衛星網絡中基于雙向尋優粒子群優化算法的連接計劃設計

戴翠琴，唐煌，郭林峰

（重慶郵電大學通信與信息工程學院，重慶 400065）

1 引言

近年來，隨著人們對空域信息傳輸需求的與日俱增，低軌（LEO,low earth orbit）衛星網絡以軌道高度低、通信時延小、覆蓋方位廣、受地理環境影響小和組網靈活的優勢受到了越來越廣泛的應用[1-2]。但是，由于衛星節點間的相對運動容易導致星間鏈路（ISL,inter-satellite link）連接中斷，使衛星網絡拓撲時變、路由表頻繁更新、空間信息傳輸效率降低。此外，由于衛星在能耗、轉發器數量等資源上的限制，使空間節點在同一時間內不能同時建立多條鏈路來傳輸數據[3]。針對以上問題，考慮到衛星網絡拓撲動態、連接間斷及資源受限的特性，為了通過空間鏈路的優化調度來最大化網絡傳輸效率，連接計劃設計（CPD,contact plan design）引起了研究者們的關注[4]。

目前，已有少量文獻對衛星網絡中的CPD 展開了研究[5-10]。文獻[5]根據衛星節點的本地拓撲信息計算不相交路徑（或節點），并以此構建連通圖（CG,connected graph）來增強衛星網絡拓撲的穩健性及鏈路連接的可持續性。文獻[6]根據衛星節點的軌道運動特性將LEO 網絡建模為有限狀態自動機（FSA,finite state automaton），基于FSA 的每個狀態采用模擬退火（SA,simulate anneal）算法，避免了在狀態轉換期間鏈路分配的不穩定行為。由以上文獻可知，通過CG 和FSA 均能實現衛星網絡動態拓撲的靜態離散化，但是，二者都沒法有效地體現連續拓撲的時間演變性，使空間通信資源不能得到充分利用，尤其是當使用CG 構建大規模空間網絡時，空間節點間連通數量的增多會使網絡成本效益急劇下降。針對網絡成本效益問題，文獻[7]基于一系列以時間為序的靜態拓撲構建了同時具備時間和空間信息的動態時空圖（STG,space-time graph），并在保持原始網絡拓撲節點間連通性的同時稀疏了拓撲結構，降低了拓撲維持成本。考慮到衛星節點故障及移動性帶來的連接不可靠問題，文獻[8]通過設計加權有向STG 來分析不同時隙中連接的可靠性，并引入生成樹（ST,spanning tree），通過生成比率保證網絡可靠性的同時優化了路由成本效益。基于鏈路連接容量的時變性，文獻[9]提出了一種時間拓展圖（TEG,time-expanded graph），有效地解決了衛星網絡吞吐量優化問題。文獻[10]通過對數據流和能量流分別對TEG 進行了建模優化，區分了各拓撲結構的狀態持續時間，并將連接計劃（CP,contact plan）中數據的傳輸過程看作一個動態隨機隊列優化問題，通過逐時隙地設計CP 來最大化吞吐量。

在衛星網絡CPD 的研究中，除了要考慮網絡拓撲的時變性和空間鏈路連接的瞬斷性，還需要考慮空間節點通信資源的有限性[11-14]。考慮到衛星網絡的資源受限問題，文獻[11]基于遺傳算法（GA,genetic algorithm）提出了一種CPD 方案來最小化網絡的多對多時延；文獻[12]提出了一種公平連接計劃（FCP,fair contact plan）設計方案，通過最小邊緣容量最大化和最大鏈路容量最小化的鏈路選擇機制來平衡ISL 的連接時間。文獻[13]將FCP 與時空路由感知相結合，采用SA 算法求解衛星網絡中CPD 與路由的組合優化問題，在最大化公平性的同時改進了CP 整體的端到端時延。針對導航衛星系統中的數據傳輸問題，文獻[14]基于SA 算法提出了一種啟發式CPD 方案來優化空間數據傳輸時延。以上已有的衛星網絡中的CPD 主要針對動態網絡拓撲、間斷鏈路連接和空間資源有限這三方面問題進行了優化設計，并沒有考慮衛星網絡中空間任務需求的多樣性和網絡規模大小對數據傳輸的影響。當網絡規模較小時，在任務傳輸時間和鏈路消耗上無法滿足空間任務中大量數據的傳輸。另一方面，如果不考慮空間任務需求的差異性，設計的CP 將影響任務的到達率。

粒子群優化（PSO,particle swarm optimization）算法以其收斂速度快、并行計算能力強、具有動態的搜索能力等優點[15]，適用于滿足衛星網絡數據傳輸過程中對傳輸時間、能量消耗和數據存儲的需要[16-20]。文獻[16]采用PSO 算法去解決由空間環境和快速拓撲變化引起的多約束條件下衛星網絡路由的能耗問題。文獻[17]針對衛星網絡中多任務協調規劃問題，提出了一種具有變異算子的離散粒子群優化（DPSO,discrete particle swarm optimization）方案。文獻[18]基于DPSO 算法，引入分支定界算法來提高局部搜索能力的同時，采用局部鄰域拓撲來避免早期收斂陷阱。文獻[19]采用多目標粒子群優化（MOPSO,multi-objective particle swarm optimization）算法優化衛星系統有效荷載參數進行地球觀測任務。文獻[20]采用改進的PSO 算法，提出了一種基于壓縮感知的衛星導航信號采集方法（NSA-CSIPSO,navigation signal acquisition-compressed sensing using improved particle swarm optimization），確保衛星導航信號恢復準確性的同時減少接收機所需的空間數據量。以上文獻的衛星網絡中PSO 的算法研究主要針對路由能耗、任務協調、對地觀測、信號采集等問題提出了解決方案，并沒有考慮衛星網絡拓撲動態、連接間斷及由此引起的CPD 問題。

本文針對空間任務的多樣性與衛星網絡的資源受限問題，綜合考慮到PSO 算法的收斂速度與衛星網絡狀態的時變性、PSO 算法的內存空間占用小與衛星網絡的資源有限性，在傳統PSO 算法的基礎上，結合任務傳輸時效的特點和CP 中鏈路的稀疏性，提出了一種基于雙向尋優粒子群優化（BPSO,bi-directional particle swarm optimization）算法，來優化數據在衛星網絡中的傳輸效率。首先，針對LEO 衛星網絡拓撲的時變性，建立了基于任務類型的TEG 模型，定義各狀態的連接容量和負載約束。其次，基于離散拓撲對CP 進行初始化、編碼及修復操作之后，通過構建基于差異化任務的評價函數及雙向迭代過程來指引粒子的尋優方向，使整個粒子群逐漸接近最優位置，進而提升算法的持續尋優能力及網絡性能。最后，通過仿真驗證了BPSO 算法具有很好的任務傳輸時間和任務到達率，更適合于在資源受限的LEO 衛星網絡中傳輸大量帶有時效要求的數據。

2 系統模型

2.1 網絡模型

由于衛星節點圍繞地球周期性運動的特性，使網絡拓撲結構具有動態變化、ISL 頻繁切換和通斷關系隨時間動態變化的特點。此時，如果LEO 衛星和地面站直接建立通信鏈路，信道狀態會隨著衛星運動而動態變化，繼而影響到網絡的整體性能。因此，為了解決資源受限情況下LEO 衛星網絡中數據采集和傳輸的問題，本文研究并提出了一種基于BPSO 的CPD 方案。

圖1 所示的衛星通信網絡由四類節點構成：1)地面數據待采集的源節點，此類節點可被看作一個小范圍的數據待采集區域，并令其僅能與衛星節點建立上行鏈路；2)任務處理中心（MOC,mission operation center），主要用于數據處理、制定CP 和CP 的播發，可以和衛星節點與地面節點進行雙向通信；3)LEO 衛星節點，主要用于采集和傳輸數據，可以與地面站、衛星、MOC 建立雙向鏈路；4)地面站目的節點，主要用于接收數據和播發CP，可以和衛星與MOC 建立雙向鏈路。

在如圖1 所示的衛星通信網絡中，數據采集和傳輸的過程可分為如下步驟。

步驟1任務源向MOC 發起任務請求。

步驟2MOC根據任務源發來的任務請求和當前衛星的傳輸狀態制定CP，并將計算所得的CP 傳輸到衛星節點。

步驟3衛星根據接收到的CP 進行一系列數據采集和傳輸，并同時將所采集的數據傳輸到地面站。

步驟4地面站通過地面網絡將衛星采集傳輸過來的數據傳輸到MOC 進行統一處理。

圖1 網絡模型

2.2 基于任務類型的TEG 模型

如前所述，由于ISL 會因為衛星之間的相對運動頻繁地斷開，LEO 衛星網絡的拓撲結構具有時變性，因此，采用TEG[9]來表示隨時間變化的拓撲結構，如圖2 所示。圖2 中a表示待采集的數據源節點，g表示地面站，s表示衛星。考慮到MOC 在數據傳輸過程中與地面站功能相當，在圖2 中將其可視為地面站，故未單獨列出。此外，各節點表示符號的上標表示當前節點所處的狀態，下標為當前節點的索引號，例如表示第3 個狀態中的衛星節點2。假設在一個狀態內節點之間的連接是連續且恒定的[21]，則各狀態的持續時間稱作是連接容量。TEG 通過連接容量的累加來區分各節點狀態，當節點之間的連接狀態發生改變時，網絡就切換狀態。將圖2 中節點狀態標注為C1,C2,…,Cn，其對應的連接容量分別為 CT1,CT2,…,CTn。

基于圖1 所示的衛星通信網絡，圖2 連接拓撲部分給出了包含衛星、數據采集點和地面站的節點間連接拓撲；基于網絡連接拓撲，圖2 連接計劃部分給出了考慮星地鏈路、星間鏈路、數據采集鏈路及任務路徑后的CP，其中所有CP 的鏈路都是通過連接拓撲中的潛在鏈路中挑選出來的。同時，考慮到衛星的資源受限，衛星節點在同一時間內僅能建立一條鏈路，如式(1)所示。

其中，Pc,n,m表示節點n和節點m在狀態c時建立的鏈路數量，Ns表示衛星節點的數量。

圖2 基于任務類型的TEG 模型

此外，網絡節點的負載變化必須滿足式(2)所示的流量守恒原則。

其中，表示在狀態c時，節點n負載任務類型為y的數據分組數量；表示在狀態c時，任務y在鏈路m-n上傳輸的數據分組數量。需要注意的是，由于各狀態的連接容量有限，故各狀態傳輸數據分組的數量應不大于連接容量，即

3 方案描述

在LEO 衛星網絡中，節點間的連接會因為節點的周期性運動而呈現出周期性斷開的特點，且同一時間可建立連接的數量也受到了嚴格的限制。因而，在采用LEO 衛星網絡進行大規模數據采集和傳輸時，需要針對空間任務的多樣性和動態的資源限制設計來滿足傳輸需求的CP。本文基于傳統PSO 算法的思想，結合空間任務傳輸的時效性和CP 中鏈路的稀疏性，提出了基于BPSO 的CPD 方案，旨在根據空間任務和CP的特點求解出適合在LEO 衛星網絡中執行各類空間任務的CP。

3.1 BPSO 流程

基于BPSO 的CPD 方案的基本思想為：考慮到衛星網絡中CP 的特點，將CP 視作粒子群，引入PSO 算法制定CPD；同時，根據數據采集和傳輸任務的特點，對粒子進行評價和選擇性保存，進而迭代式地調整粒子的速度和位置，使粒子群逐漸靠近系統最優解。

BPSO 的流程如圖3 所示，其具體實現步驟包括：1)初始化，對BPSO 進行初始化操作，即對BPSO 輸入離散拓撲、任務屬性、相關參數等；2)編碼，根據生成的初始粒子群的負載情況和連接拓撲結構對CP 進行二進制序列編碼；3)修復，由于隨機生成的粒子可能打破系統的傳輸要求，需要對粒子進行修復操作；4)計算最終適應值，根據到達時間和任務特點計算粒子群內各粒子的最終適應值，并通過各粒子的最終適應值區分粒子在粒子群中的優劣；5)判斷是否終止算法，判斷當前迭代次數是否滿足終止條件，如果滿足則跳出循環終止算法，否則進入下一步；6)雙向尋優，BPSO 根據評價結果和歷史信息來保存歷史極值以及對應的比特序列，同時計算出當前粒子群的平均位置，然后隨機生成一個二進制值randB，如果randB=1，粒子則根據最優位置進行尋優，否則粒子根據最差位置中的待校正比特位置進行尋優，至此各粒子根據隨機二進制數和保存的歷史信息即可調整自身的速度和位置。

3.2 CP 的表示

CP 的表示包含初始化模塊、編碼模塊及修復模塊，在完成這3 個模塊后，CP 才能滿足系統傳輸要求并被合理的表示。

在初始化階段，不僅需要提前確定BPSO 在執行尋優步驟所要用到的影響因子、慣性權重等參數，還需要通過離散拓撲結構確定各狀態的狀態長度及比特序列中各比特的表示鏈路。編碼是通過確定的狀態長度和離散拓撲把CP 轉換成一個二進制序列，以使計算機在算法迭代過程中更方便地進行處理。因為初始的隨機序列未考慮系統的傳輸要求，故接下來還需要對序列進行修復。圖4 通過一個示例闡述了CP 的表示過程。

圖3 BPSO 流程

圖4 CP 表示過程

圖4 描述了一個六節點網絡從初始化到修復的CP 表示過程。首先，BPSO 通過離散連接拓撲各狀態的連接情況，逐個狀態依次提取出潛在的可用鏈路，并根據狀態內鏈路來構建連接矩陣，以便管理沖突鏈路。需要注意的是，本文的潛在的鏈路均是有向鏈路，故一條鏈路需向連接矩陣中填2 個元素。然后，根據仿真時間統計潛在鏈路的總數，該數是各CP 的序列長度。最后，BPSO 根據粒子群大小及序列長度生成一定數量的隨機二進制序列作為初始序列。

3.1節描述了BPSO 在初始化和生成隨機序列的執行步驟。但是，由于執行步驟并未考慮CPD的半雙工傳輸限制，也未考慮到傳輸效率的問題，因此完成隨機初始化的CP 需執行修復操作以滿足系統的傳輸要求。BPSO 的修復主要考慮2 個方面：一方面為了滿足系統半雙工傳輸限制對產生建立沖突的鏈路進行管理；另一方面為了提高傳輸效率避免建立空負載鏈路。對于沖突管理而言，如果按照序列從左到右的順序管理建立需求，則處在狀態起始端的鏈路勢必更容易建立，而處于末端的鏈路則會因為發送節點或接收節點被占據而放棄建立。因此，在沖突管理之前，BPSO 需要有一個大小為當前狀態長度的隨機順序序列，并按隨機生成的順序及對應的二進制值來確定哪條鏈路應該優先建立。建立鏈路后，將連接矩陣鏈路對應的行/列元素全設置為不可用，以防止其他有需求的沖突鏈路誤建立。對于空負載鏈路而言，如果當前發送節點為空負載，則默認不建立該鏈路，以此來提升鏈路的使用效率。

3.3 基于任務時間特性的評價函數

完成修復后的序列為完整且可行的CP，為了區分各粒子在粒子群中的優劣，下面對粒子進行評價。基于傳統智能算法的CPD 方案通常僅利用數據分組的傳輸狀態來評價CP 的優劣[11-14]，忽略了不同任務的數據分組可能擁有不同的時間要求，這導致網絡中數據分組的到達率降低。為此，本文提出了一種考慮任務到達時間、數據分組傳輸狀態及數據分組生存時間的綜合評價方式來提升任務數據的到達率，具體實現如式(4)所示。

其中，F為適應值，該值的大小表示粒子的優劣程度；Tc為狀態c的起始時間；是任務y的任務發起時間；φ(TAy)為任務y的罰函數，其計算式為

其中，為任務y的生存時間；為任務y需傳輸的所有數據分組的數量；為傳輸時間超出生存時間數據分組的數量；為超出生存時間的分組的平均傳輸時間，其計算式為

完成評價后，BPSO 判斷當前是否滿足迭代結束的條件。本文采用靜態終止條件來決定算法是否結束，即達到一定迭代次數后，BPSO 終止，否則，進入第4 節的尋優流程。

4 基于CP 鏈路稀疏性的雙向尋優

在傳統PSO 中，粒子的速度和位置通常都基于歷史最優信息進行更新，這種方法可以快速地調整粒子的運動方向，使粒子快速地朝著自身認為的最優位置方向移動[15]。在衛星網絡的CPD 中，粒子中各比特的值會因為系統中衛星轉發器數量的限制而相互制約，如果直接采用傳統PSO，雖然可以簡單快速地調整粒子運動軌跡，但是會導致粒子的比特串中大規模出現0 值，進而縮小粒子之間的差異，使粒子極有可能過快地進入局部優化，從而難以獲得一個傳輸效率高效的CP。為此，本文提出了一種基于CP 鏈路稀疏性的雙向尋優機制來引導粒子的運動方向。

通過將粒子的當前位置與歷史最差或最優位置進行比較，可以有效地引導粒子的運動方向，并逐漸靠近最優位置。因此，完成評價后對粒子的歷史信息進行更新，并根據這些更新后的最優/最差位置動態地調整粒子自身的速度和位置。各粒子一共需保存四類極值及極值所對應的位置，這四類極值分別是全局最優值、全局最差值、局部最優值和局部最差值，其中，全局極值及位置由粒子群共享，而局部極值及位置則由各粒子自身的歷史信息決定。

從圖4 中的示例看到，系統的限制條件會使可行CP 的比特串中大比例出現0 值。即使是擁有歷史最差值的粒子，其序列串中的大量0 值都會因為空負載而禁止建立鏈路。換言之，低適應值粒子也擁有大量與高適應值粒子相同比特位置的0 值，也即可用CP 中的鏈路具有稀疏性。如果此時直接按最差位置來反向調整粒子速度，最差粒子的稀疏鏈路會影響各粒子的位置向1 值靠近，從而大范圍地打破系統限制，最終，各粒子需要大量的修復才能滿足傳輸要求，使網絡性能惡化。因此，BPSO 在利用最差位置對各粒子進行尋優方向引導時，需提前找出最差位置中能夠正確引導粒子方向的比特位置。為此，BPSO 引入了平均位置的概念，并根據平均位置與最差位置的對比來確定最差位置中待校正的比特。

在求取粒子群的平均位置前，先引入以下幾個統計參數：狀態c下鏈路n-m在粒子群中建立的次數Nc,n,m；狀態c下鏈路n-m關聯鏈路的類型數；狀態c的鏈路類型數（狀態長度）；狀態c下鏈路n-m的關聯鏈路在粒子群中建立的次數；當前粒子CPi在狀態c建立的鏈路數；粒子群在狀態c建立的鏈路總數；粒子CPi在狀態c第j個比特的值。 各參數之間的關系如圖5 所示。

圖5 平均位置相關統計參數的關系示意

圖5 描述了圖4 中初始狀態的首個比特平均位置的相關參數之間的關系。由于該狀態中第一個比特表示鏈路1 -2，可能與其產生沖突的相關鏈路分別是2 -1 、1 -6 、6 -1 、2 -5 和5 -2 。如果簡單按照建立當前鏈路的粒子總數是否超過粒子群數量的一半來決定當前比特的均值是否為1，則粒子群的均值只會有極少的比特值為1，進而導致許多有效鏈路閑置，最終錯誤地引導粒子的運動方向。為此，在求取平均位置時，BPSO 不僅考慮了當前鏈路在狀態內的建立情況，還考慮了與其沖突的關聯鏈路建立情況，使平均位置能夠合理地表示出粒子群在當前迭代的平均狀態。平均位置的計算流程如圖6所示。在計算平均位置時，先通過式(7)計算當前鏈路獎勵數量比，再用式(8)計算當前鏈路類型數量比

通過對比式(7)和式(8)的計算結果，可以判斷出粒子群中當前鏈路n-m是否被大多數粒子所建立。而利用式(9)的計算結果與比較，可以判斷出粒子群中當前鏈路n-m是否在其相關鏈路集合中被大比例地建立。

在傳統PSO 中，粒子的速度與位置僅通過最優歷史信息來更新，這種方法能夠快速地調整粒子的運動方向，使粒子迅速地朝歷史最優位置的方向移動。但是，由于該方法對粒子運動的影響方式單一，容易限制粒子的搜索空間使其過早地進入局部優化，從而影響系統的性能。為此，BPSO 設計了基于CP 鏈路稀疏性的雙向尋優方法來更新粒子的速度與位置，具體如式(10)和式(11)所示。

圖6 平均位置計算流程

其中，wmin和wmax分別是輸入系統的最小慣性權重和最大慣性權重；fmin(iter)和fave(iter)分別是第iter 次迭代粒子群的最小適應值和平均適應值；是第iter 次迭代粒子CPi的適應值。

完成速度和權值更新的粒子根據式(15)來計算自身的位置。

由于各比特最終的展現形式是二進制數，則最終粒子的第j比特的值通過式(16)來計算。

由于僅依靠歷史信息更新的位置并沒有考慮系統在轉發器數量上的限制，故BPSO 需重新對新生成的序列進行修復，基于CP 鏈路稀疏性的雙向尋優過程一直迭代至滿足算法的終止條件，得到的最終CP 為擁有全局最優適應值的粒子位置。

5 仿真與分析

為了驗證本文模型及所提算法的有效性，本文利用Matlab 和衛星工具箱（STK,satellite tool kit）進行聯合仿真。

LEO 衛星網絡采用Iridium 星座，即6 條極軌軌道，各軌道擁有11 顆衛星。LEO 衛星網絡中的各衛星分別能與同軌道的相鄰衛星和相鄰軌道距離最近的衛星建立通信鏈路。其中，軌內鏈路可以持續建立，軌間鏈路會在2 個極區上方關閉。衛星工具箱（STK,satellite tool kit）模擬場景共設置3個數據采集區域，分別位于印度、澳大利亞和美國，任務發起的具體位置在采集區域內隨機產生；各采集區域分別發起20 個數據采集任務。所有任務共包含1 000 個數據分組，各任務的發起時間和待采集數據分組數量均服從泊松分布[22]。以實驗仿真的起始時刻為起點，各任務的發起時間與仿真起始時間之間的最短間隔不超過7 200 s。地面站分別位于和田（37.11°N，79.92°E）、密云（40.45°N，116.86°E）和西安（34.45°N，109.49°E）。簡便起見，假設各鏈路每秒傳輸一個數據分組[21]，各數據分組的生存時間為4 800 s。在BPSO 中，粒子群大小、最小慣性權重、最大慣性權重、局部學習因子和全局學習因子分別設置為100、0.6、0.8、2 和2。LEO 衛星網絡的軌道相關參數如表1 所示。

表1 LEO 衛星網絡軌道相關參數

此外，本文選取GA[11]和PSO 算法[15]這2 種經典的啟發式算法作為對比算法。為了提高可比性，對比算法的相關參數的設置盡可能地與BPSO 相同，無法設置為相同的參數則設置為常用取值。GA 的交叉率和變異率分別設置為0.6 和0.05，采用精英策略選取子代。PSO 算法的慣性權重設置為0.7。除了沒有BPSO 為各任務設計的罰函數，對比算法的評價方式與BPSO相同，以便直觀地對比算法之間的性能差異。

圖7 中的平均適應值指的是粒子群的平均適應值，圖8 中的最優適應值指的是歷史最優個體的適應值。由于在迭代過程中都保存了優秀個體，3 種算法的平均適應值和最優適應值都隨著迭代次數的增長而逐漸增加。由于GA 的交叉和變異操作可以大范圍地重組比特序列，其平均適應值和最優適應值在200 次迭代后還能夠持續增長。但由于該算法盲目的變異和交叉很容易打破系統傳輸限制，每次更新完比特序列后，GA 都需要大面積修復，這也決定了該算法迭代效率落后于 PSO 算法和BPSO。對于PSO 算法而言，由于算法只受歷史最優信息的影響，故其平均適應值和最優適應值很快收斂并最終落后于BPSO。由于BPSO 的粒子受到兩類極值的影響，故該算法的尋優能力更強，并最終在適應值上高于其他2 種對比算法。

圖7 粒子群的平均適應值

圖8 歷史最優個體的適應值

圖9 的傳輸時間表示的是LEO 衛星網絡傳輸完所有數據分組所耗費的時間，圖10 是每個數據分組到達地面站平均耗費的時間。如圖9 和圖10 所示，各算法傳輸時間變化的趨勢基本與圖7中平均適應值的變化趨勢保持一致，平均適應值越高，數據分組傳遞時間越小。GA 需更久的迭代次數才能收斂，PSO算法快收斂但最終傳輸時間不如BPSO。需要指出的是，對于PSO 算法和BPSO 在平均傳輸時間上的對比，算法之間的差距并沒有傳輸時間那么大。這是因為平均適應值更容易被傳輸時間較長的數據分組影響，而較早到達的數據分組并不能顯著地提升平均適應值。

圖9 所有數據分組傳輸完成的耗費時間

圖10 各數據分組到達地面站的平均耗時

圖11 描述了3 種算法的鏈路消耗數量隨迭代次數增加而變化的趨勢。相較于PSO 算法，BPSO在鏈路消耗數上并不占優勢，這是因為BPSO 為了到達率和傳輸時間上的優勢，所生成的CP 會避開跳數較少但更擁堵的路徑，選擇跳數相對較多但不擁塞的路徑來換取傳輸時間。

圖11 3 種算法的鏈路消耗變化對比

從圖12 可以明顯地看出，BPSO 的到達率明顯優于其他2 種對比算法，甚至在迭代初期，BPSO的迭代效率也優于PSO 算法。這是因為BPSO 利用各任務數據的時間特點來對粒子個體進行懲罰，使算法能夠快速地挑選出到達率更高的粒子，而且這些粒子能夠在迭代過程中高效地引導其他粒子運動，最終使粒子群的到達率得到一個迅速且持續地提升。

圖12 各數據分組的到達率

6 結束語

本文針對資源受限衛星網絡中數據傳輸效率低的問題，提出了一種基于BPSO 的CPD 方案。首先，基于網絡拓撲分析了衛星網絡中的CP 特性，根據CP 特征通過編碼修復操作生成了可用CP；然后，根據空間任務類型的不同制定了評價函數，并根據評價函數所得的適應值區分CP 的優劣；最后，考慮到CPD 中鏈路稀疏的特點，通過計算所得的平均位置和保存的最差位置來確定最差位置的待糾正比特，進而通過最差位置的反向引導和最優的正向引導來調整粒子的尋優方向，最終獲得一個適合傳輸任務數據的CP。仿真結果表明，與經典優化算法PSO 和GA 相比，本文提出的BPSO 利用了較小的鏈路開銷來換取傳輸時間及到達率的優勢，更適合于資源受限衛星網絡中傳輸大量帶有時效要求的數據。