前  言

低轨电磁探测卫星通过星载接收机对各类信号源进行探测以获取电磁信号数据。因其具有覆盖范围大、全天候工作、可全球范围执行任务等特点，在地震监测与预报、反海盗护航、海上搜救等军民领域有着广泛的应用。随着用户探测需求的高速增长，在轨运行卫星数量也与日俱增。如今，不仅要面对日益复杂的电磁环境挑战，还要面对不断增大的卫星管控压力。采用以低轨电磁探测卫星为主，其他类型卫星与之配合的工作模式，既能发挥不同类型载荷各自优势，有效降低环境因素影响，提升探测精度，又能相互补充共同完成复杂的探测任务。

针对静止目标、低速移动目标、高速移动目标的协同探测任务需求，本书以低轨电磁探测卫星和其他类型探测卫星为探测手段，从满足用户协同探测需求出发，对低轨电磁探测卫星协同任务规划模型和算法展开深入研究，建立了任务规划基础模型和算法框架，基于对具体问题场景的难点与特点的分析构建了相应的规划模型，设计了相应的学习型进化算法。本书主要研究内容和贡献如下：

（1） 构建了低轨电磁探测卫星协同任务规划基础模型，建立了学习型进化算法框架。首先，在对卫星探测过程、协同探测需求、协同规划问题难点与特点、业务处理流程进行了梳理和分析的基础上，采用基础模型与具体问题场景模型扩展的设计思路，挖掘各类问题场景下协同探测任务规划问题的共性特征，提出了协同探测任务规划基础模型。模型采用混合整数规划模型形式，提出了利用一种探测收益统一化描述方法表示任务探测收益，根据卫星能力和任务执行要求对约束条件进行详细描述，并推导出上界条件有效缩减搜索范围。然后，参考任务规划模型的构建思路，结合深度强化学习方法智能决策和进化算法种群搜索的优势，建立了学习型进化算法框架，充分利用搜索获得的信息提升算法搜索表现。该任务规划基础模型和算法框架是针对各类目标协同探测任务规划问题建模与求解的基础，为构建相应的任务规划模型，设计学习型进化算法提供了理论依据。

（2） 构建了静止目标协同探测任务规划模型，提出了一种基于算子自适应选择的进化算法。首先，基于任务规划基础模型并考虑目标重复探测需求，构建了静止目标协同探测任务规划模型，设计了包含基本与额外收益的目标函数，补充了目标探测次数限制的约束条件。然后，采用深度强化学习方法指导进化算法进行算子选择的思路，提出了一种基于算子自适应选择的进化算法（adaptive operators selection based evolutionary algorithm，AOSEA）。AOSEA使用深度Q网络（deep Q network，DQN）模型决策每次种群搜索时所进行的交叉操作，并依据获取的搜索信息动态调整搜索策略。AOSEA中还加入了个体淘汰机制，提升算法搜索效率。最后，为了完成个体解码获得任务执行方案，提出了一种能够确定执行时间的探测任务时间窗选择方法。大量仿真实验的结果表明，AOSEA算法在搜索表现、目标探测成功率等多个方面优于对比算法，可以得到更高质量的静止目标探测方案。

（3） 构建了低速移动目标协同探测任务规划模型，提出了一种混合型学习进化算法。首先，考虑低速移动目标运动特点并基于任务规划基础模型提出了低速移动目标协同探测任务规划模型，设计了最大化协同探测收益的目标函数，补充了任务之间接续关系的约束条件。然后，提出了一种混合型学习进化算法（hybrid learning based evolutionary algorithm，HLEA），使用深度强化学习方法生成种群搜索和邻域搜索的解，通过对抗深度Q网络（dueling deep Q network，DDQN）模型逐步决策构成染色体与邻域结构的探测任务。算法中使用了基于聚类的交叉和变异方法，将任务集合根据特征分为多个簇，在簇的基础上进行相应的个体进化操作。最后，设计了不同任务规模的仿真实验场景，验证了HLEA的有效性，并分析了算法参数配置、改进策略对算法搜索表现的影响。

（4） 构建了高速移动目标协同探测任务规划模型，提出了一种基于参数自适应学习的进化算法。首先，通过高速移动目标协同探测任务规划模型对任务规划基础模型进行扩展，设计了考虑误差影响的目标函数，补充了任务探测间隔时间要求的约束条件。然后，提出了一种基于参数自适应学习的进化算法（parameter adaptive learning based evolutionary algorithm，PALEA），使用深度强化学习方法动态调节种群进化的控制参数，采用门控循环单元（gate recurrent unit，GRU）模型根据搜索表现调整搜索策略。算法中还使用了启发式初始化方法、自适应交叉机制和精英个体保留策略加速算法收敛。最后，设计了包含不同目标数量的探测场景检验算法求解效果，通过算法规划结果对比可以看出，PALEA不仅可以获得高的探测收益，还可以明显缩短探测间隔时间达到提升探测精度的效果。

本书凝结了研究团队在电磁探测卫星协同任务规划领域多年以来的学术积累和主要研究成果。感谢西安电子科技大学邢立宁教授、国防科技大学陈英武教授的悉心指导及对本书内容的把关，感谢宋彦杰博士在问题与方法创新方面所做的积极探索，感谢课题组各位老师、同学的大力支持，感谢清华大学出版社陈凯仁编辑为本书出版的辛勤付出。另外，本书的研究内容还得到了国家自然科学基金青年科学基金项目（项目编号：72201272）和广西高校并行分布与智能计算实验室开放课题（IDSOP2305）的资助。在此，由衷地感谢对本书给予支持与帮助的专家学者！虽然作者已尽全力提高内容质量，但由于水平有限，书中难免存在错误和值得改进之处，恳请各位读者提出宝贵意见，不胜感激！

作者

2024年6月