科技发展
您当前的位置 > 首页 > 科技发展
名称 海洋多平台多传感器协同监测任务智能规划技术
发布机构 科技外事处 索引号 2189234/2020-01951
主题分类 科技发展 文号
发布日期 2020-11-25 主题词

海洋多平台多传感器协同监测任务智能规划技术

发布日期:2020-11-25 14:08 信息来源:科技外事处 访问量:? 字体 :[ 大 ][ 中 ][ 小 ]

海洋多平台多传感器协同监测任务智能规划技术

21世纪是海洋的世纪。海洋事关国家的长远发展,世界主要海洋国家将海洋经济视为核心利益所在,积极推行新一轮海洋经济政策。中国作为世界第二大经济体,已发展成为高度依赖海洋的外向型经济,对海洋资源、空间的依赖程度大幅提高。中国是一个拥有300多万km2海海域、1.8万km海岸线的大国,建设海洋强国、维护海洋经济是发展之要、民生之需,也是中国海洋权益维护和拓展的题中之意。

现有的海洋传感网络,面向全时域态势感知、全海域网络覆盖、全方位信息服务、全业务综合应用、全体系安全管控等海洋信息化能力建设要求,构建综合性立体海洋传感网络。基于海洋传感网络对海洋观测任务开展智能任务规划则是整个海洋建设中不可或缺的一部分。面对海洋监测目标的多样性,如何合理高效地调度每个感知网络节点,从而最大化完成对海洋目标的观测和监测是一个急需解决的重要问题。由于海洋观测任务规划问题复杂、涉及大量非线性约束、求解目标不唯一,且不同观测平台和观测载荷之间的约束具有差异性,海洋观测目标又具有不同的类型(固定目标、海上移动目标),使得海洋观测任务规划的求解难度增大。因此,建立具有普遍适用性的海洋观测任务规划模型,设计适用于海洋观测任务规划问题特点的智能算法具有十分重要的应用价值与现实意义。

随着科学技术的不断发展,加之海洋任务规划本身的重大应用需求和潜力,投入使用的海洋观测资源数目必将不断增加。用户数目和用户类型也将不断扩大,用户提出的任务需求量也将快速增大。显然,海洋观测平台数目的增长速度跟不上用户需求量的增长速度,海洋观测资源满足不了任务需求。海洋观测任务智能规划算法是海洋观测任务规划的核心内容,也是很多学者的研究重点。虽然国外已经有少量相关研究,但国内在海洋观测任务规划方面的研究非常缺乏,无论是对海洋观测任务规划的模型和相应的求解算法都尚未有成熟的研究,通过分析现有海洋传感网络,对海洋观测资源进行统筹规划,最大可能地完成海洋观测任务,这也是本研究的主要内容。

1材料和方法

1.1观测载荷资源

观测载荷资源假设包括观测平台和传感器载荷。观测平台大致划分为两大类:一类为固定观测资源;另一类是船舶移动观测资源。传感器载荷主要分为雷达、光电、AIS、ADS-B、红外等一系列观测资源。

雷达通过发出无线电波,遇到物体后发生反射,计算观测目标的具体位置,本实验中搭载的雷达均具有两种观测模式:全向扫和扇扫。光电,即光电摄像头,具有坐标引导和线扫两种观测模式。AIS负责接收装配有AIS报文发射机的各种船舶的AIS动态及静态消息,随后获取船舶的经纬度位置信息。ADS-B则通过飞行器搭载的电子设备获取空域的相应目标信息。对于各类观测载荷,由于类型多样、性能复杂,因此将载荷赋予两类属性,一类为通用属性,包括载荷模式、载荷能耗、载荷能力范围等;另一类则为个性属性,即为除通用属性外此类载荷所特有的属性。将所有属性确定了唯一值后的载荷作为一个观测载荷模式。通过规划,给每个观测元任务赋予实现其业务需求的观测载荷,即完成了对观测资源的规划。计算载荷任务规划需要通过统筹管控固定平台和移动平台观测资源,为固定平台和移动平台搭载的各类载荷制定观测计划,完成对各类海洋目标的观测任务,如观测载荷资源。

1.2观测目标海域

本实验选取某区域部分岛屿作为观测点,进行模拟实验,主要包含西沙和海南岛附近,观测目标点分为两种类型,分别为点目标和区域目标。点目标指的是观测目标位置为固定静态位置点;区域目标为存在一观测目标在该区域内动态运动,运动轨迹不确定,划分为该两种不同的目标类型后,能够有效覆盖各种不同的复杂观测目标点情况,同时也能够覆盖固定类观测任务和移动类观测任务。实验部分测试点/区域如下表所示(仅展示部分数据,实际选取155个不同区域)。

1.3智能规划算法

海洋观测任务作为一个广义定义,其涵盖了各种类型、各种要求的海洋业务,例如海洋气象观测、海洋船舶观测、海洋航道监控、海上目标观测等等。而每一类观测任务又由于其观测要求的不同可以细分为更多的任务类型。

为了更好地将观测任务用数学语言量化,以方便智能规划算法进行统一运算,将观测任务主要分为固定类观测任务和移动类观测任务。对于常规任务规划只考虑固定类观测任务,并且常规任务仅用来处理日常的观测任务安排与调度计划。海洋或海洋所属空域是相对静止的观测任务,均统一划分为固定类观测任务。对于这类任务,统一赋予观测位置或范围(经纬度)、观测时间窗口(对于观测时间段的要求)和观测优先级等3个任务属性。对于具备了3个任务属性唯一具体值的观测任务均可以定义为一个观测元任务。对于应急任务规划,则会考虑固定类观测任务和移动类观测任务。应急任务主要负责处理海上突发紧急事件与移动类观测目标任务。

1.3.1常规规划处理算法

基础算法为海洋常规观测任务规划算法提供算法上的依据,应选取经验证的、可用于单目标或多目标优化的演化算法;编码设计确定如何将观测元任务映射为染色体的形式,以及如何从染色体解析出对应的资源规划方案;算子设计主要为染色体的交叉、变异、选择等;普适性设计确定如何根据任务需求的实时更新来动态调整演化算法的关键模块,使海洋常规任务规划算法具备良好的可扩展性;基础演化算法本实验主要选用了差分进化算法和蚁群算法。

根据用户提出的观测任务需求,对海洋目标进行观测,在各类观测资源的综合规划调控下,以实现对资源利用的最优化和观测任务业务实现的最优化。但由于整个过程中涉及了与观测任务、观测资源相关的诸多约束条件,而且其中大部分约束条件十分复杂,往往涉及到多个学科领域的专业知识。所以,要想完全考虑这些约束条件往往十分困难。

采用这种整数编码的方式,会大大简化问题的处理复杂度。在海洋观测任务规划中,设备的数量基本上是可以认为有限的,但是起始时间和终止时间的选择范围会随着时间精度的变化不同而不同,选取一个较为适中的时间精度可以大大地减少解的搜索范围,提高解决问题的速度,同时也不失任务安排的合理性。因此,选择这种编码方式在观测任务规划上具有很好的效果和较大的优势。

为了简化规划模型,在观测约束中设定一项同一设备同一时间只能执行一项任务。但是在实际的观测场景中存在如下的情况:对于雷达这种全向设备,可以同时执行多个观测任务。为了尽可能使规划结果贴近实际观测场景,本课题设计了规划修正模块,修正模块对于该种情况的解决方法是:当安排结果中存在全向设备时,检测未安排任务列表,判断是否存在可以在相同平台、相同设备、相同模式下执行的任务,如果有则无条件将该任务添加到规划结果中。

1.3.2应急规划处理算法

海洋应急观测任务智能规划问题中的应急观测资源包括两大类:海洋固定平台类观测资源和海洋移动平台类资源。每个平台资源上搭载不同的观测设备。

与海洋常规观测任务智能规划问题不同,海洋应急观测任务智能规划问题不存在那么多的约束。除了载荷观测范围约束、平台移动性能约束和平台资源总量约束外,剩余的关于载荷的能耗、开关机次数、开关机时长约束等,都没有在应急观测任务规划中考虑。其中,与常规观测任务规划最大的不同在于,常规观测任务规划中存在单载荷观测约束,即一个观测元任务,在常规观测任务规划中,只能被一个载荷观测,而对于应急观测任务规划,则需要分成全向观测载荷和定向观测载荷来考虑。对于全向观测载荷来说,可以同时观测多个应急观测任务,但是对于定向观测载荷来说,一次只能观测一个应急观测任务。

应急观测任务的优先级虽然没有考虑,但是默认应急观测任务的优先级要高于常规观测任务的优先级,并且,当常规与应急任务发生冲突的时候保证应急观测任务的安排。

2结果

2.1常规规划算法结果

为了对各个算法和各种应用场景进行评价分析,本实验测试了28批数据(列出3批),每批数据都有相应的特点,每个观测批号分别使用差分演化算法和蚁群算法各进行5次测试,根据规划结果,分别从算法规划结果、算法运行效率以及解的稳定性3个方面进行比较,进行比较的数据都是对同一批数据经过5次规划得到的平均值。

2.2应急规划算法结果

海洋应急观测任务智能规划与常规任务智能规划的主要不同在于一下3点。

(1)应急观测任务的时效性要求高,没有常规观测任务所有的观测时常、观测时间段的属性。

(2)应急观测任务规划的约束较少,没有常规观测任务规划的各种评价指标。

(3)应急观测任务智能规划采用的算法较为简单,没有常规规划的复杂可比对的算法。

3讨论

两个算法的规划结果都有不同的特点,从来任务完成率看,对于不同的规划批号,差分演化算法和蚁群算法的结果比较接近,但总体上讲差分演化算法的表现是更好的;从平均任务优先级来看,大部分情况下,差分演化算法和蚁群算法都可能是最好的算法,但是差分演化算法的表现更好;从任务总耗时来看,大部分情况下,差分演化算法和蚁群算法都可能是最好的算法,但是蚁群算法的表现更好;一般情况下,任务完成率较低的算法,其任务总耗时也较低。虽然这两种算法的规划结果有所差异,但差异较小,在一定程度上可以认为这两种算法的规划结果差距是不大的,但综合而言差分演化算法的表现是更好的。

针对算法运行效率的比较,分别采用差分演化算法、蚁群算法两种算法对不同规模的数据进行规划,记录各个算法所需的规划时间,结果如下表9算法运行效率对比表所示,表中数据的单位为s。

所有情况下,蚁群算法的耗时都多于差分演化算法。当任务数量较少时,两者的差距很小,当任务数量逐渐变大时,蚁群算法的耗时开始明显高于差分演化算法。综合来看,差分演化算法相对来说耗时较少,当用户对时间要求较高时应该被优先考虑。因此,在算法运行效率方面,蚁群算法的运行效率最差,最好的是差分演化算法。

针对解的稳定性,本实验分别对不同批号的数据进行了10次测试,将测试结果按标准差公式计算,得出各个规模下的规划结果标准差,标准差越小,说明算法的稳定性越好。

综合以上的比较分析,可以得出结论:针对各具有特点的数据,各个算法的性能表现各有不同,从规划结果来看,差分演化算法和蚁群算法任务完成率、平均任务优先级和任务总耗时比较接近;从算法运行效率来看,差分演化算法在任务数较大时明显耗时优于蚁群算法;从解的稳定性来看,蚁群算法更稳定。总体来看,这两种算法解的标准差都较小,在一定范围内可以认为这两种算法都是稳定的。因此,用户在选择规划算法时,建议优先考虑差分演化算法,其次考虑蚁群算法。

目标点每有两个实际数据存储后才有一次应急观测任务智能规划,当应急观测的移动点目标不再有新的数据获得时,进行航迹预测,从表中可看出当进行到第10个任务时,为预测的航迹任务。此时,预测的目标的经纬度虽然会变化,但是速度与角度均不再发生变化。当过了一段时间,该目标被删除,不再有应急观测任务规划。

4结语

本文在充分调研各类资源约束和性能参数、用户需求的基础上,对观测任务、约束、评价等信息进行数学模型的建立,切合实际,具有普遍适用性。根据不同的使用场景,使用了两种不同的任务规划处理机制,分别为常规任务规划和应急任务规划,常规任务规划普遍适用于海洋上日常行动保障等场景下对海洋的观测等任务,而应急任务规划则适用于突发海洋事件的海洋观测任务保障场景情况处理,较好地解决了当前海洋环境下不同局势的海洋观测任务需求。

常规任务规划采用差分演化算法和多目标蚁群算法,根据海洋观测任务规划的实际场景,修改编码设计或蚂蚁寻优策略,并且证明差分演化算法效率更高,耗时更短,但是蚁群算法稳定性更强。另外设计评价函数,从任务完成率、平均优先级、时空覆盖率、能源消耗、光电设备使用率5个方面考虑,切合实际需求,同时任务规划的结果准确,满足所有约束,包括单次规划时限、单天规划时限、单天开关机次数限制、能源总量限制等。实现对海洋目标观测区域(点目标和区域目标)的高覆盖率观测,平均覆盖率达到85%以上,并可以尽可能地减少观测耗能,达到最优观测需求。

针对应急任务紧急程度高,时效性要求高,设计采用了面向任务的贪婪算法,考虑多设备协同观测以获取多类数据源的原则,快速给出任务规划结果即设备的开关方案,时间性能能够满足要求,达到了快响应,高满足率,符合应急任务的主要需求,结果准确。另外,应急任务规划能够对船只或目标物进行航迹预测,保障观测设备的提前开启,防止遗漏观测目标,提高容错率。

综上所述,本文以海洋观测任务为背景,提出了以人工智能算法中的差分演化算法、蚁群算法和贪婪算法等,将智能算法与实际任务相结合,解决海洋观测中的复杂设备观测调度的任务处理问题,能够高效地自动生成结果并对机器发出指令集对雷达等设备进行调度,达到最有效地覆盖海上区域,实现岸上对海洋观测目标的全方位监控。

摘自《海洋信息》2020年第3期

 

扫一扫在手机打开当前页

海洋多平台多传感器协同监测任务智能规划技术

科技外事处 2020-11-25

海洋多平台多传感器协同监测任务智能规划技术

21世纪是海洋的世纪。海洋事关国家的长远发展,世界主要海洋国家将海洋经济视为核心利益所在,积极推行新一轮海洋经济政策。中国作为世界第二大经济体,已发展成为高度依赖海洋的外向型经济,对海洋资源、空间的依赖程度大幅提高。中国是一个拥有300多万km2海海域、1.8万km海岸线的大国,建设海洋强国、维护海洋经济是发展之要、民生之需,也是中国海洋权益维护和拓展的题中之意。

现有的海洋传感网络,面向全时域态势感知、全海域网络覆盖、全方位信息服务、全业务综合应用、全体系安全管控等海洋信息化能力建设要求,构建综合性立体海洋传感网络。基于海洋传感网络对海洋观测任务开展智能任务规划则是整个海洋建设中不可或缺的一部分。面对海洋监测目标的多样性,如何合理高效地调度每个感知网络节点,从而最大化完成对海洋目标的观测和监测是一个急需解决的重要问题。由于海洋观测任务规划问题复杂、涉及大量非线性约束、求解目标不唯一,且不同观测平台和观测载荷之间的约束具有差异性,海洋观测目标又具有不同的类型(固定目标、海上移动目标),使得海洋观测任务规划的求解难度增大。因此,建立具有普遍适用性的海洋观测任务规划模型,设计适用于海洋观测任务规划问题特点的智能算法具有十分重要的应用价值与现实意义。

随着科学技术的不断发展,加之海洋任务规划本身的重大应用需求和潜力,投入使用的海洋观测资源数目必将不断增加。用户数目和用户类型也将不断扩大,用户提出的任务需求量也将快速增大。显然,海洋观测平台数目的增长速度跟不上用户需求量的增长速度,海洋观测资源满足不了任务需求。海洋观测任务智能规划算法是海洋观测任务规划的核心内容,也是很多学者的研究重点。虽然国外已经有少量相关研究,但国内在海洋观测任务规划方面的研究非常缺乏,无论是对海洋观测任务规划的模型和相应的求解算法都尚未有成熟的研究,通过分析现有海洋传感网络,对海洋观测资源进行统筹规划,最大可能地完成海洋观测任务,这也是本研究的主要内容。

1材料和方法

1.1观测载荷资源

观测载荷资源假设包括观测平台和传感器载荷。观测平台大致划分为两大类:一类为固定观测资源;另一类是船舶移动观测资源。传感器载荷主要分为雷达、光电、AIS、ADS-B、红外等一系列观测资源。

雷达通过发出无线电波,遇到物体后发生反射,计算观测目标的具体位置,本实验中搭载的雷达均具有两种观测模式:全向扫和扇扫。光电,即光电摄像头,具有坐标引导和线扫两种观测模式。AIS负责接收装配有AIS报文发射机的各种船舶的AIS动态及静态消息,随后获取船舶的经纬度位置信息。ADS-B则通过飞行器搭载的电子设备获取空域的相应目标信息。对于各类观测载荷,由于类型多样、性能复杂,因此将载荷赋予两类属性,一类为通用属性,包括载荷模式、载荷能耗、载荷能力范围等;另一类则为个性属性,即为除通用属性外此类载荷所特有的属性。将所有属性确定了唯一值后的载荷作为一个观测载荷模式。通过规划,给每个观测元任务赋予实现其业务需求的观测载荷,即完成了对观测资源的规划。计算载荷任务规划需要通过统筹管控固定平台和移动平台观测资源,为固定平台和移动平台搭载的各类载荷制定观测计划,完成对各类海洋目标的观测任务,如观测载荷资源。

1.2观测目标海域

本实验选取某区域部分岛屿作为观测点,进行模拟实验,主要包含西沙和海南岛附近,观测目标点分为两种类型,分别为点目标和区域目标。点目标指的是观测目标位置为固定静态位置点;区域目标为存在一观测目标在该区域内动态运动,运动轨迹不确定,划分为该两种不同的目标类型后,能够有效覆盖各种不同的复杂观测目标点情况,同时也能够覆盖固定类观测任务和移动类观测任务。实验部分测试点/区域如下表所示(仅展示部分数据,实际选取155个不同区域)。

1.3智能规划算法

海洋观测任务作为一个广义定义,其涵盖了各种类型、各种要求的海洋业务,例如海洋气象观测、海洋船舶观测、海洋航道监控、海上目标观测等等。而每一类观测任务又由于其观测要求的不同可以细分为更多的任务类型。

为了更好地将观测任务用数学语言量化,以方便智能规划算法进行统一运算,将观测任务主要分为固定类观测任务和移动类观测任务。对于常规任务规划只考虑固定类观测任务,并且常规任务仅用来处理日常的观测任务安排与调度计划。海洋或海洋所属空域是相对静止的观测任务,均统一划分为固定类观测任务。对于这类任务,统一赋予观测位置或范围(经纬度)、观测时间窗口(对于观测时间段的要求)和观测优先级等3个任务属性。对于具备了3个任务属性唯一具体值的观测任务均可以定义为一个观测元任务。对于应急任务规划,则会考虑固定类观测任务和移动类观测任务。应急任务主要负责处理海上突发紧急事件与移动类观测目标任务。

1.3.1常规规划处理算法

基础算法为海洋常规观测任务规划算法提供算法上的依据,应选取经验证的、可用于单目标或多目标优化的演化算法;编码设计确定如何将观测元任务映射为染色体的形式,以及如何从染色体解析出对应的资源规划方案;算子设计主要为染色体的交叉、变异、选择等;普适性设计确定如何根据任务需求的实时更新来动态调整演化算法的关键模块,使海洋常规任务规划算法具备良好的可扩展性;基础演化算法本实验主要选用了差分进化算法和蚁群算法。

根据用户提出的观测任务需求,对海洋目标进行观测,在各类观测资源的综合规划调控下,以实现对资源利用的最优化和观测任务业务实现的最优化。但由于整个过程中涉及了与观测任务、观测资源相关的诸多约束条件,而且其中大部分约束条件十分复杂,往往涉及到多个学科领域的专业知识。所以,要想完全考虑这些约束条件往往十分困难。

采用这种整数编码的方式,会大大简化问题的处理复杂度。在海洋观测任务规划中,设备的数量基本上是可以认为有限的,但是起始时间和终止时间的选择范围会随着时间精度的变化不同而不同,选取一个较为适中的时间精度可以大大地减少解的搜索范围,提高解决问题的速度,同时也不失任务安排的合理性。因此,选择这种编码方式在观测任务规划上具有很好的效果和较大的优势。

为了简化规划模型,在观测约束中设定一项同一设备同一时间只能执行一项任务。但是在实际的观测场景中存在如下的情况:对于雷达这种全向设备,可以同时执行多个观测任务。为了尽可能使规划结果贴近实际观测场景,本课题设计了规划修正模块,修正模块对于该种情况的解决方法是:当安排结果中存在全向设备时,检测未安排任务列表,判断是否存在可以在相同平台、相同设备、相同模式下执行的任务,如果有则无条件将该任务添加到规划结果中。

1.3.2应急规划处理算法

海洋应急观测任务智能规划问题中的应急观测资源包括两大类:海洋固定平台类观测资源和海洋移动平台类资源。每个平台资源上搭载不同的观测设备。

与海洋常规观测任务智能规划问题不同,海洋应急观测任务智能规划问题不存在那么多的约束。除了载荷观测范围约束、平台移动性能约束和平台资源总量约束外,剩余的关于载荷的能耗、开关机次数、开关机时长约束等,都没有在应急观测任务规划中考虑。其中,与常规观测任务规划最大的不同在于,常规观测任务规划中存在单载荷观测约束,即一个观测元任务,在常规观测任务规划中,只能被一个载荷观测,而对于应急观测任务规划,则需要分成全向观测载荷和定向观测载荷来考虑。对于全向观测载荷来说,可以同时观测多个应急观测任务,但是对于定向观测载荷来说,一次只能观测一个应急观测任务。

应急观测任务的优先级虽然没有考虑,但是默认应急观测任务的优先级要高于常规观测任务的优先级,并且,当常规与应急任务发生冲突的时候保证应急观测任务的安排。

2结果

2.1常规规划算法结果

为了对各个算法和各种应用场景进行评价分析,本实验测试了28批数据(列出3批),每批数据都有相应的特点,每个观测批号分别使用差分演化算法和蚁群算法各进行5次测试,根据规划结果,分别从算法规划结果、算法运行效率以及解的稳定性3个方面进行比较,进行比较的数据都是对同一批数据经过5次规划得到的平均值。

2.2应急规划算法结果

海洋应急观测任务智能规划与常规任务智能规划的主要不同在于一下3点。

(1)应急观测任务的时效性要求高,没有常规观测任务所有的观测时常、观测时间段的属性。

(2)应急观测任务规划的约束较少,没有常规观测任务规划的各种评价指标。

(3)应急观测任务智能规划采用的算法较为简单,没有常规规划的复杂可比对的算法。

3讨论

两个算法的规划结果都有不同的特点,从来任务完成率看,对于不同的规划批号,差分演化算法和蚁群算法的结果比较接近,但总体上讲差分演化算法的表现是更好的;从平均任务优先级来看,大部分情况下,差分演化算法和蚁群算法都可能是最好的算法,但是差分演化算法的表现更好;从任务总耗时来看,大部分情况下,差分演化算法和蚁群算法都可能是最好的算法,但是蚁群算法的表现更好;一般情况下,任务完成率较低的算法,其任务总耗时也较低。虽然这两种算法的规划结果有所差异,但差异较小,在一定程度上可以认为这两种算法的规划结果差距是不大的,但综合而言差分演化算法的表现是更好的。

针对算法运行效率的比较,分别采用差分演化算法、蚁群算法两种算法对不同规模的数据进行规划,记录各个算法所需的规划时间,结果如下表9算法运行效率对比表所示,表中数据的单位为s。

所有情况下,蚁群算法的耗时都多于差分演化算法。当任务数量较少时,两者的差距很小,当任务数量逐渐变大时,蚁群算法的耗时开始明显高于差分演化算法。综合来看,差分演化算法相对来说耗时较少,当用户对时间要求较高时应该被优先考虑。因此,在算法运行效率方面,蚁群算法的运行效率最差,最好的是差分演化算法。

针对解的稳定性,本实验分别对不同批号的数据进行了10次测试,将测试结果按标准差公式计算,得出各个规模下的规划结果标准差,标准差越小,说明算法的稳定性越好。

综合以上的比较分析,可以得出结论:针对各具有特点的数据,各个算法的性能表现各有不同,从规划结果来看,差分演化算法和蚁群算法任务完成率、平均任务优先级和任务总耗时比较接近;从算法运行效率来看,差分演化算法在任务数较大时明显耗时优于蚁群算法;从解的稳定性来看,蚁群算法更稳定。总体来看,这两种算法解的标准差都较小,在一定范围内可以认为这两种算法都是稳定的。因此,用户在选择规划算法时,建议优先考虑差分演化算法,其次考虑蚁群算法。

目标点每有两个实际数据存储后才有一次应急观测任务智能规划,当应急观测的移动点目标不再有新的数据获得时,进行航迹预测,从表中可看出当进行到第10个任务时,为预测的航迹任务。此时,预测的目标的经纬度虽然会变化,但是速度与角度均不再发生变化。当过了一段时间,该目标被删除,不再有应急观测任务规划。

4结语

本文在充分调研各类资源约束和性能参数、用户需求的基础上,对观测任务、约束、评价等信息进行数学模型的建立,切合实际,具有普遍适用性。根据不同的使用场景,使用了两种不同的任务规划处理机制,分别为常规任务规划和应急任务规划,常规任务规划普遍适用于海洋上日常行动保障等场景下对海洋的观测等任务,而应急任务规划则适用于突发海洋事件的海洋观测任务保障场景情况处理,较好地解决了当前海洋环境下不同局势的海洋观测任务需求。

常规任务规划采用差分演化算法和多目标蚁群算法,根据海洋观测任务规划的实际场景,修改编码设计或蚂蚁寻优策略,并且证明差分演化算法效率更高,耗时更短,但是蚁群算法稳定性更强。另外设计评价函数,从任务完成率、平均优先级、时空覆盖率、能源消耗、光电设备使用率5个方面考虑,切合实际需求,同时任务规划的结果准确,满足所有约束,包括单次规划时限、单天规划时限、单天开关机次数限制、能源总量限制等。实现对海洋目标观测区域(点目标和区域目标)的高覆盖率观测,平均覆盖率达到85%以上,并可以尽可能地减少观测耗能,达到最优观测需求。

针对应急任务紧急程度高,时效性要求高,设计采用了面向任务的贪婪算法,考虑多设备协同观测以获取多类数据源的原则,快速给出任务规划结果即设备的开关方案,时间性能能够满足要求,达到了快响应,高满足率,符合应急任务的主要需求,结果准确。另外,应急任务规划能够对船只或目标物进行航迹预测,保障观测设备的提前开启,防止遗漏观测目标,提高容错率。

综上所述,本文以海洋观测任务为背景,提出了以人工智能算法中的差分演化算法、蚁群算法和贪婪算法等,将智能算法与实际任务相结合,解决海洋观测中的复杂设备观测调度的任务处理问题,能够高效地自动生成结果并对机器发出指令集对雷达等设备进行调度,达到最有效地覆盖海上区域,实现岸上对海洋观测目标的全方位监控。

摘自《海洋信息》2020年第3期