应用改进多种群遗传算法的多星成像目标规划方法

发布时间：2021-10-20 22:20

　　针对目前多星成像目标规划求解算法容易陷入局部最优解,且对于大区域目标及规划时间周期较长时不能尽快规划出较优的成像方案问题,提出一种改进多种群遗传算法的多星成像目标规划方法。以成像规划方案周期最短、覆盖率最大为目标函数建立模型;利用改进的多种群遗传算法对模型进行求解,采用移民算子种群在多种群之间关联及更新种群,保留每代进化中的最优成像方案。利用多星对区域目标成像验证了所提出的方法,结果表明:此方法能够较好地用于模型的建立及求解,有效地规划出目标函数较优的成像方案。 

【文章来源】：航天器工程. 2020,29(04)北大核心CSCD

【文章页数】：6 页

【部分图文】：

目标成像时间窗口

改进的多种群遗传算法中种群的个体代表每个成像方案,个体的适应度函数代表模型中的目标函数,种群是由若干个个体组成,个体中的基因代表相对应的过境轨道产生的条带集中被选中的条带。每个过境轨道集包含多个过境轨道,且过境轨道相互冲突,所以选择其一参与成像。采用二进制编码方式,1位二进制编码代表1个成像条带,编码为0时表示该条带没有被选中,编码为1时表示选择该条带加入成像方案,成像方案由1个二进制串组成。算法详细设计求解流程见图2。(1)每次随机生成的成像方案需要判断方案中的所有条带是否满足约束规则式(4)～(9),满足所有的约束规则后该方案才会被保留下来。

由图3遗传算法的5次进化过程试验可以看出:5次试验的平均收益值都不相同,进化过程不稳定,且第1次试验和第5次试验进化500代后仍然没有稳定下来,收敛速度比较慢,第2～4次试验虽然在200代附近收敛,但是收敛值并不理想,导致过早的收敛。观察5次试验进化过程曲线可以看出:遗传算法得出的收益值并不是逐渐增长的曲线,这是因为遗传算法在进化过程中没有保留每代进化中的最优成像方案,容易丢失最优解。由图4改进的多种群遗传算法的5次试验结果可以看出:进化过程比较稳定,平均在20代以内收敛,并且5次收敛时的收益值都比较理想,5次试验曲线呈现稳定上升,这是因为移民算子种群模块保留了每代进化中的最优成像方案,子代种群进化是在父代种群的最优值基础上继续寻优,所以最终收敛值比较理想。可见,综合比较分析,改进的多种群遗传算法比遗传算法收敛进程快,且收敛值更优。图4 改进的多种群遗传算法进化过程试验

【参考文献】：
期刊论文
[1]基于超启发式的多星协同任务规划算法研究[J]. 陈金勇,张超,李艳斌.  中国电子科学研究院学报. 2018(03)
[2]基于任务分解的多星成像规划模型建立与求解[J]. 朱政霖,马广彬,黄鹏,林友明.  航天器工程. 2018(02)
[3]背景差分与帧间差分相融合的遥感卫星视频运动车辆检测方法[J]. 袁益琴,何国金,王桂周,江威,康金忠.  中国科学院大学学报. 2018(01)
[4]夜光遥感在“一带一路”战略中的应用潜力展望[J]. 江威,何国金,彭燕,王桂周,王猛猛.  中国科学院大学学报. 2017(03)
[5]成像卫星集成调度的变邻域禁忌搜索算法[J]. 李菊芳,贺仁杰,姚锋,谭跃进.  系统工程理论与实践. 2013(12)

硕士论文
[1]多星区域观测任务的效率优化方法研究[D]. 李曦.国防科学技术大学 2005



本文编号：3447690