一种基于遗传蚁群模拟退火混合算法的卫星通信链路优化方法与流程

本发明涉及卫星通信链路优化，特别涉及一种基于遗传蚁群模拟退火混合算法的卫星通信链路优化方法。

背景技术：

1、随着卫星通信技术逐步应用于军事科技与经济等重要的国家战略性领域，全球卫星通信系统在国家安全和经济发展中占据了重要地位，目前全球主要的卫星通信系统包括星链系统，glonass系统、galileo系统、北斗卫星导航通信系统、gps，以及北斗与gps联合全球卫星导航通信系统等，各大卫星导航通信系统主要是通过直接与地面站通信来维持的，整个系统存在较大的不稳定性。随着卫星间链路技术的产生和gps等系统的成熟应用，利用卫星间链路建立空间测控网络是各大卫星导航通信网络发展的趋势。

2、目前，工业中常用的星间链路天线类型有两种，一种是基于反射面天线的卫星间链路，第二种是基于点波束相控阵天线的卫星间链路。第一种类型的链路技术相对成熟，卫星网络中的卫星通过反射天线实现卫星通信建链，但是该建链方式调整机械化缺乏灵活性，无法适应长期自运行的空间环境。相较之下，第二种星间链路基于窄波束相控阵，其具有天线调整速度快、建链灵活高效且精度高等特点，较适合卫星间链路的工作模式。对于我国而言，目前无法在全球布设大量的地面站，因此大力发展星间链路技术，通过星间链路技术实现卫星之间测距与通信，实现卫星导航通信系统自主运行。

3、现有技术通过星间链路的规划优化卫星网络中星间测距和卫星通信性能。星间链路规划算法是卫星间链路组网的基础，星间测距要求卫星能够尽可能地于其他卫星建立卫星间链路，得到更多的星间测距信息，提高自主导航中轨道选择的精确度；卫星间通信的需求要求卫星具有最佳通信性能的链路，满足整网通信最优的目标。现有技术中的星间链路规划算法为传统的遗传算法，其中交叉率与变异率参数的选择大多是依靠经验设定的，不能即使利用结构网络中的反馈信息，算法搜索速度较慢。同时，常规遗传算法局部搜索能力较差，在遗传进化后期其搜索概率较低，容易产生过早收敛的问题，并且遗传算法缺乏并行能力，算法计算能力和运行效率较低。

技术实现思路

1、为了解决现有技术中星间链路规划算法缺乏并行能力、局部搜索能力差、速度慢、从而使算法的优化效率和准确率低的问题，本发明提供一种基于遗传蚁群模拟退火混合算法的卫星链路优化方法，通过融合遗传算法、蚁群算法和模拟退火算法形成的混合优化有效的提升了优化效率和准确率，能够高效率找出精准全局最优解。

2、具体方案如下所述：

3、一种基于遗传蚁群模拟退火混合算法的卫星通信链路优化方法，所述方法步骤如下：

4、s1：确定链路规划模型：生成可视化矩阵v并将其压缩为矩阵a并将其拆分生成n个初始化链路分配矩阵r，分别为r1＝{r11，r12，…，r1k}、r2＝{r21，r22，…，r2k}、…、rn＝{rn1，rn2，…，rnk},设定不同的时隙数；其中，k为一个链路分配周期内的时隙总数，rnk＝[ri，j，k]nxn称为时隙k的链路分配矩阵，ri，j，k＝1表示卫星i与卫星j在时隙k建立了星间链路；

5、s2：利用蚁群算法的分布式并行性机制和蚁群信息素正反馈机制筛出较优矩阵与时隙数：首先把每一个链路分配矩阵r看作蚁群中的一个蚂蚁节点，多个蚂蚁节点进行并行寻优运算，再将蚂蚁节点输入到适应度函数f中，并根据适应度函数得到适应值以设定信息素并生成对应的信息素列表，所述正反馈机制为按比例m选择信息素浓度较高的链路分配矩阵为所述较优矩阵，m＝n/s向下取整，s为迭代次数；

6、s3、遗传选择：然后对s2中筛选出的链路分配矩阵利用遗传蚁群模拟退火算法进行遗传选择生成信息素浓度较高的链路分配矩阵为较优解矩阵并选择遗传选择方向和选择因子；

7、s4、遗传交叉：对s3中生成链路分配矩阵进行遗传交叉操作，设定不同的交叉方式，并根据交叉后解矩阵的适应度设定信息素，依照模拟退火接受准则接受遗传交叉调整，根据信息素浓度排名选择信息素浓度较高的交叉方式作为交叉方向并生成较优的链路分配矩阵为较优解矩阵；

8、s5、遗传变异：对s4中生成链路分配矩阵进行遗传变异操作，结合蚁群算法，设置交叉算子实现横纵位置的随机变异并输出局部最优解，即最优链路分配矩阵；

9、s6、根据模拟退火的接受准则来接受s5中的交叉变异调整局部最优解使其趋向于全局最优解；

10、s7、重复s3-s6步骤进行循环迭代，当其达到该算法的最大迭代次数后输出全局最优解，即全局最优链路分配矩阵。

11、步骤s1包含：

12、s11、确定链路规划模型：生成可视化矩阵a和链路分配周期内时隙数k1，k2，…，kn；

13、所述链路规划模型为：

14、

15、其中，ts代表卫星、gs代表地面站、d(ts->gs)代表卫星与落地卫星以及与地面站之间的传输通信时延；

16、该模型的约束条件为：

17、

18、s12、将可视化矩阵a拆分为n个包含ki个链路分配矩阵的矩阵ri＝{r11，r12，…，r1ki},i＝1,2,3,…,n；其中，所述链路分配矩阵满足a＝r11+r12+…+r1ki+α，其中α未余项。

19、步骤s2包含：

20、s21、将s1中生成的链路分配矩阵作为蚁群中的蚂蚁节点，将其输入到适应度函数f中，根据函数f适应值调整信息素，生成对应的信息素列表；j＝a(i,k)表示卫星i在时隙k时与卫星j建立链路；

21、s22、根据s21中生成的信息素列表，按照比例m来筛选出较高信息素浓度的链路分配矩阵，其中m＝s/n，s为迭代次数；

22、步骤s3包含：

23、s31、使用轮盘赌选择法对s2中筛选出的链路分配矩阵进行遗传选择，其中，每个链路分配矩阵的选择概率与其适应度值成比例,

24、根据方程进行选择；f为适应度；

25、s32、计算第t代链路矩阵的适应度值之和fsum(ri)和它们分别对应的pi；

26、s33、利用随机函数rand(.)生成随机数rand(i)，令sum＝rand(i)*fsum；

27、s34、求出最小的k，则第k个个体被选中；

28、s35、进行n次s33、s34操作，得到n个个体，生成第t+1代链路矩阵rt+1；

29、初始时刻，各优化方向上生成的随机数的信息量相等，设τij(0)＝c(c为常数)；链路分配矩阵k(k＝1、2、…、s)；在移动过程中，根据各个路径方向上的信息素浓度决定移动方向，pkij(t)表示在迭代一轮后的t时刻蚂蚁k由位置i转移至位置j的概率，即：

30、

31、其中allowedk＝{rand(1)，rand(2)，…，rand(i)…，rand(s)}表示蚂蚁k下一步允许选择的随机数方向，各个路径方向上信息素调整公式如下：

32、τij(t+n)＝ρ·τij(t)+δtij

33、

34、其中，δτijk表示在第k只蚂蚁在本次迭代中留在方向路径ij上的信息量，δtij表示本次迭代中路径ij上的信息素增量，f(rk)表示本次迭代星链矩阵的适应度值，取常数q，则生成如下模型：

35、

36、s36、迭代s次，s＝n*m，生成s个t+1代链路矩阵，并根据适应度值设定信息素，可根据需要根据信息素浓度进行二次筛选。

37、步骤s4包含：

38、s41、输入s3中生成的链路分配矩阵r和动态交叉算子pc，并制定交叉策略；

39、s42、使用round(rand*py)操作获取取0-py之间的随机整数值；

40、s43、随机确定链路分配矩阵中的一个位置开始进行函数值的互换，生成新的链路分配矩阵，依照模拟退火接受准则接受遗传交叉调整，并根据矩阵适应度值设定相对应的信息素，选用不同的遗传交叉方式获取信息素浓度，根据信息素浓度排名来筛选出最优的遗传交叉方式。

41、步骤s5包含：

42、s51、输入s4中生成的链路分配矩阵与变异算子pm，设定不同的交叉算子，使用round(rand*px)和round(rand*py)操作实现横纵位置处的随机变异。

43、步骤s6利用模拟退火接受准则来接受遗传变异调整：在局部寻优过程，从某一初始局部最优解出发随机寻找目标函数的全局最优解；

44、s61：生成初始最优解a并计算适应度函数f(a)；

45、s62：扰动产生新解a′,计算适应度函数值f(a′)；

46、s63：计算△f＝f(a)-f(a′)，当△f<0，接受新解a＝a′,f(a)＝f(a′)；反之，按metropolis准则接受新解。

47、步骤s7包含：

48、s71、判断是否达到最大迭代次数，如果达到则结束，否则，小幅度修改临时差解△e，继续转至s3-s6迭代优化，最终生成使得卫星网络平均通信时延最小的链路规划矩阵作为输出的全局最优解。

49、与现有技术相比，本发明的有益效果在于：本发明提供了一种基于遗传蚁群模拟退火混合算法的卫星通信链路优化方法，通过s1：确定链路规划模型：生成可视化矩阵a并将其拆分生成n个初始化链路分配矩阵r；s2：进行并行寻优运算；通过引入了蚁群算法的分布式并行性机制，增加了解的多样性，同时提升了算法的运行能力；并引入了蚁群信息素正反馈机制即选择信息素浓度较高的方向，使得遗传选择、交叉与变异操作更加精准与高效；s3、链路分配矩阵利用遗传蚁群模拟退火算法进行遗传选择生成链路分配矩阵并选择出最优的遗传选择方向，该算法使遗传交叉算法摆脱陷入局部最优陷阱的风险，同时克服了遗传算法进化后期搜索效率低的缺点；s4、进行遗传交叉操作并确定交叉方向；s5、进行遗传变异操作，设置交叉算子实现横纵位置的随机变异并输出最优解，即最优链路分配矩阵；s6、根据模拟退火的接受准则使局部最优解趋向于全局最优解；该算法融合了模拟退火算法，使算法摆脱陷入局部最优陷阱的风险，同时克服了s4、s5中遗传算法进化后期搜索效率低的缺点；s7、进行循环迭代输出全局最优解。本发明通过蚁群算法与遗传算法融合，通过蚁群算法局部寻优能力提升了遗传算法的收敛速度，同时利用模拟退火接受解决定是否接受交叉和变异结果，模拟退火算法的加入使遗传蚁群算法得到进一步优化，避免陷入局部最优解陷阱，使其能够向全局最优解方向收敛，同时，模拟退火准则通过与遗传和蚁群算法融合，使其可在较短的时间求得更优近似解，进一步提升寻优效率。综上所述，本发明将遗传、蚁群、模拟退火准则融合，使该混合算法具有高效性，较强的运算能力；同时，该混合算法较常规算法增加了并行机制，可以方便的进行同步并行运算，加快了优化速度，该算法参数设置更加合理，其交叉因子，变异因子的选择更加合理，进行在维持群体多样性的同时，也保留了优良个体，综上，该算法有机的融合了遗传、蚁群与模拟退火算法，三种算法相互互补，综合成更加高效精确的优化算法。