GRRIS：面向分布式光望阵列的实时站内观测调度方案

分布式光望阵列为进行大范围天区、高频时域观测survey提供了前景。在每个观测站点可以部署多个光望装置，因此站内观测任务调度对于提升观测效率和质量至关重要。有效利用可观测时间并快速响应特殊情况是最大化时域观测中科学发现的关键。此外，竞争性科学优先级、时变观测条件以及观测设备能力，导致调度的搜索空间巨大。随着光望装置和观测场区域的增加，在观测调度中在计算时间与解的质量之间进行平衡 presents a significant challenge。本文受早期研究中多层次调度模型和时域光望阵列全局调度器的重要贡献启发，致力于进一步探索站点调度器。将多个光望装置的站内观测调度问题形式化为合作决策问题，本文提出了 GRRIS——一种基于图和强化学习的光望阵列实时站内观测调度方案。该方案采用图神经网络学习节点特征，以嵌入观测调度的空间结构。设计了基于多主体强化学习的算法，高效学习光望主体对场节点的最优分配策略。通过采用真实场景的numerical模拟，GRRIS在最具竞争力的方案基础上实现了最高22%的解的改进。该方案具有更好的可扩展性和亚秒级决策速度，满足未来分布式光望阵列观测调度控制的需求。