摘要：本文针对低轨卫星信道资源调度问题,提出了一种基于遗传算法的预调度方法,以提升资源利用率。通过改进遗传算法的编码方式、适应度函数和遗传操作,实现对任务序列的优化调度。仿真结果表明,该算法相较于传统的先入先出（FIFO）调度算法,在资源利用率上显著提升,有效减少了资源浪费,提高了卫星通信系统的效率。

　　关键词：遗传算法；低轨卫星；资源调度；资源利用率

　　0引言

　　卫星通信系统中,终端间通过卫星中继完成信息传递,只要终端在卫星波束覆盖范围内,即可实现点对点的通信任务。此种方式具有覆盖范围大、可靠性高、不易受陆地灾害影响等特点,在军用和民用领域逐渐得到广泛的关注和应用,是近年来工业界和学术界研究热点之一[1,2]。由于其造价成本比较昂贵,中继节点的数量远不及地面系统,因此,卫星通信可用资源弥足珍贵。此外,受星上载荷限制,同一时间内的信道资源有限,在信道资源分配时,不合理的任务调度、安排极易造成资源的浪费,进而影响到通信业务的正常执行。本文通过改进、适配遗传算法,实现资源预调度场景下卫星信道资源利用的有效提升。

　　1卫星资源调度方法

　　在卫星通信应用中,很多互联网应用采用基于QoS的动态调度资源分配方法。不过,基于预先设置任务的资源调度方法仍然在诸如低轨卫星中继等周期服务的任务中大量使用。该方法根据请求任务的执行时间和带宽需求,在一段时间范围内,尽可能地满足不同任务的子资源请求,将有限的信道资源合理划分给用户使用。该资源的统一调度过程可以从带宽资源和时间资源两个维度描述。

　　此类任务通常基于先入先出算法进行调度或进行简单的人工调度。若调度周期内资源不足,本周期未执行完的任务量将延续到下一个调度周期继续执行。使用现有的资源调度方式,当调度周期内信道资源充足时,卫星所提供的服务的时间过长,存在资源浪费；当调度周期内资源不足时,信道资源分配时会出现资源分配中断现象,进而影响卫星链路通信的完整性。本文所提任务调度方法,其目标是在一定的带宽和时间限制下,通过算法优化尽可能提高卫星资源的利用率。

　　2基于遗传算法的卫星资源调度

　　遗传算法是一种借鉴生物界的进化规律演化而来的随机化搜索方法,由美国J.Holland教授的团队提出[3]。该算法采用概率化的寻优方法,自动获取和知道优化的搜索空间,利用群体搜索技术,通过对当前群体施加选择、交叉、变异等一系列遗传操作,自适应地调整,逐步使全体进化到包含或接近最优解的状态。目前已被广泛应用于组合优化、机器学习、信号处理、自适应控制等领域[4,5]。

　　在卫星资源分配过程中,利用遗传算法进行任务调度优化,其主要遗传计算包含四种计算操作,分别为适应度计算（Fitness）、选择操作（Selection）、交叉操作（Crossover）和变异操作（Mutation）。本小节根据遗传算法的基本特性,进一步对其在卫星信道资源分配中的应用进行分析。

　　利用遗传算法进行问题求解时,首先需根据问题本身进行个体编码,常用的编码方式包括实数编码和二进制编码[6]。本文采用实数编码,将发起申请的任务序列作为种群中的个体,将序列中的任务进行编号,作为个体中的可操作基因编码。目标是通过算法的多次迭代,从子代种群中获得最优的任务序列。

　　在遗传算法中,使用适应度来评估个体优劣,其目标函数为一次任务队列中的所有任务所分配的资源在总时间段内的资源利用率最大,在卫星资源调度仿真实验中,适应度计算函数定义如式（1）所示：

　　式中,m表示任务队列中的任务数量；wi表示第i个任务所占带宽；ti表示第i个任务的执行时间长度；W表示资源最大可用带宽；T表示所有任务分配后的最大执行时间长度（优化后结束时间）,如图1所示。

　　遗传操作主要包括选择、交叉和变异。选择操作是指在每一个批次的计算迭代过程中,需要根据适应度函数得分情况选取蜂王和新的种群个体,在算法实践过程中,选组最优任务队列为蜂王,得分前30%的任务队列作为迭代过程中的新的种群。在交叉操作过程中,将作为蜂王的任务队列与种群中的所有个体进行比较,保留相同的基因序列,对于不同的基因序列,随机选取蜂王或者个体的基因进行保留。在变异操作阶段,本文通过随机替换任务队列中元素的位置实现变异操作。具体地,在每次迭代过程中,随机选取种群中30%的个体参与变异操作,每个个体队列中选取20%的任务参与变异操作,由此迭代出新的个体群体。

　　卫星通信为全双工通信,在资源的需求上,卫星的上行信道资源和下行信道资源需要同时满足才能实现终端通信。为实现利用遗传算法提升卫星信道资源的利用率,在上述算法实施的基础上,增加了前返向统一调度约束,即当接收到用户任务列表时,需同时满足任务列表中任务的上行需求和下行需求,若当前空闲资源无法满足任务需求,则等待现有的任务执行完成后再为新任务分配带宽资源,直到任务列表中的任务全部完成。同时,在任务需求上,上下行信道资源的客观要求可能存在差异,有些优先考虑上行信道资源,有些优先考虑下行信道资源,因此本文在引入前返向资源约束后,每次迭代时的适应度计算公式如式（2）所示：

　　Fit=αFitup+(1-α)Fitdown（2）

　　式中,Fitup为上行资源适应度计算；Fitdown为下行资源适应度计算；α∈[0,1]为上下行适应度适配系数,当该系数大于0.5时,算法择优倾向于上行信道资源,反之倾向于下行信道资源。

　　3仿真验证

　　为验证所提的基于遗传算法的卫星资源调度模型的性能,本文在仿真实验时将卫星资源可用带宽设置为100,随机产生一定数量的通信任务,分别按照先入先出卫星资源调度算法和卫星资源调度遗传算法进行仿真,分别计算卫星资源利用率。在仿真的过程中,种群个体数量设置为100,种群中个体择优率为30%,即选取最优的30%个体为下一代种群的基本个体；在算法的变异处理过程中,设置了种群的个体变异率和个体的基因变异率,分别为20%和30%,即在新一代种群中有20%的个体进行变异处理,在这些参与变异个体中,

　　每个个体中的30%基因参与变异处理；在资源任务的数量上,本文模拟了任务数量为5、10、15、…、65、70情况下采用先入先出算法和遗传算法进行资源调度,并对卫星资源的利用率情况进行统计。

　　为了评估本文所提方法在卫星任务调度过程中的性能表现,本文以资源利用率为标准进行评估,其评估计算公式如式（3）所示：

　　从图2可以看出,基于遗传算法的资源调度在各种规模任务中的性能表现均优于传统的先入先出调度算法,其资源综合平均利用率相对于传统方法提升20.405%,有效减少了任务资源间隙引起的资源浪费,提高了卫星资源利用率。

　　4结语

　　随着卫星通信网络的迅速发展,星地一体化通信网络体系逐步推进,如何更高效地对卫星资源进行合理分配成为当下的研究热点之一。本文针对预先资源规划场景下的卫星通信过程中资源利用率的问题,分析了采用遗传算法解决此类问题的可行性,根据具体问题对遗传算法进行改进,并对改进后的算法进行仿真验证,证明了其解决此类问题的优越性。在人工智能技术飞速发展的当下,本文利用遗传算法提升了卫星通信过程中的信道资源利用率,希望可以为此类问题的研究提供新的思路和研究方向。

　参考文献

　　[1]廖新悦,张然,黄正璇,等.空间卫星网络组网与管控技术综述[J].天地一体化信息网络,2023,4(3):48-58.

　　[2]王龙河,周一青,曹欢,等.卫星互联网资源管控技术研究[J].中国工程科学,2023,25(6):27-38.

　　[3]冯智莉,易国洪,李普山,等.并行化遗传算法研究综述[J].计算机应用与软件,2018,35(11):1-7+80.

　　[4]王燕,程子敬,金亮,等.深空通信中LTP协议选窗概率优化[J].中国空间科学技术,2023,43(3):55-62.

　　[5]陈刘伟,梁俊,朱巍.一种基于自适应遗传算法的星地协作系统中继选择策略[J].空军工程大学学报(自然科学版),2016,17(1):41-45.

　　[6]王雨芹.遗传算法在辐射防护中的应用[J].电子技术与软件工程,2022(14):143-146.