基于分解思想和粒子群融合方法的导航星座优化设计平台及方法

摘要

本发明公开了一种基于分解思想和粒子群融合方法的导航星座优化设计平台及方法，平台包括人机交互模块、星座构型模块、星座性能模块、星座成本模块、多目标整合模块、联合算法模块、星座性能分析模块、可视化模块及报表生成模块。本发明平台首先由用户提出导航星座设计方案；然后用户设置性能指标，利用基于分解思想和粒子群融合的多目标改进方法或多方法联合计算处理；最后分析和显示处理结果。本发明分析各种星座设计的特点，解决传统方法的不足，在虚拟仿真的情况下对星座进行优化，同时开创性地将基于分解多目标改进方法运用到导航星座优化设计中，不仅简化设计过程，还避免计算时间过长和易陷入局部最优的问题，另外该平台具有可扩展性。

主权项

1.一种基于分解思想和粒子群融合方法的导航星座优化设计装置，其特征在于，包括人机交互模块、星座构型模块、星座性能模块、星座成本模块、多目标整合模块、联合算法模块、星座综合分析模块、可视化模块和报告生成模块；人机交互模块获取用户提出星座设计要求数据，并将数据分别发送给星座构型模块、星座性能模块和星座成本模块；星座构型模块将从人机交互模块得到的数据分类出构型设计要求，生成星座构型模型，得到星座构型模型函数解析式，并将生成的星座构型模型函数解析式发送到多目标整合模块中；星座性能模块将从人机交互模块得到的数据分类出性能设计要求，生成星座性能模型，得到星座性能模型函数解析式的形式，并将生成的星座性能模型函数解析式发送到多目标整合模块中；所述的星座性能模型包括定位精度因子、覆盖重数、覆盖百分比、有效网格点占用比；定位精度因子具体为：GDOP_max(w,j)＝max(GDOP(w,j,t))；其中：GDOP(w，j，t)是地球表面经度为j，纬度为w的点在t时刻的GDOP值，GDOP_max(w，j)是地球表面经度为j，纬度为w的点在整个观测时间内的GDOP值最大值，则表示在所选取的地球表面区域θ中，每个纬圈上所有点中最大GDOP值的平均值，为网络中的总纬圈数，即为所要求的定位精度因子目标，σ为用户要求的值的最大值；覆盖重数具体为：$N_{\mathrm{cov}}^{\min }=\min N_{\mathrm{cov}}(j,w,t)\ge \xi ;$其中：N_cov(j,w,t)是地球表面经度为j，纬度为w的点在t时刻的覆盖重数，是地球表面经度为j，纬度为w的点在整个观测时间内的覆盖重数最小值，ξ为用户要求的值的最小值；覆盖百分比具体为：$\beta =\arccos \left(\frac{R\cos E}{R+h}\right)-E$$A_s=4\pi R^2{\sin }^2\frac{\beta }{2}$$A=\frac{A_s}{A_{\mathrm{earth}}}={\sin }^2\frac{\beta }{2}\times 100\%\ge ϵ$其中：β表示卫星覆盖角，R表示地球半径，h表示卫星距离地面的高度，E表示最小观测角，A_s表示卫星覆盖区域面积，A_earth表示地球表面积，A表示卫星覆盖区域占全球面积的百分比，ε为用户要求的A值的最小值；有效网格点占用比具体为：其中：rel表示有效网格点占用比最小值，为地球表面经度为λ，纬度为点的GDOP值不大于μ的有效网格点的面积总和占所有网格点面积总和的百分比，k为用户限定的GDOP值的最小值，R为实数集合；星座成本模块将从人机交互模块得到的数据分类出成本设计要求，生成星座成本模型，得到星座成本模型函数解析式，并将生成的星座成本模型函数解析式发送到多目标整合模块中；所述的星座成本模型函数解析式为：Min{C_ICO}＝N·[(C_power，D+C_payload，D+C_bus,D+C_launch)+φ(N)(C_power，T+C_payload,T+C_bus，T)]+N_addtional·[(C′_power，D+C′_payload,D+C′_bus,D+C′_launch)+φ(N_addtional)(C′_power，T+C′_payload,T+C′_bus,T)]其中：φ(N)＝N^B,φ(N_addtional)＝N_addtional^B$B=1-\frac{\ln (100\%/S)}{\ln 2}$其中：C_power,D,C_payload，D,C_bus，D，C_launch分别为星座基础构型卫星的电源的运行成本、有效载荷的运行成本、除去电源后平台的运行成本、发射费用，C_power，T，C_payload,T,C_bus,T分别为星座基础构型卫星的电源搭建成本、有效载荷搭建成本、平台搭建成本；φ(N)是考虑了学习曲线的星座规模成本乘子；相应的C′_power，D，C′_payload，D，C′_bus，D，C′_launch分别为补充功能卫星的电源的运行成本、有效载荷的运行成本、除去电源后平台的运行成本、发射费用；C′_power，T,C′_payload，T，C′_bus,T分别为补充功能卫星的电源搭建成本、有效载荷搭建成本、平台搭建成本，N_addtional颗补充功能卫星，N是基础星座卫星数目，φ(N)为考虑学习曲线后制造N颗卫星成本，S是学习曲线的百分比斜率；多目标整合模块从星座构型模块、星座性能模块和星座成本模块得到模型解析式，将得到的模型解析式以目标函数的形式进行数学联立，进而整合成一个包含多个目标函数的列向量，并求列向量的最优解集，最终生成星座优化设计多目标问题，并将生成的星座优化设计多目标问题送入联合算法模块；所述的星座优化设计多目标问题具体为：$\min F\left(x\right)={[N^{\prime },1/{\mathrm{GDOP}}_{\mathrm{ave}}^{\theta }(w,j),N_{\mathrm{cov}}^{\min },A,1/\mathrm{rel},\mathrm{Min}\{C_{\mathrm{ICO}}\left\}\right]}^T;$其中：N′为卫星总数，则表示在所选取的地球表面区域θ中，每个纬圈上所有点中最大GDOP值的平均值，地球表面经度为j，纬度为w的点在t时刻的最小覆盖重数，A表示卫星覆盖区域占全球面积的百分比，rel表示在地球表面经度为λ，纬度为点的GDOP值不大于μ的有效网格点占所有网格点的百分比，Min{C_ICO}为导航星座最低成本；联合算法模块提供不同种类的多目标进化方法，用户根据具体应用进行选择或者利用多种方法进行并行联合处理，寻求最适合的解决方案，进而得到最优化解集，并将最优化解集送入星座综合分析模块；其中，多目标进化方法具体为：初始化变量：记最优解集为EP，且计算与第i个权重矢量最近的T个权重索引集，其中索引集记为B(i)＝{i₁,…i_T,}，记λⁱ为均匀分布的K个权重矢量中的第i个权重值，i∈[1,K]，是λⁱ的T个最近的权重值，K为基于分解思想和粒子群融合方法中考虑的子问题的数目，T为距离每单个的权重矢量最近的权重矢量的数量；随机产生初始种群记为x¹,…,x^K，并令每个种群对应目标的解值为Fⁱ＝F(xⁱ)，其中i∈[1,K]；记循环次数t=0，预先设定循环次数为t_p；粒子群方法找出单目标函数最优解：利用粒子群方法解出上一步分解出的每个目标函数f_i(x)的暂时最优解z_i，初始化最优解集z＝(z₁,…,z_m)^T；更新EP解集：从权重矢量B(i)中随机选择两个指标，分别记为k,l,使用遗传算子从x^k和x^l中产生新解y；改进：根据遗传后所得新解y的优劣对新解y进行修改，若f_i(y)＞f_i(x^k)并且f_i(y)＞f_i(x^l)，则y′＝y；若f_i(y)≤max(f_i(x^k),f_i(x^l))，且f_i(x^k)≥f_i(x^l)则y′＝x^k；若f_i(y)≤max(f_i(x^k),f_i(x^l))，且f_i(x^l)≥f_i(x^k)则y′＝x^l；y′为改进后的解；更新z：对任意j＝1,…,m，若z_j＜f_j(y′)，则赋值z_j＝f_j(y′)，z_j为任意一最优解；更新相邻问题解：对j∈B(i)，若g^te(y′|λj,z)≤g^te(x^j|λ^j,z)，则任意初始种群x^j＝y′,F(x^j)＝F(y′)；其中定义参考点为z_i的第j个子问题的目标函数值为其中λ_j为均匀分布的权重矢量组中一个权重矢量；更新最优解集EP：从EP中删除被改进后目标函数值F(y′)支配的矢量；如果EP中没有支配改进后目标函数值F(y′)的矢量，则将改进后目标函数值F(y′)加入EP；循环次数t=t+1；停止条件判断：如果满足预先设定循环次数即当t=t_p时，则停止循环，输出最优解集；否则继续更新EP解集；输出最优解集：结束计算后，将计算所得的最优解集以矩阵的形式输出；星座综合分析模块接收由联合算法模块传送来的计算最优解集数据，并对最优解集数据进行数学统计分析，将不符合实际的边缘解和不相关解剔除，再将过滤后的解集数据送入可视化模块；可视化模块接收星座综合分析模块所得的星座最优解集数据，呈现出星座3D构型，同时生成模拟性能测试报表数据；报告生成模块接收由可视化模块传送的报表数据，根据用户选择，生成相应报表，完成仿真。