一种面向非时敏移动目标跟踪的单星自主任务调度方法及系统

1.一种面向非时敏移动目标跟踪的单星自主任务调度方法，其特征在于，包括以下步骤：步骤1：获取非时敏移动目标任务集；步骤2：根据所述非时敏任务集构建单星自主任务调度优化模型；步骤3：对所述单星自主任务调度优化模型进行求解得到单星自主任务调度方案；步骤4：输出所述单星自主任务调度方案；所述单星自主任务调度优化模型为：目标函数： （1）约束条件： （2） （3） （4） （5） （6） （7） （8） （9） （10） （11）其中，式1表示最大化完成任务的优先级总和， 表示0-1 决策变量， 表示在调度序列解中任务 为任务 的紧前任务； 表示任务 的优先级， 表示待规划任务数目；式2表示卫星的硬时间窗口约束，即任务必须在卫星可见时间窗口内观测； 表示卫星对任务 的可见时间窗口的开始时间， ， 表示卫星对任务 的开始观测时间， 表示卫星初始状态时间， 表示 卫星对任务 的结束观测时间， 表示卫星初始状态时； 表示 卫星对任务 的可见时间窗口结束时间， ；式3表示任务的成像开始、结束与持续时间的等式关系； 表示卫星对任务 的持续观测时间， ；式4表示的式任务之间时间依赖转换时间约束； 表示任务 与任务 j 之间的姿态转换时间；式5表示卫星的固存约束，即单轨内消耗电量不能超过卫星剩余电量阈值； uie 表示进行成像时单位时间消耗的电量，单位 unit， ute 表示进行姿态机动时单位时间消耗的电量，单位unit； ζ 表示卫星剩余电量阈值比例； Egy max表示卫星最大电量总量，单位unit； 表示卫星对任务 的结束观测姿态，由侧摆 ， ，俯仰 ， 与偏航 ， 三轴姿态向量构成， 为卫星初始姿态， 表示卫星对任务 的开始观测姿态，由侧摆 ， ，俯仰 ， 与偏航 ， 三轴姿态向量构成， 为卫星初始姿态；式 6 表示每个任务最多存在一个紧前任务；式 7表示每个任务最多存在一个紧后任务；式 8表示任务既不能是自己的紧前任务也不能作为自己的紧后任务，只能够完成一次；式9表示决策变量的值域；式10 表示两姿态之间的最短姿态转换时间计算方式， 表示卫星在任务 与任务 之间的姿态转换角度； 、 、 、 、 、 、 、 、 、 、 、 、 、 为预先设置的常量；式 11表示两姿态之间的转换角度计算方式， ， 表示卫星在时刻 对任务 的观测侧摆角， tei 表示卫星对任务 的结束观测时间， te 0 = 0 表示卫星初始状态时， ， 表示卫星在时刻 对任务的观测俯仰角， ， 表示卫星在时刻 对任务 的观测偏航角。 2.根据权利要求1所述的调度方法，其特征在于，步骤3中对所述单星自主任务调度优化模型进行求解的方法是：将所述单星自主任务调度优化模型中的每个目标任务看作一个图节点，任务之间的关系看作图中的加权边关系，构建多个瞬态下的时姿邻接图模型，对所述时姿邻接图模型进行求解，得到所述单星自主任务调度优化模型的解。 3.根据权利要求2所述的调度方法，其特征在于，所述时姿邻接图模型的构建方法是，以卫星运行的时间线为水平轴，以过顶时刻侧摆姿态角为纵向轴，以过顶时间和过顶侧摆皆为0的点 (0 , 0) 为参考基准点，在坐标系下，将每个任务视作图中的一个节点，每个节点对应的坐标 由卫星过顶时间与对应侧摆角构成，每个节点具有该节点对应的任务的属性，节点 与节点 j 之间的边权重由任务 与任务 j 之间的姿态转换时间 表示。 4.根据权利要求2所述的调度方法，其特征在于，对所述时姿邻接图模型进行求解的方法是根据瞬态时姿邻接图使用图注意力网络模型结构决策下一任务节点，在得到下一任务节点后更新瞬态时姿邻接图进行下下一个任务节点的决策，依次类推，得到调度解序列。 5.根据权利要求4所述的调度方法，其特征在于，使用图注意力网络模型结构决策下一任务节点的方法是：采集当前状态下的图特征，包括节点特征向量和边特征矩阵；对所述节点特征向量和边特征矩阵进行归一化处理；将归一化处理后的节点特征向量和边特征矩阵输入到图注意力网络结构中，得到下一任务节点的节点选择概率，选择具有最大概率的节点作为解序列上的一个节点。 6.根据权利要求5所述的调度方法，其特征在于，所述节点特征向量中的每个节点具有8个特征属性： ， ， ， ， ， ， ， ；每条边具有5个特征属性： ， ， ， ， ；其中， 表示节点 的优先级属性； 表示节点 对应任务的过顶时间； 表示节点 对应任务的过顶侧摆角； 表示节点 对应任务的持续观测时间； 表示节点 对应任务的可见时间窗口开始时间； 表示节点 对应任务的可见时间窗口结束时间； 表示节点 对应的任务是否为当前状态待选择的任务的标识； 表示节点 对应的任务是否为当前已调度序列中最后一个任务的标识； 表示时姿坐标下与边关联的两节点距离； 表示时姿坐标下邻居节点 是否为与节点 距离升序排序第一的节点标识； 表示时姿坐标下邻居节点 是否为与节点 距离升序排序第五以内的节点标识； 表示时姿坐标下邻居节点 是否为与节点 距离升序排序第十以内的节点标识； 表示时姿坐标下邻居节点 是否为与节点 距离升序排序二十以内的节点标识。 7.根据权利要求4所述的调度方法，其特征在于，所述图注意力网络模型结构为9层深度学习网络，前面四层为嵌入层，全部采用单层GAT网络，后面五层全部为全连接层，在网络终端使用Mask机制筛选违反约束的节点对应的任务。 8.根据权利要求7所述的调度方法，其特征在于，对所述图注意力网络模型进行训练的方法是基于PPO策略的网络模型训练方法，所述PPO策略是指基于 Actor-Critic 学习框架，Actor 网络负责生成动作并和环境进行交互，Critic 网络负责评估 Actor 网络表现并进行误差反馈，最后每次学习迭代将采用复制 Actor 网络方式更新 Critic 网络，两者不断进行交互提升达到网络参数的最优化。 9.根据权利要求5所述的调度方法，其特征在于，所述节点特征向量 和边特征矩阵 ， F 1 = 8， F 2 = 5，网络层中的传递过程为：（1）嵌入层网络传递， ， 表示网络层标识， ；节点特征数据 v 在嵌入层网络传递依序采用式 (12)、(13) 与 (14) 方式进行，其中 满足式 (15) 所示条件，层与层之间采用 ReLU 函数激活，边特征数据 E在嵌入层网络传递采用式 (16) 方式进行，其中 、 满足式 (17) 与 (18) 所示条件，层与层之间同样采用 ReLU 函数激活， （12） （13） （14） （15） （16） （17） （18）F 3为图注意力网络结构除去两端的中间网络层结构的维度， 为第 l 层的节点训练参数向量； 、 为第 l 层的边训练参数向量； 为图注意力权重， 为第 l 层的图注意力权重；（2）中间层及隐藏层网络传递， l ∈[5 , 8]；中间层及隐藏层全部为全连接层，输入与输出的维度皆为 F 3，其数据传递采用式（19）所示方式，层与层之间同样采用 ReLU 函数激活； （19）（3）输出层网络传递， l = 9；输出层亦为全连接层，输出的维度为 1，其数据传递采用式 (20) 所示方式； 。 10.一种面向非时敏移动目标跟踪的单星自主任务调度系统，使用权利要求1至9任一项所述的一种面向非时敏移动目标跟踪的单星自主任务调度方法，其特征在于，包括以下模块：采集模块：用于采集非时敏移动目标任务集；优化模型构建模块：用于根据所述非时敏任务集构建单星自主任务调度优化模型；求解模块：用于对所述单星自主任务调度优化模型进行求解得到单星自主任务调度方案；输出模块：输出所述单星自主任务调度方案。