CN119514935A 基于异质图学习的大规模卫星任务动态约束冲突消解方法及系统 （哈尔滨工业大学）

基于异质图学习的大规模卫星任务动态约本发明提出了一种基于异质图学习的大规模卫星任务动态约束冲突消解方法及系统，包针对静态约束构建卫星任务静态约束冲突图模2针对大规模卫星任务规划问题进行数学描述，设计优化目标函数输入卫星任务及其原始信息，对静态约束冲突图模型求解，消解任务2.根据权利要求1所述的一种基于异质图学习的大规模卫星任务动态约束冲突消解方3.根据权利要求1所述的一种基于异质图学习的大规模卫星任务动态约束冲突消解方4.根据权利要求3所述的一种基于异质图学习的大规模卫星任务动态约束冲突消解方5.据权利要求3所述的一种基于异质图学习的大规模卫星任务动态约束冲突消解方36.根据权利要求1所述的一种基于异质图学习的大规模卫星任务动态约束冲突消解方异质图注意力网络结构设计：异质图注意力网络结构包含节点类别动态约束临界冲突团对任务间冲突关联性冲突消解策略学习训练：冲突策略学习训练过程采用非监督7.根据权利要求6所述的一种基于异质图学习的大规模卫星任务动态约束冲突消解方输入要素，包括：卫星任务动态约束冲突异质图G=(V,E,F,R,n,);卫星任务节点特征8.根据权利要求6所述的一种基于异质图学习的大规模卫星任务动态约束冲突消解方9.根据权利要求1所述的一种基于异质图学习的大规模卫星任务动态约束冲突消解方4(2)根据从卫星任务约束冲突图模型及冲突消解后获得的卫星任务选择概率，按概率(5)更新任务规划决策向量，同时更新冲突消解统计次数count＝count+1，再转到第10.一种用于实施权利要求1至9任一项所述的基于动态约束冲突图学习的大规模卫星5[0002]遥感卫星任务规划问题被广泛认为是一个具有复杂约束的非确定性多项式(NP)化学习和其他神经网络的算法来解决多星任务规划问6前的大多数研究尚未针对卫星任务规划中的约束[0010]因此，本发明提出一种基于异质图学习的大规模卫星任务动态约束冲突消解方7不同类别动态约束临界冲突团对任务间冲突关联[0035]输出要素，为每个卫星任务被选择执行的概率集合，即probs＝{p1,p2,...,[0037](1)基于异质图注意力网络输出的卫星任务概率值，逐一判断其是否大于设定的8团节点有边相连的卫星任务节点，并统计这些卫星任务节点与临界冲突团节点关联的边[0045](2)根据从卫星任务约束冲突图模型及冲突消解后获得的卫星任务选择概率，按[0050]一种用于实施上述的基于动态约束冲突图学习的大规模卫星任务规划方法的系9[0064]以下是一种基于异质图学习的大规模卫星任务动态约束冲突消解方法的具体实[0066]所述静态约束为任务固有属性,[0071]上述卫星任务静态约束冲突图模型为基于同质图的卫星任务静态约束冲突图模满足|F|+|R|＞2，每个节点v∈V关联一个节点类型映射函数:V→F,每条边e∈E关联一[0090]基于异质图注意力网络的卫星任务动态约束冲突消解策略学习算法整体流程如[0097]输出要素，为每个卫星任务被选择执行的概率集合，即probs＝{p1,p2,...,[0099](1)基于异质图注意力网络输出的卫星任务概率值，逐一判断其是否大于设定的[0109](2)根据从卫星任务约束冲突图模型及冲突消解后获得的卫星任务选择概率，按[0114]本发明还提出了一种用于实施上述基于动态约束冲突图学习的大规模卫星任务[0116]以实际卫星任务数据为参考，在不同数量规模的仿真任务场景下，分别包括[0119]通过10000至50000的不同规模任务数据集对动态约束冲突消解图网络模型进行[0121]图9展示了不同任务规模下被选中执行的任务的概率分布，直方图中高度的稀疏所提出的HAN模型在训练损失函数收敛性、训练时间和任务选择概率分布等多个方面表现解大规模卫星任务规划问题的有效性。基于不同任务于仿真结果对动态约束冲突消解模型在任务规划决策过程中的具备处理静态约束能力的模块A和模块C相比，增加具备处理动态约束能力的模块B可以显