基于改进型遗传算法的空间望远镜观测任务编排方法

本发明属于天文望远镜观测，具体涉及一种基于改进型遗传算法的空间望远镜观测任务编排方法。

背景技术：

1、中国空间站巡天望远镜(csst：china space survey telescope)是中国空间天文的旗舰项目，预计2025年左右发射升空。csst是我国目前进行自行研制的最大规模的空间望远镜，具有大视场、高像质、宽波段等突出特点，其探测灵敏度和空间分辨本领与国际著名的哈勃空间望远镜(hst：hubble space telescope)相当，但观测视场和获取数据的规模将远超哈勃空间望远镜。csst上搭载了多台终端探测模块，极具竞争力，预期将在宇宙学、星系与活动星系核、银河系与恒星、天体测量、太阳系外行星、太阳系天体等研究方向取得重大突破。

2、csst的核心不仅在于其搭载的满足设计要求的各类仪器设备，而且还包括如何高效组织各类设备进行观测任务实现预期的科学目标，这就对csst提出高效可靠编排的需求。

3、一方面，相比于地基望远镜，空间望远镜进行科学任务观测所面临的限制条件(约束条件)更为复杂更为严格：1.空间望远镜运行轨道的变化会导致观测目标被地球遮挡，造成观测目标不可观测；2.空间望远镜运行轨道的变化会导致望远镜接收天线与太阳、月亮的夹角不断变化，当望远镜接收天线与太阳夹角和月亮的夹角过小时，望远镜探测器模块将受到来自太阳和月亮的猛烈干扰信号的影响，造成探测器模块无法正常观测；3.空间站运行轨道的变化导致太赫兹模块的星下点在地球表面上移动，当星下点落在南大西洋异常区(saa：south atlantic anomaly)时，整个空间站上面的设备都将受到强烈的地磁场干扰影响，为了保护空间站上的设备，空间站上的所有观测设备在此情况下会暂停观测；4.空间站上的太阳能翻板提供的能量是变化的，总量是受到限制的，无法支持搭载的探测模块同时进行观测；5.空间站上散热的总量是受限的，控制力矩陀螺仪的工况温度对一轨时间内允许的机动次数有严格的约束，这将限制在轨时间内望远镜进行观测时天线指向角度的变化总量。上述约束条件只是观测任务时较为通用的约束条件，不同的探测器可能还会增加其他额外约束条件。这些约束条件会造成在轨时连续可观测时间段呈高度碎片化的特点。

4、另一方面，空间望远镜待观测目标科学意义对应的权重值也不尽相同，一般来说，空间望远镜的观测任务都是超额申请，因此，如何合理高效规划具体的观测计划，使得产生的科学效益最优便成为csst的核心技术。

5、国际上，著名的哈勃空间望远镜早已将自主观测任务编排方法列为其空间观测的重要支撑技术。哈勃望远镜的研制团队针对哈勃空间望远镜的轨道运行状态，载荷的观测条件以及观测任务的科学优先度等实际约束条件，开发了名为spike的图形化观测任务编排软件，并提供了多种优化编排算法来计算优化的编排结果。地面运控人员通过spike软件可以非常简便地配置观测任务的约束条件参数，并将计算的编排结果以友好的方式呈现。spike软件在哈勃望远镜上获得成功后还被后来的sirtf(space infrared telescopefacility)，以及axaf(advanced x-ray astrophysics facility)用作其观测任务编排。spike是非开源的程序。

6、随着csst研制任务的稳步推进，csst将对在轨观测任务的优化编排技术提出巨大的需求。参考nasa的哈勃空间望远镜，csst需要建立系统化的编排架构，以支持其丰富多样的载荷进行观测。此外，csst还应当具备多种编排优化算法，以支持不同的观测策略下给类型探测器观测任务的实际编排。

7、遗传算法(genetic algorithm)作为一种人工智能方法，其优化收敛特性已通过了严格的数学证明。其核心思想是将实际问题转化为染色体编码结构，设计效能函数(fitness function)，设置种群规模、代数、交叉概率和突变概率，经过若干代遗传来搜索获得最优的群体后还原实际问题，便可得到实际问题的优化结果。遗传算法作为一种重要且有效的运筹优化方法，应用在csst观测任务编排方面可行，具备可观的性能优化空间。但常规的遗传算法，在解决观测任务编排问题上存在着遗传迭代速度较慢，迭代优化性能受限等不足之处。

技术实现思路

1、随着csst研制任务的稳步推进，csst将对在轨观测任务的优化编排技术提出巨大的需求，本发明立足于csst观测任务编排的现实需求，针对现有技术中的不足，提供一种基于改进型遗传算法的空间望远镜观测任务编排方法，目的在于提供：1.通用的观测任务编排方法，支持对包括主巡天和各类精测模块的观测任务单独进行编排；2.通用且高效的编排优化算法，实现在多约束条件下同时满足总科学目标完成度最大，总科学权重最大和主镜总转动次数最小。

2、为实现上述目的，本发明采用以下技术方案：

3、基于改进型遗传算法的空间望远镜观测任务编排方法，其特征在于，包括如下步骤：

4、s1：将编排时间段离散化，基于离散化后的各时间片段，构建表示编排时间段的编排方案的序列作为染色体，染色体的位点对应于各时间片段，构建各时间片段的可观测目标编号的集合，作为染色体的搜索空间；

5、s2：采用步骤s1的方法进行染色体编码，获得多个染色体，采用基于汉明距离的渐进筛选法对染色体进行筛选，最终构成个体规模为m的初始种群；

6、s3：对于第k代的m个个体，根据每个个体的染色体计算适应度函数值，并按照值大小逆序排序，统计并记录前mm个个体的双亲以及适应度函数值最大值对应的染色体；

7、s4：采用roulette wheel选择方法从第k代的m个个体中随机选择出mp个个体，然后从mp个个体中随机剔除2*mm个个体，并将步骤s3中前mm个个体的双亲所对应的2*mm个个体纳入，构建第k代的双亲；

8、s5：对于第k代构建的个体数为mp的双亲，保留2*mm个个体，以交叉概率pc从剩余mp-2*mm个个体中随机选择2个个体ia和ib，对ia和ib进行染色体位点的交叉互换得到两个遗传后代，重复操作，直到产生的后代个体数达到m-2*mm；

9、s6：对于步骤s5中产生的m-2*mm个个体，分别以突变概率pm从其染色体中随机选择一个位点，对该位点的取值按照步骤s1确定的染色体的搜索空间来随机选择，产生m-2*mm个突变后的个体，并将突变后的个体与步骤s5保留的2*mm个个体合并，获得第k+1代的种群；

10、s7：重复步骤s3到s6，直到满足迭代的停止条件，取每一代中适应度函数值最大值对应的染色体，并对各代选取的染色体按照适应度函数值大小进行排序，选择排序后最大值对应的染色体并解码，获得优化后的编排结果。

11、为优化上述技术方案，采取的具体措施还包括：

12、进一步地，步骤s1具体如下：

13、编排时间段为[ti，ti+ti]，编排的总时间为ti，待观测的目标源个数为m，将编排时间段以时间间隔δt离散化，构建长度l＝ceil(ti/δt)的整数序列li，作为编排时间段的编排方案的染色体；其中，li(n)＝0表示第n个时间段无法进行观测，li(n)＝j表示第n个时间段对目标源j进行观测，j代表目标源的编号，整数j的范围是1～m；li(n)的取值非零取决于非零值对应的目标源在第n个时间段内满足可观测的约束条件；

14、对编排时间段内m个待观测的目标源在各时间片段内的可观测性进行判断，由此构建各时间片段的可观测目标编号的集合obsi＝{sourcea,sourceb…}，sourcea,sourceb…表示可观测目标编号，进而获得长度为l的染色体的搜索空间(obs1，obs2…，obsl)。

15、进一步地，步骤s1中，所述可观测的约束条件考虑以下但不限于以下因素：

16、视轴与太阳夹角；视轴与月球夹角；望远镜视轴与地球大气亮边和大气暗边的夹角；望远镜星下点是否在南大西洋异常区；目标是否被地球遮挡；csst轨道面与黄道面的夹角；是否处在维护时间段。

17、进一步地，步骤s2具体如下：

18、根据步骤s1中确定的染色体的搜索空间，对于每个染色体的每个位点从相应的取值空间中选取一个数值来赋值，进而生成多个染色体；

19、设置汉明距离的预设门限dh，对生成的第i，i＞1个个体，依次与前i-1个个体进行汉明距离的比较，若i-1个汉明距离都不小于dh，则将第i个个体保留，否则重新生成第i个个体，直到第i个个体与前i-1个个体的汉明距离均不小于dh。

20、进一步地，步骤s3具体如下：

21、对于第k代的每个个体，根据其染色体的编排方案依次计算每个位点i对应的时间片段内观测任务完成度cpi、科学权重svi和目标源切换时间δtk，j，，以此三参数作为输入带入适应度模型获得输出fi，将fi沿着各位点累加获得的结果作为染色体的适应度函数值f，l表示染色体长度；

22、计算第k代中m个个体的适应度函数值，对适应度函数值按照值大小逆序排序，统计并记录前mm个个体的双亲。

23、进一步地，步骤s3中，所述根据其染色体的编排方案依次计算每个位点i对应的时间片段内观测任务完成度cpi、科学权重svi和目标源切换时间δti,，以此三参数作为输入带入适应度模型获得输出fi，具体为：

24、确定待观测的目标源个数m，位点i的编码值vi以及乘数xi；若vi为0表示无法进行观测，则xi为0，若vi为j表示对目标源j进行观测，则xi为1；

25、查询位点i对应目标源的总需求观测时间tk，获得该位点的观测任务完成度cpi为δt表示离散化的时间间隔；

26、查询位点i对应目标源的科学权重wik，获得该位点的科学权重svi为xiwik；

27、当i＝1时，δti为0，当i＞1且vi≠vi-1时，计算主镜从指向vi对应的目标源切换到指向vi+1对应的目标源的转换时间δti；

28、位点i对应的时间片段内适应度模型输入为cpi、svi和δti，，输出为fi，

29、进一步地，步骤s4具体如下：

30、对于第k代的m个个体对应的适应度函数值fi，i＝1，2，...m，采用roulette wheel选择方法在m个个体中分别以概率随机选择出mp个个体，然后从mp个个体中随机剔除2*mm个个体，将步骤s3中前mm个个体的双亲所对应的2*mm个个体纳入，确保纳入的2*mm个个体以原有方式配对，由此构建第k代的双亲。

31、进一步地，步骤s5中，所述对ia和ib进行染色体位点的交叉互换得到两个遗传后代，具体为：

32、在ia和ib的染色体中各随机选择一个位点进行交叉互换，得到两个遗传后代。

33、进一步地，步骤s7中，所述迭代的停止条件为：

34、遗传的代数超过设定的数量n或者最优个体适应度函数值连续30代保持恒定。

35、进一步地，遗传代数为1200，m为360，mp为180，mm为2，ti为1天～30天，δt为5min～15min，pc为0.99，pm为0.99。

36、本发明的有益效果是：

37、本发明立足于csst观测任务编排的现实需求，将指定时间段的观测编排问题通过离散化转换为整数序列构建的染色体遗传优化问题，可支持对包括主巡天和各类精测模块的观测任务编排，该方法涉及遗传算法的必要步骤，结合csst可以进行观测的通用约束条件，在csst观测编排问题的染色体编码、种群初始化构建、每一代个体的染色体搜索空间压缩、个体染色体遗传与淘汰机制设置以及适应度函数定义方面进行了改进和创新，实现对多约束条件下的观测任务进行优化编排。通过对csst精测模块之一的高灵敏度太赫兹模块(hstdm：high sensitive terahertz detection module)观测任务编排，仿真结果表明，本发明所描述的方法对87个目标源在21天内的编排结果相比于常规的编排结果，在完成度和科学权重两项指标上可同时获得至少20％的提升效果。