衛星排程主動約束獲取新方法

🔑 增強重點摘要

• •CCA 方法解決了傳統地球觀測（EO）排程中，因操作約束（如衛星姿態變更限制、能源預算）過於複雜而難以精確建模的「黑盒」問題。
• •該研究採用了主動學習（Active Learning）策略，透過與預言機（Oracle）的最小化互動，在保證排程可行性的前提下，顯著降低了對計算資源的需求。
• •CCA 的核心創新在於其「保守」特性，即在學習過程中僅在必要時收緊約束，從而避免了過度約束導致的解空間過度縮小，提升了排程方案的品質。

🛠️ 技術深入

• •架構整合：CCA 嵌入於 Learn&Optimize 框架，透過交替執行「優化器（Optimizer）」與「預言機（Oracle）」來迭代更新約束模型。
• •二元預言機互動：預言機僅回饋排程方案是否可行（可行/不可行），而非提供具體的約束參數，這降低了對領域專家知識的依賴。
• •約束學習機制：採用保守更新策略，僅在預言機判定當前方案不可行時，才對約束模型進行局部收緊，確保模型始終包含可行解空間。
• •效能優化：在 n=50 的合成實例中，透過減少對預言機的查詢次數（僅 21 次），大幅降低了計算複雜度，相較於傳統的 FAO（Feasibility-Aware Optimization）方法，執行時間縮短了 5 倍。

🔮 前景展望AI analysis grounded in cited sources