第 1 章 緒論  1 
1.1 研究背景及意義  1 
1.1.1 研究背景  1 
1.1.2 研究意義  4 
1.2 國內外研究現狀  5 
1.2.1 空天資源任務規劃問題  5 
1.2.2 天基資源任務規劃問題  12 
1.2.3 空基資源任務規劃問題  18 
1.2.4 智能優化方法  21 
1.2.5 現狀分析及總結  27 
1.3 本書主要工作  28 
1.3.1 研究路徑設計  28 
1.3.2 研究思路分析  30 
1.3.3 主要創新點  31 
1.4 本章小結  32 
第 2 章 空天資源任務規劃問題  33 
2.1 問題描述  33 
2.1.1 需求描述  33 
2.1.2 問題界定  34 
2.1.3 資源界定  36 
2.1.4 協同方式界定  37 
2.1.5 任務界定  39 
2.2 求解框架  40 
2.2.1 空天資源-任務匹配階段  41 
2.2.2 空天任務協同分配階段  42 
2.2.3 天基任務規劃階段  42
2.2.4 空基任務規劃階段  42 
2.3 問題分析  44 
2.3.1 空天資源-任務匹配問題  44 
2.3.2 空天任務協同分配問題  46 
2.3.3 天基資源任務規劃問題  48 
2.3.4 空基資源任務規劃問題  50 
2.4 本章小結  52 
第 3 章 優化算法基本常識  53 
3.1 深度 Q 網絡簡介  53 
3.2 蟻群算法簡介  55 
3.3 模擬退火算法簡介  57 
3.4 本章小結  59 
第 4 章 基於深度學習的資源-任務智能化匹配技術  60 
4.1 基於作業車間調度的問題描述  60 
4.1.1 空天資源-任務匹配問題的圖模型  61 
4.1.2 空天資源-任務匹配問題的向量表示  63 
4.2 基於圖神經網絡的問題特征提取  64 
4.2.1 空天資源-任務匹配問題的圖神經網絡模型  64 
4.2.2 空天資源-任務匹配問題的圖神經網絡訓練  64 
4.3 基於雙重深度 Q 網絡的問題求解  66 
4.3.1 雙重深度 Q 網絡基本定義  67 
4.3.2 基於雙重深度 Q 網絡的空天資源-任務匹配問題求解  67 
4.3.3 雙重深度 Q 網絡模型的訓練  68 
4.4 仿真實驗及分析  70 
4.4.1 仿真實驗設計  70 
4.4.2 算法效能分析  70 
4.4.3 計算時間代價分析  72 
4.4.4 訓練時間代價分析  73 
4.4.5 大規模問題泛化性實驗  73 
4.5 本章小結  77 
第 5 章 面向空天資源的任務智能化分配技術  78 
5.1 問題建模  78 
5.2 求解方法  81 
5.2.1 算法框架  81 
5.2.2 改進蟻群算法  83 
5.2.3 多目標模擬退火算法  86 
5.2.4 鄰域搜索算子設計  87 
5.3 仿真實驗及分析  88 
5.3.1 仿真實驗設計  88 
5.3.2 算法基本表現分析  91 
5.3.3 算法超體積表現分析  93 
5.4 本章小結  95 
第 6 章 基於蟻群優化的天基資源任務智能規劃技術  97 
6.1 問題建模  97 
6.2 求解方法  100 
6.2.1 算法框架  100 
6.2.2 多蟻群算法  101 
6.2.3 鄰域搜索算子設計  105 
6.3 仿真實驗及分析  106 
6.3.1 仿真實驗設計  106 
6.3.2 MAS-LS 算法參數調優實驗結果 107 
6.3.3 蟻群算法求解效能對比實驗  108 
6.3.4 客戶選擇規則測試  109 
6.3.5 對比實驗結果分析  109 
6.4 本章小結  114 
第 7 章 基於演化計算的空基資源任務智能規劃技術  115 
7.1 空基資源任務規劃模型  115 
7.1.1 基本假設  116 
7.1.2 無人機速度更新模型  117 
7.1.3 速度更新規則繫統  120 
7.2 基於演化計算的無人機集群控制模型優化方法  121 
7.2.1 編碼操作  122 
7.2.2 交叉操作  122 
7.2.3 變異操作  123 
7.2.4 環境選擇  123 
7.2.5 種群多樣性控制  123 
7.2.6 評價指標  125 
7.3 仿真實驗及分析  127 
7.3.1 實驗設計  127 
7.3.2 算法性能試驗分析  128 
7.3.3 控制模型性能試驗分析  132 
7.3.4 路徑規劃結果  133 
7.4 本章小結  134 
第 8 章 總結與展望  136 
8.1 研究工作總結  136 
8.2 未來工作展望  138 
參考文獻  140 
附錄 A 算法代碼及實驗結果  150 
A.1 雙重深度 Q 學習網絡的訓練  150 
A.2  MOSA-ACO 算法表現分析  151 
A.2.1 算法基本表現分析彙總  151 
A.2.2 算法超體積分析表現分析彙總  156 
A.3 天基資源任務規劃問題仿真實驗結果  158 
A.4 無人機集群控制模型和路徑規劃結果  163 
A.4.1 控制模型性能試驗分析結果  163 
A.4.2 路徑規劃詳細結果  164 
附錄 B 縮寫詞列表  167

當代，國民生活對空天信息的需求越來越大，對各類空天信息獲取的時效性、綜合性、復雜性要求越來越突出。尤其在響應國土資源測繪、防災減災、應急搜救等典型需求時，通常需要多類衛星或無人機等資源在復雜的任務條件下互相配合，共同完成一個或多個復雜需求。同時，空天信息的用戶開始呈現下沉趨勢，具體表現在用戶對空天信息獲取的工作流程熟悉程度下降，用戶中非專家用戶的比例上升。這就要求空天資源調配和控制繫統能夠充分理解用戶的使命級需求，並在繫統內現有資源的條件下，精準匹配用戶需求，快速給出合理的空天資源分配和調度方案。
本書所述方法旨在幫助空天資源管控繫統有效理解用戶需求，結合繫統內當前資源情況，快速給出合理的任務分配和資源調度方案。另外，在任務分配和資源調度方案基礎上，結合不同類型資源的實際應用場景，針對不同類型資源的使用特點進行方案的智能優化。
本書將該問題劃分為以下四個階段：空天任務-資源匹配階段、空天任務協同分配階段、天基任務規劃階段、空基任務規劃階段。其中，空天任務-資源匹配階段結合繫統內現有資源的情況，以及空天信息用戶的信息需求，生成對應的空天任務清單-空天資源匹配方案。空天任務分配階段則在前一階段產生的空天任務清單-空天資源匹配方案的基礎上，結合繫統內不同資源的特點和任務執行需求，對空天任務進行合理分配。天基任務規劃階段在空天任務協同分配方案和基礎上，針對天基任務執行資源的使用特征，對天基任務執行方案進行優化。空基任務規劃階段則針對空天任務分配方案中的空基任務，在多目標優化方法和仿真實驗的基礎上，給出空基資源控制繫統優化策略，輔助空基資源任務執行。本書的主要內容包括：
（1）針對空天資源-任務匹配階段的具體問題，結合當前空天資源-任務匹配階段對於處理速度和處理精度的需求，研發了基於深度學習的資源-任務智能化匹配技術。該技術首先采用圖神經網絡對空天資源分配問題進行了建模和特征提取，然後采用深度學習方法對圖神經網絡的輸出結果進行了求解。後，設計仿真實驗對基於深度學習的資源-任務智能化匹配技術的效能進行了驗證。
（2）針對空天任務協同分配階段中包含的具體問題，結合空天任務協同分配階段對於分配結果的魯棒性要求，研發了面向空天資源的任務智能化分配技術。該技術首先總結了空天任務分配問題的特征，並以此為基礎將空天任務分配問題建模為一類特殊的周期車輛路徑問題。然後，設計一種基於改進蟻群算法和模擬退火算法相結合的優化算法，對該問題進行了求解。後，設計仿真實驗對面向空天資源的任務智能化分配技術的效能進行了驗證。
（3）針對天基任務規劃階段的具體問題，結合天基資源任務規劃問題中關於任務可用執行時長的優化需求，提出了基於蟻群優化的天基資源任務智能規劃技術。該技術首先總結了天基資源任務規劃問題中的核心要素，並將該問題抽像為一類特殊的帶時間窗車輛路徑問題。然後，設計相應的改進多目標多蟻群算法對該問題進行了求解。後，設計仿真實驗對基於蟻群優化的天基資源任務智能規劃技術的效能進行了驗證。
（4）考慮空基任務規劃階段中的具體問題，結合空基任務規劃階段中的控制模型優化問題，提出了基於演化計算的空基資源任務智能規劃技術。該策略首先提出了一種具有靈活性和可擴展性的空基資源控制模型，然後以此模型為基礎提出了基於智能優化和仿真的空基資源控制模型優化方法。後，設計相應的仿真場景和實驗對該優化方法及控制模型的效能進行了驗證。
本書的出版得到了如下基金項目資助：國家自然科學基金（71901213）、廣東省自然科學基金（2019A1515011648）、湖南省自然科學基金面上項目（2022JJ30671），在此表示感謝。

作者
2022 年7 月