應(yīng)用改進(jìn)多種群遺傳算法的多星成像目標(biāo)規(guī)劃方法

張曼利 章文毅 馬廣彬 樊慧晶

(1 中國(guó)科學(xué)院空天信息創(chuàng)新研究院，北京 100094)(2 中國(guó)科學(xué)院大學(xué)，北京 100049)

隨著近年來(lái)衛(wèi)星遙感應(yīng)用到各個(gè)領(lǐng)域[1-2]，人們對(duì)遙感影像數(shù)據(jù)的需求急劇增長(zhǎng)。在衛(wèi)星資源相對(duì)有限的條件下，研究如何充分利用現(xiàn)有衛(wèi)星資源，給衛(wèi)星合理安排成像目標(biāo)序列，對(duì)多顆衛(wèi)星協(xié)同規(guī)劃，充分利用每顆衛(wèi)星的觀測(cè)能力，對(duì)遙感應(yīng)用具有重要的作用。多星成像規(guī)劃問(wèn)題是研究對(duì)于點(diǎn)目標(biāo)或者區(qū)域目標(biāo)來(lái)說(shuō)，在一定的成像時(shí)間周期內(nèi)如何統(tǒng)籌多顆衛(wèi)星對(duì)目標(biāo)區(qū)域進(jìn)行觀測(cè)。對(duì)每顆衛(wèi)星來(lái)說(shuō)，如果在指定的時(shí)間周期內(nèi)能飛過(guò)該目標(biāo)區(qū)域，會(huì)對(duì)該目標(biāo)區(qū)域產(chǎn)生一個(gè)或多個(gè)成像條帶(衛(wèi)星上帶有多個(gè)遙感器)，對(duì)于多星觀測(cè)區(qū)域會(huì)產(chǎn)生一個(gè)更大的條帶集合，在多星觀測(cè)的條帶集合中如何規(guī)劃出一個(gè)較優(yōu)的組合方案，就是多星成像規(guī)劃需要解決的問(wèn)題。

目前，在衛(wèi)星成像目標(biāo)規(guī)劃問(wèn)題的模型和求解算法上已經(jīng)取得一定成果。求解模型有背包模型[3]，以最大化時(shí)間覆蓋率和最大化空間覆蓋率建立時(shí)間分辨率優(yōu)先、空間分辨率優(yōu)先兩種模型[4]，約束滿(mǎn)足問(wèn)題模型[5-6]，以及將最大化成像目標(biāo)數(shù)量和目標(biāo)優(yōu)先級(jí)作為優(yōu)化目標(biāo)建立的任務(wù)組合優(yōu)化模型[7]。求解算法有禁忌搜索算法[3,5，8]、貪婪算法[4]、遺傳算法[4-5]、模擬退火算法[5]、基于基因表達(dá)式的改進(jìn)遺傳算法[6]和超啟發(fā)式算法[7]。這些算法大都是智能優(yōu)化算法[9]，容易陷入局部最優(yōu)解，且對(duì)于大區(qū)域目標(biāo)及時(shí)間周期較長(zhǎng)的情況不能盡快規(guī)劃出較優(yōu)的成像方案。同時(shí)，對(duì)于文獻(xiàn)[4-5]中使用的遺傳算法，當(dāng)成像目標(biāo)區(qū)域較小時(shí)，解空間的規(guī)模較小，遺傳算法比較適用；但是對(duì)大區(qū)域目標(biāo)成像時(shí)，在解空間規(guī)模較大的情況下，遺傳算法不能有效地規(guī)劃出較優(yōu)的成像方案。

為了有效解決上述問(wèn)題，本文提出改進(jìn)多種群遺傳算法的多星成像目標(biāo)規(guī)劃方法。根據(jù)目標(biāo)函數(shù)和約束規(guī)則建立模型，利用改進(jìn)的多種群遺傳算法對(duì)模型進(jìn)行求解，采用移民算子種群在多種群之間關(guān)聯(lián)及更新種群；移民算子種群保留每一次進(jìn)化中所有種群中的部分最優(yōu)成像方案，然后和每次進(jìn)化中所有種群進(jìn)行對(duì)比置換，保留每代進(jìn)化中的最優(yōu)成像方案，防止算法每次進(jìn)化過(guò)程中最優(yōu)成像方案丟失，從而針對(duì)多星區(qū)域目標(biāo)能夠有效地規(guī)劃出目標(biāo)函數(shù)較優(yōu)的成像方案。

1 模型設(shè)計(jì)

對(duì)于多目標(biāo)來(lái)說(shuō)，考慮衛(wèi)星的側(cè)擺能力，衛(wèi)星只有飛臨目標(biāo)上空時(shí)才有可能對(duì)目標(biāo)進(jìn)行成像。對(duì)于2個(gè)目標(biāo)，如果成像時(shí)間窗口發(fā)生重疊，因?yàn)?個(gè)時(shí)間窗口只能觀測(cè)1個(gè)目標(biāo)，所以只能選擇1個(gè)目標(biāo)成像。如圖1所示，對(duì)于觀測(cè)目標(biāo)1，2，3，4來(lái)說(shuō)，因?yàn)槟繕?biāo)1和目標(biāo)2、目標(biāo)3和目標(biāo)4成像時(shí)間窗口重疊，所以只能選擇其中的2個(gè)目標(biāo)進(jìn)行成像，例如目標(biāo)1和目標(biāo)3。

圖1 目標(biāo)成像時(shí)間窗口Fig.1 Target imaging time windows

對(duì)于點(diǎn)目標(biāo)來(lái)說(shuō)，衛(wèi)星一次過(guò)境就可滿(mǎn)足成像，但是對(duì)于區(qū)域目標(biāo)來(lái)說(shuō)，單星的幅寬和分辨率很難在短時(shí)間周期內(nèi)完成對(duì)區(qū)域目標(biāo)的成像覆蓋，而采用多星聯(lián)合對(duì)區(qū)域目標(biāo)進(jìn)行成像，則可以很好地滿(mǎn)足短時(shí)間周期內(nèi)對(duì)區(qū)域目標(biāo)進(jìn)行成像覆蓋的要求。文獻(xiàn)[4]模型約束條件中沒(méi)有考慮成像目標(biāo)重復(fù)觀測(cè)的情況，文獻(xiàn)[5-6]模型約束條件中沒(méi)有考慮衛(wèi)星遙感器最大開(kāi)機(jī)時(shí)長(zhǎng)和開(kāi)機(jī)次數(shù)限制約束條件，文獻(xiàn)[10]中對(duì)點(diǎn)目標(biāo)進(jìn)行研究，并沒(méi)有對(duì)區(qū)域目標(biāo)進(jìn)行分析。對(duì)于單個(gè)區(qū)域目標(biāo)來(lái)說(shuō)，如果衛(wèi)星的拍攝幅寬無(wú)法覆蓋觀測(cè)區(qū)域，就需要首先對(duì)區(qū)域進(jìn)行劃分，分解成多個(gè)成像條帶，每個(gè)成像條帶相當(dāng)于點(diǎn)目標(biāo)，相當(dāng)于對(duì)多個(gè)點(diǎn)目標(biāo)進(jìn)行成像規(guī)劃。對(duì)目標(biāo)成像觀測(cè)來(lái)說(shuō)，如果使用不同的衛(wèi)星，相同的分辨率，可能會(huì)出現(xiàn)對(duì)該目標(biāo)中的條帶重復(fù)觀測(cè)，為了避免這種情況，設(shè)定每個(gè)條帶至多被成像1次，且必須在某顆衛(wèi)星的可見(jiàn)時(shí)間窗口內(nèi)成像。考慮軌道覆蓋會(huì)出現(xiàn)重復(fù)觀測(cè)，為了盡可能地均分軌道，設(shè)定單個(gè)軌道只能開(kāi)機(jī)1次，即對(duì)于成像目標(biāo)劃分的條帶來(lái)說(shuō)，不同的條帶對(duì)應(yīng)的成像衛(wèi)星軌道不能相同。考慮衛(wèi)星姿態(tài)轉(zhuǎn)換需要時(shí)間，設(shè)定姿態(tài)轉(zhuǎn)換時(shí)長(zhǎng)限制。根據(jù)實(shí)際應(yīng)用中的衛(wèi)星測(cè)控規(guī)劃需求，考慮到衛(wèi)星能量和衛(wèi)星存儲(chǔ)容量的限制，采用衛(wèi)星遙感器最大開(kāi)機(jī)時(shí)長(zhǎng)和開(kāi)機(jī)次數(shù)約束設(shè)計(jì)規(guī)則，使模型更具有實(shí)際應(yīng)用價(jià)值。本文針對(duì)單個(gè)區(qū)域目標(biāo)的多星成像規(guī)劃問(wèn)題進(jìn)行研究，對(duì)于單個(gè)目標(biāo)區(qū)域來(lái)說(shuō)，衛(wèi)星遙感器開(kāi)機(jī)時(shí)長(zhǎng)比較短，開(kāi)機(jī)次數(shù)也比較少，可以滿(mǎn)足最大開(kāi)機(jī)時(shí)長(zhǎng)和開(kāi)機(jī)次數(shù)約束。

為了便于模型的建立及求解[10]，本文將成像條帶作為模型的數(shù)據(jù)輸入。它包含衛(wèi)星標(biāo)志、軌道號(hào)、遙感器型號(hào)、成像范圍、成像模式、成像時(shí)間和側(cè)擺角等重要信息。在研究區(qū)域目標(biāo)多星成像時(shí)，需要進(jìn)行衛(wèi)星軌道的計(jì)算。本文衛(wèi)星星下點(diǎn)的位置和速度使用簡(jiǎn)化常規(guī)攝動(dòng)(SGP4)模型和衛(wèi)星的兩行軌道根數(shù)(TLE)計(jì)算。根據(jù)目標(biāo)區(qū)域，通過(guò)衛(wèi)星軌道計(jì)算結(jié)合衛(wèi)星側(cè)擺角能力計(jì)算出所有可能的成像條帶。成像方案由條帶組成，在選取條帶組成成像方案時(shí)，需要考慮一定的約束條件。

問(wèn)題優(yōu)化目標(biāo)如式(1)～(3)所示。式(1)表示成像規(guī)劃方案周期最短；式(2)表示成像規(guī)劃方案覆蓋率最大；式(3)表示把成像規(guī)劃方案周期和覆蓋率采用加權(quán)和計(jì)算成像規(guī)劃方案綜合收益。考慮到實(shí)際應(yīng)用中的用戶(hù)需求往往是近期盡快安排觀測(cè)，目標(biāo)區(qū)域要盡快地滿(mǎn)足覆蓋?？紤]時(shí)間成本較低和任務(wù)完成率較高的情況，設(shè)置在時(shí)間周期較短、規(guī)劃方案覆蓋率較大情況下的合理規(guī)劃方案，即成像規(guī)劃方案中衛(wèi)星拍攝的周期最短，對(duì)觀測(cè)區(qū)域1次拍攝的覆蓋最大，這樣成像規(guī)劃方案綜合收益最佳。式(1)中成像規(guī)劃方案周期最短目標(biāo)函數(shù)要保證周期最短，同時(shí)要考慮該方案的覆蓋率大小因素，如果只考慮周期最短為收益指標(biāo)，可能會(huì)出現(xiàn)該成像規(guī)劃方案的覆蓋率非常低，因此采用方案覆蓋率作為一個(gè)權(quán)值來(lái)平衡成像周期最短目標(biāo)函數(shù)的收益函數(shù)。

問(wèn)題約束規(guī)如式(4)～(9)所示。式(4)表示當(dāng)衛(wèi)星飛臨目標(biāo)的時(shí)間段內(nèi)都可以對(duì)目標(biāo)成像，為了避免不同的衛(wèi)星對(duì)該條帶重復(fù)觀測(cè)，限定每個(gè)觀測(cè)條帶至多被成像1次，即條帶i至多有1個(gè)成像時(shí)間窗口。式(5)表示觀測(cè)條帶如果被成像，任意條帶的成像時(shí)間區(qū)間必須在某顆衛(wèi)星的可見(jiàn)時(shí)間窗口內(nèi)。式(6)表示不同的條帶對(duì)應(yīng)的成像衛(wèi)星軌道不能相同。式(7)表示對(duì)于不同的觀測(cè)條帶來(lái)說(shuō)，衛(wèi)星遙感器成像需要轉(zhuǎn)換姿態(tài)角，即2個(gè)相鄰條帶的成像時(shí)間間隔需要大于姿態(tài)轉(zhuǎn)換時(shí)長(zhǎng),成像規(guī)劃方案里所有條帶按照成像時(shí)間窗口的開(kāi)始時(shí)間排序，參考圖1，對(duì)于相鄰條帶來(lái)說(shuō)，成像時(shí)間窗口不能重疊，因此1個(gè)時(shí)間窗口只能觀測(cè)1個(gè)條帶。式(8)表示遙感器開(kāi)機(jī)的持續(xù)總時(shí)間要小于最大開(kāi)機(jī)時(shí)長(zhǎng)。式(9)表示遙感器開(kāi)機(jī)次數(shù)要小于最大開(kāi)機(jī)次數(shù)。

(1)

(2)

(3)

yijr≤1

(4)

(5)

Oi≠Ok

(6)

fi+ti,i+1

(7)

(8)

npt

(9)

模型中式(1)～(9)的符號(hào)釋義如下。條帶序號(hào)i=1,2,3,…,nb，nb為條帶總數(shù)；Ci為成像條帶Bi的覆蓋率，其中，Bi為成像規(guī)劃方案里的所有條帶集合B(所有條帶按照成像時(shí)間窗口的開(kāi)始時(shí)間排序)里面的任意條帶；Tstart和Tend分別為成像規(guī)劃輸入的起始時(shí)間和結(jié)束時(shí)間，Ttstart和Ttend分別為成像規(guī)劃方案的實(shí)際起始時(shí)間和實(shí)際結(jié)束時(shí)間；v1和v2分別為成像周期和成像區(qū)域覆蓋率對(duì)應(yīng)的權(quán)值；成像條帶Bi在衛(wèi)星Sj的第r個(gè)時(shí)間窗口成像時(shí)，yijr取值為1，否則為0，其中，Sj為衛(wèi)星集合S里面的任意衛(wèi)星，衛(wèi)星序號(hào)j=1,2,3,…,ns，ns為衛(wèi)星總數(shù)，成像窗口序號(hào)r=1,2,3,…,nij，nij為衛(wèi)星Sj對(duì)成像條帶Bi的可行成像時(shí)間窗口總數(shù)；bi和fi分別為條帶Bi的實(shí)際成像開(kāi)始時(shí)間和實(shí)際成像結(jié)束時(shí)間；wijr,s和wijr,e分別為條帶Bi在衛(wèi)星Sj的第r個(gè)時(shí)間窗口的開(kāi)始時(shí)間和結(jié)束時(shí)間；Oi為條帶Bi對(duì)應(yīng)的軌道號(hào)，Ok為條帶Bk對(duì)應(yīng)的軌道號(hào)，其中，i≠k，k=1,2,3,…,nb；ti,i+1為條帶Bi到后續(xù)條帶Bi+1的姿態(tài)轉(zhuǎn)換時(shí)長(zhǎng)；bi+1為條帶Bi+1的實(shí)際開(kāi)始成像時(shí)間；tm,ps和tm,pe分別為遙感器第m次開(kāi)機(jī)時(shí)間和關(guān)機(jī)時(shí)間，其中，m=1,2,3,…,npt，npt為遙感器開(kāi)機(jī)總數(shù)；lpt為遙感器最大開(kāi)機(jī)時(shí)間；NPT為遙感器最大開(kāi)機(jī)次數(shù)。

2 改進(jìn)的多種群遺傳算法求解過(guò)程

2.1 算法框架

改進(jìn)的多種群遺傳算法源于遺傳算法，設(shè)置生成多種群協(xié)同進(jìn)化，每個(gè)種群隨機(jī)生成不同的交叉概率和變異概率，提高對(duì)觀測(cè)目標(biāo)最優(yōu)成像方案的搜索能力，避免算法的進(jìn)化過(guò)程較早收斂。同時(shí)，加入移民算子種群在多種群之間進(jìn)行關(guān)聯(lián)及更新種群，移民算子種群保留每次進(jìn)化中所有種群中的部分最優(yōu)成像方案，然后和每次進(jìn)化中所有種群進(jìn)行對(duì)比置換，保留每代進(jìn)化中的最優(yōu)成像方案。利用精華種群中適應(yīng)度最大的成像方案的最少保持代數(shù)作為終止判據(jù)，比遺傳算法中設(shè)定1個(gè)最大進(jìn)化代數(shù)作為終止判據(jù)更加有效，使收斂速度得到提高。

2.2 算法調(diào)度流程

改進(jìn)的多種群遺傳算法中種群的個(gè)體代表每個(gè)成像方案，個(gè)體的適應(yīng)度函數(shù)代表模型中的目標(biāo)函數(shù)，種群是由若干個(gè)個(gè)體組成，個(gè)體中的基因代表相對(duì)應(yīng)的過(guò)境軌道產(chǎn)生的條帶集中被選中的條帶。每個(gè)過(guò)境軌道集包含多個(gè)過(guò)境軌道，且過(guò)境軌道相互沖突，所以選擇其一參與成像。采用二進(jìn)制編碼方式，1位二進(jìn)制編碼代表1個(gè)成像條帶，編碼為0時(shí)表示該條帶沒(méi)有被選中，編碼為1時(shí)表示選擇該條帶加入成像方案，成像方案由1個(gè)二進(jìn)制串組成。算法詳細(xì)設(shè)計(jì)求解流程見(jiàn)圖2。

圖2 算法流程Fig.2 Algorithm flow

(1)每次隨機(jī)生成的成像方案需要判斷方案中的所有條帶是否滿(mǎn)足約束規(guī)則式(4)～(9)，滿(mǎn)足所有的約束規(guī)則后該方案才會(huì)被保留下來(lái)。

(2)初始化移民算子種群，即從n個(gè)種群中選擇適應(yīng)度最大的成像方案復(fù)制到初始移民算子種群中。

(3) 對(duì)n個(gè)種群隨機(jī)產(chǎn)生交叉概率(Pc)和變異概率(Pm)。不同的Pc和Pm值對(duì)算法的搜索能力不同。

(4)采用輪盤(pán)賭選擇個(gè)體。2個(gè)個(gè)體進(jìn)行交叉時(shí)，被選中交換的二進(jìn)制編碼位代表1個(gè)條帶，交換時(shí)不僅要把二進(jìn)制編碼段進(jìn)行交換，還要把二進(jìn)制碼代表的條帶信息進(jìn)行交換。

(5)移民算子種群在多種群之間進(jìn)行關(guān)聯(lián)及更新種群，n個(gè)種群經(jīng)過(guò)選擇、交叉、變異后，把迭代過(guò)程中的每個(gè)種群Ax(x=1,2,3,…,n)和移民算子種群B比較成像方案的適應(yīng)度值。若發(fā)現(xiàn)種群Ax中最優(yōu)成像方案優(yōu)于移民算子種群B中的最優(yōu)成像方案，則把種群Ax中所有優(yōu)于移民算子種群B中最優(yōu)成像方案的成像方案加入到移民算子種群B中；否則，把移民算子種群B中所有優(yōu)于種群Ax中的成像方案置換掉種群Ax中的最差成像方案。該過(guò)程可以保證每次產(chǎn)生的較優(yōu)染色體被保留下來(lái)[6]，保證多種群共同進(jìn)化。

(6)通過(guò)人工選擇算子模塊保存每個(gè)種群中適應(yīng)度最大的成像方案及編碼，放到精華種群中。

(7)最后判斷精華種群中適應(yīng)度最大成像方案的保持代數(shù)是否滿(mǎn)足收斂條件，如果滿(mǎn)足收斂條件，則輸出精華種群中適應(yīng)度最大的成像方案，否則，轉(zhuǎn)到(4)。

3 試驗(yàn)驗(yàn)證與分析

本文使用NetBeans軟件及Java語(yǔ)言編程實(shí)現(xiàn)衛(wèi)星成像任務(wù)規(guī)劃方法。改進(jìn)的多種群遺傳算法設(shè)置3個(gè)種群進(jìn)行尋優(yōu)求解，在[0.7,0.9]內(nèi)隨機(jī)產(chǎn)生Pc，在[0.001,0.300]內(nèi)隨機(jī)產(chǎn)生Pm。

為驗(yàn)證改進(jìn)的多種群遺傳算法進(jìn)化過(guò)程的收斂效率，分別對(duì)遺傳算法和改進(jìn)的多種群遺傳算法進(jìn)行進(jìn)化過(guò)程對(duì)比試驗(yàn)，對(duì)同一個(gè)目標(biāo)區(qū)域分別進(jìn)行5次試驗(yàn)，選擇成像規(guī)劃方案覆蓋率最大目標(biāo)函數(shù)收益值作為對(duì)比標(biāo)準(zhǔn)。目標(biāo)函數(shù)收益值范圍區(qū)間是[0,1]，最大收益值為1，試驗(yàn)設(shè)置GA進(jìn)化500代，設(shè)置MPGA進(jìn)化50代，試驗(yàn)對(duì)比結(jié)果如圖3和圖4所示。

由圖3遺傳算法的5次進(jìn)化過(guò)程試驗(yàn)可以看出：5次試驗(yàn)的平均收益值都不相同，進(jìn)化過(guò)程不穩(wěn)定，且第1次試驗(yàn)和第5次試驗(yàn)進(jìn)化500代后仍然沒(méi)有穩(wěn)定下來(lái)，收斂速度比較慢，第2～4次試驗(yàn)雖然在200代附近收斂，但是收斂值并不理想，導(dǎo)致過(guò)早的收斂。觀察5次試驗(yàn)進(jìn)化過(guò)程曲線可以看出：遺傳算法得出的收益值并不是逐漸增長(zhǎng)的曲線，這是因?yàn)檫z傳算法在進(jìn)化過(guò)程中沒(méi)有保留每代進(jìn)化中的最優(yōu)成像方案，容易丟失最優(yōu)解。由圖4改進(jìn)的多種群遺傳算法的5次試驗(yàn)結(jié)果可以看出：進(jìn)化過(guò)程比較穩(wěn)定，平均在20代以?xún)?nèi)收斂，并且5次收斂時(shí)的收益值都比較理想，5次試驗(yàn)曲線呈現(xiàn)穩(wěn)定上升，這是因?yàn)橐泼袼阕臃N群模塊保留了每代進(jìn)化中的最優(yōu)成像方案，子代種群進(jìn)化是在父代種群的最優(yōu)值基礎(chǔ)上繼續(xù)尋優(yōu)，所以最終收斂值比較理想?？梢?jiàn)，綜合比較分析，改進(jìn)的多種群遺傳算法比遺傳算法收斂進(jìn)程快，且收斂值更優(yōu)。

圖3 遺傳算法進(jìn)化過(guò)程試驗(yàn)Fig.3 Genetic algorithm evolution process test

圖4 改進(jìn)的多種群遺傳算法進(jìn)化過(guò)程試驗(yàn)Fig.4 Improved multi-population genetic algorithm evolution process test

為驗(yàn)證改進(jìn)的多種群遺傳算法求解模型中成像規(guī)劃方案周期最短、覆蓋率最大目標(biāo)函數(shù)的性能，與遺傳算法[5]作對(duì)比分析。選取5個(gè)目標(biāo)區(qū)域,成像衛(wèi)星為昴宿星-1a，1b(Pleiades-1a,1b),成像時(shí)間在2020-04-01T00:00:00-2020-04-15T00:00:00?？紤]到遺傳算法的不穩(wěn)定性，改進(jìn)的多種群遺傳算法和遺傳算法均對(duì)每個(gè)區(qū)域做10次試驗(yàn)，最后取平均值作為收益結(jié)果進(jìn)行對(duì)比。選擇成像規(guī)劃方案覆蓋率最大和成像方案周期最短2個(gè)目標(biāo)函數(shù)收益值作為對(duì)比標(biāo)準(zhǔn)，為了更直觀地對(duì)比不同目標(biāo)區(qū)域調(diào)用2種算法得出的成像方案的覆蓋率和成像周期目標(biāo)函數(shù)，分別將結(jié)果整理為圖5和圖6。

圖5 成像方案覆蓋率收益對(duì)比Fig.5 Benefit comparison of imaging scheme coverage

圖6 成像方案周期收益對(duì)比Fig.6 Benefit comparison of imaging scheme time period

從圖5和圖6可以看出：改進(jìn)的多種群遺傳算法在成像規(guī)劃方案覆蓋率和成像周期目標(biāo)函數(shù)上都優(yōu)于遺傳算法。在改進(jìn)的多種群遺傳算法的迭代計(jì)算過(guò)程中，因?yàn)樵O(shè)置生成多種群進(jìn)行進(jìn)化，每個(gè)種群隨機(jī)生成不同的交叉概率和變異概率，每次進(jìn)化過(guò)程中的所有種群和移民算子種群進(jìn)行置換更新，在保留較優(yōu)成像方案編碼方案時(shí)，多個(gè)種群協(xié)同進(jìn)化尋優(yōu)；遺傳算法則容易出現(xiàn)過(guò)早的收斂，收斂結(jié)果并不理想(參見(jiàn)圖3和圖4)，因此，改進(jìn)的多種群遺傳算法得出的規(guī)劃方案結(jié)果優(yōu)于遺傳算法。本文多星成像目標(biāo)規(guī)劃方法能夠較好地適應(yīng)對(duì)模型的求解，在有效的成像時(shí)間內(nèi)規(guī)劃出比較理想的成像方案，適用于多星成像目標(biāo)規(guī)劃問(wèn)題。

4 結(jié)束語(yǔ)

衛(wèi)星成像規(guī)劃問(wèn)題的研究對(duì)于遙感應(yīng)急應(yīng)用等方面具有重要意義。本文面向區(qū)域目標(biāo)進(jìn)行求解，以目標(biāo)成像時(shí)間周期最小和目標(biāo)成像覆蓋率最大為目標(biāo)函數(shù)建立模型，加入移民算子種群，保證各個(gè)種群之間進(jìn)行對(duì)比關(guān)聯(lián)及協(xié)同尋優(yōu)，以保留較優(yōu)的成像方案。試驗(yàn)結(jié)果表明，改進(jìn)的多種群遺傳算法求解精度優(yōu)于遺傳算法，穩(wěn)定性較佳，能較好地解決衛(wèi)星成像任務(wù)規(guī)劃問(wèn)題。后續(xù)會(huì)進(jìn)一步改進(jìn)算法的性能，更加全面地考慮衛(wèi)星實(shí)際約束情況，以及對(duì)于緊急任務(wù)的插入處理規(guī)則；同時(shí)，針對(duì)具備俯仰角姿態(tài)機(jī)動(dòng)能力的衛(wèi)星，研究在具有更加靈活的觀測(cè)角情況下如何更好地協(xié)同多顆衛(wèi)星進(jìn)行規(guī)劃成像。