本书重点关注空天资源协同问题中的空天资源任务分配和空天资源任务规划两部分，并以无人机集群和成像卫星协同为背景进行了研究。其中，空天资源任务分配是指在考虑成像卫星资源和无人机资源不同转换约束条件下，对不同类型的对地观测任务进行分解和分配。空天资源任务规划则是对成像卫星资源和无人机资源的任务规划（包括路径规划）进行了分别的建模和求解。因此，本问题可以看作一类典型的双层优化问题。本书对这上述任务分配和任务规划问题进行了建模分析、算法设计和实验分析，所研究的问题可推广至性质相似的组合优化问题及无人机集群控制问题上。 本书适合航天工程实践、运筹学、管理科学与工程等相关领域的科研人员、工程技术人员阅读，也可作为高等院校相关专业高年级本科生、研究生及高校教师的参考用书。

第1章 绪论
1.1 研究背景及意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究现状
1.2.1 空天资源任务规划问题
1.2.2 天基资源任务规划问题
1.2.3 空基资源任务规划问题
1.2.4 智能优化方法
1.2.5 现状分析及总结
1.3 本书主要工作
1.3.1 研究路径设计
1.3.2 研究思路分析
1.3.3 主要创新点
1.4 本章小结
第2章 空天资源任务规划问题
2.1 问题描述
2.1.1 需求描述
2.1.2 问题界定
2.1.3 资源界定
2.1.4 协同方式界定
2.1.5 任务界定
2.2 求解框架
2.2.1 空天资源-任务匹配阶段
2.2.2 空天任务协同分配阶段
2.2.3 天基任务规划阶段
2.2.4 空基任务规划阶段
2.3 问题分析
2.3.1 空天资源-任务匹配问题
2.3.2 空天任务协同分配问题
2.3.3 天基资源任务规划问题
2.3.4 空基资源任务规划问题
2.4 本章小结
第3章 优化算法基本常识
3.1 深度Q网络简介
3.2 蚁群算法简介
3.3 模拟退火算法简介
3.4 本章小结
第4章 基于深度学习的资源-任务智能化匹配技术
4.1 基于作业车间调度的问题描述
4.1.1 空天资源-任务匹配问题的图模型
4.1.2 空天资源-任务匹配问题的向量表示
4.2 基于图神经网络的问题特征提取
4.2.1 空天资源-任务匹配问题的图神经网络模型
4.2.2 空天资源-任务匹配问题的图神经网络训练
4.3 基于双重深度Q网络的问题求解
4.3.1 双重深度Q网络基本定义
4.3.2 基于双重深度Q网络的空天资源-任务匹配问题求解
4.3.3 双重深度Q网络模型的训练
4.4 仿真实验及分析
4.4.1 仿真实验设计
4.4.2 算法效能分析
4.4.3 计算时间代价分析
4.4.4 训练时间代价分析
4.4.5 大规模问题泛化性实验
4.5 本章小结
第5章 面向空天资源的任务智能化分配技术
5.1 问题建模
5.2 求解方法
5.2.1 算法框架
5.2.2 改进蚁群算法
5.2.3 多目标模拟退火算法
5.2.4 邻域搜索算子设计
5.3 仿真实验及分析
5.3.1 仿真实验设计
5.3.2 算法基本表现分析
5.3.3 算法超体积表现分析
5.4 本章小结
第6章 基于蚁群优化的天基资源任务智能规划技术
6.1 问题建模
6.2 求解方法
6.2.1 算法框架
6.2.2 多蚁群算法
6.2.3 邻域搜索算子设计
6.3 仿真实验及分析
6.3.1 仿真实验设计
6.3.2 MAS-LS算法参数调优实验结果
6.3.3 蚁群算法求解效能对比实验
6.3.4 客户选择规则测试
6.3.5 对比实验结果分析
6.4 本章小结
第7章 基于演化计算的空基资源任务智能规划技术
7.1 空基资源任务规划模型
7.1.1 基本假设
7.1.2 无人机速度更新模型
7.1.3 速度更新规则系统
7.2 基于演化计算的无人机集群控制模型优化方法
7.2.1 编码操作
7.2.2 交叉操作
7.2.3 变异操作
7.2.4 环境选择
7.2.5 种群多样性控制
7.2.6 评价指标
7.3 仿真实验及分析
7.3.1 实验设计
7.3.2 算法性能试验分析
7.3.3 控制模型性能试验分析
7.3.4 路径规划结果
7.4 本章小结
第8章 总结与展望
8.1 研究工作总结
8.2 未来工作展望
参考文献
附录A 算法代码及实验结果
A.1 双重深度Q学习网络的训练
A.2 MOSA-ACO算法表现分析
A.2.1 算法基本表现分析汇总
A.2.2 算法超体积分析表现分析汇总
A.3 天基资源任务规划问题仿真实验结果
A.4 无人机集群控制模型和路径规划结果
A.4.1 控制模型性能试验分析结果
A.4.2 路径规划详细结果
附录B 缩写词列表