.png){kind=icon}
返回
A dual-layer bilevel optimization model to complete algorithm evolution in agile satellite task scheduling problem using Large Language Models
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2026.115533.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
敏捷成像卫星任务调度（AISTS）是一个NP难优化问题。为应对多样的AISTS场景，开发高效且自适应的算法至关重要。学习驱动的算法自动化能够辅助此任务设置下的手动启发式工程，但现有的基于LLM的进化研究主要关注更简单的传统优化问题，而非AISTS的专业约束。为弥合LLM通用性与AISTS专业领域之间的差距，我们设计了一种人类架构的基于LLM的两层优化模型（BOM）以支持AISTS的离线启发式合成。该框架将LLM的生成过程组织为两个层级。上层中，人类设计的进化机制优化提示并精炼给予LLM的指令；下层中，在优化提示的引导下，LLM在适应度驱动的进化框架内通过组合和修改算法组件来制定领域适配、高性能的启发式方法。由于AISTS自然可建模为包含任务分配和单星调度子问题的BOM，所提出的双层框架使算法合成与问题结构对齐。通过外层BOM中两个子问题的自动算法设计（AAD），我们为评估的AISTS场景设计了高性能的算法配对。实证证据表明，在评估的AISTS领域中，合成的复合启发式方法在保持轻量级在线执行的同时，将完成率较测试的人设基线基准提升了最高15.41%，其在线运行时间仅占测试最慢基准运行时间的1.64%。
期刊
IF:
8
论文数:
5.8K
被引数:
3.5W
机构
引用论文
Reliability-driven constrained Pareto optimization for knowledge-informed predictive maintenance decisions under uncertainty可靠性驱动的约束帕累托优化，用于不确定性下的知识感知预测性维护决策
PREAI
分享收藏An improved adaptive large neighborhood search algorithm for multiple agile satellites scheduling一种改进的自适应大邻域搜索多敏捷卫星调度算法
PREAI
分享收藏Large language model-based evolutionary optimizer: Reasoning with elitism基于大型语言模型的进化优化器: 精英主义推理.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Mathematical discoveries from program search with large language models使用大型语言模型进行程序搜索的数学发现Nature
OAAI
NatureIF0
OAAI分享收藏Agile Earth Observation Satellite Scheduling Over 20 Years: Formulations, Methods, and Future Directions超过20年的敏捷地球观测卫星调度: 公式，方法和未来方向OAAI
OAAI分享收藏
查看更多内容