基于网格剖分的敏捷卫星区域目标观测调度方法

doi:10.7527/S1000-6893.2025.32713

电子电气工程与控制

本期目录 | 过刊浏览 | 高级检索

前一篇 |

基于网格剖分的敏捷卫星区域目标观测调度方法

伍国华¹, 周昕阳², 顾轶²(), 唐伟³

^1.中南大学自动化学院，长沙 410083
^2.中南大学交通运输工程学院，长沙 410083
^3.西北工业大学灰色系统研究中心，西安 710072

收稿日期:2025-08-27 修回日期:2025-11-01 接受日期:2025-12-02 出版日期:2025-12-25 发布日期:2025-12-23
通讯作者: 顾轶 E-mail:yi.gu@csu.edu.cn
基金资助:
国家自然科学基金(62503503);国家自然科学基金(62373380);长沙市自然科学基金(kq2502018)

Grid subdivision-based agile satellite scheduling method for observing area targets

Guohua WU¹, Xinyang ZHOU², Yi GU²(), Wei TANG³

^1.College of Automation，Central South University，Changsha 410083，China
^2.School of Traffic and Transportation Engineering，Central South University，Changsha 410083，China
^3.Center for Grey Systems Studies，Northwestern Polytechnical University，Xi’an 710072，China

Received:2025-08-27 Revised:2025-11-01 Accepted:2025-12-02 Online:2025-12-25 Published:2025-12-23
Contact: Yi GU E-mail:yi.gu@csu.edu.cn
Supported by:
National Natural Science Foundation of China(62503503);Changsha Municipal Natural Science Foundation(kq2502018)

摘要/Abstract

摘要：

敏捷卫星具备滚转与俯仰机动能力，采用条带拼幅模式观测区域目标有助于提升覆盖率，但该观测过程需同时优化滚转角、俯仰角及各条带观测起止时间。针对该多条带观测调度问题，提出了基于网格剖分的敏捷卫星区域目标观测调度方法。该方法采用六边形网格对目标区域进行双层离散，并将其用于姿态映射、覆盖计算与启发式引导；以覆盖率最大化为目标，建立了考虑多约束的混合整数非线性规划模型。为实现模型求解，设计了基于自适应反馈迭代的双层优化框架，构建了融合模拟退火与协同粒子群遗传的双层优化算法。其中，上层通过模拟退火及其多邻域搜索策略进行观测条带分配，下层采用协同粒子群遗传算法进行俯仰角和观测窗口的调度，并通过自适应反馈机制实现了上下层算法的交互迭代求解。大量对比实验表明，在敏捷卫星区域目标观测场景中，所提方法在覆盖率与收敛稳定性方面优于不同上层和下层对比算法；相较于传统单条带对地观测模式，敏捷卫星的条带拼幅模式能够显著提升区域覆盖率。

关键词: 区域目标观测, 敏捷卫星, 多条带观测, 六边形网格, 双层优化框架

Abstract:

Agile satellites possess roll and pitch maneuver capabilities， and adopting the strip-splicing mode for area target observation can improve the coverage rate. However， this observation process requires simultaneous optimization of roll angles， pitch angles， and the observation start and end times of each strip. To address this multi-strip observation scheduling problem， an agile satellite area target observation scheduling method based on grid subdivision is proposed. The method employs hexagonal grids to perform a double-layer discretization of the target area， which is utilized for attitude mapping， coverage calculation， and heuristic guidance. With the goal of maximizing the coverage rate， a mixed-integer nonlinear programming model considering multiple constraints is established. To solve the model， a bilevel optimization framework based on adaptive feedback iteration is designed， and a bilevel optimization algorithm integrating simulated annealing with cooperative particle swarm genetic algorithm is constructed. Specifically， the upper layer performs observation strip allocation via simulated annealing and its multi-neighborhood search strategy， while the lower layer employs the cooperative particle swarm genetic algorithm to schedule pitch angles and observation windows. And the interactive iterative solution of the upper and lower layer algorithms is realized through the adaptive feedback mechanism. Extensive comparative experiments demonstrate that in agile satellite area target observation scenarios， the proposed method is superior to various comparison algorithms in terms of coverage rate and convergence stability. Moreover， compared with the traditional single-strip Earth observation mode， the strip-splicing mode of agile satellites can significantly improve the area coverage rate.

Key words: area target observation, agile satellite, multiple-strip observation, hexagonal grid, bilevel optimization framework

中图分类号:

伍国华, 周昕阳, 顾轶, 唐伟. 基于网格剖分的敏捷卫星区域目标观测调度方法[J]. 航空学报, 2026, 47(14): 332713.

Guohua WU, Xinyang ZHOU, Yi GU, Wei TANG. Grid subdivision-based agile satellite scheduling method for observing area targets[J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(14): 332713.

图/表 23

图 1

图 2

图 3

图 4

图 5

图 6

图 7

图 8

图 9

图 10

表1

表2

表3

卫星轨道参数取值

参数	取值
轨道半长轴/km	6 878.137
偏心率	0
倾角/（°）	（30，50）
近地点幅角/（°）	（0，180）
升交点赤经/（°）	（0，360）
平近点角/（°）	（45，360）
载荷半角/（°）	1.6942
俯仰角/（°）	（-20，20）
滚转角/（°）	（-30，30）
$E i$ /（kJ）	30 000
$e i$ /（J·s^-1）	150

表3

表4

SACPG-DO算法主要参数

参数	取值
初始温度 $T$	100
冷却率 $α t$	0.99
最大迭代次数	200
历史得分权重系数 $ε$	0.1
覆盖增益权重 $λ$	1.8
衰减因子 $χ$	0.8
禁忌表长度	10
下层最大迭代次数	100
粒子数量	40
种群数量	40
种群交流周期 $T e x$	20
连续无显著改进轮数 $L$	40
权重因子 $κ$	0.7

表4

图 11

表5

算法平均覆盖率对比（N=2）

场景	性能指标	算法
场景	性能指标	SACPG-DO	SAPSO-DO	SAGA-DO	SAG-DO	IGCPG-DO	IGPSO-DO	IGGA-DO	CPG	PSO	GA	ACO	SA
C1	覆盖率	0.840 0	0.800 9	0.787 0	0.736 5	0.682 1	0.642 5	0.584 3	0.493 6	0.472 3	0.493 5	0.492 8	0.487 4
C1	耗时/s	94.631 1	49.523 6	69.119 4	95.749 6	169.687 6	190.965 7	181.204 9	3.661 6	4.832 5	0.788 8	15.097 8	0.131 3
C2	覆盖率	0.915 8	0.885 4	0.863 2	0.843 5	0.704 9	0.664 9	0.647 9	0.557 8	0.534 2	0.554 9	0.553 9	0.554 0
C2	耗时/s	109.258 7	53.083 4	76.886 4	109.667 1	191.228 5	216.780 3	186.078 2	4.465 4	5.556 2	0.925 5	25.657 2	0.163 0
C3	覆盖率	0.870 3	0.848 0	0.834 9	0.800 4	0.802 1	0.756 2	0.753 7	0.727 6	0.684 6	0.718 8	0.678 6	0.688 9
C3	耗时/s	108.062 9	48.274 0	71.836 8	89.651 9	338.712 9	312.059 4	217.606 7	4.962 6	5.594 2	1.014 1	28.010 7	0.182 6
C4	覆盖率	0.998 5	0.975 6	0.960 3	0.953 0	0.912 5	0.877 9	0.890 4	0.868 6	0.817 7	0.859 2	0.806 2	0.829 7
C4	耗时/s	135.764 2	54.738 1	85.967 8	111.718 4	338.712 9	312.059 4	217.606 7	6.693 0	7.395 6	1.494 5	57.986 4	0.284 9
C5	覆盖率	0.626 6	0.558 0	0.576 4	0.522 2	0.457 0	0.430 3	0.376 9	0.334 3	0.323 6	0.332 7	0.334 3	0.308 3
C5	耗时/s	98.833 3	89.426 6	138.396 8	107.163 6	272.948 5	614.658 7	658.959 5	3.881 1	5.201 2	0.878 4	15.740 9	0.138 2
C6	覆盖率	0.819 7	0.766 7	0.724 6	0.710 8	0.624 5	0.593 6	0.549 3	0.513 1	0.489 8	0.510 9	0.513 1	0.495 4
C6	耗时/s	94.167 5	50.409 2	68.312 7	94.208 9	168.532 6	190.443 9	178.726 4	3.645 6	4.425 3	0.770 7	11.430 2	0.135 5
C7	覆盖率	0.797 7	0.761 8	0.752 5	0.719 4	0.588 7	0.562 1	0.526 9	0.440 0	0.421 0	0.439 1	0.440 0	0.432 8
C7	耗时/s	82.339 5	48.531 6	62.185 7	85.089 4	154.779 9	171.866 9	169.4154	3.039 1	4.033 6	0.666 5	9.218 6	0.118 0
C8	覆盖率	0.811 6	0.786 4	0.787 8	0.761 2	0.600 0	0.571 0	0.531 7	0.487 9	0.467 5	0.482 0	0.481 8	0.466 3
C8	耗时/s	119.526 5	66.201 7	88.177 7	125.892 2	460.377 1	402.760 1	835.096 5	5.648 7	6.136 6	1.332 8	27.192 6	0.198 3
C9	覆盖率	0.941 9	0.900 5	0.899 1	0.862 6	0.763 1	0.734 7	0.728 4	0.678 8	0.654 3	0.669 9	0.653 4	0.665 9
C9	耗时/s	176.982 3	85.181 2	124.107 1	181.562 7	342.526 0	251.042 4	952.930 2	9.215 4	10.169 6	2.170 6	91.424 8	0.352 5
C10	覆盖率	0.808 9	0.731 8	0.746 0	0.690 0	0.534 6	0.523 2	0.380 2	0.380 2	0.363 1	0.376 2	0.374 4	0.349 7
C10	耗时/s	282.986 3	79.508 6	108.006 9	171.306 6	212.188 8	253.129 7	6.315 6	6.315 6	8.120 7	1.245 1	34.509 5	0.252 0
C11	覆盖率	0.863 9	0.774 5	0.782 3	0.730 8	0.594 5	0.572 2	0.550 3	0.516 4	0.491 0	0.509 9	0.505 8	0.497 7
C11	耗时/s	402.767 7	83.405 3	119.252 7	179.189 3	363.163 6	230.446 0	265.808 0	8.257 8	10.135 2	1.594 8	56.215 0	0.358 3
C12	覆盖率	0.969 9	0.893 5	0.898 7	0.875 4	0.661 0	0.624 5	0.628 8	0.627 5	0.592 4	0.628 0	0.612 6	0.593 1
C12	耗时/s	414.780 6	95.263 7	147.107 0	284.925 2	277.076 2	340.357 0	294.984 3	10.416 9	13.327 4	2.174 9	88.250 7	0.453 9
C13	覆盖率	0.714 5	0.671 0	0.676 8	0.661 7	0.440 2	0.419 0	0.430 7	0.439 0	0.416 4	0.436 1	0.420 4	0.422 8
C13	耗时/s	675.038 7	221.388 1	172.209 0	418.650 2	1 169.808 5	1 293.959 3	1 325.862 0	10.156 1	11.437 8	2.548 3	105.063 7	0.458 0
C14	覆盖率	0.828 9	0.766 5	0.754 4	0.752 4	0.571 6	0.545 4	0.573 3	0.535 4	0.506 6	0.533 2	0.510 1	0.519 2
C14	耗时/s	264.672 0	160.650 6	199.940 2	317.924 2	436.331 3	519.649 3	467.543 2	13.127 8	14.947 7	3.405 1	173.029 5	0.674 9

表5

图 12

图 13

图 14

图 15

图 16

图 17

图 18

参考文献 30

[1]	YIN Q， WU G H， SUN G， et al. Multi-objective orbital maneuver optimization of multi-satellite using an adaptive feedback learning NSGA-Ⅱ［J］. Swarm and Evolutionary Computation， 2025， 93： 101835.
[2]	WU G H， XIANG Z Q， WANG Y L， et al. Improved adaptive large neighborhood search algorithm based on the two-stage framework for scheduling multiple super-agile satellites［J］. IEEE Transactions on Aerospace and Electronic Systems， 2024， 60（5）： 7185-7200.
[3]	GU Y， HAN C， CHEN Y H， et al. Large region targets observation scheduling by multiple satellites using resampling particle swarm optimization［J］. IEEE Transactions on Aerospace and Electronic Systems， 2023， 59（2）： 1800-1815.
[4]	KANDEPI R， SAINI H， GEORGE R K， et al. Agile Earth observation satellite constellations scheduling for large area target imaging using heuristic search［J］. Acta Astronautica， 2024， 219： 670-677.
[5]	伍国华，王天宇. 基于自适应模拟退火的大规模星座测控资源调度算法［J］. 航空学报， 2023， 44（12）： 327759.
	WU G H， WANG T Y. Large-scale constellation TT&C resource scheduling algorithm based on adaptive simulated annealing［J］. Acta Aeronautica et Astronautica Sinica， 2023， 44（12）： 327759 （in Chinese）.
[6]	EDDY D， KOCHENDERFER M. Markov decision processes for multi-objective satellite task planning［C］∥2020 IEEE Aerospace Conference. Piscataway： IEEE Press， 2020： 1-12.
[7]	WOLFE W J， SORENSEN S E. Three scheduling algorithms applied to the Earth observing systems domain［J］. Management Science， 2000， 46（1）： 148-166.
[8]	WANG M C， PEI C， CHEN X Y， et al. A dynamic decomposition optimization framework for multi-satellite scheduling of area target observation［J］. Advances in Space Research， 2025， 75（6）： 4664-4681.
[9]	CORDONE R， GANDELLINI F， RIGHINI G. Solving the swath segment selection problem through Lagrangean relaxation［J］. Computers & Operations Research， 2008， 35（3）： 854-862.
[10]	HU X X， ZHU W M， MA H W， et al. Orientational variable-length strip covering problem： A branch-and-price-based algorithm［J］. European Journal of Operational Research， 2021， 289（1）： 254-269.
[11]	WU G H， LIU J， MA M H， et al. A two-phase scheduling method with the consideration of task clustering for Earth observing satellites［J］. Computers and Operations Research， 2013， 40（7）： 1884-1894.
[12]	WU X D， YANG Y H， XIE Y E， et al. Multiregion mission planning by satellite swarm using simulated annealing and neighborhood search［J］. IEEE Transactions on Aerospace and Electronic Systems， 2024， 60（2）： 1416-1439.
[13]	LI F， WAN Q H， WEN F F， et al. Multi-satellite imaging task planning for large regional coverage： A heuristic algorithm based on triple grids method［J］. Remote Sensing， 2024， 16（1）： 194.
[14]	WU X D， YANG Y H， SUN Y Q， et al. Dynamic regional splitting planning of remote sensing satellite swarm using parallel genetic PSO algorithm［J］. Acta Astronautica， 2023， 204： 531-551.
[15]	顾轶，王慧林，郭鹤鹤，等. 基于视场映射模型的GEO目标观测覆盖性分析［J］. 航空学报， 2025， 46（15）： 331570.
	GU Y， WANG H L， GUO H H， et al. Analysis of GEO target observation coverage based on field of view mapping model［J］. Acta Aeronautica et Astronautica Sinica， 2025， 46（15）： 331570 （in Chinese）.
[16]	顾轶，孙秀聪，范黎明，等. 基于仰角视元模型的星地快速覆盖分析方法［J］. 航空学报， 2024， 45（23）： 330372.
	GU Y， SUN X C， FAN L M， et al. A rapid satellite-ground coverage analysis method based on elevation view element model［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（23）： 330372 （in Chinese）.
[17]	李恒伟，罗启章，顾轶，等. 基于滚动时域策略的中继卫星多目标动态调度优化方法［J］. 航空学报， 2024， 45（16）： 329706.
	LI H W， LUO Q Z， GU Y， et al. Multi-objective dynamic scheduling optimization method for relay satellites based on rolling horizon strategy［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（16）： 329706 （in Chinese）.
[18]	WANG X W， WU G H， XING L N， et al. Agile Earth observation satellite scheduling over 20 years： Formulations， methods， and future directions［J］. IEEE Systems Journal， 2021， 15（3）： 3881-3892.
[19]	LEMAı̂ TRE M， VERFAILLIE G， JOUHAUD F， et al. Selecting and scheduling observations of agile satellites［J］. Aerospace Science and Technology， 2002， 6（5）： 367-381.
[20]	杜彬. 敏捷成像卫星任务规划方法研究［D］. 南京：南京航空航天大学， 2019： 41-60.
	DU B. Research on agile imaging satellite mission planning method［D］. Nanjing： Nanjing University of Aeronautics and Astronautics， 2019： 41-60 （in Chinese）.
[21]	宋金运，刘翔春，冯宁，等. 面向区域目标的敏捷成像卫星单轨调度方法［J］. 数字技术与应用， 2023， 41（9）： 81-83.
	SONG J Y， LIU X C， FENG N， et al. Single-track scheduling method of agile imaging satellite for regional target［J］. Digital Technology & Application， 2023， 41（9）： 81-83 （in Chinese）.
[22]	李宗凌，龙腾，赵保军，等. 面向预警场景的大规模星座协同调度标准建模与求解方法［J］. 航空学报， 2024， 45（22）： 330181.
	LI Z L， LONG T， ZHAO B J， et al. Standard modeling and solving methods for large-scale constellation collaborative scheduling for early warning scenarios［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（22）： 330181 （in Chinese）.
[23]	UBER TECHNOLOGIES， INC. H3： A hexagonal hierarchical geospatial indexing system［EB/OL］. （2018-01-01）［2025-08-27］. .
[24]	MA Y， LI G Q， ZHAO L， et al. Accuracy evaluation method for vector data based on hexagonal discrete global grid［J］. ISPRS International Journal of Geo-Information， 2025， 14（1）： 5.
[25]	WAGNER S， STENZEL F， KRUEGER T， et al. Drivers of global irrigation expansion： The role of discrete global grid choice［J］. Hydrology and Earth System Sciences， 2024， 28（22）： 5049-5068.
[26]	ZHIBO E， SHI R H， GAN L， et al. Multi-satellites imaging scheduling using individual reconfiguration based integer coding genetic algorithm［J］. Acta Astronautica， 2021， 178： 645-657.
[27]	XU Y， LIU X， HE R， et al. Multi-satellite scheduling framework and algorithm for very large area observation［C］∥2018 IEEE Congress on Evolutionary Computation （CEC）. Piscataway： IEEE Press， 2018： 1-8.
[28]	LIU X L， LAPORTE G， CHEN Y W， et al. An adaptive large neighborhood search metaheuristic for agile satellite scheduling with time-dependent transition time［J］. Computers & Operations Research， 2017， 86： 41-53.
[29]	TALBI E G. Metaheuristics： From design to implementation［M］. Hoboken： Wiley， 2009： 513-520.
[30]	LÄSSIG J， SUDHOLT D. The benefit of migration in parallel evolutionary algorithms［C］∥Proceedings of the 12th Annual Conference on Genetic and Evolutionary Computation. New York： ACM， 2010： 1105-1112.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

区域编号	区域经纬度/（°）	区域面积/km²	生成网格数量	计算网格数量
Area 1	［10.8，-76.2；11.3，-74.0；12.5，-74.7；12.9，-76.3；12.1，-77.2；11.2，-76.9］	52 965.89	257	1 653
Area 2	［25.0，109.7；24.2，113.9；23.6，112.8；23.3，110.8；23.7，109.1］	54 351.81	254	1 604
Area 3	［-21.0，47.0；-21.3，49.2；-22.5，50.5；-23.2，49.1；-22.7，47.2］	56 699.26	260	1 682
Area 4	［34.8，120.5；33.7，122.5；32.0，124.1；31.4，122.7；32.3，120.9；33.3，120.3］	67 326.91	406	2 650
Area 5	［21.5，10；20，10；20，15；21.5，15］	86 467.34	350	2 241
Area 6	［15.4，-11.8；15.1，-14.5；13.9，-15.7；12.0，-15.0；11.6，-13.0；12.7，-10.8；14.2，-10.6］	170 621.85	786	5 278

场景编号	区域编号	卫星数量
C1	Area 1	2
C2	Area 1	3
C3	Area 2	3
C4	Area 2	4
C5	Area 3	2
C6	Area 3	3
C7	Area 4	1
C8	Area 4	2
C9	Area 4	3
C10	Area 5	4
C11	Area 5	5
C12	Area 5	6
C13	Area 6	3
C14	Area 6	4

基于网格剖分的敏捷卫星区域目标观测调度方法

Grid subdivision-based agile satellite scheduling method for observing area targets

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 23

参考文献 30

相关文章 3

编辑推荐

Metrics

本文评价

[1]	王研, 窦青赟, 王广巍, 李雅轩, 何晓宇, 刘新福. 一子级可重复使用火箭上升及返回轨迹联合优化[J]. 航空学报, 2026, 47(3): 232240-232240.
[2]	李海, 李勇军, 刘元皓, 赵卫虎, 李信, 赵尚弘. 基于ESWO的敏捷对地观测卫星任务调度算法[J]. 航空学报, 2024, 45(10): 329370-329370.
[3]	赵琳, 王硕, 郝勇, 刘源, 柴毅. 基于地面任务-空间姿态映射的敏捷卫星任务规划[J]. 航空学报, 2018, 39(10): 322066-322066.