Ученые изучили распределенные спутниковые группировки

С развитием спутниковых сетей, интегрированных сетей между воздушным пространством и землей, а также Интернета вещей, будущие гигантские созвездия, высокоточные наблюдения Земли, пилотируемые космические корабли, космические станции и другие космические информационные системы выдвинули новую идею. Все более актуальным становится спрос на спутниковые сети большой емкости и передачу информации. Распределенная космическая группировка (DSC) преодолевает ограничения ресурсов и технические узкие места отдельных спутниковых платформ за счет использования нескольких разнородных спутников на одной орбите для взаимодействия с распределенной полезной нагрузкой для реализации высокоскоростных сетей большой емкости, а также передачи и обмена информацией в космосе. и обеспечить эффективное решение вышеуказанных потребностей.

Высокоскоростные изменения в относительных положениях нескольких спутников на одной и той же орбите и ограничения визуального состояния спутниковых оптических фазированных антенн приводят к тому, что топология ЦИВ меняется во времени и периодически прерывает связь. В этих двух случаях необходимо решить задачи быстрой реконструкции топологии и непрерывных динамических сетей. В ответ на эти проблемы. В исследовательской работе, недавно опубликованной в Космос: наука и технологииИсследователи из Школы системных наук и инженерии Университета Сунь Ятсена и Института системной инженерии AMS совместно разработали модель многокритериальной оптимизации для лазерных сетей ДСК и предложили двухслойную лазерную сеть ДСК на основе марковской модели. структура алгоритма DRL. Этот алгоритм обеспечивает быструю реконструкцию топологии и непрерывные динамические сети в условиях меняющейся во времени динамической топологии и прерывистого обрыва канала DSC, увеличивает связность сети и продолжительность сети, а также уменьшает помехи в матрице связности сети.

Сначала авторы представляют модель системы и описание проблемы. Предполагается, что DSC состоит из N спутниковых узлов GEO. Каждый спутник DSC оснащен двумя парами многолучевых оптических антенн, расположенных на северной и южной сторонах спутника соответственно. Когда k-антенна спутника i и l-антенна спутника j взаимно видимы и удовлетворяют ограничению частоты ошибок по битам, считается, что между ними имеется доступная линия связи. Анализируя все сателлитные узлы, можно получить доступные соединения для всего DSC, что называется матрицей. к_{чернила} С элементами 0 или 1. В зависимости от массива к_{чернила}матрица связей а_{Северная территория} Вы можете получить антенны, установленные на каждом спутнике, в дополнение к матрице связи. Т_с DSC можно получить в полном объеме. В процессе построения сети DSC, целью которого является сетевое соединение, продолжительность сети и возмущение матрицы сетевой связности, создается многокритериальная модель оптимизации для восстановления топологии сети и непрерывных сетей. Вычислительная сложность этой задачи многокритериальной оптимизации составляет Привет(2^{нСубботанмуравей}). Это задача смешанного целочисленного программирования, типичная NP-трудная задача.

Далее авторы предлагают для решения проблемы алгоритм глубокого обучения с подкреплением DLM-DRL, основанный на двухслойной марковской модели принятия решений. Процесс оптимизации постоянно отслеживает рабочее состояние ЦИВ для получения данных о положении каждого спутника и состоянии лазерных линий связи; Рассчитать ссылки, доступные для всего ДСК; Проверьте, подключена ли сеть DSC; Если да, система продолжит отслеживать рабочее состояние DSC; В противном случае будет вызван алгоритм DLM-DRL для восстановления лазерных связей между спутниками, и сеть DSC будет перестроена в соответствии с результатом работы алгоритма. В алгоритме DLM-DRL события изменения структуры сети DSC моделируются как узлы принятия решений, а общий процесс оптимизации структуры для нескольких событий изменения структуры моделируется как марковский процесс принятия решений; Решение по оптимизации для каждого события топологического изменения состоит из серии процедур выбора лазерного линкера, которые также могут быть описаны марковским процессом принятия решений. Поэтому для процесса оптимизации топологии DSC была построена двухслойная марковская модель принятия решений с внутренними и внешними марковскими процессами принятия решений, как показано на рис. 3. Внутренний уровень представляет собой процесс выбора лазерных соединений, доступных в DSC, где каждое состояние представляет a Будет ли подключена лазерная линия связи или нет; Внешний уровень представляет собой различные события изменения топологии сети в DSC, каждое событие принимает результат марковского процесса принятия решений внутреннего уровня как свой собственный и оптимизирует его. На основе двухуровневой модели марковского процесса предлагается глубокая иерархическая архитектура обучения с подкреплением, как показано на рисунке 4.

Наконец, авторы моделируют DLM-DRL в типичном сценарии применения DSC и суммируют результаты моделирования. Моделирование в основном разделено на две части: одна заключается в создании космической среды для моделирования процесса работы DSC с помощью программного обеспечения STK11.2, а другая — в обучении и проверке алгоритма DLM-DRL в среде. Результаты показывают, что с точки зрения сходимости алгоритма предлагаемый алгоритм DLM-DRL может завершить сходимость за относительно короткое время, а скорость сходимости высокая. Что касается результатов оптимизации, алгоритм может быстро и эффективно завершить реконструкцию топологии сети и гарантировать, что сети DSC полностью связаны с меняющейся во времени динамической топологией и периодическими перебоями в соединении на протяжении всего цикла моделирования. Между тем, устанавливая различные цели задачи оптимизации, алгоритм DLM-DRL может предоставлять результаты оптимизации с разными целями, такими как более высокая связность, меньшее количество изменений топологии или более длительное время обслуживания топологии, чтобы удовлетворить требования различных распределенных группировок сетей.

Кроме того, сравнение алгоритма DLM-DRL с алгоритмами NSGA-II и PSO показывает, что, сохраняя те же результаты оптимизации, что и алгоритмы NSGA-II и PSO, алгоритм DLM-DRL позволяет значительно сократить время оптимизации топологии сети и адаптироваться к требованиям. Быстрая реконструкция топологии и непрерывные динамические сети для DSC.

Отказ от ответственности: AAAS и EurekAlert! Мы не несем ответственности за достоверность информационных бюллетеней, публикуемых на EurekAlert! Через участвующие учреждения или использовать любую информацию через систему EurekAlert.