.png){kind=icon}
返回
DEEM: A Differential Evolution Ensemble Method for optimizing agile satellite scheduling
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.126771.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
敏捷地球观测卫星调度问题（AEOSSP）是一个复杂、与时间相关的组合优化挑战，近年来已引起广泛关注。现有方法往往难以平衡解的时效性与质量。为解决此问题，我们提出了差分进化集成方法（DEEM），这是一种新型框架，可同时确保时效性与高质量解。DEEM是一种集成学习框架，旨在优化针对AEOSSP的鲁棒且自适应的启发式算法，利用不同启发式算法在各种场景中的多样化适用性。在DEEM中，针对每种启发式算法基于其各自的任务优先级序列构建任务价值向量。这些向量通过集成权重向量整合为最终的集成价值向量。由此产生的集成任务价值向量随后转换为任务优先级序列，并由调度模块处理。这种集成启发式过程（EHP）能够有效利用各启发式算法的适用性。集成权重向量通过差分进化（DE）进行迭代优化。此外，DEEM采用知识转移策略，利用预测试场景的知识指导新场景中集成权重向量的初始化。这种初始转移的DEEM形成了DEEM-0变体，一种能快速生成高质量结果的集成构建启发式算法。实验结果表明，DEEM在所有测试问题规模上均超越当前AEOSSP元启发式算法，在解的质量和速度方面均表现更优。值得注意的是，作为构建启发式算法的DEEM-0在构建时间框架内也优于当前元启发式算法。额外实验验证了我们提出的EHP、DE及知识转移策略的有效性。因此，这些发现突显了DEEM在卫星调度系统的构建过程和持续优化中的有效性与易用性。这些结果不仅推动了卫星调度领域的当前技术水平，还提供了一个稳健的框架，可适应工程与运筹学中的复杂优化问题，展示了其超越原始领域的更广泛应用性。
Keyword:
Differential evolution
Ensemble leaning
Knowledge transfer
Agile earth observation satellite scheduling
Time-dependent transition time
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
Knowledge-assisted adaptive large neighbourhood search algorithm for the satellite-ground link scheduling problem卫星-地面链路调度问题的知识辅助自适应大邻域搜索算法
.png){kind=icon}
PREAI
分享收藏Learning to Construct a Solution for the Agile Satellite Scheduling Problem With Time-Dependent Transition Times学习构造具有时间相关过渡时间的敏捷卫星调度问题的解决方案
PREAI
分享收藏Mixed-integer programming models for optimal constellation scheduling given cloud cover uncertainty
OAAI
OAAI分享收藏分享收藏General modeling and optimization technique for real-world earth observation satellite scheduling
PREAI
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