Offline-Online Multiple Agile Satellite Scheduling using Learning and Evolutionary Optimization
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The recent generation of Agile Earth Observation Satellite (AEOS) has emerged to be highly effective due to its increased attitude maneuvering capabilities. However, due to these increased degrees of freedom in maneuverability, the scheduling problem has become increasingly difficult than its non-agile predecessors. The AEOS scheduling problem consists of finding an optimal assignment of user-requested imaging tasks to the respective AEOSs in their orbits by satisfying the operational resource constraints in a specified time frame. Some of these tasks might require imaging the same area of interest (AOI) multiple times, while in some tasks, the AOIs are too large for the AEOS to image in a single attempt. Some tasks might even arise while the AEOSs are preoccupied with existing tasks. This thesis focuses on formulating the AEOS scheduling models where onboard energy and memory constraints while operating and the task specifications are diverse. A mixed-integer non-linear scheduling problem with a reward factor has been considered in order to handle multiple scan requirements for a task. Although initially, it is assumed that the AOIs are small, this work is extended to a three-stage optimization framework to handle the segmentation of large AOIs into smaller regions that can be imaged in a single scan. The uncertainty regarding scan failure is handled through a Markov Decision Process (MDP). These two proposed methods have significant benefits when tasks are available to schedule prior to the mission. However, they lack the flexibility to accommodate newly arrived tasks during the mission. When multiple new tasks arrive during the mission, predictive scheduling based on learning historical data of task arrivals is proposed, which can schedule tasks in an online manner faster than complete rescheduling and minimize disruption from the original schedule. Evolutionary optimization-based solution methodologies are proposed to solve these models and are validated with simulations.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,023 | 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 découle