بهینه‌سازی پارامترهای الگوریتم ژنتیک برای طراحی منظومه‌های ماهواره‌ای مخابراتی بومی

کوثری, آرش; فتحی, امیر رضا

doi:10.22034/jsst.2025.1555

بهینه‌سازی پارامترهای الگوریتم ژنتیک برای طراحی منظومه‌های ماهواره‌ای مخابراتی بومی

نوع مقاله : مقالة‌ پژوهشی‌

نویسندگان

آرش کوثری ¹

امیر رضا فتحی ²

¹ استادیار، پژوهشکده برق و فناوری اطلاعات سازمان پژوهش‌های علمی و صنعتی ایران

² دانشجوی دکترا، دانشگاه تهران

10.22034/jsst.2025.1555

چکیده

بهینه‌سازی طراحی منظومه‌های ماهواره‌ای در مدار پایین زمین (LEO) به دلیل ابعاد پیچیده مسئله، یک چالش اساسی محسوب می‌شود. اگرچه الگوریتم‌های ژنتیک (GA) ابزارهای مناسبی هستند، اما عملکرد آن‌ها به تنظیمات اولیه پارامترها بسیار حساس بوده و اغلب به همگرایی زودرس منجر می‌شوند. این مقاله یک الگوریتم ژنتیک کاملاً تطبیقی (AGA) جدید را معرفی می‌کند که با بهره‌گیری از یک چارچوب پویا و خوداصلاح‌کننده، این محدودیت را برطرف می‌سازد. در این الگوریتم، یک حلقه کنترل خارجی، اندازه جمعیت و نرخ تقاطع را بر اساس معیارهای بلادرنگ تنوع و رکود همگرایی تنظیم می‌کند.
پس از تأیید تاب‌آوری الگوریتم با عملکردی ۳۸۰ برابر بهتر از بهترین GA استاتیک روی تابع معیار Rastrigin، از AGA برای بهینه‌سازی یک منظومه ماهواره‌ای LEO با هدف حداکثرسازی پوشش بر فراز تهران استفاده شد. نتایج نشان داد که AGA با دستیابی به ۱۹.۴۵ ساعت پوشش روزانه، بهبود ۱۴.۴ درصدی نسبت به GA استاتیک (۱۷ ساعت) ایجاد کرد. همچنین، زمان محاسباتی الگوریتم به ۱۵ ساعت کاهش یافت که نشان‌دهنده کاهش چشمگیر ۸۰.۸ درصدی نسبت به زمان ۷۸ ساعتی GA استاتیک است. این تحقیق، یک روش کارآمد و قابل اعتماد برای طراحی منظومه‌های ماهواره‌ای ارائه می‌دهد که الگویی برای حل مسائل مهندسی پیچیده با حساسیت بالا به پارامترها محسوب می‌شود.

کلیدواژه‌ها

منظومه‌های ماهواره‌ای

بهینه‌سازی

پوشش منطقه‌ای

الگوریتم ژنتیک

منظومه‌های بومی

موضوعات

مهندسی هوافضا

[1] Y. Zhang, H. Yang, G. Liang, Y. Chen, Z. Liu, and J. Hu, “Efficient design of constellation for Low-Earth-Orbit object revisit observations,” Aerospace Science and Technology, vol. 166, 2025, Art. no. 110633, https://doi.org/10.1016/j.ast.2025.110633.

[2] S. Wang et al., “Multi-layer LEO constellation optimization based on D-NSDE algorithm,” Remote Sensing, vol. 17, no. 6, 2025, Art. no. 994, https://doi.org/10.3390/rs17060994.

[3] C. Qin, Y. Gao, and Y. Wang, “The optimization of low Earth orbit satellite constellation visibility with genetic algorithm for improved navigation potential,” Scientific Reports, vol. 15, no. 1, 2025, Art. no. 30798, https://doi.org/10.1038/s41598-025-16815-7.

[4] J. Zhang and L. Xing, “An improved genetic algorithm for the integrated satellite imaging and data transmission scheduling problem,” Computers & Operations Research, vol. 139, 2022, Art. no. 105626, https://doi.org/10.1016/j.cor.2021.105626.

[5] C. Han, S. Bai, and S. Zhang, and X. Wang, “Visibility optimization of satellite constellations using a hybrid method,” Acta Astronautica, vol. 163, Part B, pp. 250-263, 2019, https://doi.org/10.1016/j.actaastro.2019.01.025.

[6] H. Ge, B. Li, L. Nie, M. Ge, and H. Schuh, “LEO constellation optimization for LEO enhanced global navigation satellite system (LeGNSS),” Advances in Space Research, vol. 66, no. 3, pp. 520-532, 2020, https://doi.org/10.1016/j.asr.2020.04.031.

[7] A. E. Eiben and J. Smith, Introduction to Evolutionary Computing, Latest ed. Berlin, Heidelberg: Springer, 2003, https://doi.org/10.1007/978-3-662-44874-8.

[8] C. Tan, Y. Xu, R. Luo, Y. Li, and C. Yuan, “Low Earth orbit constellation design using a multi-objective genetic algorithm for GNSS reflectometry missions,” Advances in Space Research, vol. 71, no. 5, pp. 2357–2369, 2023, https://doi.org/10.1016/j.asr.2022.10.035.

[9] Q. Zheng, Y. Cai, and P. Wang, “A modified genetic algorithm for large-scale and joint satellite mission planning,” Egyptian Informatics Journal, vol. 31, 2025, Art. no. 100713, https://doi.org/10.1016/j.eij.2025.100713.

[10] J. Guo, Y. Wang, X. Xie, and C. Sun, “A fast satellite selection algorithm for positioning in LEO constellation,” Advances in Space Research, vol. 73, no. 1, pp. 271–285, 2024, https://doi.org/10.1016/j.asr.2023.10.031.