用于离线纳卫星任务调度问题的图神经网络
机器学习
2025-11-04 v4 人工智能
最优化与控制
摘要
本研究探讨如何使用图神经网络（GNNs）更高效地调度纳卫星任务。在离线纳卫星任务调度（ONTS）问题中，目标是在考虑服务质量（QoS）因素（如优先级、最小和最大激活事件、执行时间帧、周期和执行窗口）以及卫星功率资源约束和能量采集与管理的复杂性下，找出在轨执行任务的最优调度。ONTS问题已使用常规数学公式和精确方法求解，但它们对该问题困难情形的适用性有限。本研究考察了GNNs在此背景下的使用，GNNs已有效应用于旅行商、调度和设施选址等优化问题。更具体地，我们研究GNNs是否能学习ONTS问题关于候选解的可行性与最优性的复杂结构。此外，我们评估使用基于GNN的启发式解来为ONTS问题提供更好的解（就目标值而言）并降低优化成本。我们的实验表明，GNNs不仅能学习ONTS问题实例的可行性与最优性，还能泛化到比训练时更难的实例。此外，与开箱配置的SCIP（Solving Constraint Integer Programs）求解器相比，基于GNN的启发式方法将时间限制下找到的最佳解的期望目标值提高了45%，并将找到可行解的期望时间减少了35%。
引用
@article{arxiv.2303.13773,
title = {Graph Neural Networks for the Offline Nanosatellite Task Scheduling Problem},
author = {Bruno Machado Pacheco and Laio Oriel Seman and Cezar Antonio Rigo and Eduardo Camponogara and Eduardo Augusto Bezerra and Leandro dos Santos Coelho},
journal= {arXiv preprint arXiv:2303.13773},
year = {2025}
}