一种多星在线协同调度方法与流程

本发明涉及卫星技术领域，特别是涉及一种多星在线协同调度方法。

背景技术：

如图1所示，卫星星簇由一颗主星和多颗观测执行卫星组成(主星也可执行目标观测的任务)。在敏捷卫星的应用场景中，卫星星簇中的每个卫星都有各自的日常观测目标集合和对应的观测任务。同时，为了加强卫星对应急目标的响应能力，快速识别目标确定目标状态，所以提出了卫星星上自主规划能力的设计需求。但是，当前的自主卫星多为单星自主模式，即应急目标只能交给指定的卫星进行执行。由于卫星运行轨道、观测资源等制约条件(对应时间窗约束和固存等资源约束)，单个卫星常常不能及时对目标的观测需求进行快速响应。随着卫星技术的发展，卫星数量的增多，传统各个卫星烟囱式的管控机制不再适用于未来的动态应用场景。

技术实现要素：

本发明的目的在于提供一种多星在线协同调度方法来克服或至少减轻现有技术的上述缺陷中的至少一个。

为实现上述目的，本发明提供一种多星在线协同调度方法，所述卫星星簇的管控结构为集中-分布式结构，其包括一颗主星和多颗执行卫星；所述卫星星簇的观测任务包括常规目标观测任务和应急目标协同观测任务，所述多星在线协同调度方法包括：

step1，各个卫星利用滚动规划算法对常规目标生成预规划观测方案，并执行当前的规划观测方案；

step2，当有新应急目标到达时，主星先筛选可执行该任务的载荷信息，再通过星间链路将应急目标信息通过广播的方式发送给对应的执行卫星，并设定观测分析报告的接收时间；

step3，接收到主星传送的应急目标信息的执行卫星利用本地的计算资源预估自己对该应急任务的观测成本，生成观测报告后并发送回主星；

step4，主星根据各个执行卫星的观测报告，并利用任务协同分配算法确定执行应急目标观测任务的执行卫星，并将应急目标观测任务指派给相应的执行卫星；其中，执行应急目标观测任务的执行卫星满足的条件包括：1、满足应急目标的观测载荷需求；2、满足应急目标的观测截止时间需求；3、不影响该星已有的应急目标观测情况；其中，“任务协同分配算法”包括：

1.随机选取满足观测需求的卫星；

2.将应急目标安排在最早可开始观测的卫星；

3.将应急目标安排给剩余固存资源最多的卫星；

4.将应急目标安排给目标密度较低的卫星；

5.将应急目标安排在时间窗口竞争度最小的卫星；

6.将应急目标安排在时间窗最长的卫星；

7.将应急目标安排在新应急目标的加入能带来最高收益增量的卫星；

8.将应急目标安排给能使目标获得较高固存收益比排名的卫星；

9.将应急目标安排给常规目标观测完成率比较高的卫星；

10.随机在以上规则中随机选取一个规则；

step5，接收到应急目标观测任务指派的执行卫星将新的应急目标观测任务加入到以后的待规划任务中，并利用在线调度算法更新自己的观测方案，并执行新的观测规划方案，其它卫星继续执行原有的观测规划方案；step5中的“在线调度方法”具体包括：

对所有目标按照收益固存比由大到小的降序进行排列，对执行卫星当前固存余量乘以一个系数exsd得到固存筛选值，选取排序后的目标列表中前n个目标，使得这些目标的所需观测固存之和刚好大于固存筛选值，同时n满足如下公式(49)和(50)，并删除列表中后续的非应急目标；在对任务进行初步筛选后，利用在线调度算法生成新的观测规划方案；

所述收益固存比的表达式为pk/durk*cr^j，其中pk为目标k的观测收益，durk为目标k为的成像时长，cr^j为卫星j单位时间成像消耗的固存，sdr^j为卫星在决策时刻的剩余固存；

其中，各执行卫星的主要约束为时间窗约束、时间依赖的机动时间约束和固存约束；应急目标信息包括应急目标id、位置信息、观测载荷需求、观测收益和最晚可成像时间。

本发明能够提高全体卫星的资源利用率，可通过星间组网与自主协同规划的方式来更好的保障应急目标的响应时间和质量。卫星协同组网可以提高执行卫星的整体使用效率，相比于单星的应急响应，星簇的应急协同响应能力更能保障重要任务顺利执行，及时获取重要目标的成像信息。通过卫星资源间的互联互通和自主协同能力，让卫星网络根据各个卫星的状态和目标需求，自主地为不同应急目标安排合适的观测资源和时间窗口。这样的星簇结构借助自主任务规划能力不仅能降低人力成本，也能大大提高卫星资源的使用效率，以更优质更可靠地应对不同应用场景的观测需求。

附图说明

图1是本发明中的卫星星簇的结构示意图。

图2是多星在线协同调度方法的流程示意图，图中示意的单箭头虚线表示上注应急目标信息；单箭头实线表示确定目标执行卫星，该目标执行卫星既要满足观测载荷和时间需求，也要满足不影响已分配的应急目标；双向箭头表示从主星筛选载和、广播任务及从星返回观测报告。

图3是观测斜率示意图。

图4是时间窗重叠示意图。

图5是自适应过滤机制对各启发式策略对应的算法的影响的曲线示意图。

图6是自适应过滤机制对各启发式策略对应的算法的观测收益的提升的曲线示意图。

图7是启发式策略中的算法1、算法2在不同场景中的收益排序统计的排名分布示意图。

图8是启发式策略中的算法3、算法4在不同场景中的收益排序统计的排名分布示意图。

图9是启发式策略中的算法5、算法6在不同场景中的收益排序统计的排名分布示意图。

图10是启发式策略中的算法7、算法8在不同场景中的收益排序统计的排名分布示意图。

图11是启发式策略中的算法9、算法10在不同场景中的收益排序统计的排名分布示意图。

图12是启发式策略中的算法7排名在6位(包含)以后时其它算法的表现。

图13是算法选择器与其它算法的收益对比示意图。

图14是算法选择器的错误统计分析示意图。

具体实施方式

在附图中，使用相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面结合附图对本发明的实施例进行详细说明。

在本发明的描述中，术语“中心”、“纵向”、“横向”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。

基于当前卫星的应用需求，各执行卫星既要有各自专属的常规观测任务，又要有对应急目标观测任务的快速响应能力。因此，需设计一种兼顾常规观测任务与应急观测任务的协同卫星网络，且该卫星网络在当前的卫星硬件技术条件下实现的可行性较高。

常见的卫星星簇的结构主要包括完全集中式、完全分布式和分布集中式三种结构。以下对三种结构的特点做以简要的分析，并根据当前的技术条件选取一个合适的结构作为卫星星簇的实验结构。

完全集中式结构是指卫星星簇所有的计算(主要包括各卫星的时间窗计算、应急目标协同分配和各单星观测调度方案的生成)都在主星完成。该结构的优点是能够有效减少星间链路的通信负载，除主星外的其它执行卫星设计较为简单制造成本也较低，且便于星簇方案的全局优化(在主星计算能力允许的情况下可以直接在主星计算机进行多次迭代优化求解)。但是，此种星簇结构的缺点也较为明显，主要有主星的计算负载过高，对主星的计算能力要求过高，也导致主星的单星成本过大，星簇的鲁棒性差。同时，由于随着卫星数目的增多导致主星的计算负载不断加大，所以星簇的规模受到了主星计算能力的限制，根据当前的星载计算机的相关能力，短期内无法依据此种结构组建成一个规模可观的执行卫星星簇。

完全分布式结构是指卫星星簇中各个卫星地位平等，没有主星这一角色，各卫星的可视时间窗和单星的任务规划等计算工作都在各卫星本地完成。在应急目标的协同分配方面，星簇通过其各卫星与临近卫星的多次星间信息交互的方式来使卫星获得一致共识，确定某一应急任务的执行卫星。该结构的优点是，星簇的计算负载均匀，星簇鲁棒性高扩展能力强。该结构的缺点是，各卫星要通过多次协商才能获得一致的决策结果，星间通信成本高，星间链路负载较大。而且，若卫星不能进行本地决策的话会在一定程度上影响决策速度，若卫星在本地进行快速决策又会导致决策质量不高。同时，由于每颗卫星都要具有一定的决策能力，这也致使各个卫星的成本都有所增加。

分布集中式结构是指各个卫星可在本地进行时间窗和观测调度方案的计算，由主星根据各个卫星对应急目标的评估来确定应急目标的执行卫星。该结构的优点是，各个卫星计算负载较均衡，星间链路通信成本相对可控，兼顾了应急目标的决策效率和决策质量，星簇的鲁棒性也由于完全集中式(主星容易被替代)。而且，主星相对于执行卫星仅增加一个协同决策功能即可，星簇的扩展性较好，新的卫星只要在主星处注册且与其它卫星建立星间链路即可加入卫星星簇。该结构的缺点是，对各个卫星的计算能力和星间通信能力都有一定的要求，为了保障星簇的鲁棒性需要定时地对主星进行维护和相应的备份，每次决策时都需要部分卫星参与计算。

根据当前的卫星平台和星间链路的相关技术，在本发明的协同分配算法设计和分析的过程中，将星簇假设为分布集中式的组网结构。这种结构的可行性强，也便于将应尽目标的协同决策功能和单星的在线调度功能相分离。因此，该结构也有助于本发明借助上文的研究内容，对自主卫星星簇的应急目标协同分配算法进行较为深入的研究。

在卫星星簇协同任务规划的场景中，卫星星簇由多颗自主卫星组成，星簇中的一颗卫星为主星，其它卫星为执行卫星。星簇的观测任务主要由每颗卫星的常规目标观测任务和应急目标协同观测任务两部分组成。星簇的运行目标为最大化系统在一个周期内的运行效率，即最大化星簇对目标的观测收益。主星负责应急目标的协同观测规划，执行卫星负载计算各自与目标的可见时间窗和各自的观测调度方案，各个执行卫星与主星之间可进行实时的信息通信。

常规目标是指各个卫星各自的观测任务目标，各卫星在协同任务规划场景开始之前就已知全部任务信息。任务信息主要包括：任务id、任务位置、任务观测时间窗、任务观测时长和任务观测收益。

应急目标的相关信息在协同任务规划场景开始之前是未知的。如图2所示，在星簇运行期间，当用户发起应急目标观测需求后，由地面站的上注设备将应急目标的信息传送至主星，再由主星根据任务需求(观测载荷和观测截止时间等)以及各个卫星的状态来将任务分配给合适的执行卫星。

由上文讨论可知，卫星星簇的管控结构为集中-分布式结构，集中主要体现在由主星负责协同调度完成应急目标的分配工作，分布式体现在由各个自主卫星通过本地计算来提供应急目标的观测评估报告并调整相关的调度观测方案。

如图2所示，本实施例所提供的多星在线协同调度方法包括：

step1，各个卫星利用滚动规划算法对常规目标生成预规划观测方案，并执行当前的规划观测方案；

step2，当有新应急目标到达时，主星先筛选可执行该任务的载荷信息，再通过星间链路将目标信息通过广播的方式发送给对应的执行卫星，并设定观测分析报告的接收时间；

step3，各卫星接收到信息后，本地计算与目标的可见性关系，生成观测报告后将相关信息发送回主星；

step4，主星根据各个卫星的观测报告，并利用任务协同分配算法确定所要执行该观测任务的目标执行卫星，并将任务分配结果广播给各目标执行卫星；所述目标执行卫星满足的条件包括：(1)观测载荷和时间的需求，(2)不影响已分配的应急目标；

step5，step4确定的目标执行卫星将新的协同任务加入到以后的待规划任务中，并利用在线调度算法更新自己的观测方案，并执行新的观测规划方案，其它卫星继续执行原有的观测规划方案；

其中，各卫星的主要约束为时间窗约束，时间依赖的机动时间约束和固存约束。

例如：如图1所示，卫星星簇由sat1、sat2和sat3三颗卫星构成，其中sat1为主星，sat2和sat3都为执行卫星。如图1所示，各个卫星的星下线方向中示出的卫星下方的虚线所示，观测路径如卫星下方的实线所示。当在卫星星簇的运行过程中，用户发现应急目标9，并将应急目标的具体信息通过星地通信网络上注给主星sat1。主星sat1根据目标信息和星簇中各个卫星的当前状态，将应急目标9分配给执行卫星sat2；执行sat2接收到目标信息后，将目标9加入到自己的待观测序列中，利用星上自主任务规划算法生成新的观测方案，并将原定的观测路径{3→6→8→4}调整为{3→6→9→4}；星簇中的其它卫星(sat1、sat3)的观测路径保持不变。

在场景开始时，各个卫星根据自己的常规目标任务信息规划一个常规任务观测方案，并在没有应急协同任务时执行当前的规划观测方案。当地面给主星上注某一应急目标时，主星通过星间链路将应急目标分发给各个卫星，各卫星利用本地的计算资源预估自己对该应急任务的观测成本，生成相应的观测报告。主星接收到各卫星的观测报告后，触发任务协同分配算法选取合适的卫星执行该观测任务，并应急目标观测的相关信息报告给地面。执行卫星接收到应急目标观测任务指派后，调整自己后续的观测方案。其中，各卫星的主要约束为时间窗约束，时间依赖的机动时间约束和固存约束。

在场景开始初期各个卫星利用滚动规划算法对常规目标生成预规划观测方案；各个卫星执行当前的规划观测方案；当有新应急目标到达时，主星将目标信息发送给各个卫星；各卫星接收到信息后，本地计算与目标的可见性关系，生成观测报告后将相关信息发送回主星；主星根据各个卫星的观测报告，利用分配算法确定所要执行该任务的卫星，并将任务分配结果广播给各个卫星；观测任务执行卫星将新的协同任务加入到以后的待规划任务集中，并利用在线调度算法更新自己的观测方案，并执行新的观测规划方案；其它卫星继续执行原有的观测规划方案。

星簇的协同流程如图2所示。当有应急目标的观测需求后，由用户通过星地链路将任务的观测需求上注给主星(如图中短虚线1所示)，应急目标的主要信息有应急目标id、位置信息、观测载荷需求、观测收益和最晚可成像时间。当主星收到应急目标信息后，先筛选可执行该任务的载荷信息，再通过星间链路将目标信息通过广播的方式发送给对应的执行卫星，并设定观测分析报告的接收时间；各卫星接收到任务后，利用本地的计算资源计算与目标的可见性关系，生成观测分析报告后将报告返还给主星(如图中双向实线2所示)。主星收到各个卫星的观测分析报告后(若某卫星的观测分析报告在接受时间之后到达主星，则视为该星无法观测该目标)，在保证能满足目标观测需求，且不影响已安排的应急目标的前提下，利用任务协同分配算法确定执行观测的卫星，并指派对应卫星调整其任务规划方案，对该应急目标进行观测(如图中单向实线3所示，执行卫星为sat2)。

在此协同流程中，主星(sat1)接受到应急目标的信息后，通过星间链路与各个卫星交互一次目标的观测分析报告，汇总完报告后再利用任务协同分配算法选取出对应的执行卫星，并指派任务。即每个应急目标需要星间进行3次的单向信息传输(观测分析报告交互需要两次单向传输)既可以确定合适的目标观测执行卫星。由于观测分析报告和目标指派信息的数据量均很小，因此，该协同流程对星间传输的负载较小，便于在工程中进行实现。同时，由于主星汇总了各个可执行目标执行卫星的分析报告，所以主星也可进行简单的全局优化来保证系统的运行效率。同时，该协同流程中，各个卫星均利用本地资源进行观测分析报告的计算，这大大降低了主星的计算法负载，能够充分利用星簇的计算资源提高运算效率，也提高了星簇的鲁棒性。

若要求执行因为观测应急目标而舍弃的观测目标要可以被其它卫星观测，则需要卫星间进行多次的信息交互才能够得到一个满意解，这样会对星间链路造成较大的负载，增加各卫星的计算负载，也会降低星簇的决策效率。基于当前的硬件条件，并不推荐在星间进行多次迭代后才能收敛的协同流程。

在一个实施例中，为了提升星簇系统的运行效率，本实施例提供一个应用于星簇协同任务规划的单星在线调度方法。为了便于后期应用扩展，使得卫星不仅能接受动态到达的应急目标，也可执行动态到达的常规目标，在卫星的单星在线调度方法选取上优先使用自主卫星的在线调度算法。各个卫星的单星在线调度方法主要采用敏捷卫星在线分支定界规划算法，该算法的触发原理是在对当前目标进行观测时，根据以后的任务信息决定下一个要观测的目标。敏捷卫星在线分支定界规划算法能有效地处理敏捷卫星的时序约束，卫星每次前瞻一定时间，利用敏捷卫星在线分支定界规划算法算出局部最优解，在选取该解中第一个目标进行观测，更新卫星状态至观测完毕选中目标后的状态，并继续前瞻直到完成场景中最后一个目标的观测判断。各卫星的主要约束为时间窗约束、时间依赖的机动时间约束和固存约束。

由于敏捷卫星在线分支定界规划算法计算效率较高(每次仅对一个局部的任务分布进行计算)，可用于自主卫星的在线调度方法。在执行卫星接收到应急目标观测需求时，将应急目标按照过顶时间的先后顺序加入至待观测目标序列中，利用滚动规划的思想生成新的观测方案。但是，由于应急目标的信息提前不可知，且卫星具有固存的能量约束，该算法容易导致卫星的固存资源过早消耗，从而使触发时间比较晚的应急目标无法得到有效响应。借鉴于地面学习星上使用的调度算法的相关经验，同时降低算法的实现难度，针对卫星星簇的单星在线调度方法设计了一个自适应地任务过滤机制。该任务过滤机制使卫星在决策下一观测目标时能根据剩余固存量和各个目标的收益固存比等相关信息，对待观测目标列表进行一个初步的筛选，选取那些观测性价比较高的目标进行观测。收益固存比为目标的观测收益与卫星对该目标观测的固存消耗的比值(pk/durk*cr^j，其中pk为目标k的观测收益，durk为目标k为的成像时长，cr^j为卫星j单位时间成像消耗的固存)，较高的收益固存比说明卫星每消耗1单位的内存可获得更高的观测收益。

step5中的“在线调度方法”采用的是为上文提及的“任务过滤机制”，其具体包括：

对所有目标按照收益固存比由大到小的降序进行排列，对执行卫星当前固存余量乘以一个系数exsd得到固存筛选值，选取排序后的目标列表中前n个目标，使得这些目标的所需观测固存之和刚好大于固存筛选值，同时n满足上述公式(49)和(50)，并删除列表中后续的非应急目标；在对任务进行初步筛选后，利用在线调度算法生成新的观测规划方案。

其中，所述收益固存比的表达式为pk/durk*cr^j，其中pk为目标k的观测收益，durk为目标k为的成像时长，cr^j为卫星j单位时间成像消耗的固存，sdr^j为卫星在决策时刻的剩余固存。

在一个实施例中，由于星载计算资源有限，同时要保障对应急目标的快速响应。所以，星簇中主星的任务协同分配算法应满足计算快速高效，保障应急目标可及时观测，且对已安排的应急目标不做过多调整(不改变观测时间窗)等相关设计需求。针对此设计需求本节在借鉴其它文献的基础上设计了10种适应星间计算环境的任务协同分配算法，并简要分析了不同算法的特点。文中共设计了10种启发式分配策略来指导主星对应急目标进行协同分配，从而使得主星利用不同的启发式规则在满足应急目标观测需求的执行卫星中选取合适的执行卫星对应急目标进行观测。

满足应急目标观测需求的执行卫星需符合以下三个条件：满足应急目标的观测载荷需求；满足应急目标的观测截止时间需求；不影响该星已有的应急目标观测情况。

step4中的“任务协同分配算法”包括如下10种启发式分配策略，这10种启发式分配策略分别标记为heua1至heua10，参数上标j表示执行卫星的序号，参数下标i表示当前需要进行协同分配的应急目标，各启发式分配策略对应的算法如下：

算法1：随机选取满足观测应急目标需求的执行卫星执行应急目标的观测任务，具体的执行公式为：

其中，sat为卫星集合。

算法2：将应急目标安排在最早可开始观测的执行卫星，具体的执行公式为：

其中，为卫星j对目标i的可视时间窗的开始时间。

算法3：将应急目标安排给剩余固存最多的执行卫星，该算法能在一定程度上均衡卫星的固存负载，具体的执行公式为：

其中，sdr^j表示卫星j的剩余固存。

算法4：将应急目标安排给目标密度较低的执行卫星，在此以观测斜率(侧摆角差值/时间差值)为指标表示卫星需观测的目标密度；对于卫星j目标i与目标k间的观测斜率：

其中，为目标i和目标k在卫星j下的观测斜率，为卫星j对目标的观测侧摆角，为卫星j对目标i的时间窗中点。

即两个目标间侧摆角的差值绝对值比上时间窗中点的差值绝对值。如下图3所示，虚线为卫星sat2的星下点轨迹方向，则卫星对于目标1和目标9的观测斜率即为其中δr为卫星对于两个目标间的侧摆角差值，δt为卫星对于两个目标之间的过顶时间差值。当目标对于两个目标之间的观测斜率较大时，则说明两个目标的侧摆角差值较大或者目标间的过顶时刻相距较近，即表示卫星较难在连续观测两个目标之间完成对应姿态机动。同时，在此规定：将待观测目标按照过顶时间的升序排列，目标i与前一个目标的观测斜率为目标i的前继观测斜率，与后一个目标i的观测斜率为后续观测斜率。图3中即为目标9的前继观测斜率，为目标9的后续观测斜率。

将待观测目标按照过顶时间的升序排列，分别计算应急目标的前继观测斜率和后续观测斜率，取两个观测斜率中较大的值作为参考值，即

其中，为卫星j对目标i的观测斜率，pre(i)表示目标i在时间序列中的前继目标，sub(i)为目标i在时间序列中的后继目标。为目标i与前继目标的观测斜率，表示目标i与后继目标的观测斜率。当应急目标为待观测目标序列中的第一个目标时，它的前继观测斜率为目标的侧摆角与卫星当前侧摆角的差值比上目标过顶时刻与当前时刻的差值。同时，当应急目标为待观测目标序列中的最后一个目标时，它的后继观测斜率为0。具体的执行公式为：

该启发式分配策略使主星选取应急目标观测斜率较小的卫星执行该观测任务。这使执行卫星有更大的概率在不影响时序约束的条件下直接将目标插入到原调度方案中，此种分配策略在卫星的常规目标较为稀疏时十分有效。

算法5：将应急目标安排在竞争度最小的时间窗口，时间窗口竞争指数为：

其中，表示卫星j与目标i的可见时间窗的竞争指数，|wt^j|表示与卫星j所有的可视目标的数量，表示两个目标i、k的时间窗的重叠时间。如图4所示，卫星sat2中目标1和目标6的时间窗口重叠时间为

即某一时间窗口的竞争指数是指该时间窗口与所有本卫星的时间窗口的重叠时间之和。若某一目标的时间窗竞争指数越小，表示该时间窗口与其它目标的时间窗口的重叠时间越少，即将目标安排在该时间窗口中越不容易影响卫星对其它目标的观测。具体的执行公式为：

算法6：将应急目标安排在时间窗长度最长的执行卫星，侧摆角绝对值较小的时间窗口较长，具体的执行公式为：

由于卫星的姿态机动有最大倾角的限制，最大倾角主要由侧摆角和俯仰角两个观测角度的合成角来决定。即当卫星与目标的成像侧摆角的绝对值较大时，便会将卫星观测该目标的俯仰角限制在一个较小的范围内，即会缩小卫星与目标间可视时间窗的时间长度。所以，时间窗口的与卫星对目标的侧摆角绝对值相关，侧摆角绝对值大的时间窗口较短，侧摆角绝对值较小的时间窗口较长。具体的执行公式为：

算法7：将应急目标安排在该目标能给卫星带来最大收益增量的执行卫星。该启发式分配策略利用贪婪规则提高星簇的整体观测收益，即每分配一个应急目标都倾向于最大限度地提升星簇的观测收益，具体的执行公式为：

其中，表示卫星j在原待观测目标列表tls^j下的观测规划方案，表示卫星j在考虑应急目标i的观测规划方案，函数pro()表示某一观测规划方案的观测收益和。

算法8：将应急目标安排给该目标有最高收益固存比排名的执行卫星。该算法首先计算卫星j对每个目标的观测固存消耗(durk*cr^j，其中durk为目标k的成像时长，cr^j为卫星j单位时间成像消耗的固存)，在计算每个目标的收益固存比(pk/durk*cr^j，其中pk为目标k的观测收益)，并以目标的收益固存比升序对所有待观测目标进行排序。在新的目标序列中，通过应急目标i的排序位置来计算该目标在卫星j中的收益固存排名指标。

其中，为应急目标i在卫星j中的收益固存排名百分比，prosd(i)为目标i的收益固存排名序位，|tls^j+i|为卫星j的待观测目标总数。该算法将应急目标安排给该目标有最高收益固存比排名的卫星，可以更大限度地提高对应卫星的固存资源的使用效率，从而提高整个星簇的固存资源利用效率。具体的执行公式为：

算法9：将应急目标安排给目标观测率最高的执行卫星，以均衡各个执行卫星的常规目标观测情况。目标的观测率为：

其中，obsp^j表示卫星j的常规目标观测率，tls^j表示卫星j的待观测目标列表，表示卫星j在考虑应急目标i的观测规划方案，||表示目标总数目。该任务协同分配算法以目标观测率为指标来指导应急目标的协同分配，能适当的提高目标的完成率，以保障大部分目标的有效观测。具体的执行公式为：

算法10：在以上发式分配策略中，随机选取一个启发式分配策略来完成应急目标的协同分配。具体的执行公式为：

为后续进一步对协同策略进行优化，先对上述各实施例中所提协同策略和单星在线调度方法中目标自适应筛选机制对星簇运行效率的影响进行实验分析。

1.实验设计

在实验设计部分，先验证自适应筛选机制的有效性，再分析不同协同策略的表现情况。主要的实验参数为，场景属性、应急目标信息和常规目标信息。

在仿真验证场景中，协同执行卫星网络共由5可执行卫星组成，5颗卫星为相同敏捷平台的光学执行卫星(相关参数如表所示)，卫星的轨道高度为500km，初始固存为900gb，成像固存写入码速率为3gb/s。机动能力方面，卫星姿态机动时的最大速度为1°/s，加速时的加速度为0.5°/s²，减速时的加速度为0.25°/s²。稳定时间为5s，侧摆角的范围为[-30°，30°]，最大复合倾角为40°。各个卫星的常规目标数目服从均值为40，标准差为10的高斯分布，且每个卫星的待观测目标分布都有一个均匀区域分布和两个重点区域分布组成，三者的比重为6∶1∶3。

表14场景及卫星相关参数

在详细介绍卫星的常规目标分布之前，先对应急目标的相关信息进行介绍，相关参数如表15所示。场景中应急目标的数目服从10到40的均匀分布，且每个目标与不同的卫星的可见概率为0.8，目标的触发时间服从场景开始后600s到900s的均匀分布，成像截止时间服从场景开始后2600s到4300s的均匀分布。应急目标的成像时长服从均值为40s，标准差为10s的高斯分布，观测收益服从均值为100，标准差为15的高斯分布，应急目标与各个卫星的成像侧摆角服从-30°到30°的均匀分布，各个与应急目标有可视关系的卫星对目标的过顶时刻服从场景开始后200s到4300s的均匀分布。

表15应急目标相关参数

常规目标由均匀区域、重点区域1和重点区域2三个区域组成，分别占各个卫星的常规目标数目的60％、10％、30％。这种组合方式表示了更为复杂的目标分布情况，能够更好的测试算法的性能。

其中，均匀区域分布中的目标以点目标为主(相关参数如表16所示)，卫星的过顶时间服从场景开始后30s到4000s的均匀分布，目标的成像时间为10s，与卫星的观测侧摆角服从-30°到30°的均匀分布，成像收益服从均值为30，标准差为10的高斯分布。

表16均匀区域目标分布相关参数

重点区域1的目标分布参数如表所示，目标也为点目标，卫星过顶时间服从均值为3500s，标准差为600s的高斯分布；与卫星的观测侧摆角服从均值为-20°，标准差为5°的高斯分布；目标的成像时长为10s，目标收益服从均值为40，标准差为5的高斯分布。该区域的目标相对均匀分布更为集中，对调度算法时序约束的处理提出了一定的挑战。

表17重点区域1目标分布相关参数

重点区域2的目标分布参数如表所示，目标由点目标和条带目标组成，其中条带目标占该区域内目标的50％。该区域内目标的过顶时间服从场景开始后130s到1430s的均匀分布；观测侧摆角服从-20°到10°的均匀分布；点目标的成像时长仍为10s，成像收益服从均值为40，标准差为10的高斯分布；条带目标的成像时长服从均值为20s，标准差为3s的高斯分布；成像收益服从均值为60，标准差为10的高斯分布。

表18重点区域2目标分布相关参数

根据以上的场景设计，生成100个实验场景，分别在有、无单星自适应的目标过滤机制下，利用不同的协同分配算法对星簇的总体观测收益进行统计。通过对比分析，先测试自适应的目标过滤机制的有效性，再分析不同分配协同分配算法的相关表现。

2.实验结果及分析

自适应过滤机制对不同算法在100个测试场景中观测收益影响如下图所示。其中算法编号为：算法1随机选取满足观测需求的执行卫星；算法2将应急目标安排给能最早开始成像的执行卫星；算法3将应急目标安排给剩余固存最多的执行卫星；算法4以时间斜率为目标密度指标，将应急目标排给观测斜率最小的执行卫星；算法5将应急目标安排时间窗口竞争指数最小的执行卫星；算法6为将应急目标安排在拥有最长时间窗口的执行卫星；算法7将应急目标安排在该目标能给卫星带来最大收益增量的执行卫星；算法8将应急目标安排给该目标有最高收益固存比排名的执行卫星；算法9将应急目标安排给目标观测率最高的执行卫星；算法10随机选取一个启发式算法来完成应急目标的协同分配。

由图5可知，自适应过滤机制对所有任务协同分配算法的成像收益都有不同幅度的提升，说明该方法能有效地提高卫星固存资源的利用效率，通过对收益固存比更高的目标进行成像来提高总体的成像收益。由图中也能看出，增加了自适应过滤机制后，算法间测差距变小，说明自适应过滤机制能对大部分的场景的协同调度和单星调度都起到较好的优化效果，具有一定的通用价值。

在未使用自适应过滤机制时，算法的收益由高到低的排序为：7,2,4,6,8,10,5,9,3,1。使用自适应过滤机制后，算法的收益由高到低的排序为：8,2,5,7,6,10,4,1,9,3。这表明过滤机制与不同的分配策略结合会产生不同的效果，原算法8比较注重收益固存比的优化，此启发式规则与过滤机制相互重合，所以在其它算法增加过滤机制后算法8的表现提升不大。算法7是以成像收益的增量来作为应急目标协同分配的启发式指标，但是此种指标容易导致星簇过于注重短期收益，在位置全部目标信息的情况下会使卫星过早消耗掉大量固存资源，从而致使在场景后期的高收益目标无法执行观测。通过与自适应过滤机制的配合，使得卫星在重视短期收益的提升时也可兼顾在更长的周期中固存资源的使用，所以会取得较高的表现水平。

通过差异分析图图6可知，自适应过滤机制对算法4的影响较大，对算法8的影响较小。

各个算法的在不同场景中的收益排序统计如图7至图11所示。由各个任务协同分配算法的排名分布可知，每个任务协同分配算法都会有比较适合的应用场景，即没有某一个算法能适应多种场景的应用。其中算法7的表现较好，在100个场景中的25个获得了最高的整体收益，但是仍有29个场景中算法7的排名在6名(包括第6名)以后。

4.协同分配算法的选择算法

由上文实验分析可知，没有任何单个算法可以在所有场景中都有较好的表现，所以在此引入机器学习中算法选择的思想来进一步提高任务协同分配算法的整体收益。首先，通过大量的场景分析不同任务协同分配算法的各种表现，提取相关的场景参数，在场景开始时刻根据已知的信息选择有较大概率获得较高的星簇观测收益的任务协同分配算法。由于应急目标时动态到达的，所以在场景开始时刻仅已知各个卫星的常规目标的部分信息，所以通过对卫星常规目标进行特征提取，并进行相关的机器学习的训练，然后依据新场景的相应信息选择合适的协同分配算法。

传统机器学习需要计算大量的训练数据，但本发明所用的实验环境有限(实验环境的cpu主频为2.0-ghz，内存为3.79gbram。)，无法进行大规模的机器学习。在此，仅对机器学习的思想加以应用，来验证该思路的有效性，并开发一种可以在小型个人电脑使用的机器学习策略来提高任务协同分配算法的总体表现。

下面将对step4中的“任务协同分配算法”包括10种启发式分配策略进行分析。

以文中情况为例，在10个算法中算法7的平均表现最好。因此希望通过机器学习的思想进一步提升算法7的表现。算法7在100个场景中有29个场景排在了在6名(包括第6名)以后。在算法7排在6名以后的场景中，其它所有算法的平均表现如图12所示。由图可知，在算法7的排序大于等于6时，其它算法的平均排序由低到高为，2,4,6,5,8,10,9,7,3,1；收益排序由高到低为2,4,5,8,6,10,9,7,3,1。由此可看出，无论从平均排名还是整体收益上看，在算法7表现不佳时算法2的表现都较好，说明与算法2配合能有更大的可能性进一步提高算法7的表现。在此，将算法2称作是算法7的补充算法。

通过上文分析可知，在每个场景中应急目标时动态到达的，所以在场景开始时刻应急目标的位置、收益、最晚成像时间需求、与各个卫星的可见性关系等信息都是未知的。场景开始时刻可以已知的仅为各个卫星的常规目标的部分信息，由于不同卫星的常规目标的分布，观测时长和收益等信息都是不同的，且目标数目也不尽相同。所以，为了方便机器学习时的输入数据维度的稳定，要选取一些特征信息来描述不同执行卫星的常规目标。

下面详细对常规目标参数的选取进行详细说明。

由于选取的特征信息只能对常规目标列表做片面的描述，会丢失大量的具体信息，为了相对充分地描述常规目标，应尽量从多个角度来对常规目标的分布情况进行描述。在此，选取了以下12个参数来描述一颗执行卫星的常规目标列表。具体为：1.目标数目；2.目标总收益；3.目标平均收益；4.目标收益的标准差；5.观测所有目标的总固存消耗；6.目标收益固存比均值；7.目标收益固存比标准差；8.预规划方案收益；9.预规划方案中的观测任务数；10.执行完毕预规划方案后的卫星剩余固存；11.目标平均后续观测斜率；12.目标后续观测斜率标准差。上述各个参数的计算方法如下(参数公式中的下标i表示观测目标，上标j表示卫星编号，对每一个卫星j的常规目标列表均有12个参数)。

参数1为常规目标的总数目，具体为：

para1＝|tls^j|

其中，tls^j表示卫星j的常规目标列表，|tls^j|表示目标列表中的目标数目。

参数2为常规目标总收益，具体为：

其中，pi为观测目标i的观测收益。

参数3为常规目标平均收益，具体为：

参数4为常规目标收益的统计学标准差，具体为：

参数5为观测所有常规目标的总固存消耗，具体为：

其中，其中duri为目标i的成像时长，cr^j为卫星j的成像码速率(单位时间成像消耗的固存)。

参数6为常规目标的收益固存比均值，具体为：

参数7为常规目标的收益固存比统计学标准差，具体为：

参数8为卫星仅考虑常规目标的预规划方案对应的方案收益，具体为：

其中表示卫星j在常规目标列表tls^j下的预规划方案，该方案是在上文所提的结合自适应目标过滤机制的滚动规划算法所求得的。

参数9为预规划方案中所观察的常规目标总数，具体为：

其中，卫星j在常规目标列表tls^j下预规划方案中的观测目标数目。

参数10为卫星执行完毕预规划方案后的卫星剩余固存，具体为：

其中，sdri^j表示卫星j的初始固存资源的数量，表示观测所有预规划方案中的目标所消耗的总固存资源数量。

参数11为常规目标平均后续观测斜率，具体为：

其中，为卫星j对目标i的观测侧摆角，为卫星j对目标i的时间窗中点，sub(i)目标i的后一个目标，即卫星j对目标i过顶后的下一个过顶目标。当目标i为最后一个目标时，

参数12为常规目标后续观测斜率统计学标准差，具体为：

参数1和参数2表示卫星对常规目标观测收益的上限，参数3到参数6表示卫星常规目标的平均观测性价比，参数7到参数10给执行卫星对常规目标的观测提供了一个基准值，参数11和参数12通过观测斜率(详见)来表示任务的分布密度及卫星连续观测多个目标的姿态机动难易程度。

实验结果及分析具体如下：

在学习数据的准备阶段，为每颗执行卫星生成一个12维的特性信息向量，通过对已知信息的分析利用机器学习的方法，预判不同场景下应使用那种协同分配算法可以得到更好的全局观测收益。在此，仍以5颗执行卫星组成的协同观测网络为例，则机器学习的输入向量是5*12＝60维向量。在学习向量的生成中，若算法2优于算法7则，分类结果为-1，否则为1。通过对多个场景的数据进行分析，用来训练一个支持向量机对算法的分类能力进行学习，再在新的场景集中的对算法的分类能力进行检验。

在实验部分，利用500个场景数据用于生成分类算法的学习向量，再生成100个场景用于检测算法分类所指导的协同分配算法的有效性。

图13所示为不同任务协同分配算法在新的100个场景中的收益和。其中算法1至算法10仍为上文所提启发式分配策略，算法11是通过支持向量机训练后的算法选择器。算法11在每个场景开始阶段利用场景已知信息在算法7和算法2中选取一个合适的算法来进行对应场景的应急目标协同分配。由数据可知算法11在新的场景试验集合中比原最好算法(算法7)有更优异的表现。

表19测试组中不同算法的观测收益

算法选择器的错误统计如图14所示，在100个场景中共有8个场景选择了错误的任务协同分配算法，即所选算法的整体收益较低。算法选择器的正确率(92％)较好，这说明可以通过对常规目标信息的相关特征来进行应急目标任务协同分配算法的筛选，也证明了本发明所选取的特性信息的有效性。

其中有6个场景在分配算法2有较高收益时选取了分配算法7，有2个场景在分配算法7有较高收益时选取了分配算法2。这是因为算法7在整体上比算法2有更好的表现，所以在训练出的机器模型更倾向于选取整体表现较好的算法7。

通过对实验结果的分析可得出以下结论，

1.不同场景中，卫星的常规目标的分布情况会影响不同应急目标协同分配算法的表现。

2.可通过对已知的卫星常规目标进行分析，来确定更合适的应急目标协同分配算法；

3.本发明所提的特征向量能较好地描述卫星常规目标的分布情况；

4.可以通过机器学习的相关办法来更合理地选取合适的应急目标协同分配算法。

本发明对由多颗自主卫星组成的执行卫星星簇的结构设计和协同流程进行了初步讨论。并在此基础上借助于上文对单星在线调度方法的研究成果，对星型卫星星簇中主星的动态应急目标协同分配算法进行了较为深入的研究。通过对所设计的10种启发式任务协同分配算法略的实验验证，分析出了不同任务协同分配算法的对星簇运行效率的影响。最后，基于机器学习中支持向量机的相关方法，设计了一个任务协同分配算法选择机制。该机制可依据各卫星常规目标分布信息选取不同应用场景中合适协同分配算法，从而进一步提高了星簇的观测效率。

最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。本领域的普通技术人员应当理解：可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；这些修改或者替换，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精神和范围。