지구 관측(EO) 위성 스케줄링에서 제약이 명시되지 않고 바이너리 오라클로부터 상호작용으로 학습해야 하는 상황을 다룬다. 페어와이즈 분리와 전역 용량 제약으로 단순화한 모델에서 보수적 제약 획득(CCA) 알고리즘을 제안, Learn&Optimize 프레임워크에 임베드해 최적화와 오라클 질의를 교대한다. 최대 50개 태스크 실험에서 기존 '획득 후 해결' 방식(FAO) 대비 주 오라클 질의를 100→21.3회로 줄이면서 성능은 더 좋거나 비슷. 실행 시간도 5배 단축.
- •미지 제약 하의 위성 스케줄링 — 바이너리 오라클로 제약 학습
- •보수적 제약 획득(CCA) + Learn&Optimize 프레임워크
- •주 오라클 질의 100→21.3회로 대폭 감소
- •n≤30에서 평균 갭 65~68% → 17.7~35.8%로 개선
- •실행 시간 약 5배 단축
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
Optimizing Earth Observation Satellite Schedules under Unknown Operational Constraints: An Active Constraint Acquisition Approach
- 1.제약이 불분명한 위성 스케줄링의 능동 제약 획득 알고리즘
- 2.오라클 질의를 5배 줄이면서 성능 유지·개선
- 3.엔지니어링 시뮬레이터 의존 최적화 문제 해법
왜 중요한가?
우주·국방·재난 대응 분야 위성 운용의 핵심 최적화 문제. 명시 안 된 제약을 학습으로 보완하는 접근은 항공·에너지·제조 등 유사 문제에도 응용 가능.
언급 프로젝트
본문 미리보기
arXiv:2604.13283v1 Announce Type: new Abstract: Earth Observation (EO) satellite scheduling (deciding which imaging tasks to perform and when) is a well-studied combinatorial optimization problem. Existing methods typically assume that the operational constraint model is fully specified in advance. In practice, however, constraints governing separation between observations, power budgets, and thermal limits are often embedded in engineering artefacts or high-fidelity simulators rather than in e
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 15:12AI 초안
