基于遺傳禁忌混合算法的敏捷衛(wèi)星任務(wù)規(guī)劃

丁祎男，田科豐，王淑一

0 引 言

對(duì)地觀測(cè)成像衛(wèi)星是一類利用衛(wèi)星遙感器對(duì)地球表面、地形地貌、能源礦藏，以及低層大氣進(jìn)行探測(cè)從而獲取有用信息的一類衛(wèi)星[1].隨著敏捷機(jī)動(dòng)技術(shù)的發(fā)展，敏捷技術(shù)在成像衛(wèi)星中廣泛應(yīng)用，如美國的WorldView系列衛(wèi)星，法國的Pleiades星座等.

敏捷成像衛(wèi)星是斷續(xù)工作方式，因此需要根據(jù)用戶需求進(jìn)行任務(wù)規(guī)劃.衛(wèi)星任務(wù)規(guī)劃在整個(gè)對(duì)地觀測(cè)過程中起著關(guān)鍵作用，其結(jié)果直接影響到對(duì)地觀測(cè)衛(wèi)星系統(tǒng)的觀測(cè)效率.

目前，國外在衛(wèi)星任務(wù)規(guī)劃領(lǐng)域的研究持續(xù)時(shí)間長(zhǎng)，技術(shù)比較成熟，且相關(guān)技術(shù)已應(yīng)用到一些實(shí)際的航天任務(wù)中，其中，由NASA研制的ASPEN(Automated scheduling and planning environment)是一種地面任務(wù)規(guī)劃系統(tǒng)，使用局部搜索算法，應(yīng)用范圍廣、擴(kuò)展性良好[2].法國LEMAITRE等[3]針對(duì)敏捷衛(wèi)星Pleiades星座的任務(wù)規(guī)劃，提出了約束規(guī)劃模型，并分析比較了約束規(guī)劃、貪婪、動(dòng)態(tài)規(guī)劃以及局部搜索等四種算法.TANGPATTANAKUL等[4]提出了一種基于指標(biāo)的多目標(biāo)局部搜索算法，解決多目標(biāo)觀測(cè)任務(wù)規(guī)劃問題.國內(nèi)研究中，黃生俊等[5]針對(duì)多星任務(wù)規(guī)劃，綜合蟻群算法的反饋特性和模擬退火算法的局部搜索特性，設(shè)計(jì)了一種基于知識(shí)的改進(jìn)模擬退火算法.郝會(huì)成等人針對(duì)新一代對(duì)地觀測(cè)敏捷衛(wèi)星任務(wù)規(guī)劃問題，提出了一種免疫遺傳-蟻群混合算法[6].李菊芳等[7]探討了一類涉及多星、多地面站的成像衛(wèi)星系統(tǒng)集成調(diào)度問題，并提出了一種變鄰域禁忌搜索算法.趙萍等[8]對(duì)衛(wèi)星自主任務(wù)調(diào)度問題構(gòu)建了基于目標(biāo)收益及多約束的任務(wù)調(diào)度模型，并設(shè)計(jì)了一種改進(jìn)的自適應(yīng)遺傳算法進(jìn)行求解.韓傳奇等[9]提出了基于成像任務(wù)時(shí)間及任務(wù)均衡度的多指標(biāo)優(yōu)化函數(shù)，針對(duì)所建模型，采用改進(jìn)的遺傳算法，引入資源隨機(jī)分配的解碼策略及精英保留策略，保證了算法的全局收斂性，提高了算法的性能.

以上研究都針對(duì)敏捷成像衛(wèi)星任務(wù)規(guī)劃問題的特點(diǎn)設(shè)計(jì)了智能優(yōu)化算法進(jìn)行求解，得到了較好的優(yōu)化結(jié)果，可以看出智能優(yōu)化算法在求解衛(wèi)星任務(wù)規(guī)劃問題上有很大優(yōu)勢(shì).但現(xiàn)有的研究中任務(wù)規(guī)劃模型都較為簡(jiǎn)單，存在一定的局限性.其中ASPEN系統(tǒng)是面向單顆衛(wèi)星的任務(wù)規(guī)劃，沒有涉及多星的協(xié)同調(diào)度； LEMAITRE等人的研究中應(yīng)用的智能優(yōu)化算法都有各自的缺點(diǎn)，沒有使用混合算法來互補(bǔ)；黃生俊等和李菊芳等的研究面向的是非敏捷衛(wèi)星，沒有考慮任務(wù)間衛(wèi)星的姿態(tài)轉(zhuǎn)換約束；韓傳奇等的研究沒有考慮衛(wèi)星機(jī)動(dòng)能力和能量約束；并且在衛(wèi)星成像系統(tǒng)多樣化的如今，上述提到的研究都沒有考慮到多載荷的任務(wù)協(xié)同調(diào)度.

針對(duì)這些問題，本文對(duì)多星自主任務(wù)協(xié)同中涉及的任務(wù)建模及優(yōu)化算法進(jìn)行研究，采用了一種遺傳禁忌混合算法，解決多載荷敏捷衛(wèi)星在星上資源約束條件下的任務(wù)優(yōu)化問題，解決多星多載荷的任務(wù)協(xié)同分配問題.

1 問題描述

敏捷衛(wèi)星任務(wù)規(guī)劃可以被描述為約束優(yōu)化問題.衛(wèi)星進(jìn)行成像時(shí)必須滿足一定的約束條件，以保證成像衛(wèi)星安全、準(zhǔn)確地執(zhí)行任務(wù).記衛(wèi)星數(shù)量為S，目標(biāo)點(diǎn)數(shù)量為P.

1.1 約束條件

本文考慮的約束包括：

(1) 衛(wèi)星對(duì)目標(biāo)點(diǎn)的可見性約束

若第p個(gè)目標(biāo)點(diǎn)對(duì)第s顆衛(wèi)星可見，衛(wèi)星質(zhì)心指向該目標(biāo)點(diǎn)的矢量和衛(wèi)星與地心連線矢量的夾角αsp不能超過衛(wèi)星的最大偏置能力αsmax.可以表示為：

αsp≤αsmax

(1)

(2) 衛(wèi)星對(duì)目標(biāo)點(diǎn)的觀測(cè)時(shí)長(zhǎng)約束

若第i個(gè)可見時(shí)間窗口包含第p個(gè)目標(biāo)點(diǎn)，則時(shí)間窗口的長(zhǎng)度不能小于此目標(biāo)點(diǎn)需要被觀測(cè)的時(shí)長(zhǎng)dp，可以表示為：

Tei-Tsi≥dp

(2)

其中Tsi表示第i個(gè)可見時(shí)間窗口開始時(shí)刻，Tei表示第i個(gè)可見時(shí)間窗口結(jié)束時(shí)刻.

(3) 星載傳感器類型的約束

本文主要考慮可見光相機(jī)和紅外相機(jī)兩種對(duì)地觀測(cè)載荷.其中，配置可見光相機(jī)的衛(wèi)星只能在陽照區(qū)觀測(cè)，配置紅外傳感器的衛(wèi)星可以在全軌道周期觀測(cè)，陽照區(qū)優(yōu)先采用可見光相機(jī)觀測(cè).

在滿足(1)～(3)三個(gè)約束的前提下，可以計(jì)算出所有衛(wèi)星對(duì)所有目標(biāo)點(diǎn)的時(shí)間窗口.每一個(gè)時(shí)間窗口可以作為一個(gè)元任務(wù)，是任務(wù)規(guī)劃模型的基本單位，記元任務(wù)數(shù)量為N.

(4) 衛(wèi)星姿態(tài)機(jī)動(dòng)能力約束

衛(wèi)星進(jìn)行姿態(tài)轉(zhuǎn)移的時(shí)間受機(jī)動(dòng)能力的約束：

Toei-Tos(i+1)≥Tdimin

(3)

其中Toei表示前一次任務(wù)觀測(cè)結(jié)束時(shí)間，Tos(i+1)表示此次任務(wù)最晚開始觀測(cè)時(shí)間，Tdimin為兩次觀測(cè)姿態(tài)轉(zhuǎn)移所需最短時(shí)間.

(5) 衛(wèi)星的星上能源約束

將星上能源簡(jiǎn)化為觀測(cè)能量，假設(shè)在一個(gè)觀測(cè)周期內(nèi)第s顆衛(wèi)星的總觀測(cè)能量maxEs是有限的.若要執(zhí)行元任務(wù)mi，需要有足夠的能量去執(zhí)行此任務(wù)，可以表示為：

(4)

Ei=k1φi+k2dpi

(5)

其中φi、dpi分別為衛(wèi)星觀測(cè)元任務(wù)mi需要的機(jī)動(dòng)角度、成像時(shí)長(zhǎng)，k1為機(jī)動(dòng)角度到觀測(cè)能量的轉(zhuǎn)換系數(shù)，k2為觀測(cè)時(shí)長(zhǎng)到觀測(cè)能量的轉(zhuǎn)換系數(shù).

(6) 衛(wèi)星存儲(chǔ)器容量約束

衛(wèi)星對(duì)目標(biāo)成像時(shí)生成成像數(shù)據(jù)，儲(chǔ)存在星載存儲(chǔ)器中，經(jīng)過地面站會(huì)向地面站傳輸之前儲(chǔ)存的觀測(cè)數(shù)據(jù)，釋放存儲(chǔ)器空間.假設(shè)第s顆衛(wèi)星存儲(chǔ)器容量為maxCs，若要執(zhí)行元任務(wù)mi，需要有足夠的存儲(chǔ)器可用容量去儲(chǔ)存此任務(wù)產(chǎn)生的數(shù)據(jù)，表示為：

(6)

(7)

(8)

每次成像生成的數(shù)據(jù)大小和成像時(shí)長(zhǎng)成正比，每次釋放的數(shù)據(jù)大小和數(shù)傳時(shí)間成正比，可以表示為：

Ci=k3dpi

(9)

Csg=k4dsg

(10)

其中dpi為衛(wèi)星觀測(cè)元任務(wù)mi的成像時(shí)長(zhǎng)，dsg為第s顆衛(wèi)星與第g個(gè)地面站的數(shù)傳時(shí)長(zhǎng)，k3為成像時(shí)長(zhǎng)到成像數(shù)據(jù)的轉(zhuǎn)換系數(shù)，k4為數(shù)傳時(shí)長(zhǎng)與釋放空間大小的轉(zhuǎn)換系數(shù).

(7) 衛(wèi)星數(shù)傳約束

若第s顆衛(wèi)星要向第g個(gè)地面站傳輸數(shù)據(jù)，則地面站與衛(wèi)星之間的視線方向在當(dāng)?shù)氐难鼋铅聅g不能小于衛(wèi)星對(duì)地面站可見的最小仰角βmin，可以表示為：

βsg≥βmin

(11)

根據(jù)衛(wèi)星數(shù)傳約束可以計(jì)算出衛(wèi)星經(jīng)過地面站的數(shù)傳時(shí)長(zhǎng).

(8) 目標(biāo)點(diǎn)任務(wù)約束

每個(gè)目標(biāo)點(diǎn)都需要被觀測(cè)一次，且只被一顆衛(wèi)星觀測(cè)，對(duì)于第p個(gè)目標(biāo)點(diǎn)有：

(12)

其中mis(s,p)為第s顆衛(wèi)星對(duì)第p個(gè)目標(biāo)點(diǎn)的執(zhí)行情況，1表示執(zhí)行，0表示不執(zhí)行.此約束條件是為防止在一個(gè)觀測(cè)周期中某一個(gè)目標(biāo)點(diǎn)被多次觀測(cè)，浪費(fèi)衛(wèi)星資源.

由于一個(gè)目標(biāo)點(diǎn)對(duì)應(yīng)多個(gè)元任務(wù)，且元任務(wù)間不可避免的存在時(shí)間窗口沖突，再考慮到(4)～(8)約束條件的限制，需要任務(wù)分配算法來確定最終的任務(wù)序列.

1.2 性能指標(biāo)

每一個(gè)元任務(wù)mi包含的目標(biāo)點(diǎn)pmi都有不同的權(quán)重ωi，任務(wù)規(guī)劃的性能指標(biāo)M為任務(wù)序列中所有完成任務(wù)對(duì)應(yīng)目標(biāo)點(diǎn)的權(quán)重和.為引導(dǎo)優(yōu)化算法優(yōu)先考慮在陽照區(qū)采用可見光成像，設(shè)定若完成的任務(wù)為紅外相機(jī)在陽照區(qū)成像(下文稱為載荷不匹配)，此任務(wù)對(duì)應(yīng)的權(quán)重將乘以懲罰系數(shù)μ(0<μ<1).本課題選取μ=0.5.性能指標(biāo)可以表示為：

(13)

其中

2 求解算法

多星多載荷任務(wù)規(guī)劃問題是典型的NP困難問題，沒有有效的確定性求解算法，傳統(tǒng)解決此類問題的主要方法包括遺傳算法、禁忌算法等智能優(yōu)化方法.

遺傳算法是基于自然選擇和基因遺傳學(xué)原理的搜索算法，其適用范圍廣、廣域搜索能力強(qiáng)，但也因種群間有很高的局部相似性，存在收斂速度慢，求解時(shí)間長(zhǎng)的缺點(diǎn).

禁忌算法模仿人類的記憶功能，使用禁忌表來避免重復(fù)搜索，并通過藐視原則來留下優(yōu)良解，從而保證搜索的多樣性，達(dá)到全局優(yōu)化的目的.禁忌算法收斂速度快，求解時(shí)間短，但其搜索性能對(duì)初始解依賴較大且廣域搜索能力不足.

由上可知，遺傳算法和禁忌算法有較強(qiáng)的互補(bǔ)性，本文結(jié)合兩者的優(yōu)點(diǎn)，使用遺傳禁忌混合算法進(jìn)行求解.求解步驟如下：

1) 對(duì)于多星對(duì)多目標(biāo)的觀測(cè)任務(wù)，元任務(wù)數(shù)量巨大，需要先對(duì)元任務(wù)進(jìn)行聚類處理.

2)按照一定的順序?qū)λ芯垲愐来螒?yīng)用混合算法進(jìn)行優(yōu)化運(yùn)算，得到每個(gè)聚類的最優(yōu)任務(wù)序列.

3) 將所有聚類的最優(yōu)任務(wù)序列合并可以得到整個(gè)任務(wù)規(guī)劃問題的最優(yōu)任務(wù)序列.

2.1 元任務(wù)聚類方法

本文根據(jù)元任務(wù)的時(shí)間窗口進(jìn)行聚類，具體步驟為：

1) 設(shè)定最小聚類間隔mindt.將元任務(wù)序列按照時(shí)間窗口開始時(shí)刻從前到后排列，遍歷所有元任務(wù)，如果元任務(wù)mi和元任務(wù)mi-1的開始時(shí)間tsi和結(jié)束時(shí)間tei-1滿足tsi-tei-1>mindt，并且對(duì)任意jtej,即兩個(gè)元任務(wù)之間相隔超過最小聚類間隔，就記錄一個(gè)分割點(diǎn)bj=i-1.

2) 得到分割點(diǎn)集合[b1,b2,…bn-1,bn]，根據(jù)分割點(diǎn)集合可以將元任務(wù)序列分割成n+1個(gè)聚類.分割成的聚類包含元任務(wù)序號(hào)分別為為1～b1，b1+1～b2,…,bn+1～N.(N為元任務(wù)的總數(shù)).

3) 按照所處時(shí)間區(qū)間的先后順序處理第l個(gè)聚類：

①若l>1，類的種群初始化都是在完成上一個(gè)聚類的任務(wù)規(guī)劃后進(jìn)行的.首先將包含之前類中已經(jīng)觀測(cè)過的目標(biāo)點(diǎn)的元任務(wù)去除.

②然后對(duì)剩余的元任務(wù)進(jìn)行0-1編碼，生成的染色體對(duì)應(yīng)一個(gè)任務(wù)序列，每一個(gè)編碼對(duì)應(yīng)一個(gè)元任務(wù)，0代表該元任務(wù)不執(zhí)行，1代表執(zhí)行.隨機(jī)產(chǎn)生多條染色體，構(gòu)成初始種群，

③進(jìn)行任務(wù)規(guī)劃運(yùn)算，生成并存儲(chǔ)優(yōu)化后的任務(wù)序列，繼續(xù)處理下一個(gè)聚類.

4) 完成所有聚類的任務(wù)規(guī)劃后，將每個(gè)聚類的最優(yōu)任務(wù)序列按處理順序首尾相連，可以得到整個(gè)任務(wù)規(guī)劃的最優(yōu)序列.

2.2 遺傳禁忌混合算法

本文采用嵌入禁忌搜索的混合遺傳算法，核心思想是針對(duì)遺傳算法變異的無序性，使用禁忌搜索代替遺傳運(yùn)算中的變異算子，一般稱為禁忌搜索變異算子，記為TSM(tabu search mutation)算子.

基本流程如圖1所示，具體如下：

(1) 對(duì)染色體對(duì)應(yīng)的任務(wù)序列進(jìn)行沖突處理，根據(jù)1.2節(jié)計(jì)算其性能指標(biāo)(在優(yōu)化算法中稱為適配值).進(jìn)而計(jì)算種群中每一條染色體的適配值.

(2) 基于輪盤賭的選擇運(yùn)算

設(shè)種群大小為n，計(jì)算出個(gè)體i的適配值為Fi，輪盤賭具體過程如下：

1) 計(jì)算個(gè)體i被選中遺傳到下一代群體的概率為：

(14)

2) 計(jì)算個(gè)體i的累計(jì)概率：

(15)

3) 在[0,1]區(qū)間內(nèi)產(chǎn)生一個(gè)隨機(jī)數(shù)r，若r

(3) 交叉運(yùn)算

采用多點(diǎn)交叉的方式來跳出局部解.

1) 根據(jù)選擇出來的父代群體，按順序取出兩個(gè)父代進(jìn)行交叉.

2) 在[0,1]區(qū)間內(nèi)產(chǎn)生一個(gè)隨機(jī)數(shù)r，若r

(4) 使用TSM算子變異

1) 對(duì)于子代種群中的每一個(gè)染色體，在[0,1]區(qū)間內(nèi)產(chǎn)生一個(gè)隨機(jī)數(shù)r，若r

2) 將當(dāng)前染色體作為禁忌搜索算法的初始解.

3) 由該初始解產(chǎn)生候選解集，根據(jù)解的適配值和禁忌表情況選擇最優(yōu)解，并更新禁忌表.

4) 將最優(yōu)解作為初始解重復(fù)步驟(3)，直至完成迭代要求.依次產(chǎn)生新的種群.

(5) 以新的種群返回(1)，繼續(xù)進(jìn)行遺傳優(yōu)化運(yùn)算，直至得到該聚類對(duì)應(yīng)的最優(yōu)任務(wù)序列.

圖1 遺傳禁忌混合算法框圖Fig.1 Flow chart of genetic-tabu hybrid algorithm

3 仿真與分析

為驗(yàn)證第2節(jié)算法的效果，對(duì)優(yōu)化算法進(jìn)行仿真.仿真平臺(tái)為：Windows10操作系統(tǒng)下的Matlab2018b，計(jì)算機(jī)配置為Intel(R) Corei7-7700HQ@ CPU 2.8GHz處理器，16G內(nèi)存.

3.1 模型參數(shù)

設(shè)計(jì)星座有兩個(gè)軌道面，每個(gè)軌道面有4顆衛(wèi)星，采用太陽同步軌道.降交點(diǎn)地方時(shí)分別為10:30和13:30，仿真周期為86 400 s即一天.

種子衛(wèi)星軌道根數(shù)：

半長(zhǎng)軸a=(6 371+500)km

偏心率e=0

傾角i=97.4°

近地點(diǎn)幅角ω=0°

升交點(diǎn)赤經(jīng)Ω=160°

為充分利用星座的覆蓋能力，每個(gè)軌道內(nèi)相鄰的兩顆衛(wèi)星相位差為90°，相鄰軌道第一顆衛(wèi)星相位差為45°.每個(gè)軌道面內(nèi)有一顆衛(wèi)星為紅外相機(jī).星座對(duì)于赤道上的點(diǎn)的最大重訪周期約為2.95 h.

共選取目標(biāo)點(diǎn)50個(gè)，隨機(jī)分布在78°W～73°W、37°N～42°N之間，設(shè)置一個(gè)地面站，坐標(biāo)為95°W，65°N，目標(biāo)點(diǎn)和地面站分布如圖2所示.

圖2 目標(biāo)點(diǎn)和地面站分布示意圖Fig.2 Diagram of target points and groundstations distribution

3.2 優(yōu)化算法參數(shù)

對(duì)于遺傳算法，理論上種群規(guī)模越大、進(jìn)化代數(shù)越多，得到的優(yōu)化結(jié)果越接近最優(yōu)解，但是隨之帶來的運(yùn)算復(fù)雜度也會(huì)大大增加，根據(jù)經(jīng)驗(yàn)交叉概率應(yīng)在0.9附近選取，而變異概率不宜大于0.1.

對(duì)于禁忌搜索算法，候選集的大小和禁忌長(zhǎng)度都會(huì)對(duì)優(yōu)化結(jié)果產(chǎn)生較大影響，理論上候選集越大，在有限的迭代次數(shù)內(nèi)找到最優(yōu)解的機(jī)會(huì)就越大，但會(huì)增加運(yùn)算時(shí)間.禁忌長(zhǎng)度的選取同實(shí)際問題有緊密的聯(lián)系，同時(shí)它決定了計(jì)算的復(fù)雜性，過短會(huì)造成循環(huán)的出現(xiàn)，過長(zhǎng)又會(huì)導(dǎo)致收斂變慢.對(duì)于不同問題需要通過仿真驗(yàn)證選取合適的參數(shù).

對(duì)于遺傳禁忌混合算法，可以充分利用兩種優(yōu)化算法的互補(bǔ)性，在不影響最終優(yōu)化效果的前提下，調(diào)整參數(shù)使得運(yùn)算時(shí)間盡可能地減少.

經(jīng)過多次仿真驗(yàn)證，對(duì)于3.1節(jié)描述的任務(wù)規(guī)劃模型，采用以下參數(shù)可以得到相對(duì)滿意的結(jié)果.令m為聚類中元任務(wù)數(shù)量.

遺傳算法：種群大小為10m，交叉概率為0.9，變異概率為0.09.

3.3 仿真結(jié)果與分析

為了直觀比較分析三種優(yōu)化算法的優(yōu)化效果，選取一個(gè)聚類的優(yōu)化過程作具體展示：

此聚類包含40個(gè)元任務(wù)，40個(gè)目標(biāo)點(diǎn)，總權(quán)值為119，優(yōu)化效果如圖3所示.

圖3 單聚類優(yōu)化仿真示意圖Fig.3 Optimization result for a single cluster

可以看出，遺傳混合算法可以在在很短的代數(shù)內(nèi)達(dá)到遺傳算法多代迭代的優(yōu)化結(jié)果，禁忌搜索算法雖然收斂迅速，但優(yōu)化效果不如混合算法.

根據(jù)三種算法的具體優(yōu)化效果，在每個(gè)聚類的優(yōu)化中設(shè)置最少迭代次數(shù)n，迭代次數(shù)大于n后，若連續(xù)5代最優(yōu)解不變，便結(jié)束迭代.遺傳算法和禁忌算法至少迭代50次，遺傳禁忌混合算法至少迭代10次.

對(duì)于總體優(yōu)化任務(wù)，共有309個(gè)元任務(wù)，包含50個(gè)目標(biāo)點(diǎn)，總權(quán)重為154.每種優(yōu)化算法運(yùn)行30次，仿真結(jié)果如表1所示.其中載荷不匹配數(shù)量占比為一次任務(wù)規(guī)劃得到的任務(wù)序列中，紅外相機(jī)在陽照區(qū)觀測(cè)次數(shù)占觀測(cè)總次數(shù)的比例.

相對(duì)于遺傳算法，遺傳禁忌混合算法適配值標(biāo)準(zhǔn)差減少26.56%，優(yōu)化耗時(shí)減少37.41%，在不影響優(yōu)化效果的前提下，大大減少了優(yōu)化時(shí)間；相對(duì)于禁忌算法，遺傳禁忌混合算法適配值平均值提高8.49%，最差適配值提高13.99%，適配值標(biāo)準(zhǔn)差減少51.00%，載荷不匹配占比減少41.14%，混合算法克服了禁忌算法對(duì)初值依賴性強(qiáng)，優(yōu)化效果不穩(wěn)定的問題.

綜上，混合算法繼承了遺傳算法廣域搜索能力強(qiáng)和禁忌算法收斂速度快的特點(diǎn)，優(yōu)化時(shí)間短，優(yōu)化性能指標(biāo)高，載荷不匹配數(shù)量占比小，有效解決了多星多載荷任務(wù)協(xié)同分配問題.

表1 任務(wù)規(guī)劃仿真結(jié)果Tab.1 Simulation results of mission scheduling

4 結(jié) 論

本文采用了一種遺傳禁忌混合算法解決多星多載荷任務(wù)協(xié)同分配問題.針對(duì)傳統(tǒng)遺傳算法求解時(shí)間代價(jià)大、傳統(tǒng)禁忌算法對(duì)初始解依賴問題，將禁忌算法嵌入遺傳算法作為禁忌算法變異算子，打破種群個(gè)體間的局部相似性.仿真結(jié)果表明，該算法充分利用了兩種算法的互補(bǔ)性，優(yōu)化效果和收斂速度俱佳.