微小卫星星务计算机任务调度算法

为了在有限的时间内尽可能多地安排具有时间约束的卫星任务,提出一种针对具有独占性、优先级相同的任务的先完成先调度算法EFFFS,对算法性能进行分析,将其与同类算法进行比较,结果表明,该算法具有较小的时间复杂度和较好的调度性能,适用于计算资源受限的环境。     

自主运行地面站的微小卫星任务规划方法

提出了一种新的微小卫星系统任务规划方法,解决微小卫星任务遥控时资源受限的问题;通过GQM建模将卫星调度任务进行度量元素量化,量化过程中兼顾公平性和合理性,并以任务完成度和卫星功耗作为目标进行评估;通过1000次卫星过顶仿真,40项建模任务的平均完成度达到0.63,每次过顶卫星功耗方差不超过40,证明新方法较传统方法在平稳功耗条件下任务完成度得到有效提升,具有良好的实用性和指导性,适用于自动任务规划和调度的自主运行地面站系统。     

微小卫星集群在有界空间表面的均匀分布策略

考虑微小卫星集群在轨服务的任务效率及星群在有限空间区域表面均匀分布的任务需求,提出基于改进独占球与势函数相结合的空间集群均匀分布度量模型和构型控制策略,该策略可以有效度量航天器集群空间均匀性、空间覆盖性和空间聚集性指标,并指导航天器集群在有限区域内实现无碰撞自组织的均匀分布构型.仿真分析表明,均匀度模型具有良好的旋转对称性和平移对称性,可以有效指导集群实现均匀分布并具有良好低维投影均匀性.     

对地观测卫星协同观测区域目标方法研究

对地观测区域目标分割与优选问题是多星协同观测区域目标规划过程中的一个重要环节。采用卫星或遥感器侧摆能力的区域目标动态分割算法,并结合贪婪优化算法对分割结果进行优化规划,在规划过程中依据建立的全球网格参考系统可以方便、高效地计算目标覆盖率,进行实时效能评估以对分割方式进行反馈调整,保证区域目标分割结果最优。依据提出的算法设计了包含三颗对地卫星和一个区域观测目标的应用场景进行实例仿真,并得出了较为理想的仿真结果。     

对地观测卫星任务规划的启发式动态调整算法

针对对地观测卫星任务规划,分析了单个资源失效与多个高优先级任务动态插入情况下已有任务规划方案的动态调整问题。以最大化规划方案任务权值总和为优化目标,提出了基于任务替换的启发式动态调整算法,包括选择替换任务的五种启发式策略：最大灵活度、最小冲突集、最小争议部分、区间剪枝以及任务剪枝策略。分析了影响动态调整算法运行效率的两个关键因素：冲突任务集与动态搜索深度。采用任务重规划率、规划权值变化率与算法运行时间三项指标考察算法效果,通过仿真实验验证了算法的可行性和有效性。     

希望一号微小卫星的热仿真分析

微小卫星的热控制和热分析有其自己的特点.为了评估“希望一号”微小卫星的热性能,分析了其功能、构成和热控制措施.针对卫星的高温和低温极端工况,用NEVADA软件建立了卫星在轨状态的几何数学模型,获得了卫星的外热流和内部辐射换热系数;用MSC.SINDA软件建立了该卫星的热数学模型,分别进行了稳态和瞬态温度场的分析计算.计...     

卫星对地观测任务规划问题简明综述 *

卫星对地观测任务规划是为了满足用户的遥感图像需求 ,对遥感卫星系统资源和对地观测任务进行规划与调度的过程。合理的任务规划是提高遥感卫星系统效能的重要手段。为此 ,分析了卫星对地观测任务规划问题的主要特点 ,比较了这一问题的若干常用建模方法和求解技术 ,并探讨了卫星对地观测任务规划技术的未来发展趋势。     

敏捷凝视卫星密集点目标聚类与最优观测规划

针对敏捷凝视卫星密集点目标观测规划问题,提出一种快速观测任务聚类策略和启发式蚁群优化算法.首先,针对敏捷凝视卫星视场范围特点,提出基于顶点度的团划分算法,解决密集点观测任务聚类问题,形成系列团观测目标,有效提高观测效率;其次,为得到最优团目标观测序列,考虑目标可见时间窗口约束以及卫星敏捷机动能力约束,构建基于多目标观测收益和姿态机动能耗的性能指标,实现能量高效的任务规划;再次,为克服传统蚁群算法易陷入局部极小值和收敛较慢的缺点,设计一种同时考虑目标点优先级、目标可见时间窗口、目标之间卫星姿态转换时间等因素的启发式蚁群算法;最后,选取大规模密集地面目标验证所提出算法的可行性和高效性.     

基于PDDL的对地观测卫星任务规划建模研究

传统的数学模型方法是解决复杂卫星任务规划问题的一种途径,但其抽象性给建模人员带来很大难度。PDDL(Planning Domain Definition Language)可以针对卫星任务规划问题建立清晰有效的模型,并能把模型的知识转化成计算机易于接受的形式。用PDDL描述对地观测卫星的任务规划问题,分析了卫星执行任务时涉及的约束、相关活动和所需的资源,建立任务规划模型的域文件(domain file)和问题(problem file)文件,并针对所建模型提出求解模型的算法流程,最后通过一个算例验证模型和算法是有效地。     

图着色问题的算法研究综述

图着色问题（graph coloring problem,GCP）是一个经典的组合优化问题,已广泛应用于数学、计算机科学和生物科学等多个领域。由于图着色问题的NP难特性,目前还没有多项式时间内的精确算法求解该问题,为了给出求解该问题的高效算法,需要对现有算法进行梳理。主要分为智能优化算法、启发式算法、强化学习算法等,从算法原理、改进思路、性能和精度等方面进行对比分析,归纳出算法的优缺点,并指出GCP的研究方向和算法设计路径,对于相关问题的研究有指导意义。     

一种基于二部图谱划分的聚类集成方法

将二部图模型引入聚类集成问题中,使用二部图模型同时建模对象集和超边集,充分挖掘潜藏在对象之间的相似度信息和超边提供的属性信息.设计正则化谱聚类算法解决二部图划分问题,在低维嵌入空间运行K-means++算法划分对象集,获得最终的聚类结果.在多组基准数据集上进行实验,实验结果表明所提出方法不仅能获得优越的结果,而且具有较高的运行效率.     

基于强化学习的多智能体协作方法研究

为了在连续和动态的环境中处理智能体不断变化的需求,我们通过利用强化学习来研究多机器人推箱子问题,得到了一种智能体可以不需要其它智能体任何信息的情况下完成协作任务的方法。强化学习可以应用于合作和非合作场合,对于存在噪声干扰和通讯困难的情况,强化学习具有其它人工智能方法不可比拟的优越性。     

Coordinated learning by exploiting sparse interaction in multiagent systems

Multiagent learning provides a promising paradigm to study how autonomous agents learn to achieve coordinated behavior in multiagent systems. In multiagent learning, the concurrency of multiple distributed learning processes makes the environment nonstationary for each individual learner. Developing an efficient learning approach to coordinate agents’ behavior in this dynamic environment is a difficult problem especially when agents do not know the domain structure and at the same time have only local observability of the environment. In this paper, a coordinated learning approach is proposed to enable agents to learn where and how to coordinate their behavior in loosely coupled multiagent systems where the sparse interactions of agents constrain coordination to some specific parts of the environment. In the proposed approach, an agent first collects statistical information to detect those states where coordination is most necessary by considering not only the potential contributions from all the domain states but also the direct causes of the miscoordination in a conflicting state. The agent then learns to coordinate its behavior with others through its local observability of the environment according to different scenarios of state transitions. To handle the uncertainties caused by agents’ local observability, an optimistic estimation mechanism is introduced to guide the learning process of the agents. Empirical studies show that the proposed approach can achieve a better performance by improving the average agent reward compared with an uncoordinated learning approach and by reducing the computational complexity significantly compared with a centralized learning approach. Copyright © 2012 John Wiley & Sons, Ltd.     

基于强化学习的知识图谱推理研究综述

知识推理作为知识图谱补全中的一项重要任务,受到了学术界的广泛关注。为了提高模型的推理效果和可解释性,将强化学习与知识推理的结合是一种可行的解决方法。基于强化学习的知识推理方法将知识图谱研究的问题建模成路径或序列决策问题,能够更好地利用实体、关系等语义信息来提高推理效果和可解释性。首先,对知识图谱和知识推理的基本概念进行了叙述,阐述了近年来的研究进展。随后,从单层强化学习知识推理和双层强化学习知识推理两个角度,对基于强化学习的知识推理相关研究进行了分析与对比。最后,对知识推理如何应用于知识问答、智能推荐、医疗和交通等领域进行了探讨,并对基于强化学习的知识推理的未来研究方向进行了展望。     

基于强化学习的多移动Agent学习算法

结合强化学习技术讨论了单移动Agent学习的过程,然后扩展到多移动Agent学习领域,提出一个多移动Agent学习算法MMAL(MultiMobileAgentLearning)。算法充分考虑了移动Agent学习的特点,使得移动Agent能够在不确定和有冲突目标的上下文中进行决策,解决在学习过程中Agent对移动时机的选择,并且能够大大降低计算代价。目的是使Agent能在随机动态的环境中进行自主、协作的学习。最后,通过仿真试验表明这种学习算法是一种高效、快速的学习方法。     

多约束条件下机器人柔性装配技能自学习

机器人的装配策略受装配对象特性、装配工艺和装配控制方法的约束,针对装配过程接触阶段的位姿不确定性问题,提出一种装配姿态调整技能自学习的方法.首先描述多约束条件下的机器人装配技能问题,建立基于力/力矩、位姿、关节角度等多模信息描述的装配系统模型;然后构建融合竞争架构的机器人决策网络和策略优化网络,通过与环境的不断交互,进...     

基于蒙特卡罗学习的多机器人自组织协作

强化学习是提高机器人完成任务效率的有效方法,目前比较流行的学习方法一般采用累积折扣回报方法,但平均值回报在某些方面更适于多机器人协作。累积折扣回报方法在机器人动作层次上可以提高性能,但在多机器人任务层次上却不会得到很好的协作效果,而采用平均回报值的方法,就可以改变这种状态。本文把基于平均值回报的蒙特卡罗学习应用于多机器人合作中,得到很好的学习效果,实际机器人实验结果表明,采用平均值回报的方法优于累积折扣回报方法。     

基于在线负载预测的动态集群节能配置策略

动态集群配置中的调节方式大多基于特定的物理实验模型而非数学模型描述。针对上述问题,提出基于预测的动态集群配置策略,根据网络中服务请求的历史信息,采用最小均方误差预测未来时刻服务请求情况,根据负载请求与集群处理能力决定服务器规模的增减,动态调节服务器集群中计算机的开启与关断。实验结果证明了该调度策略的可行性和优越性。