，sa ij 表示第i个任务的第j个子任务；式(1)表示目标函数为最大化所有被规划子任务的收益之和；约束条件：其中，式(2)表示被规划任务的所有子任务都会被规划；A表示被规划任务a 1 ,...,a i ,...,a N 的集合，a i 表示第i个任务；式(3)表示任意一个被规划子任务只能由一个平台来执行，SA i 表示任务a i 的子任务集合sa i1 ,...,sa ij ,...,sa in ；式(4)表示对于任意平台，其执行相邻前后两个子任务的时间段大于两个任务所需的转换时间，所述转换时间对卫星平台而言是姿态转换时间，对无人机平台而言是移动时间；ob ij 表示子任务sa ij 的规划开始观测时间，oe ij 表示子任务sa ij 的规划结束观测时间，trans(oe ij ,ob i'j' )表示子任务sa ij 和sa i'j' 之间的转换时间；式(5)、(6)限定观测窗口必须在可见窗口范围内，同时也必须在任务有效时间窗口内， 表示窗口 的开始时间，Tw ij 表示子任务sa ij 的观测窗口集合 表示子任务sa ij 在第k个观测平台上的窗口开始时间； 表示子任务sa ij 在第k个观测平台上的有效观测开始时间； 表示子任务sa ij 在第k个观测平台上的规划开始观测时间； 表示子任务sa ij 在第k个观测平台上的规划结束观测时间； 表示窗口 的结束时间； 表示子任务sa ij 在第k个观测平台上的有效观测结束时间；式(7)限定了观测时间必须大于最低持续观测时间；ct ij 表示满足子任务sa ij 最短持续观测时间；式(8)限定了传感器类型需要相同，同时空间分辨率要满足要求；obvType i 表示任务a i 所要求的观测传感器类型；obvRes i 任务a i 所要求的观测分辨率； 表示子任务sa ij 在第k个观测平台p k 上的传感器类型，obvType ij 表示任务sa ij 所要求的传感器类型； 子任务sa ij 在第k个观测平台p k 的图像分辨率，obvRes ij 表示子任务sa ij 所要求满足的图像分辨率；式(9)表示任意平台在周期内执行任务消耗的资源不能超过最大值；R表示观测平台资源的集合r 1 ,...,r k ,...,r M ，r k 表示第k个观测平台的资源， 表示子任务sa ij 在第k个观测平台上的资源消耗量；混合进化算法具体为：步骤3.1：初始化外循环迭代次数；步骤3.2：将步骤1中预处理后的所有子任务和所有平台进行两两组合，输入到根据子任务-平台组合与收益标记集合训练好的神经网络训练模型，输出每个组合的预测收益值，为每一个子任务选择预测收益值最高的平台得到预分配方案，将预分配方案作为初始种群，步骤3.3：对初始种群进行优化产生新种群；步骤3.4：对所述新种群中的个体根据相似度进行聚类，将新种群中的个体划分为由相似个体组成的多个子种群，计算每个子种群相似度；步骤3.5：根据子种群相似度和阈值判断每个子种群是否需要增强多样性，若需要增强多样性则对子种群检测个体差异性和丰富个体，否则跳过；步骤3.6：将所有子种群合并，通过局部搜索产生新种群，迭代次数加1；步骤3.7：如果迭代次数达到最大迭代次数，计算当前种群中的所有个体的收益值，将收益值最大的个体作为最优解输出，否则，将步骤3.6中通过局部搜索产生的新种群作为初始种群输入给步骤3.3，并转至步骤3.3。 2.根据权利要求1所述的方法，其特征在于：步骤1中对复杂观测任务进行预处理的方法是：步骤1.1：以所有观测平台中最小载荷单元的观测幅宽为边长对目标观测场景进行地理网格划分；步骤1.2：将复杂观测任务的目标搜索区域分解到已经划分好的各地理网格中，被目标搜索区域覆盖的每个地理网格对应一个子任务。 3.根据权利要求2所述的方法，其特征在于：步骤3中对多平台联合任务规划模型进行求解的方法是混合进化算法。 4.根据权利要求3所述的方法，其特征在于：步骤3.3中对初始种群进行优化的方法是：步骤3.3.1：初始化内循环迭代次数；步骤3.3.2：初始化种群，所述种群包含m个个体，每个个体为一个解，每个解包含所有子任务的决策变量 所述解的结构为一个二维矩阵，编码方式为行向量代表每一个观测平台，列向量代表一个观测平台上观测子任务的序列，所述初始化只对m个个体随机生成m个二维矩阵，检查每个个体是否违反约束，将违反约束的子任务从序列中删除，计算每个个体的收益值；步骤3.3.3：个体变异，种群所有个体通过个体领域算子发生变异生成m个新个体；步骤3.3.4：计算新生成的m个个体的收益值；记录每个新个体的收益值与旧个体收益值的平均差距gap；步骤3.3.5：当gap低于预设差距阈值则重复步骤3.2.3,否则转步骤3.2.6，所述差距阈值的取值为 步骤3.3.6：生成新种群，使用轮盘赌的方式从m个旧个体和m个新个体中选择m个个体作为新种群，其中轮盘赌的方式为按照个体收益值的累计概率密度函数随机选择个体；步骤3.3.7：个体交叉，在新种群中为每个个体挑选一个交叉对象，交叉对象按照个体收益值的轮盘赌方式进行选择，通过种群领域算子产生m个新个体；步骤3.3.8：根据步骤3.2.7中的m个新个体生成新种群，使用轮盘赌的方式从m个旧个体和m个新个体中选择m个个体作为新种群，其中轮盘赌的方式为按照个体收益值的累计概率密度函数随机选择个体；步骤3.3.9：判断是否达到内循环最大迭代次数，未达到则返回步骤3.3.3，否则转3.3.10；步骤3.3.10：计算新种群中所有个体的收益值，输出新种群和所有个体的收益值。 5.根据权利要求3所述的方法，其特征在于：步骤3.4中所述聚类方法为：步骤3.4.1：输入新种群中的所有m个个体，即m个矩阵；步骤3.4.2：将m个矩阵的每一行提取出来放入同一集合中，令第k行的集合为P k ，k表示第k个观测平台；步骤3.4.3：对于每一个集合，计算集合P k 中每一个子任务编码序列与其它子任务编码序列的位均差，如公式(10)所示，序列A和序列B的位均差为LMD(A,B) k ，其中L为子任务编码序列长度，A[i]是A中第i位的序号，i[A]是序号i在A中的位置；步骤3.4.4：将所有集合的每一个个体的不同行的位均差求解平均值，将E(LMD) m 作为种群中两个个体的相似度距离，得到所有个体的距离矩阵，M为观测平台数量；步骤3.4.5：采用k-medoids方法根据距离矩阵将种群分为K个子种群，本方法中K的取值为int(m/10)；步骤3.4.6：对K个子种群计算各子种群的相似度，其中相似度的计算方式为，先按照公式(11)计算子种群内的距离矩阵，取该矩阵的上三角矩阵计算所有数值的标准差，将该标准差作为子种群的相似度；步骤3.4.7：输出K个子种群和各自的相似度。 6.根据权利要求4所述的方法，其特征在于：步骤3.5中所述增强多样性方法为：步骤3.5.1：判断子种群是否满足相似度阈值；步骤3.5.2：将子种群中的个体按照进行收益排序，记录子种群中所有个体的排序序号，将子种群中的个体按照平均相似度进行排序，记录子种群中所有个体的平均相似度排序序号；步骤3.5.3：以个体的收益序号与相似度序号之和作为轮盘赌方法的概率，对种群采用轮盘赌的方式选择个体按照步骤3.3.3的方法进行变异。 7.根据权利要求3所述的方法，其特征在于：步骤3.2中训练神经网络的具体方法为：步骤3.2.1：获取子任务-平台组合与收益标记集合的所有数据，每条数据特征包括：各观测平台可用资源量，各观测平台地理位置，卫星平台任务观测角度，各观测平台基地与任务的距离，任务的资源消耗量、任务的最早可见时间、任务的最晚可见时间、任务与其他任务的重叠度、任务的开始时间和结束时间，用每条数据的收益作为数据标记；步骤3.2.2：将子任务-平台组合与收益标记集合中的所有数据及数据标记作为训练样本，输入神经网络进行训练；步骤3.2.3：将训练好的神经网络模型输出。 8.根据权利要求7所述的方法，其特征在于：所述子任务-平台组合与收益标记集合中的数据来源于：计算步骤3.6中通过局部搜索产生的新种群中每个个体的收益值，将个体中每个子任务与观测平台进行组合，并将个体收益值作为每一个子任务与观测平台组合的收益。