Improved Adaptive Large Neighborhood Search Algorithm Based on the Two-Stage Framework for Scheduling Multiple Super-Agile Satellites
Notice bibliographique
Résumé
Super-agile satellites are high-performance earth observation satellites with active push-brooming capability and a real-time attitude control system. The highly flexible attitude maneuver capability of super-agile satellites has aggravated the complexity of the observation schedule. To solve the multiple super-agile satellite cooperative scheduling problem, we propose an improved adaptive large neighborhood search algorithm based on a two-stage framework (IALNS-TSF). The IALNS-TSF consists of two stages: the task allocation stage and the task sequencing stage. During the task allocation stage, the multiple super-agile satellite scheduling problem is decomposed into multiple single-satellite scheduling problems by heuristic allocation strategies. During the task sequencing stage, the scheduling plan is optimized through the improved adaptive large neighborhood search algorithm integrated with especially designed destroy and repair operations. The weights of the destroy and repair operators are updated through an adaptive mechanism, where the Metropolis acceptance criterion is employed to control the updates of solutions. Finally, to validate the effectiveness of the proposed method, extensive simulation experiments are conducted. The proposed method is compared with the improved simulated annealing algorithm based on a random insertion strategy, an adaptive large neighborhood search algorithm, and a variable neighborhood search algorithm. Experimental results demonstrate that the IALNS-TSF can obtain higher quality solutions in fewer iterations under different task scales and quantities of resources.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».