基于改进遗传算法的多类测控资源调度方法

薛乃阳,丁 丹,王红敏,刘步花

(1.航天工程大学电子与光学工程系,北京 101416;2.航天工程大学研究生院,北京 101416)

0 引 言

卫星测控资源调度(satellite telemetry,track and command resource scheduling,STRS)需要协调多种测控资源,多类任务并且还要考虑多种约束的组合优化问题[1]。由于其需要应用于问题实际,STRS具有领域知识繁多,可行解数量庞大的特点,这给该问题的分析与解决带来很大的困难[2]。多类测控资源主要是指国家测控网和商业测控网等不同类别的测控资源。国家测控资源主要由政府和军队的测控网构成,商业测控资源由商业航天公司等民间资本投资建设的测控网络组成。现阶段国内外的研究主要集中在单个测控网内测控资源调度,对多类测控网联合调度的研究较少。国外的研究主要围绕美国空军卫星测控网[3-4]、欧空局地面测控站网络[5-6]的背景展开。例如,文献[7-8]采用遗传算法对问题进行了研究;文献[9]在总结测控资源调度问题复杂性的基础上,提出了基于启发式和元启发式方法的解决方案;文献[10]利用禁忌搜索算法来提高算法效率;此外,还有学者对测控资源多目标优化方法[11]、资源解冲突方法[2,12]进行了研究。国内的研究也主要立足于国家测控基础设施,通过系统分析多星多站问题中的各种约束和调度目标,建立测控资源一体化调度问题模型[13],以成功被调度的任务数量、被调度任务满足测控需求的优先级等作为目标函数采用启发算法,遗传算法、拉格朗日松弛算法等以及改进的相关算法[14]进行求解,明显提高了国有测控网测控资源调度的效率和质量。

从当前国内外的发展现状来看,国有和商用航天测控等多元化测控模式并存协调发展是大势所趋[15]。商业航天是指运用商业、市场规模发展、运营航天项目,并遵循市场规律开展的航天活动[16-17]。现阶段采用的是国有和商用分开的测控管理体制。但是,随着星座网络的快速发展[18]与卫星应用领域的扩大[19-20],入轨的航天器数量急剧增长,使有限的测控资源面临越来越严重的资源冲突和争用的情况。如果将隶属于多类测控资源的测控网进行联合调度,可以有效提高测控资源的利用效率,缓解资源冲突。但是,由于这两类测控管理体制的不同,在测控任务调度时需要考虑的约束上也有一定的差异。如何在尽可能保障原来需要国有航天测控资源执行的任务高效可靠执行的同时,也兼顾到商用测控追求的高效率与低成本等多类测控资源调度约束上的差异性,实现两种资源的联合优化调度,是一个亟待解决并且很有意义的问题。

本文在借鉴单个测控网下测控资源优化调度成果的基础上,研究了多类测控资源联合优化调度问题。现阶段对多个测控网的测控站网资源任务分配调度还处在互相分离的阶段,测控网利用效率较低,本文对多类测控资源的联合调度进行了研究。首先，对不同管理体制下影响测控资源任务分配调度的因素进行分析。其次，建立了多类测控资源分配调度模型,把总调度时间内获得最高的任务调度总优先级作为适应度函数,对遗传算法进行改进,使之适应多类测控资源联合调度的求解需求。最后，采用此算法对测控调度问题进行了优化求解；并且通过仿真实例,对比引入联合调度方法前后的求解质量,证明了提出算法的有效性和现实意义。

1 多类测控资源的不同特点

国有和商业测控网由于各自建立的背景和主要服务对象的不同,在运行管理等方面存在一定的差异。国有测控网是航天测控网的重要基础设施,随着重大航天工程不断进步,已发展成为天地空一体化协调发展、系统高效可靠运行、可按需提供各种天地测控能力的大测控系统。而商业航天测控随着国家政策的放开刚起步不久,正处在发展壮大的阶段。商业测控公司在给客户提供可靠的测控服务的同时,也要考虑其服务的成本和效益,从而提高公司的市场竞争力。因此,准确分析两种测控管理体制的特点是建立合理模型的基础。

1.1 测控网络架构不同

据了解[21],国有测控网的架构是基于S/C模式的服务器/客户端模式架构,这是传统的航天测控网架构。即在功能上,将分布于各地的测控站和控制中心分别比作客户端、服务器,进行数据交换,而各个节点之间采用专线相连接。商业测控公司为了更好的适应市场需求,没有采用封闭的服务器架构,而是采用了开放的软件即服务(software-as-a-service,SaaS)架构。即一体化测控技术,把整体架构构建在云服务之上。测控站通过通用的电信网络运营商的交换机和服务器,连接到测控云,云数据库将所有数据进行集中处理和分发。同时,测控大厅里显示的测控软件也是运行在云服务之上,这样卫星任务中心就能够支持对外联网,客户用笔记本电脑等移动设备通过公用网络连接到云服务器上,在任何时间和地点都能够看到商业卫星的健康状态,实现了卫星测控中心任务的透明化。由于采用SaaS架构,具有良好的可扩展性,便于实现自动化测控,运营成本低,给多类测控资源的联合调度创造了便利的条件;但是需要借助互联网实现互联,网络节点多,与专线连接的传统测控网相比,响应时间较长,安全性较低。

1.2 建立测站的位置范围和方式不同

国有测控站主要依靠自建,由国境内的固定站、机动站、远望号测量船和测控中心4部分组成。大部分测站集中在国境内,覆盖圈次和范围有限,虽然有远望号测量船可以作为海外机动站,但成本和费用较高。而商业测控网建站位置范围和建站方式可以有更多更灵活的选择,既可以在境内自行建站,也可以在境外自建或者开展国际合作租站。以开展商业航天测控业务的天链公司为例,该公司在帕劳共和国境内建立了南太站,弥补了测控网在南太区域无固定测控资源的空白,同时还在欧洲,南美洲和大洋洲以及东南亚地区通过合作和自建,拥有了10余个测控站,已经能够提供全球性的卫星测控服务。

1.3 任务调度规划优先级不同

两种测控管理体制对航天器的测控任务规划调度优先级不同。比如,国家测控任务对时效性和可靠性要求较高,应当优先选择符合条件的国有测站执行,如果相应的国有测站出现任务冲突或没有可见弧段,则可以考虑使用商业测站来执行测控任务。而在商业测控公司看来,国有卫星的测控请求作为一个客户需求,也需要在日常的商业测控任务列表中按一定的优先级规则进行规划调度。但由于其市场化的特点,在场景总测控调度时间段内可能有一段时间需要优先满足某些重要客户的测控请求,在此时间段内商业测控网只执行重要客户的测控任务。因此,多类测控资源可能对同一个测控任务定义的调度优先级不同,需要在所建立模型的约束条件和改进遗传算法的适应度函数中有所体现。

1.4 上行频段范围不同

国有和商业测站在使用的上行频段范围有一定差异。S频段上行权限由国家掌握并控制,主要用于国防或政府主导的航天器测控。而商业测控公司只有权限发送X频段的上行指令,所以商业测控公司所属测站不能在无政府授权的情况下向卫星发射S频段上行信号[17]。

上述国有和商业测控资源的测控特点表明,在进行多类测控资源联合调度时,需要根据用户卫星和测控资源的属性不同,建立适当的调度收益函数,体现不同的调度优先级。而某类特殊的S频段上行测控任务,则需要在国有测站的可见弧段的时间内完成指令上注。因此,以实际测控作业规程为依据的多类测控资源联合调度也必然要体现上述测控约束。

2 多类测控资源联合调度模型

多类测控资源联合调度问题建模的关键是寻找出影响国有和商业测控网实际能力的因素并使用约束条件进行有效描述。本文将两种管理体制下的测控资源按照国有和商用属性分类,在分析多类测控资源特点的基础上,根据对象的具体属性来添加国有和商业测控资源的约束条件,接着进行规范化的描述和科学的抽象。为了研究问题的方便,假设国有和商业测控站只考虑陆基固定站,且都为全功能站,不考虑移动测站。

2.1 变量及符号定义

为了精确描述模型建立的过程和约束条件,首先对模型中涉及到的关键点进行符号定义。

(2)测控资源集合R={R1,R2,…,Rg,…,Rr}。其中,国有测控站数量为g,其余为商用测控站。∀Rk∈R可以表示为Rk=(RTk,RFk)。其中,RTk为测控资源属性种类,有RTk∈{1,2}={国有测控站,商用测控站};RFk是测控频段,与用户卫星测控频段对应。

(4)设用户卫星Si提出的任务集合为Reqi={ReSi,SAi,RJk,RAk}。测控任务类型定义为ReSi∈{0,1}={非S频段上行任务，S频段上行任务};Si与所有测控资源形成的过境窗口弧段集合为SAi；测控资源Rk所有可以提供测控服务的任务集合为RJk,Rk与所有用户卫星的可用测控弧段集合为RAk。

(5)测控任务集J={J1,J2,…,Jm},∀Ji∈J,Ji={JNui,JSi,JAi,JCi,JYi,JSai,JFi,JFei}。其中,JNui为任务标识;JSi为提出任务请求的卫星;JAi为可执行该任务的测控弧段集合;JCi表示该任务测控需求中的测控站最短设备切换时间;JYi∈{0,1}={常规任务,应急测控任务};JSai={1,2}={一级安全性,二级安全性},表示此测控任务要求的安全性等级,规定一级安全性只能有国有测控网执行测控任务,二级安全性对执行任务的测控网没有特殊要求;JFi={1,2}={国有测控网,商业测控网},为资源特点约束,表明由于测控能力或者测控成本等约束条件的限制,只能由相应属性的测控网完成此测控任务。JFei主要与商业卫星测控任务有关,为卫星用户所能接受的最高测控费用。

定义 1测控任务综合优先级。综合考虑不同管理体制下的测控资源对用户卫星属性、时间窗口的偏好程度和用户卫星优先级,定义卫星i在测控弧段Al下的测控任务综合属性优先级JPk(测控调度收益):

JPk=SPi+APrl(Jk∈Reqi,Al∈JAi)

(1)

2.2 约束条件

根据任务需求及多类测控资源联合调度的特点,借鉴国有测控资源的约束描述方式[1,13],将所有约束分为多类测控资源的特有约束和测控问题的一般约束。多类测控资源联合调度过程的主要约束条件如下。

(1)多类测控资源联合调度的特有约束

(2)

(3)

成本约束,在其他条件相同的情况下,满足同一个测控任务需求,商业测控网的成本要小于国有测控网的成本。假设商业测控网进行一次测控任务的成本是price1,而国有测控网的成本为price2,则price1

C2={∀Jk∈J,RTk=2，price1

(4)

安全性约束,由于国有测控网采用专线互联的封闭架构,节点少,网络简单,并且设备专用性较强,可以尽最大可能的保障测控任务的安全性。而某些对安全性要求极高的国家级测控任务,即(JSak<2)时,只能由国有测控资源执行测控任务,精确表述如下所示：

C3={∃Jk∈J,JSak<2:JFk=1}

(5)

站点空间分布约束,在测控资源调度方面,由于商业测站可以全球布网,部署方便快捷,所以商业测控站的可用圈次数量更多。根据变量定义,国有测控站的编号为R1～Rg,商业测控站的编号为Rg+1～Rr。不同测控资源的可用弧段数量关系需要遵循约束：

(6)

测控能力约束,对于某些国有卫星某圈次需要发送S频段上行信号的任务来说,在规定的测控时间窗口中只能使用国有测控资源来完成。

C5={∀Jm∈J,∃Al∈JAi,SFk=1，Reqi=1,JFk=1}

(7)

测控资源服务偏好约束,由于每套测控网主要的服务对象不一样,则归属于不同测控网的测控资源服务偏好不同。在不同类型的测控网下,对同一个卫星的测控任务需求,测控收益值主要由定义的优先级决定,优先级的定义要遵循：C6={∀Ak∈A，RTk=STk时,其优先级为APrk;RTk≠STk时,优先级为

APrl;APrk>APrl}

(8)

(2)测控资源调度的一般约束

时间窗有效性约束,所有测控任务只能在卫星和测控站存在可见时间窗口内的条件下进行。假设,要在测控弧段Ai所包含的时间窗口内执行测控任务JAk,则需满足约束条件:

(9)

在同一测控资源执行完一个测控任务后,执行下一个测控任务之前,需要设置一定的设备复位与准备时间,即测控站前后相邻任务之间的转换时间:

(10)

测控能力约束,对用户卫星需要执行的测控任务与测控资源的频段相匹配才能建立测控任务的通信链路:

C9={∀Ai∈A,Ai∈SAk,Ai∈RAl,SFk∈RFl}

(11)

测控设备独占性约束,对于同一个测控设备,在同一时刻只能为一颗卫星提供测控服务。

(12)

卫星任务独占性约束,同一颗用户卫星不能有两个及两个以上的任务同时测控。

(13)

测控任务执行次数约束,每个测控任务最多只能被完成一次,不能再被后续任务调度。

(14)

测控窗口可用性约束,每个测控任务的执行时间必须不短于测控最短支持时间,最长也不能超过最长测控支持时间。

(15)

2.3 测控调度方案评价指标

在多类测控资源联合调度问题中,由于测控资源的有限性,在测控任务过多时可能不可避免的存在任务冲突,所以对综合收益值的计算方法进行了改进。在同一个测控站中,如果调度计划中的任务与上一个任务时间冲突(即约束C8和C10),则此任务的收益值取负号加入总收益函数,并在生成最终方案时将此任务删去,这样就可以用算法的寻优特性来尽量减少冲突造成的损失。测控调度计划的优劣程度采用改进后的综合收益值进行评价,设调度方案中有n个测控弧段与测站的前面的任务存在冲突,目标函数如下:

(16)

3 改进遗传算法的求解策略

根据建立的模型,多类测控资源调度的直接对象是测控可用弧段。遗传算法是模仿生命进化发展而来的一类算法,具有通用性强、不依赖于问题背景、寻优能力强、适合大规模问题等特点[13],不仅在类似问题中取得了较好的求解效果[22-24],而且还有许多学者用遗传算法与其他优化方法结合生成新算法[25-30]。因此,通过遗传算法能够较好的解决联合调度的寻优问题。算法主要分为可见弧段预处理、染色体基因编码、遗传组件设计和将测控任务弧段序列号依次分配给用户卫星需求4部分。可以在遵循两种测控管理体制资源各自特点和运行规律下发挥多类测控资源的整合优势,从而实现寻找调度收益最高方案的目标。其中，可见弧段的计算主要依赖卫星工具包(satellite tool kit,STK)软件。

3.1 基于STK与Matlab互联的可见弧段预处理

通过可见弧段预处理产生的星站可见窗口弧段是进行测控任务调度的对象。其目标是将调度场景中每个卫星的测控需求、测控总调度时间段、每次测控最短时间和测站最短转换时间等约束条件通过STK软件建模求得的卫星与测站可见窗口信息相结合,得到每个卫星需求才测控总时间段内可用测控弧段集合。文献[31]利用STK仿真计算地面站调度信息,并将这些数据用XML格式储存。为了方便快捷的获取可见弧段信息,本文采用基于Matlab与STK互联的可见弧段获取方式,两款软件的具体版本为Matlab 2014b和STK 11.4。在Matlab程序中调用STK中IAgStkObjectRoot函数集和相应的接口函数。通过编写Matlab程序,实现了场景中所有卫星和测站的可见弧段信息的自动化获取。接着,把其包含的卫星、测站、弧段始末时间以及窗口持续时间按照满足C1～C3、C5和C13约束进行初步筛选,储存在特定的表格中,得到每个卫星需求的可用测控弧段集合。

3.2 改进遗传算法求解框架

基于改进遗传算法的多类测控资源联合调度的具体求解框架如图1所示。算法的主要改进是对基因型发生变化的染色体进行约束条件检验,使之适应问题求解的需要。经过可见弧段预处理之后,首先要进行种群初始化,并进行约束条件检验,确保种群中的每一条染色体代表的测控调度方案都可以满足任务需求。其次,依次进行适应度计算、选择、交叉和变异操作,在有新染色体产生的交叉和变异阶段,需要对每个染色体进行约束条件检验。对于同一个测站的测控可用弧段的冲突约束,采用将其适应度值设置为负数的方法进行处理。最后,根据场景规模大小设置相应的进化代数作为算法终止条件,若在调度表中存在冲突的情况,就删去收益值为负数的测控窗口,得到最终的优化调度方案。

图1 改进遗传算法优化框架Fig.1 Optimization framework of improved genetic algorithm

3.3 编码

染色体上的基因编码奠定了遗传算法求解的基础,编码方法设计的优劣程度直接影响到了算法的求解效率和性能。因此,染色体采用整数编码方式,将预处理之后得到的测控弧段按照时间先后顺序排列序号作为弧段序列号。并将此序列号作为染色体上的基因型,分别储存在JAk集合中,随机在集合中选取卫星k的调度窗口,排列在染色体上的相邻位置,编码和基因排列情况如图2所示。图2中展示了由3颗卫星(每颗卫星的测控需求为4次)组成的调度方案。其中每条染色体长度即为卫星提出的总任务需求数量。

图2 调度方案在染色体上的编码方式示意图Fig.2 Schematic representation of coding mode of scheduling scheme on chromosome

3.4 初始种群的生成

一般来说,遗传算法的搜索性能与生成初始种群的基因多样性密切相关,因此本文采用随机方法产生初始种群中每一个染色体的基因型。

3.5 适应度数值计算

由于多类测控资源联合调度的目的,是在尽可能考虑满足不同测控资源约束和测控需求的条件下,使获得的总优先级之和最大。因此,将目标函数作为适应度函数,如式(16)所示。

3.6 遗传算子设计

(1)改进的保留选择算子。由于本文中采用随机方式产生初始种群,并且输入规模较大,所以单一的选择方式不能保证适应度值较大的个体有更大的可能性进行交叉和变异。因此,对选择策略进行了改进:首先按从大到小的顺序对种群中的个体进行排序,然后结合排序和轮盘赌法选择法的结果,按比例选择优秀个体进入配偶池。这样既提高了算法的收敛速度,又在一定程度上减少了算法求解陷入局部最优的可能性。

(2)带有禁忌搜索策略的交叉算子和变异算子。为了较好地平衡算法的收敛性与种群的多样性,避免局部最优。本文采用单点交叉方法,杂交的个体从选择后的新种群中随机选取,对杂交后产生的新染色体进行约束条件检验。为了更快的找到最优解,在此步骤引入了禁忌搜索策略,将不符合约束条件的基因型放到禁忌列表中,防止程序陷入死循环,提高求解速度和方案可行性。同理,采用随机选取变异位置的单点变异算子,为了使变异后的个体满足约束条件,将不符合约束条件的变异点基因型列入禁忌表中,提高求解质量和速度。

3.7 终止条件

在遗传算法中,通常将最大迭代次数设置为终止条件,当算法的进化代数满足此终止条件的要求时,算法停止,同时输出结果。本文根据调度场景规模设置最大遗传代数Gen,当遗传代数达到Gen时算法停止。

3.8 利用算法寻优的约束冲突处理

本文将算法的寻优特性应用于任务弧段冲突的消解。根据适应度函数,把每条染色体上的调度方案中与前面任务存在冲突的任务的测控收益赋为负数,这样在算法的优化迭代中就可以优先选择出总收益最大的调度方案。同时,在本文设计的算法中,要在交叉、变异运算之后对约束条件进行检查,但是这些检查的约束中不包含代表测控弧段时间冲突的约束C8。最后,删去评价为负值的测控弧段,得到最终的调度方案。

4 仿真实例与结果分析

4.1 场景设计

为了验证本文提出方法的适用性和有效性,如图3所示。通过实验,应用相同的优化算法求解,对多类测控资源引入联合调度方法的前后调度结果进行对比。在没有对测控资源进行联合调度前,不同属性的测控资源只能对相同属性的卫星用户提供测控服务。而引入联合调度的方法后,在满足相应约束的前提下,属性不同的测控资源可以对不同属性的卫星用户执行测控任务。场景的总调度时间为2020-10-01 00:00:00至2020-10-02 00:00:00。根据实际情况,在场景中分别设置了一定数量的国有、商业测控资源以及在轨运行的多颗低轨用户卫星,利用STK与Matlab软件创建并获取可见弧段中的各项数据信息。场景中测控资源和卫星分布概貌如图4所示。

图3 实验方案对比设计示意图Fig.3 Schematic diagram of experimental scheme comparison design

图4 场景的测控资源和卫星分布概貌Fig.4 Telemetry,track and command resources and satellite distribution overview of the scene

场景中包含呼伦贝尔站、佳木斯站、喀什站、老挝站、帕劳站和一个位于东海附近测量船组成的测控资源集合以及包含24颗低轨卫星的用户卫星集合。其中,佳木斯站、海上测量船和喀什站是国有测控站,帕劳站、呼伦贝尔站和老挝站是商业测站;24颗低轨卫星中有16颗是国有卫星,8颗是商用卫星,所有卫星采用其在双行轨道根数中的SSC号码进行命名,根据此号码可以在互联网上查询到对应卫星的双行轨道根数信息。其中的3颗商业卫星有一次测控任务由于成本约束C2,不能选择测量船(海基测控站)执行测控任务。另外,随机选择6颗国有卫星,在首圈测控时需要通过国有测站上传S波段上行信号。

表1 资源收益Table 1 Resources income

表2 卫星基本信息Table 2 Satellite basic information

4.2 改进遗传算法的计算结果

实验系统配置为:Inter Core(TM)i7-9750H CPU @2.60 GHz,DDR4 8 G RAM,Windows10;算法采用Matlab 2019a编程实现。改进遗传算法的具体参数设置如表3所示。通过可见性分析软件,计算出799条可用弧段信息,将其作为输入信息代入求解优化算法中。

表3 改进遗传算法参数设置Table 3 Parameter setting of improved genetic algorithm

对引入联合调度前后的多类测控资源优化情况都用本文提出的改进遗传算法进行求解。如图5所示,为引入联合调度方法前后的测控调度收益随算法迭代次数变化情况。

图5 引入联合调度前后算法的寻优轨迹Fig.5 Algorithm optimization trajectory before and after the introduction of joint scheduling

在图5中,横坐标为算法迭代次数,纵坐标为模型中定义的测控调度收益值。程序求解时间为18.528 s,从图5中可以看出,如果对多类测控资源不采用联合调度的方式,测控需求满足率仅为88.40%,测控调度收益为1 401;而对多类测控资源引入联合调度方法,测控需求满足率可以提高至100%,测控调度收益为1 835。通过实验对比,在引入联合调度方法前后,测控调度方案的收益值较不引入联合调度方法增加了13.12%。可以看出,在多类测控资源的应用中引入联合调度,不仅可以有效提高测控需求满足率,还增加了调度方案的收益值,从而提高了整个测控资源的利用效率。

采用改进遗传算法对多类测控资源进行联合调度,根据得到的最优化方案画出的甘特图如图6所示。其中,不同颜色代表不同卫星的测控任务,每个任务的X/Y代号表示第X颗卫星的在总测控调度计划中排列为Y的测控任务。纵坐标测站代号1～6依次代表海上测控站、呼伦贝尔站、佳木斯站、喀什站、老挝站和帕劳站;横坐标表示调度时间,为0～1 440 min。

图6直观的表示出了调度计划中151个测控任务的测控弧段的时间长短和星站可见窗口等信息,可以看出调度结果是满足所有约束要求的。综上,从算法优化求解的结果可知,所设计的改进遗传算法可以在多类测控资源联合调度模型下求得一定质量的调度方案。在设置的场景中,从算法最终求得的最优解可以看出,对于多类测控资源来说,不采用联合调度方法时任务收益和测控任务需求满足情况较差。但如果在进行多类测控资源调度时采用联合调度方法,即使不同测控网之间联合调度存在许多约束,但还是能全部满足测控需求并取得了较高的调度收益,表明多类测控资源联合测控资源调度方案能够有效提高测控资源的利用效率。另外,利用改进遗传算法求解此类问题还存在一定的不足,在求解能力上还有进一步提高的空间。

图6 算法优化求解得到的联合调度方案甘特图Fig.6 Gantt chart of joint scheduling scheme obtained by algorithm optimization

5 结 论

多类测控资源联合调度问题是一个约束条件多,资源冲突强的复杂组合优化问题。本文对国有和商业测控资源特点分别进行分析和规范化的描述和科学的抽象。结合多类测控资源联合调度的需求和特点,建立了多类测控资源联合调度模型,并根据问题求解的实际情况提出了基于改进遗传算法的求解策略,证明了采用多类测控资源联合调度方法较传统方法的优越性,并为求解此类问题提出了一种可行的解决方案。应该注意到,多类测控资源联合调度问题具有复杂性和特殊性,不同的测控资源管理机构会对其有更加细致的要求。此外,本文建立的模型只考虑了属于不同测控网的地基测控站的资源调度问题,如果要在实际任务中真正投入使用,还需要考虑与天基等测控资源的协同,以及由于加入紧急测控任务造成动态不确定影响的动态测控资源调度等问题。