基于粒子群算法的卫星任务地面站资源调度方法

doi:10.7523/j.ucas.2021.0012

中国科学院大学学报 ›› 2022, Vol. 39 ›› Issue (6): 801-808.DOI: 10.7523/j.ucas.2021.0012

• 电子信息与计算机科学 • 上一篇下一篇

基于粒子群算法的卫星任务地面站资源调度方法

樊慧晶^1,2, 章文毅¹, 田妙苗¹, 马广彬¹, 程博¹

1. 中国科学院空天信息创新研究院, 北京 100094;
2. 中国科学院大学, 北京 100049

收稿日期:2020-12-06 修回日期:2021-02-14 发布日期:2021-05-31
通讯作者: 章文毅,E-mail:wyzhang@rsgs.ac.cn
基金资助:
国家重点研发计划项目(2017YFB0504201)和中国科学院战略先导研究项目(XDA19010401)资助

A resource scheduling method for satellite mission ground station based on particle swarm optimization algorithm

FAN Huijing^1,2, ZHANG Wenyi¹, TIAN Miaomiao¹, MA Guangbin¹, CHENG Bo¹

1. Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China;
2. University of Chinese Academy of Sciences, Beijing 100049, China

Received:2020-12-06 Revised:2021-02-14 Published:2021-05-31

摘要/Abstract

摘要： 针对卫星数传、测控任务的地面站资源调度问题，提出一种结合启发式方法的粒子群改进算法，对卫星的数传、测控任务进行一体化调度。首先分析卫星任务及地面站资源的约束条件，建立基于启发式规则的约束满足模型，筛选出较优的初始种群，然后设计一种结合启发式规则的粒子群算法求解。仿真对比实验表明，相对于常规调度算法(如遗传算法)，粒子群算法具有较好的寻优能力和收敛速度；相对于传统粒子群算法，结合启发式方法的粒子群改进算法具有更好的寻优能力、收敛速度和稳定性。

关键词: 地面站资源调度, 约束满足模型, 启发式方法, 粒子群算法, 遗传算法, 遥测、跟踪和控制

Abstract: In view of the problem of ground station resource scheduling for satellite data transmission and telemetry, tracing and control (TT&C) tasks, this paper proposes a modified particle swarm optimization (PSO) algorithm combined with heuristic methods to carry out integrated scheduling of satellite data transmission and TT&C tasks. Firstly, the constraints of satellite missions and ground station resources are analyzed, the constraint satisfaction model based on heuristic rules is established, and the superior initial population is filtered out. And then a modified PSO algorithm combining heuristic rules is designed to solve the resource scheduling problem. The simulation and comparison experiments show that the PSO algorithm has better ability to find excellence and convergence speed than traditional scheduling algorithm (such as genetic algorithm), and that the modified PSO algorithm has better ability to find excellence, convergence speed and stability than the traditional PSO algorithm.

Key words: resource scheduling of ground station, constraint satisfaction model, heuristic method, particle swarm optimization (PSO), genetic algorithm, telemetry, tracing, and control (TT&C)

中图分类号:

V556.1

樊慧晶, 章文毅, 田妙苗, 马广彬, 程博. 基于粒子群算法的卫星任务地面站资源调度方法[J]. 中国科学院大学学报, 2022, 39(6): 801-808.

FAN Huijing, ZHANG Wenyi, TIAN Miaomiao, MA Guangbin, CHENG Bo. A resource scheduling method for satellite mission ground station based on particle swarm optimization algorithm[J]. Journal of University of Chinese Academy of Sciences, 2022, 39(6): 801-808.

参考文献

[1] 金光. 卫星地面站测控资源调度CSP模型[J]. 系统工程与电子技术, 2007, 29(7): 1117-1120.DOI:10.3321/j.issn:1001-506X.2007.07.024.
[2] 贺仁杰, 谭跃进. 基于约束满足的卫星地面站资源优化分配问题研究[J]. 计算机工程与应用, 2004, 40(18): 229-232.DOI:10.3321/j.issn:1002-8331.2004.18.072.
[3] 金光, 武小悦, 高卫斌. 卫星地面站资源调度优化模型及启发式算法[J]. 系统工程与电子技术, 2004, 26(12): 1839-1841,1875.DOI:10.3321/j.issn:1001-506X.2004.12.026.
[4] 王远振, 赵坚, 聂成. 多卫星-地面站系统的Petri网模型研究[J]. 空军工程大学学报(自然科学版), 2003, 4(2): 7-11.DOI:10.3969/j.issn.1009-3516.2003.02.002.
[5] Schaire S, Altunc S, Malphrus B K, et al. NASA Wallops flight facility-morehead state ground network for small satellite mission operations[C]//SpaceOps 2014 Conference. 5-9 May 2014, Pasadena, CA. Reston, Virginia: AIAA, 2014.DOI:10.2514/6.2014-1635.
[6] Gooley T D, Borsi J J, Moore J T. Automating air force satellite control network (AFSCN) scheduling[J]. Mathematical and Computer Modelling, 1996, 24(2): 91-101.DOI:10.1016/0895-7177(96)00093-3.
[7] 张鹏, 冯旭祥, 葛小青. 基于改进遗传算法的多天线地面站硬件资源分配方法[J]. 计算机工程与科学, 2017, 39(6): 1155-1163.DOI:10.3969/j.issn.1007-130X.2017.06.020.
[8] 秦玉峰, 聂少军, 赵鸿, 等. 基于高级在轨系统的测控数传一体化方案[J]. 飞行器测控学报, 2016, 35(5): 409-414.DOI:10.7642/j.issn.1674-5620.2016-05-0409-06.
[9] 于志坚, 丁溯泉, 罗伦. 航天测控与数传接收综合信道构想[J]. 遥测遥控, 2002, 23(4): 8-11.
[10] Kennedy J, Eberhart R. Particle swarm optimization [C] // Proceedings of ICNN'95-International Conference on Neural Networks.November 27-December 1,1995, Perth, WA, Australia.IEEE, 1995: 1942-1948.DOI:10.1109/ICNN.1995.488968.
[11] 李爱国, 覃征, 鲍复民, 等. 粒子群优化算法[J]. 计算机工程与应用, 2002, 38(21): 1-3,17.DOI:10.3321/j.issn:1002-8331.2002.21.001.
[12] 杨维, 李歧强. 粒子群优化算法综述[J]. 中国工程科学, 2004, 6(5): 87-94.
[13] Kennedy J, Eberhart R C. A discrete binary version of the particle swarm algorithm [C] // 1997 IEEE International Conference on Systems, Man, and Cybernetics. Computational, Cybernetics and Simulation. October 12-25,1997, Orlando, FL, USA. IEEE,1997: 4104-4108.DOI:10.1109/ICSMS.1997.637339.
[14] 常飞. 卫星地面站数传资源配置优化模型与算法研究[D]. 长沙: 国防科学技术大学, 2010.
[15] 唐旻. 卫星系统数传与测控服务策略研究[D]. 长沙: 国防科学技术大学, 2013.

基于粒子群算法的卫星任务地面站资源调度方法

A resource scheduling method for satellite mission ground station based on particle swarm optimization algorithm

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 12

编辑推荐

Metrics

本文评价

访问统计

联系我们

[1]	王虹, 徐佑宇, 谭冲, 刘洪, 郑敏. 基于改进粒子群的BP神经网络WSN数据融合算法[J]. 中国科学院大学学报, 2020, 37(5): 673-680.
[2]	明卫鹏, 马广彬, 章文毅. 基于基因表达式编程的多星成像任务规划算法[J]. 中国科学院大学学报, 2020, 37(4): 532-538.
[3]	桑睿, 吴杰, 许华, 郭强. 基于改进的遗传算法的后非线性盲源分离[J]. 中国科学院大学学报, 2012, 29(5): 707-713.
[4]	陈刚, 王宏琦, 孙显. 基于核函数原型和自适应遗传算法的 SVM模型选择方法[J]. 中国科学院大学学报, 2012, 29(1): 62-69.
[5]	刘丽峰, 张树清. 人工免疫算法规划复杂环境下三维飞行航迹[J]. 中国科学院大学学报, 2011, 28(6): 746-751.
[6]	王翠平, 郭立, 王昱洁, 陈运必. 音频DCT系数分布函数的建模[J]. 中国科学院大学学报, 2011, 28(6): 752-758.
[7]	赵冬, 赵光恒. 基于改进遗传算法的高光谱图像波段选择[J]. 中国科学院大学学报, 2009, 26(6): 795-802.
[8]	徐菡;　张敏洪. 大规模逆向物流网络非线性优化模型的研究[J]. 中国科学院大学学报, 2007, 24(6): 749-755.
[9]	罗德林; 沈春林; 王彪 ; 吴文海. 基于混合自适应遗传算法的协同多目标攻击空战决策（英文）[J]. 中国科学院大学学报, 2006, 23(3): 382-389.
[10]	贵刚, 于军, 苏丽杰, 聂义勇. 压力铸造充型过程多工艺参数的优化选择[J]. 中国科学院大学学报, 2004, 21(4): 532-537.
[11]	甘国辉, 刘长岐, 杨丹. 基于遗传算法的农业用地结构优化研究——以北京市通州区为例[J]. 中国科学院大学学报, 2004, 21(1): 50-55.
[12]	孔祥蕾, 张先燚, 罗晓琳, 李海洋. 一种引入强制变异的改进遗传算法[J]. 中国科学院大学学报, 2003, 20(3): 316-320.