基于图神经网络和蒙特卡洞树搜索的地球观测卫星调度
人工智能
2025-11-27 v2 机器学习
系统与控制
系统与控制
摘要
地球观测卫星规划 (EOSP) 是一个具有相当实际意义的困难优化问题。必须在敏捷的地球观测卫星上对一组请求的观测进行调度，同时遵守其可见窗口约束，以及施加于连续观测之间延迟的机动约束。此外，该问题存在严重超订现象：候选观测远多于可能实现的数量。因此，必须选择将执行的观测集合，并为这些观测提出一个可行的调度方案，以最大化其累计收益。鉴于以往工作主要关注启发式和迭代搜索算法，本文提出了一种新技术，用于基于图神经网络 (GNN) 和深度强化学习 (DRL) 的观测选择与调度。GNN 用于从表示 EOSP 实例的图中提取相关信息，DRL 驱动寻找最优调度的搜索。添加基于蒙特卡洞树搜索 (MCTS) 的后学习搜索步骤，能够找到更好的解决方案。实验表明，该方法能够在小规模问题实例上学习，并在大规模真实问题实例上实现良好泛化，性能与传统方法相当竞争。
引用
@article{arxiv.2408.15041,
title = {Earth Observation Satellite Scheduling with Graph Neural Networks and Monte Carlo Tree Search},
author = {Antoine Jacquet and Guillaume Infantes and Emmanuel Benazera and Vincent Baudoui and Jonathan Guerra and Stéphanie Roussel},
journal= {arXiv preprint arXiv:2408.15041},
year = {2025}
}
备注
Accepted at International Workshop on Planning & Scheduling for Space (IWPSS 2025)