[发明专利]单星调度的算子构建方法

权利要求书

1.一种单星调度的算子构建方法，其特征在于，该方法的具体步骤如下：

（1）基于任务集的分布形式构建问题分类器，对单星调度子问题进行分类，分为均匀分布和块状分布；

（2）设定问题域和构建规则库，并在此基础上通过搜索技术的合理嵌套提高求解性能，从而完成蚁群算法引擎的构建；

（3）由问题分类-算子设计规则-得分三元组构建问题算子知识库，所述问题算子知识库，记录每种算子设计在求解每类问题时的历史绩效，从而为今后新的具体问题的求解提供算子设计决策支持。

2.根据权利要求1所述的单星调度的算子构建方法，其特征在于，所述步骤（2）中，蚁群算法引擎的构建具体如下：

1）设定问题域：

（A） 问题参数

     数据采集任务集合；

      任务的时间窗（）；

      任务的开始时间（）；

      任务的结束时间（）；

    任务的准备就绪时间（）；

    任务的持续时间（）；

    任务到任务的转换时间（）；

  执行观测任务的效益（）；

（B） 决策变量

:       连续执行任务，时取1，否则取0；

:    任务被执行时取1，否则取0；

:    任务的实际开始执行时间（）；

（C） 优化目标

本文研究的单星调度问题时只考虑效益最大化的优化目标：

（D） 问题约束

        

其中，（2-1）表示任务最多只能被卫星观测一次，（2-2）表示卫星在完成一个任务后将继续移动执行下一个任务，结合式（2-1）可知，此调度为链式调度，（2-3）表示一旦一个任务被选择，则该任务的开始执行时间要在时间窗开始之后，（2-4）表示一旦一个任务被选择，则该任务的执行结束时间要在时间窗结束之前，（2-3）和（2-4）共同表明被调度的任务必须完整地在一个时间窗内执行，（2-5）表示一个任务的执行必须在其准备就绪后才能开始，（2-6）和（2-7）是变量的01约束；

2）构建规则库

构建规则库主要是针对可行解构造和信息素更新两个算子进行设计，其中可行解构造又分为观察任务序的生成和观察时间的确定，具体如下：

（E）可行解构造：

可行解构造阶段不仅仅是任务选择的过程还要对观测的时间进行具体的确定，可行解的构造分为两个阶段，第一阶段是生成任务的序，第二阶段则是具体确定观测时间：

（a）任务序的生成：

（Ⅰ）启发因子的设计：

将任务的优先级作为启发信息的重要部分，其中，单独的定义优先级为启发信息，得到第一种启发因子定义方式即为；

在启发因子中加入时间窗的冲突信息，并使用“拥挤度”和“机会损失”来衡量时间窗的冲突，所述拥挤度是指机会窗口的选择会受已安排观测的机会窗口的影响，后添加的窗口不能与已安排的窗口产生观测冲突，同时插入一个新的窗口会对其他未安排的窗口产生影响，该影响即为“机会损失”，由此，可以得到时间窗冲突度的一个定量的衡量方法，把机会窗口的冲突分为与已安排观测的机会窗口的冲突，即拥挤度记为，与未安排观测的机会窗口的冲突情况，即机会损失记为，则可以定义窗口冲突的启发信息为：

；

接下来要具体介绍几种冲突度的计算方法，在此之前，先对几个定义进行介绍：时间窗交叉：若在之前（按时间窗的起点排序），与交叉的定义为：；观测冲突：时间窗与已安排观测的任务i存在观测冲突定义为：；

从而机会损失，其中 为未安排观测的时间窗集合，；

拥挤度

最后，考虑到多时间窗带来的影响，对于一个优先级较高的任务，虽然其在一个时间窗口由于冲突没法得到观测，但可以在其他窗口进行观测，那么在对冲突进行处理时可以考虑先安排优先级相对低些但只有这一个观测机会的任务，从而在启发因子中加上观测机会的影响，定义观测机会的启发信息为；可以得到四种启发因子的设计方案，即只有优先级信息，优先级信息+窗口冲突信息，优先级信息+观测机会信息，优先级信息+窗口冲突信息+观测机会信息这四种设计；

（Ⅱ）概率选择机制的设计

基于轮盘赌的随机比例概率选择策略和伪随机概率选择机制设计概率选择机制如下：

根据标准蚁群算法的设计思路每只蚂蚁是根据随机比例的概率选择机制来选择下一节点的，如蚂蚁k在节点i根据式（2-8）选择下一节点j，

而伪随机比例的概率选择机制则是设定一个概率，让蚂蚁以的选择概率将最大可能的候选点选入路径中，同时不失随机性优化方法的特征，以的概率采用随机比例的概率选择机制，具体实现思路如（2-9）所示：

                          

其中S代表随机比例概率选择机制；

（b）确定观测时间

在生成序之后，对于观测时间的确定，具有两种策略：

一种是基于最早观测的启发式规则，即在不与已调度任务产生冲突的前提下确定时间窗内最早可以安排观测的时间为实际的执行时间；另一种基于后移空余时间的动态调整的时间确定方法； 

所谓后移空余时间就是在不导致任务序列中任何任务违反时间窗约束的情况下，任务i的最大可以推迟执行的时间，以数学公式的形式来表达就是：

其中，表示任务i在任务序列中的后移空余时间， 表示任务的时间窗结束时间，表示任务i的开始执行时间，表示任务i的执行持续时间，表示任务l-1到l的转换时间；

由后移空余时间的概念可以得到当任务i的准备完成时间推迟后，等待时间与后移空余时间的总和会推迟的时间，即

其中表示任务j的等待时间；

将u插入i和i+1之间情况下，记u的后移空余时间为，注意到插入任务u后，会使任务i+1的准备就绪时间后移，所以不难推出

其中，

所述基于后移空余时间的动态确定时间的方式就是在每次考虑将一个任务插入到已调度序列时，考虑是否可以通过对已调度序列进行微调使得任务可以插入，将上述两种方法结合起来，即先用最早观测的启发式规则确定观测时间，再基于后移空余时间对解进行改进，也就是通过对调度序列的调整，考虑插入未被调度的任务；

（F）信息素更新

（c）基本的信息素更新策略

蚂蚁每走完一步或是完成一次循环后就会对边上的信息素进行更新，更新策略如（2-10）所示；    

                                         

其中根据更新策略采用蚁周系统的更新策略

；

（d）保护精英个体的更新策略

保护精英个体的更新策略是借鉴了遗传算法的精英策略思想，在信息素的更新规则上，给予当前最优解额外的信息素补充，以增强最优解在下次循环中的引导作用，加快收敛速度，其信息素按如下规则更新：

    

其中，

；

（e）仅全局最优进行更新的策略：

为了加速收敛速度，该种策略只对每次迭代的最优解进行信息素更新，更新规则如（2-12）所示；

    

其中，

其中为当前循环中所求得的最优路径解，同时，这种更新策略下还定义了局部更新策略，即针对所有的蚂蚁，在每步转移后都会按如下规则进行局部的信息素更新，

                                                                      

其中，，为常数；

（f）最优最差蚂蚁的信息素更新策略：

为进一步加速收敛速度，在蚁群系统的基础上对最差的蚂蚁进行了额外的信息素的缩减，如下所示，

其余的信息素更新策略与蚁群算法完全相同；

（g）设置最大最小信息素的策略：

上述几种改进均是针对加速收敛速度设计的，但没有对局部收敛问题进行了很好的处理，最大最小蚂蚁系统通过引入和较好的避免了算法过早的收敛于局部最优解，具体实现思路如下：将各条路径上的信息素限制于，若信息素小于，则将其强制变为，若信息素大于，则将其强制变为；

3）搜索技术的选择与设计：

为了加速算法的收敛性，选择局部搜索算子为该引擎的的搜索算子，局部搜索的基本思想是从某个初始解开始，以迭代的方式反复尝试当前解的邻域，以寻找更好的解来代替当前解，采用局部搜索技术来优化得到的粗糙解可以加速蚁群算法的收敛。