【任务规划】基于matlab遗传算法求解多敏捷卫星协同多目标自主任务规划【含Matlab源码 2844期】-优快云博客

💥💥💥💥💞💞💞💞💞💞欢迎来到玄武科研社博客之家💞💞💞💞💞💞💥💥💥💥
在这里插入图片描述
✅博主简介：985研究生，热爱科研的Matlab仿真开发者，完整代码论文复现程序定制期刊写作科研合作扫描文章底部QQ二维码。
🍎个人主页：玄武科研社
🏆代码获取方式：扫描文章底部QQ二维码

⛳️座右铭：行百里者，半于九十。
更多Matlab路径规划仿真内容点击👇
①Matlab路径规划（玄武科研社版）

⛳️关注微信公众号Matlab王者助手或Matlab海神之光，更多资源等你来！！

⛄一、问题描述简介

卫星观测任务调度问题描述如下。基于对太空在轨卫星观测需求，需要在地面观测设备有限的情况下对我国上空在轨运行卫星进行观测任务调度。假设全国现共有M个地面观测设备（每个观测设备都需要对卫星执行相应的观测任务），N个待观测卫星，且M<<N。每个待观测卫星相对于不同的地面设备都有P个可供选择的可见时间窗口，P的数量根据卫星和观测设备的不同而有所差异。其中，每个可观测设备都可以在任何待观测卫星与之对应的可见时间窗口内对该卫星进行观测，观测的时长根据实际任务中该卫星所需观测时间而不同。同时，任意一颗卫星都可在其可见时间窗口内被地面观测设备所观测。由于观测设备自身的物理特性，每个地面观测设备对一颗卫星进行观测结束后对下一颗卫星观测之前，都需要经过设备转换时间，设备的转换时间根据设备的自身特性不同而不同。在地面观测设备选择对哪一颗卫星的哪一段可见时间窗口进行观测时，不同的卫星之间由于实际观测任务需求的不同，观测的优先级也不同。该卫星所承担的角色越重要，其观测优先级就越高，同时由于地面观测设备的精度有所偏差，地面观测设备精度越高，该设备的优先级也越高。不难理解，优先级高的地面观测设备应该尽量选择优先级较高的卫星进行观测。在整个观测任务的规划调度中，每颗卫星最多应被观测一次。调度的目标是在整个观测任务调度的过程中，尽量用较短的时间观测完更多优先级较高的卫星，使最终的卫星和地面站优先级达到最大。
此外，在对多卫星进行观测的任务调度中，还应满足以下约束条件：
（1）地面观测设备在对其中一个卫星的某一个可见时间窗口进行观测时，除设备故障原因，中途不能中断观测，且观测时间要达到实际任务规划中该卫星的观测时间需求；
（2）同一时间同一台地面观测设备只能在某一个卫星的某个可见时间窗口内对该卫星进行观测，同一时间卫星的某个可见时间窗口也只能被一台地面设备进行观测；
（3）当卫星的某一时间窗口被其中一台地面设备观测结束之后，该卫星的任何可见时间窗口都不能被其他地面设备进行观测，每个卫星最多只能被观测一次；
（4）对于同一台地面观测设备而言，其在完成对一颗卫星的观测任务后，对下一颗卫星进行观测前，需要经过设备的转换时间；
本文的卫星观测任务调度，观测设备是基于光学观测，不考虑观测设备与卫星之间的频率等其他物理因素，假设天气情况良好，在卫星的可见时间窗口内，各设备与卫星都可见。

⛄二、部分源代码

%% 清空环境
clc
clear
close all

%% 模型参数
global Global
Global.num_satellite = 4; %卫星数
Global.num_object = 12; %观测目标数

%% 读取数据
% opts.SelectedVariableNames = 1:2;
a = readmatrix(‘data/G.csv’,‘Range’,‘B2:B5’);
Global.rank_satellite = a’;%卫星优先级（列表/矩阵）
a = readmatrix(‘data/P.csv’,‘Range’,‘B2:B13’);
Global.rank_object = a’;%观测目标优先级（列表/矩阵）
a = readmatrix(‘data/need.csv’,‘Range’,‘B2:B13’);
Global.sat_need_time = a’;%观测目标观测时长（列表/矩阵）

Global.visible_window = cell(Global.num_object,Global.num_satellite);
Global.num_visible_window = zeros(Global.num_object,Global.num_satellite);
for i=1:Global.num_object
datfile = [‘data/sat’ num2str(i) ‘.csv’];
a = readmatrix(datfile,‘Range’,‘B1:M4’);

for j=1:Global.num_satellite
    index = a(j,:)~=0;
    Global.visible_window{i,j} = a(j,index);
    Global.num_visible_window(i,j) = numel(Global.visible_window{i,j})/2;
end

end

%% 算法参数
maxgen = 300;
popsize = 150;
population = Init(popsize);

trace_obj = zeros(1,maxgen);
trace_con = zeros(1,maxgen);

%% 进化开始
for i=1:maxgen
% 交叉变异
offspring = Mutate(population,i/maxgen);
% 挑选新个体
population = Select(population,offspring,popsize);

% 记录信息
bestobj = population(1).objs;
trace_obj(i) = bestobj;
trace_con(i) = population(1).cons;

if ~mod(i,10)
    cons = [population.cons];
    num = sum(cons==0);
    avgcons = mean(cons);
    disp(['第' num2str(i) '代，满足约束个体数量：' num2str(num), '，最佳个体：' num2str(bestobj)])
end

end
%进化结束

%% 展示结果
figure
plot(trace_obj)
title(‘最优目标值进化示意图’)

bestsol = population(1);
drawresult

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]周景欣.遗传算法求解带时间窗的车辆路径问题[J].中国储运. 2023(01)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流人群疏散病毒扩散晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合