基于拓扑和博弈的航天测控资源调度及其不确定性调度研究

Focusing on urgent requirements in the Resource Range Scheduling (RRS) of space Tracking,Telemetering and Command (TT&C), this project refines the key science problems, and carrys out research works deeply and systematically. Firstly, the RRS mathematical model with complex conditions is established. At the same time, a constrain network model in TT&C scheduling is established. Based on it, a dynamic topology mechanism is proposed by making use of the constraint relax feather. Furthermore, by introducing the game theory originally, the game model and game mechanism in TT&C tasks is proposed. On the basis of former anaysis, some new scheduling algorithms for TT&C RRS are proposed by combining with the intelligent optimization theory. Moreover, from robust scheduling and rescheduing perspective, the solution methods of uncertainty TT&C RRS problem with resource tension are proposed. Besides providing a theoretical basis for modeling, analyzing, and solving in the TT&C RRS problem, this project will propose some new scheduling algorithms originally, and enrich or perfect the research results about TT&C RRS problem. This project will provide new ideas and theoretical basis for the study of TT&C RRS problem.

针对航天测控资源调度中的迫切需求，提炼关键科学问题，开展系统深入的研究。首先建立复杂条件下的测控资源调度问题数学模型；同时研究建立测控调度问题中的约束条件网络，利用约束松弛特点构建约束网络动态拓扑机制；并原创性地引入博弈思想，研究建立测控任务的博弈模型及博弈机理；在此基础上，结合智能优化的基本理论，提出创新的测控资源智能调度方法，并从鲁棒性调度和动态重调度两方面入手，探索解决资源紧张条件下的测控资源不确定性调度问题。通过本课题的研究，将有望建立较为完整且有效的建模、分析、求解方法及理论体系，提出若干原创性的测控资源智能调度方法，丰富和完善航天测控资源调度问题的研究成果，为更加有效地求解复杂条件下航天测控资源调度问题提供新思路和理论依据。

课题针对航天测控资源调度及其不确定性调度问题展开研究。随着在轨运行航天器种类和数量的不断增多，“星多站少”的矛盾将日趋严重，势必对测控资源的调度使用提出严峻挑战。因此，研究测控资源分配和调度方法，实现测控资源的统一调度和优化利用，具有重要的理论价值和实际意义。本课题主要研究了以下几个问题。.1. 首先针对含有复杂约束的多资源系统，建立了复杂条件下航天测控资源调度问题的数学模型。.2. 对该问题中的约束关系进行了系统分析，建立了以测控资源为核心、以可见窗口为节点的拓扑结构，减小了问题的搜索空间，能够在较大程度上改善问题的求解性能。.3. 利用本课题建立的约束网络结构和拓扑机制，提出了一种仿生遗传进化博弈机制。仿真实验数据表明，该机制能够有效地缩减搜索空间，降低运算次数，并能够较快地找到优化解，达到了预期目的。.4. 研究了确定性环境下的测控资源调度问题。利用对约束网络和博弈机制的研究成果，以智能优化方法为基础，提出了一种基于测站编码的遗传优化方法(station coding based genetic algorithm, SCBGA)。仿真结果表明，该方法较为适宜求解测控资源调度问题这类复杂优化问题，改善了其他方法收敛慢、易陷入局部最优等弊端。.5. 研究了不确定性条件下航天测控资源调度问题。首先针对航天器姿态控制系统的执行部件故障，提出了基于模型和遥测数据的故障检测方法。在实现故障检测基础上，提出了一种基于模糊神经网络和蚁群算法的动态不确定性重调度方法(Ant colony observation scheduling optimization, ACOSO)，以及自适应动态不确定性重调度方法(adaptive ant colony observation scheduling optimization, AACOSO)。仿真结果表明，该2种方法能够利用测控窗口的动态拓扑性，实现对动态调整范围的优化缩减，减小动态重调度的不利影响，并且AACOSO算法具有更快的收敛速率和寻优能力。

内容获取失败，请点击重试