本发明涉及遥感卫星技术领域，尤其涉及一种智能遥感卫星层次化分布式自主协同任务规划系统。
背景技术：
遥感卫星，是用作外层空间遥感平台的人造卫星。通常，遥感卫星可在轨道上运行数年。卫星轨道可根据需要来确定。遥感卫星能在规定的时间内覆盖整个地球或指定的任何区域，当沿地球同步轨道运行时，它能连续地对地球表面某指定地域进行遥感。所有的遥感卫星都需要有遥感卫星地面站，从遥感集市平台获得的卫星数据可监测到农业、林业、海洋、国土、环保、气象等情况，遥感卫星主要有气象卫星、陆地卫星和海洋卫星三种类型。
遥感卫星技术目前取得了较大的进步，不同遥感卫星的工作模式和使用约束十分复杂，一般具有相对独立的任务规划系统，目前的遥感卫星技术仍然存在以下问题：
(1)任务规划问题的复杂性。智能卫星任务规划在任务、资源、约束和优化目标等四个方面都有一定的特殊性，常见的资源调度模型与优化方法很难解决。
(2)调度算法的复杂性与不确定性。调度算法的随机性使得调度结果也具有不确定性，同时也增加了可调度性预测的难度。
(3)任务样本选择的复杂性。不同卫星在轨运行过程中会积累大量的历史任务数据，如何选择典型代表性样本来提高预测算法的执行效率具备一定难度。
(4)样本特征提取的复杂性。成像任务一般具备静态与动态两方面的属性特征：静态属性主要为任务独立具备的不随所在任务集合改变而变化的相关属性，如成像任务的数据类型、分辨率、优先级、需求观测时长、气象条件和成像模式等；动态属性随着任务所在集合的变化而变化，如描述任务之间资源竞争情况、观测机会冲突情况等。如何在各类属性中选择对于预测过程具有决定性影响的特征同样是十分复杂的。
(5)不同行业众多用户每天提交的成像观测需求将突破数万条，如何将多用户提交的大量成像任务有效地分配给不同遥感卫星尚缺乏有效的理论和技术支撑。
(6)遥感卫星任务规划具有复杂的约束、难以预测的状态信息以及繁杂的需求种类，使得卫星任务规划问题一直是系统工程领域的难点。
(7)随着遥感卫星和成像任务数目的急剧增加，如何将新型卫星获得的高分辨率遥感影像快速及时地传输到地面用户(即多任务多地面站调度)，尚缺乏有效的技术支撑。
技术实现要素：
为了解决现有技术中的问题，本发明的目的是提供一种智能遥感卫星层次化分布式自主协同任务规划系统，其成功地攻关了成像任务可调度性预测、高维空间下的多任务多资源动态调度、精细化规划与调度算法设计等关键科学问题和相应的技术难题，使多星自主协同任务规划技术能够更好地应用于实际的国防建设领域，促进了分配方案的合理化，促进了资源使用更加高效。
为了实现上述目的，本发明采用的技术方案是：
一种智能遥感卫星层次化分布式自主协同任务规划系统，其包括多星任务协调器和星上调度器，所述多星任务协调器将待分配任务集合中的任务分配给下辖的多颗智能卫星并将任务处理成星上调度器直接识别的元任务，各智能卫星利用其星上调度器对被分配的新任务和已有任务进行统一调度，其中，所述多星任务协调器在进行任务分配之前，预先估计相关星上调度器的调度结果，并以此作为任务分配的依据，避免后期调度结果反馈的滞后性。
优选地，所述多星任务协调器将滚动窗口内的任务集合分配给下辖的多颗智能卫星，各智能卫星利用其星上调度器对被分配的新任务和已有任务进行调度，在当前滚动窗口的起始时刻，多星任务协调器对任务信息进行更新，删除上一滚动窗口内已经完成的任务以及在所述起始时刻正在执行的任务，并将上一滚动窗口内未分配的任务、以及在上一滚动窗口内到达的新任务组合成当前滚动窗口内的任务集合，且所述多星任务协调器将该任务集合向所述多颗智能卫星进行分配，其中，基于混合触发模式来确定滚动窗口的起始时刻，一方面，每隔一个时间段触发滚动分配，该时间段为恒定的或根据预先设定的规则动态变化；另一方面，在出现使系统状态发生改变的事件或在受到人工干预时触发滚动分配。
优选地，一方面，所述时间段根据测控周期设置；另一方面，所述使系统状态发生改变的事件包括：接收到应急观测任务，且积累的未分配应急观测任务达到五件或者是所述多星任务协调器下辖的智能卫星数的5％。
优选地，所述多星任务协调器包括地面站和地球静止轨道通信卫星，在测控周期之内，所述地面站进行任务分配；在测控周期之外，所述地球静止轨道通信卫星进行任务分配，且所述应急观测任务由所述智能卫星生成，其中，所述地球静止轨道通信卫星仅对在进行分配时与之具有通信环路的智能卫星进行任务分配，此时，所述多星任务协调器下辖的智能卫星数是指与所述地球静止轨道通信卫星具有通信环路的智能卫星的数量。
在本发明中，任务分配与实际传送不是必须是实时执行的。也就是说，所述多星任务协调器可以在某个时间点，对所有下辖的卫星进行任务分配，但是仅仅实时地将相关任务传送至当前具有通信环路的智能卫星，至于暂时不具有通信环路的智能卫星，则在下一个通信时间窗口内将分配的任务传送给星上调度器。类似地，所分配任务在星上的调度结果也不是必须实时地反馈至多星协调器。甚至，星上调度器不是在接受到新分配的任务后即进行调度。这有利于安排星上资源与星上工作计划。提高整体计划的可预测性。
优选地，各智能卫星的星上调度器的任务调度策略如下：
(1)在t-驱动的调度时刻点，采用渐进式方法中的完全重调度策略，生成下一个周期时间区间内的新任务计划，t-驱动的调度时刻点是根据给定的时间间隔t来确定特定的调度时间点lt，0≤l≤l,lt≤h＜(l+1)t，每到达一个调度时间点lt，则计算生成后一调度区间[lt,(l+1)t]的任务计划，其中l为正整数，t为给定的时间间隔，l为最大t-驱动调度次数，h为总调度区间，
(2)在c*-驱动的重调度时刻点，采用修订式方法中的调度计划修复策略，当卫星运行在给定的调度区间内时，若在某一时刻t(0＜t＜h)，星上的应急观测任务累积量ct超过给定的阈值c*时，则执行重调度计算，其中阈值c*为应急观测任务的临界累积数，
除上述两种调度时刻点之外，不在任何其他时刻点进行调度，
在t-驱动的调度时刻点的调度算法如下：
输入：
输出:
具体步骤如下：
步骤11分别从
步骤12将
步骤13按照设定的启发式规则，对整合后的观测任务集合中的任务进行排序；
步骤14按照排序，对所述整合后的观测任务集合中的任务一一进行调度，以确定是否将之加入到
步骤15输出下一时间周期t内的调度计划
在c*-驱动的重调度时刻点的调度算法如下：
输入：
输出:
具体步骤如下：
步骤21根据观测时间窗口处于时间t到下一个t-驱动调度时刻点这一时间区间内的条件，从任务集合
步骤22根据设定的启发式规则，对
步骤23按照新的任务次序，一一选取
步骤24输出已修订的调度计划
优选地，所述一种智能遥感卫星层次化分布式自主协同任务规划系统包括结构化神经网络模块，所述结构化神经网络模块采用结构化神经网络对成像任务可调度性进行预测，其中，所述结构化神经网络模块通过因果关系理论而构建，各节点之间所有的连接关系均基于实际系统的因果关系构建。
优选地，所述的智能遥感卫星层次化分布式自主协同任务规划系统包括结构化神经网络模块，所述结构化神经网络模块采用结构化神经网络对成像任务可调度性进行预测，其中，所述结构化神经网络模块通过因果关系理论而构建，各节点之间所有的连接关系均基于实际系统的因果关系构建。
本发明还提供一种智能遥感卫星层次化分布式自主协同任务规划系统，其包括结构化神经网络模块、学习型智能优化模块、约束推理模块；所述结构化神经网络模块采用结构化神经网络对成像任务可调度性进行预测；所述学习型智能优化模块采用学习型智能优化方法对高维空间下的多任务多资源进行动态调度，其包括学习型遗传算法模块和学习型蚁群算法模块，所述学习型遗传算法模块通过学习型遗传算法对多任务多资源进行滚动分配，所述学习型蚁群算法模块通过学习型蚁群算法对多任务多地面站进行滚动调度；所述约束推理模块通过智能优化与约束推理对单星自主任务进行规划；所述自主协同任务规划系统通过层次化分布式的自主协同任务体系，将任务进行统筹分配，并进行分布式处理。
优选的方案，所述结构化神经网络模块通过因果关系理论而构建，各节点之间所有的连接关系均基于实际系统的因果关系构建。
进一步优选的方案，所述学习型智能优化模块采用智能优化模型和知识模型相结合的方法进行集成建模；所述智能优化模型按照“邻域搜索”策略对待优化问题的可行空间进行搜索，所述知识模型是从前期的优化过程中挖掘出有用知识，并采用得到的知识指导智能优化方法的后续优化过程。
更进一步优选的方案，所述约束推理模块包括逻辑约束推理、时间推理和资源约束推理。
再进一步优选的方案，所述逻辑约束推理采用条件触发方式，根据条件产生新的活动并插入；所述时间推理采用时间约束网络的路径一致性检查和约束传播技术，使时间值域缩减和时间约束满足；所述资源约束推理是建立在时间网络的基础上，以资源时间网络描述问题，计算资源消耗水平的分布，根据分布找到缺陷，并基于缺陷管理机制，调整活动间的约束。
所述自主协同任务体系包括一个多星任务协调器和多个独立分布且与所述多星任务协调器相连的单星任务调度器。
所述自主协同任务体系的任务协调方法为：多星任务协调器接受新任务，并对新任务进行任务约束解析；然后通过分配算法将任务分配到每个单星任务调度器上，并将任务处理成单星任务调度器直接识别的元任务；最后由单星任务调度器执行调度算法，生成各自观测资源的观测方案至各自对应的卫星。
所述一个多星任务协调器和多个单星任务调度器之间为双向信息连接，各单星任务调度器的单星调度结果反馈给多星任务协调器，未完成的任务由多星任务协调器依据其他卫星的状态进行再次分配。
通过采用以上技术方案，本发明的智能遥感卫星层次化分布式自主协同任务规划系统与现有技术相比，其有益效果为：
1、本发明采用层次化分布式自主协同任务规划模式，总控级别的协调器和多个单星任务调度器之间通过若干次的反馈再分配机制，促进了分配方案的合理化，从而促进了资源的使用更加高效。
2、分层任务规划将复杂问题进行预先统筹分配、分布式处理，大大降低问题的求解复杂度，且采用任务可调度性预测方法，合理地建立了两个层次决策变量之间的衔接关系，任务可调度性预测能在顶层任务预规划阶段，预先估计下层各平台调度结果，以此作为任务分配的依据，避免了后期调度结果反馈的滞后性而导致的前期任务分配的盲目性。
3、本发明成功攻关了成像任务可调度性预测、高维空间下的多任务多资源动态调度、精细化规划与调度算法设计等关键科学问题和相应的技术难题，使多星自主协同任务规划技术能更好地应用于实际的国防建设领域。
4、本发明采用结构化神经网络对成像任务可调度性进行预测，结构化神经网络模型各节点之间所有的连接关系都是基于现实实际系统的因果关系构建起来的，具有较强的模型参数解释能力，有效解决了传统前馈神经网络模型存在的各种缺陷，诸如模型非结构化、收敛速度慢、神经元个数很难确定及局部最小等。
5、采用多任务多资源动态滚动分配机制，通过把复杂的动态调度问题分解为多个简单的静态调度子问题，再对子问题的优化解进行组合，从而代替原问题的最优解，这样大大降低了原问题求解的难度。
附图说明
图1为本发明智能遥感卫星网络自主协同任务规划系统框架图；
图2为本发明智能遥感卫星网络自主协同任务规划系统的整体方案图；
图3为本发明的学习型智能优化方法的方案图；
图4为本发明的层次化分布式协同任务规划框架图；
图5为本发明层次化分布式的自主协同任务体系的体系结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实例，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
本发明的智能遥感卫星层次化分布式自主协同任务规划系统包括多星任务协调器和星上调度器，所述多星任务协调器将待分配任务集合中的任务分配给下辖的多颗智能卫星并将任务处理成星上调度器直接识别的元任务，各智能卫星利用其星上调度器对被分配的新任务和已有任务进行统一调度，其中，所述多星任务协调器在进行任务分配之前，预先估计相关星上调度器的调度结果，并以此作为任务分配的依据，避免后期调度结果反馈的滞后性。
预先估计可以采用任何适当的方法或策略。一种可选的方法为根据任务饱和度或星上资源闲置程度进行估计。例如，星上剩余20％的资源，而新增加的任务预计占用15％的资源，则预估能够调度成功。另一种可选的方法为根据任务优先等级进行判定。例如，星上剩余20％的资源，而新增加的任务预计占用25％的资源，但是，星上待处理任务的优先等级低于新分配任务，则也预估能够调度成功。至于有可能被替换的任务，则退回至协调器重新进行分配。有利的是，采用神经网络来进行上述的预先估计或预测。从而，能够具有更高的预测准确性与预测精细度。
所述多星任务协调器将滚动窗口内的任务集合分配给下辖的多颗智能卫星，各智能卫星利用其星上调度器对被分配的新任务和已有任务进行调度，在当前滚动窗口的起始时刻，多星任务协调器对任务信息进行更新，删除上一滚动窗口内已经完成的任务以及在所述起始时刻正在执行的任务，并将上一滚动窗口内未分配的任务、以及在上一滚动窗口内到达的新任务组合成当前滚动窗口内的任务集合，且所述多星任务协调器将该任务集合向所述多颗智能卫星进行分配，其中，基于混合触发模式来确定滚动窗口的起始时刻，一方面，每隔一个时间段触发滚动分配，该时间段为恒定的或根据预先设定的规则动态变化；另一方面，在出现使系统状态发生改变的事件或在受到人工干预时触发滚动分配。
优选地，一方面，所述时间段根据测控周期设置；另一方面，所述使系统状态发生改变的事件包括：接收到应急观测任务，且积累的未分配应急观测任务达到五件或者是所述多星任务协调器下辖的智能卫星数的5％。
在一个可选实施例中，所述多星任务协调器包括地面站和地球静止轨道通信卫星，在测控周期之内，所述地面站进行任务分配；在测控周期之外，所述地球静止轨道通信卫星进行任务分配，且所述应急观测任务由所述智能卫星生成，其中，所述地球静止轨道通信卫星仅对在进行分配时与之具有通信环路的智能卫星进行任务分配，此时，所述多星任务协调器下辖的智能卫星数是指与所述地球静止轨道通信卫星具有通信环路的智能卫星的数量。
优选地，各智能卫星的星上调度器的任务调度策略如下：
(1)在t-驱动的调度时刻点，采用渐进式方法中的完全重调度策略，生成下一个周期时间区间内的新任务计划，t-驱动的调度时刻点是根据给定的时间间隔t来确定特定的调度时间点lt，0≤l≤l,lt≤h＜(l+1)t，每到达一个调度时间点lt，则计算生成后一调度区间[lt,(l+1)t]的任务计划，其中l为正整数，t为给定的时间间隔，l为最大t-驱动调度次数，h为总调度区间，
(2)在c*-驱动的重调度时刻点，采用修订式方法中的调度计划修复策略，当卫星运行在给定的调度区间内时，若在某一时刻t(0＜t＜h)，星上的应急观测任务累积量ct超过给定的阈值c*时，则执行重调度计算，其中阈值c*为应急观测任务的临界累积数，
除上述两种调度时刻点之外，星上调度器不在任何其他时刻点进行调度。
有利的是，在多星任务协调器的滚动窗口为恒定的时间段的情况下，t-驱动的调度时刻点的周期等于所述恒定的时间段。在多星任务协调器的滚动窗口为规律变化的时间段的情况下，t-驱动的调度时刻点的周期等于或者小于所述时间段的最小长度。
在另一个可选实施例中，每当收到多星任务协调器新分配的任务时，星上调度器就对任务进行一次调度，并反馈调度结果。
具体地，在t-驱动的调度时刻点的调度算法如下：
输入：
输出:
具体步骤如下：
步骤11分别从
步骤12将
步骤13按照设定的启发式规则，对整合后的观测任务集合中的任务进行排序；
步骤14按照排序，对所述整合后的观测任务集合中的任务一一进行调度，以确定是否将之加入到
步骤15输出下一时间周期t内的调度计划
在c*-驱动的重调度时刻点的调度算法如下：
输入：
输出:
具体步骤如下：
步骤21根据观测时间窗口处于时间t到下一个t-驱动调度时刻点这一时间区间内的条件，从任务集合
步骤22根据设定的启发式规则，对
步骤23按照新的任务次序，一一选取
步骤24输出已修订的调度计划
优选地，所述一种智能遥感卫星层次化分布式自主协同任务规划系统包括结构化神经网络模块，所述结构化神经网络模块采用结构化神经网络对成像任务可调度性进行预测，其中，所述结构化神经网络模块通过因果关系理论而构建，各节点之间所有的连接关系均基于实际系统的因果关系构建。
优选地，所述的智能遥感卫星层次化分布式自主协同任务规划系统包括结构化神经网络模块，所述结构化神经网络模块采用结构化神经网络对成像任务可调度性进行预测，其中，所述结构化神经网络模块通过因果关系理论而构建，各节点之间所有的连接关系均基于实际系统的因果关系构建。
本发明如图1所示，其围绕层次化分布式自主协同任务规划架构、基于结构化神经网络的成像任务可调度性预测、基于学习型遗传算法的多任务多资源滚动分配、基于智能优化与约束推理的单星自主任务规划、基于学习型蚁群算法的多任务多地面站滚动调度等五项主要研究内容，重点攻关成像任务可调度性预测、高维空间下的多任务多资源动态调度、精细化规划与调度算法设计等关键科学问题和相应的技术方法，使多星自主协同任务规划技术能够更好地应用于实际的国防建设领域。
本发明主要使用了结构化神经网络、学习型智能优化方法和约束推理等研究方法，整体方案如图2所示。
(1)结构化神经网络。鉴于标准神经网络具有“黑箱模型”的局限性，本发明采用了结构化神经网络对成像任务可调度性进行预测。结构化神经网络基于因果关系理论而构建，各节点之间所有的连接关系都是基于现实实际系统的因果关系构建起来的，具有较强的模型参数解释能力(每个参数都具有实际的可解释含义)。结构化神经网络模型有效解决了传统前馈神经网络模型存在的各种缺陷，诸如模型非结构化、收敛速度慢、神经元个数很难确定及局部最小等。
其通过对任务规划结果样本集特征值的构造与提取，设计一种用于成像任务可调度性预测的结构化神经网络模型；重点研究了如何基于卫星任务规划系统累积的大量运行数据动态调整结构化神经网络的结构模型和相关参数。结构化神经网络模型在学习过程中能够建立任务特征值和卫星能力之间的非线性映射关系，从而能够对成像任务的可调度性预测。
(2)学习型智能优化方法。在博士研究阶段，发明人基于演化与学习机制构建了求解面向复杂优化问题的学习型智能优化方法：采用智能优化模型和知识模型相结合的集成建模思路，智能优化模型按照“邻域搜索”策略对待优化问题的可行空间进行搜索；知识模型从前期的优化过程中挖掘出一些有用知识，然后采用得到的知识来指导智能优化方法的后续优化过程。本发明采用学习型遗传算法和学习型蚁群算法分别求解多任务多资源滚动分配、多任务多地面站滚动调度等复杂优化问题。
本发明针对智能卫星网络自主协同任务规划问题表现出来的大规模特性，综合考虑任务到达时间和测控时间窗口动态划分调度周期，利用启发式规则和前瞻机制按较短周期滚动调整原规划计划，形成任务驱动的动态滚动规划调度技术，实现对动态环境和任务需求的快速响应。将遗传优化模型和知识模型集成后形成学习型遗传算法，可将数万条成像任务动态分配给数百颗遥感卫星，为其他类似的高维指派问题求解提供了一种有益借鉴。将蚁群优化模型和知识模型集成后形成学习型蚁群算法，能在数百个地面站上动态调度数万个数传任务，为其他类似的高维调度问题求解提供了有效的技术支撑。在求解大规模复杂优化问题的学习型智能优化方法中，本发明提出的创新算法及其核心操作如图3所示。
基于学习型遗传算法的多任务多资源滚动分配技术，其基于滚动时域控制原理构建了多任务多资源动态分配的滚动机制，将复杂动态分配问题转化为滚动更新的静态分配问题；定义能体现多任务多资源分配问题本质特征的若干类知识，构建能有效管理这些知识的知识模型；基于遗传算法设计多任务多资源分配问题可行方案构建的遗传优化模型；重点研究了遗传优化模型和知识模型之间的集成和交互机制，最终形成将遗传优化模型和知识模型高效集成的学习型遗传算法。
基于学习型蚁群算法的多任务多地面站滚动调度技术，其基于滚动时域控制原理构建多任务多地面站动态调度的滚动机制，将复杂动态调度问题转化为滚动更新的静态调度问题；在整理和总结地面站资源调度领域的专家知识、用户偏好及经验信息的基础上，构建了用于辅助地面站资源调度的知识模型；基于蚁群算法设计了多任务多地面站调度问题可行方案构建的蚁群优化模型；重点研究了蚁群优化模型和知识模型之间的集成与交互机制，最终形成了将蚁群优化模型和知识模型高效集成的学习型蚁群算法。
(3)约束推理技术。约束推理主要包括三部分：逻辑约束推理、时间推理和资源约束推理。逻辑推理主要采用条件触发，根据条件产生新活动并插入。时间推理主要采用时间约束网络的路径一致性检查和约束传播技术实现时间值域的缩减和时间约束的满足。资源推理是建立在时间网络基础上，以资源时间网络描述问题，由于活动以相对方式改变资源状态，因此需要计算资源消耗水平的分布，根据分布找到缺陷，基于缺陷管理机制，调整活动和活动间约束。
基于智能优化与约束推理的单星自主任务规划技术，其将领域模型、时间与资源约束推理和问题模型等部分模块化，集成姿控模型、电池模型、固存模型和天线模型等航天领域模型，构建了具有扩展性和通用性的集成规划与调度框架；构建基于智能优化与约束推理的单星自主任务规划技术：智能优化模块以任务和活动机会选取为组合变量进行局部搜索，约束推理模块对任务分解活动图中的逻辑关系、时间和资源约束进行处理和冲突消解。考虑利用卫星领域相关的启发式信息和用户偏好引导约束推理和计划生成，以较少计算量产生了更好的任务规划结果。
下面依次给出本发明每项研究内容的技术路线和实验手段。
1、层次化分布式自主协同任务规划架构
双层规划理论及模型在应对具有多层次特性的决策优化问题方面具备独特的适应性，也非常适合分布式协同机制下的多星自主协同任务规划问题。分布式协同强调的是各子问题之间通过顶层协调单元的信息交互。分布式协同机制下多星自主协同任务规划问题适合采用双层规划问题数学模型进行描述，相关建模求解技术可以借鉴：将多星自主协同规划过程分为顶层多平台多任务协同分配与底层单平台的自主规划两个相互结合、紧密连接的决策过程(如图4)。图4中上层为多平台多任务动态分配，通过该分配过程将根据任务特点和资源特性将任务分配至各个观测资源。
层次化分布式自主协同任务规划模式，在集中式协同任务规划的基础上增加了一个总控级别的多星任务协调器，并且取消了多星联合调度器，对于每颗卫星的调度依旧使用其专用的单星任务调度，如图5所示，多星任务协调器管控级别较高，多星任务协调器对任务进行任务约束解析，根据任务要求以及下辖观测资源的状态，通过特定分配算法将任务分配到每个观测资源上去，并将任务处理成单星调度器直接识别的元任务，再由单星调度器执行调度算法生成各自观测资源的观测方案。各单星调度器可以向多星任务协调器反馈单星调度结果，对于未完成的任务，多星任务协调器可以依据其他卫星的状态进行再次分配，通过若干次的反馈再分配机制，可以促进分配方案的合理化，从而促进资源使用的更加高效。当新任务到达较少时，多星任务协调器可根据任务特征以及已有的单星任务执行方案将该任务分配给某个或某几颗卫星，从而触发这几颗卫星的调度流程，对于未有新分配任务的单星继续执行已有方案，从而实现多星的异步管控，增强了观测资源管理的灵活性。本模式在一定程度上避免了多星调度统一建模的复杂性，将调度问题的进行分层处理，增强了系统的重用性，也增强了系统可拓展性，如果临时增加或者临时减少协同卫星，只需要在多星任务协调器处进行修改。
分层任务规划将复杂问题进行预先统筹分配、分布式处理，大大降低了问题的求解复杂度，然而能否合理建立两个层次决策变量之间的衔接关系则是决定分层任务规划有效性的关键。本发明通过研究合理的任务可调度性预测方法解决了这一衔接难题。任务可调度性预测的作用就是在顶层任务预规划阶段，预先估计下层各平台调度结果，以此作为任务分配的依据，避免了由于后期调度结果反馈的滞后性而导致的前期任务分配的盲目性。为此，通过对前期高分系统管理调度过程积累的实际历史数据进行样本集特征值的构造与提取，并基于集成bp神经网络建立资源调度的代理模型，从而借助该模型给出对调度结果的预测。当实际调度结果在线反馈时，可对模型进行更新。
上述的具体实施方式只是示例性的，是为了更好地使本领域技术人员能够理解本专利，不能理解为是对本专利包括范围的限制；只要是根据本专利所揭示精神的所作的任何等同变更或修饰，均落入本专利包括的范围。