面向静态目标观测的空天异构对地观测资源协同调度方法

摘要

本发明公开了面向静态目标观测的空天异构对地观测资源协同调度方法，包括步骤：在任务分配阶段，制定任务分配方案分配给各子规划中心；在资源调度阶段，子规划中心根据资源能力和任务需求制定最优的资源观测方案对分配到的任务进行规划；未被规划的任务分配到虚拟子规划中心，采用基于动态邻域结构调整算法的模拟退火算法选择三种邻域结构，求解空天异构对地观测资源协同调度问题，子规划中心重新制定资源调度方案，生成最终的任务分配方案和资源观测方案。本发明引入动态邻域结构调整策略，通过历史的搜索结果适时改变算法的搜索方向，从而引导算法向最优解方向进行搜索，提升了算法的优化性能，并且能加快收敛速度。

权利要求

1.面向静态目标观测的空天异构对地观测资源协同调度方法，其特征在于，所述方法应用于多Agent分层协同调度框架，所述多Agent分层协同调度框架包括输入层、协同层、子规划中心层和观测资源层，所述输入层接收和处理用户所提交的观测请求，协同层将观测任务派发给子规划中心层的各子规划中心，所述子规划中心根据其所分配到的任务制定具体的观测计划，所述观测资源层按照观测计划执行观测任务，所述子规划中心层包括多个卫星子规划中心、多个无人机子规划中心和一个虚拟子规划中心，所述方法包括以下步骤：在任务分配阶段，制定任务分配方案分配给各个卫星子规划中心或无人机子规划中心；为了生成一个较好的初始解，根据资源能力优先级分配任务，优先将任务分配给卫星子规划中心，其次再将卫星子规划中心未规划的任务分配给无人机子规划中心；

在资源调度阶段，所述卫星子规划中心或无人机子规划中心根据资源能力和任务需求制定最优的资源观测方案对分配到的任务进行规划；

剩下未被规划的任务，将其分配到所述虚拟子规划中心，所述虚拟子规划中心采用基于动态邻域结构调整算法的模拟退火算法选择三种邻域结构，所述邻域结构包括随机选择算子、贪婪选择算子和概率选择算子，求解空天异构对地观测资源协同调度问题，所述卫星子规划中心或无人机子规划中心重新制定资源调度方案，生成最终的最优任务分配方案和资源观测方案；

所述动态邻域结构调整算法如下：假设proi是选择邻域结构i，i∈1，2，3被选择的概率，在算法初始时，设置pro1＝α、pro2＝β、pro3＝γ满足下式：α+β+γ＝1

0＜α，β，γ＜1

每隔一定的迭代次数Iter，通过下式更新每个邻域结构被选择的概率：

其中，ρ表示惯性权重，Seli表示最近Iter次迭代过程中，第i个邻域结构被选中的次数，表示利用第i个邻域结构当前解的质量获得提升的次数， 表示利用第i个邻域结构获得比历史上最好解质量更高的解的次数，τ1和τ2分别是 的权重。

2.根据权利要求1所述的面向静态目标观测的空天异构对地观测资源协同调度方法，其特征在于，假设MO是虚拟子规划中心的编号，Mi和Mj分别是从卫星子规划中心集合和无人机规划中心集合中随机选择的两个子规划中心的编号，Mi，Mj∈M，M为资源集合，TasksO、Tasksi和Tasksj分别表示子规划中心MO、Mi和Mj规划的任务集合；所述随机选择算子的步骤如下：从子规划中心Mi的任务集合Tasksi中随机选择subi个任务分配给虚拟子规划中心MO，即加入到TasksO中；

从子规划中心Mj的任务集合Tasksj中随机选择subj个任务分配给子规划中心Mi的任务集合Tasksi；

子规划中心Mi针对任务集Tasksi调用资源调度算法重新制定资源观测计划，将任务集Tasksi中未被规划的任务拆分出来，设为UTasksub1；

从虚拟子规划中心MO的任务集TasksO中取出subO个任务，再与UTasksub1合并分配给子规划中心Mj的任务集Tasksj中；

子规划中心Mj针对任务集Tasksj调用资源调度算法重新制定资源观测计划，将任务集Tasksj中未被规划的任务拆分出来，设为UTasksub2；

将子规划中心Mj未被规划的任务UTasksub2分配给虚拟子规划中心MO的任务集TasksO中；

任务分配方案调整完毕，获得新解。

3.根据权利要求1所述的面向静态目标观测的空天异构对地观测资源协同调度方法，其特征在于，假设MO是虚拟子规划中心的编号，Mi和Mj分别是从卫星子规划中心集合和无人机规划中心集合中随机选择的两个子规划中心的编号，Mi，Mj∈M，M为资源集合，TasksO、Tasksi和Tasksj分别表示子规划中心MO、Mi和Mj规划的任务集合；所述贪婪选择算子的步骤如下：从子规划中心Mi的任务集合Tasksi中随机选择subi个任务Tasksub1分配给虚拟子规划中心MO，即加入到TasksO中；

根据任务在子规划中心Mi中被完成比在子规划中心Mj中需要消耗的资源更少的原则分配任务；

子规划中心Mi针对任务集Tasksi调用资源调度算法重新制定资源观测计划，将任务集Tasksi中未被规划的任务拆分出来，设为UTasksub1；

从虚拟子规划中心MO的任务集TasksO中取出subO个任务Tasksub3，再与UTasksub合并分配给子规划中心Mj的任务集Tasksj中；

子规划中心Mj针对任务集Tasksj调用资源调度算法重新制定资源观测计划，将任务集Tasksj中未被规划的任务拆分出来，设为UTasksub2；

将子规划中心Mj未被规划的任务UTasksub2分配给虚拟子规划中心MO的任务集TasksO中；

任务分配方案调整完毕，获得新解。

4.根据权利要求1所述的面向静态目标观测的空天异构对地观测资源协同调度方法，其特征在于，所述概率选择算子根据评估值的优劣程度，采用轮盘赌算法从子规划中心Mj选择特定的任务t分配给子规划中心Mi，然后在Mj的任务集中删除任务t，并重新按照评估值排序，再次采用轮盘赌算法选择任务，直到分配给子规划中心Mi的任务达到subj为止。

5.根据权利要求1所述的面向静态目标观测的空天异构对地观测资源协同调度方法，其特征在于，在退温过程中，判断是否达到终止温度，如果达到，算法终止，输出最优的任务分配方案和资源调度方案；如果没有达到，则当前温度下搜索足够的次数：如果在搜索过程中产生的邻域解优于当前解，则邻域解替换当前解S＝Snew；如果产生的邻域解不优于当前解，但是当前解与邻域解的目标函数值的差ΔF＝F(Snew)‑F(S)满足下式，则算法接受“恶化解”S＝Snew；

exp(ΔF/T)＞rand

其中，rand为随机数；如果产生的邻域解不优于当前解，且目标函数的差ΔF不满足exp(ΔF/T)＞rand，则算法不接受邻域解作为当前解。

说明书

面向静态目标观测的空天异构对地观测资源协同调度方法

技术领域

[0001] 本发明属于遥感技术领域，尤其涉及面向静态目标观测的空天异构对地观测资源协同调度方法。技术背景

[0002] 随着对地观测卫星数量的增加，多星观测网络组网技术研究受到越来越多的关注，多星协同调度问题其中一个重要研究方向。与单颗卫星调度问题相比，多颗卫星的使用可以更充分地利用卫星的观测能力，但也增加了调度的复杂性，给卫星调度问题带来了更大的挑战。多无人机协同调度问题与多星协同调度问题相似，也是一个多资源、多约束的复杂组合优化问题，随着问题规模的增加，其解空间呈指数级增加，属于NP‑Hard问题。

[0003] 多卫星和多无人机的协同调度技术研究已经趋向成熟，然而近些年来对空天异构对地观测资源的协同调度技术研究相当不足。从目前的研究来看，大多数相关研究者主要集中在卫星遥感数据和无人机遥感数据的信息融合上，然而异构资源的遥感数据融合技术已经比较成熟并在相关领域有了丰富的运用，但是针对面向静态目标的空天异构对地观测资源协同组织模式和相应的协同调度技术研究不够充分。

发明内容

[0004] 本发明公开了面向静态目标观测的空天异构对地观测资源协同调度方法，所述方法应用于多Agent分层协同调度框架，所述多Agent分层协同调度框架包括输入层、协同层、子规划中心层和观测资源层，所述子规划中心层包括多个卫星子规划中心、多个无人机子规划中心和一个虚拟子规划中心，所述方法包括以下步骤：

[0005] 在任务分配阶段，制定任务分配方案分配给各个卫星子规划中心或无人机子规划中心；

[0006] 在资源调度阶段，所述卫星子规划中心或无人机子规划中心根据资源能力和任务需求制定最优的资源观测方案对分配到的任务进行规划；

[0007] 剩下未被规划的任务，将其分配到所述虚拟子规划中心，所述虚拟子规划中心采用基于动态邻域结构调整算法的模拟退火算法选择三种邻域结构，求解空天异构对地观测资源协同调度问题，所述卫星子规划中心或无人机子规划中心重新制定资源调度方案，生成最终的最优任务分配方案和资源观测方案。

[0008] 进一步地，为了生成一个较好的初始解，根据资源能力优先级分配任务，优先将任务分配给卫星子规划中心，其次再将卫星子规划中心未规划的任务分配给无人机子规划中心。

[0009] 进一步地，所述邻域结构包括随机选择算子、贪婪选择算子和概率选择算子。

[0010] 进一步地，假设MO是虚拟子规划中心的编号，Mi和Mj(Mi，Mj∈M)分别是从卫星子规划中心集合和无人机规划中心集合中随机选择的两个子规划中心的编号，TasksO、 Tasksi和Tasksj分别表示子规划中心MO、Mi和Mj规划的任务集合；所述随机选择算子的步骤如下：

[0011] 从子规划中心Mi的任务集合Tasksi中随机选择subi个任务分配给虚拟子规划中心MO，即加入到TasksO中；

[0012] 从子规划中心Mj的任务集合Tasksj中随机选择subj个任务分配给子规划中心Mi的任务集合Tasksi；

[0013] 子规划中心Mi针对任务集Tasksi调用资源调度算法重新制定资源观测计划，将任务集 Tasksi中未被规划的任务拆分出来，设为UTasksub1；

[0014] 从虚拟子规划中心MO的任务集TasksO中取出subO个任务，再与UTasksub1合并分配给子规划中心Mj的任务集Tasksj中；

[0015] 子规划中心Mj针对任务集Tasksj调用资源调度算法重新制定资源观测计划，将任务集 Tasksj中未被规划的任务拆分出来，设为UTasksub2；

[0016] 将子规划中心Mj未被规划的任务UTasksub2分配给虚拟子规划中心MO的任务集 TasksO中；

[0017] 任务分配方案调整完毕，获得新解。

[0018] 进一步地，假设MO是虚拟子规划中心的编号，Mi和Mj(Mi，Mj∈M)分别是从卫星子规划中心集合和无人机规划中心集合中随机选择的两个子规划中心的编号，TasksO、 Tasksi和Tasksj分别表示子规划中心MO、Mi和Mj规划的任务集合；所述贪婪选择算子的步骤如下：

[0019] 从子规划中心Mi的任务集合Tasksi中随机选择subi个任务(设为Tasksub1)分配给虚拟子规划中心MO，即加入到TasksO中；

[0020] 根据任务在子规划中心Mi中被完成比在子规划中心Mj中需要消耗的资源更少的原则分配任务；

[0021] 子规划中心Mi针对任务集Tasksi调用资源调度算法重新制定资源观测计划，将任务集 Tasksi中未被规划的任务拆分出来，设为UTasksub1；

[0022] 从虚拟子规划中心MO的任务集TasksO中取出subO个任务Tasksub3，再与UTasksub合并分配给子规划中心Mj的任务集Tasksj中；

[0023] 子规划中心Mj针对任务集Tasksj调用资源调度算法重新制定资源观测计划，将任务集Tasksj中未被规划的任务拆分出来，设为UTasksub2；

[0024] 将子规划中心Mj未被规划的任务UTasksub2分配给虚拟子规划中心MO的任务集 TasksO中；

[0025] 任务分配方案调整完毕，获得新解。

[0026] 进一步地，所述概率选择算子根据评估值的优劣程度，采用轮盘赌算法从子规划中心 Mj选择特定的任务t分配给子规划中心Mi，然后在Mj的任务集中删除任务t，并重新按照评估值排序，再次采用轮盘赌算法选择任务，直到分配给子规划中心Mi的任务达到subj为止。

[0027] 进一步地，所述动态邻域结构调整算法如下：假设proi是选择邻域结构i，i∈1，2，3被选择的概率，在算法初始时，设置pro1＝α、pro2＝β、pro3＝γ满足下式：

[0028] α+β+γ＝1

[0029] 0＜α，β，γ＜1

[0030] 每隔一定的迭代次数Iter，通过下式更新每个邻域结构被选择的概率：

[0031]

[0032]

[0033] 其中，p表示惯性权重，Seli表示最近Iter次迭代过程中，第i个邻域结构被选中的次数， 表示利用第i个邻域结构当前解的质量获得提升的次数， 表示利用第i个邻域结构获得比历史上最好解质量更高的解的次数，τ1和τ2分别是 的权重。

[0034] 进一步地，在退温过程中，判断是否达到终止温度，如果达到，算法终止，输出最优的任务分配方案和资源调度方案；如果没有达到，则当前温度下搜索足够的次数：如果在搜索过程中产生的邻域解优于当前解，则邻域解替换当前解S＝Snew；如果产生的邻域解不优于当前解，但是当前解与邻域解的目标函数值的差ΔF＝F(Snew)‑F(S)满足下式，则算法接受“恶化解”S＝Snew；

[0035] exp(ΔF/T)＞rand

[0036] 其中，rand为随机数；如果产生的邻域解不优于当前解，且目标函数的差值delta不满足上述公式，则算法不接受邻域解作为当前解。

[0037] 本发明的有益效果如下：

[0038] 本发明引入动态邻域结构调整策略，通过历史的搜索结果适时改变算法的搜索方向，从而引导算法向最优解方向进行搜索，提升了算法的优化性能，并且能加快收敛速度。

附图说明

[0039] 图1本发明的多Agent分层协同调度框架结构图；

[0040] 图2本发明的面向静态目标的空天异构对地观测资源调度过程示意图；

[0041] 图3本发明的基于改进的模拟退火算法的邻域结构框架示意图；

[0042] 图4本发明的面向静态目标的空天异构对地观测资源调度的算法流程图；

[0043] 图5本发明的本发明及传统算法的任务收益值比较图；

[0044] 图6本发明的本发明及传统算法的任务收益率比较图；

[0045] 图7本发明的本发明及传统算法的标准差比较图。

具体实施方式

[0046] 下面结合附图对本发明作进一步的说明，但不以任何方式对本发明加以限制，基于本发明教导所作的任何变换或替换，均属于本发明的保护范围。

[0047] 本发明针对静态目标观测需求提出了多Agent分层协同调度框架，并结合变邻域结构调整的模拟退火算法对面向静态目标的空天异构对地观测资源调度问题进行迭代优化求解；设计了新的邻域结构框架，同时为了提高算法性能，在此邻域框架的基础上，提出了随机选择算子、概率选择算子和贪婪选择算子；为了能够在算法寻优的过程中选择最佳邻域结构，采用了邻域结构自适应调整机制实时调整算法的搜索方向。

[0048] 本发明首先从观测资源工作模式和任务需求出发对协同规划问题进行深入分析，并建立卫星观测平台和无人机观测平台的模型；其次针对静态目标观测需求提出了多Agent 分层协同调度框架，针对移动目标观测需求提出了滚动时域协同调度框架。

[0049] 图1给出多Agent分层协同调度框架用于解决面向静态目标的空天异构对地观测资源协同调度问题。该框架具有两个特征：层次化和有限集中式。

[0050] 层次化体现在该框架具备四个层次结构：输入层、协同层、子规划中心层和观测资源层，各层之间互相连通、相互调用。有限集中式体现在：协同调度中心是综合信息处理中心，其能从用户层和子规划中心层分别获取观测任务信息和子规划中心所管控的观测资源能力，通过提取任务需求和观测资源的主要特征，进行合理的任务分配。在任务分配完毕后，子规划中心根据其所分配到的任务制定具体的观测计划，从而使得整体的观测收益尽可能地高。由于协同调度中心不直接管控具体的观测资源和制定具体的观测计划，因此多 Agent分层协同调度框架是有限集中式框架。

[0051] 从图1中的框架可以看出：首先，协同中心制定各子规划中心的任务分配方案；其次，子规划中心直接管控观测观测资源制定观测计划；接着，观测资源层中的观测资源负责执行子规划中心所制定的观测计划；最后，子规划中心与子规划中心之间、子规划中心与输入层之间具备直接交互能力。

[0052] 在多Agent分层协同调度框架中本发明引入了子规划中心的概念，子规划中心是指管控多个同类观测资源的管控中心。目前卫星和无人机观测资源尚不具备完全合并管控的现实条件，尤其是无人机观测资源，被大量的不同部门分别管控，因此本发明采用层级架构的方式用地面协同管控中心与观测资源的管控中心直接进行交互。多Agent分层协同调度框架共有4个层次，下面介绍该框架中各个层次的特性和功能。

[0053] 输入层：输入层包括两个子系统，分别是任务信息管理中心和资源信息管理中心。任务信息管理中心主要是用来接收和处理用户所提交的观测请求，其中包括观测申请提交时间和提交单位、观测任务的优先级、观测时间需求、成像载荷需求、分辨率需求等参数。对于复杂的观测任务，例如对大区域的区域目标观测需求，任务信息管理中心会将其处理为简单的点目标集合，并将其收藏到观测任务清单当中，任务信息管理子系统支持添加、删除、修改等操作。资源信息管理中心则主要是用来管理卫星资源，其中包括卫星的型号、轨道六根数、成像载荷型号和相关参数，以及卫星已接收的观测计划等信息。同样，资源信息管理中心也支持添加、删除和修改等操作。

[0054] 协同层：协同层是该框架的核心环节，包括协同中心，其主要功能是接收任务信息管理子系统和资源信息管理子系统的观测任务和观测卫星数据，通过合理的任务分配算法将观测任务派发给子规划中心层的各子规划中心，从而实现任务的最优分配。

[0055] 子规划中心层：子规划中心层主要功能是接收协同层所派发观测任务，根据其所管控的观测资源状态和相关参数信息制定观测计划，并将观测计划反馈给资源信息管理子系统。

[0056] 观测资源层：观测资源层是空天一体对地观测系统的执行层，其主要功能是接收子规划中心层所制定的观测计划，并按照该观测计划执行观测任务。同时每个观测资源也具备一定的自主决策能力，在执行观测任务时，如遇到不可抗力，观测资源可放弃对观测任务的执行。

[0057] 本发明根据面向静态目标的多Agent分层协同调度框架，采用变邻域结构调整的模拟退火算法(Simulated  Annealing  Algorithm  combined with  Variable Neighborhood Adjustment， SAA‑VNA)进行迭代优化求解。为了提高算法性能，提出了三种算子用于邻域寻优，并采用自适应邻域结构调整机制提高算法的收敛速度和求解质量。仿真实验表明，该方法有效地降低了空天资源协同调度问题求解的复杂度，并表现出了不错的求解效果。

[0058] 面向静态目标的空天资源协同调度是指在满足任务需求和资源使用约束下，通过协同优化的方法，确定一种最优的空天资源协同调度方案。其问题难点主要在于：①空天资源协同调度问题属于NP‑hard问题，当任务规模较大时，较难在多项式时间内获得最优解；②资源使用约束较为复杂，统一建模较为困难。

[0059] 因此，本发明提出了多Agent分层协同调度框架对面向静态目标的空天异构对地观测资源调度问题进行求解。该框架的流程图如图2所示，本发明将该问题拆解为子规划中心之间的任务分配问题和子规划中心的观测资源调度问题。由于子规划中心的观测资源有两类，因此将子规划中心的观测资源调度问题分为多星调度问题和多无人机调度问题。

[0060] 多星调度问题可以描述为：m颗互不相同的观测卫星(资源集合Sat)安排执行n个观测任务(任务集合J)。对于每一个任务j∈J，只有卫星资源子集Satj∈Sat对其具有可见时间窗口，该任务完成需要占用卫星资源k∈Satj，占用的时间为durj，k。此外，卫星资源k具有观测动作唯一性约束，其在一个可见时间窗口内只能执行一个任务。如果任务i 和任务j都安排给卫星资源k执行，且任务i在任务j之前执行，那么任务i执行完成后，必须经过一个调整时间，任务j才能开始执行。由于卫星具有资源和能力的约束，任务有可能不被安排。同时，每个任务j都有权重值prj表示其任务完成的收益值。

[0061] 多无人机调度问题可以描述为：m架互不相同的无人机(资源集合UAV)安排执行n 个观测任务(任务集合J)。对于每个任务j∈J和每一架无人机k∈UAV，需要占用的无人机观测时间为durj，k。每一架无人机k，具有基地约束、航程约束、续航时间约束和载荷约束。无人机在执行完所安排的任务后，必须返回基地。在同一时间内，无人机一次只能执行一个任务，且在执行过程中对该任务必须连续不中断地执行完成。同时，每个任务j都有权重Prj表示任务完成的收益值。

[0062] 空天异构对地观测资源的任务分配问题可以描述为：m个互不相同的观测资源子规划中心(资源集合M＝{Mk|k＝12…，m}，Mu＝Sat||Mk＝UAV)安排执行n个观测任务(任务集合J)。对于每个任务j∈J，只有子规划中心子集Mj∈M能满足任务j的分辨率要求、频谱要求等。任务j只能分配给子规划中心子集Mj的一个子规划中心去执行，任务执行完毕后，可以获得任务j的收益值prj，否则不获得收益。

[0063] 面向静态目标的空天异构对地观测资源调度模型

[0064] 构建一个多子规划中心大规模用户申请的空天资源调度场景，其中多子规划中心包括卫星子规划中心和无人机子规划中心，用户提交的静态目标本发明只考虑点目标和小范围的区域目标。空天异构对地观测资源调度模型的各项变量如表1所示。

[0065] 表1空天异构对地观测资源调度模型的变量说明表

[0066]

[0067] 星调度模型

[0068] 针对多星调度问题，将其转化为并行机车间调度问题(Parallel Machine Job Shop Scheduling Problem，PMJSP)，将卫星看作机器，任务看作工件，优化目标为卫星调度的总收益最大。下面给出多星调度模型：

[0069]

[0070]

[0071]

[0072]

[0073]

[0074]

[0075]

[0076]

[0077]

[0078]

[0079]

[0080]

[0081] 其中，目标函数(1)保证了卫星子规划中心k所有安排任务的总收益最大。约束条件(2)保证了任务的唯一性，卫星在执行观测任务时，一个任务只能被执行一次，如果任务被安排执行，则只能有一个后续任务。约束条件(3)保证了每颗卫星的观测序列只有一个起始任务。约束条件(4)保证了任务的执行时间不会发生交叉，如果任务h占用资源i，那么它的前序任务和后继任务也占用资源i。它和约束条件(3)、(4)一起确定了任务的占用资源和执行顺序。约束条件(5)和(6)共同确定了前后两个任务的执行时间先后关系。该不等式同时保证了资源的任务队列中不会出现子环，这是因为任务的执行时间是单调递增的。约束条件(7) 和约束条件(2)一起保证了任务只能占用一个资源，且只能在一个时间窗口内执行。约束条件(8)和(9)分别表示载荷能量约束和存储约束。约束条件(10)和(11)保证了任务只能在卫星的可见时间窗口内执行。约束条件(12)限定了变量的取值范围。

[0082] 多无人机调度模型

[0083] 将多无人机调度问题转化为车辆路径问题(Vehicle Routing Problem，VRP)，与常规的VRP不同，本发明设计的多无人机调度场景，其目标函数是在保证资源约束的条件下，完成的任务总收益最大。下面给出多无人机调度模型：

[0084]

[0085]

[0086]

[0087]

[0088]

[0089]

[0090]

[0091]

[0092]

[0093] 其中，目标函数(13)表示无人机子规划中心k的最大化调度任务的总利润。约束条件(14) 表示每个任务最多具有一个前序任务和一个后继任务。约束条件(15)表示每个无人机必须从基地开始，完成任务后返回基地。约束条件(16)指对于每个实际任务和每架无人机，前序任务的数量等于后继任务的数量。约束(17)到(20)分别表示时间窗约束、最大航程约束、载荷的能量约束和载荷的存储容量约束。约束条件(21)限定了决策变量的取值范围。空天异构对地观测资源协同任务分配模型

[0094] 面向静态目标的空天异构对地观测资源协同任务分配问题可以看作高维的0‑1背包问题。因此对面向静态目标的空天异构对地观测资源协同任务问题建模如下：

[0095]

[0096]

[0097]

[0098] xj，k，Cj，k∈{0，1}  (25)

[0099] 其中，目标函数(22)表示最大化整体观测收益。约束条件(23)表示每个任务只能分配给一个子规划中心去完成。等式(24)表示各子规划中心针对任务j的调度情况的总和等价于任务j 的被执行情况。约束条件(25)限定了决策变量的取值范围。

[0100] 结合变邻域结构调整的模拟退火算法

[0101] 模拟退火算法是一种比较常用的用于解决NP‑hard问题的元启发式算法，它是一种串行的单点搜索算法，通过设计邻域结构将当前解转移到邻域解，并采用一种时变且最终趋于零的概率突跳机制在一定程度上接受恶化解，从而避免算法陷入局部最优，具有较好的全局优化能力。

[0102] 本发明根据空天异构对地观测资源协同调度问题的特性，提出了结合变邻域结构调整的模拟退火算法(Simulated Annealing Algorithm combined with Variable Neighborhood Adjustment，SAA‑VNA)进行求解。SAA‑VNA以传统的模拟退火算法为框架，其创新点在于SAA‑VNA以问题为导向，根据任务需求的特性和观测资源的能力提出了一种初始解构造策略，在算法迭代过程中迭代设计了三种不同性质的邻域结构，并采用一种动态邻域结构调整机制调整算法的搜索方向，从而使得搜索结果朝着更有可能存在最优解的方向搜索，提高算法的收敛速度，减少无效搜索。

[0103] 由于模拟退火算法的求解质量易受到初始解和邻域结构的影响，因此本发明提出的 SAA‑VNA在构造初始的任务分配方案时采用一种基于资源能力优先级的初始解构造策略，该策略考虑了卫星和无人机运行模式的差异，可以较快生成一个不错的初始解。在邻域结构方面，本发明设计了一种新的邻域结构框架，基于此框架，根据任务需求和资源能力的特性提出了三种不同的邻域结构用于寻找当前解的邻域解。

[0104] 基于资源能力优先级的初始解构造策略

[0105] 初始解的构造对模拟退火算法寻优有着重要的影响，为了生成一个较好的初始解，本发明提出一种基于资源能力优先级的任务分配算法。

[0106] 在分配任务时考虑到卫星资源的稀缺性，如果有卫星子规划中心，应优先将任务分配给卫星子规划中心，其次再将卫星子规划中心未规划的任务分配给无人机子规划中心。

[0107] 假设有多个卫星子规划中心，本发明根据卫星子规划中心所管控的卫星数量，优先将任务分配给卫星数量多的子规划中心，子规划中心规划完毕后，再将未被规划的任务分配给卫星数量较少的子规划中心，直到所有的卫星子规划中心规划完毕。

[0108] 在所有的卫星子规划中心规划完毕后，假设有多个无人机子规划中心，本发明根据目标的位置、无人机基地的位置、无人机子规划中心的无人机数量、子规划中心管控的无人机航程等因素，为任务选择合适的子规划中心。

[0109] 定义无人机子规划中心k的基地位置为UPosk，基地位置UPosk与目标位置之间的距离为 子规划中心k管控的无人机数量为mk，子规划中心k管控的无人机最大飞行距离为Dk。将观测任务按照优先级进行降序排列，优先级越高的任务优先进行分配。在观测任务分配时，按照公式(27)选择子规划中心。

[0110]

[0111] 其中，subplannerj表示任务j所选择的子规划中心，w1和w2分别是位于[0,1]之间的权重值， i∈Mk表示任务i被分配到子规划中心Mk中。

[0112] 在任务分配给无人机子规划中心后，无人机子规划中心调用多无人机调度算法制定无人机的调度方案。最后在所有的子规划中心制定完调度方案后，将未被规划的任务分配到虚拟子规划中心MO。

[0113] 邻域结构

[0114] 考虑到子规划中心数量的变化可能导致算法时间复杂度剧增，本发明为面向静态目标的空天异构对地观测资源调度问题设计了一种新的邻域结构框架。

[0115] 根据多Agent分层协同调度框架，面向静态目标的空天异构对地观测资源协同调度问题可以拆解为空天异构对地观测资源的任务分配问题和子规划中心的资源调度问题。本发明使用一种改进的禁忌搜索算法用于多星调度问题求解。该算法在禁忌搜索算法的框架中考虑了时间窗拥挤度对观测任务完成率的影响，在为任务选择合适的时间窗进行观测时，优先选择拥挤度较低的时间窗分配给任务。同时，本发明使用一种改进的大邻域搜索算法用于多无人机调度问题求解。该算法的核心思想是“拆毁‑重组”，针对已经规划好的无人机任务路径通过“拆毁”一部分任务，再重新进行连接，对连接好的路径采用局部搜索算子进行优化。路径优化完毕后，对未被规划的任务按照一定的规则重新进行插入，进而获得更高的任务收益。由于上述研究基本已经成熟，因此本发明不作过多介绍。

[0116] 在为子规划中心的资源调度算法设计完毕后，本发明将每个子规划中心视为具有一定智能的Agent，其功能为可以为分配到任务进行规划，制定资源观测计划。该Agent也可以视为一种专用的求解器，因此空天异构对地观测资源的调度问题可以看作高维的0‑1背包问题，即每个Agent是一个“背包”，每一个优先级不同的观测任务是一件“权重不同的物品”。每个Agent的资源是有限的，类似于背包有空间和重量的约束；每个观测任务需要消耗Agent的资源(例如航程、时间窗等)，类似于每件物品需要消耗背包的空间资源和重量资源。

[0117] 传统的求解高维0‑1背包问题智能优化算法，由于问题的约束条件不是很多，因此对多个背包的收益可以集中求解，然而，在空天异构对地观测资源协同调度问题中，每个子规划中心的资源调度问题复杂程度较高，对多个Agent采用集中求解的方式会消耗大量的计算资源，当Agent的规模达到一定程度时，对求解结果的优化就无法继续下去。因此针对这种情况，本发明设计了一种新的邻域结构框架，如图3所示，该框架的优点在于：

[0118] (1)每次任务分配方案的调整只需要两个子规划中心和一个虚拟子规划中心的参与即可完成，大大减少参与的Agent数量，不受Agent数量的变化而使得算法的时间复杂度“爆炸式”增长，大大降低了算法的求解时间。

[0119] (2)加强了Agent之间的合作，传统的求解算法不考虑不同Agent之间的偏好和特性，使得观测任务分配给不适合完成的Agent，增加了优化过程中的不必要计算。

[0120] (3)三个子规划中心之间的任务“交换”形成了一条完美的“回路”。两个实际子规划中心的任务“交换”虽然可以降低资源的总体消耗，然而由于卫星资源和无人机资源的复杂性和异构性，导致不同种类的资源难以进行标准化和换算，因此从整体上来说，总体任务收益的提升具有滞后性。而智能优化算法是依靠一种即时反馈的机制来改善解的质量，因此实际子规划中心的任务“交换”通过虚拟子规划中心的中介通道来进行，可以使得总体任务收益的提升可以即时反馈给智能优化算法的算法核心，以便算法在求解过程中做出更好的决策。

[0121] 在图3所示的邻域结构框架基础上，根据空天异构对地观测资源协同调度的任务需求和资源能力的特性，本发明设计了三种邻域结构，分别为随机选择算子、贪婪选择算子和概率选择算子。

[0122] 假设MO是虚拟子规划中心的编号，Mi和Mj(Mi，Mj∈M)分别是从子规划中心集合中随机选择的两个子规划中心的编号，TasksO、Tasksi和Tasksj分别表示子规划中心MO、 Mi和Mj规划的任务集合。

[0123] (1)基于随机准则的邻域结构——随机选择算子

[0124] 随机选择算子的核心思想是在两个子规划中心之间进行任务交换采用随机选择的方法。

[0125] ①从子规划中心Mi的任务集合Tasksi中随机选择subi个任务(设为Tasksub1)分配给虚拟子规划中心MO，即加入到TasksO中，由于虚拟子规划中心没有资源，因此不进行自规划计算，Tasksi＝Tasksi/Tasksub1，TasksO＝TasksO∪Tasksub1；

[0126] ②从子规划中心Mj的任务集合Tasksj中随机选择subj个任务(设为Tasksub2)分配给子规划中心Mi的任务集合Tasksi，Tasksj＝Tasksj/Tasksub2，Tasksi＝Tasksi∪Tasksub2；

[0127] ③子规划中心Mi针对任务集Tasksi调用资源调度算法重新制定资源观测计划，将任务集Tasksi中未被规划的任务拆分出来，设为UTasksub1，Tasksi＝Tasksi/UTasksub1；

[0128] ④从虚拟子规划中心MO的任务集TasksO中取出subO个任务(设为Tasksub3)，再与 UTasksub合并分配给子规划中心Mj的任务集Tasksj中， Taksj＝Tasksj∪Tasksub∪UTasksub3；

[0129] ⑤子规划中心Mj针对任务集Tasksj调用资源调度算法重新制定资源观测计划，将任务集Tasksj中未被规划的任务拆分出来，设为UTasksub2，Tasksj＝Tasksj/UTasksub2；

[0130] ⑥将子规划中心Mj未被规划的任务UTasksub2分配给虚拟子规划中心MO的任务集 TasksO中，Taskso＝TasksO∪ UTasksub2。

[0131] ⑦任务分配方案调整完毕，获得新解。

[0132] (2)基于贪婪准则的邻域结构——贪婪选择算子

[0133] 贪婪选择算子与随机选择算子不同之处在于随机选择算子中的第②步：从子规划中心 Mj的任务集合Tasksj中随机选择subj个任务(设为Tasksub2)分配给子规划中心Mi的任务集合 Tasksi。贪婪选择算子认为Tasksub2中的任务应考虑到任务在子规划中心Mi中的适应性和在子规划中心Mj中的不适应性，即任务在子规划中心Mi中被完成比在子规划中心Mj中需要消耗的资源更少。

[0134] 由于子规划中心Mi和子规划中心Mj分别有两种可能，因此子规划中心Mi和子规划中心Mj在进行“交互”时存在四种情况。四种情况如下：

[0135] ①假设Mi是无人机子规划中心，Mj是卫星子规划中心。由于卫星资源的稀缺性和观测范围较广的特点，卫星子规划中心规划的任务应尽量是无人机资源较难完成的任务，因此从卫星子规划中心选择分配给无人机子规划中心的任务应尽量是无人机资源较容易完成的任务。

[0136] 本发明提出了一种k近邻的评估公式，其思想是离无人机子规划中心中的任务越近，容易形成一个团簇，在无人机的路径中插入此任务所需消耗的资源不会太大。计算Taksj中每个任务与Taksi中最近的k个任务Taskk之间的累计距离SDj。

[0137]

[0138] 在计算Taksj中任务j的SDj完毕后，对其进行升序，再从中选择前subj个任务，设为 Tasksub2，分配到子规划中心Mi的任务集合Tasksi中。

[0139] ②假设Mi是卫星子规划中心，Mi是无人机子规划中心。本发明参考了Worst Removal 算子，Worst Removal算子最早用于带时间窗的车辆路径问题当中，假设VRPTW的一个解为s，其中一个顾客为i，定义执行成本cost＝f(s)‑f‑i(s)，f‑i(s)是指不含顾客i的总行驶距离。它将执行成本较高的任务删除，重新插入到其它位置以实现一个更好的解。

[0140] 在无人机子规划中心Mj的任务集Taksj中，计算从无人机子规划中心Mj规划的资源观测计划中删除任务j减少航程资源的倒数，即CTj。

[0141]

[0142] 其中，totalDis(Mj)表示子规划中心Mj所消耗的航程资源，totalDis‑j(Mj)表示在子规划中心Mj规划的飞行路径中删除任务j后所消耗的航程资源。

[0143] 在计算Tasksj中任务j的CTj完毕后，对其进行升序，再从中选择前subj个任务，设为Tasksub2，分配到子规划中心Mi的任务集合Tasksi中。

[0144] ③假设Mi和Mj都是卫星子规划中心。从子规划中心Mj选择的任务分配到子规划中心 Mi，应具备更多的观测机会，同时与子规划中心Mi规划的任务冲突度越小。

[0145] 定义Taksj中的任务j在子规划中心Mi的观测机会为 Sk表示子规划中心Mi的卫星资源，观测机会所对应的时间窗为 Taksi中的任务i在子规划中心的所占用的时间窗为

[0146] 定义任务j在观测机会 上和任务i的冲突度为 如果任务j在观测机会 上的时间窗 和任务i的时间窗 存在交叉，则 否
则 因此，任务j在子规划中心Mi的冲突度为：

[0147]

[0148] 考虑到任务在子规划中心Mi中没有观测机会，因此在从子规划中心Mj中选择任务时删除在Mi中没有观测机会的任务，在删除完毕后，计算剩下的任务在子规划中心Mi的冲突度大小，并进行升序，再从中选择前subj个任务，设为Tasksub2，分配到子规划中心Mi的任务集合Tasksi中。

[0149] ④假设Mi和Mj都是无人机子规划中心。k近邻公式同样适用于子规划中心Mj任务的选择。根据公式(28)，计算Taksj中每个任务与Taksi中最近的k个任务Taskk之间的累计距离SDj。

[0150] 在计算Taksj中任务j的SDj完毕后，对其进行升序，再从中选择前subj个任务，设为 Tasksub2，分配到子规划中心Mi的任务集合Tasksi中。

[0151] (3)基于概率准则的邻域结构——概率选择算子

[0152] 概率选择算子与贪婪选择算子类似，与其不同之处在于概率选择算子并不按照Max或 Min准则选择评估值最优的任务从子规划中心Mj分配给子规划中心Mi中，而是根据评估值的优劣程度，采用轮盘赌算法从子规划中心Mj选择特定的任务t分配给子规划中心Mi，然后在Mj的任务集中删除任务t，并重新按照评估值排序，再次采用轮盘赌算法选择任务，直到分配给子规划中心Mi的任务达到subj为止。

[0153] 轮盘赌算法，其基本思想是任务被选中的概率与任务的优劣程度成正比。假设用EVt表示任务t的评估值，根据对贪婪选择算子的描述，评估值越高，任务越劣，因此用公式 (31)来描述任务被选择的概率。

[0154]

[0155] 邻域结构自适应调整机制

[0156] 本发明提出一种自适应机制用于三种邻域结构的动态调整。假设proi是选择邻域结构 i被选择的概率，在算法初始时，设置pro1＝α、pro2＝β、pro3＝γ满足公式(32)、公式(33)。每隔一定的迭代次数Iter，通过公式(34)、公式(35)规则更新每个邻域结构被选择的概率。

[0157] α+β+γ＝1  (32)

[0158] 0＜α，β，γ＜1  (33)

[0159]

[0160]

[0161] 其中，ρ表示惯性权重，Seli表示最近Iter次迭代过程中，第i个邻域结构被选中的次数。 表示利用第i个邻域结构当前解的质量获得提升的次数， 表示利用第i个邻域结构获得比历史上最好解质量更高的解的次数。τ1和τ2分别是 的权重，本发明设为0.5。

[0162] 退火机制和终止准则：初始温度设为T0，终止温度设为Tf，采用指数方法退温。在退温过程中，判断是否达到终止温度，如果达到，算法终止，输出最优的任务分配方案和资源调度方案。如果没有达到，则当前温度下搜索足够的次数。如果在搜索过程中产生的邻域解优于当前解，则邻域解替换当前解S＝Snew；如果产生的邻域解不优于当前解，但是当前解与邻域解的目标函数值的差ΔF＝F(Snew)‑F(S)满足公式(36)，则算法接受“恶化解”S＝Snew；如果产生的邻域解不优于当前解，且目标函数的差值delta不满足公式(36)，则算法不接受邻域解作为当前解。

[0163] exp(ΔF/T)>rand  (36)

[0164] 其中，rand表示位于[0，1]的随机数，delta表示当前解与邻域解的任务收益值的差值。

[0165] 在本发明中，空天异构对地观测资源协同调度算法分为两个阶段，分别是任务分配阶段和子规划中心的资源调度阶段。在任务分配阶段，制定任务分配方案分配给各个子规划中心；在资源调度阶段，子规划中心根据资源能力和任务需求制定最优的资源观测方案对分配到的任务进行规划。

[0166] 针对未被规划的任务，将其分配到虚拟子规划中心。基于本发明设计的邻域结构对任务分配方案进行调整，子规划中心再重新制定资源调度方案，从而生成最优的任务分配方案和资源观测方案，最大化空天对地观测系统的整体收益。

[0167] 假设Sats_Schedule和UAVs_Schedule分别表示多星协同调度算法和多无人机协同调度算法。本发明提出的面向静态目标观测的空天异构对地观测资源协同调度方法如图4所示，方法步骤如下：

[0168] 输入：空天对地观测系统的各项要素。

[0169] Step1.采用基于资源能力优先级的初始解构造策略生成任务分配方案的初始解S，根据初始解S，卫星子规划中心和无人机子规划中心调用Sats_Schedule和UAVs_Schedule 生成子规划中心内部的资源调度方案P，并求出总的任务收益值F(S)。

[0170] Step2.初始化SAA‑VNA的算法参数：初始温度T0，算法的终止温度Tf；马尔科夫链长度L，温度衰减系数K，3种邻域结构被选择的概率初始化为pro1、pro2、pro3。令算法的当前温度T＝T0，当前温度的搜索次数i＝1。

[0171] Step3.结合3种邻域结构的概率，采用轮盘赌的方法选择邻域结构k，在邻域结构k 下搜索当前解的邻域解Snew，卫星和无人机子规划中心调用Sats_Schedule和 UAVs_Schedule生成子规划中心内部的资源调度方案Pnew，并求出总的任务收益值 F(Snew)。

[0172] Step4.计算目标函数的差值ΔF＝F(Snew)‑F(S)，如果ΔF＞0，S＝Snew，P＝Pnew， F(S)＝F(Snew)；否则，判断exp(ΔF/T)＞rand，若成立，接受“恶化解”，S＝Snew， P＝Pnew，F(S)＝F(Snew)，否则不接受“恶化解”，当前解保持不变。

[0173] Step5.判断是否满足邻域结构自适应调整条件，若满足，更新pro1、pro2、pro3；否则不更新。

[0174] Step6.令i＝i+1；判断i＞L，如果满足，T＝T·K，执行Step7；否则，返回Step3。

[0175] Step7.判断是否满足算法终止准则T＜Tf，如果满足算法终止，输出S，P，F(S)；如果不满足，返回Step3。

[0176] 输出：最优的任务分配方案Sopt，子规划中心的资源观测方案Popt，任务总收益F(Sopt)。

[0177] 参数设置及分析

[0178] 在配置为2.80GHz Intel Core CPU、8GB内存、Windows操作系统的PC机上，使用 Matlab2018b进行仿真实验。假设有4个子规划中心，子规划中心1和子规划中心2分别管控3颗卫星和2颗卫星，子规划中心3和子规划中心4的分别管控3架无人机和2架无人机，基地位置分别是基地1和基地2，子规划中心的无人机都从基地出发。任务调度周期为24h，待观察任务在卫星观测下的可见时间窗使用STK软件仿真生成。实验参数如表 2所示。

[0179] 表2空天对地观测系统的任务及资源参数

[0180]参数名称 参数设置
任务规模(个) {200，300，400，500，600，700，800}
任务的权重 [1，10]
任务生成区域(度) 北纬[30，35]，东经[100，110]
任务所需的持续观测时间(s) [1，10]
无人机基地1位置(度) [32.5N，104E]
无人机基地2位置(度) [32.5N，108E]
无人机的平均飞行速度(km/h) 600
无人机的最大飞行半径(km) 1300
无人机的最大航时(h) 30
空天资源传感器最大累计开机时间(s) 1500
空天资源传感器最大容量(个) 140
完成一个任务所需的传感器开关机次数(次) 1
三种选择算子的权重α，β，γ 0.33，0.33，0.33
公式(27)中的权重w1，w2 0.5，0.5
k近邻评估方法中的k值 [1，5]内产生的随机数
SAA‑VNA的初始温度T0 1000
SAA‑VNA的终止温度Tf 0.1

[0181] 本发明设计的SAA‑VNA主要包含5个重要参数，分别是马尔科夫链长度L、温度衰减速度K、r1、r2和邻域结构调整的惯性权重ρ。其中r1、r2分别表示从子规划中心Mi和 Mj的任务集合Tasksi和Tasksj中选取的任务数量占对应任务集中任务总数量的比例。

[0182] 算法对比及分析

[0183] 本发明设计了4种对比算法，分别是基于资源优先度的任务分配算法(TasksAllocation Algorithm based on Resource Priority，TAA‑RP)、变邻域搜索算法(Variable neighborhoods Search，VNS)与经典模拟退火算法(Simulated Annealing Algorithm，SAA)以及基于大邻域结构的模拟退火算法(Simulated Annealing Algorithm based on Large Neighborhoods Struct，SAA‑LNS)与结合变邻域结构调整的模拟退火算法(Simulated Annealing Algorithm combined with Variable Neighborhood 
Adjustment，SAA‑VNA)进行对比。为了保证对比的一致性，此4类对比算法都是用于制定任务分配方案，具体的资源观测方案由各子规划中心调用相应的调度模型和调度算法制定。

[0184] 上述4种对比算法中，TAA‑RP是一种基于资源优先度的贪婪算法，它先将任务分配给卫星子规划中心，再将未被卫星子规划中心规划的任务分配给无人机子规划中心；在分配给同类资源的子规划中心时，优先选择管控的观测资源数量多的子规划中心。VNS是一种元启发式算法，与SAA‑VNA相比缺少概率突跳机制以及邻域结构自适应调整机制。SAA 是经典的模拟退火算法，采用基于随机选择准则的邻域结构。SAA‑LNS结合了VNS和SAA 的特点，与SAA‑VNA相比，缺少自适应邻域结构调整策略，本发明设计SAA‑LNS的目的是为了验证自适应邻域结构调整策略对算法的影响。

[0185] 在200～800个任务规模下，采用SAA‑VNA和上述4种对比算法重复实验15次，得到的任务平均收益值、任务平均收益率和标准差如表3 、图5‑7所示。

[0186] 表3 算法结果对比表

[0187]

[0188] 上述7个案例的结果表明，在求解空天异构对地观测资源协同调度问题上，SAA‑VNA 的求解质量总是优于其它4种算法，同时在4种对比算法中，算法的优化性能按照从左到右排序分别是SAA‑LNS、SAA、VNS和TAA‑RP。TAA‑RP的求解质量相对较差主要是因为TAA‑RP采用的是贪婪规则，并且任务分配方案没有经过迭代优化。而VNS具有多种邻域结构，且可以对任务分配方案进行迭代优化，因此算法的优化性能较好。但是由于VNS 的局部搜索能力过强，导致算法更容易陷入局部最优。SAA吸取了VNS的教训，采用了一种概率突跳机制，虽然只使用了基于随机搜索的邻域结构，但是算法在一定程度上可以接受恶化解，因此SAA的求解结果优于VNS，并且在任务总收益率上，SAA一般比VNS 高出2.5％～4.8％。同时，在SAA的基础上，SAA‑LNS采用了多种邻域结构，因此SAA‑LNS 的结果更加稳定且求解质量一般也都高于SAA。然而SAA‑LNS虽然采用了多种邻域结构对可行解空间进行搜索，然而由于邻域结构被选择的概率是固定的，算法可能会造成部分的无效搜索，因此本发明改进SAA‑LNS，引入动态邻域结构调整策略，通过历史的搜索结果适时改变算法的搜索方向，从而引导算法向最优解方向进行搜索，可在一定程度上提升算法的优化性能，并且能加快收敛速度。

[0189] 接下来，本发明以TAA‑RP为基础，对其它4种算法的优化性能之间的差距进行进一步的分析。其中图5表示在任务收益值上，4种算法高出TAA‑RP的部分；图6表示在任务收益率上，4种算法高出TAA‑RP的部分；图7表示本发明设计的所有算法的任务收益标准差。

[0190] 从图5、图6可以看出，在区域内任务规模未达到一定程度时，上述4种算法可以提升的任务收益值和任务收益率有限；当任务规模增加到一定程度时，4种算法相比于 TAA‑RP可以在较大程度上发挥算法寻优的优势；当任务规模超过一定程度，由于资源能力的约束，4种算法相比于TAA‑RP增加的任务收益值开始保持稳定，而任务收益率由于任务收益的增长速度不及任务规模的增长，导致算法之间的差距越来越小。从图6可以发现，SAA‑VNA的算法稳定性较好，在整体的任务收益率标准差上，SAA‑VNA的平均标准差可以比其它4种对比算法降低4.50％～45.13％。

[0191] 综上，本发明提出的结合变邻域结构的模拟退火算法(SAA‑VNA)用于空天异构对地观测资源协同任务分配问题求解，该算法在问题求解质量上取得了不错的效果。大量的仿真实验验证了该方法的有效性，可以发现以下结论：

[0192] (1)与其它4种对比算法相比，SAA‑VNA的任务收益值和收益率最高，结果的稳定性也较强。与TAA‑RP、VNS、SAA、SAA‑LNS相比，SAA‑VNA在任务收益率上可以提高0.13％～10.57％。

[0193] (2)根据VNS和SAA的任务收益率结果对比可知，采用概率突跳机制可以使得算法避免陷入局部最优，因此SAA的求解质量要优于VNS。

[0194] (3)根据SAA、SAA‑LNS和SAA‑VNA的任务收益率结果对比可知，采用多种邻域结构在任务收益率明显优于只采用一种邻域结构的算法，同时采用自适应邻域结构机制的 SAA‑VNA和不采用邻域结构调整机制的SAA‑LNS相比起来，在一定程度上，对任务收益率的提升具有一定的帮助。

[0195] (4)在区域范围内，增加无人机的数量无人机的数量更有助于整体观测收益的提升。每增加一架无人机，任务收益值和任务完成数平均增加约302.50和58.18，每增加一颗卫星，任务收益值和任务完成数平均增加约85.20和13.05。

[0196] 本发明的有益效果如下:

[0197] 本发明引入动态邻域结构调整策略，通过历史的搜索结果适时改变算法的搜索方向，从而引导算法向最优解方向进行搜索，提升了算法的优化性能，并且能加快收敛速度。

[0198] 上述实施例为本发明的一种实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何背离本发明的精神实质与原理下所做的改变、修饰、代替、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。