本技术提供基于免疫多目标进化算法的多卫星观测规划方法及装置,包括获取受灾区域格网对应的各个卫星传感器的感知覆盖机会集合,设定每条染色体代表一个多卫星感知覆盖机会组合,染色体上的每个基因位代表一个具体卫星传感器选取的感知覆盖机会且将该感知覆盖机会覆盖受灾区域格网的数量作为对应基因位的值,根据各个基因位的值获取整个种群中每条染色体对多目标的适应值,排序整个种群,对染色体进行免疫操作,更新后再次基于适应值排序,从排序后的种群中输出适应值为预设情况的染色体作为最优备选方案。本发明能够在应急环境下从多个卫星传感器的众多感知覆盖机会中规划出对受灾区域的覆盖程度、成本、时间等多个目标均达到最好的方案。
背景技术
自然灾害的发生会造成大量人员伤亡与财产损失,传统的灾害调查与灾情获取方法存在响应慢、效率低的问题。遥感卫星拥有覆盖面广、快速重访等优势,通过卫星观测载荷能够方便地收集地球表面的信息,这对于灾害应急响应有着重要意义。不过单颗卫星成像效率低、传感器类型单一且覆盖范围不满足需要等问题逐渐暴露,如何将多颗遥感卫星的感知资源统筹利用,协同多颗卫星对地成像,合理利用多颗卫星搭载的不同传感器在灾害应急响应时快速获取灾情信息,高效协同地对地观测,以满足灾害应急的需求是本发明的拟解决的技术难点。多卫星观测规划问题可以转换成覆盖优化问题,每颗卫星有许多覆盖机会,对这些覆盖机会进行优化,选择出合适的卫星感知覆盖机会集合。
卫星感知覆盖机会集合优化方法主要包括穷举法、线性规划方法、智能优化方法和机器学习方法等。穷举算法通过直接搜索覆盖机会解空间,比较所有覆盖机会组合解的优劣,最终得到最佳的解决方案。线性规划方法通过线性加权来调整服务质量约束参数,求解优化方案。智能优化算法是对遗传算法、蚁群算法、粒子群算法等一系列通过模拟自然界或物理世界发展规律来求解最优组合的一类算法的统称。机器学习方法以深度强化学习为主,通过训练一个递归神经网络模型预测服务质量评价。智能优化算法由于实现简单、计算量小,能在有限时间内找到满足服务质量约束的可行解而得到广泛应用。但是,上述方法都是对明确的目标进行求解。而在实际应急环境下,卫星对地应急成像任务需要多方面考虑,若同时满足多个任务目标,多个任务目标之间可能存在冲突,具体表现为覆盖面积大相应的卫星成像时间就长,卫星成像成本低就会导致用到的卫星少,覆盖面积就小,因此,上述方法不能在应急环境下让多个目标都达到最好的结果。
实现思路