多星对地观测任务规划问题的处理方法及装置与流程

本发明涉及计算机技术，特别是一种观测任务规划问题的处理方法及装置。

背景技术：

为了使地球成像卫星更好地发挥作用，任务规划技术显得尤为关键。任务规划的含义是指对待执行的观测任务进行排程、资源匹配，以及对卫星及其载荷的工作时域、空域和模式等进行确定，并制定详细工作计划的过程，其目的是驱动卫星资源科学、高效地执行任务。多星对地观测任务规划必须在复杂的约束条件下和多种优化目标下完成，因此其问题维度广，优化空间大，目前多采用智能算法得出其近似最优解。

现有技术中蚁群算法在处理多星对地观测任务规划时具有一定的优势，但确定的最优任务序列通常不是全局最优解，且收敛慢，处理时间较长。

技术实现要素：

针对现有技术中的缺陷，本发明提供一种多星对地观测任务规划问题的处理方法。

第一方面，本发明的一种多星对地观测任务规划问题的处理方法，包括：

步骤s1：在采用蚁群算法处理多星对地观测任务规划问题时，在初始化步骤中，获取信息素影响因子的缺省值αmin以作为在第一代迭代过程和第二代迭代过程中使用的信息素影响因子的值；

步骤s2：执行蚁群算法的迭代过程，得到每代迭代中生成的最好解st，将每代迭代中生成的最好解st作为一个解元素记录到解集合中；及

自第二代迭代过程开始，在得到每代迭代中生成的最好解st之后，获取当前的迭代代数的值t，并根据第一公式解算随后的第(t+1)代迭代过程中使用的信息素影响因子的值αt+1，以在随后的第(t+1)代迭代过程中根据αt+1从候选链表中选择顶点加入到待选解中，所述第一公式为：

其中，

f(t)，f(t-1)分别为第t代迭代过程中生成的最好解st对应的适应度函数值和第(t-1)代迭代过程中生成的最好解st-1对应的适应度函数值，αt为第t代迭代过程中使用的信息素影响因子的值；

步骤s3：在迭代过程满足终止准则后，将解集合中具有最大适应度函数值的解元素作为多星对地观测任务规划问题的最优方案。可选地，所述步骤s1还包括：

在初始化步骤中，获取蚁群算法的迭代总代数n，获取启发式信息影响因子的缺省值βmin以作为在第一代迭代过程和第二代迭代过程中使用的启发式信息影响因子的值；相应地，

所述步骤s2还包括：自第二代迭代过程开始，在得到每代迭代中生成的最好解st之后，获取当前的迭代代数的值t，并根据第二公式解算随后的第(t+1)代迭代过程中使用的启发式信息影响因子的值βt+1，以在随后的第(t+1)代迭代过程中根据βt+1从候选链表中选择顶点加入到待选解中，所述第二公式为：

其中，

f(t)，f(t-1)分别为第t代迭代过程中生成的最好解st对应的适应度函数值和第(t-1)代迭代过程中生成的最好解st-1对应的适应度函数值，βt为第t代迭代过程中使用的启发式信息影响因子的值。

可选地，所述步骤s1还包括：

在初始化步骤中，获取蚁群算法的迭代停滞阈值nn、适应度停滞阈值δ及信息素挥发因子的缺省值ρ0，所述ρ0用于在第一次更新信息素挥发因子的值之前的每代迭代过程中作为信息素挥发因子的值；对应地，

所述步骤s2还包括：

自第nn代迭代过程之后，在判断连续的nn代迭代过程中生成的nn个最好解对应的适应度函数值的变化率小于适应度停滞阈值δ时，触发针对信息素挥发因子的值的更新，得到更新后的信息素挥发因子的值，并在下一次触发针对信息素挥发因子的值的更新之前的所有迭代过程中使用所述更新后的信息素挥发因子的值解算每代迭代过程中使用的信息素的值。

可选地，所述步骤s2中，触发针对信息素挥发因子的值的更新，得到更新后的信息素挥发因子的值，具体包括：

获取当前的迭代代数的值t，获取当前的信息素挥发因子的值ρt，并根据第三公式更新信息素挥发因子的值，得到更新后的信息素挥发因子的值ρt+1,所述第三公式为：

其中，ρmin为信息素挥发因子的下限值。

可选地，每一代迭代中生成的最好解st包括：

执行每一对地观测任务的卫星标识、观测起始时间点、观测结束时间点；和/或

每一卫星与至少一个地面站交互的下传起始时间点、及下传结束时间点。

可选地，所述每代迭代中生成的最好解st是每代迭代中生成的所有待选解中具有最大适应度函数值的待选解经过局部搜索之后生成的。

可选地，所述处理方法还包括：

将所述最优方案中与每一卫星对应的任务发送至该卫星中，使得该卫星按照规划的任务执行。

第二方面，本发明还提供一种多星对地观测任务规划问题的处理装置，包括：

接收模块、连接接收模块的处理模块；

所述接收模块用于接收待多个卫星执行的观测任务；

所述处理模块用于采用蚁群算法处理多星对地观测任务规划问题，具体包括：

在采用蚁群算法处理多星对地观测任务规划问题时，在初始化步骤中，获取信息素影响因子的缺省值αmin以作为在第一代迭代过程和第二代迭代过程中使用的信息素影响因子的值；

执行蚁群算法的迭代过程，得到每代迭代中生成的最好解st，将每代迭代中生成的最好解st作为一个解元素记录到解集合中；及

自第二代迭代过程开始，在得到每代迭代中生成的最好解st之后，获取当前的迭代代数的值t，并根据第一公式解算随后的第(t+1)代迭代过程中使用的信息素影响因子的值αt+1，以在随后的第(t+1)代迭代过程中根据αt+1从候选链表中选择顶点加入到待选解中，所述第一公式为：

其中，

f(t)，f(t-1)分别为第t代迭代过程中生成的最好解st对应的适应度函数值和第(t-1)代迭代过程中生成的最好解st-1对应的适应度函数值，αt为第t代迭代过程中使用的信息素影响因子的值；

在迭代过程满足终止准则后，将解集合中具有最大适应度函数值的解元素作为多星对地观测任务规划问题的最优方案。

可选地，所述处理装置中，所述处理模块用于采用蚁群算法处理多星对地观测任务规划问题，具体还包括：

在初始化步骤中，获取蚁群算法的迭代总代数n，获取启发式信息影响因子的缺省值βmin以作为在第一代迭代过程和第二代迭代过程中使用的启发式信息影响因子的值；相应地，

自第二代迭代过程开始，在得到每代迭代中生成的最好解st之后，获取当前的迭代代数的值t，并根据第二公式解算随后的第(t+1)代迭代过程中使用的启发式信息影响因子的值βt+1，以在随后的第(t+1)代迭代过程中根据βt+1从候选链表中选择顶点加入到待选解中，所述第二公式为：

其中，βt为第t代迭代过程中使用的启发式信息影响因子的值。

可选地，所述处理装置中，所述处理模块用于采用蚁群算法处理多星对地观测任务规划问题，具体还包括：

在初始化步骤中，获取蚁群算法的迭代停滞阈值nn、适应度停滞阈值δ及信息素挥发因子的缺省值ρ0，所述ρ0用于在第一次更新信息素挥发因子的值之前的每代迭代过程中作为信息素挥发因子的值；对应地，

自第nn代迭代过程之后，在判断连续的nn代迭代过程中生成的nn个最好解对应的适应度函数值的变化率小于适应度停滞阈值δ时，触发针对信息素挥发因子的值的更新，得到更新后的信息素挥发因子的值，并在下一次触发针对信息素挥发因子的值的更新之前的所有迭代过程中使用所述更新后的信息素挥发因子的值解算每代迭代过程中使用的信息素的值。

可选地，所述处理装置中，所述处理模块用于触发针对信息素挥发因子的值的更新，得到更新后的信息素挥发因子的值，具体包括：

获取当前的迭代代数的值t，获取当前的信息素挥发因子的值ρt，并根据第三公式更新信息素挥发因子的值，得到更新后的信息素挥发因子的值ρt+1,所述第三公式为：

其中，ρmin为信息素挥发因子的下限值。

可选地，所述处理装置中，所述处理模块在每一代迭代中生成的最好解st包括：

执行每一对地观测任务的卫星标识、观测起始时间点、观测结束时间点；和/或

每一卫星与至少一个地面站交互的下传起始时间点、及下传结束时间点。

可选地，所述处理装置中，所述处理模块在每一代迭代中生成的最好解st是每代迭代中生成的所有待选解中具有最大适应度函数值的待选解经过局部搜索之后生成的。

可选地，处理装置还包括：与处理模块连接的发射模块；

所述发射模块用于将每一卫星的任务发送至该卫星中，以使卫星按照规划的任务执行。

本发明的多星对地观测任务规划问题的处理方法采用蚁群算法处理多星对地观测任务规划问题能够保证求解的观测任务规划具有较好的质量，且处理效率高。

本发明的多星对地观测任务规划问题的处理装置采用蚁群算法处理多星对地观测任务规划问题能够保证求解的观测任务规划具有较好的质量，且处理效率高。

附图说明

图1现有技术中卫星观测与地面站交互的示意图；

图2为当前的卫星观测的时间窗的示意图；

图3为本发明一实施例提供的多星对地观测任务规划问题的处理方法的流程示意图；

图4为本发明又一实施例提供的处理多星对地观测任务规划问题的处理装置的组成示意图。

具体实施方式

为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。

首先，界定以下基本事实，这些事实均为本领域普通技术人员所知晓的：

如图1所示，多星对地观测任务规划问题可以简要描述为:一组卫星、一组观测任务,每个观测任务的完成包含数据采集和数据回传两个活动。为每个观测任务指定一个优先级；观测任务对应的地面目标与卫星之间具有一组可用时间窗口；一个参考时间范围作为任务规划的起止时间。卫星对地观测需要满足以下约束:每个观测任务必须在其某个可用时间窗口内完成；卫星连续两次观测之间必须有足够的调整时间；卫星的侧视调整次数、存储容量有限,使每个圈次的累积观测时间有限。

在每个调度周期内，每一个卫星与每一个地面目标之间有不止一个可见时间窗口；在每个调度周期内，每一个卫星与每一个地面站之间有不止一个可见时间窗口；在每个调度周期内，每个地面目标只需要也仅能被观测一次，也即，地面目标的数目与观测任务的数目是相同的；在每个调度周期内，每个地面站可以多次与不同的卫星进行通信，接收下传数据。

在每个调度周期内，受制于可见时间窗，会出现待调度的观测任务不能全部被完成的情形，因此，为了保证观测任务总数目的完整性，设置一个虚拟卫星来记录不能被执行的观测任务。

另一方面，卫星对地观测需要满足以下约束条件:

(1)对地面目标的成像必须等待卫星在某一轨道圈次内运动至目标的上空时进行，此时卫星的遥感器会在一个时间段之内能够看见目标，这个时间段称为时间窗。在给定的规划周期内，卫星与目标之间一般不止一个时间窗，卫星对目标的观测需在其中某一个时间窗之内完成，且目标进行观测的时间窗一般会小于可见的时间窗，图2中示出了观测时间窗的开始时间与结束时间。

(2)一颗卫星在执行2个前后相继的观测任务时，中间需要有一定的过渡时间，以让卫星遥感器作好调整。类似的，地面站接受卫星下传数据时与观测任务一样，数据下传需要在地面站对卫星的下传可见时间窗口之内完成。

(3)每一次开关机时间内，卫星的侧视调整次数是有限的。

(4)卫星上有一个固定容量的星上存储器，卫星将观测的目标图像数据暂时存放在存储器中。在将数据传回地面站之后，存储器的存储容量被释放。因此存储器的实时容量在整个观测过程中是动态变化的。

从以上内容可知，多星对地观测任务规划问题必须在复杂的约束条件下和多种优化目标下求解，因此其问题维度广，优化空间大，采用智能算法得出其近似最优解的难度比较大。

蚁群算法是一种应用广泛的并行智能优化算法。现有技术中基于蚁群算法求解多星对地观测任务规划问题的解算步骤示例如下：

step1：初始化算法中基本参数的值，包括：信息素影响因子、启发式信息影响因子和信息素挥发因子，迭代总代数、蚂蚁数量等。

step2：蚁群选择一个子问题(即工作时段。工作时段是针对一个任务的一个时间窗)，并根据状态转移规则选择一个顶点加入当前的解，至此，完成了一个任务的规划。

step3：更新候选链表，该候选链表中包括有已完成任务和未完成任务；

step4：判断是否所有任务都已规划，如果是，则对本代迭代生成的最好解使用局部搜索策略以进一步优化最好解；如果否，返回step2；

step5：根据适应度函数对本代迭代生成的解进行评价，并更新信息素；

step6：判断是否满足迭代终止条件，如果满足，则算法结束并输出历史最优解；如果不满足，返回step2。

具体地，在每代迭代过程中，在构建可行解时,蚁群首先根据各工作时段的任务完成情况,选择一个未完成任务数最多的工作时段。然后,在选中的工作时段的候选链表中,选择一个顶点加入到当前的解中。

以下给出一个顶点选择的示例，应该理解为，本领域技术人员可以采用其他已知的状态转移规则以实现节点选择的目的。具体地，蚂蚁根据以下公式从当前的节点选择下一个节点：

即蚂蚁以q0做最强追踪，以概率q0由当前节点i选择下一个节点j，其中，q0∈(0,1)，q为随机数。candidate为候选节点集合。

在上述公式中，α为表征信息素在顶点选取中重要性的参数,记为信息素影响因子；β为表征启发信息素在顶点选取中重要性的参数，记为启发信息素因子；q∈[0,1]是一个随机数，q0∈[0,1]则决定蚁群的探索能力与开发能力的相对重要性。在选取顶点j为解的元素后,删除当前的候选节点集合candidate中顶点j以及有边相连的顶点,确保候选链表中不存在与解元素相连的顶点,避免在后续搜索过程中产生不可行解。

在每次迭代完成后,为提高蚁群算法的全局搜索能力，避免算法过早收敛，采用mmas算法中的规则对信息素进行更新，如下式：

τij(t+1)＝(1-ρ)·τij(t)

ifτij(t+1)＜τmin,τij(t+1)＝τmin

ifτij(t+1)＞τmax,τij(t+1)＝τmax

其中，ρ为信息素挥发因子；τmax、τmin分别为信息素挥发因子的上限值和下限值；通常，信息素τij的取值范围为(0,1]。

以上作为示例，采用mmas算法中的规则对信息素进行更新，应该理解为，本领域技术人员可以采用其他已知的信息素更新算法，以实现信息素更新的目的。

然而，上述的蚁群算法处理多星对地观测任务规划时，存在效率低且求解质量不理想的问题。

为此，本发明实施例提供一种多星对地观测任务规划问题的处理方法，包括下述步骤：

步骤s1：在采用蚁群算法处理多星对地观测任务规划问题时，在初始化步骤中，获取信息素影响因子的缺省值αmin以作为在第一代迭代过程和第二代迭代过程中使用的信息素影响因子的值；

步骤s2：执行蚁群算法的迭代过程，得到每代迭代中生成的最好解st，将每代迭代中生成的最好解st作为一个解元素记录到解集合中；及

自第二代迭代过程开始，在得到每代迭代中生成的最好解st之后，获取当前的迭代代数的值t，并根据第一公式解算随后的第(t+1)代迭代过程中使用的信息素影响因子的值αt+1，以在随后的第(t+1)代迭代过程中根据αt+1从候选链表中选择顶点加入到待选解中，所述第一公式为：

其中，

f(t)，f(t-1)分别为第t代迭代过程中生成的最好解st对应的适应度函数值和第(t-1)代迭代过程中生成的最好解st-1对应的适应度函数值，αt为第t代迭代过程中使用的信息素影响因子的值；

步骤s3：在迭代过程满足终止准则后，将解集合中具有最大适应度函数值的解元素作为多星对地观测任务规划问题的最优方案。

需要说明的是，在采用蚁群算法处理多星对地观测任务规划问题时，适应度函数f考虑了已执行的观测任务数量占所有观测任务数量的比例值x，以及已执行的观测任务的权重之和占所有观测任务的权重之和的比例值y。本领域技术人员可以通过设计合适的权重值使得x与y的加权平均和也即适应度函数f的取值范围为(0,1]。

在一种优选的实现方式中，所述步骤s1还可以包括：在初始化步骤中，获取蚁群算法的迭代总代数n，获取启发式信息影响因子的缺省值βmin以作为在第一代迭代过程和第二代迭代过程中使用的启发式信息影响因子的值；相应地，

所述步骤s2还包括：自第二代迭代过程开始，在得到每代迭代中生成的最好解st之后，获取当前的迭代代数的值t，并根据第二公式解算随后的第(t+1)代迭代过程中使用的启发式信息影响因子的值βt+1，以在随后的第(t+1)代迭代过程中根据βt+1从候选链表中选择顶点加入到待选解中，所述第二公式为：

其中，

f(t)，f(t-1)分别为第t代迭代过程中生成的最好解st对应的适应度函数值和第(t-1)代迭代过程中生成的最好解st-1对应的适应度函数值，βt为第t代迭代过程中使用的启发式信息影响因子的值。

在一种优选的实现方式中，所述步骤s1还可以包括：

在初始化步骤中，获取蚁群算法的迭代停滞阈值nn、适应度停滞阈值δ及信息素挥发因子的缺省值ρ0，所述ρ0用于在第一次更新信息素挥发因子的值之前的每代迭代过程中作为信息素挥发因子的值；对应地，

所述步骤s2还可以包括：

自第nn代迭代过程之后，在判断连续的nn代迭代过程中生成的nn个最好解对应的适应度函数值的变化率小于适应度停滞阈值δ时，触发针对信息素挥发因子的值的更新，得到更新后的信息素挥发因子的值，并在下一次触发针对信息素挥发因子的值的更新之前的所有迭代过程中使用所述更新后的信息素挥发因子的值解算每代迭代过程中使用的信息素的值。

应当理解为，在解算连续nn个最好解适应度函数值的变化率时，可以以第一个最好解的适应度函数值为基准，或最后一个最好解的适应度函数值为基准，或nn个最好解的适应度函数值中的任意一个为基准。

在一种优选的实现方式中，所述步骤s2中，触发针对信息素挥发因子的值的更新，得到更新后的信息素挥发因子的值，具体可以包括：

获取当前的迭代代数的值t，获取当前的信息素挥发因子的值ρt，并根据第三公式更新信息素挥发因子的值，得到更新后的信息素挥发因子的值ρt+1,所述第三公式为：

其中，ρmin为信息素挥发因子的下限值。

可选地，每一代迭代中生成的最好解st包括：

执行每一对地观测任务的卫星标识、观测起始时间点、观测结束时间点；和/或

每一卫星与至少一个地面站交互的下传起始时间点、下传结束时间点。

可选地，所述每代迭代中生成的最好解st是每代迭代中生成的所有待选解中具有最大适应度函数值的待选解经过局部搜索之后生成的。

具体地，每代迭代时，在蚁群完成解的构建后,对本代迭代所生成的最好解应用局部搜索策略。具体地，因为每代迭代内的优化目标仅与每个工作时段中具有最早开始时间和/或最晚结束时间这两个可见弧段的选择有关,因此局部搜索只针对各工作时段的这两个弧段进行。应用局部搜索策略的解算流程如下:首先确定最早开始(或最晚结束)弧段的至少一个备选弧段,这些弧段必须满足：①与最早开始(或最晚结束)弧段属于同一个工作时段且可以完成相同的卫星对地观测或对地下传任务；②非本代迭代生成的最好解的元素；③不与解中其他元素冲突。这些至少一个备选弧段形成备选弧段的列表。在备选弧段的列表中,确定可以最大程度缩短工作时间的弧段,并将其代替最早开始(或最晚结束)弧段加入当前的解中。以上过程反复执行直到工作时间不能再缩短为止。

可选地，所述处理方法还可以包括：

将所述最优方案中与每一卫星对应的任务发送至该卫星中，使得该卫星按照规划的任务执行。

需要说明的是，最优方案中与每一卫星对应的任务中包括观测任务和/或下传任务。根据规划周期和星上存储空间，每一卫星对应的任务中并不一定会包括下传任务。

本实施例中通过改进现有的蚁群算法可在提高处理效率的同时获得更好的处理质量。为较好的理解本发明的技术方案，以下结合前述步骤具体说明如下：

(1)在迭代过程中按照下式对信息素影响因子的值进行更新：

在第t次迭代中，如果f(t)＞f(t-1)，则增加信息素影响因子的值。因为适应度函数值增大，就意味着解的质量提高，说明前面蚂蚁留下的信息素对后面蚂蚁的引导是正向的，因此通过增加信息素影响因子的值αt+1，使得在下一次迭代中使用更大的αt+1，使得信息素的影响对寻优结果的影响增强。如果函数小于或等于上一代，则不做改变。

(2)在迭代过程中按照下式对启发式信息影响因子的值进行更新：

在第t次迭代中，如果f(t)＞f(t-1)，则增加启发式信息影响因子的值。因为启发式信息影响因子能够引导蚂蚁得到更好结果，所以通过增加启发式信息影响因子的值可以使得启发式信息影响因子对寻优结果的影响增强，反之不做改变。

(3)在迭代陷入局部最优解时，按照下式对信息素挥发因子的值进行更新：

在初始阶段给信息素挥发因子设置较小的值以此来扩大初始阶段蚁群的搜索范围，由于取值较小信息素挥发因子，其收敛性较差同时也容易陷入局部最优值，所以算法在连续的nn(nn为常数)代进化后最优解的适应度函数值没有较大的变化后，确定当前的迭代已经停滞，则根据上式更新信息素挥发因子，以使得算法跳出举出最优解，继续全局寻优。其中，ρmin为信息素挥发因子的下限值(这里是预先设置的)，可以防止信息素挥发因子过小从而降低算法的收敛速度。

现有的蚁群算法求解多星对地观测任务规划过程中信息素挥发因子是固定值。若设置ρ过大，以前搜索过的路径被再次选择的可能性过大，信息正反馈的作用占主导地位，搜索的随机性减弱，虽然算法收敛速度加快，但易于陷入局部最优状态，影响到算法的随机性能和全局搜索能力；若设置信息素挥发因子较小，通过减小信息素挥发因子虽然可以提高算法的随机性能和全局搜索能力，但路径上的残留信息占主导地位，信息正反馈的作用相对较弱，搜索的随机性增强。因为很难在运行算法时，预先确定信息素挥发因子的值，因此，现有的蚁群算法收敛速度很慢。

本发明对现有的蚁群算法容易导致早熟及停滞的现象，改变其信息素释放策略，提出自适应信息素改进的蚁群算法，通过综合考虑算法的全局搜索能力和收敛速度两项性能指标，在适应度函数值经过连续数代的迭代后基本保持不变的情况下自适应地改变信息素挥发因子的值。

具体地，在求解的初始阶段，信息素挥发因子的值需要稍大一些以增强蚁群算法搜索速度。随着循环次数的不断增加，若每次的最优值相差不大，说明过程陷入了某个极值点，不一定是全局最优解。此时需要减小信息素挥发因子的值，提高算法的搜索能力。

由以上三个改进方案确定的基于自适应参数的蚁群算法求解多星对地观测任务规划问题的处理方法的解算流程示例如下：

st1：初始化算法中的基本参数，包括：信息素影响因子的缺省值、启发式信息影响因子的缺省值、迭代总代数、迭代停滞阈值nn、适应度停滞阈值δ及信息素挥发因子的下限值等。

st2：蚁群选择一个子问题(即工作时段。工作时段是针对一个任务的一个时间窗)，并根据状态转移规则选择一个顶点加入当前的解，至此，完成了一个任务的规划。

st3：更新候选链表，该候选链表中包括有已完成任务和未完成任务；

st4：判断是否所有任务都已规划，如果是，则对本代迭代生成的最好解使用局部搜索策略以进一步优化最好解；如果否，返回st2；

st5：用适应度函数值对解进行评价，根据最近两代适应度函数值的大小判断是否更新信息素影响因子和启发式信息影响因子；及根据最近连续nn代生成的最优解的适应度函数值是否保持基本不变决定是否更新信息素挥发因子；根据适应度函数值对本代迭代生成的解进行评价，并更新信息素；

st6：判断是否满足迭代终止条件，如果满足，则算法结束并输出历史最优解；如果不满足，返回st2。

本发明实施例能够加快求解和收敛到全局最优解的速度，以及降低陷入局部的概率：

(1)改变基本蚁群算法的信息素释放策略，提出自适应信息素改进蚁群算法，通过综合考虑算法的全局搜索能力和收敛速度两项性能指标，自适应地改变信息素挥发因子的值，从而避免基本蚁群算法容易早熟和停滞的现象。

(2)自适应地改变蚁群算法中的信息素影响因子和启发式信息影响因子。当连续迭代后的最优解有改善时，自适应地调整信息素影响因子和启发式信息影响因子来加快收敛，从而提高基本蚁群算法的求解效率。

本发明实施例对蚁群算法改进的有益效果可以从两个方面进行评价，即改进后的算法求解问题的质量和改进后算法求解问题的效率。通常，算法求解效果和算法求解效率往往是不可兼得。

本发明实施例提供的多星对地观测任务规划问题的处理方法采用改进的蚁群算法可在提高运算效率的同时获得更好的近似最优解，得到当前的规划周期中的最优方案，能够保证求解的观测任务规划具有较好的质量，且处理效率高。

本发明实施例对蚁群算法能够兼顾质量和效率，使得改进后的算法满足实际应用需求。

另一方面，如图4所示，本发明又一实施例提供一种多星对地观测任务规划问题的处理装置，包括：

接收模块10、与所述接收模块10连接的处理模块20；

接收模块10用于接收待多个卫星执行的对地观测任务；

所述处理模块20用于采用蚁群算法处理多星对地观测任务的规划，具体包括：

在采用蚁群算法处理多星对地观测任务规划问题时，在初始化步骤中，获取信息素影响因子的缺省值αmin以作为在第一代迭代过程和第二代迭代过程中使用的信息素影响因子的值；

执行蚁群算法的迭代过程，得到每代迭代中生成的最好解st，将每代迭代中生成的最好解st作为一个解元素记录到解集合中；及

自第二代迭代过程开始，在得到每代迭代中生成的最好解st之后，

获取当前的迭代代数的值t，并根据第一公式解算随后的第(t+1)代迭代过程中使用的信息素影响因子的值αt+1，以在随后的第(t+1)代迭代过程中根据αt+1从候选链表中选择顶点加入到待选解中，所述第一公式为：

其中，

f(t)，f(t-1)分别为第t代迭代过程中生成的最好解st对应的适应度函数值和第(t-1)代迭代过程中生成的最好解st-1对应的适应度函数值，αt为第t代迭代过程中使用的信息素影响因子的值；

在迭代过程满足终止准则后，将解集合中具有最大适应度函数值的解元素作为多星对地观测任务规划问题的最优方案。

可选地，所述处理装置中，所述处理模块20用于采用蚁群算法处理多星对地观测任务规划问题，具体还可以包括：

在初始化步骤中，获取蚁群算法的迭代总代数n，获取启发式信息影响因子的缺省值βmin以作为在第一代迭代过程和第二代迭代过程中使用的启发式信息影响因子的值；相应地，

自第二代迭代过程开始，在得到每代迭代中生成的最好解st之后，获取当前的迭代代数的值t，并根据第二公式解算随后的第(t+1)代迭代过程中使用的启发式信息影响因子的值βt+1，以在随后的第(t+1)代迭代过程中根据βt+1从候选链表中选择顶点加入到待选解中，所述第二公式为：

其中，βt为第t代迭代过程中使用的启发式信息影响因子的值。

可选地，所述处理装置中，所述处理模块20用于采用蚁群算法处理多星对地观测任务规划问题，具体还可以包括：

在初始化步骤中，获取蚁群算法的迭代停滞阈值nn、适应度停滞阈值δ及信息素挥发因子的缺省值ρ0，所述ρ0用于在第一次更新信息素挥发因子的值之前的每代迭代过程中作为信息素挥发因子的值；对应地，

自第nn代迭代过程之后，在判断连续的nn代迭代过程中生成的nn个最好解对应的适应度函数值的变化率小于适应度停滞阈值δ时，触发针对信息素挥发因子的值的更新，得到更新后的信息素挥发因子的值，并在下一次触发针对信息素挥发因子的值的更新之前的所有迭代过程中使用所述更新后的信息素挥发因子的值解算每代迭代过程中使用的信息素的值。

可选地，所述处理装置中，所述处理模块20用于触发针对信息素挥发因子的值的更新，得到更新后的信息素挥发因子的值，具体包括：

获取当前的迭代代数的值t，获取当前的信息素挥发因子的值ρt，并根据第三公式更新信息素挥发因子的值，得到更新后的信息素挥发因子的值ρt+1,所述第三公式为：

其中，ρmin为信息素挥发因子的下限值。

可选地，所述处理装置中，所述处理模块20在每一代迭代中生成的最好解st是每代迭代中生成的所有待选解中具有最大适应度函数值的待选解经过局部搜索之后生成的。

可选地，所述处理装置中，所述处理模块20在每一代迭代中生成的最好解st包括：

执行每一对地观测任务的卫星标识、观测起始时间点、观测结束时间点；和/或

每一卫星与至少一个地面站交互的下传起始时间点、及下传结束时间点。

可选地，处理装置还可以包括：与处理模块20连接的发射模块30；

所述发射模块30用于将每一卫星的任务发送至该卫星中，以使卫星按照规划的任务执行。

本发明实施例提供的多星对地观测任务规划问题的处理装置，采用改进的蚁群算法可在提高运算效率的同时获得更好的近似最优解，得到当前的规划周期中的最优方案，能够保证求解的观测任务规划具有较好的质量，且处理效率高。

最后应说明的是：以上所述的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。