空天资源智能任务规划方法

　　本文针对空天资源的联合任务规划进行了研究和阐述，主要内容包括： 第一章介绍了研究背景和国内外研究现状。 第二章介绍了空天资源联合任务规划中存在的主要问题。 第三章提出了基于深度学习的资源 - 任务智能化匹配技术。 第四章提出了面向空天资源的任务智能化分配技术。 第五章提出了基于蚁群优化的天基资源任务智能规划技术。 第六章提出了基于演化计算的空基资源任务智能规划技术。 第七章进行了总结与展望。 主要特色和创新点： 1. 提出了基于深度学习的资源 - 任务智能化匹配技术，解决了空天资源智能任务规划问题中的资源 - 任务快速筛选问题。 2. 设计了面向空天资源的任务智能化分配技术，解决了空天任务分配问题中增加任务频次的需求和降低服务成本的需求的冲突的问题。 3. 设计了基于蚁群优化的天基资源任务智能规划技术，解决了天基资源的任务规划问题。 4. 设计了基于演化计算的空基资源任务智能规划技术，解决了空基资源的任务规划问题。 读者对象： 从事任务规划问题研究的专业人员，高校与科研院所的研究员。

　　王原，于2021年获国防科技大学管理科学与工程专业博士学位，主要研究方向为智能优化与决策技术、智能优化方法、基于深度学习的优化理论等。以第一作者在《Swarm and Evolutionary Computation》等权威期刊发表SCI论文多篇，一篇入选ESI引用前10%。

第 1 章 绪论  1 
1.1 研究背景及意义  1 
1.1.1 研究背景  1 
1.1.2 研究意义  4 
1.2 国内外研究现状  5 
1.2.1 空天资源任务规划问题  5 
1.2.2 天基资源任务规划问题  12 
1.2.3 空基资源任务规划问题  18 
1.2.4 智能优化方法  21 
1.2.5 现状分析及总结  27 
1.3 本书主要工作  28 
1.3.1 研究路径设计  28 
1.3.2 研究思路分析  30 
1.3.3 主要创新点  31 
1.4 本章小结  32 
第 2 章 空天资源任务规划问题  33 
2.1 问题描述  33 
2.1.1 需求描述  33 
2.1.2 问题界定  34 
2.1.3 资源界定  36 
2.1.4 协同方式界定  37 
2.1.5 任务界定  39 
2.2 求解框架  40 
2.2.1 空天资源-任务匹配阶段  41 
2.2.2 空天任务协同分配阶段  42 
2.2.3 天基任务规划阶段  42
2.2.4 空基任务规划阶段  42 
2.3 问题分析  44 
2.3.1 空天资源-任务匹配问题  44 
2.3.2 空天任务协同分配问题  46 
2.3.3 天基资源任务规划问题  48 
2.3.4 空基资源任务规划问题  50 
2.4 本章小结  52 
第 3 章 优化算法基本常识  53 
3.1 深度 Q 网络简介  53 
3.2 蚁群算法简介  55 
3.3 模拟退火算法简介  57 
3.4 本章小结  59 
第 4 章 基于深度学习的资源-任务智能化匹配技术  60 
4.1 基于作业车间调度的问题描述  60 
4.1.1 空天资源-任务匹配问题的图模型  61 
4.1.2 空天资源-任务匹配问题的向量表示  63 
4.2 基于图神经网络的问题特征提取  64 
4.2.1 空天资源-任务匹配问题的图神经网络模型  64 
4.2.2 空天资源-任务匹配问题的图神经网络训练  64 
4.3 基于双重深度 Q 网络的问题求解  66 
4.3.1 双重深度 Q 网络基本定义  67 
4.3.2 基于双重深度 Q 网络的空天资源-任务匹配问题求解  67 
4.3.3 双重深度 Q 网络模型的训练  68 
4.4 仿真实验及分析  70 
4.4.1 仿真实验设计  70 
4.4.2 算法效能分析  70 
4.4.3 计算时间代价分析  72 
4.4.4 训练时间代价分析  73 
4.4.5 大规模问题泛化性实验  73 
4.5 本章小结  77 
第 5 章 面向空天资源的任务智能化分配技术  78 
5.1 问题建模  78 
5.2 求解方法  81 
5.2.1 算法框架  81 
5.2.2 改进蚁群算法  83 
5.2.3 多目标模拟退火算法  86 
5.2.4 邻域搜索算子设计  87 
5.3 仿真实验及分析  88 
5.3.1 仿真实验设计  88 
5.3.2 算法基本表现分析  91 
5.3.3 算法超体积表现分析  93 
5.4 本章小结  95 
第 6 章 基于蚁群优化的天基资源任务智能规划技术  97 
6.1 问题建模  97 
6.2 求解方法  100 
6.2.1 算法框架  100 
6.2.2 多蚁群算法  101 
6.2.3 邻域搜索算子设计  105 
6.3 仿真实验及分析  106 
6.3.1 仿真实验设计  106 
6.3.2 MAS-LS 算法参数调优实验结果 107 
6.3.3 蚁群算法求解效能对比实验  108 
6.3.4 客户选择规则测试  109 
6.3.5 对比实验结果分析  109 
6.4 本章小结  114 
第 7 章 基于演化计算的空基资源任务智能规划技术  115 
7.1 空基资源任务规划模型  115 
7.1.1 基本假设  116 
7.1.2 无人机速度更新模型  117 
7.1.3 速度更新规则系统  120 
7.2 基于演化计算的无人机集群控制模型优化方法  121 
7.2.1 编码操作  122 
7.2.2 交叉操作  122 
7.2.3 变异操作  123 
7.2.4 环境选择  123 
7.2.5 种群多样性控制  123 
7.2.6 评价指标  125 
7.3 仿真实验及分析  127 
7.3.1 实验设计  127 
7.3.2 算法性能试验分析  128 
7.3.3 控制模型性能试验分析  132 
7.3.4 路径规划结果  133 
7.4 本章小结  134 
第 8 章 总结与展望  136 
8.1 研究工作总结  136 
8.2 未来工作展望  138 
参考文献  140 
附录 A 算法代码及实验结果  150 
A.1 双重深度 Q 学习网络的训练  150 
A.2  MOSA-ACO 算法表现分析  151 
A.2.1 算法基本表现分析汇总  151 
A.2.2 算法超体积分析表现分析汇总  156 
A.3 天基资源任务规划问题仿真实验结果  158 
A.4 无人机集群控制模型和路径规划结果  163 
A.4.1 控制模型性能试验分析结果  163 
A.4.2 路径规划详细结果  164 
附录 B 缩写词列表  167